本发明专利技术公开了一种基于安全性导向的多图像隐写载荷分配方法，涉及网络安全技术领域，利用两个预训练的神经网络模型，载体图像选择和载荷分配，具体来说，首先使用预训练的SRNet从两个图像数据集中筛选出适合作为载体图像的图像，然后，使用预训练的UT‑GAN为每个选定的载体图像分配合适的嵌入载荷，在UT‑GAN的帮助下，将所选图像隐写到载体图像中，以达到预期的载荷长度，最后，将生成的隐写图像与载体图像合并，通过共享信道发送给接收方，作为多图像隐写术的观察者，使每幅图像的有效载荷嵌入量尽量达到其最大隐写容量，同时尽量降低了载密图像的可探测性，这样可以用更少的图像传输更多的秘密信息，增强了隐写的安全性。
【技术实现步骤摘要】
本专利技术涉及网络安全，具体涉及一种基于安全性导向的多图像隐写载荷分配方法。
技术介绍
1、图像隐写术是一项网络安全技术，旨在通过在载体图像中隐藏秘密信息而不引起攻击者怀疑。这项技术在多个领域广泛应用，包括隐私和知识产权保护、通信安全和反审查、数字取证和认证等。据统计数据显示，到2023年，全球图像隐写术市场规模已达10亿美元，过去五年的复合增长率达到了14.7％。在这些技术方法中，最低有效位(lsb)方法占据了35％的技术份额。
2、然而，早期的图像隐写术方法主要关注将对覆盖图像的修改次数降至最低。随后，引入了用于最小化加性失真的syndrome-trelliscodes(stc)，使得隐写术人员只需关注隐写成本函数的设计。stc不仅能确保最小化全局失真，还能帮助将秘密信息嵌入到安全位置。这种方法在保证隐写质量的同时提供了一定的安全性。然而，随着攻击者隐写分析技术的不断进步，传统的图像隐写方法可能面临风险，安全性大大降低。为了应对这些挑战，研究人员开始将对抗学习和强化学习等技术融入隐写术中，以提高其安全性。
3、隐写分析术是一种研究和分析隐藏在数字媒体中秘密信息的方法。隐写分析术是一种探测和解读数字媒体中隐藏的秘密信息的技术。它从最初的基于频域的方法演变为基于机器学习和神经网络的方法。这些方法能够通过多层结构提取图像的深层特征，实现高效的隐写检测。近年来，基于深度学习的图像隐写分析术也取得了飞速的进展，对隐写术的安全性提出了更高的挑战。
4、然而，现有的图像隐写技术还需要解决以下几个问题：</p>5、1.容量限制：由于互联网图像的数量呈指数增长，而单个图像的隐写容量有限，隐写术人员在实际应用中，尤其是在传输大量秘密信息时，需要在多个载体图像上合理分配有效载荷，并采用适当的策略。
6、2.载体图像选择问题：在多图像隐写术中，载体图像的选择是一个关键问题。早期的方法通常根据psnr(峰值信噪比)和隐写图像修改率等经验性指标来选择载体图像，但这对性能的提升有限。近期的研究者提出了根据纹理复杂度来选择载体图像的方法，以获得更好的性能。还有人建议将嵌入失真与处理失真或图像相似性结合起来选择载体图像。然而，这些方法仍然是基于经验的，没有在载体图像和其安全性之间建立直接的联系。
7、3.安全性问题：随着技术的发展，攻击者也越来越了解隐写术，并可能使用先进的分析方法来检测隐藏的信息。因此，图像隐写术需要不断更新和改进，以应对新的攻击和威胁。
技术实现思路
1、本专利技术的目的是提供一种基于安全性导向的多图像隐写载荷分配方法，以解决
技术介绍
中不足。
2、为了实现上述目的，本专利技术提供如下技术方案：一种基于安全性导向的多图像隐写载荷分配方法，所述分配方法包括以下步骤：
3、s1：隐写载体选择
4、s1.1：从图像数据集中随机选取一部分图像作为训练数据；
5、s1.2：通过隐写算法对训练数据进行隐写处理，将一些随机的信息嵌入到图像中，形成隐写图像；
6、s1.3：使用旋转和转置变换对训练数据进行数据增强，并对图像进行几何变换；
7、s1.4：利用反向传播和adam优化器使用训练数据训练srnet模型，得到输出图像是否含有隐写信息的概率的神经网络模型；
8、s1.5：使用预训练的srnet模型，对数据集中的每幅图像进行隐写概率的计算，然后根据隐写概率的大小，选择那些最低的图像作为载体图像；
9、s2：隐写载荷分配
10、s2.1：使用srnet模型对数据集中的图像进行安全性评估，并按照安全性从高到低的顺序排序图像；
11、s2.2：将秘密信息平均分配给每幅图像，使得每幅图像的有效载荷长度为m/n，其中m是秘密信息的总长度，n是图像的数量；
12、s2.3：从安全性最高的图像开始，嵌入剩余的秘密信息ri，其中ri是第i幅图像的剩余有效载荷，若嵌入后的图像通过srnet模型的检测，就继续嵌入ri，若嵌入后的图像不能通过srnet模型的检测，嵌入ri/2，并将剩余的ri/2留给下一幅图像，将图像转化为相应的嵌入概率图，并按照概率从大到小的顺序嵌入修改内容。
13、在一个优选的实施方式中，从图像数据集中随机选取一部分图像作为训练数据，图像数据集中数据的一部分来自uc-merced-land-use-dataset的1,260幅图像，另一部分来自nwpu-resisc45的18,900幅图像。
14、在一个优选的实施方式中，所述隐写算法包括用suniward算法、wow算法和hill算法，为suniward算法、wow算法各分配8,064幅图像，为hill算法分配12,096幅图像。
15、在一个优选的实施方式中，从安全性最高的图像开始，嵌入剩余的秘密信息ri，其中ri是第i幅图像的剩余有效载荷，若嵌入后的图像通过srnet模型的检测，就继续嵌入ri，若嵌入后的图像不能通过srnet模型的检测，嵌入ri/2，并将剩余的ri/2留给下一幅图像，将图像转化为相应的嵌入概率图，并按照概率从大到小的顺序嵌入修改内容，包括以下步骤：
16、根据预先训练的srnet模型对数据集图像的隐写安全性进行降序排序；
17、初始化每幅图像的嵌入有效载荷，使有效载荷平均分配，使得每幅图像的嵌入有效载荷长度为m/n；
18、从安全级别最高的图像开始，嵌入剩余的秘密信息ri，若嵌入后图像通过预先训练好的srnet模型的检测，嵌入长度为ri的秘密信息，否则嵌入该长度的一半ri/2；
19、使用ut-gan对每幅图像生成一个嵌入概率图，表示每个像素的嵌入概率，按照概率从高到低的顺序，将秘密信息的每一位嵌入到相应的像素中。
20、在上述技术方案中，本专利技术提供的技术效果和优点：
21、1、本专利技术充分利用图像最大隐写容量，能够根据每个载体图像的最大隐写容量，动态分配有效载荷信息。这样，不仅可以在每个图像中嵌入更多的秘密信息，提高系统的数据传输效率，而且还可以减少所需的载体图像数量，提高多图像隐写的效率和可用性。
22、2、本专利技术提高多图像隐写的安全性，通过选择最安全的载体图像来嵌入秘密信息，从而有效地避免了隐写分析网络srnet的检测，极大地提高了安全性。通过将图像选择与图像安全性紧密联系起来，确保所选载体图像具有强大的抗隐写分析能力，从而防止未经授权的人员窃取隐藏的信息。
本文档来自技高网...
【技术保护点】
1.一种基于安全性导向的多图像隐写载荷分配方法，其特征在于：所述分配方法包括以下步骤：
2.根据权利要求1所述的一种基于安全性导向的多图像隐写载荷分配方法，其特征在于：从图像数据集中随机选取一部分图像作为训练数据，图像数据集中数据的一部分来自UC-Merced-Land-Use-Dataset的1,260幅图像，另一部分来自NWPU-RESISC45的18,900幅图像。
3.根据权利要求2所述的一种基于安全性导向的多图像隐写载荷分配方法，其特征在于：所述隐写算法包括用SUNIWARD算法、WOW算法和HILL算法，为SUNIWARD算法、WOW算法各分配8,064幅图像，为HILL算法分配12,096幅图像。
4.根据权利要求3所述的一种基于安全性导向的多图像隐写载荷分配方法，其特征在于：从安全性最高的图像开始，嵌入剩余的秘密信息Ri，其中Ri是第i幅图像的剩余有效载荷，若嵌入后的图像通过SRNet模型的检测，就继续嵌入Ri，若嵌入后的图像不能通过SRNet模型的检测，嵌入Ri/2，并将剩余的Ri/2留给下一幅图像，将图像转化为相应的嵌入概率图，并按照概率从大到小的顺序嵌入修改内容，包括以下步骤：
...
【技术特征摘要】
1.一种基于安全性导向的多图像隐写载荷分配方法，其特征在于：所述分配方法包括以下步骤：
2.根据权利要求1所述的一种基于安全性导向的多图像隐写载荷分配方法，其特征在于：从图像数据集中随机选取一部分图像作为训练数据，图像数据集中数据的一部分来自uc-merced-land-use-dataset的1,260幅图像，另一部分来自nwpu-resisc45的18,900幅图像。
3.根据权利要求2所述的一种基于安全性导向的多图像隐写载荷分配方法，其特征在于：所述隐写算法包括用suniward算法、wow...
【专利技术属性】
技术研发人员：吴畑，胡轩，刘春年，朱益平，
申请(专利权)人：南昌大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。