結合高效特征融合的可變尺寸圖像隱寫分析

肖瑞雪，馮英偉，屈建萍

1.河北建筑工程學院 信息工程學院，河北 張家口075000

2.河北建筑工程學院 電氣工程學院，河北 張家口075000

3.河北建筑工程學院 教務處，河北 張家口075000

隱寫術和隱寫分析在相互制約中不斷發展。當前主流的隱寫術是WOW、S-UNIWARD等自適應隱寫術[1]，它們僅在圖像的紋理區域嵌入微弱的隱寫信號，這使得隱寫分析工作面臨更大的挑戰。

典型的傳統隱寫分析模型是空域富模型（Spatial Rich Model，SRM）[2]，它分為特征設計和分類兩個階段。在特征設計階段，首先依賴專家手工設計的多個高通濾波器（High Pass Filters，HPFs）獲得富含隱寫信號的子特征向量，并通過組合等方式獲得約三萬多維的子特征；在分類階段，采用基于機器學習的集成分類器接收高維子特征，完成隱寫判別任務。但大量的子特征使得傳統隱寫分析模型的分類器需要較長的訓練優化時間，這極大地影響了隱寫檢測的效率；SRM的HPFs不能被訓練優化，難以應對飛速發展的隱寫術帶來的挑戰。

深度學習的卷積神經網絡可組合淺層次特征信息為高維語義特征，且將特征提取和分類階段融為一體加入到模型學習過程中，獲得較高的訓練優化效率和識別、分類準確率[3-5]。將深度學習卷積神經網絡應用于隱寫分析領域，既有效提高了隱寫檢測效率[6-8]，又獲得較好的隱寫分析性能。2015年，Qian等人[9]提出基于卷積神經網絡的隱寫分析模型，采用KV核進行預處理獲得殘差特征圖，隨后采用五個卷積層和高斯激活函數捕獲隱寫特征，模型的檢測準確率超過SRM。隨后，Xu等人[10]提出深層次隱寫分析模型，采用絕對值層、TanH激活函數加強統計建模。Ye等人[11]提出一個由八個卷積層組成的隱寫分析模型，在預處理層加入截斷線性單元（Truncated Linear Unit，TLU）和經HPFs初始化的卷積核，并首次將其加入網絡學習中；經仿真得知，在0.2嵌入率、WOW隱寫術、增強型數據集上，采用隨機初始化卷積核方式的模型的隱寫檢測錯誤率為0.5，僅采用SRM的HPFs初始化卷積核方式的模型的隱寫檢測錯誤率為0.226 1，將經SRM的HPFs初始化的卷積核加入網絡學習過程的模型的隱寫檢測錯誤率為0.198 2，說明將經SRM的HPFs初始化的卷積核加入網絡學習過程中可實現隱寫特征的自動化學習，有利于提升模型的特征表達能力，這一結論在S-UNIWARD、HILL隱寫術下得到同樣的論證。Yedroudj等人[12]提出一個由五個卷積層組成的隱寫分析模型，稱為YedroudjNet，在WOW、S-UNIWARD隱寫算法上的檢測準確率遠高于傳統的SRM。深度殘差網絡可有效解決模型網絡的退化問題，也逐漸被應用于隱寫分析研究工作中[13-16]。

本文設計一個基于高效特征融合的多尺寸圖像隱寫分析模型。將經HPFs初始化的卷積核加入網絡學習中，便于提升隱寫信號的提取效率；提出特征融合的思想，在特征提取層中融合子網絡輸出的抽象、非線性的高維隱寫特征，獲得特征間依賴性信息，增強隱寫特征識別能力；提出改良版SPP，以自適應多尺寸圖像，并有效增強隱寫特征的多樣性。

1 隱寫分析模型

1.1 模型架構

基于高效特征融合的可變尺寸圖像隱寫分析模型如圖1所示。

圖1 隱寫分析模型簡圖Fig.1 Steganalysis model diagram

隱寫分析模型網絡由預處理層、特征提取層和分類層組成。在預處理層中，將經多個HPFs初始化的卷積核加入到網絡學習中，并從輸入圖像中獲得富含多階隱寫信號的殘差特征圖；在特征提取層中，采用子網絡1提取抽象的隱寫語義特征，采用子網絡2提取非線性、高維的隱寫特征，隨后采用改良版空間金字塔池化（Spatial Pyramid Pooling，SPP）[17]獲得多樣化隱寫特征和自適應多尺寸隱寫特征圖，最終采用拼接方法融合兩個子網絡特征得隱寫特征間的依賴信息；在分類層中，采用一個全連接層與Softmax函數統計得圖像樣本的判別概率值，據此判別圖像為載體圖像或載密圖像。

1.2 預處理層

傳統SRM采用多階HPFs可充分捕獲圖像中水平、垂直、對角線、副對角線鄰域像素的相關信息，輸出經抑制圖像內容和放大隱寫痕跡后的殘差特征圖，因此，在預處理層中引入SRM的HPFs，有效捕獲隱寫信號。根據Ye等人[11]的研究結果可知，將經HPFs初始化的卷積核加入到網絡學習中可取得較好的隱寫檢測準確率，因此，在深度學習基礎上，采用36個HPFs初始化36個卷積核，并將其加入到網絡學習過程中，從而彌補手工設計的不足，實現隱寫特征的自動化學習，加快收斂速率。在3.1節開展了預處理層的HPFs和自動化學習的仿真分析。

在預處理層中，采用一階、二階、三階、四階、五階、六階HPFs初始化卷積核，它們在水平方向的殘差值計算方法如表1所示。

表1 殘差值計算方法Table 1 Residual value calculation method

圖2 二階HPFFig.2 Second order HPF

豎直、對角線、副對角線方向的HPFs可由水平方向HPF旋轉不同的角度所得。殘差特征圖計算過程可被變換為卷積運算，如公式（1）所示：

R表示殘差特征圖，*表示卷積運算，X表示輸入圖像，K表示經HPFs初始化的卷積核（寬為W′、高為H′）；r(i,j)表示像素(i,j)的殘差值；(r,c)表示第r行、第c列，0≤r≤H′,0≤c≤W′；x(r,c)(i,j)表示中心像素位置為(i,j)的局部圖像（寬為W′、高為H′）的第r行、第c列的像素值，k(r,c)表示K的第r行、第c列的值。采用水平方向的二階HPF初始化后的K如圖3所示。

圖3 卷積核Fig.3 Convolution kernel

經一階至六階HPFs初始化的卷積核尺寸分別為3×3、3×3、5×5、5×5、7×7、7×7；根據對稱性可得一階至六階HPFs的數量分別為8、4、8、4、8、4，則經HPFs初始化后的卷積核數量為36。最終輸出一個包含多階隱寫特征的殘差特征圖。

1.3 子網絡1

為充分捕獲抽象的隱寫語義特征，設計由Ghost瓶頸層和殘差模塊組成的子網絡1。Ghost瓶頸層[18]通過卷積操作和線性變換可提取豐富的關鍵隱寫特征，其中Ghost瓶頸層1可從殘差特征圖中提取冗余的隱寫特征，Ghost瓶頸層2通過降采樣方法增強對隱寫特征幾何變化的容忍性，且降低參數規模，因此借鑒Ghost作者的Ghost瓶頸層1和Ghost瓶頸層2堆疊使用的設計模式，依次采用Ghost瓶頸層1、Ghost瓶頸層2提取冗余的隱寫特征；對于豐富、冗余的隱寫特征，殘差模塊可通過多個網絡分支提取深層次、抽象的語義特征，有效增強模型的泛化能力，因此采用由兩個不同深度的網絡分支組成的殘差模塊從冗余特征中提取抽象的隱寫語義特征。子網絡1的結構簡圖如圖4所示。

圖4 子網絡1 Fig.4 Subnet 1

Ghost瓶頸層由Ghost單元模塊組合而成。Ghost單元模塊包括卷積運算和線性變換，其計算方法[18]分別如公式（2）、公式（3）所示：

f表示卷積核；Y=[y1,y2,…,yi,…,ym]表示經卷積運算的m通道特征圖，1≤i≤m；φ(i,j)(yi)表示對第i個特征圖作第j次線性變換；表示經線性變換的m×s通道的特征圖，1≤j≤s；φ(i,s)(yi)為Y特征圖的第i個通道yi。在本文中，設置s=3。

Ghost單元模塊可靈活自定義卷積核數量，在卷積運算的基礎上添加了線性變換，將m通道的特征圖放大s倍，輸出m×s通道的多樣化、冗余特征圖。對于隱寫分析任務，Ghost單元模塊通過線性變換提取包含輸入信息的冗余特征，從而增強特征的多樣性，便于提取較微弱的隱寫信號。

Ghost作者設計的Ghost瓶頸層1如圖5所示，Ghost瓶頸層2如圖6所示。

圖5 Ghost瓶頸層1Fig.5 Ghost bottleneck layer 1

圖6 Ghost瓶頸層2Fig.6 Ghost bottleneck layer 2

Ghost瓶頸層組合了多個Ghost單元模塊，期望捕獲充足的隱寫特征信息。根據Ghost[18]領域知識可知，Ghost瓶頸層中首個Ghost單元模塊的功能是擴展通道數量；設置Ghost單元模塊的卷積操作是卷積核尺寸為1×1的點卷積運算，從而在保存全面特征信息的同時減少計算量。Ghost瓶頸層1可從殘差特征圖中提取冗余的隱寫特征；與Ghost瓶頸層1相比，Ghost瓶頸層2插入步長為2的深度可分離卷積層，可有效增強對特征幾何變化的容忍性，降低參數規模。

為從冗余特征中提取抽象的隱寫語義特征，在子網絡1的尾部添加由兩個網絡分支組成的殘差模塊。在殘差模塊中，第一個網絡分支由兩個堆疊的卷積、批次標準化（Batch Normalization，BN）、整流線性單元（Rectifie Linear Units，ReLU）操作組成，其中卷積核數量分別為144和288，第二個網絡分支由一個卷積、BN、ReLU操作組成，卷積核數量為288，將它們的輸出特征圖相加得抽象的隱寫語義特征圖。

1.4 子網絡2

為適應隱寫信號的非線性分布，且捕獲高維度的隱寫特征，設計由Ghost瓶頸層和密集連接模塊組成的子網絡2。在子網絡2中，首先采用Ghost瓶頸層2的降采樣方法降低參數規模，增強對隱寫特征幾何變化的容忍性；Ghost瓶頸層3采用Ghost瓶頸層1提取豐富的特征信息，再通過降采樣和非線性變換方法摒棄冗余的特征，并提取非線性特征，因此采用Ghost瓶頸層3提取非線性、低冗余的隱寫特征；密集連接模塊通過大量短路連接匯聚多層特征得高維組合特征，增強特征表達能力，因此采用密集連接模塊從非線性、低冗余的特征中提取得高維、非線性的隱寫特征。子網絡2的結構簡圖如圖7所示。

圖7 子網絡2 Fig.7 Subnet 2

為較好地適應隱寫信號的非線性分布狀態，且提取低冗余的隱寫特征，設計了Ghost瓶頸層3，如圖8所示。

圖8 Ghost瓶頸層3Fig.8 Ghost bottleneck layer 3

Ghost瓶頸層3主要由Ghost瓶頸層1、步長為3的深度可分離卷積、Ghost單元模塊堆疊而成。其中，Ghost瓶頸層1發揮增加特征通道數的功能，所有Ghost模塊的卷積操作是卷積核為1×1的點卷積運算。與Ghost瓶頸層1和Ghost瓶頸層2相比，Ghost瓶頸層3采用較大步長的降采樣方式壓縮獲得低冗余的隱寫特征，且采用大量的ReLU非線性變換方法增強隱寫特征的非線性表達能力，以適應隱寫信號的非線性分布狀態。

為提取高維組合特征，增強特征表達能力，在子網絡2的尾部添加由3個卷積層組成的密集連接模塊，其中，每個卷積層的卷積核數量均為72。為保證最大程度的信息傳輸，密集連接模塊的每一個卷積層將其前面所有輸入特征圖進行拼接，隨后將輸出的特征圖傳遞給之后的所有卷積層。因此，密集連接模塊通過特征圖的拼接操作組合多維特征信息，從而能增強模型的特征表達能力，最終輸出非線性的高維隱寫特征。

1.5 改良版SPP

為應對子網絡1和子網絡2的可變尺寸特征圖，增強模型的魯棒性，且提取更多樣化的隱寫特征，設計了改良版SPP，如圖9所示，其中H表示特征圖的高度，W表示寬度，C表示通道數。

圖9 改良版SPP Fig.9 Improved SPP

SPP[17]可自適應多尺寸的輸入圖像，輸出相同維度的特征向量，改良版SPP也具備這些優勢。此外，改良版SPP將最大池化方法替換為平均池化，以適應微弱的隱寫信號；且在不過分增大計算量的前提下，添加窗口和步長為(H/3)×(W/3)的平均池化操作，便于捕獲多樣化的隱寫特征。相關的仿真分析結果見3.6節。

1.6 模型參數細節

模型的重要參數信息如表2所示。擴展通道數表示Ghost瓶頸層中首個單元模塊或瓶頸層的輸出特征圖通道數。

表2 模型參數信息Table 2 Parameter information of model

除特別說明，模型網絡的卷積核尺寸均為3×3，步長為1，填充模式為“SAME”；采用Xavier初始化所有卷積核權重，設置偏置值為0.02。

2 數據集和仿真環境

2.1 數據集預處理

在BOSSBase v1.01和LIRMMBase圖像數據集上進行評估。BOSSBase v1.01數據集是從7個數字照相機中獲取的10 000張512×512的PGM格式灰度圖像，圖像與照相機的詳細信息如表3所示。

表3 圖像與所屬照相機信息Table 3 Image and camera information

LIRMMBase數據集是10 000張512×512的PPM格式彩色圖像，將其變換為PGM格式灰度圖像，便于開展研究。

考慮到當前GPU的算力限制，采用MATLAB的imresize()函數縮放圖像尺寸為256×256；采用WOW、S-UNIWARD自適應隱寫術作為隱寫檢測對象；將隱寫分析任務看作二分類問題，即標記載體圖像為0，載密圖像為1；依據比例8∶1∶1隨機劃分載體、載密圖像集至訓練集、驗證集和測試集中，則訓練集中包含16 000對載體、載密圖像，驗證集中包含2 000對載體、載密圖像，測試集中包含2 000對載體、載密圖像。

2.2 仿真參數設計

實驗的硬件環境是基于12 GB顯存的TITAN X型號GPU，軟件環境是基于Ubuntu16.04系統的Tensorflow深度學習框架，編程語言是Python3.7。

初始的學習率為0.03，隨后學習率依據指數衰減法不斷減小。指數衰減計算方法如公式（4）所示：

r′表示初始的學習率；r表示每輪的已優化學習率；dr表示衰減系數，為0.95；gs表示全局步數，初始值為0，在訓練優化階段中，每輸入一次數據樣本，全局步數加1；ds表示衰減速度，為2 000。

2.3 評估標準

根據圖像樣本的標簽和模型的預測值，采用準確率表征模型的預測性能，計算方法如公式（5）所示：

TP表示標簽值是正例、預測值也是正例的圖像樣本量；TN表示標簽值是負例、預測值也是負例的圖像樣本量；FP表示標簽值是負例、預測值是正例的圖像樣本量；FN表示標簽值是正例、預測值是負例的圖像樣本量。

采用熱力圖表征模型隱寫檢測功能的正確性。模型可能學習到固定數據集中與隱寫無關的某個共性特征完成隱寫分析任務，這使得模型不具備泛化性能，違背了隱寫檢測的初衷。熱力圖以高亮的形式標注模型的關注區域，幫助學者分析模型的特征捕獲細節，確保隱寫檢測功能的正確性。

采用損失值表征模型的判定輸出與期望輸出的差異。本文采用的交叉熵損失函數如式（6）所示：

其中，yLoss表示模型的判定輸出結果表示模型的期望輸出結果。

3 仿真分析

3.1 HPFs和自動化學習對隱寫分析的影響

研究HPFs和自動化學習對隱寫分析的影響。HPF可有效抑制圖像內容，放大隱寫信號，輸出具備較高隱寫信息含量的殘差特征圖，從而降低模型的隱寫特征捕獲壓力，提高收斂效率；將經HPF初始化的卷積核加入網絡訓練過程，可實現預處理層的自動化學習，促使模型所有參數隨著隱寫檢測損失值的減小而不斷被優化。在0.4嵌入率的WOW隱寫術下統計模型在不同HPFs和自動化學習的損失值和隱寫檢測準確率，結果如表4、表5所示。

表4 非自動化學習下HPFs對模型的影響Table 4 Influence of HPFs on model under non automatic learning

表5 自動化學習下HPFs對模型的影響Table 5 Influence of HPFs on model under automatic learning

根據表4和表5結果可知，當實現預處理層的自動化學習后，無論是否采用HPFs，模型的損失值減小，隱寫檢測性能得到一定的改善，說明自動化學習可使模型參數得到充分的優化，提升隱寫檢測能力。在自動化學習的前提下，當未采用HPFs時，模型的損失值較大，隱寫檢測準確率為57.79%，說明模型沒有收斂；采用HPFs時，模型的損失值明顯減小，隱寫檢測準確率有較大提升，說明HPFs可提升模型的收斂效率；單獨采用三階HPFs時，模型具備較低的損失值和較高的隱寫檢測準確率，說明經三階HPFs初始化的卷積核可從圖像中捕獲高含量隱寫信號；采用一至六階HPFs時，模型的損失值為0.035 1，隱寫檢測準確率為96.46%，具備最佳的隱寫檢測性能，說明經多階HPFs初始化的卷積核可從圖像中捕獲高含量的多階隱寫信號，有效促進模型的特征表達。

3.2 池化對隱寫分析的影響

研究池化操作對隱寫分析的影響。隱寫操作可被看作在圖像樣本中嵌入+1、0、-1的微弱隱寫信號。池化通過降采樣操作可有效縮小特征圖，避免過擬合現象的出現，但過多的池化操作會抑制隱寫信號。在當前隱寫分析模型的所有一般卷積層后加入窗口尺寸為3×3、步長為2的平均池化層，相關卷積運算步長參數也作一定的調整，統計在0.4嵌入率的WOW隱寫術下模型的損失值和檢測準確率，如表6所示。

表6 池化對模型的影響Table 6 Influence of pooling on model

添加平均池化層后，當隱寫分析模型達到收斂狀態時，檢測準確率是93.13%，低于原模型的檢測準確率約3個百分點；說明過多的平均池化層會抑制隱寫信號，不利于隱藏分析工作的開展。

3.3 Ghost單元模塊對隱寫分析的影響

研究Ghost單元模塊對隱寫分析的影響。與一般卷積操作相比，Ghost單元模塊依靠線性變換輸出富含多樣化隱寫特征的多通道特征圖。在0.4嵌入率的WOW隱寫術下，刪除Ghost單元模塊的線性變換部分，僅保留常規卷積操作，統計模型的損失值和隱寫檢測準確率，結果如表7所示。

表7 Ghost對模型的影響Table 7 Influence of Ghost on model

當摒棄Ghost單元模塊的線性變換部分時，模型的損失值略高，隱寫檢測準確率降低約3個百分點；說明Ghost單元模塊通過線性變換可輸出多樣化的冗余隱寫特征信息，有利于增強模型的特征表達能力。

3.4 殘差模塊對隱寫分析的影響

研究殘差模塊對隱寫分析的影響。子網絡1的殘差模塊通過兩個網絡分支在加深網絡層數的同時，有效解決梯度消失的問題。僅保留殘差模塊的主網絡分支，在0.4嵌入率的WOW隱寫術下統計模型的損失值和隱寫檢測準確率，如表8所示。

表8 殘差模塊對模型的影響Table 8 Influence of residual module on model

當模型無殘差模塊時，隱寫檢測準確率降低約4個百分點；說明對于同等深度的網絡，殘差模塊可保留較多的輸入信息，避免梯度消失現象的出現，有利于學習抽象的語義特征，增強模型的隱寫語義特征理解能力。

3.5 密集連接模塊對隱寫分析的影響

研究密集連接模塊對隱寫分析的影響。在密集連接模塊中，每一個網絡層的輸入信息為前面所有網絡層的輸出特征圖，這加強了特征在網絡中的傳遞。取消密集連接模塊的短路連接，保證每個網絡層的輸入信息僅為上一個網絡層的輸出特征圖，在0.4嵌入率的WOW隱寫術下統計模型的損失值和隱寫檢測準確率，如表9所示。

表9 密集連接模塊對模型的影響Table 9 Influence of dense connection module on model

當模型無密集連接模塊時，隱寫檢測準確率降低約6個百分點；說明密集連接模塊可獲得高維組合隱寫特征，提升模型的隱寫檢測性能。

3.6 改良版SPP對隱寫分析的影響

研究改良版SPP對隱寫分析的影響。設計兩個改良版SPP方案，稱為改良版SPP1和改良版SPP2。與傳統SPP相比，改良版SPP1將傳統SPP的最大池化操作替換為平均池化操作，以適應微弱的隱寫信號；改良版SPP2在改良版SPP1基礎上，添加窗口和步長為(H/3)×(W/3)的平均池化操作，期望提取較豐富、多樣的隱寫特征。在0.4嵌入率的WOW隱寫術下統計模型的損失值和隱寫檢測準確率，結果如表10所示。

表10 改良版SPP對模型的影響Table 10 Influence of modified SPP on model

改良版SPP1模型的隱寫檢測準確率高于傳統SPP約1個百分點，說明平均池化操作更有利于保留微弱的隱寫信號；改良版SPP2模型的隱寫檢測準確率高于傳統SPP約2個百分點，說明增加池化操作可提取多樣化的隱寫特征，促進模型的特征表達能力。

3.7 子網絡組合對隱寫分析的影響

研究子網絡組合對隱寫分析的影響。模型的兩個子網絡捕獲了抽象、非線性、高維的隱寫語義特征，將其組合后，融合的特征中還包含兩子網絡特征的依賴性信息。分別設置模型僅包含子網絡1、子網絡2，在0.4嵌入率的WOW隱寫術下統計模型的損失值和隱寫檢測準確率，如表11所示。

表11 子網絡對模型的影響Table 11 Influence of subnetwork on model

當模型僅包含子網絡1和僅包含子網絡2時，隱寫檢測準確率較低，分別為83.31%和86.23%，說明模型的子網絡1和子網絡2可從殘差特征圖中捕獲較豐富的隱寫特征；原模型的損失值明顯較低，準確率為96.46%，說明融合子網絡1和子網絡2的隱寫特征后可得抽象、非線性、高維的隱寫語義特征，同時獲得隱寫特征間的依賴信息，這有效促進模型的特征表達能力。

3.8 熱力圖可視化分析

采用熱力圖可視化模型，便于分析模型關注的區域。在0.4嵌入率的WOW隱寫術下，模型的熱力圖如圖10所示。

圖10 20000.pgm的熱力圖Fig.10 Thermal diagram of 20000.pgm

亮色區域為模型重點關注的區域，暗色區域為模型判定的對隱寫分析無貢獻的區域。分析可知，模型重點關注建筑物的棱角和臺階區域，期望從中捕獲隱寫信號。WOW等自適應隱寫術優先將信息隱藏至紋理豐富的圖像區域，例如此圖中建筑物的棱角和臺階，因此可確定本隱寫分析模型根據從圖像紋理區域中捕獲的特征信息完成隱寫分析任務，具備正確的隱寫分析功能。隱寫術在圖像中嵌入的隱寫信號分布狀態如圖11所示，白色像素值即為嵌入的隱寫信號。

圖11 20000.pgm的隱寫信號分布圖Fig.11 Steganography of 20000.pgm

3.9 與其他隱寫分析方法的對比

將本模型與其他隱寫分析模型作比較，結果如表12所示。

表12 與其他隱寫分析方法的比較結果Table 12 Comparison with other steganalysis methods

與SRM隱寫分析模型相比，本模型將手工特征提取方式優化為自動化特征提取方式，有效提升隱寫檢測效率和隱寫檢測性能；與YedroudjNet相比，本模型通過并行子網絡融合抽象、非線性的高維隱寫語義特征，且獲得特征間的依賴性信息，提升模型的隱寫特征表達能力；本模型在0.2、0.4嵌入率的WOW隱寫術下的檢測準確率分別為82.6%和96.5%，在0.2、0.4嵌入率的S-UNIWARD隱寫術下的檢測準確率分別為81.4%和95.2%。

4 結束語

本文針對隱寫檢測任務提出一個基于高效特征融合的可變尺寸圖像隱寫分析模型。采用經多階HPFs初始化卷積核的網絡層仿真手工特征提取方法，并將其加入網絡自動化學習中，提高了隱寫信號的捕獲效率；融合兩個子網絡的抽象、非線性的高維隱寫語義特征，并捕獲特征間的依賴信息，增強模型的隱寫特征識別能力；采用改良版SPP增加隱寫特征的多樣性，自適應可變尺寸圖像。實驗結果表明，仿真多階手工特征提取方法，并將其加入自動化學習中，有助于捕獲隱寫信號，顯著提升模型網絡的收斂效率；融合兩個子網絡的隱寫特征可獲得特征間依賴信息，有效提升模型的隱寫檢測準確率；改良版SPP既可自適應可變尺寸圖像，又能提升隱寫檢測性能；采用熱力圖可視化模型的關注區域，可知模型通過正確提取隱寫特征完成檢測任務；模型對嵌入率為0.2、0.4的WOW隱寫術的檢測準確率為82.6%、96.5%，對嵌入率為0.2、0.4的S-UNIWARD隱寫術的隱寫檢測準確率為81.4%、95.2%，優于SRM、YedroudjNet隱寫分析模型。未來研究工作是采用融合特征的思想融合彩色圖像顏色通道間和通道內的隱寫特征信息，提升彩圖隱寫分析性能。