基于噪声模型和特征联合的PS图像与隐写图像检测

为了有效区分PS图像(经过常见图像处理操作得到的图像)和隐写图像,提高隐写检测的正确率,该文分析了隐写和PS这两类操作不同的噪声模型,并给出了一类基于图像噪声模型和特征联合的检测算法.该算法基于小波分解和小波滤波,分别得到待检测图像的小波系数子带和噪声小波系数子带,从这两类子带中分别提取直方图特征函数绝对矩,并将这两部分统计矩联合作为特征,最后采用BP神经网络分类器进行图像分类.在特征选取方面,文中对两类常用典型特征:概率密度函数矩和特征函数矩,基于高斯分布模型证明了对噪声小波子带系数,提取特征函数绝对矩优于概率密度函数绝对矩.基于LSB、LTSB、SLSB、PMK等隐写图像和锐化、对比度增强、添加标签等类型PS图像的实验表明:该算法能够有效区分原始图像和非原始图像,并能对PS图像和隐写图像进行较为可靠的分类检测.

面向隐写图像的频域主动攻击方法

针对隐写术带来的潜在安全威胁,提出一种频域主动攻击方法.根据隐写术对图像频域影响的特点,对图像进行快速傅里叶变换,并分别对低频和高频数据分开处理.对低频数据采用改进的维纳滤波器滤波,对高频数据先逆快速傅里叶转换到空间域,并计算像素的邻域像素差分矩阵及转移概率矩阵,根据差分矩阵和转移概率矩阵来进行卷积滤波,来消除隐写数据.实验结果表明,该主动攻击隐写分析方法能有效破坏图像的隐写数据,中断潜在的基于隐写术的隐蔽通讯.

基于多特征联合的隐写图像分析方法

为利用不同特征的互补特性提升隐写图像检测分析的精度,提出一种多特征联合的隐写图像检测分析方法。分析不同特征产生互补特性与冗余特性,采用稀疏重构的方法构建隐写图像特征的主成分分析,生成鲁棒的融合特征集合,采用湿纸码的编解码形式实现隐写图像特征集合的稀疏求解。实验结果表明,该算法有效避免了传统简单级联融合的数据维度灾难问题,较好提升了隐写图像分析的精确性和抗干扰能力。

基于HSV空间的多相隐写图像阈值分割方法仿真

针对传统的HSV空间的多相隐写图像阈值分割方法中,普遍存在着图像分割误差较大、图像缺乏层次感、视觉效果模糊等问题。提出基于遗传算法的多相隐写图像阈值分割方法。采用HSV彩色空间对多相隐写图像进行处理,引用离散KL变换,对多相隐写图像色调特征和饱和度特征进行变换,使其降维为一维,保留主要图像信息;计算待分割多相隐写图像的颜色粗糙度,根据粗糙度确定图像分割的阈值数量,采用遗传算法搜索最优分割阈值组合,完成多相隐写图像阈值分割。实验结果表明,所提方法图像分割误差较小、图像目标轮廓清晰、视觉效果较为理想。

面向大数据的隐写图像特征提取及分析方法设计

本文基于大数据对图像进行隐写分析,着重研究了几种传统隐写算法,LSB,DWT,DCT,卡方统计在变换域隐写。并以JEPG图片为样本,实现了Jsteg算法,可完成图片的加密与解密。结合SRNet神经网络实现了隐写分析,在一定程度上可以有效实现不同格式图像的隐写分析。

基于编码-解码网络的大容量鲁棒图像隐写方案

针对基于编码-解码网络的大容量隐写模型存在鲁棒性弱、无法抵抗噪声攻击和信道压缩的问题,提出一种基于编码-解码网络的大容量鲁棒图像隐写方案。首先,设计了基于密集连接卷积网络(DenseNet)的编码器、解码器和判别器,编码器将秘密信息和载体图像联合编码成隐写图像,解码器提取秘密信息,判别器用于区分载体图像和隐写图像。在编码器和解码器中间加入噪声层,采用Dropout、JPEG压缩、高斯模糊、高斯噪声和椒盐噪声模拟真实环境下的各类噪声攻击,编码器输出的隐写图像经过不同种类的噪声处理,再由解码器解码;通过训练模型,解码器能够对噪声处理后的隐写图像提取秘密信息,以抵抗噪声攻击。实验结果表明,所提方案在360×360像素的图像上隐写容量达到0.45~0.95 bpp,与次优的鲁棒隐写方案相比,相对嵌入容量提升了2.04倍;解码准确率可达0.72~0.97;与未添加噪声层的隐写方案相比,平均解码准确率提高了44个百分点。所提方案在保证高嵌入量、高编码图片质量的同时具有更强的抗噪声攻击能力。

基于颜色编码和图像隐写术的可逆灰度方法

针对现有方法存在合成灰度图像视觉质量欠佳、重建彩色图像还原度不足的问题,提出一种基于颜色编码和图像隐写术的可逆灰度方法。其利用可逆神经网络构建更高效的颜色编解码器,并引入密集卷积块和通道注意力机制进一步提升网络模型的性能,综合减少编解码过程中的颜色信息丢失。之后,为使灰度图像负载编码信息以及减小嵌入过程导致的图像失真,设计了一种基于修改方向的图像隐写算法,通过自适应权值参数选择,以接近最优的方式满足不同的嵌入容量需求,减少对灰度图像的修改。在Kodak和McMaster数据集上的实验表明,与现有代表性可逆灰度方法相比较,该方法能够生成质量更高的可逆灰度图像以及重建更加还原的彩色图像,在图像可视化时具有更好的视觉效果,在标准参考图像的相似性评价指标方面也取得了更优的性能。

基于注意力机制的高容量通用图像隐写模型

随着深度学习与隐写技术的发展,深度神经网络在图像隐写领域的应用越发广泛,尤其是图像嵌入图像这一新兴的研究方向.主流的基于深度神经网络的图像嵌入图像隐写方法需要将载体图像和秘密图像一起输入隐写模型生成含密图像,而最近的研究表明,隐写模型仅需要秘密图像作为输入,然后将模型输出的含密扰动添加到载体图像上,即可完成秘密图像的嵌入过程.这种不依赖载体图像的嵌入方式极大地扩展了隐写的应用场景,实现了隐写的通用性.但这种嵌入方式目前仅验证了秘密图像嵌入和恢复的可行性,而对隐写更重要的评价标准,即隐蔽性,未进行考虑和验证.提出一种基于注意力机制的高容量通用图像隐写模型USGAN,利用注意力模块,USGAN的编码器可以在通道维度上对秘密图像中像素位置的扰动强度分布进行调整,从而减小含密扰动对载体图像的影响.此外,利用基于CNN的隐写分析模型作为USGAN的目标模型,通过与目标模型进行对抗训练促使编码器学习生成含密对抗扰动,从而使含密图像同时成为攻击隐写分析模型的对抗样本.实验结果表明,所提模型不仅可以实现不依赖载体图像的通用嵌入方式,还进一步提高了隐写的隐蔽性.

抗JPEG压缩的自适应图像隐写算法

现有的网络通信系统在传输图像时往往会对图像进行JPEG压缩以节约通信开销。然而,传统的图像隐写技术缺乏抗JPEG压缩的能力,系统对含密图像进行有损压缩后,容易导致秘密信息被破坏而无法被正确提取。因此,设计安全、鲁棒的图像隐写技术具有重要的实际应用价值。文中提出了一种抗JPEG压缩的自适应图像鲁棒隐写算法。首先,分析了JPEG压缩对载体图像造成的信息损失,确定了在JPEG压缩前后保持稳定的纹理特征作为秘密信息的鲁棒嵌入域。其次,以此为基础,提出了一种基于图像分块纹理特征自适应调整的秘密信息量化嵌入方法,将秘密信息嵌入到抗压缩变换能力较强的图像块纹理均值特征中。最后,利用错误反馈机制对生成的含密图像进行调整,直到秘密信息提取错误率达到期望值,最终生成抗JPEG压缩的鲁棒含密图像。在BossBase1.01图像库上进行对比实验,结果表明,文中提出的抗JPEG压缩鲁棒隐写方法在经过JPEG压缩后,具有较强的抗压缩性和抗检测性,并保持了较高的图像质量。相比传统最低位(least significant bit,LSB)隐写、基于Catalan变换的图像隐写(Catalan based Steganography,CBS)、基于神经网络的图像隐写FNNS(Fixed Neural NetworkSteganography)和基于自编码器的鲁棒图像隐写RoSteALS(Robust Steganography using Autoencoder Latent Space),所提算法有效地将JPEG压缩后含密图像信息提取的平均错误率分别降低了49.79%,49.73%,37.38%和38.85%,生成的含密图像视觉质量高于基于Catalan变换的图像隐写、FNNS隐写和RoSteALS隐写,并保持了较好的抗StegExpose隐写分析性能。

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。

基于分离训练与图像去噪的频率域彩色图像隐写方法

彩色图像隐写方法具有秘密传输、不易察觉的特性。其中,基于频率域的彩色图像隐写方法不论在传统图像隐写方法还是深度学习图像隐写方法中都取得了更好的隐写性能。然而,当前大多基于自编码器结构的彩色图像隐写模型在提升重构秘密图像能力方面均存在局限性。针对这一问题,本文基于频率域彩色图像隐写方法的现有优势,提出了一种基于分离训练与图像去噪的频率域彩色图像隐写方法,并构建了相应的隐写模型。面对自编码器的编码网络与解码网络在训练过程中的性能权衡问题,本文的隐写方法采用分离训练对默认的神经网络训练方式进行优化。除此之外,为了进一步提升重构秘密图像的质量,模型还添加了去噪卷积神经网络(Denoising Convolutional Neural Network,DnCNN)结构的图像去噪模块。经实验验证,本文模型生成的彩色载密图像与重构秘密图像的峰值信噪比(Peak Signal to Noise Ratio,PSNR)高达82.31 dB和39.27 dB,结构相似度(Structural Similarity Index Measure,SSIM)均达到0.99。与同类型的深度学习彩色图像隐写模型相比,提出的隐写模型不仅具有更强的不可察觉性,而且具有更好的重构秘密图像的能力。

基于CNN和LSTM的图像隐写分析

为了进一步降低隐写分析算法的检测错误率,文章提出一种基于卷积神经网络(convolutional neural network,CNN)和长短期记忆网络(long short-term memory,LSTM)的隐写分析算法。该算法利用CNN捕获载体图像的结构特征,同时利用LSTM捕获图像的前后时序特征。为了验证混合神经网络的有效性,该算法以XuNet和SRNet为基准隐写分析网络,探讨CNN与LSTM的有效组合方式。实验结果表明,所提方法可以有效提高隐写分析算法的检测能力。

基于条件可逆网络的生成式图像隐写算法

近年来,随着生成模型的广泛使用,生成式隐写领域得到了快速发展。生成式隐写是在图像合成过程中隐藏信息的技术。它无需真实图像参与,只需秘密消息驱动生成模型即可合成载密图像。然而,现有方法无法控制生成的图像内容,因此不能保证隐蔽通信行为的安全性。针对上述问题,本文提出了基于条件可逆网络(Conditional Invertible Neural Network,cINN)的生成式图像隐写术steg-Cinn。在本文中,我们将信息隐藏建模为图像着色问题,并将秘密信息嵌入到灰度图像的颜色信息中。首先,我们使用映射模块将二进制秘密信息转换为服从标准正态分布的隐变量。而后,我们以灰度图像作为先验来指导着色过程,使用条件可逆网络来将隐变量映射为颜色信息。其中steg-Cinn生成的彩色图像匹配灰度图像的语义内容,从而保证了隐蔽通信的行为安全。对比实验结果表明,本文方法能够控制生成的图像内容并且使得合成颜色真实自然,在视觉隐蔽性方面表现良好。在统计安全性方面,本文方法的隐写分析检测正确率为56.28%,说明它能够抵御隐写分析检测。此外,本文方法在比特消息提取方面可以实现100%正确提取,这种情况下的隐藏容量是2.00 bpp。因此,与现有方法相比,本文方法在图像质量、统计安全性、比特提取正确率和隐藏容量方面取得了良好的综合性能表现。迄今为止,本文方法是在图像隐写术中首次使用cINN的工作。考虑到任何信息都可以转换为二进制形式,我们可以在图像中隐藏任意类型的数据,因此本文方法在现实世界里也具备实用价值。

基于分组卷积和快照集成的图像隐写分析方法

现存的大多数隐写分析方法的泛化能力较弱,无法对未知隐写算法有效检测,使得其分类的准确性在实际运用过程中大幅度降低。针对这个问题,提出了一种基于分组卷积和快照集成的图像隐写分析方法(snapshot ensembling steganalysis network, SENet)。首先,残差卷积块和分组卷积块对图像的特征进行提取并利用;其次,在每个训练周期中得到性能最好的模型作为快照模型;最后将选定的快照模型进行集成后对图像进行分类。该方法应用分组卷积和快照集成的技术,避免了传统集成方法的高训练成本以及单一分类器泛化能力有限的问题。实验结果表明,该方法可以提升隐写分析模型的准确率,并且在训练集和测试集失配时,也能够有效地进行分类,具有较高的模型泛化能力。

基于双分支生成对抗网络的图像隐写方法

图像隐写是将秘密信息以不可见的方式隐藏到图像载体中的一种信息安全技术。针对隐写图像的隐蔽性问题,提出一种基于双分支生成对抗网络的图像隐写方法,主要包括信息映射方法和编码器的设计方法。信息映射方法是指将秘密信息按一定规则映射为信息向量的方法。编码器采用双分支结构进行设计,完成秘密信息的隐写。针对图像隐写的准确性问题,应用互学习训练方法,进一步提升模型的准确率。实验结果表明,提出的方法是有效的。

基于多示例学习图卷积网络的隐写者检测

隐写者检测通过设计模型检测在批量图像中嵌入秘密信息进行隐蔽通信的隐写者,对解决非法使用隐写术的问题具有重要意义.本文提出一种基于多示例学习图卷积网络(Multiple-instance learning graph convolutional network,MILGCN)的隐写者检测算法,将隐写者检测形式化为多示例学习(Multiple-instance learning, MIL)任务.本文中设计的共性增强图卷积网络(Graph convolutional network, GCN)和注意力图读出模块能够自适应地突出示例包中正示例的模式特征,构建有区分度的示例包表征并进行隐写者检测.实验表明,本文设计的模型能够对抗多种批量隐写术和与之对应的策略.

基于多注意力机制的孪生网络图像隐写分析方法

针对从图像中提取更显著的隐写特征来提升隐写分析检测精确度的问题,提出了一种基于多注意力机制的孪生网络图像隐写分析方法.该方法采用特征融合的思想,使隐写分析模型提取更丰富的隐写特征.首先设计由ParNet块、深度可分离卷积块、标准化注意力模块、压缩激励模块、外部注意力模块组成的孪生网络子网,通过多分支网络结构和多注意力机制提取对分类结果更有用的特征提升模型的检测能力;然后使用Cyclical Focal损失在训练的不同阶段修改训练样本的权重提高模型的训练效果.实验使用BOOSbase 1.01数据集,在WOW,S-UNIWARD,HUGO,MiPOD和HILL这5种自适应隐写算法中进行了实验.实验结果表明,该方法在检测精度上优于SRNet,ZhuNet和SiaStegNet方法,并且参数量更低.

多层次特征融合的对抗网络图像隐写

针对基于神经网络的图像隐写方法无法同时捕捉载体图像的纹理信息和语义特征,导致存在大量的信息丢失的问题,提出一种基于多层次特征融合的对抗网络图像隐写方法。通过在生成网络中添加多尺度卷积与池化操作对图像进行特征提取,使用跳跃连接融合多层次特征信息,利用隐写分析性能更先进的判别网络与生成网络进行对抗学习,生成嵌入修改图并模拟生成隐写图像。实验结果表明,在高维特征隐写分析与深度学习隐写分析检测下,该方法均具有更高的隐写安全性。与目前所提出的基于深度学习的隐写方法相比,综合安全性能提升3.8%。

基于隐写噪声深度提取的JPEG图像隐写分析

当前基于深度学习的隐写分析方法检测效果受限于其获取的隐写噪声的精确度。为了获取更加准确的隐写噪声,提高隐写分析的准确率,提出了一种基于隐写噪声深度提取的JPEG图像隐写分析方法。首先,设计了隐写噪声深度提取网络,通过有监督的学习方式使网络能够准确地提取载秘图像中包含的隐写噪声;而后,利用设计的模型评价指标选择最优的隐写噪声提取网络;最后,根据隐写噪声的特点设计分类网络,实现载秘图像的检测,并将分类网络与隐写噪声深度提取网络融合得到最终的检测网络。实验在两个大规模的公开数据集(BOSSBase和BOWS2)上进行,针对两种自适应JPEG图像隐写方法(J-UNIWARD和UED-JC)在多个不同嵌入率和图像质量因子条件下构建的载秘图像进行检测。实验结果表明,该方法的检测准确率较性能第二的方法分别提高了约2.22%和0.85%。文中方法通过提取更加准确的隐写噪声,减少了图像内容对隐写分析带来的影响,相比于典型的基于深度学习的JPEG图像隐写分析方法,取得了更好的检测效果。

基于隐式对称生成对抗网络的图像隐写与提取方案

针对图像隐写技术中存在嵌入秘密图像时载体图像质量下降、易受攻击等问题,提出一个基于隐式对称生成对抗网络的图像隐写与提取方案.该方案首先将图像隐写与提取任务抽象为一个数学优化问题.其次,根据该优化问题提出一个隐式对称生成对抗网络模型.在隐式对称生成对抗网络中包含2个相互独立的生成对抗子网络,即隐写对抗子网络和提取对抗子网络.在隐写对抗子网络中,首先编码器将载体图像和隐秘图像转换为1组包含足够多的载体图像信息和秘密图像信息的高维特征向量,之后解码器将这些特征向量重新构造为嵌入秘密信息后的图像.在提取对抗子网络中,将嵌入秘密信息的图像通过另一组编码器和解码器提取出隐秘图像.最后,设计适用于该模型的损失函数.实验结果表明,该方案具有较高的图像质量,并且能够在面对各种常见攻击时保持较好的鲁棒性.