兼具建構性與可預測性之雙影像可逆式藏密演算法

Keywords

深度學習、影像生成、可逆藏密學、可預測性、雙偽裝影像

Download

Download Full Journal(Google drive) (opens in a new tab)

專題報告

專題簡介

本專題希望提出一個具備高藏量、高彈性、建構性、與可預測性的雙影像 可逆式藏密演算法

使用了以下技術

• 兩階段藏密、彈性的進制達成高藏密量
  • 嵌入 7 進制秘密訊息時，嵌入率為每像素 3.48 位元 (bpp)
• 機器學習影像分群提高彈性
• 深度學習影像生成演算法來達到建構性*
• 數學推導出期望變動量公式進而得到預期藏密量

專題貢獻

我們的演算法具備四項優勢

 一、首創影像生成與可逆式影像藏密的結合

 二、採用建構式影像提升對抗偽裝偵測的能力

 三、高度彈性的藏密量，進制為 7 時，可以嵌入 130,400 英文字母

 四、可預測的變動量

研究方法 - 系統流程圖

研究方法 - 第一階段 single-base 藏密法

研究方法 - 第二階段雙影像可逆式藏密演算法

實驗結果

藏密量

• 我們的演算法相比 4 篇文獻論文: 可提供更高的藏密量

• 我們的演算法在實際藏密前，便可精確預測出藏密量與產出影像之變動量

RS偽裝偵測

• P value表示RS偽裝偵測判定該影像的預測嵌入量
• p值範圍介於 -1~1 ，若一偽裝影像之
• p值趨近或小於0，表RS偵測並未認定為偽裝影像
• p值趨近於1，則表RS偵測判定此影像經過完整藏密
• 根據下表結果，我們的演算法在各參數組合下皆有能力抵抗RS偽裝偵測

影像成果

結論

綜合以上報告，我們的演算法

 一、利用兩階段藏密與可變進制達到相當高的藏密量

 二、利用可變動的參數組合使演算法具備高彈性

 三、利用建構性影像等方式躲避偽裝偵測，增加隱密性

 四、在藏密前可計算出藏密量與影像期望變動量，省下尋找最佳參數的時間成本