基于深度神经网络的大容量可逆图像隐写研究

发布时间：2024-03-24 16:58

　　可逆图像隐写是信息隐藏领域的研究热点。与鲁棒水印不同,可逆图像隐写强调秘密数据的提取和宿主图像恢复的高质量。当前的可逆图像隐写技术通过轻微地修改载体图像,根据特定规则在载体图像中嵌入秘密信息,并允许合法用户在提取该秘密信息后无失真地恢复出原始载体图像。然而,传统的可逆图像隐写方法存在隐藏容量低以及嵌入容量大时造成图像失真问题。鉴于最近将深度神经网络与隐写分析相结合取得了重大突破,但将神经网络应用到可逆图像隐写的尝试相对较少。所以本文采用深度模型来进行可逆图像隐写,利用深度卷积神经网络隐式地模拟自然图像的分布,并将更多的信息(全尺寸图像)嵌入到载体图像中。深度神经网络决定了秘密信息在载体图像上的隐藏位置以及如何有效地对其进行编码,隐藏的消息分散在载体图像中的各个比特位中。其次,使用生成模型中的边界均衡生成对抗网络(BEGAN)来训练用于图像隐写的码本数据库,然后使用码本数据库来对需要传输的秘密图像进行可逆的图像恢复。主要工作概括如下:(1)针对传统的图像隐写方法隐藏容量低及明显的视觉暗示问题,提出一种基于U-Net结构的可逆图像隐写方法。首先,采取成对训练的方式,训练的深度卷积神经网络包...

【文章页数】：65 页

【学位级别】：硕士

【部分图文】：

图2-4激活函数曲线图

第二章相关基础知识9数可导，所以可以用最优化的方法来学习网络参数[67]。在本文中，选择使用了Sigmoid激活函数[68]、LeakyReLU激活函数[69]和ReLU激活函数[70]。其中本文的Sigmoid激活函数的数学表达式，见式(2-1)：1(z)1zfe(2-1)其导....

图2-6卷积神经网络的卷积过程

第二章相关基础知识13的滤波器被用于提取图像局部区域的特征，不同的滤波器相当于不同的图像特征提取器，从而计算出图像不同区域的特征。卷积操作如图2-6所示，在图的下方是一个5×5输入矩阵，卷积核是一个3×3的矩阵。卷积操作包括卷积核数量k、卷积核大小f、步长s和填充p。其计算的形式....

图2-7反卷积过程示意图

基于深度神经网络的大容量可逆图像隐写研究141.二维的离散卷积(N2)2.方形的特征输入(12iii)3.方形卷积核尺寸(12kkk)4.每个维度相同的步长(12sss)5.每个维度相同的padding(12ppp)图2-7反卷积过程示意图上图表示的是参数为(i2,k3,s1,p....

图2-10原始的GAN原理[81]

第二章相关基础知识17图2-10原始的GAN原理[81]下面是整个GAN的训练具体步骤：1.从样本dataPx采样m个样本12,,,mxxx。2.从先验分布priorPz中采样m个噪声样本12,,,mzzz3.获得生成的数据12,,,,miixxxxGz4.更新判别器参数d使其最....

本文编号：3937763