一种基于生成对抗网络的图像数据水印无载体隐写技术

无载体隐写技术通过将数字水印信息与图像自身特征信息建立映射关系实现隐蔽写入,从而实现图像数据在互联网环境下传播的数据完整性保护和内容溯源追踪.但现有的图像无载体隐写方法存在需要事先准备大量自然图像构成图像数据集的问题,自然图像选择偏差会导致信息传递的不完整或错误.针对上述问题,提出一种基于生成对抗网络的图像数据水印无载体隐写方法.该方法利用生成对抗网络的生成器从随机噪声、图像标签和数字水印信息生成类似于原始图像的伪造图像,生成对抗网络的判别器则负责判别输入图像的真假,并同时提取标签和数字水印信息.通过多轮的对抗训练后,生成器最后输出类似原始图像且含有数字水印的图像数据,同时肉眼无法区分原始图像和生成图像的区别.经过实验分析表明,使用SCRMQ1作特征提取,用集成分类器检测错误率为48.5%;嵌入容量高达1bpp以上;数字水印提取的准确率最高可达99.5%.

一种新型的基于图像哈希的无载体隐写方案

提出了一种新型的基于载体选择的无载体隐写方案.发送端以迭代量化哈希为基础建立秘密信息与载体图像的联系,并根据此联系从图像库中选择合适的载体进行秘密信息传输,接收端根据事先约定好的规则,使用图像哈希技术从图像中提取出秘密信息.实验证明此方案在安全性方面优于传统的基于信息嵌入的隐写方案,且在鲁棒性与隐写容量方面略优于其他的无载体隐写方案.

面向编码伪装的鲁棒无载体图像隐写方法

传统的图像隐写方法容易受到隐写分析的攻击,无载体图像隐写方法可以从本质上抵抗隐写分析的攻击。然而,现有的无载体图像隐写算法存在鲁棒性低、提取精度有限和不可感知性差等问题,为此提出一种面向编码伪装的鲁棒无载体图像隐写方法。该方案将基于深度的合成隐写方法与传统的聚类相结合,通过感知哈希对编码网络生成的合成图像与相似图像进行匹配,将传输的图像由合成图像替换成真实自然图像以此提高安全性;进一步,利用聚类算法找到与相似图像对应的伪装图像进行传输。以卷积神经网络特征为基准进行聚类,提高了抗几何攻击的能力。实验分析表明,所提方案在隐藏容量、提取精度方面都有较优的表现,且解决了生成式隐写方案存在的图像质量低和鲁棒性差等问题。

基于汉字数学表达式的无载体文本隐写方法

针对现有的以文本为载体的隐写术在隐蔽性、鲁棒性、隐写容量等方面存在的问题,提出了一种基于汉字数学表达式的无载体文本隐藏方法,首先应用汉字笔顺分类或者载体文本中不重复的汉字对载体文本进行编码,然后使用汉字数学表达式对含有编码信息的汉字的位置进行描述,从而使得接收方可以进行完整的秘密信息的提取。这种方法中的文本载体没有经过任何的改动,所以其隐蔽性和鲁棒性方面较以前的方法有很大改进,并且在隐藏容量方面也有较高的优势。

基于WGAN的生成式信息隐写方法研究

针对图像载体隐写方法容量较低的问题,提出一种基于Wasserstein距离的生成式对抗网络(Generative Adversarial Network,GAN)模型无载体图像生成式信息隐写方法。首先提出一种支持用户自定义的“特定信息-噪声”映射关系矩阵,在此基础上将特定信息二次编码为噪声,然后将噪声输入到已训练的WGAN模型中,最终输出包含特定信息的可视化图像。实验结果表明,提出的信息隐写方法可以有效提高信息隐写算法的抗检测攻击效能,提升生成式信息隐写容量,减少隐写图像数量。此外,该方法依托较为简单的网络结构即可实现,不过分依赖系统性能和资源,具有较好的工程实用性。

一种图像块旋转的马赛克拼图伪装隐写

为了提高无载体隐写效率以及隐写鲁棒性,提出了一种图像块旋转的马赛克拼图伪装隐写方法。首先在发送端将共享图像库中利用密钥随机选择的图像缩小并调整色调,再依据秘密信息和密钥对每个图像块添加随机旋转角度形成编码图像,最后将编码图像按规则排列产生含密马赛克图像;接收端依据密钥去除随机旋转,读取编码图像旋转角度获得秘密信息。实验结果表明,所提方法在嵌入容量方面优于其他无载体隐写方法,在鲁棒性方面也有良好的性能。

基于深度学习的图像隐写研究进展

图像隐写是信息安全领域的研究热点之一.早期隐写方法通过修改载体图像获得含密图像,导致图像统计特性发生变化,因此难以抵抗基于高维统计特征分析的检测.随着深度学习的发展,研究者们提出了许多基于深度学习的图像隐写方法,使像素修改更隐蔽、隐写过程更智能.为了更好地研究图像隐写技术,对基于深度学习的图像隐写方法进行综述.首先根据图像隐写过程,从3个方面分析了基于深度学习的图像隐写方法:1)从生成对抗网络和对抗样本2个角度介绍载体图像获取方法;2)分析基于深度学习的隐写失真设计方法;3)阐述基于编码解码网络的含密图像生成方法.然后,分析和总结了无载体图像隐写方法的优缺点,该类方法无需载体图像即可实现图像隐写,因此在对抗统计分析方面存在天然优势.最后,在深入分析与总结基于深度学习的图像隐写与无载体图像隐写2类方法优缺点的基础上,对图像隐写的发展方向进行了探讨与展望.

基于语义分割的三维模型版权保护算法

为解决传统数字水印技术导致模型精度下降的问题,并保护局部版权,提出了一种基于语义分割的三维模型版权保护算法.首先,使用PointNet对三维模型进行语义分割,并根据分割结果将模型划分为子块,以子块为单位计算版权信息,保护局部版权;然后,提出了一种基于顶点范数与表面曲率的版权信息生成算法.由于版权信息是使用无载体隐写方式生成的,因此该算法可以在不修改模型本身的情况下对模型整体及各子部件进行版权保护.实验证明:该算法在完全抵抗相似变换攻击的情况下,对其他种类攻击同样具有较好的鲁棒性.