基于轮廓自动生成的构造式图像隐写方法

doi:10.11959/j.issn.1000-436x.2021174

通信学报 ›› 2021, Vol. 42 ›› Issue (9): 144-154.doi: 10.11959/j.issn.1000-436x.2021174

基于轮廓自动生成的构造式图像隐写方法

周志立¹^,², 王美民¹^,², 杨高波³, 朱剑宇¹^,², 孙星明¹^,²

¹ 南京信息工程大学数字取证教育部工程研究中心，江苏南京 210044
² 南京信息工程大学计算机与软件学院，江苏南京 210044
³ 湖南大学信息科学与工程学院，湖南长沙 410082

修回日期:2021-08-09 出版日期:2021-09-25 发布日期:2021-09-01
作者简介:周志立（1984− ），男，湖北黄冈人，博士，南京信息工程大学教授，主要研究方向为信息隐藏、数字取证、视觉密码、数字多媒体内容安全等
王美民（1996− ），男，江苏盐城人，南京信息工程大学硕士生，主要研究方向为信息隐藏、数字取证
杨高波（1974− ），男，湖南岳阳人，博士，湖南大学教授，主要研究方向为图像/视频信号处理、多媒体通信、数字媒体内容安全等
朱剑宇（1996− ），男，江苏南通人，南京信息工程大学硕士生，主要研究方向为数字水印、图像处理
孙星明（1963− ），男，湖南湘潭人，博士，南京信息工程大学教授，主要研究方向为网络与信息安全、传感器网络、自动气象观测等
基金资助:
国家重点研发计划基金资助项目(2018YFB1003205);国家自然科学基金资助项目(61972205);国家自然科学基金资助项目(61972143)

Generative steganography method based on auto-generation of contours

Zhili ZHOU¹^,², Meimin WANG¹^,², Gaobo YANG³, Jianyu ZHU¹^,², Xingming SUN¹^,²

¹ Engineering Research Center of Digital Forensics, Ministry of Education, Nanjing University of Information Science and Technology, Nanjing 210044, China
² School of Computer and Software, Nanjing University of Information Science and Technology, Nanjing 210044, China
³ College of Computer Science and Electronic Engineering, Hunan University, Changsha 410082, China

Revised:2021-08-09 Online:2021-09-25 Published:2021-09-01
Supported by:
The National Key Research and Development Program of China(2018YFB1003205);The National Natural Science Foundation of China(61972205);The National Natural Science Foundation of China(61972143)

摘要/Abstract

摘要：

为解决现有构造式隐写方法隐藏容量小和秘密信息难以提取的问题，提出一种基于轮廓自动生成的构造式图像隐写方法，具体包括以秘密信息为驱动的轮廓线生成和从轮廓线到图像变换2个过程。首先，建立基于长短期记忆网络（LSTM）的轮廓自动生成模型，实现以秘密信息为驱动的图像轮廓线生成；然后，建立基于pix2pix模型的轮廓-图像可逆变换模型，将轮廓线变换为含密图像。该模型也支持含密图像到轮廓的逆变换，从而实现秘密信息提取。实验结果表明，所提方法不仅能有效地抵抗隐写分析攻击，还能实现较高的隐藏容量和准确的秘密信息提取，性能明显优于现有的同类构造式图像隐写方法。

关键词: 构造式图像隐写, 无载体信息隐藏, 深度学习, 生成对抗网络

Abstract:

To address the problems of limited hiding capacity and inaccurate information extraction in the existing generative steganography methods, a novel generative steganography method was proposed based on auto-generation of contours, which consisted of two main stages, such as the contour generation driven by secret information and the contour-to-image transformation.Firstly, the contour generation model was built based on long short term memory (LSTM) for secret information-driven auto-generation of object contours.Then, a contour-to-image reversible transformation model was constructed based on pix2pix network to obtain the stego-image, and the model also supported the reversible transformations from the stego-image to contours for secret information extraction.Experimental results demonstrate that the proposed method not only achieves high hiding capacity and accurate information extraction simultaneously, but also effectively resists the attacks by steganalysis tools.It performs much better than the state-of-the-art generative steganographic methods.

Key words: generative steganography, coverless information hiding, deep learning, generative adversarial network

中图分类号:

TN911.73

周志立, 王美民, 杨高波, 朱剑宇, 孙星明. 基于轮廓自动生成的构造式图像隐写方法[J]. 通信学报, 2021, 42(9): 144-154.

Zhili ZHOU, Meimin WANG, Gaobo YANG, Jianyu ZHU, Xingming SUN. Generative steganography method based on auto-generation of contours[J]. Journal on Communications, 2021, 42(9): 144-154.

图/表 13

图1

图2

图3

图4

图5

表1

表2

表3

不同隐藏容量下的本文方法和SWE方法提取率对比"

Bit	本文方法	SWE方法
2×256	$0 . 0127$	0.071 9
4×256	$0 . 0145$	0.073 2
6×256	$0 . 0176$	0.079 4
8×256	$0 . 0198$	0.080 3

表3

表4

针对SRM和XuNet隐写分析器，不同隐藏容量下各类隐写方法的PE值对比"

隐写分析器	方法	Bit
隐写分析器	方法	2×256	4×256	6×256	8×256
	S-UNIWARD	0.455 8	0.452 1	0.448 9	0.441 2
SRM	UT-6HPF-GAN	0.461 7	0.465 3	0.457 6	0.451 2
	SWE方法	0.478 9	0.473 8	0.476 4	0.473 2
	本文方法	$0 . 4934$	$0 . 4902$	$0 . 4896$	$0 . 4921$
	S-UNIWARD	0.457 9	0.454 3	0.456 7	0.450 1
XuNet	UT-6HPF-GAN	0.463 4	0.460 9	0.468 9	0.453 5
	SWE方法	0.481 3	0.481 8	0.486 4	0.487 6
	本文方法	$0 . 4988$	$0 . 4995$	$0 . 5011$	$0 . 5002$

表4

图6

表5

不同隐藏比特数下生成质量对比"

Bit	SWE方法	本文方法
2×256	404.609 6	$77 . 4492$
4×256	401.378 1	$84 . 7755$
6×256	422.920 3	$89 . 7363$
8×256	437.523 9	$91 . 9796$

表5

图7

表6

参考文献 29

[1]	FILLER T , JUDAS J , FRIDRICH J . Minimizing additive distortion in steganography using syndrome-trellis codes[J]. IEEE Transactions on Information Forensics and Security, 2011,6(3): 920-935.
[2]	LIAO X , YU Y B , LI B ,et al. A new payload partition strategy in color image steganography[J]. IEEE Transactions on Circuits and Systems for Video Technology, 2020,30(3): 685-696.
[3]	付章杰, 王帆, 孙星明 ,等. 基于深度学习的图像隐写方法研究[J]. 计算机学报, 2020,43(9): 1656-1672.
	FU Z J , WANG F , SUN X M ,et al. Research on steganography of dig-ital images based on deep learning[J]. Chinese Journal of Computers, 2020,43(9): 1656-1672.
[4]	FRIDRICH J , GOLJAN M , DU R . Detecting LSB steganography in color,and gray-scale images[J]. IEEE MultiMedia, 2001,8(4): 22-28.
[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): 1-13.
[6]	LI B , WANG M , HUANG J W ,et al. A new cost function for spatial image steganography[C]// 2014 IEEE International Conference on Image Processing (ICIP). Piscataway:IEEE Press, 2014: 4206-4210.
[7]	PEVNY T , FILLER T , BAS P . Using high-dimensional image models to perform highly undetectable steganography[C]// International Workshop on Information Hiding. Berlin:Springer, 2010: 161-177.
[8]	HOLUB V , FRIDRICH J . Designing steganographic distortion using directional filters[C]// 2012 IEEE International Workshop on Information Forensics and Security (WIFS). Piscataway:IEEE Press, 2012: 234-239.
[9]	YANG J H , RUAN D Y , HUANG J W ,et al. An embedding cost learning framework using GAN[J]. IEEE Transactions on Information Forensics and Security, 2020,15: 839-851.
[10]	GOODFELLOW I , POUGET-ABADIE J ,, MIRZA M ,et al. Generative adversarial networks[J]. Communications of the ACM, 2020,63(11): 139-144.
[11]	TANG W X , LI B , BARNI M ,et al. An automatic cost learning framework for image steganography using deep reinforcement learning[J]. IEEE Transactions on Information Forensics and Security, 2021,16: 952-967.
[12]	DUAN X T , JIA K , LI B X ,et al. Reversible image steganography scheme based on a U-Net structure[J]. IEEE Access, 2019,7: 9314-9323.
[13]	FRIDRICH J , KODOVSKY J . Rich models for steganalysis of digital images[J]. IEEE Transactions on Information Forensics and Security, 2012,7(3): 868-882.
[14]	XU G S , WU H Z , SHI Y Q . Structural design of convolutional neural networks for steganalysis[J]. IEEE Signal Processing Letters, 2016,23(5): 708-712.
[15]	张新鹏, 钱振兴, 李晟 . 信息隐藏研究展望[J]. 应用科学学报, 2016,34(5): 475-489.
	ZHANG X P , QIAN Z X , LI S . Prospect of digital steganography re-search[J]. Journal of Applied Sciences, 2016,34(5): 475-489.
[16]	ZHOU Z L , SUN H Y , HARIT R ,et al. Coverless image steganography without embedding[C]// International Conference on Cloud Computing and Security. Berlin:Springer, 2015: 123-132.
[17]	周志立, 曹燚, 孙星明 . 基于图像 bag-of-words 模型的无载体信息隐藏[J]. 应用科学学报, 2016,34(5): 527-536.
	ZHOU Z L , CAO Y , SUN X M . Coverless information hiding based on bag-of-words model of image[J]. Journal of Applied Sciences, 2016,34(5): 527-536.
[18]	WU K C , WANG C M . Steganography using reversible texture synthesis[J]. IEEE Transactions on Image Processing, 2015,24(1): 130-139.
[19]	QIAN Z X , ZHOU H , ZHANG W M ,et al. Robust steganography using texture synthesis[M]. Berlin: Springer, 2017.
[20]	MEGíAS D . Improved privacy-preserving P2P multimedia distribution based on recombined fingerprints[J]. IEEE Transactions on Dependable and Secure Computing, 2015,12(2): 179-189.
[21]	LI S , ZHANG X P . Toward construction-based data hiding:from secrets to fingerprint images[J]. IEEE Transactions on Image Processing, 2019,28(3): 1482-1497.
[22]	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.
	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.
[23]	HU D H , WANG L , JIANG W J ,et al. A novel image steganography method via deep convolutional generative adversarial networks[J]. IEEE Access, 2018,6: 38303-38314.
[24]	HOCHREITER S , SCHMIDHUBER J . Long short-term memory[J]. Neural Computation, 1997,9(8): 1735-1780.
[25]	YANG Z L , GUO X Q , CHEN Z M ,et al. RNN-stega:linguistic steganography based on recurrent neural networks[J]. IEEE Transactions on Information Forensics and Security, 2019,14(5): 1280-1295.
[26]	MIRZA M , OSINDERO S . Conditional generative adversarial nets[J]. arXiv Preprint,arXiv:1411.1784, 2014.
[27]	ISOLA P , ZHU J Y , ZHOU T H ,et al. Image-to-image translation with conditional adversarial networks[C]// 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). Piscataway:IEEE Press, 2017: 5967-5976.
[28]	RONNEBERGER O , FISCHER P , BROX T . U-Net:convolutional networks for biomedical image segmentation[C]// International Conference on Medical Image Computing and Computer-Assisted Intervention. Berlin:Springer, 2015: 234-241.
[29]	CANNY J . A computational approach to edge detection[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1986,8(6): 679-698.

λ	μ =1		μ=50		μ=100
λ	BER	EMD	BER	EMD	BER	EMD
1	0.015 8	0.027 8	0.015 4	0.029 1	0.015 5	0.029 6
50	0.016 1	0.026 1	0.015 7	0.028 1	0.015 8	0.028 7
100	0.017 2	0.026 2	0.016 2	0.027 9	0.015 8	0.026 9

l	Bit	BER	EMD
2	2×256	0.012 7	0.020 5
4	4×256	0.014 5	0.027 0
6	6×256	0.017 6	0.026 6
8	8×256	0.019 8	0.055 5

方法	生成模型		生成器		判别器		提取器		BER	P_E	EMD
方法	LSTM	RNN	U-Net	Encoder-decoder	PatchGAN	GAN	U-Net	Canny算子	BER	P_E	EMD
方法1	×	√	√	×	√	×	√	×	0.015 1	0.421 3	0.184 4
方法2	√	×	×	√	√	×	√	×	0.048 2	0.488 1	0.049 7
方法3	√	×	√	×	×	√	√	×	0.019 4	0.481 5	0.031 9
方法4	√	×	√	×	√	×	×	√	0.093 2	0.489 6	0.027 7
本文方法	√	×	√	×	√	×	√	×	0.014 5	0.490 2	0.026 0
注：√表示采用此结构，×表示不采用此结构。

基于轮廓自动生成的构造式图像隐写方法

Generative steganography method based on auto-generation of contours

在线阅读

PDF下载

可视化

摘要/Abstract

引用本文

使用本文

图/表 13

参考文献 29

相关文章 15

Metrics

推荐阅读 0

[1]	陈东昱, 陈华, 范丽敏, 付一方, 王舰. 基于深度学习的随机性检验策略研究[J]. 通信学报, 2023, 44(6): 23-33.
[2]	李荣鹏, 汪丙炎, 张宏纲, 赵志峰. 知识增强的语义通信接收端设计[J]. 通信学报, 2023, 44(6): 70-76.
[3]	马帅, 裴科, 祁华艳, 李航, 曹雯, 王洪梅, 熊海良, 李世银. 基于生成模型的地磁室内高精度定位算法研究[J]. 通信学报, 2023, 44(6): 211-222.
[4]	张佳乐, 朱诚诚, 孙小兵, 陈兵. 基于GAN的联邦学习成员推理攻击与防御方法[J]. 通信学报, 2023, 44(5): 193-205.
[5]	苏新, 张桂福, 行鸿彦, Zenghui Wang. 基于平衡生成对抗网络的海洋气象传感网入侵检测研究[J]. 通信学报, 2023, 44(4): 124-136.
[6]	刘延华, 李嘉琪, 欧振贵, 高晓玲, 刘西蒙, MENG Weizhi, 刘宝旭. 对抗训练驱动的恶意代码检测增强方法[J]. 通信学报, 2022, 43(9): 169-180.
[7]	王延文, 雷为民, 张伟, 孟欢, 陈新怡, 叶文慧, 景庆阳. 基于生成模型的视频图像重建方法综述[J]. 通信学报, 2022, 43(9): 194-208.
[8]	杨洁, 董标, 付雪, 王禹, 桂冠. 基于轻量化分布式学习的自动调制分类方法[J]. 通信学报, 2022, 43(7): 134-142.
[9]	李昂, 陈建新, 魏昕, 周亮. 面向6G的跨模态信号重建技术[J]. 通信学报, 2022, 43(6): 28-40.
[10]	杨秀璋, 彭国军, 李子川, 吕杨琦, 刘思德, 李晨光. 基于Bert和BiLSTM-CRF的APT攻击实体识别及对齐研究[J]. 通信学报, 2022, 43(6): 58-70.
[11]	廖勇, 王世义. 高速移动环境下基于RM-Net的大规模MIMO CSI反馈算法[J]. 通信学报, 2022, 43(5): 166-176.
[12]	廖育荣, 王海宁, 林存宝, 李阳, 方宇强, 倪淑燕. 基于深度学习的光学遥感图像目标检测研究进展[J]. 通信学报, 2022, 43(5): 190-203.
[13]	赵增华, 童跃凡, 崔佳洋. 基于域自适应的Wi-Fi指纹设备无关室内定位模型[J]. 通信学报, 2022, 43(4): 143-153.
[14]	段雪源, 付钰, 王坤. 基于VAE-WGAN的多维时间序列异常检测方法[J]. 通信学报, 2022, 43(3): 1-13.
[15]	向夏雨, 王佳慧, 王子睿, 段少明, 潘鹤中, 庄荣飞, 韩培义, 刘川意. 基于生成对抗网络技术的医疗仿真数据生成方法[J]. 通信学报, 2022, 43(3): 211-224.