没有合适的资源?快使用搜索试试~ 我知道了~
一种基于条件生成对抗网络的图像隐写方法研究与实现.docx
1.该资源内容由用户上传,如若侵权请联系客服进行举报
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
版权申诉
0 下载量 8 浏览量
2022-06-18
12:55:31
上传
评论
收藏 754KB DOCX 举报
温馨提示
试读
18页
一种基于条件生成对抗网络的图像隐写方法研究与实现.docx
资源推荐
资源详情
资源评论
0 引言
隐写术是一种将消息以不引起攻击者注意的方式隐藏到载体中进行传输的
技术。相比密码技术隐写术既能隐藏消息的内容也能隐藏传输消息的行为这种
特点使其成为非可控环境下信息回传的有效手段隐写技术的研究对保护信息安
全具有重要意义。
根据构造含密载体方式的不同
等人将隐写方法分为 类:基于载
体修改的隐写方法、基于载体选择的隐写方法和基于载体合成的隐写方法。基
于载体修改的隐写方法通过对载体进行修改以嵌入消息。这类方法发展已经历
两个阶段:第一阶段是基于模型保持的修改嵌入
第二阶段是以最小代价函数为
指导的修改嵌入
。修改嵌入使信息传输在安全性和实用性之间达到了较好的
平衡首先应用编码方法减少对载体的修改然后优化代价函数减小修改对载体造
成的影响。
出现后利用 优化代价函数已达到比人工设计更好的效果
。虽然这类方法发展较为成熟但会对载体进行修改无法保证载体的统计特性
在隐写前后不发生任何变化给攻击者留下可乘之机。特别是基于深度神经网络
的隐写分析方法出现后
使得该类方法中许多以前比较安全的方法变得不再安全。
基于载体选择的隐写方法首先建立消息(元)与载体集的映射关系并共享于收
发双方然后发送方根据要传输的消息元从载体集中按照映射关系选择载体发送
接收方接收到载体后按照同样的映射关系恢复消息。文献
将这类方法称为“无
载体”隐写。这类方法的优点是载体是从已存在的自然载体集中直接选择出来的
没有修改载体的过程可保证构造出的含密载体 自然使得基于统计的隐写
分析方法彻底失效缺点是映射关系通常固定会出现反复传输同一个载体的情况
使隐写信道存在较大的暴露风险。基于载体合成的隐写方法是由发送方根据消
息直接构造含密载体使含密载体携带消息。这类方法的优点是没有修改载体的
过程收发双方不需要共享大信息量的映射关系合成的载体内容通常不会出现重
复缺点是构造出绝对自然的含密载体难度较大。在 出现之前基于载体合
成的隐写方法基本都是通过纹理图像合成实现的
但纹理图像不具有自然图像
的语义特征。反复传输纹理图像容易引起攻击者的注意 的出现给载体合
成方法带来了新的发展机会。
利用博弈策略使生成器和判别器对抗最终形成一个强大的生成器。理
想情况下训练达到最优的生成器可使生成样本的分布与真实数据相同。也就是
说理想情况下利用 实现载体合成隐写方法有构造出自然含密载体的可能性。
本文将利用 或者类似生成器直接构造含密载体的方法也称为“生成式隐写”。
该方法目前面临的主要问题有:生成载体不够自然、消息提取正确率无法达到
、生成载体的内容无法控制。已有学者提出了具体的基于 的生成式
隐写方法
但这些方法都未涉及对生成载体内容的控制。 采用无监督
的学习方式训练使得生成载体的内容无法预先控制因此基于 的隐写无法
控制生成的含密载体内容。解决该问题的思路之一是在 的基础上增加额外
的条件信息通过条件信息控制生成内容。本文提出了一种基于条件生成对抗网
络( !!"#!#!"$" !%"&$)
的图像隐写方法。
该方法首先利用随机噪声和条件信息共同训练 使生成图像受条件信息控
制然后设计提取器网络用生成图像训练提取器最后用已训练好的生成器和提取
器完成含密图像生成及消息提取。实验结果表明该方法能利用条件信息有效控
制生成的含密图像内容为解决基于 的生成式隐写方法中生成载体内容无法
控制的问题提供了一种思路。
1 相关工作
早期基于载体修改的隐写方法是在与隐写分析方法的对抗中逐步发展起来
的。为了能“一劳永逸”地对抗隐写分析当时学者们建立了一个安全模型在修改
嵌入时保持模型不变这种方法被称为模型保持方法经典的模型保持方法有基于
模型法('! ()$!'))
等。这类方法可以在信息嵌入时保持模型不变但
无法保证模型本身是安全的通过专用分析方法可有效进行分析。在修改嵌入时
保证载体的统计特性不发生任何变化是非常困难的因此隐写方法的任务转变为
嵌入时对载体的破坏程度最小。采取的思路是以最小代价函数为指导 在嵌入时
使用编码方法减少载体修改使用代价函数优化修改。经典的方法有高度不可检
测 法 ( *+, - .!!/0 ! 1!+*.2 )
、 小 波 加 权 法 ( 3#! !
20! 3!+,$323 )
、 通 用 小 波 相 对 失 真 法 .#!"$ 3#! !
! #!4$".34)
。这类方法很好地兼顾了安全性与实用性但
框架式的设计结构使基于修改的隐写方法发展遇到了瓶颈。
的出现为基于载体合成隐写方法的发展带来了新的契机 应用于
图像隐写后可在不修改载体的情况下使隐写方法具有生成自然含密图像的潜力。
目前基于 的生成式隐写研究成果还较少
(
但
基于 的载体修改隐写研
究 成 果 较 多
。 *.
等 人 提 出 了 一 种 基 于 深 度 卷 积 生 成 对 抗 网 络
(4!!5# 6 !!"#!#!"$" !%"&$4 )的图像隐
写方法。该方法主要包括两步第一步利用随机噪声训练 生成自然图像第
二步用生成的图像训练设计好的提取器。该方法具有较高的消息提取正确率 同
时方法的步骤具有通用性可作为基于 的生成式隐写通用框架。张敏情
等
人用边界 平衡 生成对抗网络( )6"-76 0"68!!"#!#!"$"
!%"&))替换了 4进一步提高了生成图像的质量。文献
、
文献
主要关注生成图像质量及消息提取正确率未关注生成图像的内容这两
种方法在生成含密图像时无法对图像内容进行控制。9*
等人提出了一种
在利用 进行图像补全的过程中生成含密图像的方法。该方法首先利用随机
噪声训练好 中的生成器然后设计上下文约束、视觉约束和消息约束对随
机噪声使用梯度下降算法以最小化这 个约束。其中上下文约束保证生成图像
与原始图像的未补全部分误差最小视觉约束保证生成图像的补全部分自然消息
约束保证特定位置的比特位与消息的误差最小。该方法从早期隐蔽通信中的卡
登格子思想出发为基于 的生成式隐写提供了一种新思路。从实验结果看
该方法消息提取简单且通过人工筛选未补全图像能对生成图像内容进行局部控
制。
本文在 *6 方法框架的基础上利用 提出了一种图像内容可控的生成
式隐写方法在不降低生成图像质量和消息提取正确率的情况下达到利用条件信
息控制生成图像内容的效果。
2 基于条件生成对抗网络的图像内容可控的生成式隐写方法
本文方法的过程是首先发送方利用随机噪声和条件信息共同训练 得
到由条件信息控制的生成器然后用生成图像训练提取器网络得到训练好的消息
提取器。生成器和提取器训练好后由发送方保存生成器网络参数、接收方保存
提取器网络参数。消息传输时发送方先将消息映射成随机噪声然后利用条件信
息使生成器生成指定内容的含密图像接收方收到含密图像后先利用提取器提取
出随机噪声然后再映射恢复出消息。
:生成对抗网络
生成 对 抗网络 是 生成模 型 的一种 由 22423
等人 年 提出。
由一个生成器和一个判别器组成结构如 图所示。 表示生成器4 表示判
别器z 表示随机噪声x 表示真实数据G;z<表示 z 驱动生成的数据。 让 和
4 对抗通过不断的迭代优化来提高 的能力使 G;z<的分布接近真实数据。
图
图 1GAN 结构
剩余17页未读,继续阅读
资源评论
罗伯特之技术屋
- 粉丝: 3543
- 资源: 1万+
下载权益
C知道特权
VIP文章
课程特权
开通VIP
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功