基于自适应模式的反LSB图像隐写算法

沙特国王大学学报基于自适应模式的反LSB图像隐写算法Supriadi RustadBogota，De Rosal Ignatius Moses Setiadi，Abdul Syukur，Pulung Nurtantio AndonoDian Nuswantoro大学计算机科学学院，三宝垄50131，印度尼西亚阿提奇莱因福奥文章历史记录：收到2020年2020年12月5日修订2020年12月27日接受2021年1月7日在线提供保留字：图像压缩自适应模式不可感知性一种新的反向LSB算法A B S T R A C T为了提高图像隐写的不可见性、容量和安全性，人们提出了各种图像隐写方法。本研究提出一种自适应的方法，可以选择最佳的模式，以尽量减少错误率，由于消息嵌入。这种自适应模式可以基于集装箱图像中的2位+最低有效位（LSB）模式来优化反向LSB替换方法的性能。在嵌入之前，测试消息和容器图像位，并使用各种可能模式的反向LSB替换方法计算错误率。选择具有最小错误率的模式来嵌入消息。 在倒置LSB图像隐写中使用这种自适应模式显著地增加了不可感知性。基于测试结果，并通过与以前的研究相比，它被发现增加的结果，PSNR值范围从52.49到57.45，SSIM范围从0.9991到0.9999与1 BPP容量。版权所有©2021作者。由爱思唯尔公司出版代表沙特国王大学这是一个开放的访问CC BY-NC-ND许可证下的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍当今科技的飞速发展，使得人们对科技的依赖性越来越强，尤其是互联网。在保密通信中，数据传输的安全性是非常重要和迫切需要的。数字数据安全技术中的密码学和数据隐藏技术得到了广泛的应用。密码学是加密消息的科学，而数据隐藏是通过在容器介质上隐藏消息来保护消息的科学在密码学中，明文使用特定的密钥进行编码，然后使用特定的算法进行加密该密文改变了消息的形式和含义，使得原始消息不能被第三方直接读取（Ardiansyah等人，2017;Suresh和Shatheesh Sam，2020）。隐写术和数字水印技术在信息隐藏中有着广泛的应用这两种技术之间的主要区别是*通讯作者。电子邮件地址：srustad@dsn.dinus.ac.id （S.Rustad ），moses@dsn.dinus.ac.id（ DeRosalIgnatiusMosesSetiadi ） ， dsn.dinus.ac.id （ A.Syukur ） ，pulung@dsn.dinus.ac.id（P.N. Andono）。沙特国王大学负责同行审查它们的目的，其中隐写术是保护嵌入在容器媒体中的消息，而水印的目的是通过在其中嵌入水印来保护容器媒体（Cheddad等人，2010;Kadhim等人， 2019年）的报告。更关注于讨论隐写术，存在使用数据的各种容器介质，但常见的是图像、音频、视频和文本（Cheddad等人，2010年;侯赛因例如， 2018年）。图像是研究和使用最多的容器媒体（Setiadi，2019a）。同时，开发隐写术的研究挑战是增加不可感知性、安全性和消息容量（Cheddad等人， 2010年，他们互相影响。特别地，当容量增加时，它将大大降低不可感知性的质量，并且还可能影响其安全性（Luo等人，2010年）。在一个更先进的时代，隐写方法更适应，以提高其质量。可以基于区域、人类视觉系统（HVS）和机器学习或人工智能来完成若干自适应方法（Kadhim等人，2019年）的报告。考虑到集装箱图像和报文特征的差异，对水印方法的适应性进行了研究。使用自适应方法的目标之一是减少由于消息嵌入而导致的容器图像中的错误率在隐写术中嵌入消息的方法是在两个领域中进行的，即空间和变换（Karakus和Avci，2020）。空间域在隐写技术中更受欢迎，因为它在不可感知性和嵌入容量方面更优越（Setiadi，2019 a）。一些流行的https://doi.org/10.1016/j.jksuci.2020.12.0171319-1578/©2021作者。由爱思唯尔公司出版代表沙特国王大学这是一个在CC BY-NC-ND许可证下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。制作和主办：Elsevier可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页：www.sciencedirect.comS. Rustad，De Rosal Ignatius Moses Setiadi，A.Syukur等人沙特国王大学学报3560×空间域中的方法是LSB替换（Sahu和Swain，2019 a; Setiadi，2019a ） ， 像 素 值 差 分 （ PVD ） （ Sahu 和 Swain ， 2019 b; Swain ，2019），利用修改方向（EMD）（Younus和Hussain，2019）和差异扩展（DE）（Maniriho和Ahmad，2019）。LSB替换是一种已经使用了很长时间但今天仍然很流行的隐写方法，因为这种方法简单，易于开发，并且具有优势，例如良好的不可感知性和大容量（Setiadi，2019 a;Wang等人，2020年）。然而，传统的LSB子块方法由于其可预测性而不太安全。已经做了许多方法来优化LSB替换方法的性能，例如嵌入更关注的消息。边缘区域（Bai等人，2017年; Setiadi，2019年a; 2019年b;; Setiadi和Jumanto，2018年），使用人工智能方法（El-Emam和Al-Zubidy，2013年; Li和He，2018年; Miri和Faez，2017年）和反转位技术来降低错误率（Akhtar等人，2014，2013; Rafrastara等人，2019; Sahu等人，2018; Yang，2008）。反向LSB替代图像速记的优化还没有自适应地发展，即使这种方法具有相对不复杂的计算，但可以相当显着地降低误码率。如（Akhtar等人，2014），使用该方法可以显著降低误码率并相应提高不可感知性质量，但在不同的集装箱图像和报文上效果不够稳定。这些结果的不稳定性可能是由于适应性较差的模式。在（Akhtar等人，2013年），当先前的反转位与RC 4组合以随机化消息时，它产生了相对更稳定的具有各种覆盖和消息的不可感知性，尽管结果并不比他们的另一项研究更好（Akhtar等人， 2014年）。RC 4不一定增加不可感知性，但其中的加密过程使消息随机化，并且可以允许更均匀的嵌入和提高位反转的概率。本研究提出一种具有自适应模式的反向LSB替代方法，以改善不可感知性。在嵌入消息之前，还采用附加的RC 4加密消息，以保持其可靠性和消息安全性。本文由五个部分组成，即绪论，介绍了研究背景;相关研究，介绍了最相关的研究;建议的方法，以叙述或流程图的形式描述了所提出的方法;实验结果和分析，包括结果的介绍、分析和比较;最后是结论，包括总结和未来的研究。2. 相关研究已经开发了几种使用反转位的隐写方法，其中之一是由Yang，2008年进行的研究。在他的研究中，将反向模式（IP）LSB与最佳像素调整过程（OPAP）（Chan和Cheng，2004）。IP-LSB方法在早期是通过将容器图像和报文均匀分割来实现的。两者消息和容器图像被分成26到211个部分。检查是在隐写图像的每个部分上进行的，该隐写图像已经嵌入了消息。如果由反转消息位生成的MSE值低于正常消息位，则将其标记为反转模式，反之亦然。此模式将在提取消息时用作键实际上，这是一种降低嵌入消息引起的最小错误率的该方法被证明是成功的，在减少错误率和增加的不可感知质量超过1 dB的PSNR测量的基础上。由（Akhtar等人，2013），使用比（Yang，2008）更短的模式。在他的研究中，RC4采用加密方法提高了消息的安全性。基于在四种两位模式（即，00、01、10和11）中改变的位数来完成反转LSB后基于第6位和第7位将覆盖图像划分为四个模式，对于每个模式计算由于嵌入消息而导致的LSB的改变的数目。这个数字的价值将确定误差是否小于其反转值。如果如果该数的值大于其倒数值，则后者将用于确定最小误差。尽管这种技术相对简单，但其结果比先前讨论的更好。在接下来的一年中，Akhtar开发了使用更长模式的反向LSB方法，但没有使用RC4密码学方法（Akhtar等人，2014年）。他没有像以前的研究那样使用两位模式，而是开发了一种新的倒置模式。LSB采用三位模式，即第6、第7和第8位。通过使用三位模式，他提高了约3 dB的PSNR值。不可感知性质量确实有所提高，但不同程度取决于单个容器图像。其他研究由（Bhardwaj和Sharma，2016）进行，其采用（Akhtar等人， 2013），并具有图像形式的补充消息。这种方法的结果并不比倒置LSB的结果好，仅略好于随机LSB。Sahu等人进行的研究，2018年）开发了一种相当类似的方法，称为位翻转。他们使用八种模式来嵌入从000到111的数据。在嵌入之前，容器图像被分成块，其中每个块由容器图像的两个像素组成。消息嵌入技术的独特之处在于它为每个块嵌入一个三位消息。通过基于三位消息模式翻转位来完成嵌入，Rafrastara等人进行的研究，2019年）通过进行测试和开发，开发了一种反向LSB，不同的模式。而不是像Akhtar等人那样使用第6、第7和第8位模式。（2014），他们修改了他们使用的第5，第6，和第7位模式，并结合混沌加密方法来提高消息的安全性。所得的不可感知性并不比（Akhtar等人，2014年），即使它们相对更稳定，比（Bhardwaj和Sharma，2016年）提出的更好。上面已经描述的相关研究是关于使用专利模式的反转LSB方法和比特翻转。最近的研究（Karakus和Avci，2020）提出了一种方法，旨在找到最佳的相似性值，或者换句话说，以最小化错误率。这样做是通过寻找具有各种参数的最佳LSB嵌入模式，即从左到右嵌入或反之亦然，从小到大比特嵌入或反之亦然，从颜色通道的任何选项开始，等等。通过在256 - 256像素的医学图像中嵌入1000个字符的文本消息，PSNR值的范围从60到66 dB。3. 该方法本研究提出一种简单的自适应方法，具有良好的能力，以确定最佳模式的反向LSB替代。在嵌入消息之前，通过比较每个模式的错误率的数量来确定自适应模式。隐写术有两个主要过程，即嵌入和提取消息。在本研究中，嵌入过程如图所示。 3、描述如下。S. Rustad，De Rosal Ignatius Moses Setiadi，A.Syukur等人沙特国王大学学报3561231 33 25 45ð Þ ð Þð×Þð Þ ð Þ这是：。231 33 25 45X（X我我我1. 读取一个容器图像的像素值，读取图像大小，为宽度，n为高度。例如，有一个样本图像矩阵1/4228 233 162 140m。2. 通过m乘以n得到像素数，然后根据数组的长度等于像素数将容器图像转换为数组，然后将其更改为数组并保存在变量C中。当m= 4和n=2时，则C= 228、231、233、33、162、25、140、45的值3. 读取数字消息，确保消息大小可以完全容纳在容器映像中，然后将其更改为数组并将其转换为ASCII数，然后将其转换为位，保存在变量M中。例如，将嵌入的消息是4. 输入消息加密的密钥，然后使用RC4算法加密消息以获得密文，然后将消息转换为二进制形式。例如，如果用于加密的密钥5. 选择三位组合中的一个，比如容器图像的第6位、第7位和第86. 创建16个变量来计算8个模式，从000到111.八个表示当消息位嵌入每个模式的LSB中时改变其值的像素数量：p000;p001;···;p111，另外八个表示每个模式的值不改变的像素数量：p0000;p000 1;· ··;p0111。7. 嵌入消息，然后计算变化的LSB数p，并且不改变p0它们的值，这是由于使用等式2的每个模式的消息嵌入。（1）和（2）。X9. 重复步骤三至八，为其他三位组合，其中在此组合的第三位始终是容器图像的第八位，以LSB为假设总共将有21个三位组合，如表1所示。10. 从所有产生最小误差的三位组合中选择一个，假设它是第6、第7和第将嵌入的模式数据保存为变量k中的提取键。请注意，变量k包含最佳三位组合和从000到111的八个反转标记，1表示反转，0表示未反转，如图所示。 211. 将像素的二进制值转换为十进制值，然后根据图像大小m n对隐写数组进行整形，生成最终的隐写图像。上面例子中的隐写图像228233162 1402313325 45在成功执行嵌入过程并将嵌入的消息发送到接收方之后，接收方开始进行提取。在提取过程中，至少需要三个输入，即：隐写图像、作为提取密钥的变量k以及用于消息解密的密钥消息提取过程在图4中示出并描述如下：1. 读取隐写的图像，得到长度m和宽度n：对于隐写矩阵228233162140Ω，则m = 4，n= 2。2. 将m乘以n得到隐写图像的像素数，然后将隐写图像整形为一个数组，该数组的长度基于隐写图像的像素数，然后将其保存为变量S。根据上面的示例矩阵，第228; 231; 233; 33; 162; 25; 140; 45卷。p¼1/1NððCi_MiÞ¼0Þð1Þ3. 读取提取密钥kk，以获得位组合，反转位模式。在这个例子中，k=678 0110 1100。4. 根据隐写图像的LSB值读取隐写图像的LSB值进行提取，p0¼ððCi_M0iÞ¼0Þð2Þ1/1其中N是位数，C中的i是每个容器图像像素的LSB索引，M中的i是消息位索引，M0是反转的消息位，并且_是XOR操作。8.对任何三位组合的八个模式的误差求和以获得总误差，然后将其保存在误差变量中作为数组（表1）。总的最小误差（e）使用等式（1）计算其中，l是模式的数量。如表2所示的示例提取密钥。5. 将八个消息位中的每一个组合成ASCII数，结果是加密的消息。根据表2，示例消息的二进制值转换为ASCII数后为11，001，010或202。6. 输入密钥解密消息，然后使用RC4算法解密消息，密钥RC4 =密码，结果为65。7. 消息解密被转换为字符，以便它成为一个实际的文本消息寻址到收件人。 值65被转换为ASCII字符到8e¼l¼1PPi;Pi0≤PiiP0; P0> Pð3Þ注意，对上述方法的解释是针对具有8位深度的图像或灰度图像进行的。有人可能会质疑这种方法是否也适用于颜色基于样本图像矩阵和加密的消息，步骤5至8可以在图1中描述。1.一、图像.由于彩色图像由3层（RGB）组成，每层都有8位深度，因此可以对每层使用此方法的表1容器媒体位的可能位组合。索引位组合索引位组合索引位组合1月7月5月88月6月4月815月5月1月82月7月4月89月63日月816月43日月83月73日月810月6月2月817月4月2月84月7月2月811月6月1月818月4月1月85月7月1月812月5月4月8193日月2月86月6月7月813月53日月8203日月1月87月6月5月814月5月2月821月2月1月8NS. Rustad，De Rosal Ignatius Moses Setiadi，A.Syukur等人沙特国王大学学报35621Fig. 1. 步骤567801101100选择位组合图案00图案111图二. 变量k的例子。嵌入和提取过程可以从红色、绿色和蓝色通道顺序地进行，然后每个颜色层将具有不同的提取密钥，这取决于其自身的有效比特组合。4. 实验结果及分析对公开数据集的图像和消息进行了测试。图像数据集包括两组，异质性和较少异质性。第一种是指已广泛用于各种隐写研究的标准化图像，即由（Akhtar et al.，2013，2014），后者指的是（Karakus和Avci，2020）使用的医学图像MR-1至MR-10。 图 5示出了第一组的图像样本。图三. 拟议的嵌入过程。计数模式示例覆盖的二进制值计数数目的误差获得最佳后误差图案反向消息（否）反向消息（是）倒置样式倒置样式000 = 0没有0001 = 3是的0010 = 1是的0011 = 0没有0100 = 2是的0101 = 1是的0110 = 0没有0111 = 1没有0总和710示例图像矩阵样本加密消息反向消息228、231、233、33、162、25、140、45202没有是的2281110 01001信息的二进制值变化不改变2311110 01111不改变变化2331110 10010变化不改变330010 00010变化不改变1621010 00101变化不改变250001 10010变化不改变1401000 11001变化不改变450010 11010变化不改变S. Rustad，De Rosal Ignatius Moses Setiadi，A.Syukur等人沙特国王大学学报3563×ð Þ ð Þ ð ÞX1¼OX表2见图4。 拟定的提取工艺。从SIPI图像数据库页面下载，每个容器图像具有8位深度（灰度）和256256维。作为一个说明，一些图像的大小调整与Matlab 2015a应用程序使用imresize函数获得后一种规格。文本消息是从lipsum.com页面生成的，具有8192字节、4096字节、2048字节、1024字节、5000字节和1000字节的不同消息大小。所有的文本消息都被复制到一个文本文件中，在删除“回车”字符后此外，文本消息由系统读取，然后转换为ASCII数字。然后使用密钥RC4 =“密码”的RC4算法对文本消息的 ASCII编号进行这种加密是为了丰富消息中的字符类型，增加消息的随机性，使得嵌入过程可以产生更好的不可感知性，因为加密消息的比特将比未加密的文本消息相对更异构，此外消息变得更安全。均方误差（MSE）、峰值信噪比基于反转模式的提取步骤。信噪比（PSNR）和结构相似性指数度量（SSIM）决定了消息不可感知性的质量。正如Eqs中所述。在等式（4）和（5）中，MSE是由于容器图像和隐写图像的值之间的差而导致的误差的度量，而PSNR是MSE的对数值。基于人类视觉系统，使用三个视觉参数，即结构s、亮度Ii和对比度c，根据等式（1）计算SSIM。(6)（Setiadi，2020年）。MMSEm×n ×oXh<$C<$x;y;z<$-S<$x;y;z<$2ið4Þ图五. 使用容器映像x<$1y<$1z< $1nStego图案反转图案消息比特228、231、233、33、162、25、140、456782281110 0100100是的12311110 0111111没有12331110 1001001是的0330010 0001001是的01621010 0010010是的1250001 1001001是的01401000 1100100是的1450010 1101101是的0S. Rustad，De Rosal Ignatius Moses Setiadi，A.Syukur等人沙特国王大学学报3564S;;¼ ðÞ2r2¼x¼1y¼1z¼1C×rCS¼xrSC¼x1/2.2552！对于容器图像和消息大小的每种组合，PSNR¼10log 10MSEð5ÞMSE降低约0.048， PSNR增加约2.5dBSSIM约为0.0006尽管这种新方法比其中C是容器图像;S是隐写图像;m和n是图像维度;C和S必须具有相同的维度;o是图像的层（灰度= 1，RGB = 3）;x;y;和z是像素坐标SSIMC;SlC;ScC;SsC;S6哪里2l l该方法对集装箱图像的变化敏感，但其不可感知性的提高是如此显著，以至于对于相同的消息大小，该方法的最差不可感知性仍然高于现有方法的最佳不可感知性 表2 - 5还示出了自适应模式的最佳组合中没有一个是由（Akhtar等人， 2014年）。以前的方法没有使用自适应模式来嵌入消息。公司简介Cl2C1c C S2rCrSC2r2r2C2ð7Þð8Þ正如在引言中假设的那样，所提出的方法显著地增加了不可感知性的质量，因为消息被嵌入在最小误差的自适应模式使用三位组合搜索最适应的模式提供了更多的选项来减少消息嵌入时的错误C S放入容器介质中误差的减少直接增加了s C SrCSC3rCrSC3ð9Þ隐写图像的质量由PSNR值表示。事实上，所提出的方法也增加了SSIM的价值是很重要的有趣的是，因为SSIM不是由误差或噪声测量的，而是由Pm PnL¼PoCxyz人类的视觉系统。可能有一个链接之间的质量-x¼1y¼1z1/2Cmnoð10Þ隐写图像的真实性和人眼视觉参数，亮度和对比度。PmPnPoixyz-l根据（Fridrich等人，2001; Sahu和Swain，2019 c; 2019 d;2019a），进行RS分析以检测MES的存在CmnoPm1Pn1Po1。Cxyz-lcSxyz-lSMNO隐写图像中的水印及其对RS攻击的抵抗能力正则（R）群和奇异（S）群的个数分别为RM和SM，ð12Þ阳性，R-M负面面具使用掩码值-S-MPm PnL ¼PoSXYZ利用M 0110，规则像素和奇异像素的百分比组相对于bpp中的隐藏数据作图，x¼1y¼1z1/2SMNOð13Þ封面图片如图所示。 六、所有标准化图像的RS图显示，m n o2对于嵌入消息，满足RM<$R-M>SM<$S-Mr2<$Px<$1Py<$1Pz<$0Sxyz-1Sð14Þ高达0.5 bpp，并且R-M-S-M>RM-SM对几乎所有SMNOPm1Pn1Po1。Sxyz-1SCxyz-1CMNO嵌入容量（EC）。这款Pro-提出的方法与LSB的方法类似，一方面它可以抵抗较低EC的RS攻击，但另一方面存在在它上面的消息被检测到。本文提出了一种新的遥感分析方法，在SSIM计算公式中，（7）、（8）和（9）中，有变量C1、C2和C3，这三个变量都有一个常数值，其中C1/2= 0： 01×255 Ω2，C2/2=0： 03×255 Ω2，C3/2 =C2。这些常数值用作缺省值，这对于避免零除法很有用。每种情况下的MSE、PSNR和SSIM值第一组的容器映像分别在表3 表的最后一列显示了最小化错误的最佳组合位，并且使用此自适应模式嵌入消息。通过复制先前的方法（Akhtar 等人 ，2013年， 2014 年） 使用相 同的数据 集，MSE ，PSNR，和SSIM值也计算和比较。与先前的方法（Akhtar等人，2013年，2014年），所提出的方法的结果在一个更好的质量的不可感知性在每个像素（N = 1）中嵌入1个秘密比特的情况下，该方法与（Sahu和Swain，2019 d）的方法一致由于前一种方法显著地增加了不可感知性，而将N比特嵌入到像素的后一种方法成功地增加了鲁棒性和EC，因此可以将这两种方法结合起来以获得更好的隐写。在对标准图像进行各种测试后，本文还对医学图像进行了测试。图7示出了第二组的样本，由10个DICOM图像组成，256 256无MRI，属于取自dicomlibrary.com页面的磁共振（MR）图像所提出的方法成功地测试了该数据集，它产生了1000和5000字节消息的所有容器医学图像的MSE、PSNR和SSIM值，如表7所示。相比表3使用8192字节（1BPP）消息的不可感知性评估结果。图像（Akhtar等人， 2013）（Akhtar等人，（2014）建议方法MSEPSNRSSIM均方误差峰值信噪比SSIMMSE峰值信噪比SSIM最佳组合狒狒0.49964951.1441530.9986870.24942 54.1614880.9986960.12921157.017794 0.9996453,1,8摄影师0.49743751.1634270.9956340.182861 55.5095850.9956420.11706557.446517 0.9990717,4,8F160.49774251.1607630.9963230.242249 54.2881920.9963310.15171856.320429 0.999194,2,8goldhill0.49691851.1679590.9977110.246719 54.2087710.9977170.17840655.616715 0.9992894,3,8莉娜0.4964651.1719610.9966110.49646 51.1719610.9968550.36579952.498379 0.9977126,5,8辣椒0.49722351.1652920.9968590.311508 53.1961090.9980590.11778357.419993 0.9992755,1,8平均0.49757151.1622590.9969710.288203 53.7560180.9972170.1766640.999032ð11Þð15ÞS. Rustad，De Rosal Ignatius Moses Setiadi，A.Syukur等人沙特国王大学学报3565X表4使用4096字节（0.5BPP）消息的不可感知性评估结果。图像（Akhtar等人， 2013）（Akhtar等人，（2014）建议方法MSEPSNRSSIM均方误差峰值信噪比SSIMMSE峰值信噪比SSIM最佳组合狒狒0.24694854.2047440.9993590.092819 58.4544250.999760.06233260.183682 0.9998556,3,8摄影师0.24795554.1870690.997660.062469 60.1741250.9993930.03224263.046608 0.999795,4,8F160.2479454.1873370.9982310.090164 58.5804630.9994030.04861561.263145 0.9998812,1,8goldhill0.24768154.1918830.9989940.152771 56.2903950.9994120.02917563.480724 0.9999066,5,8莉娜0.24658254.2111890.9985370.214432 54.8179120.9987470.15947056.104024 0.9991453,2,8辣椒0.24650654.2125330.9983230.031372 63.1653720.9997990.02607763.968182 0.9998417,2,8平均0.24726954.1991260.9985170.107338 58.5804490.9994190.05965261.341061 0.999736表5使用2048字节（0.25BPP）消息的不可感知性评估结果。图像（Akhtar等人， 2013）（Akhtar等人，（2014）建议方法MSEPSNRSSIM均方误差峰值信噪比SSIMMSEPSNRSSIM最佳组合狒狒0.12362757.2096810.9997550.045868 61.5157130.9999250.04151961.9483170.9999395,2,8摄影师0.12234557.2549420.998707073822 59.4489440.9992530.03616362.5481190.9997623,2,8F160.1229157.2349470.9991110.063354 60.1130290.9995780.04165661.9339760.9997634,3,8goldhill0.12403957.1952320.9995310.06282 60.1497940.999760.04089462.0142550.9998987,1,8莉娜0.12330657.2209520.9991830.060791 60.2924100.9995950.03805562.3266380.9998084,1,8辣椒0.12432957.1850930.9992280.06134 60.2533420.9997130.03134263.1695990.9998195,1,8平均0.12342657.2168080.9992530.061333 60.2955390.9996370.03827262.3234840.999832表6使用1024字节（0.125BPP）消息的不可感知性评估结果。图像（Akhtar等人， 2013）（Akhtar等人，（2014）建议方法MSEPSNRSSIMMSEPSNRSSIMMSEPSNRSSIM最佳组合狒狒0.06158460.2360910.9998320.00740169.4381860.9999790.01191769.5381860.9999885,1,8摄影师0.06172260.2264180.9993740.04792861.3249240.9995200.00756869.3407860.9999786,2,8F160.06152360.2403980.9995720.0324163.0240580.9997760.00662269.9207060.9999856,3,8goldhill0.06109660.2706620.9997850.01457266.4955690.9999510.01031567.9961360.9999574,2,8莉娜0.05998260.3505720.9995940.03001463.3575590.9997900.02488764.1710630.9998716,3,8辣椒0.0616060.2350150.9997010.02366664.3894850.9998890.01785365.6137440.9999146,2,8平均0.06125160.2598590.9996430.02599864.6716300.9998170.01319467.7634370.999949对于非均匀容器图像，这些医学图像可能具有不同的结构、对比度或亮度，然而，在这种非均匀容器图像中应用新方法导致相对接近的值。对于1024字节或1000字符的消息，当PSNR降低1.7%时，观察到不敏感性的轻微差异，而SSIM降低0.04%。从表7所示的不可感知性值可以看出，该方法在异构性较低的医学图像上效果良好，即使在一个单独的图像中，PSNR值也达到76dB，嵌入容量为1000 char，而最低值为63 dB，仍然高于先前方法的平均值。在5000字符的嵌入容量下，平均不可感知性值达到58dB，与（Karakus和Avci，2020）提出的先前方法相比，该值具有约5 dB的优势，参见表8。在（Karakus和Avci，2020）提出的方法中，各种参数已被用于确定由GA优化的嵌入模式，其目的是找到最佳相似性。本文提出的方法也有一个类似的目标，即寻找一个自适应的最小误差的反相LSB这种方法的优点的关键是基于自适应模式的反向LSB过程然而，使用自适应模式的反转LSB方法对容器图像敏感，或者在产生所得的不可感知性质量时不够稳定，这是由于依赖于可以反转的比特数即使消息已经用RC 4算法加密了rithm，其目的是获得更多的随机消息比特，这不足以使不可感知性质量稳定，但至少，进行加密可以减少遇到消息比特和容器图像不可反转的可能性。事实证明，与（Karakus和Avci，2020）中提出基于PSNR和SSIM值，该方法优于以前的方法的平均结果，包括使用遗传算法优化的许多参数的方法。这个优点是由于LSB反转过程，cess时，一个较小的比特比值获得每个模式，而在以前的方法中，嵌入模式是寻求最好的，但反转过程没有执行。LBER¼Mx_M0x20x¼1进行萃取测试以了解萃取阶段是否能够良好地工作。在隐写术中，要求信息在不丢失任何信息的情况下被正确提取。缺失信息的存在可能导致含义的变化，因此必须100%正确地提取消息。在消息提取测试阶段，使用误码率（BER）测量已成功提取的所有消息的误码率，该误码率可使用等式（1）计算。（20）.为了获得完美的提取，必须获得BER= 0的值，其中该值可以通过比较原始消息比特的BER和BER来计算。S. Rustad，De Rosal Ignatius Moses Setiadi，A.Syukur等人沙特国王大学学报3566ð ÞðÞ ð Þ见图6。 标准化图像的RS分析。所提取的消息比特M0、比特长度L必须相同，如果不相同，当然，提取结果不会产生完美的值。原始和提取的消息位都使用相同的变量x进行索引，如果位值不相同，则将通过对每个索引执行XOR运算来产生值1。基于误码率的测量结果，在误码率为0的情况下，隐写图像中的所有信息都可以被完美地提取出来5. 结论本研究的新颖之处在于使用自适应模式来执行反向LSB。在嵌入消息之前，测量消息和容器图像位，并计算每个位组合的错误率有八种模式（000到111），其用于反转每一组合的LSB，其为2位+容器图像像素的LSB为了获得每个模式的更小的错误率，执行了反向LSB每个模式的所有较小的错误率为每个位组合的总和选择产生最小错误率的位组合来嵌入消息。由于它是基于错误率的测量，因此该最佳位组合对于不同的容器图像和消息大小的组合可能不同对标准化图像和医学图像的测试表明，该方法在PSNR和SSIM的基础上成功地提高了不可感知性在后续的研究中，这种方法可以通过增加参数来确定模式，并使用人工智能方法进行优化。S. Rustad，De Rosal Ignatius Moses Setiadi，A.Syukur等人沙特国王大学学报3567图7.第一次会议。MR图像样本（DICOM库，2020）。表7使用MR图像的MSE、PSNR和SSIM值图像1000字符5000个字符MSEPSNRSSIMMSEPSNRSSIMMr-10.01791465.5989220.9995380.04080262.0239890.999535Mr-20.01452666.5092330.9995890.08749458.7110260.998427Mr-30.01576266.1546000.9995330.08189458.9982870.998852MR-40.04589861.5128250.9989040.13293556.8944240.998151MR-50.00465471.4526050.9999890.13159256.9385150.998777MR-60.02854963.5748650.9994660.08276458.9524060.998921MR-70.02183564.7392070.999550.12443557.1813630.998546Mr-80.00146576.4728910.9999770.09875558.1852180.999153MR-90.02125564.8560920.9995380.11872957.3852490.99861MR-100.01922665.2918970.9995380.13876356.7080530.998481平均0.01910966.6163140.9995620.10381658.1978530.998745S. Rustad，De Rosal Ignatius Moses Setiadi，A.Syukur等人沙特国王大学学报3568表8使用MR图像的不可感知性平均值的比较消息长度（字符）（Karakus和Avci，2020）该方法MSEPSNRMSEPSNR10000.05888760.43080.01910966.61631450000.30046153.35290.10381658.197853竞争利益作者声明，他们没有已知的竞争性财务利益或个人关系，可能会影响本文报告的工作。引用北阿赫塔尔，Johri，P.，汗，S.，2013年。提高基于最小均方的图像隐写术的