近年来,为了保护开放环境中的敏感信息,已经提出了许多安全技术[[1], [2], [3], [4], [5], [6], [7], [8]]。其中,图像隐写技术成为一种有效的手段,可以在数字图像中隐藏秘密数据,使得嵌入数据的存在难以察觉。在过去几十年中,开发了多种图像隐写方法,包括直方图平移[6]、差异扩展(DE)[7]和基于无损压缩的技术[8]。
在某些情况下,数字图像本身可能包含敏感信息,例如面部照片或医学扫描图像。然而,传统的图像隐写技术无法保护这些覆盖图像的内容。为了解决这一限制,开发了密码空间图像隐写技术,也称为加密图像中的可逆数据隐藏(RDH-EI)。除了嵌入秘密数据外,这种方法还在上传到云端之前对数字图像进行加密,从而确保了隐私保护。根据秘密数据和图像加密的顺序,现有的密码空间图像隐写方法可以分为三类:加密前预留空间(RRBE)[[9], [10], [11], [12]]、通过加密释放空间(VRBE)[[13], [14], [15]]以及加密后释放空间(VRAE)[[16], [17], [18], [19], [20]]。然而,这些方法大多数依赖于密钥,这本身存在几个挑战。密钥的泄露可能导致未经授权的访问、数据泄露和敏感信息的潜在滥用。此外,随着云用户数量的增加,密码密钥的管理和分发变得越来越复杂和低效,从而限制了这类系统的可扩展性。
卷积神经网络(CNN)[[21], [22], [23]]的快速发展激发了人们对隐写技术的浓厚研究兴趣。基于CNN的隐写技术大致可以分为基于覆盖图像的方法和无覆盖图像的方法。在基于覆盖图像的方法中,提供一个覆盖图像,目标是生成一个在视觉上类似于给定覆盖图像的隐写图像,同时嵌入秘密数据[24]。相比之下,无覆盖图像的方法直接从秘密数据本身生成隐写图像,无论是通过特征映射[25,26]还是直接生成[[27], [28], [29], [30]]。在基于CNN的方案中,最简单的配置通常包括一个编码网络和一个解码网络[[24], [25], [26]]。训练完成后,发送者使用编码网络将秘密数据嵌入到隐写图像中,而接收者使用解码网络提取秘密数据。这些方案旨在最小化隐写图像和覆盖图像之间的视觉差异,并最大化秘密数据提取的准确性。一些基于GAN的方法通过引入额外的判别器来进一步提高真实性,生成与自然数字图像在视觉上无法区分的隐写图像[[27], [28], [29], [30]]。为了提高对抗隐写分析的能力,通常会集成一个隐写分析网络来帮助生成更安全的隐写内容[31,32]。尽管基于CNN的方法可以生成逼真的隐写图像,但它们通常具有有限的嵌入容量。
循环一致性生成对抗网络(CycleGAN)[33]是一种无监督的CNN模型,旨在将输入图像转换为满足特定应用要求的输出,然后从这些输出中重建原始图像。由于其能够在没有配对训练数据的情况下执行复杂的图像到图像的转换,CycleGAN已广泛应用于艺术风格转换、医学成像、对象变形和面部图像编辑等领域。差异扩展(DE)是一种经典的图像隐写技术,通过扩展像素值对之间的差异来嵌入秘密数据。
为了解决现有基于CNN的隐写方法的局限性,我们提出了一种结合CycleGAN和差异扩展(DE)优势的密码空间图像隐写方案。所提出的框架使用CycleGAN将原始图像转换为适合DE嵌入的加密域,而无需加密密钥。通过适当配置训练数据集和损失函数,可以通过逆变换准确地将加密图像重建为其原始形式。为了进一步提高数据安全性,在嵌入之前使用另一个CycleGAN对秘密数据进行加密。此外,在图像网络和数据网络的训练过程中加入了dropout机制,以提高泛化能力并支持共享应用平台内的多用户服务。实验结果表明,我们的方案实现了安全加密、高保真解密和高嵌入容量。此外,该方法非常适合基于云的数据保护应用。图1展示了一个示例应用,其中云数据中心充当电子商务平台。当消费者注册会员时,他们的身份(ID)图像被加密并存储在云数据库中。每次交易后,加密的交易记录会被嵌入到消费者的加密ID图像中。授权人员可以检索这些记录以提供个性化推荐,而面部识别系统可以在支付处理过程中进行身份验证。
本文的主要贡献总结如下:
(1)开发了一种无需密钥的密码空间图像隐写方案。
(2)引入了一种dropout策略,使得隔离的处理网络能够在共享应用平台上运行。
(3)所提出的方案在保持解密图像高视觉质量的同时实现了高嵌入容量。
(4)所提出的方案可以应用于基于云的应用,例如电子商务平台。
本文的其余部分组织如下。第2节简要介绍了所应用的DE技术。第3节介绍了所提出的密码空间图像隐写系统的配置和工作流程。第4节详细解释了图像和数据处理网络的CycleGAN训练。第5节评估了我们系统的性能。第6节总结了本文。