亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        結(jié)合圖像加密與深度學習的高容量圖像隱寫算法

        2021-09-28 11:04:32楊曉元畢新亮劉佳黃思遠
        通信學報 2021年9期
        關(guān)鍵詞:特征提取特征信息

        楊曉元,畢新亮,劉佳,黃思遠

        (1.武警工程大學密碼工程學院,陜西 西安 710086;2.網(wǎng)絡(luò)與信息安全武警部隊重點實驗室,陜西 西安 710086)

        1 引言

        隱寫術(shù)是將秘密信息隱藏在公開通信載體中進行秘密傳輸?shù)囊环N技術(shù)。與密碼學相比,它更加注重隱藏通信過程本身。傳統(tǒng)的隱寫技術(shù)中,廣泛使用的是基于載體修改的隱寫技術(shù)[1],它將秘密信息隱藏在人類感官難以察覺到的區(qū)域[2-3]。

        隨著深度學習技術(shù)的發(fā)展與成熟,它被廣泛應(yīng)用于圖像翻譯[4]、圖像分割[5]、圖像分類[6]、圖像生成[7]等領(lǐng)域,相比于傳統(tǒng)的圖像處理技術(shù),深度學習技術(shù)表現(xiàn)出了更大的潛力和更好的效果。2014 年,生成對抗網(wǎng)絡(luò)(GAN,generative adversarial network)[8]被提出,深度學習技術(shù)給圖像隱寫研究帶來了新突破[9]。基于深度學習的隱寫算法的主要特點是以大量數(shù)據(jù)為驅(qū)動,相較于人工設(shè)計,該類隱寫算法更智能和自動化,它不需要隱寫算法設(shè)計者制定一系列復雜的操作步驟,設(shè)計者只要根據(jù)經(jīng)驗設(shè)計好網(wǎng)絡(luò)結(jié)構(gòu),給網(wǎng)絡(luò)明確訓練目標,并輸入數(shù)據(jù),網(wǎng)絡(luò)就可以自動調(diào)整參數(shù),以滿足設(shè)計者的需求。

        基于深度學習的高容量圖像隱寫技術(shù)較大地提升了隱寫容量[10]。該技術(shù)在一張圖像中隱藏一張和該圖像尺寸大小相同的圖像。但是這類技術(shù)存在一定的缺陷,即載體圖像和含密圖像的殘差圖像會暴露秘密圖像。有學者提出使用圖像加密的方式進行改進[11-12],先對秘密圖像進行加密,而后再將加密后的秘密圖像嵌入載體圖像中,但是這些算法都需要頻繁地更新密鑰以保證其安全性,這也就需要頻繁地傳遞新的密鑰。為了減少密鑰傳遞的頻率,本文算法提出了使用載體圖像的特征作為密鑰,通過更換載體圖像,在不減少密鑰更新頻率的基礎(chǔ)上,減少了密鑰傳遞的頻率,安全性更高。本文主要貢獻如下。

        1) 本文直接以載體圖像的特征作為圖像加密過程中使用的密鑰,通過更換載體圖像,可以直接更新密鑰。

        2) 本文設(shè)計使用的圖像特征提取算法,可以從載體圖像與含密圖像中提取相同的特征,確保正確解密出秘密圖像。

        3) Sharma 等[12]的圖像加密方法不同,本文沒有將圖像的某一行或某一列進行移動,而是給每一個圖像塊一個新的位置,更難被破解。

        2 相關(guān)工作

        隨著深度學習技術(shù)的不斷創(chuàng)新與發(fā)展,它的應(yīng)用范圍越來越廣,也給圖像隱寫技術(shù)帶來了新的發(fā)展。Baluja[10]將秘密圖像隱藏在載體圖像中,最小化載體圖像和含密圖像的差異,最終達到載體圖像與含密圖像的視覺不可分辨。與傳統(tǒng)的隱寫算法相比,該方案能夠隱藏較多的信息。但是攻擊者如果能夠得到載體圖像,就能從載體圖像與含密圖像的殘差圖像中發(fā)現(xiàn)秘密圖像的信息。Rahim 等[13]提出在載體圖像特征提取的過程中就不斷將秘密圖像特征與之融合,并且保證編碼圖像與載體圖像的視覺和統(tǒng)計特征的一致性,以確保隱藏的圖片不會被發(fā)現(xiàn)。但是這種方法僅能隱藏單通道的灰度圖像,且含密圖像顏色失真較明顯,還會出現(xiàn)秘密圖像的輪廓,被發(fā)現(xiàn)的可能性較大。Zhang 等[14]在此基礎(chǔ)上進行改進,在Y 通道中隱藏灰度圖像,以確保含密圖像不會產(chǎn)生顏色失真,且淡化了含密圖像中秘密圖像的輪廓,使用inception module[15]構(gòu)成了隱藏網(wǎng)絡(luò),添加了隱寫分析網(wǎng)絡(luò),提升了方案的隱蔽性,但是該方案與文獻[13]一樣,僅能隱藏一張單通道的灰度圖像。Duan 等[16]基于這兩者的工作,再次改進,使用U-net[17]作為編碼器,U-net 能更好地捕獲圖像的細節(jié)信息,取得了較好的生成效果。但是上述這些算法仍然能從載體圖像和含密圖像的殘差圖像中發(fā)現(xiàn)秘密圖像的信息。為了改善這個不足,Duan 等[11]提出了秘密圖像預處理辦法,首先對秘密圖像進行離散余弦變換(DCT,discrete cosine transform),而后使用橢圓曲線加密算法對DCT 后的秘密圖像進行加密,把秘密圖像處理成一個偽隨機的噪聲圖像,并使用改進的SegNet[18],將加密的秘密圖像隱藏進載體圖像中。該方案通過DCT 和橢圓曲線加密解決了含密圖像中存在秘密圖像輪廓的問題。Sharma 等[12]同樣也使用了圖像加密的方式來解決秘密圖像暴露的問題,與Duan 等提出的算法不同的是,Sharma 等首先將圖像進行分塊,而后根據(jù)參數(shù)以行和列為單位,對圖像塊進行移動。但是這2 種算法都需要對密鑰進行更新,如果長時間使用同一種密鑰,有被攻擊者攻破的風險,安全性有待提升。

        本文同樣也采用“先加密,再嵌入”的方式,先對秘密圖像進行加密,再將加密后的秘密圖像嵌入載體圖像。但與上述2 種算法不同的是,本文的特征提取方式可以分別從載體圖像和含密圖像中提取出相同的特征,再將特征映射為密鑰,由于不同的載體圖像提取的特征不一樣,因此通過更換載體圖像就可以完成密鑰的更新,而不需要再單獨傳遞密鑰,當特征映射到密鑰的映射方式使用一段時間后,傳遞新的映射方式,就可以完成對密鑰整體的更新。文獻[11-12]對比方案中都必須通過傳遞新的密鑰信息才能完成密鑰更新,本文只需使用不同的載體圖像就可以做到,減少了密鑰傳遞的次數(shù)。

        3 本文方案

        為了解決基于深度學習的高容量圖像隱寫算法存在的載體圖像和含密圖像的殘差圖像會暴露秘密圖像的問題,本文提出了一種結(jié)合圖像加密與深度學習的高容量圖像隱寫算法,該算法可以將一張彩色圖像隱藏在另一張彩色圖像中,且在視覺上無法發(fā)現(xiàn)載體圖像的修改,即使攻擊者得到了載體圖像,也無法讀取秘密圖像的語義信息。本文算法的總體結(jié)構(gòu)如圖1 所示,發(fā)送方使用特征提取算法從載體圖像中提取載體圖像特征作為加密密鑰對秘密圖像進行加密,隱藏網(wǎng)絡(luò)將加密后的秘密圖像隱藏進載體圖像中。接收方使用提取網(wǎng)絡(luò)從含密圖像中提取加密后的秘密圖像,使用特征提取算法從含密圖像中提取含密圖像特征作為解密密鑰對提取的圖像進行解密,得到秘密圖像。特征提取算法能夠從載體圖像和含密圖像中得到相同的特征信息,所以分別將載體圖像特征與含密圖像特征作為加密密鑰、解密密鑰能夠保證秘密圖像被準確恢復。

        圖1 本文算法的總體結(jié)構(gòu)

        本文算法共分為4 個部分:特征提取部分、圖像加密部分、隱藏部分、提取部分。

        3.1 特征提取部分

        目前特征提取使用的方法主要有基于深度學習[19-20]的方法和傳統(tǒng)方法[21],基于深度學習的方法需要大量的數(shù)據(jù)訓練,且難以保證載體圖像和含密圖像特征提取的一致性與多樣性。傳統(tǒng)方法在無載體信息隱藏中的使用較廣泛,比如通過特征提取算法提取圖像特征并將特征映射為秘密信息,進而構(gòu)建圖像和秘密信息對應(yīng)的關(guān)系庫。

        本文需要的特征提取算法要從載體圖像與含密圖像中提取出相同特征,而含密圖像可以看作是對載體圖像修改后的結(jié)果,所以本文選擇了具有一定穩(wěn)健性的特征提取算法,也就是文獻[21]中的特征提取算法,其特征提取過程如下。

        1) 圖像灰度化。將彩色圖像變?yōu)榛叶葓D像。

        2) 圖像分塊。本文將256×256 尺寸大小的圖像分為16 塊,每個塊圖像大小為64×64。

        3) 計算每一個圖像塊的像素平均值。

        4) 按從左到右、自上而下的順序?qū)ο袼鼐颠M行比較,其順序如圖2 所示,如果第一個圖像塊的像素平均值小于或等于第二個,則映射為0,如果第一個圖像塊的像素平均值大于第二個,則映射為1,剩下的圖像塊依次類推。

        通過對16 個圖像塊的均值進行比較,可以得到一個15 位的0/1 比特串,在此比特串后添加1,即可得到一個16 位的0/1 比特串,如圖2 所示,可以將該圖像映射為0011001101110111。

        圖2 特征提取方式

        該算法能夠較好地應(yīng)對圖像修改造成的損失,即使圖像塊內(nèi)的像素值遭到一定修改,也能夠保持特征的穩(wěn)定性。

        3.2 圖像加密部分

        目前基于深度學習的高容量圖像寫算法中,使用的圖像加密方式有2 種類型,一種是將圖像分成多個圖像塊,而后將圖像塊位置打亂,從而達到無法讀取圖像語義信息的效果;另一種是將圖像進行DCT,再使用橢圓曲線加密算法進行加密。

        本文的圖像加密方式是在第一種加密方式的基礎(chǔ)上改進而來的。

        本文加密過程如下。

        1) 特征提取。利用3.1 節(jié)的特征提取方法,提取載體圖像的特征作為密鑰。

        2) 圖像分塊。將256×256 尺寸大小的彩色圖像分為256 塊,每個塊圖像尺寸大小為16×16。

        3) 制定置亂方法。將從載體圖像中提取的16 位特征比特串按從左到右的順序編定位置,比特串第1 位編定為1,第2 位編定為2,依次類推。按從左到右的順序,如果比特串第2 位數(shù)值為0,則將2 放置在當前位置信息的最左邊,如果數(shù)值為1,則將其放置在當前位置信息的最右邊,依次類推,不斷更新位置信息,最終將16 位的比特串轉(zhuǎn)換為位置信息。其具體流程如圖3 所示。

        圖3 比特串與位置信息轉(zhuǎn)換流程

        4) 分塊置亂。按從左到右、自上而下的順序,以每16 個圖像塊為一組,共分為16 組,使用3)中的置亂方法,對每組內(nèi)的16 個圖像塊進行位置置亂。

        5) 總體置亂。對16 組圖像塊使用3)中的置亂方法進行置亂。

        解密過程如下。

        1) 特征提取。利用3.1 節(jié)的特征提取方法,從含密圖像中提取含密圖像特征,作為解密過程中的密鑰。由于特征提取算法可以從載體圖像和含密圖像中提取相同的密鑰,因此該密鑰與加密過程中1)的密鑰是一致的。

        2) 圖像分塊。將256×256 尺寸大小的彩色圖像分為256 塊,每個塊圖像尺寸大小為16×16。

        3) 總體解密。加密過程中5)的逆過程。

        4) 分塊解密。加密過程中4)的逆過程。

        相比前文提出的2 種加密方法[11-12],本文加密方法利用了載體圖像的特征進行加密,攻擊者如果想還原秘密圖像需要進行256!次運算。同時,本文算法通過更換載體圖像,即可完成密鑰的更換。圖4 和圖5 分別為分塊置亂和總體置亂的結(jié)果。

        圖4 分塊置亂結(jié)果

        圖5 總體置亂結(jié)果

        3.3 隱藏部分

        隱藏部分網(wǎng)絡(luò)類似于U-net 網(wǎng)絡(luò)。本文使用的隱藏網(wǎng)絡(luò)是一個輸入通道為6、輸出通道為3 的U型網(wǎng)絡(luò),它的具體結(jié)構(gòu)如表1 所示。

        表1 隱藏網(wǎng)絡(luò)結(jié)構(gòu)

        隱藏網(wǎng)絡(luò)中,除了第一層和第七層沒有使用批量標準化(BN,batch normalization)層外,其余層都使用了BN 層,因為第一層要盡可能保留圖像的原始信息,減少特征信息的損失,第七層的特征尺寸為2×2,此時已經(jīng)提取了最終特征,也不加入BN 層,保留最終的特征提取準確率。每層網(wǎng)絡(luò)中,不論是卷積操作還是反卷積操作,它們的卷積核大小都為4×4,stride 為2,padding 為1,與文獻[11,16]在卷積操作后先使用激活函數(shù)再使用BN 不同,本文先使用BN,再使用激活函數(shù),減少激活函數(shù)處理后的某些神經(jīng)元失活對BN 操作產(chǎn)生的影響。

        該隱藏網(wǎng)絡(luò)是一個編碼與解碼網(wǎng)絡(luò),它首先對輸入的兩張圖像進行編碼,轉(zhuǎn)換成一個較深層的特征,再對深層特征進行解碼,生成一個與載體圖像相似的含密圖像。

        隱藏部分可表示為

        發(fā)送方使用特征提取算法提取載體圖像Ic的特征值fc,使用特征值fc作為密鑰,使用加密算法E(x,y)對秘密圖像Is加密,將加密后的秘密圖像與載體圖像Ic同時輸入隱藏網(wǎng)絡(luò)S(x,y) 中,得到含密圖像Ica,將含密圖像Ica發(fā)送給接收方。

        3.4 提取部分

        提取部分使用的網(wǎng)絡(luò)是一個多層卷積網(wǎng)絡(luò),網(wǎng)絡(luò)結(jié)構(gòu)如表2 所示,它的輸入通道和輸出通道都為3。

        表2 提取網(wǎng)絡(luò)結(jié)構(gòu)

        提取網(wǎng)絡(luò)中,除了最后一層,每一層都使用了BN 和激活函數(shù),加快網(wǎng)絡(luò)訓練速度,每一個卷積操作使用的卷積核大小都為3×3,stride 為1,padding 為1,始終保持提取網(wǎng)絡(luò)的輸入特征尺寸和輸出特征尺寸不變。

        相較于隱藏網(wǎng)絡(luò),提取網(wǎng)絡(luò)層數(shù)較少,不同于隱藏網(wǎng)絡(luò)將兩張圖像映射為一張圖像,提取網(wǎng)絡(luò)只需將一張圖像映射為一張圖像,所以與隱藏網(wǎng)絡(luò)相比,結(jié)構(gòu)較簡單。

        提取部分可表示為

        接收方接收到含密圖像Ica后,先使用特征提取算法提取含密圖像Ica的特征值fca,再使用解密算法D(x,y)和fca對提取網(wǎng)絡(luò)R(x)提取的加密后的秘密圖像進行解密,得到Is。由于本文特征提取算法的特點,即圖像的一定修改不影響特征的提取,因此fca=fc。

        3.5 損失函數(shù)

        本文的損失函數(shù)使用了均方誤差(MSE,mean square error)度量損失。

        損失函數(shù)包括2 個部分。一是隱藏網(wǎng)絡(luò)中,載體圖像和含密圖像的差異以及秘密圖像和提取圖像之間的差異的加權(quán)和Loss1。

        隱藏網(wǎng)絡(luò)在隱藏加密圖像過程中,不僅要考慮隱藏圖像后的載體圖像損失,還要考慮提取加密后的秘密圖像時的準確率,所以使用參數(shù)ω權(quán)衡隱藏效果和提取效果。

        二是提取網(wǎng)絡(luò)中秘密圖像和提取圖像之間的差異Loss2。

        提取網(wǎng)絡(luò)僅需準確地提取出加密后的秘密圖像,因此其損失函數(shù)僅包含加密后的秘密圖像與提取的加密后的秘密圖像R(Ica)的損失。

        4 實驗分析

        本文在訓練過程中使用的圖像數(shù)據(jù)集為ImageNet,使用45 000 張圖像訓練,5 000 張圖像測試,圖像尺寸在訓練前均被調(diào)整為256×256,網(wǎng)絡(luò)初始學習率為0.001,并使用Adam 算法對學習率進行調(diào)整,ω設(shè)置為0.75,batchsize 設(shè)置為32,迭代次數(shù)為100。GPU 為NVIDIA RTX2080Ti,使用的深度學習框架為Pytorch,使用的編程語言為Python3.8。為了測試訓練集在其他圖像數(shù)據(jù)集的適配情況,本文在VOC2007 數(shù)據(jù)集上對方案進行了實驗。

        4.1 特征提取準確率

        由于特征中的一個比特錯誤會對之后的位置映射產(chǎn)生嚴重的影響,造成圖像解密錯誤,因此,本文使用的加密算法對特征提取的準確率要求較高。

        為了對比基于深度學習的特征提取方法與本文特征提取方法的提取準確程度,本文分別對ResNet50[22]、VggNet11[23]以及本文的特征提取算法的準確率進行了實驗。在特征提取過程中僅使用ResNet50 以及VggNet11 的特征提取部分,舍棄其用于圖像分類的全連接網(wǎng)絡(luò),并在網(wǎng)絡(luò)最后加入新的全連接層,用于將特征調(diào)整至特定長度,并通過訓練新加入的全連接層,使特征提取網(wǎng)絡(luò)從載體圖像和含密圖像中提取的特征盡量一致。共訓練10 輪,使用500 組載體圖像、含密圖像對作為訓練集。其訓練過程中的損失函數(shù)如下

        其中,LossV與LossR分別代表 VggNet11 與ResNet50 訓練過程中的損失函數(shù),V(x)與Re(x)分別代表VggNet11 與ResNet50 的特征提取部分與新加入的全連接層構(gòu)成的網(wǎng)絡(luò)。

        本文在提取特征數(shù)量為16 bit、64 bit 以及256 bit 3 種情況下對3 個特征提取算法進行了500 組實驗,實驗中,對特征提取準確率的計算如式(8)所示。

        其中,cA是提取準確率,en是從載體圖像中提取的特征與從含密圖像中提取的特征完全相同的組數(shù),N是實驗總組數(shù),即500。

        圖6 展示了3 種算法在提取不同長度特征時的提取準確率對比。通過實驗可以觀察出,在提取特征長度相同時,本文算法能夠更準確地提取特征,在特征數(shù)量為16 bit、64 bit 和256 bit 時,準確率能達到0.964、0.832 和0.422,與ResNet 以及VggNet相比,準確率有一定提升。

        圖6 3 種算法在提取不同長度特征時的提取準確率對比

        本文算法的核心要求是載體圖像特征與含密圖像特征的一致。僅在ResNet50 與VggNet11 的特征提取網(wǎng)絡(luò)后加入一個全連接層并訓練全連接層,難以保證載體圖像特征與含密圖像特征的一致性。如果加入較多的全連接層,則會導致不同的輸入被網(wǎng)絡(luò)映射為相同的特征,影響特征的多樣性。

        本文要求的特征提取需要有較高的準確率,因為提取過程中某一位的差錯都會對接下來的秘密圖像恢復產(chǎn)生影響,所以設(shè)計使用了傳統(tǒng)的較穩(wěn)定的特征提取算法。

        4.2 安全性分析

        4.2.1 加密方法對比

        圖7 為本文加密算法與文獻[12]的加密算法的結(jié)果對比。從圖7 中可以觀察到,本文加密算法的圖像塊置亂效果更好。在加密中,文獻[12]加密后的圖像塊的目標分布沒有較大的改變,單獨站立的男人主要部分仍在圖像的右側(cè),而本文算法加密后的圖像已無法讀取具體的語義信息。

        這主要是因為本文加密算法會給予每一個圖像塊一個具體的位置,而不是僅對列和行的位置進行調(diào)換。而文獻[12]中的加密算法加密后,大部分原來相鄰的列或行轉(zhuǎn)換后僅隔一行或一列,比如在列變換中原來的第1 列被移動到第2 列,原來的第2 列被移動到第4 列,原來的第3 列被移動到第6列,它們之間僅隔一列,而在下一步的行變換時,同一行內(nèi)的這些情況沒有得到改變。所以加密后仍然能從加密的結(jié)果中發(fā)現(xiàn)一些秘密圖像的語義信息。同時,文獻[12]也對加密的位移參數(shù)有一定的要求。比如說位移參數(shù)為3,那么逐行或逐列的移動位置分別為1,2,3,1,2,3…。當位移參數(shù)為偶數(shù)4 時,每一列或每一行都會移動到偶數(shù)列或行,就造成了奇數(shù)列或行的位置信息并沒有被改變。本文以圖像大小為256×256,像素塊大小為16×16,位移參數(shù)為3 和4 為例進行比較,表3 和表4 為行或列的位置變化。

        表4 位移參數(shù)為4 時的位置變化

        從表3 與表4 可以觀察到,當位移參數(shù)為偶數(shù)時,所有的位置變換都只會變換到偶數(shù)行或列,而不會變換到奇數(shù)行或列。圖8(a)展示了位移參數(shù)為偶數(shù)時的加密效果,由于奇數(shù)行或列沒有被改變,因此可以從圖像中看到部分行或列的重復。同時,在移動過程中,移動順序靠后的行或列會將移動順序靠前的列或行替換掉,造成信息的丟失。如圖8(b)所示,圖像中的黑色部分代表了信息的丟失。

        圖8 位移參數(shù)為偶數(shù)時的影響

        4.2.2 窮舉所需次數(shù)

        文獻[12]將秘密圖像分為196 塊,通過將圖像塊的行、列移動一定距離實現(xiàn)加密,如果想要窮舉出其結(jié)果,需要196!≈5.08×10365次計算。本文將圖像塊分為256 塊,而后根據(jù)載體圖像的特征對圖像塊位置進行交換,進而完成加密。相比而言,本文的組合方式有256!≈8.58×10506種,更加難以窮舉出正確的排列。

        4.2.3 秘密圖像不可見性分析

        本節(jié)基于圖9中的載體圖像和秘密圖像對秘密圖像的不可見性進行分析。圖9(a1)~圖9(a4)為對秘密圖像進行加密后再嵌入情況下的載體圖像、含密圖像、秘密圖像與提取的秘密圖像。圖9(b1)~圖9(b4)為未對秘密圖像進行加密,直接進行嵌入的的載體圖像、含密圖像、秘密圖像與提取的秘密圖像。圖10 為載體圖像與含密圖像的殘差圖像數(shù)值擴大5 倍的結(jié)果。

        圖9 加密與未加密效果對比

        圖10 殘差圖像

        從圖9 中可以觀察到,圖像加密并沒有對含密圖像產(chǎn)生較大的損失,人眼還是無法分辨載體圖像與含密圖像的區(qū)別。觀察圖10 中的殘差圖像,可以發(fā)現(xiàn),沒有加密時,能夠從載體圖像與含密圖像的殘差部分觀察到秘密圖像的部分語義信息。從圖10(a)中可以看出,秘密圖像中的透明門的輪廓。在這種情況下,如果攻擊者可以同時得到載體圖像與含密圖像,就可能會造成秘密圖像部分語義信息的泄露,無法保證秘密信息的安全性。而在加密后,已經(jīng)無法觀察到秘密圖像的語義信息。

        4.2.4 密鑰更新頻率對比

        增加密鑰更新頻率也是提升安全性的有效方法之一,但是過于頻繁地傳遞密鑰也增加了隱寫被發(fā)現(xiàn)的可能性。相比同為使用了圖像加密的高容量圖像隱寫算法,本文的密鑰產(chǎn)生依賴于載體圖像,通過更換載體圖像,就可以完成密鑰的更新,如此一來,本文算法在保證密鑰更新頻率的同時,減少了密鑰傳遞的次數(shù),降低了隱寫通信被發(fā)現(xiàn)的概率。

        以特征長度為16 bit、載體圖像數(shù)量為10 張為例,假設(shè)10 張載體圖像具有不同的特征信息,那么10張載體圖像就分別代表了10 個密鑰,文獻[11-12]的方案通過傳遞新的密鑰進行一次密鑰更新,本文算法則可通過改變載體圖像進行一次密鑰更新,當兩者都進行了10 次密鑰更新時,文獻[11-12]的算法需要傳遞10 次密鑰,而本文算法僅更改了10 張載體圖像,不需要向接收方發(fā)送密鑰信息,圖11 展示了不同算法在更新10 次密鑰時需要傳遞密鑰的次數(shù)對比。當本文算法的提取特征長度為16 bit 時,最大密鑰數(shù)量為162 個;當特征長度為64 bit 時,最大密鑰數(shù)量為 264個。

        圖11 不同算法更新10 次密鑰時需要傳遞密鑰的次數(shù)對比

        4.2.5 抗隱寫分析對比

        為了便于對比,本文同樣使用開源的隱寫分析工具StegExpose[25],對250 張載體圖像以及本方案產(chǎn)生的250 張含密圖像進行隱寫分析。250 張載體圖像中,有一張被錯誤判別為含密圖像;250 張含密圖像中,有4 組被正確判別為含密圖像,隱寫分析準確率為0.506,只略高于隨機猜測準確率。其接收者操作特性(ROC,receiver operating characteristic)曲線如圖12(a)所示,圖12(b)、圖12(c)的ROC曲線分別是同為高容量隱寫算法的文獻[11,24]在StegExpose 分析下的結(jié)果,其threshold 參數(shù)設(shè)置與本文一致,為0.2。通過觀察ROC 曲線,本文算法在面對StegExpose 隱寫分析工具分析時,抵抗隱寫分析能力與文獻[11,24]相當。

        圖12 本文算法與其他算法的ROC 曲線

        4.3 隱寫容量

        本文算法具有較高的隱寫容量,能夠在一張彩色圖像中隱藏另一張彩色圖像,豐富的色彩信息能夠幫助接收方從秘密圖像中獲得更多的有用信息,方案[13,14,26]則是在一張彩色圖像中隱藏一張與其尺寸相同的灰度圖像。與方案[13,14,26]相比,本文算法的隱寫容量是其3 倍,表5 是本文隱寫容量與其他算法的隱寫容量對比。

        表5 不同算法隱寫容量對比結(jié)果

        4.4 圖像損失

        本文使用峰值信噪比(PSNR,peak signal to noise ratio)和結(jié)構(gòu)相似性(SSIM,structural similarity)來評價載體圖像和含密圖像之間的損失,由于提取效果的好壞主要使用提取準確率來評估,這里不對秘密圖像和提取的秘密圖像之間的損失值做對比,僅對比載體圖像與含密圖像之間的損失,具體PSNR 和SSIM值如圖13 所示,本文算法計算了500 對秘密圖像與含密圖像對的PSNR 和SSIM 的平均值。

        從圖13 數(shù)據(jù)可以觀察到,相比同為高容量隱寫的算法,本文算法能夠保持較好的PSNR 和SSIM 值,載體圖像到含密圖像變換中的損失較少。本文算法在進行信息嵌入的同時,對圖像的統(tǒng)計特征影響較小。圖14 為3 對載體圖像與含密圖像的圖像頻率分布直方圖進行對比,其特征分布基本相同,通過觀察圖像直方圖可以發(fā)現(xiàn),本文算法是在保留了載體圖像大部分統(tǒng)計特性的基礎(chǔ)上進行的圖像嵌入,對載體圖像造成的損失較低,對于人眼而言更難以發(fā)現(xiàn)。

        圖13 載體圖像損失對比

        圖14 載體圖像與含密圖像的圖像頻率分布直方圖

        5 結(jié)束語

        本文算法可以有效地將一張彩色圖像隱藏在另一張彩色圖像中,且載體圖像與含密圖像的差異難以發(fā)現(xiàn)。本文算法在基于圖像加密和深度學習的高容量圖像隱寫算法的基礎(chǔ)上,通過設(shè)計使用特征提取算法,將載體圖像特征作為密鑰,通過更換載體圖像即可實現(xiàn)對密鑰的更換,能夠在不減少密鑰更新次數(shù)的同時,減少密鑰傳遞的次數(shù);通過將圖像塊進行更細粒度的劃分、加密,改善了載體圖像與含密圖像的殘差圖像暴露秘密圖像的問題。實驗結(jié)果表明,本文算法可以有效提高基于深度學習的高容量圖像隱寫算法的安全性。

        猜你喜歡
        特征提取特征信息
        如何表達“特征”
        基于Gazebo仿真環(huán)境的ORB特征提取與比對的研究
        電子制作(2019年15期)2019-08-27 01:12:00
        不忠誠的四個特征
        當代陜西(2019年10期)2019-06-03 10:12:04
        抓住特征巧觀察
        訂閱信息
        中華手工(2017年2期)2017-06-06 23:00:31
        一種基于LBP 特征提取和稀疏表示的肝病識別算法
        基于MED和循環(huán)域解調(diào)的多故障特征提取
        展會信息
        中外會展(2014年4期)2014-11-27 07:46:46
        線性代數(shù)的應(yīng)用特征
        河南科技(2014年23期)2014-02-27 14:19:15
        Walsh變換在滾動軸承早期故障特征提取中的應(yīng)用
        軸承(2010年2期)2010-07-28 02:26:12
        青青草高中生在线视频| 亚洲熟妇色xxxxx欧美老妇| 亚洲中文一本无码AV在线无码| 中文字幕丰满人妻被公强| 91丝袜美腿亚洲一区二区| 人人爽久久涩噜噜噜丁香| 亚洲色在线视频| 成人午夜视频在线观看高清| 久久精品一区二区熟女| 狠狠噜狠狠狠狠丁香五月 | 中文区中文字幕免费看| 日韩精品无码免费专区网站| 久久亚洲国产成人亚| 国产av精品一区二区三区不卡| 色偷偷久久久精品亚洲| 永久免费观看国产裸体美女 | 精品一区二区在线观看免费视频| 中文字幕久久熟女蜜桃| 91av国产视频| 亚洲国产精品美女久久久| 亚洲av日韩一卡二卡| 丰满少妇三级全黄| 亚洲成人电影在线观看精品国产 | 中国大陆一级毛片| 亚洲无人区乱码中文字幕| 51国产偷自视频区视频| 中文字幕久无码免费久久| 国产自在自线午夜精品视频在| 中文字幕一区乱码在线观看| 韩国三级大全久久网站| 日韩a∨精品日韩在线观看| 久久久亚洲精品一区二区| 白浆国产精品一区二区| 在线高清理伦片a| 亚洲国产另类久久久精品小说| 扒开女性毛茸茸的视频| 国模冰莲自慰肥美胞极品人体图| 欧美午夜精品久久久久久浪潮 | 亚洲女同一区二区三区| 天天躁夜夜躁狠狠躁2021a2| 国产免费资源高清小视频在线观看|