专利交易市场

本申请是一种基于图像隐写的后门攻击方法，包括：S1、构建图像隐写网络和图像变换网络；S2、将有毒图像进行空间变换后得到第一触发器；S3、将经过空间变换的有毒图像反向输入攻击网络，还原得到第二触发器；S4、根据第一触发器和第二触发器的距离损失构建图像隐写网络的隐写损失函数；S5、对图像隐写网络进行迭代训练；S6、通过有毒图像进行后门攻击。在训练隐写网络时，基于触发器的变形程度构建损失函数，通过损失函数的反向传播使得图像隐写网络生成能够适应图像变换的有毒图像，本申请生成的有毒图像即使经过图像变换处理，也能够在受害者模型中触发攻击，使得受害者模型识别出对应的目标标签。

本发明公开了一种基于卷积神经网络和频域注意力的图像隐写方法，涉及信息隐藏领域，特别是图像隐写这一应用领域。目前的深度学习方法只在空间域进行数字图像的信息隐藏，本发明基于卷积神经网络，增加频域注意力机制，关注于频域空间上的中低频部分，调整卷积神经网络模型的深度，模型能更好提取到频域上的特征。本发明能有效地将秘密信息嵌入图像中，且含密图像与原始图像的相似度高，且能根据含密图像准确地提取秘密信息。

本发明公开了一种基于SE‑ResNet的图像隐写方法，具体包括如下步骤：步骤1，获取秘密图像Memb和载体图像Icover的B通道Icover‑B；步骤2，将步骤1中的得到的秘密图像Memb和载体图像Icover的B通道Icover‑B分别输入到编码网络中，获取级联后的特征图；步骤3，将步骤2中得到的级联特征图经过3个SE‑ResNet块和2个卷积层得到最终的隐写图像的B通道Istego‑B；步骤4，根据步骤3所得结果获取隐写图像Istego；步骤5，提取得到秘密图像Mext。采用本发明提高了图像隐写的容量，增强了图像的不可见性，使得秘密信息不易被检测出来。

本发明提供一种基于生成对抗网络的端到端JPEG域图像隐写方法。该方法由三部分完成：编码器，解码器以及判别器。生成对抗网络的生成网络部分由编码器与解码器联合构成，对抗部分由判别器完成。编码器负责秘密信息的嵌入，解码器负责秘密信息的提取，判别器对载体图像和载密图像进行区分，将该分类误差作为损失函数来进行对抗训练，不断提升生成对抗网络的性能。另外加入干扰层用于模拟实际传输信道中会受到的常见干扰。本发明提出的针对JPEG域图像的隐写方法通过修改DCT系数的方式对JPEG图像进行秘密信息的嵌入与提取，具有较强的实用性；训练过程中添加干扰层，提高了算法在实际应用场景下的鲁棒性；通过与判别器进行对抗训练，增强了隐写算法的安全性。

本发明公开了一种基于生成对抗网络的空域图像隐写方法，通过利用U型结构的生成网络将载体图像转换为概率图，然后利用双曲正切编码模块对概率图进行编码，生成篡改点图，并将载体图像与篡改点图相加，生成载密图像；再利用隐写分析网络对载体图像和载密图像进行区分，并将分类结果以误差的形式反馈回生成网络；最后将训练好的生成网络和编码模块组合在一起，作为最终的空域图像隐写模型，对整个模型输入载体图像，输出载密图像。本发明还公开了一种基于生成对抗网络的空域图像隐写系统，包括生成网络模块、编码模块和图像隐写模块。本发明所提出的基于生成对抗网络的空域图像隐写方法在安全性方面有明显提升，并且设计简单。

本发明公开一种基于编码‑解码网络的大容量以图藏图方法和系统，属于图像处理技术领域，其将一张载体图像和两张秘密图像输入到基于Res2Net‑Inception‑SE模块的双分支编码网络，得到含密图像，再将含密图像输入到W‑Net解码网络，得到重构的两张秘密图像，根据含密图像质量、重构秘密图像质量设计混合损失函数，并将其作为隐写网络的总损失函数，以最小化损失函数为目标优化隐写网络，当损失下降并保持稳定时认为训练结束；较已有算法相比，本发明具有高隐藏容量以及高隐蔽性。

本发明公开了一种基于像素块的自适应图像纹理区隐写方法。主要为了提高载密图视觉和统计的不可见性，优先选择纹理区隐写，定义了一种像素块纹理复杂度的度量标准，根据度量标准和隐写容量选择阈值，根据最优阈值和度量标准选择纹理区。为了最小化失真度，设计了嵌入模板以及将嵌入模板对应的相邻像素对作为嵌入组，利用钻石编码实现隐写，并且对嵌入密钥进行两层加密。该发明嵌密阶段保证密信加密与二进制序列的转换，再把二进制序列嵌入纹理区，提取阶段保证从载密图中提取二进制序列，从而解码与还原密信。利用该发明选择的纹理区和对应嵌入模板隐写密信，能够提高隐写安全性。