13、基于多通道滤波残差的CNN隐写分析及无载体文本信息隐藏方法

基于多通道滤波残差的CNN隐写分析及无载体文本信息隐藏方法

1 隐写与隐写分析技术概述

1.1 自适应隐写算法

自适应隐写算法不断发展，如EA算法会考虑视觉质量和安全性，将秘密信息嵌入图像边缘区域。后续还出现了带有失真函数的算法，如HUGO、S - UNIWARD和HILL等。这些算法通过最小化失真函数，尽可能不改变原始图像信息，缩小特征差异。并且，它们倾向于将信息嵌入复杂纹理区域，难以被检测。

1.2 隐写分析技术

隐写分析旨在对抗隐写术。传统机器学习方法包括特征提取和分类。特征提取是隐写分析的关键，合适的特征有助于区分载体图像和含密图像。如SPAM算法基于不同方向和阶数的马尔可夫链，对后续算法设计影响重大。为抵抗自适应隐写算法，Rich Models被提出，通过大量子特征增加特征多样性，提升检测效果。

2 深度学习在隐写分析中的应用

2.1 CNN在图像隐写分析中的发展

深度学习凭借深度架构、反向传播优化和高性能GPU的强大浮点计算能力，在计算机视觉领域取得巨大成功。CNN作为深度学习的有效工具，也被引入隐写分析领域。

2.2 多通道滤波残差在CNN中的应用

2.2.1 深度CNN架构

Shi等人提出的CNN架构结合了传统手工特征提取和分类，并利用反向传播机制提升分类结果。该架构检测效果好的原因如下：
- 大量卷积核和深度架构具有良好的拟合能力，能学习图像结构，有效检测微弱的隐写信息。
- 批量归一化层约束特征图范围，加速收敛。抑制强但可能无用的信息，让微弱信息发挥作用。