【论文复现】图像隐写常见问题

已于 2024-03-04 16:18:42 修改
阅读量324 收藏 1
点赞数 1
分类专栏： 论文复现 文章标签： 论文阅读
于 2023-11-14 21:29:11 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_40859587/article/details/132364859
版权

1. 提取出错

  1. 首先检查嵌入时的像素值是否越界（0-255），如果越界则在提取的时候无法正确提取
  2. 嵌入的时候注意整数除法和浮点数除法向下取整结果不一样，floor(int(10)/16)=1，floor(double(10)/16)=0

Image.open()和cv2.imread()的区别

python的PIL.Image.open()，是以 (w, h) 即“宽 x 高”的方式读取图片，数据类型是PIL.Image.Image，如果将其转换为numpy.ndarray，格式为 (h, w, c) 即“高 x 宽 x 通道”；如果将其转换为torch.Tensor，格式为 (c, h, w) 即“通道 x 高 x 宽”——像素顺序都是 RGB

使用cv2.imread()，是以 (h, w, c) 即“高 x 宽 x 通道”的方式读取图片，数据类型是numpy.ndarray；如果将其转换为torch.Tensor，格式为 (c, h, w) 即“通道 x 高 x 宽”——像素顺序都是BGR

参考链接：https://zhuanlan.zhihu.com/p/402833064

2. 常用代码部分

1.生成随机二进制数

% create and save msg  **matlab**
message = randi([0,1],1024,1);
save 'Catalan-based-Steganography\msg_1024bit.mat' message;

load("msg_256bit.mat");

2. numpy和pandas库的使用（ndarray和dataframe） 待完善

一个ndarray只能保存同一个类型的数据，比如都是float
dataframe可以保存不同类型，比如字符串，数字

都是数字的表可以用ndarray，后边有补充信息再转为dataframe添加进去

# 初始化
stacked_array = np.zeros(2,) # 生成一行2列的一维ndarray
stacked_array = np.zeros(2,1) # 生成一行2列的二维ndarray

all_pt_list = pd.DataFrame(stacked_array)

# 增
stacked_array = np.vstack([stacked_array, column_means]) # 垂直方向拼接stacked_array和column_means
all_list = np.concatenate(
        (ACC_LIST.reshape(-1, 1), ALL_JPEG_LIST, ALL_guassian_LIST, ALL_blur_LIST),
        axis=1,
    )  # axis=1在左右方向上拼接

df.insert(0, "epoch", epoch_list) # 在第0列插入列名epoch，数据是epoch_list

# 删

# 改

# 查
column_means = df.mean() #  计算df每一列的平均值


# 保留几位小数 
stacked_array = np.around(stacked_array, 4) # 保留四位小数


# 保存到文件
df.to_csv(f"0302_noise_all_pt_delta_0.csv", index=False)


# 互相转换
column_means = column_means.to_numpy() # df转ndarray

2. 遍历文件

%% matlab
cover_path =  'D:\database\BOSSbase_1.01_png\';% 图像文件夹路径
img_path_list = dir(strcat(cover_path,'*.png'));%获取该文件夹中所有PNG格式的图像
[~,ind] = natsort({img_path_list.name}); % 自然语序
img_path_list = img_path_list(ind);
img_num = length(img_path_list);%获取图像总数量
if img_num > 0 %有满足条件的图像
    for img_idx = 1:10 %逐一读取图像
        disp(img_idx);
        image_name = img_path_list(img_idx).name;% 图像名
        gray_img =  imread(strcat(cover_path,image_name));
        imwrite(stego,strcat(stego_path,num2str(img_idx),'.pgm')); % save
    end
end

## python 

import os
from natsort import natsorted
import csv

#------------创建文件夹--------------start
path = "/home/user/Documents/"
folder_name = "new_folder"
os.mkdir(os.path.join(path, folder_name))
#-----------创建文件夹--------------end

train_path = r'/home/train' # 按照自然排序遍历文件夹
file_list = natsorted(os.listdir(train_path))
selected_files = file_list[10:200] # 选取序号为200-210的文件名

for file in selected_files :
    print(file)
    fea_train = pd.read_csv(train_path +'/'+ file, header=None,delimiter=' ')

3. 找遗漏的文件

## python
import csv
import os
from natsort import natsorted

folder_path = '/home/database/BOSS_all/BOSSbase_1.01'# 指定完整文件夹路径
file_names = [f.name for f in os.scandir(folder_path) if f.is_file()]# 获取指定文件夹下的所有文件名
sorted_image_files = natsorted(file_names) # 对文件名进行自然排序

sorted_image_files = [x[:-4] for x in sorted_image_files] # 去掉后缀.png
print(sorted_image_files)

# 指定要遍历的文件夹路径
fnns_path = '/home/train'
# 获取指定文件夹下的所有文件名
file_names = [f.name for f in os.scandir(fnns_path) if f.is_file()]
# 对文件名进行自然排序
sorted_fnns_files = natsorted(file_names)
sorted_fnns_files = [x[:-4] for x in sorted_fnns_files] # 去掉后缀.png
print(sorted_fnns_files)

# 求差集
set1 = set(sorted_image_files[:6000])
set2 = set(sorted_fnns_files)
result = list(set1 - set2)
print(result)

4. python多进程调用shell脚本命令 已弃用Linux的SRM （Windows上SRM.exe快很多）

记录一下，以后可能还会用到多进程调用带参数的shell脚本
原因：很多数据集都要跑SRM，6000张图提取特征就14-15小时
下面代码块是单个数据集跑SRM的流程

--------------这是srm_all.sh
#!/bin/bash
# 1. 修改当前路径，后续调用命令
cd /home/SRMQ1_linux_make_v1.1/release 
start_time=$(date +%s)

# 2. 创建一个包含要处理的文件夹的列表
# elements=("BOSSbase_1.01_256_catalan_75_pgm" "BOSSbase_1.01_256_catalan_80_pgm" "BOSSbase_1.01_256_catalan_85_pgm") # 放在database文件夹下
elements=($1) # $1 是取第1个参数 $2 是取第2个参数 这里就可以在调用的时候传参数

# 3. 使用 for 循环遍历列表中的每个元素并执行相应的操作 针对elements中有多个元素的情况，如果只有一个元素，可以去掉for循环
for algorithm in "${elements[@]}"
do
    echo "正在处理 $algorithm"
    # 1. 创建存特征的父文件夹
    create_folder_command="mkdir /home/SRMQ1_linux_make_v1.1/00_srmq1_fea/$algorithm"
    eval "$create_folder_command" # 将字符串转成命令执行
    echo "创建父文件夹结束"

    # 1.1 创建存特征的 train子文件夹
    create_folder_command="mkdir /home/SRMQ1_linux_make_v1.1/00_srmq1_fea/$algorithm/train"
    eval "$create_folder_command"

    # 1.2 创建存特征的test 子文件夹
    create_folder_command="mkdir /home/SRMQ1_linux_make_v1.1/00_srmq1_fea/$algorithm/test"
    eval "$create_folder_command"
    echo "创建子文件夹结束"

    # 2. 提取特征
    command="./SRMQ1 -I /home/00_database/${algorithm}/train -O /home/SRMQ1_linux_make_v1.1/00_srmq1_fea/$algorithm/train -V"

    eval "$command"
    echo "提取train特征结束"

    command="./SRMQ1 -I /home/00_database/${algorithm}/test -O /home/SRMQ1_linux_make_v1.1/00_srmq1_fea/$algorithm/test -V" 
    eval "$command" 
    echo "提取test特征结束" 

    # 3. 组合特征
    # 直接调用python命令
    /home/miniconda3/envs/steganogan/bin/python3 /home/SRMQ1_linux_make_v1.1/01_SubmodelConcatenation/01_submodel.py $algorithm

    # 4. 调用matlab训练

    command="matlab -nodesktop -nosplash -r \"addpath('/home/SRMQ1_linux_make_v1.1/02_train');srm_tra $algorithm '/home/SRMQ1_linux_make_v1.1/01_SubmodelConcatenation/q1_cover_train.csv' '/home/SRMQ1_linux_make_v1.1/01_SubmodelConcatenation/q1_cover_test.csv' '/home/SRMQ1_linux_make_v1.1/01_SubmodelConcatenation/q1_${algorithm}_train.csv' '/home/SRMQ1_linux_make_v1.1/01_SubmodelConcatenation/q1_${algorithm}_test.csv';exit()\""  

    eval "$command"
    echo "$algorithm SRM训练测试结束" 
done

end_time=$(date +%s)
elapsed_time=$((end_time - start_time))

# 转换为分钟和秒数
minutes=$((elapsed_time / 60))
seconds=$((elapsed_time % 60))
# 输出结果
echo "脚本已经运行了 ${minutes} 分钟 ${seconds} 秒。"

下面是多进程实现同时运行多个数据集跑SRM

import multiprocessing
import subprocess

def run_process(function):
    subprocess.call(["./srm_all.sh",function], cwd="/home/hello/workspace/jinghan/SRMQ1_linux_make_v1.1/release") 
    # cwd用于指定运行路径

if __name__ == "__main__":
    processes = []
    functions = [ # 多个进程，只有输入参数不同
        "\"BOSSbase_1.01_1024_catalan_80_pgm\"",  # 注意\是转义字符
        "\"BOSSbase_1.01_1024_catalan_85_pgm\"", 
        "\"BOSSbase_1.01_lsb_256_80_pgm\"",
        "\"BOSSbase_1.01_lsb_256_85_pgm\"",
        "\"BOSSbase_1.01_fnns_256_75_pgm\"",
        "\"BOSSbase_1.01_fnns_256_80_pgm\"",
        "\"BOSSbase_1.01_mean_256_75_pgm\"",
        "\"BOSSbase_1.01_mean_256_80_pgm\"",
    ]

    for function in functions:
        process = multiprocessing.Process(target=run_process, args=(function,)) # 创建进程，target是目标函数，args是run_process的参数，只有一个参数也需要用括号括起来
        processes.append(process) # 把进程加到列表中
        process.start() # 开启进程

    for process in processes:
        process.join() # 主进程等待子进程完成

3. 代码复现流程

  1. 灰度图尽量用pgm格式
  2. 开始的时候就分好数据集split_dataset，train：valid：test=6：2：2，SRM隐写分析是5：5
  3. 文件夹命名用数字_名字，比如00_预处理。所有数据命名要规范，统一。目前主要用到的有数据集（命名规范：数据集_方法_容量_其他属性），代码（能用Git的尽量用），结果（腾讯文档）
  4. 绘制要做的实验流程图（代码），保存状态，输入和输出路径，日期，统计数据（notion数据库），尽量整理成工作流
岁月漫长_
关注
  • 1
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
图像隐写 深度学习 tensorflow_图像隐写 代码,图像隐写代码实现
05-26
使用者可以通过阅读和运行这个代码来了解和复现整个图像隐写分析的过程。在实际应用中，模型可能需要在大量带有隐写和无隐写的图像上进行训练，以便获得良好的泛化能力。 总结来说，这个项目结合了深度学习、图像...
图像隐写综述（适合小白入门，涉及基础知识、评价指标与前沿算法）
qq_36101623的博客
12-17 2911
为了增加隐写的鲁棒性，提出 Hidden图像隐写方式，在网络训练的过程中加入了噪声层，模拟真实情景下含密图像传输过程中所遇到的噪声攻击、压缩等情况，将攻击后的图像放入解码网络中提取秘密信息．该网络考虑到含密图像的真实性、秘密信息提取的准确性、隐写的隐蔽性，进一步增强了 隐写的鲁棒性，为后续隐写方法提升鲁棒性提供了 思路。其主要新颖之处在于，在一个可逆的网络结构中，将图像显式建模为图像隐藏的反向过程，这意味着只需对网络进行一次训练，就可以得到隐藏和揭示的所有网络参数。（图像的表示有RGB,YUV等）；
2024年最全CTF-misc(1)图片隐写_二维码补全
2401_84300239的博客
05-02 1358
②坐标绘制二维码。
【图像隐写】基于小波变换DWT结合奇异值分解SVD实现数字水印嵌入攻击提取，直方图均衡、对比度、增强、噪声、剪切攻击含相关系数NC附Matlab代码
最新发布
m0_60703264的博客
05-20 564
数字水印技术作为一种信息安全技术，在版权保护、内容认证、信息隐藏等方面发挥着重要作用。近年来，基于小波变换 (DWT) 和奇异值分解 (SVD) 的数字水印算法因其良好的鲁棒性和隐蔽性而备受关注。本文将详细介绍一种基于 DWT 和 SVD 的数字水印嵌入与提取方法，并针对直方图均衡、对比度调整、图像增强、噪声添加、剪切攻击等常见攻击进行测试，分析其抗攻击性能，并通过相关系数 (NC) 来评估水印嵌入和提取的有效性。1. 数字水印技术概述。
基于像素预测和位平面压缩的加密图像可逆数据隐藏附matlab代码（论文复现）
qq_59747472的博客
11-12 500
密文域可逆信息隐藏（RDHEI）受到越来越多的关注，因为它可以保护原始图像的内容，同时可以准确地提取嵌入的数据，并且可以无损地重建原始图像。为了充分利用相邻像素的相关性，本文提出了一种基于像素预测和位平面压缩的RDHEI方案。首先，将原始图像分成相等大小的块，并计算原始图像的预测误差。然后，分别执行8个预测误差的位平面的重排和位流压缩。最后，通过流密码对腾出空间后的图像进行加密，并通过多LSB（最低有效位）替换将附加数据嵌入到腾出的空间中。实验结果表明，该方法的嵌入能力优于现有方法。
【图像隐写】DESIGNING STEGANOGRAPHIC DISTORTION USING DIRECTIONAL FILTERS（WOW）论文笔记（附matlab代码）
qq_39166349的博客
09-23 1626
系列文章目录 隐写算法笔记之WOW 文章目录 系列文章目录 前言 一、失真函数设计 1.方向滤波器 2.嵌入位的寻找 二、实验 前言 DESIGNING STEGANOGRAPHIC DISTORTION USING DIRECTIONAL FILTERS 这篇论文是 Vojtech Holub和Jessica Fridrich于2012年发表的一篇会议论文。这篇论文提出了一种“累加隐写失真”的方法，即改变一个像素后，定向高通滤波器的输出变化将被加权，...
图像隐写术分析论文笔记：Deep learning for steganalysis via convolutional neural networks
兔角与禅
10-31 6483
好久没有写论文笔记了，这里开始一个新任务，即图像的steganalysis任务的深度网络模型。现在是论文阅读阶段，会陆续分享一些相关论文，以及基础知识，以及传统方法的思路，以资借鉴。 这一篇是Media Watermarking, Security, and Forensics 2015上的，应该是我能找到的最早的用dl做steganalysis的文章。 和其他图像任务一样，传统的算法都是两步...
【传知代码】基于扩散模型的无载体图像隐写术（论文复现）
ztK63LrD的博客
05-17 1197
目前，图像隐写技术主要是基于载体图（cover image）的方法，这些方法通常存在泄露隐藏图（secret image）的风险，以及对退化容器图（container image）不鲁棒的风险。受到最近扩散模型（diffusion models）进展的影响，作者揭示了扩散模型所具备的两大特点：一是能够在不进行训练的情况下完成两幅图像间的转换，二是对有噪声的数据具有天生的稳健性。这些建议的特点有助于提高图像隐写任务的安全与稳健性。这是第一次尝试将扩散模型融入到图像隐写的研究中。
DCP.rar_DCP图像处理_image processing_暗通道_论文复现_论文复现图像
09-15
“论文复现图像”可能指的是使用这个代码处理后的图像结果，这些结果可以与原始论文中的示例进行比较，以评估代码的正确性和效果。 标签中列出的“dcp图像处理”和“image_processing”都与图像处理相关，而“暗...
图像隐写经典算法
12-29
利用通用小波失真函数的失真代价的四舍五入误差为0.5时嵌入失真为零的问题，提出了一种基于边信息的通用小波失真函数（SI-UNIWARD）。该方法首先对前载体的原始像素进行四舍五入，然后重新定义了一组间距合理的四舍...
论文复现-深度补全算法
03-10
1、传统深度不全算法复现 2、详细内容可见：https://blog.csdn.net/qq_43627520/article/details/123344654?spm=1001.2014.3001.5502 3、复现代码可直接运行、包含有测试用例、以及验证代码
基于PyQt5+SRnet+SSDP网络实现图像隐写分析以及隐写去除-pytorch源码+项目说明.zip
12-06
基于PyQt5+SRnet+SSDP网络实现图像隐写分析以及隐写去除_pytorch源码+项目说明.zip 项目主要任务为实现图像隐写分析以及隐写去除，其中隐写分析采用SRNet网络模型，隐写去除采用DDSP网络模型。 ​ 项目中有4个文件夹...
图像处理之《生成隐写网络》论文精读
qq_44111805的博客
02-09 1050
隐写术通常修改封面媒体以嵌入秘密数据。最近出现了一种新的隐写方法，称为生成隐写(GS)，其中隐写图像(包含秘密数据的图像)直接从秘密数据生成，而不需要封面介质。然而，现有的GS方案经常因性能差而受到批评。在本文中，我们提出了一种先进的生成隐写网络(GSN)，它可以在不使用封面图像的情况下生成逼真的隐写图像。我们首先引入了互信息机制，这有助于实现高的秘密提取精度。我们的模型包含四个子网络，即图像生成器(G)、鉴别器(D)、隐写分析器(S)和数据提取器(E)
【论文阅读】【论文复现】Image Disentanglement Autoencoder for Steganography without Embedding（IDEAS）-CVPR-2022
小张同学的博客
11-22 2093
无嵌入隐写（steganography without embedding, SWE）隐藏秘密信息的过程不会直接修改载体图像，因此具有免疫传统隐写分析器攻击的独特优势。现有基于生成的SWE的三个问题：（1）生成的载密图像不够真实，影响对不可察觉性（imperceptibility）的要求；（2）生成器的生成多样性受限，可能引发潜在的安全问题；（3）秘密信息的提取准确率较低。
毕业设计-基于深度学习的图像隐写分析
Hai_Lang_IT的博客
12-26 2836
毕业设计-基于深度学习的图像隐写分析：隐写术及隐写分析是信息安全领域研究热点之一.隐写术的滥用造成许多安全隐患,如非法分子利用隐写进行隐蔽通信完成恐怖袭击.传统隐写分析方法的设计需要大量先验知识,而基于深度学习的隐写分析方法利用网络强大的表征学习能力自主提取图像异常特征,大大减少了人为参与,取得了较好的研究效果。多媒体技术的普及与应用,一方面给社会带来了不少便利,另一方面也带来了许多风险,如信息泄露、恶意篡改、隐私窃取等.人们越来越注重多媒体传播过程中的信息安全和隐私保护问题.现有的通信安全保障主要分为加密
【论文阅读】Fixed Neural Network Steganography: Train the images, not the network
小张同学的博客
04-21 6207
encoder-decoder网络容量很大，但解码错误率很高（大约20%）。作者基于神经网络对输入的微小扰动的高度敏感性，提出一种新的隐写方法，能够在3bpp时降低解码错误率到0%。代码在https://github.com/varshakishore/FNNS. ...
图像处理之LSB Matching Revisited论文复现
qq_44111805的博客
09-06 2279
解释：信息位分别为1和0，第一个信息位与第一个载体图像像素值LSB不相等，进入else，又第二信息位与f(119,130)不相等（简单计算一下：119/2向下取整为59，又59+130=189,其二进制数为10111101，即LSB为1,0和1不相等），即进入else中的else操作，即yi=120+1=121，直接令yi+1=xi+1。4、文章只给出了秘密信息的嵌入算法，并没有给出秘密信息的提取算法，正常的思路只能是通过嵌入的逆向操作来获取秘密信息，但是过程中可能存在安全性问题。
【学习总结】ctf隐写初阶解题思路与方法
Kelly_Young的博客
07-29 9903
作为ctf中相对较为简单的题目，隐写题更适合初学者上手和提高初学者的兴趣。本人也对隐写术很感兴趣，于是尝试着对自己目前所学的隐写解题思路和工具的使用做一个总结。由于水平有限，总结可能会有错误的地方，希望大佬们不吝赐教，谢谢！ 一.JPEG图片 这类图片在图片隐写中经常出现，其中，jpg图片是隐藏文件、信息的常见载体。关于jpg格式的更多信息见：https://blog.csdn.net/yan...
matplotlib复现图像
08-26
您好！要使用matplotlib复现图像，您可以按照以下步骤进行操作： 1. 导入所需的库： ```python import matplotlib.pyplot as plt ``` 2. 准备数据： 根据您要复现的图像类型，准备好相应的数据。 3. 创建画布和子图： ```python fig, ax = plt.subplots() ``` 这将创建一个画布和一个子图对象。 4. 绘制图像： 使用子图对象`ax`调用相应的绘图函数，绘制您想要的图像。 例如，如果您要绘制一个折线图： ```python ax.plot(x, y) ``` 其中`x`和`y`是您的数据。 5. 添加标签和标题： 通过设置子图对象的属性，添加轴标签和标题等信息。 例如，为x轴和y轴添加标签： ```python ax.set_xlabel("X Label") ax.set_ylabel("Y Label") ``` 6. 显示图像： 使用`plt.show()`函数显示绘制好的图像。 完整示例代码： ```python import matplotlib.pyplot as plt # 准备数据 x = [1, 2, 3, 4, 5] y = [2, 4, 6, 8, 10] # 创建画布和子图 fig, ax = plt.subplots() # 绘制折线图 ax.plot(x, y) # 添加标签和标题 ax.set_xlabel("X Label") ax.set_ylabel("Y Label") ax.set_title("My Plot") # 显示图像 plt.show() ``` 这样，您就可以使用matplotlib复现图像了！如果您有其他问题，请随时提问。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

岁月漫长_

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值