基于风格迁移过程的彩色图像信息隐藏算法

doi:10.11772/j.issn.1001-9081.2022060953

《计算机应用》唯一官方网站 ›› 2023, Vol. 43 ›› Issue (6): 1730-1735.DOI: 10.11772/j.issn.1001-9081.2022060953

• CCF第37届中国计算机应用大会 (CCF NCCA 2022) • 上一篇下一篇

基于风格迁移过程的彩色图像信息隐藏算法

杨盼¹^,², 张敏情¹^,²(), 葛虞¹^,², 狄富强¹^,², 张英男¹^,²

^1.武警工程大学密码工程学院，西安 710086
^2.网络与信息安全武警部队重点实验室（武警工程大学），西安 710086

收稿日期:2022-07-02 修回日期:2022-08-12 接受日期:2022-08-16 发布日期:2022-09-23 出版日期:2023-06-10
通讯作者: 张敏情
作者简介:杨盼（1994—），男，河南洛阳人，硕士研究生，主要研究方向：信息隐藏、深度学习
葛虞（1998—），女，河北秦皇岛人，硕士研究生，主要研究方向：信息隐藏、信息安全
狄富强（1990—），男，陕西西安人，讲师，博士，主要研究方向：信息隐藏、信息安全
张英男（1990—），男，陕西西安人，副教授，博士，主要研究方向：信息隐藏、信息安全。
基金资助:
国家自然科学基金资助项目(61872384);武警工程大学基础前沿研究基金资助项目(WJY202012)

Color image information hiding algorithm based on style transfer process

Pan YANG¹^,², Minqing ZHANG¹^,²(), Yu GE¹^,², Fuqiang DI¹^,², Yingnan ZHANG¹^,²

^1.College of Cryptographic Engineering，Engineering University of PAP，Xi’an Shaanxi 710086，China
^2.Key Laboratory of PAP for Network and Information Security （Engineering University of PAP），Xi’an Shaanxi 710086，China

Received:2022-07-02 Revised:2022-08-12 Accepted:2022-08-16 Online:2022-09-23 Published:2023-06-10
Contact: Minqing ZHANG
About author:YANG Pan， born in 1994， M. S. candidate. His research interests include information hiding， deep learning.
GE Yu， born in 1998， M. S. candidate. Her research interests include information hiding， information security.
DI Fuqiang， born in 1990， Ph. D.， lecturer. His research interests include information hiding， information security.
ZHANG Yingnan， born in 1990， Ph. D.， associate professor. His research interests include information hiding， information security.
Supported by:
National Natural Science Foundation of China(61872384);Basic Frontier Research Fund of Engineering University of PAP(WJY202012)

摘要/Abstract

摘要：

针对基于神经风格迁移的信息隐藏算法没有解决彩色图像的嵌入这一问题，提出了一种基于风格迁移过程的彩色图像信息隐藏算法。首先，利用卷积神经网络（CNN）特征提取的优势，分别提取载体图像的语义信息、风格图像的风格信息以及彩色图像的特征信息；然后，将图像的语义内容和不同风格融合在一起；最后，在通过解码器对载体图像进行风格迁移的同时完成彩色图像的嵌入。实验结果表明，所提算法可以将秘密图像有效融入到生成的风格化图像中，使得秘密信息嵌入行为与风格变换的行为不可区分，在保持算法安全性的前提下，所提算法的隐藏容量提高到24 bpp，峰值信噪比（PSNR）和结构相似性（SSIM）的平均值分别达到了25.29 dB和0.85，有效解决了彩色图像的嵌入问题。

关键词: 信息隐藏, 神经网络, 风格迁移, 高容量, 图像质量

Abstract:

To solve the problem that information hiding algorithms based on neural style transfer do not solve the embedding problem of color images， a color image information hiding algorithm based on style transfer process was proposed. Firstly， the advantages of feature extraction of Convolutional Neural Network （CNN） were utilized to extract the semantic information of the carrier image， the style information of the style image and the feature information of the color image， respectively. Then， the semantic content of images and different styles were fused together. Finally the embedding of color image was completed while performing the style transfer of the carrier image through the decoder. Experimental results show that the proposed algorithm can integrate the secret image into the generated stylized image effectively， making the secret information embedding behavior indistinguishable from the style change behavior. Under the premise of maintaining the security of the algorithm， the proposed algorithm has the hiding capacity increased to 24 bpp， and the average values of Peak Signal-to-Noise Ratio （PSNR） and Structural SIMilarity （SSIM） reached 25.29 dB and 0.85 respectively， thereby solving the color image embedding problem effectively.

Key words: information hiding, neural network, style transfer, high capacity, image quality

中图分类号:

TP309.2

杨盼, 张敏情, 葛虞, 狄富强, 张英男. 基于风格迁移过程的彩色图像信息隐藏算法[J]. 计算机应用, 2023, 43(6): 1730-1735.

Pan YANG, Minqing ZHANG, Yu GE, Fuqiang DI, Yingnan ZHANG. Color image information hiding algorithm based on style transfer process[J]. Journal of Computer Applications, 2023, 43(6): 1730-1735.

图/表 10

参考文献 24

1	PEVNÝ T， FILLER T， BAS P. Using high-dimensional image models to perform highly undetectable steganography［C］// Proceedings of the 2010 International Workshop on Information Hiding， LNCS 6387. Berlin： Springer， 2010： 161-177.
2	HOLUB V， FRIDRICH J. Designing steganographic distortion using directional filters［C］// Proceedings of the 2012 IEEE International Workshop on Information Forensics and Security. Piscataway： IEEE， 2012： 234-239. 10.1109/wifs.2012.6412655
3	LI B， TAN S Q， WANG M， et al. Investigation on cost assignment in spatial image steganography［J］. IEEE Transactions on Information Forensics and Security， 2014， 9（8）： 1264-1277. 10.1109/tifs.2014.2326954
4	HOLUB V， FRIDRICH J， DENEMARK T. Universal distortion function for steganography in an arbitrary domain［J］. EURASIP Journal on Information Security， 2014， 2014： No.1. 10.1186/1687-417x-2014-1
5	FRIDRICH J， KODOVSKÝ J. Rich models for steganalysis of digital images ［J］. IEEE Transactions on Information Forensics and Security， 2012， 7（3）： 868-882. 10.1109/tifs.2012.2190402
6	BALUJA S. Hiding images within images ［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2020， 42（7）： 1685-1697. 10.1109/tpami.2019.2901877
7	BALUJA S. Hiding images in plain sight： deep steganography ［C］// Proceedings of the 31st International Conference on Neural Information Processing Systems. Red Hook， NY： Curran Associates Inc.， 2017： 2066-2076.
8	REHMAN A UR， RAHIM R， NADEEM S， et al. End-to-end trained CNN encoder-decoder networks for image steganography［C］// Proceedings of the 2018 European Conference on Computer Vision， LNCS 11132. Cham： Springer， 2019： 723-729.
9	ZHANG R， DONG S Q， LIU J Y. Invisible steganography via generative adversarial networks［J］. Multimedia Tools and Applications， 2019， 78（7）： 8559-8575. 10.1007/s11042-018-6951-z
10	GATYS L A， ECKER A S， BETHGE M. Image style transfer using convolutional neural networks ［C］// Proceedings of the 2016 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2016： 2414-2423. 10.1109/cvpr.2016.265
11	SIMONYAN K， ZISSERMAN A. Very deep convolutional networks for large-scale image recognition［EB/OL］. （2015-04-10）［2022-04-14］..
12	HUANG X， BELONGIE S. Arbitrary style transfer in real-time with adaptive instance normalization ［C］// Proceedings of the 2017 IEEE International Conference on Computer Vision. Piscataway： IEEE， 2017： 1510-1519. 10.1109/iccv.2017.167
13	LI X T， LIU S F， KAUTZ J， et al. Learning linear transformations for fast image and video style transfer ［C］// Proceedings of the 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2019： 3804-3812. 10.1109/cvpr.2019.00393
14	LI Y J， FANG C， YANG J M， et al. Universal style transfer via feature transforms［C］// Proceedings of the 31st International Conference on Neural Information Processing Systems. Red Hook， NY： Curran Associates Inc.， 2017： 385-395.
15	AN J， HUANG S Y， SONG Y B， et al. ArtFlow： unbiased image style transfer via reversible neural flows［C］// Proceedings of the 2021 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2021： 862-871. 10.1109/cvpr46437.2021.00092
16	WANG Z H， GAO N， WANG X， et al. STNet： a style transformation network for deep image steganography ［C］// Proceedings of the 2019 International Conference on Neural Information Processing， LNCS 11954. Cham： Springer， 2019： 3-14.
17	BI X L， YANG X Y， WANG C， et al. High-capacity image steganography algorithm based on image style transfer［J］. Security and Communication Networks， 2021， 2021： No.4179340. 10.1155/2021/4179340
18	LIN W J， ZHU X K， YE W J， et al. An improved image steganography framework based on Y channel information for neural style transfer［J］. Security and Communication Networks， 2022， 2022： No.2641615. 10.1155/2022/2641615
19	WANG Z， SIMONCELLI E P， BOVIK A C. Multiscale structural similarity for image quality assessment［C］// Proceedings of the 37th Asilomar Conference on Signals， Systems and Computers. Piscataway： IEEE， 2003，2： 1398-1402. 10.1109/acssc.2003.1292181
20	BOEHM B. StegExpose — a tool for detecting LSB steganography［EB/OL］. （2014-10-24）［2022-05-01］..
21	DUMITRESCU S， WU X L， WANG Z. Detection of LSB steganography via sample pair analysis ［J］. IEEE Transactions on Signal Processing， 2003， 51（7）： 1995-2007. 10.1109/tsp.2003.812753
22	FRIDRICH J， GOLJAN M， DU R. Reliable detection of LSB steganography in color and grayscale images ［C］// Proceedings of the 2001 Workshop on Multimedia and Security： New Challenges. New York： ACM， 2001： 27-30. 10.1145/1232454.1232466
23	WESTFELD A， PFITZMANN A. Attacks on steganographic systems ［C］// Proceedings of the 1999 International Workshop on Information Hiding， LNCS 1768. Berlin： Springer， 2000： 61-76.
24	付章杰，李恩露，程旭，等. 基于深度学习的图像隐写研究进展［J］. 计算机研究与发展， 2021， 58（3）：548-568. 10.7544/issn1000-1239.2021.20200360
	FU Z J， LI E L， CHENG X， et al. Recent advances in image steganography based on deep learning ［J］. Journal of Computer Research and Development， 2021， 58（3）：548-568. 10.7544/issn1000-1239.2021.20200360

卷积层	输入	卷积核	步长	输出
Conv1	3×256×256	3×3	1	32×256×256
Conv2	32×256×256	3×3	1	64×256×256
Conv3	64×256×256	3×3	1	128×256×256
Conv4	128×256×256	3×3	1	256×256×256
Conv5	256×256×256	3×3	1	128×256×256
Conv6	128×256×256	3×3	1	64×256×256
Conv7	64×256×256	3×3	1	32×256×256
Conv8	32×256×256	3×3	1	3×256×256

卷积层	输入	卷积核	步长	输出
Conv1	3×256×256	3×3	1	32×256×256
Conv2	32×256×256	3×3	1	64×256×256
Conv3	64×256×256	3×3	1	128×256×256
Conv4	128×256×256	3×3	1	256×256×256
Conv5	256×256×256	3×3	1	128×256×256
Conv6	128×256×256	3×3	1	64×256×256
Conv7	64×256×256	3×3	1	32×256×256
Conv8	32×256×256	3×3	1	3×256×256

算法	秘密信息	载体图像	容量/bpp
文献［9］算法	256×256×1	256×256×3	8.00
文献［8］算法	256×256×1	256×256×3	8.00
文献［7］算法	200×200×3	200×200×3	24.00
文献［16］算法	任意长度	任意大小	0.06
文献［17］算法	256×256×1	256×256×3	8.00
文献［18］算法	256×256×1	256×256×3	8.00
本文算法	256×256×3	256×256×3	24.00

算法	秘密信息	载体图像	容量/bpp
文献［9］算法	256×256×1	256×256×3	8.00
文献［8］算法	256×256×1	256×256×3	8.00
文献［7］算法	200×200×3	200×200×3	24.00
文献［16］算法	任意长度	任意大小	0.06
文献［17］算法	256×256×1	256×256×3	8.00
文献［18］算法	256×256×1	256×256×3	8.00
本文算法	256×256×3	256×256×3	24.00

算法	PSNR/dB	SSIM
文献［9］算法	36.58	0.95
文献［8］算法	36.59	0.96
文献［7］算法	37.60	0.97
文献［17］算法	30.48	0.75
文献［18］算法	24.14	0.81
本文算法	25.29	0.85

基于风格迁移过程的彩色图像信息隐藏算法

Color image information hiding algorithm based on style transfer process

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 10

参考文献 24

相关文章 15

编辑推荐

Metrics

[1]	张慧斌, 冯丽萍, 郝耀军, 王一宁. 基于注意力机制和迁移学习的古壁画朝代识别[J]. 《计算机应用》唯一官方网站, 2023, 43(6): 1826-1832.
[2]	郑智雄, 刘建华, 孙水华, 徐戈, 林鸿辉. 融合多窗口局部信息的方面级情感分析模型[J]. 《计算机应用》唯一官方网站, 2023, 43(6): 1796-1802.
[3]	王辉, 李建红. 基于Transformer的三维模型小样本识别方法[J]. 《计算机应用》唯一官方网站, 2023, 43(6): 1750-1758.
[4]	杨森淇, 段旭良, 肖展, 郎松松, 李志勇. 基于ERNIE+DPCNN+BiGRU的农业新闻文本分类[J]. 《计算机应用》唯一官方网站, 2023, 43(5): 1461-1466.
[5]	许睿, 梁爽, 万航, 文益民, 沈世铭, 李建. 基于烛台图模式匹配的PM_2.5扩散特征的提取[J]. 《计算机应用》唯一官方网站, 2023, 43(5): 1394-1400.
[6]	隋佳宏, 毛莺池, 于慧敏, 王子成, 平萍. 基于图注意力网络的全局图像描述生成方法[J]. 《计算机应用》唯一官方网站, 2023, 43(5): 1409-1415.
[7]	蒋瑞林, 覃仁超. 基于深度可分离卷积的多神经网络恶意代码检测模型[J]. 《计算机应用》唯一官方网站, 2023, 43(5): 1527-1533.
[8]	何建辉, 胡春龙, 束鑫. 基于多峰标签分布学习的多任务年龄估计方法[J]. 《计算机应用》唯一官方网站, 2023, 43(5): 1578-1583.
[9]	傅励瑶, 尹梦晓, 杨锋. 基于Transformer的U型医学图像分割网络综述[J]. 《计算机应用》唯一官方网站, 2023, 43(5): 1584-1595.
[10]	金柯君, 于洪涛, 吴翼腾, 李邵梅, 张建朋, 郑洪浩. 改进的基于奇异值分解的图卷积网络防御方法[J]. 《计算机应用》唯一官方网站, 2023, 43(5): 1511-1517.
[11]	王彬, 向甜, 吕艺东, 王晓帆. 基于NSGA‑Ⅱ的自适应多尺度特征通道分组优化算法[J]. 《计算机应用》唯一官方网站, 2023, 43(5): 1401-1408.
[12]	葛超, 常晨蕾, 姚征, 苏皓. 基于事件触发机制的神经网络同步控制[J]. 《计算机应用》唯一官方网站, 2023, 43(5): 1641-1646.
[13]	孙浩, 曹健, 李海生, 毛典辉. 基于改进胶囊网络的会话型推荐模型[J]. 《计算机应用》唯一官方网站, 2023, 43(4): 1043-1049.
[14]	杨海宇, 郭文普, 康凯. 基于卷积长短时深度神经网络的信号调制方式识别方法[J]. 《计算机应用》唯一官方网站, 2023, 43(4): 1318-1322.
[15]	樊小宇, 蔺素珍, 王彦博, 刘峰, 李大威. 基于残差图卷积神经网络的高倍欠采样核磁共振图像重建算法[J]. 《计算机应用》唯一官方网站, 2023, 43(4): 1261-1268.