使用基于HED的注意力地图和CNN的安全边缘引导自适应图像隐形图谱
Rana Alrawashdeh1, Sultan Almuhammadi1,2, Mahmood Niazi1,2
1Department of Information and Computer Science, College of Computing and Mathematics, King Fahd University of Petroleum and Minerals, 31261, Dhahran, Saudi Arabia.
Scientific reports
|December 2, 2025
概括
本研究介绍了一种使用深度学习和边缘检测来安全嵌入数据的新型图像隐形图像系统. 该方法平衡了容量和扭曲,实现了高无感知度和安全性对抗steganalysis.
科学领域:
- 计算机科学 计算机科学
- 信息安全 信息安全
- 数字图像处理 数字图像处理
背景情况:
- 图像隐藏图像通过在封面图像中隐藏信息来实现隐藏数据传输.
- 现有的方法往往难以平衡嵌入能力,图像扭曲和安全性.
- 深度学习为更复杂和适应性的石角图技术提供了潜力.
研究的目的:
- 在深度学习框架内提出一个先进的隐形图形系统,利用边缘意识的注意力机制.
- 通过根据图像特征指导操作来增强自适应性数据嵌入.
- 优化嵌入过程以提高容量,不可察觉性和安全性.
主要方法:
- 采用整体嵌套边缘检测 (HED) 来提取边缘图并将其转换为注意力图.
- 使用注意力图来指导在封面图像中适应性位嵌入,根据注意力强度调整每像素的位.
- 实施一个由训练有素的编码解码器卷积神经网络 (CNN) 指导的自适应性最小显著位 (LSB) 策略.
- 使用遗传算法 (GA) 优化嵌入规则,以微调注意力地图值.
主要成果:
- 该系统实现了高峰信号噪声比 (PSNR) 值 (例如,0.1比特每像素60.72-61.20dB) 和结构相似度指数 (SSIM) 值 (0.9995-0.9996).
- 隐藏分析技术 (Xu-Net,Ye-Net,RS分析) 无法可靠地检测隐藏数据,这表明安全性强.
- 该方法证明了对盐和胡噪声的稳定性,并保持了对其他常见图像攻击的合理性能.
结论:
- 提出的基于深度学习的图像隐形图像系统有效地平衡了嵌入能力,不可察觉性和安全性.
- 边缘意识的注意力机制显著改善了适应性数据嵌入.
- 该系统提供了低计算成本的解决方案,有望抵御各种攻击.
