SCI 文献资源————DeepMIH: Deep Invertible Network for Multiple Image Hiding DeepMIH：用于多图像隐藏的深度可逆网络 摘要——多图像隐藏旨在将多个秘密图像隐藏到一个封面图像中，然后完美地恢复所有秘密图像。这种高容量的隐藏很容易导致轮廓阴影或颜色失真，这使得多图像隐藏非常具有挑战性任务在本文中，我们提出了一种新的基于可逆神经网络的多图像隐藏框架，即DeepMIH。明确地我们开发了一个可逆隐藏神经网络（IHNN），创新地将图像的隐藏和揭示建模为其前向和后向过程，使它们完全耦合和可逆。IHNN非常灵活，可以根据需要级联多次实现了对多个图像的隐藏。为了增强不可见性，我们设计了一个重要度图（IM）模块来引导当前图像基于先前的图像隐藏结果进行隐藏。此外，我们发现隐藏在高频子带中的图像倾向于实现了更好的隐藏性能，从而提出了一种低频小波损失来约束在低频子带。实验结果表明，我们的DeepMIH在在各种数据集上隐藏不可见性、安全性和恢复准确性。 【DeepMIH: 多图像隐藏的深度可逆网络】 多图像隐藏技术是信息安全领域的一个重要研究方向，其目标是将多个秘密图像无痕迹地嵌入到一个封面图像中，以便于秘密信息的传输和存储，同时确保封面图像在视觉上与原始图像几乎无法区分。然而，高容量的图像隐藏往往会导致封面图像出现轮廓阴影或颜色失真，增加了多图像隐藏的难度。针对这一挑战，研究人员提出了DeepMIH，即深度可逆网络用于多图像隐藏的框架。 DeepMIH的核心是可逆隐藏神经网络（IHNN），这是一个创新的设计，它将图像的隐藏和揭示过程建模为前向和后向过程，这两个过程是完全耦合且可逆的。这意味着可以隐藏和恢复图像而不牺牲原始图像的质量。IHNN的灵活性在于，它可以被级联多次，以适应不同数量的秘密图像隐藏需求。 为了提高隐藏的不可见性，DeepMIH引入了重要度图（IM）模块。这个模块根据先前图像的隐藏结果来指导当前图像的隐藏，确保秘密信息的嵌入尽可能不引起视觉察觉。通过对图像的重要部分进行智能选择，可以有效地减少隐藏操作对封面图像的影响。 此外，研究发现，将图像隐藏在高频子带中可以实现更好的隐藏效果。因此，DeepMIH提出了低频小波损失，以限制秘密信息在低频子带中的存在，进一步提升隐藏的安全性。通过这种方式，可以确保秘密信息更安全地隐藏在难以察觉的高频部分，减少对低频成分的干扰，从而保持封面图像的视觉质量。 实验结果显示，DeepMIH在多种数据集上表现出卓越的性能，无论是在隐藏的不可见性、安全性还是恢复准确性方面，都明显优于其他现有的先进方法。这些成果对于改进图像隐藏技术，尤其是多图像隐藏的效率和安全性具有重要意义，为秘密通信和信息安全提供了更强大的工具。 DeepMIH通过深度可逆网络和创新的策略，成功解决了多图像隐藏中的难题，提高了隐藏质量和恢复准确率。这一工作不仅展示了深度学习在图像隐藏领域的潜力，也为未来的研究开辟了新的路径，如如何进一步优化可逆神经网络的设计，或者探索更复杂的隐藏策略以适应不同的应用场景。

资源包含文件：课程报告word+源码 利用图像区域中黑色象素的个数对秘密信息进行编码。 把一个二值图像分成 L(m) 个矩形图像区域 Bi ，如果其中黑色象素的个数大于一半，则表示嵌入 0 ；如果白色象素的个数大于一半，则表示嵌入 1 。 当需要嵌入的比特与所选区域的黑白象素的比例不一致时，为了达到希望的象素关系，则需要修改一些象素的颜色。 修改应遵循一定的规则，原则是不引起感观察觉。 修改应在黑白区域的边缘进行 。 判断每一个图像块黑色象素的百分比，如果大于 R1 + 3λ ，或者小于 R0 - 3λ ，则跳过这样的无效块。 如果在 [R1 , R1 + λ] 或者 [R0 - λ , R0] 的范围内，则正确提取出秘密信息 0 或 1 。 详细介绍参考：https://blog.csdn.net/newlw/article/details/125008614

该实验是在matlab的基础上，图像通过变换域进行信息隐藏，并且进行了多种攻击测试。

图像信息隐藏算法研究.pdf

二值图像信息隐藏算法与提取.doc

一种新的空域图像信息隐藏算法.doc

基于LSB算法的图像信息隐藏与检测

对隐藏的图片矩阵的隐藏那一层对应的二维矩阵进行左移四位操作，得到对应提取图像的矩阵，进行矩阵转化为对应图片输出。

基于BMP数字图像的信息隐藏技术研究，安乐建，童敏明，随着计算机、网络和多媒体技术的迅猛发展，数字文本、图像、音频、视频等多媒体产品得到日益普及和广泛应用，但是数字产品容易编

二值图像中的信息隐藏，主要介绍两种方式，普通方式的信息隐藏和游程编码方式的信息隐藏，以及对应方式的信息提取~~