規避預處理的隱寫載體選擇

摘要：在隱寫術流程中，載體的選擇在很大程度上影響著隱寫系統的安全性。實驗表明，經過預處理后的圖像在用于隱寫嵌入后會導致隱寫安全性大幅降低。當給出較多備選圖像時，可以選取多張圖像用于進行隱寫來提升隱寫系統安全性。利用深度神經網絡模型篩選出備選圖像中已被預處理過的圖像，根據深度神經網絡輸出賦予備選圖像預處理失真，并結合傳統的嵌入失真算法選擇出最適合隱寫的多幅圖像進行隱寫。與其他多載體隱寫載體選擇方案相比，所提出的載體選擇方案在備選圖像中含有預處理圖像的情形下有著較好的表現，能夠顯著提升隱寫系統安全性。

關鍵詞：圖像隱寫；載體選擇；深度神經網絡；融合失真

中圖分類號：TP 309 文獻標志碼：A

隱寫術作為一種隱蔽通信手段，旨在將信息嵌入日常傳播載體，如圖像，而不影響載體的語義內容[1]。其核心目標在于將隱秘信息融入社交網絡中進行傳遞。傳統圖像隱寫方法通過微調圖像像素值來實現，早期隱寫技術中代價函數與像素位置無關。最低有效位編碼（LSB）[2] 和最低有效位匹配隱寫方法（LSBM）[3] 是比較經典的隱寫技術。為保持像素分布的一致性， 后續涌現了F5[4]，nsF5[5]，MB[6]，HPDM[7] 等隱寫技術。隨著隱寫術的發展，研究者發現不同嵌入位置導致的嵌入失真不同，因此，基于像素位置的代價函數計算成為新的研究方向。濕紙編碼[8]、S-UNIWARD 隱寫方法[9]、HILL 方法[10] 等應運而生，這些方法都是定義新的代價函數，并且在隱寫過程中盡量減小代價函數[11]。隨著神經網絡的不斷發展，利用網絡進行隱寫的方法近年來也不斷被提出。2019 年，Yang 等[12] 提出的JS-GAN 方法將對抗網絡思想應用于JPEG 圖像；2020 年，Tang 等[13] 提出的強化學習SPAR-RL 方法彌補了生成式對抗網絡中無法完美擬合真實情況下像素離散修改的缺陷，在安全性方面也有所提升；2021 年， Tang 等[14]提出的JEC-RL 方法將強化學習應用于JPEG 圖像。

隱寫分析旨在檢測圖像是否經過隱寫處理[15]。現代隱寫分析借助有監督機器學習，從載體圖像與含密圖像中提取特征[16-17]，成對輸入模型進而訓練隱寫分析模型參數。訓練后得到的隱寫分析模型可用于判別圖像是否經過隱寫。其中集成分類器[18] 應用比較廣泛，集成分類器訓練多個弱分類器分別進行判別，在判別時合并多個弱分類器的結果進行最終判別。這種分析方式不僅提升了隱寫分析的效率，也提高了隱寫分析的精度。近年來，深度學習方法也在隱寫分析方面取得重要進展[19-21]，深度學習方法主要是通過神經網絡進行特征提取和特征分析以判斷圖像是否經過隱寫。

Ker[22] 在研究中證實，隱寫的安全性與隱寫過程中所使用圖像數量的平方成正比。在備選圖像充足時，選擇多張合適圖像進行隱寫以提升隱寫系統安全性的方式是可行的。由于隱寫術傾向于將隱秘信息隱寫在圖像的復雜紋理處，所以在圖像選擇過程中傾向于選擇復雜圖像，如Kharrazi等[23] 提出選擇JPEG 圖像中可修改DCT 特征較多者進行隱寫。為抵御批量隱寫分析，Wang 等[24] 使用與秘密圖像集的最大均值差異（MMD）作為載體集的選擇標準。Zhao 等[25] 則以直方圖均衡度為度量，更傾向于使用直方圖均衡度高的圖像進行隱寫嵌入。Wu 等[26] 將圖像建模成高斯混合模型，通過計算Fisher 信息矩陣來評估圖像的隱寫能力。還有團隊通過塊殘差、塊能量和塊波動分析圖像復雜度，優先選擇復雜圖像進行嵌入。文獻[27] 證實，隨著嵌入信息增多，單張圖像所受畸變的一階導數單調遞增，從而提出了一種多載體選擇策略，確保各圖像在嵌入后畸變的一階導數相等，同時分配嵌入信息量。

為實現隱蔽的信息傳遞，隱寫方案中的載體圖像通常選自媒體傳輸的數字圖像。然而，網絡傳輸的圖像可能經過預處理以增強內容，如使用維納濾波對圖像降噪或使用中值濾波降噪。預處理通常對圖像復雜處的紋理進行平滑處理，而隱寫則更傾向于更改圖像的復雜紋理區域，因此預處理可能影響隱寫安全性，之后我們也將利用實驗驗證這一觀點。然而，傳統方法往往僅考慮嵌入失真，忽略了預處理對隱寫的影響。

本文提出一種綜合考慮圖像預處理失真與嵌入失真的載體選擇方案，本方案可有效提升隱寫系統的安全性。

1 預處理影響

本節主要通過實驗探究使用經過預處理的圖像進行隱寫對于隱寫系統安全性的影響。所使用的圖像是從常用的BOSSbass ver. 1.01 圖像庫[28] 選擇的，該圖像庫具有10 000 張大小為512×512的灰度圖。選取前500 張圖像進行測試，對選出的圖像進行7 種常用的預處理操作：腐蝕、直方圖均衡、均值濾波、膨脹、銳化、維納濾波、中值濾波。

設置預處理后的圖像嵌入率為0.5 bpp，使用HILL 方法嵌入隱秘信息于圖像得到經過隱寫的圖像。提取圖像的SRM 特征[16]，并將提取所得SRM特征輸入集成分類器[18] 進行隱寫分析。集成分類器進行判別，集成分類器判別的正確性PE的計算公式為

式中：Pfa為虛報率Pmd為漏報率Pe—般取值 在0?0.5之間Pe越小說明隱寫系統安全性越 差。得到的結果如表1所示。從表1可以看出， 經過中值濾波、腐蝕、膨脹等預處理的圖像進行 隱寫后，隱寫系統安全性為0，銳化預處理的圖像 進行隱寫后，隱寫系統安全性是原本的1/3，這也 進一步證實，使用預處理的圖像作為隱寫載體， 會使得隱寫系統的安全性大大降低。

2 載體選擇方案

2.1 載體選擇流程

本節提出了一種綜合考慮圖像預處理失真與 嵌入失真的載體選擇方案，載體選擇流程圖見 圖1。將待選的n張圖像{X1，X2，... ，Xn}輸入神經網絡，網絡將輸出0?1之間的一個數字，使用網絡 輸出計算出圖像的預處理失真{DY1，DY2， ...，DYn}。 使用傳統方法計算n張圖像的嵌人失真為 {DE1，DE2，…，En}，由于經過預處理的圖像用于隱 寫會對隱寫系統的安全性造成嚴重影響，所以本 文所提出的排序方案會優先選擇未經過預處理的 圖像用于隱寫，為達到該目的，將融合失真時預 處理失真權重設置得更大。假設n張圖像中有α張 圖像未經過預處理，則這α張圖像將會排在前 α名，具體排名根據方案計算的融合失真確定；剩 下的經過預處理的（n-α）張圖像根據計算所得融合 失真排序在后面。最終排名為{Df⑴，Df（2），…，Df（n）}， 如果要選k長圖像進行隱寫，那么就選擇排序前k張圖像。也就是{Df（1），Df（2），...，Dfk}這些特征對 應的{Xf（1），…，Xf（k）}圖像進行隱寫。

2.2 網絡訓練流程

a. 網絡架構。

本方案參考ResNet 架構[27] 構建深度學習網絡ResNet06sig 作為流程圖1 中的神經網絡，網絡整體結構如圖2 所示。輸入灰度圖經過一個包含64 個7×7 卷積核，步長為2，填充為3 的卷積層后輸入殘差層。每個殘差層包括兩個殘差卷積層（第一殘差卷積層rc1 和第二殘差卷積層rc2），每個殘差卷積層均包含64 個大小為3×3 的卷積核，步長為1，填充為1。輸入信息依次經過兩個殘差卷積層rc1 和rc2，然后再經過批量歸一化操作和一個Relu 層后獲得輸出信息。數據A1 經過第一殘差層r1 后， 獲得數據A2， 然后數據A1 和數據A2 相加得到數據A3 作為殘差層r2 的輸入信息，經過第二殘差層r2 后獲得數據A4， 再將數據A3 和數據A4 相加得到數據A5。網絡最終經過sigmoid 層輸出0～1 之間的一個數。

b. 數據集分配。

網絡訓練數據集使用的是BOSSbass ver. 1.01圖像庫[28]，共10 000 張圖像，前5 000 張用于訓練網絡。對這5 000 張圖片分別進行腐蝕、直方圖均衡、膨脹、銳化預處理后獲得4 份數據集， 這4 份數據集作為預處理圖像數據集。為了數據平衡，將前5 000 張圖片分別進行復制、旋轉90?、旋轉180?操作獲得3 份數據集，與原始5 000 張圖片的數據集作為未經預處理的圖像數據集。8 份數據集一共40 000 張圖像，將每份數據集的前80%作為訓練集、后20% 中的10% 作為測試集、剩下的10% 作為驗證集。將經過預處理的圖像標簽設置為0，未經過預處理的圖像標簽設置為1。使用訓練集進行網絡訓練，每輪訓練后使用測試集對模型精度進行測試，驗證集用于對最終的模型進行精度測試。

c. 網絡訓練結果。

訓練網絡的過程中，每批次輸入32 張圖像進行訓練，初始學習率設置為0.001。模型一共訓練40 輪，訓練過程中設置動態學習率，每4 輪學習率相同，下一個4 輪學習率變為上4 輪學習率的0.7 倍，最后一輪學習率約為第一輪的1/30，這使得模型更好地趨于最優點。使用二元交叉熵損失函數作為損失函數，利用Adam 梯度下降算法優化模型參數。

在訓練過程中，輸出與標簽之間差距小于等于0.5，可認為網絡輸出準確。每次訓練過后得到的模型在測試集上進行測試。選擇在測試集表現最好的網絡參數構成最終的網絡，訓練40 輪后可以發現第36 輪后所得參數最優秀，在驗證集上準確度為99.10%。

2.3 嵌入失真

使用常用的嵌入隱寫算法如S-UNIWARD 方法[9]、HILL 方法[10] 中的嵌入失真函數與最小化失真理論可以求得圖像的嵌入失真，使用嵌入隱寫算法中所定義的失真函數能夠計算出每個像素被更改的代價。假設圖像含有個像素，可以表示為X = ｛x1，"x2，…"xi｝，通過失真函數計算出第個像素加一減一的失真代價為ρi+和ρi-，則根據最小加性失真理論可以求得加密之后的理論最小加性失真DE求解方法為

p-i和p+i代表的是對第i個像素減一加一的概率， λ是與嵌入量m有關的一個參數，最終需要滿足修 改概率的三元信息熵等于m。已知ρi+，ρi-，m， 可以通過式（3）?（5）計算出λ的值。

此時圖像X的嵌入失真等于DE。

2.4 失真融合與載體選擇

由表1 可以看出，使用預處理過后的圖像用于隱寫會損害隱寫系統的安全性，所以方案優先選擇未經預處理圖像用于隱寫，將預處理失真的優先級提高。為提升預處理失真優先級，本文賦予經過預處理的圖像一個非常大的失真權重，使得預處理過后的圖像總失真巨大，那么經過預處理的圖像排序就會靠后，實際權重設置為1010，預處理失真的計算公式為

DY = 1010 ×（1- L） （6）

式中，L 代表深度網絡輸出結果。

融合后的總失真的計算公式為

D = DY +DE （7）

式中，DE代表圖像的嵌入失真。

計算出所有備選圖像總失真為{D1，D1，…，Dn} 后進行升序排列，設排序出的排序結果為 {Df（1），Df（2），… ，Df（n）}，其中 Df（1）對應的圖像為 Xf（1），則最終輸出的k張圖像為（X1，X2，…，Xk}。載 體選擇策略如下：輸入，備選數據集{X1，X2，…，Xn}， 訓練數據集{T1，T2，…，Tr}，選擇圖像數量k;輸 出，選擇的k張圖像{Xf（1），Xf（2），…，Xf（k）}。步 驟：（a）使用訓練數據集{T1，T2，…，Tr}訓練 ResNet06sig 分類模型；（b）將{X1，X2，…，Xn}輸入 訓練好的分類模型得到L，計算預處理失真 {DY1， DY2，…，DYn） ； （C）根據式（2）計算{X1，X2，… ，Xn} 的嵌入失真{De1，De2，…，DEn} ; （d）使用式（7） 計算{X1，X2，…，Xn}的總失真{D1，D2，…，Dn} ; （e）將 {D1，D2，…，Dn}升序排列得到{Df（1）， Df（2），… ， Df（n）}； （f）選擇{Df（1），Df（2），…，Df（k）}對應的{X1，X2，…，Xk}輸出。

3 實驗結果

3.1 備選數據集

實驗過程中使用BOSSbass ver. 1.01 圖像庫[28]的后5 000 張圖像作為備選圖像集。其中1 500 張不進行預處理，剩下的3 500 張平均分為7 組，分別進行腐蝕、直方圖均衡、均值濾波、膨脹、銳化、維納濾波、中值濾波預處理。將經過預處理的3 500 張圖像與1 500 張原圖合并作為備選圖像集。

3.2 實驗結果

使用本文所述網絡訓練過程進行操作得到的網絡在備選圖像集上的準確度達到了85.71%，由于訓練過程中采用了4 種預處理，而備選圖像集含有7 種預處理，說明本模型具有較好魯棒性。

為了對比4 種方法所選圖像用于隱寫的安全性，實驗過程中使用S-UNIWARD 隱寫方法[9] 或HILL 隱寫方法[10] 進行隱寫，嵌入率設置為0.1，0.2，0.3，0.4，0.5 其中一個數值。隱寫分析選用SRM 特征[16] 或者maxSRM 特征[17] 加上集成分類器的傳統方法，集成分類器使用嵌入后的一半圖像提取特征后進行訓練。最后使用另外一半嵌入后的圖像經過10 次集成器模型判斷，輸出10 次PE的平均值用于度量所選圖像用于隱寫后的安全性，PE越大說明載體選擇方案安全性越高。

圖3～圖6 是本文所做的隱寫方案安全性對比實驗，將本文提出的隱寫載體選擇方案與其他3 種隱寫載體選擇方案進行對比。首先，采用不同的載體選擇方案從備選圖像集中選出指定數量的載體圖像；之后，使用傳統隱寫方法對選出的載體圖像進行圖像隱寫得到含密圖像；最后，提取含密圖像的特征，將提取的特征輸入隱寫分析器得到輸出PE。PE能夠間接體現出載體選擇方案的安全性，PE越大說明載體選擇方案安全性越高。

其中， 命名里的“ Proposed” ，“ Joint” ，“Secure”，“random”代表4 種隱寫載體選擇方案，分別代表著本文所提出的方案、文獻[27] 中提出的方案、文獻[24] 中提出的方案、隨機選擇方案，“SUNI”與“HILL”指的是嵌入信息的方法，代表著使用S-UNIWARD 方法[9] 或HILL 方法[10]進行隱寫嵌入。

圖3 和圖4 是選擇500 張圖像的情況下，更改隱寫信息嵌入率的情況，可以看出，本文所提出的方法整體表現優于其他3 種方法。除了文獻[27] 中所提出的方法，隨著嵌入率的增加，其他3 種方法的PE逐漸降低，且本文所提出的方法受嵌入率影響較大。隨著嵌入率提升，本文提出方法的PE下降速率最快，在嵌入率為 0.5的情況下，本文的載體選擇方案安全性與其他3 種方法的安全性相當。

圖5 和圖6 是固定嵌入率為0.1 的情況下，選擇不同圖像數量的情況，可以看出，絕大部分實PEPE驗中，本文所提出的方法優于其他3 種方法。隨著嵌入圖像增加，本文提出方法、文獻[24] 提出方法和隨機選擇策略的載體選擇方案的逐漸降低，其中本文所提出的載體選擇方案的下降速率最慢。被選圖像中有1 500 張未經過預處理的圖像，當選擇圖像數量大于這個數量時，文獻[27]的安全性也開始下降，本文所提出的載體選擇方案的PE下降速率增加一些，但整體安全性仍遠高于其他3 種方案。

4 總 結

關注到預處理過后的圖像在經過隱寫后會使得隱寫系統安全性大大降低，于是提出一種將深度學習分類器與傳統嵌入失真方法聯合起來的規避預處理的多隱寫載體選擇方法。該方法采用融合預處理失真與嵌入失真的方式進行隱寫載體選擇。借鑒ResNets 網絡搭建并訓練了一個神經網絡用于判別圖像是否經過預處理，并使用網絡輸出進行加權得到圖像的預處理失真，與傳統的嵌入失真融合進行載體隱寫，可以有效規避經過預處理的圖像，有效提升隱寫系統安全性。還通過實驗，與其他3 種多載體隱寫領域的載體選擇方案進行比較，實驗結果表明，本文所提出的隱寫方法在備選圖像集中含有預處理圖像的情況下進行圖像選擇相比于其他方法在安全性上更具優勢，并且更適合在選擇更多數量的載體進行隱寫且隱寫信息嵌入率設置較低的情形，對于隱寫系統的安全性更有保障，對于其他工作也有部分借鑒意義。

參考文獻：

[1] FRIDRICH J. Steganography in digital media： principles， algorithms， and applications[M]. Cambridge： Cambridge University Press， 2009.

[2] MIELIKAINEN J. LSB matching revisited[J]. IEEE SignalProcessing Letters， 2006， 13（5）： 285-287，

[3] KER A D. Improved detection of LSB steganography in grayscale images[C]//Proceedings of the 6th International Workshop on Information Hiding. Toronto， Canada： Springer， 2004： 97-115.

[4] WESTFELD A. F5 —a steganographic algorithm[C]//4th International Workshop on Information Hiding. Pittsburgh， PA， USA： Springer， 2001： 289-302.

[5] FRIDRICH J， PEVNY T， KODOVSKY J. Statistically undetectable jpeg steganography： dead ends challenges， and opportunities[C]//Proceedings of the 9th Workshop on Multimedia amp; Security. Dallas： ACM， 2007： 3-14.

[6] SALLEE P. Model-based steganography[C]//Second International Workshop on Digital Watermarking. Seoul， Korea： Springer， 2004： 154-167.

[7] EGGERS J J， BAEUML R， GIROD B. Communications approach to image steganography[C]//Proceedings of SPIE 4675， Security and watermarking of Multimedia Contents IV. San Jose： SPIE， 2002： 26-37.

[8] FRIDRICH J， GOLJAN M， LISONEK P， et al. Writing on wet paper[J]. IEEE Transactions on Signal Processing， 2005， 53（10）： 3923-3935.

[9] HOLUB V， FRIDRICH J， DENEMARK T. Universal distortion function for steganography in an arbitrary domain[J]. EURASIP Journal on Information Security， 2014， 2014： 1.

[10] LI B， WANG M， HUANG J W， et al. A new cost function for spatial image steganography[C]//2014 IEEE International Conference on Image Processing （ICIP）. Paris： IEEE， 2014： 4206-4210.

[11] FILLER T， JUDAS J， FRIDRICH J. Minimizing additive distortion in steganography using syndrome-trellis codes[J]. IEEE Transactions on Information Forensics and Security， 2011， 6（3）： 920-935.

[12] YANG J H， RUAN D Y， KANG X G， et al. Towards automatic embedding cost learning for JPEG steganography[C]//Proceedings of ACM Workshop on Information Hiding and Multimedia Security. Paris： ACM， 2019： 37-46.

[13] TANG W X， LI B， BARNI M， et al. An automatic cost learning framework for image steganography using deep reinforcement learning[J]. IEEE Transactions on Information Forensics and Security， 2021， 16： 952-967.

[14] TANG W X， LI B， BARNI M， et al. Improving cost learning for JPEG steganography by exploiting jpeg domain knowledge[J]. IEEE Transactions on Circuits and Systems for Video Technology， 2022， 32（6）： 4081-4095.

[15] 王朔中，張新鵬，張衛明.以數字圖像為載體的隱寫分析 研究進展[J].計算機學報，2009， 32（7）： 1247-1263.

[16] FRIDRICH J， KODOVSKY J. Rich models for steganalysis of digital images[J]. IEEE Transactions on Information Forensics and Security， 2012， 7（3）： 868-882.

[17] DENEMARK T， SEDIGHI V， HOLUB V， et al. Selection-channel-aware rich model for steganalysis of digital images[C]//2014 IEEE International Workshop on Information Forensics and Security （WIFS）. Atlanta： IEEE， 2014： 48-53.

[18] KODOVSKY J， FRIDRICH J， HOLUB V. Ensemble classifiers for steganalysis of digital media[J]. IEEE Transactions on Information Forensics and Security， 2012， 7（2）： 432-444.

[19] QIAN Y L， DONG J， WANG W， et al. Deep learning for steganalysis via convolutional neural networks[C]//Proceedings of SPIE 9409， Media Watermarking， Security， and Forensics 2015. San Francisco： SPIE， 2015： 94090J.

[20] XU G S， WU H Z， SHI Y Q. Structural design ofconvolutional neural networks for steganalysis[J]. IEEE Signal Processing Letters， 2016， 23（5）： 708-712.

[21] HUANG J W， NI J Q， WAN L H， et al. A customized convolutional neural network with low model complexity for JPEG steganalysis[C]//Proceedings of the ACM Workshop on Information Hiding and Multimedia Security. Paris： ACM， 2019： 198-203.

[22] KER A D. Perturbation hiding and the batch steganography problem[C]//10th International Workshop on Information Hiding. Sana Barbara， CA， USA： Springer， 2008： 45-59.

[23] KHARRAZI M， SENCAR H T， MEMON N. Cover selection for steganographic embedding[C]//2006 International Conference on Image Processing. Atlanta： IEEE， 2006： 117-120.

[24] WANG Z C， ZHANG X P. Secure cover selection for steganography[J]. IEEE Access， 2019， 7： 57857-57867.

[25] ZHAO Z Z， GUAN Q X， ZHAO X F， et al. Universal embedding strategy for batch adaptive steganography in both spatial and JPEG domain[J]. Multimedia Tools and Applications， 2018， 77（11）： 14093-14113.

[26] WU S T， LIU Y， ZHONG S H， et al. What makes the stego image undetectable？[C]//Proceedings of the 7 th International Conference on Internet Multimedia Computing and Service. Zhangjiajie： ACM， 2015： 47.

[27] WANG Z C， ZHANG X P， YIN Z X. Joint cover-selection and payload-allocation by steganographic distortion optimization[J]. IEEE Signal Processing Letters， 2018， 25（10）： 1530-1534.

[28] BAS P， FILLER T， PEVNY T. “ Break our steganographic system” ： the ins and outs of organizing BOSS[C]//13th International Conference on Information Hiding. Prague， Czech Republic： Springer， 2011： 59-70.

（編輯：黃娟）

基金項目：國家自然科學基金資助項目（62376148， 62002214， U22B2047）；上海市教育發展基金會和上海市教育委員會“晨光計劃”資助項目（22CGA46）