基于深度学习的信息隐藏技术的研究总结(一)

信息隐藏技术的相关知识总结

你好! 本人关于信息隐藏方面的研究很久了,主要是利用深度学习方面的技术来实现。由于电脑等原因,一些东西就找不到了,所以想通过写博客的方式进行记录,一方面是对学过的东西、技术进行总结,方便以后使用,另一方面有相关方面研究的同学提供一下借鉴。欢迎大家一起交流,不足之处,请大家提出宝贵意见!!!

下面主要是一些相关背景知识,大家看看就行。

目录

什么是信息隐藏技术?

信息隐藏技术将秘密信息隐藏在一些公开的多媒体信息(如文本、图像和音频)中,在信息传递过程中不会引起信道中第三方的注意,达到证实载体信息所有权、数据完整性或隐蔽通信的目的。

背景意义

随着网络的普及、信号处理技术和通信手段的飞速发展,存储、处理和传输各种形式的多媒体数据变得越加便捷,为互联网资源共享提供了便利条件。与此同时,网络信息的安全传输也变得越加重要。因此,在如今的发展环境下,信息安全技术对于信息安全有着重要的意义。

信息隐藏技术的历史

信息隐藏的思想起源于隐写术,按照应用不同,可分为技术性隐写术、语言隐写术和版权保护隐写术。
技术性隐写术:最初的信息隐藏技术追溯到古希腊战争时期,奴隶主将秘密信息写在奴隶的光头上,等奴隶的头发长起来后再去另一个部落,从而实现了部落之间的秘密通信。隐形墨水、写字板。
语言隐写术:中国的“藏头诗”。
版权保护隐写术:Claude Lorrain 的署名图像目录。
1996年5月30日至6月1日,英国剑桥召开第一届信息隐藏学术研讨会。国际许多大学、公司一直致力于信息隐藏技术方面的研究。
国内信息隐藏技术从1999年兴起,标志是全国信息隐藏学术研讨会召开。

信息隐藏技术与密码技术的区别

当前,信息主要有两种基本保护方法,即密码信息隐藏
密码技术主要通过加密手段保证传输信息的机密性,对发送方和接收方来说,只有拥有正确密钥的通信双方才能实现保密通信。但随着密码分析技术的发展及计算机处理速度的提高,传统密码体系受到了严峻挑战;而且,在传统密码技术中,密文常为乱码,易引起攻击者的怀疑,攻击者即便不能破解密文,也能干扰通信过程甚至破坏通信过程。密码技术的局限性促使信息隐藏技术产生和发展。
信息隐藏技术将秘密信息隐藏在一些公开的多媒体信息(如文本、图像和音频)中,在信息传递过程中不会引起信道中第三方的注意,达到证实载体信息所有权、数据完整性或隐蔽通信的目的。
“计算机网络是密码学的母亲,而互联网就是现代信息隐藏技术的母亲。”

信息隐藏技术的分类

信息隐藏技术是一个大类,包含很多分类,许多人会把信息隐藏技术认为是隐写术。主要分类如图。
按照技术类型分类:










信息隐藏技术 数字隐写技术 隐写分析技术 数字水印 鲁棒水印 可见水印 不可见水印 脆弱水印 零水印 版权标志技术 数字媒体取证技术

按载体类型分类:




信息隐藏技术 文本 图像 音频 视频

按是否需要密钥分类:这分类与密码学有一定关系。




信息隐藏技术 无密钥信息系统 有密钥信息系统 非对称密钥信息隐藏系统 对称密钥信息隐藏系统

信息隐藏技术的基本特征

不可感知性

载体不同,评价标准有差别。主要图像、音频、视频这些载体,各位自行查找。这里我以图像为例。

主观评价标准

这个评价是根据人眼评价,是最基本最快的评价标准。

客观评价标准

评价图像质量客观度量主要是基于秘密信息隐藏前后的图像对应像素的差分失真度量,主要有以下几种:
MSE(Mean Square Error)均方误差,是真实值与预测值的差值的平方然后求和平均。
PSNR(Peak Signal to Noise Ratio),峰值信噪比,即峰值信号的能量与噪声的平均能量之比,通常表示的时候取 log 变成分贝(dB),值越大,图像质量越好。
SSIM(structural similarity index),即为结构相似性,是一种衡量两幅图像相似度的指标。该指标首先由德州大学奥斯丁分校的图像和视频工程实验室(Laboratory for Image and Video Engineering)提出。而如果两幅图像是压缩前和压缩后的图像,那么SSIM算法就可以用来评估压缩后的图像质量。
学习感知图像块相似度(Learned Perceptual Image Patch Similarity, LPIPS)也称为“感知损失”(perceptual loss),用于度量两张图像之间的差别。来源于CVPR2018的一篇论文《The Unreasonable Effectiveness of Deep Features as a Perceptual Metric》,该度量标准学习生成图像到Ground Truth的反向映射强制生成器学习从假图像中重构真实图像的反向映射,并优先处理它们之间的感知相似度。LPIPS 比传统方法(比如L2/PSNR, SSIM, FSIM)更符合人类的感知情况。LPIPS的值越低表示两张图像越相似,反之,则差异越大。
深度学习领域对图像是评价指标还有IS(Inception Score)、FID(Fréchet Inception Distance)、Mode Score等等。
详细可以学习GAN评价指标最全汇总:https://zhuanlan.zhihu.com/p/109342043

鲁棒性

鲁棒性是指嵌入算法要有一定的稳定性,在传递过程中出现一定失真和干扰情况下,保持低错误率下将嵌入信息恢复出来,保持原有嵌入信息的完整性和可靠性。通常用误码率(BER)来衡量。

隐藏容量

载体可以隐藏秘密信息的最大比特数。常用bpp即每个像素可以隐藏的比特数来衡量。

安全性

可以用密码技术的kerckhoffs准则来衡量。但是我认为,这适用于有密钥的信息隐藏系统,对于无密钥的信息隐藏系统不适用。关于信息隐藏算法的安全性有待加以研究。

错误率

提取过程中出错的概率。隐写术用错误率;水印分为确认错误率和否认错误率。

    原文作者:岁月长又长
    原文地址: https://blog.csdn.net/weixin_44886162/article/details/122029693
    本文转自网络文章,转载此文章仅为分享知识,如有侵权,请联系博主进行删除。
点赞