毛春霞，李 軍，胡 濤，趙玄玉

(湖北民族大學(xué) 信息工程學(xué)院，湖北 恩施 445000)

互聯(lián)網(wǎng)技術(shù)的發(fā)展和普及，為當(dāng)今社會(huì)帶來(lái)便利的同時(shí)，還帶來(lái)許多潛在的風(fēng)險(xiǎn)，如信息的泄露、隱私竊取等，人們?cè)絹?lái)越關(guān)注互聯(lián)網(wǎng)上的信息安全和個(gè)人隱私保護(hù)問(wèn)題.現(xiàn)有的安全保障分為加密和信息隱藏兩種方法：加密主要是對(duì)秘密信息本身進(jìn)行操作，但經(jīng)過(guò)特殊處理后的明文更加容易受到第三方的懷疑；而信息隱藏則是隱藏秘密信息的存在性,使秘密信息在不引起第三方的懷疑下進(jìn)行隱蔽通信[1].數(shù)字圖像隱寫(xiě)算法是信息隱藏技術(shù)的一個(gè)重要分支，它將機(jī)密信息難以感知地隱藏在公開(kāi)的數(shù)字圖像中，既保護(hù)了秘密信息的同時(shí)，也保證了隱蔽通信的正常進(jìn)行.

但隨著隱寫(xiě)算法的大量使用，一些非法組織通過(guò)隱寫(xiě)算法傳遞非法信息，給社會(huì)帶來(lái)了很大的危害，如2010年俄國(guó)間諜發(fā)布的隱寫(xiě)報(bào)道，2012年用于隱蔽通信的位圖圖像隱寫(xiě)，以及2018年抓獲的國(guó)際販毒網(wǎng)絡(luò)頭目J.C.R.Abadia使用圖像隱寫(xiě)逃避網(wǎng)絡(luò)追蹤和審計(jì)，用于記錄交易信息，非法和惡意使用隱寫(xiě)算法給社會(huì)帶來(lái)巨大的風(fēng)險(xiǎn)[2].因此，隱寫(xiě)分析的發(fā)展迫在眉睫，本研究有助于提升我國(guó)數(shù)字圖像隱寫(xiě)分析技術(shù)水平.

主要介紹SRNet隱寫(xiě)分析方法，并在相同數(shù)據(jù)集上利用不同的隱寫(xiě)方法對(duì)SRNet的性能進(jìn)行測(cè)試分析，實(shí)現(xiàn)了隱寫(xiě)分析在頻域中的應(yīng)用.主要貢獻(xiàn)如下：① 基于Fisher-Yates隨機(jī)置亂算法生成隱寫(xiě)數(shù)據(jù)，設(shè)計(jì)了一種基于隨機(jī)分布的圖像域隱寫(xiě)分析的驗(yàn)證框架；② 深入分析了SRNet隱寫(xiě)分析原理，利用交叉熵對(duì)SRNet網(wǎng)絡(luò)進(jìn)行損失迭代；③ 利用nsF5、J-UNIWORD和UERD 3種算法實(shí)現(xiàn)了BOSSBase v1.01數(shù)據(jù)集上的信息隱寫(xiě)，并使用訓(xùn)練的SRNet實(shí)現(xiàn)了隨機(jī)分布的圖像域隱寫(xiě)分析，實(shí)驗(yàn)結(jié)果驗(yàn)證了提出的模型在圖像域的有效性.

1 隱寫(xiě)算法相關(guān)研究

自適應(yīng)隱寫(xiě)與非自適應(yīng)隱寫(xiě)是隱寫(xiě)算法中的兩種方法[3]，最早的LSB(least significant bit)[4]隱寫(xiě)算法是利用人眼對(duì)于色彩差異的不敏感性而基于圖片最低有效位的隱寫(xiě)方法，之后還有LSB匹配(LSB matching，簡(jiǎn)稱LSBM)[5]，LSBM采用隨機(jī)±1原則嵌入秘密信息，LSB和LSBM都是非自適應(yīng)的隱寫(xiě)算法，其思想是盡可能少的對(duì)載體圖像像素進(jìn)行修改，以增強(qiáng)抗隱寫(xiě)分析能力，但非自適應(yīng)隱寫(xiě)算法所用載體圖像不能壓縮，多應(yīng)用于png、bmp等空域圖像中.

自適應(yīng)隱寫(xiě)算法主要針對(duì)載體圖像(Cover)的自身屬性，如圖像內(nèi)容的邊緣信息、紋理信息，將秘密信息嵌入到紋理復(fù)雜的區(qū)域，提高載密圖像(Stego)的抗隱寫(xiě)分析檢測(cè)能力.常見(jiàn)的自適應(yīng)隱寫(xiě)算法主要分為空域隱寫(xiě)算法和頻域隱寫(xiě)算法，空域上的隱寫(xiě)算法有HUGO[6]、WOW[7]、S-UNIWORD[8]、HILL[9]等；在頻域即JPEG域上，隱寫(xiě)算法的特點(diǎn)是將消息隱藏在通過(guò)變換域技術(shù)變換后的載體圖像空間中，具有代表性的隱寫(xiě)方法有J-UNIWORD[8]、UED[10]、UERD[11]、nsF5[12]等，它們通過(guò)離散余弦變換、小波變換或奇異值分解等將消息隱藏在載體圖像中[13]，只要載體圖像不被破壞到無(wú)法使用的程度，隱藏的信息都能被保留.隱寫(xiě)與隱寫(xiě)分析的關(guān)系如圖1所示，首先發(fā)送方采用隱寫(xiě)算法將秘密信息嵌入到Cover中得到Stego，然后接收方通過(guò)公開(kāi)信道接收到Stego，解密得到所傳遞的秘密信息.在通過(guò)公開(kāi)信道傳遞載密圖像時(shí)，隱寫(xiě)分析者(攻擊者)截獲到Stego，通過(guò)隱寫(xiě)分析算法找出數(shù)字圖像中存在隱寫(xiě)信息的可能性，有針對(duì)性的破壞犯罪分子傳遞的信息.

2000年，Westfeld等[14]最早提出了針對(duì)空域隱寫(xiě)算法LSB的統(tǒng)計(jì)檢驗(yàn)法，之后，研究者們相繼提出了RS、DIH、WS分析法，提高了嵌入率的估計(jì)精度[2].近年來(lái)，結(jié)合深度學(xué)習(xí)的發(fā)展，將傳統(tǒng)隱寫(xiě)分析的特征提取、特征增強(qiáng)和二分類模型訓(xùn)練統(tǒng)一起來(lái)實(shí)現(xiàn)自動(dòng)化，2014年Tan等[15]提出一種4層深度學(xué)習(xí)隱寫(xiě)分析網(wǎng)絡(luò)TanNet，2015年Qian等[16]提出了具有5個(gè)卷積層的網(wǎng)絡(luò)結(jié)構(gòu)，2016年Xu等[17]提出的Xu-Net網(wǎng)絡(luò)，將高通濾波器層(HPF層)換成KV核對(duì)圖像進(jìn)行預(yù)處理操作[18]，2017年Ye等[19]提出了10層的Ye-Net，2018年Boroumand等[20]提出了SRNet，該模型整體由4部分不同作用的卷積層模塊組成，有效地利用BN層和殘差網(wǎng)絡(luò)，在空域和JPEG域都具有良好的檢測(cè)準(zhǔn)確率；2019年Zhang等[21]提出了Zhu-Net，提高了對(duì)空域隱寫(xiě)術(shù)的檢測(cè)精度[22].

本文主要對(duì)SRNet模型進(jìn)行測(cè)試分析，但SRNet模型的廣譜適用性還有待進(jìn)一步提升，由于在真實(shí)應(yīng)用場(chǎng)景中載體圖像的嵌入算法、嵌入容量千變?nèi)f化，只使用一種隱寫(xiě)方法同一種嵌入率去訓(xùn)練和測(cè)試模型，運(yùn)用到真實(shí)的場(chǎng)景中會(huì)出現(xiàn)檢測(cè)準(zhǔn)確率與實(shí)驗(yàn)所得數(shù)據(jù)相差甚遠(yuǎn)的情況，因此，本文提出了運(yùn)用Fisher-Yates隨機(jī)分布將3種不同隱寫(xiě)算法結(jié)合的數(shù)據(jù)集，在SRNet模型上去訓(xùn)練和測(cè)試，驗(yàn)證提出的模型在圖像域的有效性.

2 隨機(jī)分布隱寫(xiě)數(shù)據(jù)的圖像域隱寫(xiě)分析

2.1 基于隨機(jī)分布的圖像隱寫(xiě)分析框架

基于Fisher-Yates置亂算法的隱寫(xiě)總流程如圖2所示.首先輸入載體圖像數(shù)據(jù)集，設(shè)置嵌入率為0.1～0.5 bpnzac，使用nsF5、J-UNIWORD和UERD 3種隱寫(xiě)算法生成載密數(shù)據(jù)集；然后將載體和載密數(shù)據(jù)集通過(guò)Fisher-Yates隨機(jī)置亂算法生成數(shù)據(jù)，輸入到SRNet模型進(jìn)行訓(xùn)練、測(cè)試和驗(yàn)證；通過(guò)線性分類器對(duì)輸入的數(shù)據(jù)集進(jìn)行預(yù)測(cè)，輸出判定的載體Cover和載密Stego數(shù)據(jù)集.

圖2 基于Fisher-Yates置亂算法的隱寫(xiě)總流程圖Fig.2 General flow chart of steganography based on Fisher-Yates scrambling algorithm

2.2 基于Fisher-Yates的隱寫(xiě)圖像數(shù)據(jù)生成算法

2.2.1 頻域隱寫(xiě)算法 nsF5算法通過(guò)使用濕紙碼(wet paper code，WPC)[23]來(lái)減輕收縮的負(fù)面影響，解決了F5[24]算法中存在的收縮問(wèn)題，能得到較少的數(shù)據(jù)變化，實(shí)現(xiàn)更高的嵌入率，達(dá)到比F5更高的安全性.均勻嵌入重訪問(wèn)失真(uniform embedding revisited distortion，UERD)是UED算法的改進(jìn)方法，該方法采用了包括直流系數(shù)、零系數(shù)和非零交流系數(shù)的所有DCT系數(shù)作為覆蓋單元，在安全嵌入能力方面獲得了顯著的性能提升，并降低了計(jì)算的復(fù)雜性.通用小波相關(guān)失真J-UNIWORD (JPEG-universal wavelet relative distortion)隱寫(xiě)算法，通過(guò)水平、垂直和對(duì)角線3個(gè)不同方向的線性平移不變?yōu)V波器，找到圖像中噪聲或紋理最復(fù)雜的區(qū)域，作為信息的嵌入?yún)^(qū)域[25].Seto()是對(duì)載體數(shù)據(jù)集Image進(jìn)行隱寫(xiě)算法J-UNIWORD、nsF5或UERD隱寫(xiě)的函數(shù).

(cover，stego)=Seto(Image,secret).

(1)

2.2.2 基于Fisher-Yates的圖像數(shù)據(jù)生成 結(jié)合Fisher-Yates隨機(jī)置亂算法，生成1個(gè)有限集合的隨機(jī)排列.由于Fisher-Yates隨機(jī)置亂算法是無(wú)偏估計(jì)的，所以每種排列都是等可能的，其需要的時(shí)間正比于要隨機(jī)置亂的數(shù)，不需要額外的存儲(chǔ)空間開(kāi)銷，因此可以快速并有效地進(jìn)行圖像數(shù)據(jù)融合.

基于Fisher-Yates隨機(jī)置亂算法生成隱寫(xiě)數(shù)據(jù)的公式如式(2)～(5)所示，

(2)

輸入：

temp=ImageN-K[C1,C2,C3;S1,S2,S3],

(3)

ImageN-K[C1,C2,C3;S1,S2,S3]=Imagej∈[0,N-K][C1,C2,C3;S1,S2,S3],

(4)

Imagej∈[0,N-K][C1,C2,C3;S1,S2,S3]=temp.

(5)

輸出：Image[C1,C2,C3;S1,S2,S3].

其中j表示隨機(jī)抽取的數(shù)，N代表總數(shù)，K代表輪數(shù).

設(shè)計(jì)基于Fisher-Yates隨機(jī)分布的圖像數(shù)據(jù)融合算法1，對(duì)嵌入率為0.1、0.3和0.5bpnzac的數(shù)據(jù)集進(jìn)行隱寫(xiě)，得到相應(yīng)的數(shù)據(jù)集，并將其放入SRNet隱寫(xiě)分析網(wǎng)絡(luò)進(jìn)行混合驗(yàn)證.

算法1Fisher-Yates隨機(jī)分布的圖像數(shù)據(jù)融合算法.

數(shù)據(jù)準(zhǔn)備：選取嵌入率相同的nsF5、J-UNIWORD和UERD 3種算法的隱寫(xiě)數(shù)據(jù)集，

通過(guò)nsF5、J-UNIWORD和UERD 3種算法隱寫(xiě)得到3萬(wàn)張混合圖片數(shù)據(jù)集，

按照訓(xùn)練集(train)、測(cè)試集(test)和驗(yàn)證集(validation)為5∶4∶1的比例進(jìn)行分配,

其中每類數(shù)據(jù)集分為載體圖像(Cover)和載密圖像(Stego).

輸入：等待隨機(jī)置亂的N張圖像數(shù)據(jù)集Image.

fori從m-1到1

j取隨機(jī)整數(shù)，并滿足條件0≤j≤i

交換Image [i]和Image [j]

end

輸出：數(shù)據(jù)集Image’.

圖3 SRNet網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.3 SRNet network structure diagram

2.3 基于SRNet的隱寫(xiě)分析算法

SRNet是隱寫(xiě)分析殘差網(wǎng)絡(luò)(Steganalysis Residual Network)[20]，它是一種端到端的隱寫(xiě)分析網(wǎng)絡(luò)結(jié)構(gòu).SRNet有效地利用批歸一化BN(Batch Normalization)[26]層和殘差網(wǎng)絡(luò)，通過(guò)引入通道選擇，提高了模型對(duì)隱寫(xiě)算法的檢測(cè)準(zhǔn)確率.

SRNet包含兩種快捷方式的層，因?yàn)榉浅鼗瘜?Type2)與池化層(Type3)需要不同的快捷連接方式.Type1的(L1～L2)帶有3×3過(guò)濾器，能在Type2之前將特性映射的數(shù)量從64減少到16以節(jié)省內(nèi)存；Type 3與Type 4的最后一層不同，Type 3使用平均池化，而Type 4應(yīng)用了可以縮小計(jì)算圖并減少運(yùn)算量的全局平均池化，然后將得到的數(shù)據(jù)放入全連接層幫助網(wǎng)絡(luò)的訓(xùn)練.

設(shè)輸入灰度圖像的尺寸為256×256，所有非線性激活函數(shù)均為ReLU.如圖3所示，圖層L1～L7在輸入時(shí)使用未合并的特征映射.在圖層L8～L11的輸出上應(yīng)用3×3的池化，并使用步長(zhǎng)為2進(jìn)行平均，在L12層，通過(guò)計(jì)算每個(gè)16×16特征圖的統(tǒng)計(jì)矩(平均值)，將512個(gè)維度16×16的特征圖簡(jiǎn)化為512維特征向量，這個(gè)512維輸出進(jìn)入網(wǎng)絡(luò)的線性分類器部分，輸出判定的載體圖片(Cover)和載密圖片(Stego).

由于隱寫(xiě)分析屬于二分類，模型最后預(yù)測(cè)的結(jié)果只有載體Cover和載密Stego兩種情況，對(duì)每個(gè)類別預(yù)測(cè)得到的概率為p和1-p，SRNet使用交叉熵[27]做損失函數(shù)，損失函數(shù)表達(dá)式為

(6)

其中Sj表示樣本j的標(biāo)簽，載密Stego為1，載體Cover為0；而pj表示樣本j預(yù)測(cè)為正類的概率.

3 實(shí)驗(yàn)與驗(yàn)證

3.1 數(shù)據(jù)集與預(yù)處理

使用的原始圖像數(shù)據(jù)集是BOSSBase v1.01[28]，數(shù)據(jù)集包含10 000個(gè)大小為512×512的.pgm格式的灰度圖，其中包含生活、景點(diǎn)、建筑等多種類型圖片，BOSSbase1.01是Fridrich團(tuán)隊(duì)2011年所創(chuàng)建的用于隱寫(xiě)分析競(jìng)賽的專用數(shù)據(jù)集，采用7種不同類型數(shù)碼相機(jī)拍攝得到的圖像，可以防止單個(gè)數(shù)碼相機(jī)拍攝出現(xiàn)相機(jī)指紋，使判別器學(xué)習(xí)出現(xiàn)偏差[2]，圖4是BOSSbase數(shù)據(jù)集中不同類別的圖片.

首先將所有的圖像調(diào)整為256×256，并轉(zhuǎn)換為.jpg格式.本文選擇了3種有代表性的隱寫(xiě)術(shù)：nsF5、J-UNIWORD和UERD作為攻擊目標(biāo)，這3種隱寫(xiě)術(shù)都是JPEG域隱寫(xiě)算法.

隱寫(xiě)容量可用嵌入率(Payload)表示，表示平均每一個(gè)嵌入位置所能承載的隱蔽信息量，令m表示傳輸?shù)南⒘?，n為嵌入樣點(diǎn)的數(shù)量，則負(fù)載率e計(jì)算如式(7)所示：

e=m/n.

(7)

其單位為bpp(比特/像素)或bpnzac(每個(gè)非零AC系數(shù)的位數(shù)).利用0.1～0.5 bpnzac的隱寫(xiě)率對(duì)nsF5、J-UNIWORD和UERD 3種算法進(jìn)行隱寫(xiě)，將生成9類不同的載密圖像數(shù)據(jù)集，其中，圖像質(zhì)量因子(QF)都為95.在每次實(shí)驗(yàn)中，數(shù)據(jù)集共有原始圖像10 000張，載密圖像8 000張，訓(xùn)練集、測(cè)試集和驗(yàn)證集按照5∶4∶1的比例進(jìn)行分配.

圖4 BOSSbase數(shù)據(jù)集中部分圖片F(xiàn)ig.4 Part of pictures in BOSSbase datasets

圖5 3種隱寫(xiě)算法嵌入后的圖像隱寫(xiě)點(diǎn)圖(0.4 bpnzac)Fig.5 Dot map of image steganography after three steganography algorithms are embedded

3.2 頻域隱寫(xiě)算法性能分析

在自適應(yīng)隱寫(xiě)算法中，圖像中紋理復(fù)雜區(qū)域的元素被修改的可能性大于紋理平滑區(qū)域的元素，因?yàn)樵诮y(tǒng)計(jì)規(guī)律負(fù)載區(qū)域造成的擾動(dòng)不容易被察覺(jué).如圖5所示，隨機(jī)從BOSSBase 1.01數(shù)據(jù)集中抽取3張不同類型的圖片，經(jīng)過(guò)嵌入率Payload為0.4 bpnzac的3種隱寫(xiě)算法嵌入以后，所得到的圖像隱寫(xiě)點(diǎn)圖，從圖5中可以看出，自適應(yīng)隱寫(xiě)算法更傾向于在圖像紋理復(fù)雜的區(qū)域進(jìn)行嵌入操作.

如圖6所示，隨機(jī)從BOSSBase 1.01數(shù)據(jù)集中選取到1張建筑圖像，然后分別用3種隱寫(xiě)算法以0.1、0.4 bpnzac的嵌入率隱寫(xiě)后的圖像修改點(diǎn)圖，圖6中(a)～(d)嵌入率為0.1 bpnzac，(e)～(h)嵌入率全為0.4 bpnzac，Stego是以J-UNIWORD算法隱寫(xiě)的載密圖像.分析圖6中的修改點(diǎn)圖，嵌入率越大，隱寫(xiě)的內(nèi)容越多；當(dāng)嵌入率相同時(shí)，nsF5隱寫(xiě)算法的嵌入點(diǎn)輪廓最清晰，邊緣的嵌入比重與其他兩種算法相比較多，UERD隱寫(xiě)算法的修改點(diǎn)比較分散，而J-UNIWORD算法修改點(diǎn)主要集中在紋理復(fù)雜的中間區(qū)域.

當(dāng)嵌入率為0.1、0.4 bpnzac時(shí)，圖7是圖6對(duì)應(yīng)嵌入的隱寫(xiě)像素點(diǎn)數(shù)直方圖.從圖7中可以看出，當(dāng)嵌入率為0.1 bpnzac時(shí)，3種隱寫(xiě)算法的空間域像素差范圍在[-5,5]之間，遠(yuǎn)小于嵌入率為0.4 bpnzac的空間域像素差[-10,10]；并隨著嵌入率的增加，像素的點(diǎn)數(shù)也逐漸增加，空間域的像素差分布得更加均勻.

圖6 3種隱寫(xiě)算法在嵌入率為0.1、0.4 bpnzac時(shí)的隱寫(xiě)點(diǎn)圖Fig.6 Dot map of steganographic of the three steganography algorithms when the embedding rate is 0.1 and 0.4 bpnzac

圖7 3種隱寫(xiě)算法嵌入率分別為0.1、0.4 bpnzac的直方圖Fig.7 Histogram of three steganography algorithm with embedding rates of 0.1 and 0.4 bpnzac

圖8 嵌入率為0.4 bpnzac的J-UNIWORD訓(xùn)練和驗(yàn)證準(zhǔn)確率與損失Fig.8 Training and validation accuracy and loss for J-UNIWORD at 0.4 bpnzac(QF=95)

3.3 隨機(jī)分布的隱寫(xiě)性能分析

設(shè)置迭代40萬(wàn)次時(shí)，學(xué)習(xí)率由0.001降低到0.000 1，圖8(a)和(b)是基于J-UNIWORD隱寫(xiě)算法、嵌入率為0.4 bpnzac的SRNet訓(xùn)練過(guò)程和驗(yàn)證過(guò)程中準(zhǔn)確率和損失的變化.如圖8所示，當(dāng)?shù)?0萬(wàn)次時(shí)，檢測(cè)準(zhǔn)確率明顯升高，而模型損失下降，SRNet模型進(jìn)入收斂狀態(tài)，在后期，訓(xùn)練和驗(yàn)證的準(zhǔn)確率趨于一致，證明了SRNet模型的適用性.

分別用J-UNIWORD、UERD和nsF5自適應(yīng)算法在圖像嵌入率為0.1、0.3、0.5 bpnzac的情況下對(duì)SRNet模型的檢測(cè)準(zhǔn)確率進(jìn)行驗(yàn)證，如表1所示.實(shí)驗(yàn)對(duì)比發(fā)現(xiàn)，當(dāng)訓(xùn)練嵌入率為0.3 bpnzac、測(cè)試嵌入率為0.5 bpnzac時(shí)，SRNet隱寫(xiě)分析模型對(duì)UERD算法的檢測(cè)準(zhǔn)確率更高，達(dá)到93.16%；當(dāng)訓(xùn)練嵌入率為0.5 bpnzac、測(cè)試嵌入率為0.1 bpnzac時(shí)，SRNet隱寫(xiě)分析模型對(duì)nsF5算法的檢測(cè)準(zhǔn)確率更低，達(dá)到51.62%.

表2是表1三種隱寫(xiě)算法測(cè)試準(zhǔn)確率的平均值和方差，測(cè)試嵌入率為0.5時(shí)，模型平均值在80.77%～91.66%之間，方差在2.56%～7.37%之間，因此，可以看出SRNet具有很強(qiáng)的魯棒性.

表1 不同嵌入率SRNet模型上的準(zhǔn)確率

表2 SRNet模型上不同嵌入率的平均值和方差

表3 隨機(jī)分布數(shù)據(jù)上的SRNet模型的準(zhǔn)確率Tab.3 The accuracy of the SRNet model on randomly distributed data %

表4 0.4 bpnzac下SRNet訓(xùn)練算法和測(cè)試算法不匹配情況下的準(zhǔn)確率Tab.4 Detection accuracy for SRNet trained on one algorithm and tested on other algorithms payload fixed at 0.4 bpnzac

基于Fisher-Yates數(shù)據(jù)生成算法在SRNet模型上的準(zhǔn)確率如表3所示.實(shí)驗(yàn)統(tǒng)一選定迭代為45萬(wàn)次時(shí)的模型做測(cè)試，通過(guò)順序排列和FY置亂(Fisher-Yates置亂排列)的數(shù)據(jù)在進(jìn)行相應(yīng)的訓(xùn)練和測(cè)試時(shí)，除了訓(xùn)練嵌入率為0.3 bpnzac、測(cè)試嵌入率為0.5 bpnzac和嵌入率為0.5 bpnzac、測(cè)試為0.1 bpnzac時(shí)，順序排列的準(zhǔn)確率略高，F(xiàn)Y置亂數(shù)據(jù)的準(zhǔn)確率總體上都高于順序排列，表明Fisher-Yates置亂排列具有更強(qiáng)的適用性.

在實(shí)際應(yīng)用中，經(jīng)常需要用SRNet模型去檢測(cè)未知隱寫(xiě)源的圖片，為了評(píng)估SRNet模型檢測(cè)不匹配載密源的能力，本文在同一嵌入算法上訓(xùn)練SRNet，并在同一嵌入率下測(cè)試多種嵌入算法.表4中展示了嵌入率為0.4 bpnzac下測(cè)試了多種嵌入算法的準(zhǔn)確率，從實(shí)驗(yàn)結(jié)果來(lái)看，J-UNIWORD算法具有很好的遷移效果，當(dāng)基于J-UNIWORD訓(xùn)練的SRNet網(wǎng)絡(luò)對(duì)3種算法進(jìn)行測(cè)試時(shí)，平均準(zhǔn)確率為79.92%±0.23%；相對(duì)來(lái)說(shuō)，基于nsF5訓(xùn)練的SRNet網(wǎng)絡(luò)的遷移效果最差，3種隱寫(xiě)算法分析的平均準(zhǔn)確率為66.48%±3.63%.

4 結(jié)語(yǔ)

本文提出了一種基于Fisher-Yates隨機(jī)分布的數(shù)據(jù)生成算法，選擇J-UNIWORD、UERD和nsF5 3種自適應(yīng)隱寫(xiě)算法，以0.1～0.5 bpnzac的嵌入率，通過(guò)SRNet隱寫(xiě)分析模型訓(xùn)練、驗(yàn)證每種隱寫(xiě)算法的測(cè)試準(zhǔn)確率，通過(guò)實(shí)驗(yàn)數(shù)據(jù)分析，驗(yàn)證了隨機(jī)分布數(shù)據(jù)上的SRNet模型在圖像域的適用性.實(shí)驗(yàn)中，順序排列的個(gè)別測(cè)試準(zhǔn)確率比Fisher-Yates置亂排列略高，下一步將通過(guò)改進(jìn)網(wǎng)絡(luò)結(jié)構(gòu)，進(jìn)一步提高基于隨機(jī)分布的深度學(xué)習(xí)網(wǎng)絡(luò)圖像隱寫(xiě)分析的性能.