創(chuàng)作不易，點(diǎn)贊收藏，謝謝！如有交流需要，請關(guān)注微信公眾號(hào)“筆名二十七畫生”。

分享有趣知識(shí)的公眾號(hào)

1.圖像隱寫基礎(chǔ)知識(shí)

信息保護(hù)主要有兩種手段：

1.加密技術(shù),是直接對要保護(hù)的數(shù)據(jù)進(jìn)行數(shù)學(xué)變換，并使得未授權(quán)方無法讀取交換的秘密信息。

2.信息隱藏技術(shù),則是將要隱藏的消息放在載體中，使得未授權(quán)方無法感知到載體的變化，并且無法讀取隱藏的消息。

載體圖像:嵌入秘密信息之前的原始圖像

含密圖像:嵌入秘密信息之后的圖像

隱寫和數(shù)字水印都是信息隱藏的技術(shù)，但它們的應(yīng)用領(lǐng)域、目的和實(shí)現(xiàn)方式有一些不同。

面向隱蔽通信的隱寫（行文存在性）：

目的：主要目的是在不引起注意的情況下隱藏信息，使其對外界不可察覺。隱寫術(shù)通常用于隱蔽通信，即通過隱藏信息在媒體中傳遞秘密消息。

實(shí)現(xiàn)方式：通過在媒體載體中嵌入信息，例如在圖像、音頻、視頻等文件中隱藏文本、圖像或其他數(shù)據(jù)。這種技術(shù)的主要重點(diǎn)是保持嵌入后的媒體文件外觀或內(nèi)容的一致性，以免引起懷疑。

安全性：隱寫術(shù)的安全性通常體現(xiàn)在信息是否能夠被檢測到。隱寫術(shù)不一定提供數(shù)據(jù)完整性或認(rèn)證，而主要側(cè)重于信息的隱蔽性。

面向內(nèi)容認(rèn)證和內(nèi)容保護(hù)的數(shù)字水?。敯粜裕?/p>

目標(biāo)：

內(nèi)容認(rèn)證和保護(hù)： 數(shù)字水印的主要目標(biāo)是實(shí)現(xiàn)內(nèi)容認(rèn)證、內(nèi)容保護(hù)或版權(quán)保護(hù)。它通常被用于在媒體中嵌入信息，以驗(yàn)證內(nèi)容的真實(shí)性或保護(hù)知識(shí)產(chǎn)權(quán)。

魯棒性： 數(shù)字水印注重魯棒性，即能夠抵抗一些可能導(dǎo)致內(nèi)容變形的操作，如壓縮、裁剪、旋轉(zhuǎn)等。

可見性：

可感知性： 數(shù)字水印通常是可感知的，但它的設(shè)計(jì)目標(biāo)是使其在人類感知的范圍內(nèi)盡可能不可察覺。

提?。?/p>

同步性： 數(shù)字水印提取通常是同步的，需要原始數(shù)據(jù)或者特定的密鑰。

應(yīng)用場景：

知識(shí)產(chǎn)權(quán)保護(hù)： 數(shù)字水印廣泛用于知識(shí)產(chǎn)權(quán)保護(hù)，例如圖像、音頻、視頻的版權(quán)認(rèn)證和保護(hù)。

圖像隱寫技術(shù)經(jīng)典例子：

囚徒模型中,可以很好地闡述隱寫術(shù)中各方的角色:Alice和Bob是監(jiān)獄中不同牢房的犯人,他們之間的通信需要在獄警Eve的監(jiān)視下完成;同時(shí),Eve能夠看見他們的通信內(nèi)容.為了降低獄警Eve防范心的同時(shí)完成通信,隱寫術(shù)孕育而生.Alice將想要傳達(dá)的秘密信息進(jìn)行隱寫操作隱藏在載體當(dāng)中,Bob則需要將含密載體中的秘密信息進(jìn)行提取,獄警Eve時(shí)刻監(jiān)視Alice和Bob的通信,一旦發(fā)現(xiàn)任何可疑信息就斷絕雙方通信。

LSB（least significant bit)

作為早期的隱寫方法,LSB是一種基于圖片最低有效位修改并儲(chǔ)存信息的隱寫方法.利用人眼對于色彩差異的不敏感性,將秘密信息通過一定的嵌入方法放入圖片的最低有效位,從而將我們所需要隱藏的信息通過一定方法放入圖片的最低有效位上.。圖3是LSB類隱寫流程圖,可以看到,載體圖像Lena(戴帽子的女人)在隱寫前后并不存在明顯的差距。

基本嵌入方法給出了隱寫算法的優(yōu)化的基礎(chǔ)，然而這些方法只保持了載體的低階的特征分布，難以構(gòu)造合適的方法來保持載體的高階特征分布。

基于深度學(xué)習(xí)的圖像隱寫的研究方向：

2.定量與定性評價(jià)指標(biāo)

從以圖藏文本、以圖藏圖２個(gè)方面分析基于深度學(xué)習(xí)的含密圖像生成方法，相比于其他圖像隱寫方法，隱寫內(nèi)容更豐富，隱寫容量更大。

以圖藏文本含密圖像生成方法

以圖藏文本的圖像隱寫框架HayesGAN，首次用編碼網(wǎng)絡(luò)實(shí)現(xiàn)圖片隱藏秘密信息．

1.秘密信息與載體圖像共同輸入給編碼網(wǎng)絡(luò)中，得到含密圖像；

2.隱寫分析網(wǎng)絡(luò)，也相當(dāng)于判別網(wǎng)絡(luò)，對生成的含密圖像和 原始載體圖像做分析檢測；

3.信息的接收方通過解碼網(wǎng)絡(luò)可以得到解密信息．

1.Hayes J, Danezis G. Generating steganographic images via adversarial training[J]. Advances in neural information processing systems, 2017, 30.無源碼

在該網(wǎng)絡(luò)結(jié)構(gòu)中，秘密信息提取的準(zhǔn)確率是衡量該類網(wǎng)絡(luò)性能的重要指標(biāo)，神經(jīng)網(wǎng)絡(luò)提取秘密信息不同于傳統(tǒng)的信息嵌入與提取，網(wǎng)絡(luò)的學(xué)習(xí)過程具有不可解釋性，信息提取的過程不完全可控，如何設(shè)計(jì)提取網(wǎng)絡(luò)的結(jié)構(gòu)，控制訓(xùn)練過程以提高秘密信息恢復(fù)的準(zhǔn)確率是修改網(wǎng)絡(luò)結(jié)構(gòu)的關(guān)鍵。因此如何保證生成的含密圖像有效抵抗隱寫分析檢測，同時(shí)保證秘密信息提取的準(zhǔn)確率，是該類圖像隱寫方法面臨的重大挑戰(zhàn)。

為了增加隱寫的魯棒性，提出?Hidden圖像隱寫方式，在網(wǎng)絡(luò)訓(xùn)練的過程中加入了噪聲層，模擬真實(shí)情景下含密圖像傳輸過程中所遇到的噪聲攻擊、壓縮等情況，將攻擊后的圖像放入解碼網(wǎng)絡(luò)中提取秘密信息．該網(wǎng)絡(luò)考慮到含密圖像的真實(shí)性、秘密信息提取的準(zhǔn)確性、隱寫的隱蔽性，進(jìn)一步增強(qiáng)了 隱寫的魯棒性，為后續(xù)隱寫方法提升魯棒性提供了 思路。

編碼器E接收秘密消息M和封面圖像Ico作為輸入（編碼為比特串），并產(chǎn)生編碼圖像Ien。噪聲層N使編碼圖像失真，產(chǎn)生噪聲圖像Ino。解碼器網(wǎng)絡(luò)接收編碼圖像并試圖重建消息。第三個(gè)網(wǎng)絡(luò)，對手，預(yù)測給定圖像是否包含編碼信息。編碼器和解碼器被聯(lián)合訓(xùn)練以最小化由對手檢測到的來自封面和編碼圖像之間的差異的損失LI、來自輸入和預(yù)測消息之間的差異的損失LM以及來自對手檢測編碼圖像Ien的損失LG。

2.Zhu J, Kaplan R, Johnson J, et al. Hidden: Hiding data with deep networks[C]//Proceedings of the European conference on computer vision (ECCV). 2018: 657-672.

https://github.com/ando-khachatryan/HiDDeN

為進(jìn)一步增大隱寫容量，提出?SteganoGAN隱寫模型，使用密集連接來緩解梯度消失問題，在訓(xùn)練中使用多個(gè)損失函數(shù)來同時(shí)優(yōu)化我們的解碼器和評估網(wǎng)絡(luò)。SteganoGAN成功地將任意數(shù)據(jù)嵌入到從各種自然場景中提取的圖像中，同時(shí)隱藏信息可以避開標(biāo)準(zhǔn)檢測工具。

1.編碼器：使用載體圖像和數(shù)據(jù)tensor或?message，產(chǎn)生隱寫圖像

2.解碼器：從隱寫圖像中恢復(fù)數(shù)據(jù)（二進(jìn)制信息）

3.評估器：評估載體圖像和隱寫圖像的質(zhì)量（交叉熵解碼的準(zhǔn)確度、均方差評價(jià)相似性、評估器評價(jià)隱寫圖像真實(shí)性）

為編碼器主要用于將二進(jìn)制信息M嵌入被隱寫圖像C形成隱寫圖像S，三種變體編碼器都具有的操作：

（b）在得到張量b后再經(jīng)過兩個(gè)卷積層，將維度為( 32 , W , H ) 張量b 處理為維度為( 3 , W , H ) 的隱寫圖像

（c）通過在其輸出中添加被隱寫圖像C來修改基本編碼器，以便編碼器學(xué)習(xí)生成殘差圖像

（d）在卷積塊之間引入額外連接，以便將較早生成的特征映射連接到由較晚塊生成的特征映射，該種編碼器的設(shè)計(jì)靈感來自DenseNet，該網(wǎng)絡(luò)已被證明可以通過特征重用減輕梯度消失的問題

以圖藏圖含密圖像生成方法

1.Baluja S. Hiding images in plain sight: Deep steganography[J]. Advances in neural information processing systems, 2017, 30.

https://github.com/krishvishal/DeepSteganography

2017,?首次提出以圖藏圖的隱寫模型，實(shí)現(xiàn)了在彩色圖像中隱藏彩色圖像．所提出的網(wǎng)絡(luò)模型包括預(yù)處理網(wǎng)絡(luò)、編碼網(wǎng)絡(luò)和解碼網(wǎng)絡(luò)．

1.預(yù)處理網(wǎng)絡(luò)將秘密圖像變換為載體圖像的大小，將基于色彩的像素轉(zhuǎn)化為利于編碼的特征；

2.秘密圖像與載體圖像經(jīng)過編碼網(wǎng)絡(luò)得到含密圖像，在視覺上與載體圖像沒有差異；

3.解碼網(wǎng)絡(luò)將從含密圖像中提取秘密圖像．

彩圖藏灰度圖的圖像隱寫方法

1.Zhang R, Dong S, Liu J. Invisible steganography via generative adversarial networks[J]. Multimedia tools and applications, 2019, 78: 8559-8575.無源碼

ISGAN模型：

1.將彩色載體圖像分解為3通道?U／V／Y，其中通道 Ｕ／Ｖ 包含圖像的色度信號(hào)，Ｙ 通道包含圖像的亮度信號(hào)，2. 將代表秘密圖像的灰度圖像與載體圖像的Ｙ通道進(jìn)行通道堆疊（利用人眼對亮度信息不敏感的特性），通過編碼網(wǎng)絡(luò)得到Ｙ通道的含密圖像，與 Ｕ／Ｖ通道結(jié)合得到彩色的含密圖像。

1.將Cover圖像將分為YCrCb通道，只在圖像的Y通道中嵌入秘密圖像，送入編碼器。生成含有secret信息的Y；通道信息。將其還原為彩色圖像，與cover圖像計(jì)算損失。（圖像的表示有RGB,YUV等）；

2.引入對抗生成網(wǎng)絡(luò)，增強(qiáng)圖像的安全性，通過最小化隱寫圖像和自然圖像之間的概率分布；

3.從Y通道中提取secret信息的解碼器。

3.圖像隱寫前沿算法

1.Jing J, Deng X, Xu M, et al. HiNet: deep image hiding by invertible network[C]//Proceedings of the IEEE/CVF international conference on computer vision. 2021: 4733-4742.https://github.com/TomTomTommi/HiNet

容量、不可見性和安全性是圖像隱藏的三大挑戰(zhàn)。文章提出一種基于可逆神經(jīng)網(wǎng)絡(luò) (INN) 的框架 HiNet，以同時(shí)克服圖像隱藏中的三個(gè)挑戰(zhàn)。

1.對于大容量的圖像，提出一種同時(shí)學(xué)習(xí)圖像隱藏和揭示過程的可逆學(xué)習(xí)機(jī)制。該方法能夠?qū)崿F(xiàn)將全尺寸秘密圖像隱藏到相同尺寸的覆蓋圖像中。

2.為了提高不可見性，提出在小波域中隱藏秘密信息，而不是像素域隱藏。

3.提出了一種新的低頻小波損耗來約束秘密信息被隱藏在高頻小波子帶中，大大提高了隱藏的安全性。

隱藏網(wǎng)絡(luò)將秘密圖像?xsecret隱藏成覆蓋圖像來生成一個(gè)隱寫圖像xstego；

揭示網(wǎng)絡(luò)恢復(fù)從?xstego恢復(fù)秘密圖像，隱藏和揭示網(wǎng)絡(luò)有兩種參數(shù)。

這種松弛連接（loose connection）可能會(huì)導(dǎo)致顏色失真和紋理復(fù)用效應(yīng)。此外，這些方法幾乎不考慮安全問題，使得隱藏的秘密信息很容易被發(fā)現(xiàn)。

如圖 (b) 所示。文章是第一次嘗試探索可逆網(wǎng)絡(luò)在圖像隱藏任務(wù)中的應(yīng)用。其主要新穎之處在于，在一個(gè)可逆的網(wǎng)絡(luò)結(jié)構(gòu)中，將圖像顯式建模為圖像隱藏的反向過程，這意味著只需對網(wǎng)絡(luò)進(jìn)行一次訓(xùn)練，就可以得到隱藏和揭示的所有網(wǎng)絡(luò)參數(shù)。

前向隱藏過程：

輸入為秘密圖像?xsecret?和覆蓋圖像?xcover 。

1.通過離散小波變換(DWT) 將其分解為低、高頻小波子帶；

2.將其輸入到隱藏塊序列中；

3.隱藏塊的輸出經(jīng)過逆小波變換(IWT) 塊來生成一個(gè)隱寫圖像?xstego,?和一起失去的信息 r。

逆向揭示過程：

隱藏圖像?xstego?和一個(gè)輔助變量 z 通過 DWT 和一系列揭示模塊恢復(fù)秘密圖像?xsecret。注意，在HiNet?中，揭示是隱藏的逆過程，因此它們共享相同的網(wǎng)絡(luò)參數(shù)。

為什么要在小波域進(jìn)行圖像隱藏？

圖像在像素域隱藏容易導(dǎo)致紋理復(fù)制偽影和顏色失真。

1.相對于像素域，頻率域尤其是高頻域更適合圖像隱藏。本文采用小波變換在進(jìn)入可逆模塊之前，將圖像分成低高頻小波子帶，使網(wǎng)絡(luò)能夠更好地將秘密信息融合到覆蓋圖像中。

2.小波具有良好的重構(gòu)特性，有助于減少信息損失，提高圖像隱藏性能。

3.DWT 后，size (B，C，H，W) 的 feature map 變?yōu)? (B，4C，H/2，W/2)?？梢钥吹?，DWT 可以降低計(jì)算成本，有助于加速訓(xùn)練過程。

4.注意小波變換是雙向?qū)ΨQ的，這意味著它不會(huì)影響網(wǎng)絡(luò)的端到端訓(xùn)練。

前向傳播過程

圖中參數(shù)為任意函數(shù)，本文采用dense blocks來表示它們，因?yàn)樗哂辛己玫谋硎灸芰Α?/p>

在最后一個(gè)隱藏模塊之后，可以得到輸出然后將輸出送入兩個(gè)IWT 塊，分別生成隱寫圖像和丟失信息r。

在隱藏過程中，網(wǎng)絡(luò)試圖將秘密圖像隱藏到覆蓋圖像中。然而，如此大的容量很難隱藏在封面圖像中，不可避免地導(dǎo)致秘密信息的丟失。另外，秘密圖像的入侵可能會(huì)破壞封面圖像中的原始信息。丟失的秘密信息和被破壞的掩護(hù)信息構(gòu)成了丟失的信息r。r 被假定為個(gè)例無關(guān)的case- notistic。

輸入是由隱寫圖像 和輔助變量 z 通過 DWT 生成的 隱寫圖像and 輔助變量z 。這里，z 是從高斯分布中隨機(jī)抽樣的。

在向后揭示中，恢復(fù)圖像要求只從隱寫圖像中提取，而不訪問 r。這實(shí)際上是一個(gè)不確定的問題，因?yàn)榭梢詮耐粋€(gè)隱寫圖像中恢復(fù)數(shù)百萬個(gè)恢復(fù)圖像 。為了獲得精確的 ，在反示過程中采用了一個(gè)輔助變量z。變量 z 是從一個(gè)?case-notistic分布中隨機(jī)抽取的，該分布與r 的分布相同。

2.Kishore V, Chen X, Wang Y, et al. Fixed neural network steganography: Train the images, not the network[C]//International Conference on Learning Representations. 2021.

https://github.com/varshakishore/FNNS

encoder-decoder網(wǎng)絡(luò)容量很大，但解碼錯(cuò)誤率很高（大約20%）。作者基于神經(jīng)網(wǎng)絡(luò)對輸入的微小擾動(dòng)的高度敏感性，提出一種新的隱寫方法，能夠在3bpp時(shí)降低解碼錯(cuò)誤率到0%。

1.初始化一個(gè)編碼器F，對于給定的秘密消息M和cover X，發(fā)送方以類似于對抗擾動(dòng)的方式修改cover，得到擾動(dòng)圖像X‘，使F(X’)=X

2.訓(xùn)練decoder，使其能夠正確提取秘密信息，也就是使D(X’)=M

3.接收方用同樣的decoder恢復(fù)秘密消息M

參考文獻(xiàn)：

[1]李林.基于深度學(xué)習(xí)的數(shù)字圖像隱寫方法研究[D].電子科技大學(xué),2022.DOI:10.27005/d.cnki.gdzku.2022.004848

[2]李越. 魯棒視頻水印和深度神經(jīng)網(wǎng)絡(luò)水印技術(shù)研究[D].西南交通大學(xué),2022.DOI:10.27414/d.cnki.gxnju.2022.000059.

[3]付章杰,李恩露,程旭等.基于深度學(xué)習(xí)的圖像隱寫研究進(jìn)展[J].計(jì)算機(jī)研究與發(fā)展,2021,58(03):548-568.

[4]Hayes J, Danezis G. Generating steganographic images via adversarial training[J]. Advances in neural information processing systems, 2017, 30.無源碼

[5]Zhu J, Kaplan R, Johnson J, et al. Hidden: Hiding data with deep networks[C]//Proceedings of the European conference on computer vision (ECCV). 2018: 657-672.

[6]Zhang K A, Cuesta-Infante A, Xu L, et al. SteganoGAN: High capacity image steganography with GANs[J]. arXiv preprint arXiv:1901.03892, 2019.

[7]Baluja S. Hiding images in plain sight: Deep steganography[J]. Advances in neural information processing systems, 2017, 30.

[8]Zhang R, Dong S, Liu J. Invisible steganography via generative adversarial networks[J]. Multimedia tools and applications, 2019, 78: 8559-8575.

[]9Jing J, Deng X, Xu M, et al. HiNet: deep image hiding by invertible network[C]//Proceedings of the IEEE/CVF international conference on computer vision. 2021: 4733-4742.

[10]Kishore V, Chen X, Wang Y, et al. Fixed neural network steganography: Train the images, not the network[C]//International Conference on Learning Representations. 2021.文章來源地址http://www.zghlxwxcb.cn/news/detail-831623.html

到了這里，關(guān)于圖像隱寫綜述（適合小白入門，涉及基礎(chǔ)知識(shí)、評價(jià)指標(biāo)與前沿算法）的文章就介紹完了。如果您還想了解更多內(nèi)容，請?jiān)谟疑辖撬阉鱐OY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！