CN117611422A - 一种基于摩尔纹生成的图像隐写方法 - Google Patents
一种基于摩尔纹生成的图像隐写方法 Download PDFInfo
- Publication number
- CN117611422A CN117611422A CN202410089255.3A CN202410089255A CN117611422A CN 117611422 A CN117611422 A CN 117611422A CN 202410089255 A CN202410089255 A CN 202410089255A CN 117611422 A CN117611422 A CN 117611422A
- Authority
- CN
- China
- Prior art keywords
- image
- mole
- sub
- pattern
- secret
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 230000004913 activation Effects 0.000 claims description 10
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims description 2
- 230000015572 biosynthetic process Effects 0.000 abstract description 4
- 238000013461 design Methods 0.000 abstract description 4
- 238000003786 synthesis reaction Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 14
- 238000012549 training Methods 0.000 description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T1/00—General purpose image data processing
- G06T1/0021—Image watermarking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0475—Generative networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/094—Adversarial learning
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Editing Of Facsimile Originals (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于摩尔纹生成的图像隐写方法,本发明属于图像信息隐藏领域,包括:获取干净图像和噪声向量;将所述干净图像和所述噪声向量输入至条件生成对抗网络中,得到不同层次的子摩尔纹图案;获取秘密消息,基于编码器将所述秘密消息隐藏在所述子摩尔纹图案中,得到隐藏消息的子摩尔纹图案;基于所述隐藏消息的子摩尔纹图案和所述干净图像,生成含秘图像。本发明利用条件gan框架进行摩尔纹图案的生成,简化了传统合成方式中人为设计的流程;本发明通过编码器将所述秘密消息隐藏在所述子摩尔纹图案中,得到隐藏消息的子摩尔纹图案;本发明的嵌入策略可以提高传统隐写分析工具的不可检测性。
Description
技术领域
本发明属于图像信息隐藏技术领域,尤其涉及一种基于摩尔纹生成的图像隐写方法。
背景技术
隐写术是一种秘密通信技术。它利用文本、音频、图像或视频等常见媒体来隐藏秘密信息,使除发送方和接收方以外的任何第三方都无法发现秘密信息的存在。因此,它作为密码学的必要补充被广泛使用,以保证数据的隐私。
目前大多数基于图像生成的隐写方案都试图合成逼真的图像。实际上,深度合成不仅可以合成图像,还可以合成自然图像上的噪声和失真。由于这些噪音和扭曲是自然图像特有的,因此可以在不被怀疑的情况下隐藏其中的秘密信息。为此,我们探索自然图像上的摩尔纹图案,这通常是由使用智能手机拍摄屏幕内容引起的。它们很常见,有各种形状、颜色和频率范围。这有利于它们在隐藏秘密消息方面的应用。
目前现有的摩尔纹合成是通过模拟屏幕拍摄过程来完成的。它需要一系列的人工设计,并且考虑多种影响因素,过程复杂且难以控制。
发明内容
本发明提出了一种基于摩尔纹生成的图像隐写方法,利用深度学习的优势,减少摩尔纹生成的人为设计,并提高隐写方法的鲁棒性和安全性,以解决上述现有技术中存在的技术问题。
为实现上述目的,本发明提供了一种基于摩尔纹生成的图像隐写方法,包括:
获取干净图像和噪声向量;
将所述干净图像和所述噪声向量输入至条件生成对抗网络中,得到不同层次的子摩尔纹图案;
获取秘密消息,基于编码器将所述秘密消息隐藏在所述子摩尔纹图案中,得到隐藏消息的子摩尔纹图案;
基于所述隐藏消息的子摩尔纹图案和所述干净图像,生成含秘图像。
优选地,所述条件生成对抗网络包括:生成器、鉴别器和分析器,通过所述生成器,将所述干净图像和所述噪声向量生成不同层次的子摩尔纹图案。
优选地,所述生成器为多分支结构,每个分支均包括:下采样块、若干个卷积块和上采样块。
优选地,还包括:
将所述子摩尔纹图案相加,得到摩尔纹图案,基于所述摩尔纹图案和所述干净图像,生成摩尔纹图像;
通过所述鉴别器,对所述摩尔纹图像的真伪进行鉴别。
优选地,基于编码器将所述秘密消息隐藏在所述子摩尔纹图案中的过程包括:
获取二进制的秘密消息,将所述秘密消息转换成与所述子摩尔纹图案大小一致的二维向量,将所述二维向量与所述子摩尔纹图案输入至编码器中,得到隐藏消息的子摩尔纹图案。
优选地,所述编码器包括:若干个卷积块和高斯低通滤波层,所述卷积块包括:卷积层、batchnorm层和relu激活函数。
优选地,还包括:
将未隐藏消息的子摩尔纹图案与所述干净图像相加,得到生成的摩尔纹图像。
优选地,还包括:
通过所述分析器,基于是否含有秘密消息,分别对所述含秘图像和所述摩尔纹图像进行区分。
优选地,还包括:将所述含秘图像输入到解码器,得到秘密消息。
优选地,所述解码器包括:若干个卷积块、自适应平均池化层和线性层,所述卷积块包括:卷积层、batchnorm层和relu激活函数。
与现有技术相比,本发明具有如下优点和技术效果:
本发明提供了一种基于摩尔纹生成的图像隐写方法,将所述干净图像和所述噪声向量输入至条件生成对抗网络中,得到不同层次的子摩尔纹图案;本发明利用条件gan框架进行摩尔纹图案的生成,简化了传统合成方式中人为设计的流程;
本发明通过编码器将所述秘密消息隐藏在所述子摩尔纹图案中,得到隐藏消息的子摩尔纹图案;本发明把消息嵌入到由拍摄屏幕引起的摩尔纹图案中,而不是图像内容中,这种嵌入策略可以提高传统隐写分析工具的不可检测性,同时,由拍摄屏幕引起的摩尔纹图案并不会对干净图像的内容造成过多的影响,具有一定的美观性。本发明中每个分支连接一个编码器,允许重复地将消息嵌入到不同层次的子摩尔纹图案中,这相当于增加了嵌入的频率范围,多编码器的结构使得本发明对噪声更具有鲁棒性。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本发明实施例的图像隐写方法流程图;
图2为本发明实施例的多分支生成器网络结构示意图;
图3为本发明实施例的编码器网络结构示意图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机***中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
实施例一
如图1所示,本实施例中提供一种基于摩尔纹生成的图像隐写方法,具体包括:
步骤1,从摩尔纹数据集tip2018读取50000对干净图像和对应真实的摩尔纹图像,对图像按照600x600的大小进行中心裁剪,然后再将裁剪之后的图像统一缩放到256x256的大小。
步骤2,从正态分布中随机采样3x256x256的噪声向量;噪声向量和干净图像按通道维度进行拼接,输入到生成器。
如图2所示,生成器是多分支结构,每个分支都有6个卷积块和相应的上采样块。第一个卷积块由一层卷积核大小为3,步长为1的卷积层,relu激活函数和一层卷积核大小为3,步长为1的卷积层的顺序组成;其余卷积块由一层卷积核大小为3,步长为1的卷积和relu激活函数的顺序组成。除了第一分支,其他分支的第一个卷积块都对输入的特征进行高宽减半的下采样操作。每个分支的第一个卷积块的输出是下一个分支的输入。第一分支输入的是噪声向量和干净图像。上采样块由一层反卷积层和relu激活函数组成。每个分支都需要将特征尺寸放大到和原图像大小一致,且通道数为3。由此,可以得到五个不同层次的子摩尔纹图案。
生成器的损失函数为:
其中A表示鉴别器,G表示生成器,Z是噪声向量,IC是干净图像,TC是真实摩尔纹图案(由真实摩尔纹图像与干净图像相减得到),LC是L1距离,λ0设为0.1。
步骤3,五个不同层次的子摩尔纹图案相加,得到生成的摩尔纹图案;生成的摩尔纹图案加上干净图像,得到生成的摩尔纹图像;生成的摩尔纹图像和真实的摩尔纹图像输入到鉴别器;鉴别器进行判读真伪,提高生成器的生成质量。
鉴别器网络结构为PatchGAN的鉴别器。鉴别器一共有五个卷积块。前四个卷积块由一层下采样卷积,batchnorm层和leakrelu激活函数顺序组成,最后一个卷积块由一层下采样卷积和sigmoid函数组成。
鉴别器的损失函数为:
本实施例中,生成器训练过程中以Adam优化器来进行网络参数的更新,学习率为0.0002。经过训练,得到了生成器的预训练模型。
步骤4,随机采样0/1的二进制消息。每一位消息复制成与图像大小一致的二维向量,复制之后的消息向量与子摩尔纹图案一起输入到编码器。
每个子摩尔纹图案对应一个编码器。多编码器有利于提高方法的鲁棒性。
如图3所示,编码器由6个卷积块和高斯低通滤波层组成。每个卷积块由一层卷积,batchnorm层和relu激活函数顺序组成。第一个卷积块输入的是子摩尔纹图案。第五个卷积块输入的是中间特征和消息的拼接。最后输出的是隐藏消息的子摩尔纹图案。
隐藏消息的子摩尔纹图案乘以一个权重系数,调节隐写的鲁棒性和安全性。
编码器损失函数为:
其中S是分析器,Ei是第i个编码器,Ti是第i个生成的子摩尔纹图案,m表示秘密消息,λ1为1,λ2为0.001。
步骤5,隐藏消息的子摩尔纹图案和未隐藏消息的子摩尔纹图案分别和干净图像相加,得到含秘图像和生成的摩尔纹图像。
步骤6,含秘图像和生成的摩尔纹图像输入到分析器,分析器进行区分,提高方法的安全性。
分析器损失函数为:
步骤7,含秘图像经过高斯噪声和jpeg压缩的扰动,输入到解码器。
解码器从含秘图像中提取秘密消息。解码器由七个卷积块,自适应平均池化层和线性层组成。每个卷积块由一层卷积,batchnorm层和relu激活函数顺序组成。
解码器损失函数为:
其中是含秘图像,D是解码器。
本实施例中,解码器训练过程中以Adam优化器来进行网络参数的更新,学习率为0.001。
以上所述,仅为本申请较佳的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应该以权利要求的保护范围为准。
Claims (9)
1.一种基于摩尔纹生成的图像隐写方法,其特征在于,包括:
获取干净图像和噪声向量;
将所述干净图像和所述噪声向量输入至条件生成对抗网络中,得到不同层次的子摩尔纹图案;
获取秘密消息,基于编码器将所述秘密消息隐藏在所述子摩尔纹图案中,得到隐藏消息的子摩尔纹图案;
基于所述隐藏消息的子摩尔纹图案和所述干净图像,生成含秘图像。
2.根据权利要求1所述的基于摩尔纹生成的图像隐写方法,其特征在于,所述条件生成对抗网络包括:生成器、鉴别器和分析器,通过所述生成器,将所述干净图像和所述噪声向量生成不同层次的子摩尔纹图案。
3.根据权利要求2所述的基于摩尔纹生成的图像隐写方法,其特征在于,所述生成器为多分支结构,每个分支均包括:下采样块、若干个卷积块和上采样块。
4.根据权利要求2所述的基于摩尔纹生成的图像隐写方法,其特征在于,还包括:
将所述子摩尔纹图案相加,得到摩尔纹图案,基于所述摩尔纹图案和所述干净图像,生成摩尔纹图像;
通过所述鉴别器,对所述摩尔纹图像的真伪进行鉴别。
5.根据权利要求1所述的基于摩尔纹生成的图像隐写方法,其特征在于,基于编码器将所述秘密消息隐藏在所述子摩尔纹图案中的过程包括:
获取二进制的秘密消息,将所述秘密消息转换成与所述子摩尔纹图案大小一致的二维向量,将所述二维向量与所述子摩尔纹图案输入至编码器中,得到隐藏消息的子摩尔纹图案。
6.根据权利要求1所述的基于摩尔纹生成的图像隐写方法,其特征在于,所述编码器包括:若干个卷积块和高斯低通滤波层,所述卷积块包括:卷积层、batchnorm层和relu激活函数。
7.根据权利要求4所述的基于摩尔纹生成的图像隐写方法,其特征在于,还包括:
通过所述分析器,基于是否含有秘密消息,分别对所述含秘图像和所述摩尔纹图像进行区分。
8.根据权利要求1所述的基于摩尔纹生成的图像隐写方法,其特征在于,还包括:将所述含秘图像输入到解码器,得到秘密消息。
9.根据权利要求8所述的基于摩尔纹生成的图像隐写方法,其特征在于,所述解码器包括:若干个卷积块、自适应平均池化层和线性层,所述卷积块包括:卷积层、batchnorm层和relu激活函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410089255.3A CN117611422B (zh) | 2024-01-23 | 2024-01-23 | 一种基于摩尔纹生成的图像隐写方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410089255.3A CN117611422B (zh) | 2024-01-23 | 2024-01-23 | 一种基于摩尔纹生成的图像隐写方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117611422A true CN117611422A (zh) | 2024-02-27 |
CN117611422B CN117611422B (zh) | 2024-05-07 |
Family
ID=89958242
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410089255.3A Active CN117611422B (zh) | 2024-01-23 | 2024-01-23 | 一种基于摩尔纹生成的图像隐写方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117611422B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002279480A (ja) * | 2001-03-19 | 2002-09-27 | Dainippon Printing Co Ltd | 画像形成体、およびその真贋判定装置 |
CN113486377A (zh) * | 2021-07-22 | 2021-10-08 | 维沃移动通信(杭州)有限公司 | 图像加密方法、装置、电子设备和可读存储介质 |
CN114827381A (zh) * | 2022-06-30 | 2022-07-29 | 北京大学深圳研究生院 | 基于条件标准化流模型的强鲁棒性图像隐写方法及*** |
WO2023151511A1 (zh) * | 2022-02-08 | 2023-08-17 | 维沃移动通信有限公司 | 模型训练方法、图像去摩尔纹方法、装置及电子设备 |
-
2024
- 2024-01-23 CN CN202410089255.3A patent/CN117611422B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002279480A (ja) * | 2001-03-19 | 2002-09-27 | Dainippon Printing Co Ltd | 画像形成体、およびその真贋判定装置 |
CN113486377A (zh) * | 2021-07-22 | 2021-10-08 | 维沃移动通信(杭州)有限公司 | 图像加密方法、装置、电子设备和可读存储介质 |
WO2023151511A1 (zh) * | 2022-02-08 | 2023-08-17 | 维沃移动通信有限公司 | 模型训练方法、图像去摩尔纹方法、装置及电子设备 |
CN114827381A (zh) * | 2022-06-30 | 2022-07-29 | 北京大学深圳研究生院 | 基于条件标准化流模型的强鲁棒性图像隐写方法及*** |
Non-Patent Citations (3)
Title |
---|
MINVYDAS RAGULSKIS , ALGIMENT ALEKSA: "Image hiding based on time-averaging moiré", OPTICS COMMUNICATIONS, 31 December 2009 (2009-12-31), pages 2752 - 2759 * |
曹超;陈汝钧;: "基于随机相位矩阵的版权信息隐藏方法", 计算机应用, no. 2, 15 December 2008 (2008-12-15), pages 257 - 259 * |
郭凌华 等: "基于微结构网点的信息隐藏防伪技术研究", 西安理工大学学报, no. 04, 30 December 2016 (2016-12-30), pages 416 - 421 * |
Also Published As
Publication number | Publication date |
---|---|
CN117611422B (zh) | 2024-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108346125B (zh) | 一种基于生成对抗网络的空域图像隐写方法及*** | |
CN109993678B (zh) | 一种基于深度对抗生成网络的鲁棒信息隐藏方法 | |
Wazirali et al. | An optimized steganography hiding capacity and imperceptibly using genetic algorithms | |
CN111640444B (zh) | 基于cnn的自适应音频隐写方法和秘密信息提取方法 | |
CN112634117B (zh) | 基于生成对抗网络的端到端jpeg域图像隐写方法 | |
Wei et al. | Generative steganography network | |
CN115131188A (zh) | 一种基于生成对抗网络的鲁棒图像水印方法 | |
CN112132737B (zh) | 一种无参考生成的图像鲁棒隐写方法 | |
CN111681155A (zh) | 一种基于深度学习的gif动态图像水印方法 | |
CN114157773B (zh) | 基于卷积神经网络和频域注意力的图像隐写方法 | |
Ye et al. | Heard more than heard: An audio steganography method based on gan | |
CN107578362A (zh) | 基于纹理合成在图像中嵌入秘密信息的方法 | |
CN116091288A (zh) | 一种基于扩散模型的图像隐写方法 | |
Liu et al. | Adversarial steganography embedding via stego generation and selection | |
CN111327785A (zh) | 一种基于对抗生成网络的图像自动构建的信息隐写通信方法 | |
Chanchal et al. | A comprehensive survey on neural network based image data hiding scheme | |
CN117611422B (zh) | 一种基于摩尔纹生成的图像隐写方法 | |
Li et al. | Multi-modality ensemble distortion for spatial steganography with dynamic cost correction | |
CN115880125B (zh) | 基于Transformer的软融合鲁棒图像水印方法 | |
CN114900586B (zh) | 一种基于dcgan的信息隐写方法及装置 | |
CN114630130B (zh) | 一种基于深度学习的换脸视频溯源方法及*** | |
DING et al. | High quality data hiding in halftone image based on block conjugate | |
Golea et al. | A novel multi-objective genetic algorithm optimization for blind RGB color image watermarking | |
CN108416726B (zh) | 一种保持像素频度平衡的数字图像隐写方法 | |
Naveen et al. | Image Steganography Method for Securing Multiple Images Using LSB–GA |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |