基于编码-解码网络的大容量鲁棒图像隐写方案

doi:10.11772/j.issn.1001-9081.2023040477

《计算机应用》唯一官方网站 ›› 2024, Vol. 44 ›› Issue (3): 772-779.DOI: 10.11772/j.issn.1001-9081.2023040477

所属专题：网络空间安全

基于编码-解码网络的大容量鲁棒图像隐写方案

董炜娜¹^,², 刘佳¹^,²(), 潘晓中¹^,², 陈立峰¹^,², 孙文权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:2023-04-26 修回日期:2023-07-06 接受日期:2023-07-10 发布日期:2023-12-04 出版日期:2024-03-10
通讯作者: 刘佳
作者简介:董炜娜（1997—），女，山东烟台人，硕士研究生，主要研究方向：信息隐藏
潘晓中（1964—），男，陕西西安人，教授，博士，主要研究方向：网络与信息安全
陈立峰（2000—），男，湖北应城人，硕士研究生，主要研究方向：信息隐藏
孙文权（2000—），男（满族），辽宁锦州人，硕士研究生，主要研究方向：信息隐藏。
基金资助:
国家自然科学基金资助项目(62272478)

High-capacity robust image steganography scheme based on encoding-decoding network

Weina DONG¹^,², Jia LIU¹^,²(), Xiaozhong PAN¹^,², Lifeng CHEN¹^,², Wenquan SUN¹^,²

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

Received:2023-04-26 Revised:2023-07-06 Accepted:2023-07-10 Online:2023-12-04 Published:2024-03-10
Contact: Jia LIU
About author:DONG Weina， born in 1997， M. S. candidate. Her research interests include information hiding.
PAN Xiaozhong， born in 1964， Ph. D.， professor. His research interests include network and information security.
CHEN Lifeng， born in 2000， M. S. candidate. His research interests include information hiding.
SUN Wenquan， born in 2000， M. S. candidate. His research interests include information hiding.
Supported by:
National Natural Science Foundation of China(62272478)

摘要/Abstract

摘要：

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。

关键词: 深度学习, 信息隐藏, 图像隐写, 大容量, 鲁棒性, 编码-解码网络, 对抗性训练

Abstract:

Aiming at the problems that the high-capacity steganography model based on encoding-decoding network has weak robustness and can not resist noise attack and channel compression， a high-capacity robust image steganography scheme based on encoding-decoding network was proposed. In the proposed scheme， encoder， decoder and discriminator based on Densely connected convolutional Network （DenseNet） were designed. The secret information and the carrier image were jointly encoded into a steganographic image by the encoder， the secret information was extracted by the decoder， and the discriminator was used to distinguish between carrier images and steganographic images. A noise layer was added between the encoder and the decoder； Dropout， JPEG compression， Gaussian blur， Gaussian noise and salt and pepper noise were used to simulate a real environment with various kinds of noise attacks. The steganographic image output by the encoder was processed by different kinds of noise and decoded by the decoder. Through training the model， the secret information could be extracted from the noise-processed steganographic image by the decoder， so that the noise attacks could be resisted. Experiment results show that the steganographic capacity of the proposed scheme reaches 0.45 - 0.95 bpp on 360×360 pixel images， and the relative embedding capacity is improved by 2.04 times compared to the suboptimal robust steganographic scheme； the decoding accuracy reaches 0.72 - 0.97， and compared with the steganography without noise layer， the average decoding accuracy is improved by 44 percentage points. The proposed scheme not only guarantees high embedding quantity and high coding image quality， but also has stronger anti-noise capability.

Key words: deep learning, information hiding, image steganography, high-capacity, robustness, encoder-decoder network, adversarial training

中图分类号:

TP309.2

董炜娜, 刘佳, 潘晓中, 陈立峰, 孙文权. 基于编码-解码网络的大容量鲁棒图像隐写方案[J]. 计算机应用, 2024, 44(3): 772-779.

Weina DONG, Jia LIU, Xiaozhong PAN, Lifeng CHEN, Wenquan SUN. High-capacity robust image steganography scheme based on encoding-decoding network[J]. Journal of Computer Applications, 2024, 44(3): 772-779.

图/表 15

图1 本文方案结构

Fig. 1 Architecture of proposed scheme

图2 编码器详细结构

Fig. 2 Detailed structure of encoder

图3 噪声层示例

Fig. 3 Examples of noise layer

图4 解码器详细结构

Fig. 4 Detailed structure of decoder

图5 判别器详细结构

Fig. 5 Detailed structure of discriminator

图6 不同权重参数下编码器和解码器的损失值

Fig. 6 Encoder and decoder loss with different values

表1 不同权重参数下模型的效果

Tab. 1 Effects of model under different weight parameters

（λ_e，λ_d）	隐写容量/bpp	PSNR/dB	SSIM	解码准确率
（20，1）	0.95	34.27	0.95	0.97
（1，1）	0.97	25.97	0.68	0.98
（1，20）	0.99	21.21	0.49	0.99

表2 模型在不同噪声攻击下的隐写容量对比 (bpp)

Tab. 2 Comparison of steganographic capacity between models under different noise attacks

模型	Dropout	JPEG压缩	高斯模糊	高斯噪声	椒盐噪声
无噪声模型	0.43	0.16	0.22	0.28	0.11
噪声模型	0.72	0.45	0.88	0.95	0.95

图7 在不同噪声强度上测试的模型隐写容量对比

Fig. 7 Comparison of steganographic capacity among models tested on different noise intensities

表3 不同隐写方案的容量对比

Tab. 3 Capacity comparison of different scheme

隐写方案	图像尺寸	绝对嵌入容量/b	相对嵌入容量/bpp	鲁棒性
文献［37］方案	64×64	1 634	0.400 000	否
文献［21］方案	32×32	410	0.400 000	否
文献［22］方案	64×64	300	0.070 000	否
文献［27］方案	16×16	52	0.203 000	是
文献［33］方案	128×128	8	0.000 488	是
文献［34］方案	256×256	200	0.001 020	是
文献［35］方案	128×128	64	0.003 900	是
文献［36］方案	64×64	1 280	0.313 000	是
本文方案	360×360	123 120	0.950 000	是

图8 不同噪声训练出的隐写图像和载体图像对比

Fig. 8 Comparison of steganographic images trained with different noises and carrier images

表4 模型在不同噪声攻击下生成图像的PSNR和SSIM对比

Tab. 4 Comparison of PSNR and SSIM of images generated by models under different noise attacks

模型	攻击类别	PSNR/dB	SSIM
无噪声模型	Dropout	35.68	0.92
	JPEG压缩	35.68	0.92
	高斯模糊	35.68	0.92
	高斯噪声	30.47	0.72
	椒盐噪声	35.68	0.92
噪声模型	Dropout	34.04	0.84
	JPEG压缩	33.92	0.80
	高斯模糊	34.76	0.88
	高斯噪声	27.23	0.57
	椒盐噪声	33.83	0.89

表5 模型在不同噪声攻击下的解码准确率对比

Tab. 5 Comparison of decoding accuracy of models under different noise attacks

模型	Dropout	JPEG压缩	高斯模糊	高斯噪声	椒盐噪声
无噪声模型	0.71	0.58	0.61	0.64	0.55
噪声模型	0.85	0.72	0.94	0.97	0.97

图9 在不同噪声强度上测试的模型解码准确率对比

Fig. 9 Comparison of decoding accuracy of models tested on different noise intensities

表6 不同方案在查看原图和不查看原图两种方式上的隐写容量和解码准确率对比

Tab. 6 Comparison of steganographic capacity and decoding accuracy among different schemes with/without viewing original image

隐写方案	查看原图		不查看原图
隐写方案	隐写容量/bpp	解码准确率	隐写容量/bpp	解码准确率
文献［23］方案	0.24	0.62	0.02	0.51
本文方案	0.66	0.83	0.08	0.54

参考文献 39

1	张祎，罗向阳，王金伟，等.数字图像鲁棒隐写综述［J］. 中国图象图形学报，2022，27（1）： 3-26. 10.11834/jig.210449
	ZHANG Y， LUO X Y， WANG J W， et al. Research progress on digital image robust steganography［J］. Journal of Image and Graphics， 2022， 27（1）： 3-26. 10.11834/jig.210449
2	XIAN Y-J， WANG X-Y， ZHANG Y-Q， et al. Fractal sorting vector-based least significant bit chaotic permutation for image encryption ［J］. Chinese Physics B， 2021， 30（6）： 060508. 10.1088/1674-1056/abda35
3	TAMIMI A A， ABDALLA A M， ALALLAF O. Hiding an image inside another image using variable-rate steganography ［J］. International Journal of Advanced Computer Science and Applications， 2013， 4（10）： 18-21. 10.14569/ijacsa.2013.041004
4	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
5	HOLUB V， FRIDRICH J， DENEMARK T. Universal distortion function for steganography in an arbitrary domain ［J］. EURASIP Journal on Information Security， 2014， 2014（1）： Article No.1. 10.1186/1687-417x-2014-1
6	LI B， WANG M， HUANG J， et al. A new cost function for spatial image steganography ［C］// Proceedings of the 2014 IEEE International Conference on Image Processing. Piscataway： IEEE， 2014： 4206-4210. 10.1109/icip.2014.7025854
7	DE VLEESCHOUWER C， J-F DELAIGLE， MACQ B. Circular interpretation of bijective transformations in lossless watermarking for media asset management ［J］. IEEE Transactions on Multimedia， 2003， 5（1）： 97-105. 10.1109/tmm.2003.809729
8	ZOU D， SHI Y Q， NI Z， et al. A semi-fragile lossless digital watermarking scheme based on integer wavelet transform ［J］. IEEE Transactions on Circuits and Systems for Video Technology， 2006， 16（10）： 1294-1300. 10.1109/tcsvt.2006.881857
9	NI Z， SHI Y Q， ANSARI N， et al. Robust lossless image data hiding designed for semi-fragile image authentication ［J］. IEEE Transactions on Circuits and Systems for Video Technology， 2008， 18（4）： 497-509. 10.1109/tcsvt.2008.918761
10	李凌敏，侯梦然，陈琨，等.深度学习的可解释性研究综述［J］. 计算机应用，2022，42（12）： 3639-3650.
	LI L M， HOU M R， CHEN K， et al. Survey on interpretability research of deep learning［J］. Journal of Computer Applications， 2022， 42（12）： 3639-3650.
11	刘佳，柯彦，雷雨，等.生成对抗网络在图像隐写中的应用［J］. 武汉大学学报（理学版），2019，65（2）： 139-152.
	LIU J， KE Y， LEI Y， et al. Application of generative adversarial network in image steganography［J］. Journal of Wuhan University （Natural Science Edition）， 2019， 65（2）： 139-152.
12	刘明明，张敏情，刘佳，等.基于生成对抗网络的无载体信息隐藏［J］.应用科学学报，2018，36（2）： 371-382. 10.3969/j.issn.0255-8297.2018.02.015
	LIU M M， ZHANG M Q， LIU J， et al. Coverless information hiding based on generative adversarial networks ［J］. Journal of Applied Sciences， 2018， 36（2）： 371-382. 10.3969/j.issn.0255-8297.2018.02.015
13	KE Y， ZHANG M-Q， LIU J， et al. Generative steganography with Kerckhoffs’ principle ［J］. Multimedia Tools and Applications， 2019， 78（10）： 13805-13818. 10.1007/s11042-018-6640-y
14	李福海，蒋慕容，杨磊，等.基于生成对抗网络的梯度引导太阳斑点图像去模糊方法［J］. 计算机应用，2021，41（11）： 3345-3352. 10.11772/j.issn.1001-9081.2020121898
	LI F H， JIANG M R， YANG L， et al. Solar speckle image deblurring method with gradient guidance based on generative adversarial network［J］. Journal of Computer Applications， 2021， 41（11）： 3345-3352. 10.11772/j.issn.1001-9081.2020121898
15	赵杨，李波.基于增强生成器条件生成对抗网络的单幅图像去雾［J］. 计算机应用，2021，41（12）： 3686-3691.
	ZHAO Y， LI B. Single image dehazing based on conditional generative adversarial network with enhanced generator［J］. Journal of Computer Applications， 2021， 41（12）： 3686-3691.
16	BALUJA S. Hiding images in plain sight： deep steganography［C］// Proceedings of the 31st International Conference on Neural Information Processing Systems. Red Hook： Curran Associates Inc.， 2017： 2066-2076.
17	WU P， YANG Y， LI X. StegNet： mega image steganography capacity with deep convolutional network ［J］. Future Internet， 2018， 10（6）： 54. 10.3390/fi10060054
18	DUAN X， JIA K， LI B， et al. Reversible image steganography scheme based on a U-Net structure ［J］. IEEE Access， 2019， 7： 9314-9323. 10.1109/access.2019.2891247
19	RONNEBERGER O， FISCHER P， BROX T. U-net： convolutional networks for biomedical image segmentation ［C］// Proceedings of the 18th International Conference on Medical Image Computing and Computer-Assisted Intervention， LNCS 9351. Cham： Springer， 2015： 234-241.
20	ZHANG R， DONG S， LIU J. Invisible steganography via generative adversarial networks ［J］. Multimedia Tools and Applications， 2019， 78（7）： 8559-8575. 10.1007/s11042-018-6951-z
21	HAYES J， DANEZIS G. Generating steganographic images via adversarial training ［C］// Proceedings of the 31st Annual Conference on Neural Information Processing Systems. Red Hook： Curran Associates Inc.， 2017： 1951-1960.
22	HU D， WANG L， JIANG W， et al. A novel image steganography method via deep convolutional generative adversarial networks ［J］. IEEE Access， 2018， 6： 38303-38314. 10.1109/access.2018.2852771
23	ZHANG K A， CUESTA-INFANTE A， XU L， et al. SteganoGAN： high capacity image steganography with GANs ［EB/OL］. （2019-01-30）［2023-02-20］. .
24	JING J， DENG X， XU M， et al. HiNet： deep image hiding by invertible network ［C］// Proceedings of the 2021 IEEE/CVF International Conference on Computer Vision. Piscataway： IEEE， 2021： 4733-4742. 10.1109/iccv48922.2021.00469
25	GUAN Z， JING J， DENG X， et al. DeepMIH： deep invertible network for multiple image hiding［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2023， 45（1）： 372-390. 10.1109/tpami.2022.3141725
26	LU S-P， WANG R， ZHONG T， et al. Large-capacity image steganography based on invertible neural networks ［C］// Proceedings of the 2021 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2021： 10811-10820. 10.1109/cvpr46437.2021.01067
27	ZHU J， KAPLAN R， JOHNSON J， et al. HiDDeN： hiding data with deep networks ［C］// Proceedings of the 15th European Conference on Computer Vision， LNCS 11219. Cham： Springer， 2018： 682-697.
28	TANCIK M， MILDENHALL B， NG R. StegaStamp： invisible hyperlinks in physical photographs ［C］// Proceedings of the 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2020： 2114-2123. 10.1109/cvpr42600.2020.00219
29	XU Y， MOU C， HU Y， et al. Robust invertible image steganography ［C］// Proceedings of the 2022 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2022： 7875-7884. 10.1109/cvpr52688.2022.00772
30	HUANG G， LIU Z， VAN DER MAATEN L， et al. Densely connected convolutional networks ［C］// Proceedings of the 2017 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2017： 2261-2269. 10.1109/cvpr.2017.243
31	HSU C-T， WU J-L. Hidden digital watermarks in images ［J］. IEEE Transactions on Image Processing， 1999， 8（1）： 58-68. 10.1109/83.736686
32	LIN T-Y， MAIRE M， BELONGIE S， et al. Microsoft COCO： common objects in context ［C］// Proceedings of the 13th European Conference on Computer Vision， LNCS 8693. Berlin： Springer， 2014： 740-755.
33	LIU Q， XIANG X， QIN J， et al. A robust coverless steganography scheme using camouflage image ［J］. IEEE Transactions on Circuits and Systems for Video Technology， 2022， 32（6）： 4038-4051. 10.1109/tcsvt.2021.3108772
34	LI Z， ZHANG M， LIU J. Robust image steganography framework based on generative adversarial network ［J］. Journal of Electronic Imaging， 2021， 30（2）： 023006. 10.1117/1.jei.30.2.023006
35	MA R， GUO M， HOU Y， et al. Towards blind watermarking： combining invertible and non-invertible mechanisms ［C］// Proceedings of the 30th ACM International Conference on Multimedia. New York： ACM， 2022： 1532-1542. 10.1145/3503161.3547950
36	PENG F， CHEN G， LONG M. A robust coverless steganography based on generative adversarial networks and gradient descent approximation ［J］. IEEE Transactions on Circuits and Systems for Video Technology， 2022， 32（9）： 5817-5829. 10.1109/tcsvt.2022.3161419
37	VOLKHONSKIY D， NAZAROV I， BURNAEV E. Steganographic generative adversarial networks ［EB/OL］. ［2023-04-01］. . 10.1117/12.2559429
38	LIU X， CHENG M， ZHANG H， et al. Towards robust neural networks via random self-ensemble ［C］// Proceedings of the 15th European Conference on Computer Vision. Berlin： Springer， 2018： 381-397. 10.1007/978-3-030-01234-2_23
39	LUO Y， ZHOU T， LIU F， et al. IRWArt： levering watermarking performance for protecting high-quality artwork images ［C］// Proceedings of the ACM Web Conference 2023. New York： ACM， 2023： 2340-2348. 10.1145/3543507.3583489

[1]	黄云川, 江永全, 黄骏涛, 杨燕. 基于元图同构网络的分子毒性预测[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2964-2969.
[2]	潘烨新, 杨哲. 基于多级特征双向融合的小目标检测优化模型[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2871-2877.
[3]	秦璟, 秦志光, 李发礼, 彭悦恒. 基于概率稀疏自注意力神经网络的重性抑郁疾患诊断[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2970-2974.
[4]	王熙源, 张战成, 徐少康, 张宝成, 罗晓清, 胡伏原. 面向手术导航3D/2D配准的无监督跨域迁移网络[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2911-2918.
[5]	李顺勇, 李师毅, 胥瑞, 赵兴旺. 基于自注意力融合的不完整多视图聚类算法[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2696-2703.
[6]	刘禹含, 吉根林, 张红苹. 基于骨架图与混合注意力的视频行人异常检测方法[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2551-2557.
[7]	顾焰杰, 张英俊, 刘晓倩, 周围, 孙威. 基于时空多图融合的交通流量预测[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2618-2625.
[8]	石乾宏, 杨燕, 江永全, 欧阳小草, 范武波, 陈强, 姜涛, 李媛. 面向空气质量预测的多粒度突变拟合网络[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2643-2650.
[9]	吴筝, 程志友, 汪真天, 汪传建, 王胜, 许辉. 基于深度学习的患者麻醉复苏过程中的头部运动幅度分类方法[J]. 《计算机应用》唯一官方网站, 2024, 44(7): 2258-2263.
[10]	李欢欢, 黄添强, 丁雪梅, 罗海峰, 黄丽清. 基于多尺度时空图卷积网络的交通出行需求预测[J]. 《计算机应用》唯一官方网站, 2024, 44(7): 2065-2072.
[11]	张郅, 李欣, 叶乃夫, 胡凯茜. 基于暗知识保护的模型窃取防御技术DKP[J]. 《计算机应用》唯一官方网站, 2024, 44(7): 2080-2086.
[12]	赵亦群, 张志禹, 董雪. 基于密集残差物理信息神经网络的各向异性旅行时计算方法[J]. 《计算机应用》唯一官方网站, 2024, 44(7): 2310-2318.
[13]	刘丽, 侯海金, 王安红, 张涛. 基于多尺度注意力的生成式信息隐藏算法[J]. 《计算机应用》唯一官方网站, 2024, 44(7): 2102-2109.
[14]	徐松, 张文博, 王一帆. 基于时空信息的轻量视频显著性目标检测网络[J]. 《计算机应用》唯一官方网站, 2024, 44(7): 2192-2199.
[15]	孙逊, 冯睿锋, 陈彦如. 基于深度与实例分割融合的单目3D目标检测方法[J]. 《计算机应用》唯一官方网站, 2024, 44(7): 2208-2215.

基于编码-解码网络的大容量鲁棒图像隐写方案

High-capacity robust image steganography scheme based on encoding-decoding network

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 15

参考文献 39

相关文章 15

编辑推荐

Metrics