基于深度学习的图像隐写技术研究.pdf

目录

摘要I

AbstractII

第一章绪论4

1.1研究背景及意义4

1.2国内外研究现状5

1.2.1传统图像隐写算法5

1.2.2基于深度学习的图像隐写算法9

1.2.3隐写相关应用11

1.3主要研究工作及内容安排11

第二章基于深度学习的图像隐写技术研究基础14

2.1生成对抗网络的基本原理14

2.1.1生成对抗网络概述14

2.1.2生成对抗网络原理15

2.1.3生成对抗网络训练过程16

2.2注意力机制相关知识17

2.2.1注意力机制的产生17

2.2.2注意力机制原理18

2.3数据集及评价指标19

2.3.1COCO数据集19

2.3.2Hollywood2数据集20

2.3.3评价指标20

第三章基于生成对抗网络的抗裁剪图像隐写方法22

3.1ACIS的网络结构22

3.1.1相关符号23

3.1.2编码器23

3.1.3噪声层26

3.1.4解码器26

3.1.5评价器27

3.1.6损失函数28

3.2实验结果和分析28

3.2.1实现细节28

3.2.2对比实验29

3.2.3消融实验31

3.2.4隐写分析32

3.3本章小结34

第四章基于自注意力机制的图像隐写方法35

4.1基于自注意力机制的图像隐写方法35

4.1.1相关符号36

4.1.2注意力模块37

4.1.3编码器38

4.1.4噪声层39

4.1.5解码器39

4.1.6评价器40

4.1.7损失函数41

4.2实验结果和分析42

4.2.1实现细节42

4.2.2对比实验42

4.2.3隐写分析44

4.3本章小结45

第五章总结与展望46

5.1全文工作总结46

5.2研究展望47

参考文献49

致谢54

攻读硕士学位期间主要研究成果55

贵州师范大学学位论文原创性声明错误！未定义书签。

贵州师范大学学位论文使用授权书错误！未定义书签。

摘要

摘要

图像隐写术旨在将一些机密数据嵌入到非机密的载体中来隐藏某些秘

密数据，被广泛应用于秘密通信中。一个好的图像隐写算法需要同时满足

隐蔽性和有效负载容量两个方面的要求。传统的隐写方法鲁棒性差，隐写

容量小，对空域的各种操作较为敏感，容易丢失信息。并且传统隐写方法

的抗隐写分析能力较差，易被检测出来。现有的基于深度学习的图像隐写

技术能够实现大容量、强鲁棒性以及抗隐写分析能力。本文为解决这些问

题，在隐写算法鲁棒性、抗隐写分析能力及隐写容量方面对基于深度学习

的图像隐写技术进行研究。论文的主要贡献总结如下：

（1）针对传统隐写方法鲁棒性较差，且容易被隐写分析工具攻击的

情况，提出了一种基于生成对抗网络的抗裁剪图像隐写方法。通过在训练

中引入噪声层模拟现实传输过程中所遇到的噪声攻击，以提高载密图像的

鲁棒性，提升解码器在遭受噪声攻击情况下的解码准确率。该方法可以抵

抗裁剪攻击，并对隐写分析工具具有抵抗力，实验