隐写图像的新技术：去噪自编码器与局部二进制模式结合检测有效载荷区域

沙特国王大学学报隐写图像Punam Bedi，Anuradha Singhal印度德里德里大学计算机科学系阿提奇莱因福奥文章历史记录：收到2021年2021年12月28日修订2022年1月19日接受2022年1月26日在线提供保留字：隐写去噪自动编码器局部二进制模式运算符A B S T R A C T随着数字化传播的日益普及，图像已成为承载模糊信息传播不可或缺的媒介。揭开隐藏传输的存在或细节也被称为隐写术，称为隐写分析。 被动隐写分析只关注于将对象分类为干净或掺假。在隐写对象中找到有效载荷的长度和隐藏消息的区域是一项具有挑战性的任务，并且形成了主动或取证隐写分析的一部分许多研究者都致力于寻找信息的长度，但在寻找信息隐藏区域方面的工作还不多。这促使我们努力寻找隐写图像中的有效载荷区域因此，本文提出了一种新的技术，结合去噪自编码器和本地二进制模式（LBP）算子检测的有效载荷区域的隐写图像。去噪自动编码器用于学习图像像素之间的相互关系，以从给定的隐写图像估计覆盖图像。LBP算子能够捕获邻域坐标内的局部相互关系，已被用于比较输入隐写图像和估计的覆盖图像中的对应块以解开有效载荷位置。该方法的主要优点是通用性强，不需要载体图像和隐写算法知识。在BOSSBase数据集的空间和JPEG域图像进行的实验研究中，分别达到96.5%和97.7%的准确性。版权所有©2022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. 介绍隐写术将秘密信息吸收到多媒体中.原始形式被称为封面，隐藏的数据被称为有效载荷和媒体可以是文本，视频，音频或图像。在添加该屏蔽信息之后获得的媒体对象是隐写对象。随着互联网在通信领域的广泛应用，数字媒体图像已成为进行隐蔽通信的重要工具。在一行中的图像隐写可以被描述为封面图像+信息（隐藏数据）+嵌入密钥=隐写图像。*通讯作者。电子邮件地址：pbedi@cs.du.ac.in（P. Bedi），anuradhasinghal19@gmail.com（A.Singhal）。沙特国王大学负责同行审查揭露数据或数据的存在被称为隐写分析。隐写分析根据提取信息的不同分为主动隐写分析和被动隐写分析。被动隐写分析只关注检测。它区分覆盖和隐写图像（Boroumand等人，2018; Denemark等人，2016年）。主动隐写分析，也称为取证隐写分析，侧重于估计以下中的一个或全部：1）植入的秘密消息长度; 2）有效载荷的区域; 3）使用的消息嵌入密钥（如果有的话）; 4）嵌入消息本身的检索; 5）嵌入算法的参数（Singhal和Bedi，2022; Wang等人，2021年）。在主动隐写分析中，发现消息长度被称为定量隐写分析（Singhal和Bedi，2022）。寻找有效载荷位置的技术被称为定位隐写分析，它是取证隐写分析的重要组成部分（Ker，2008）。现有的图像定位隐写分析主要集中在空间域，其中大多数都需要沿着同一路径嵌入多个隐写图像，隐写分析的各种应用可以在取证，军事行动，网络战争，跟踪互联网上的恶意内容中看到（Karampleet al.， 2018年）。https://doi.org/10.1016/j.jksuci.2022.01.0101319-1578/©2022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.comP. Bedi和A. Singhal沙特国王大学学报5798×随着深度学习的进步，去噪自动编码器（DAE）已经成为图像恢复的重要方法（Goodfellow et al.，2016年）。DAE网络由对称卷积和去卷积层组成，防止系统学习身份函数。它从损坏的美联储输入重建完美的图像。DAE被广泛应用于医学诊断和语音增强。网络不直接将输入映射到输出，而是学习特征之间的相互关系以产生输出。对于纹理分析，局部二进制算子（LBP）被广泛地用作特征描述符（Pan等人， 2017年）。LBP以其简单的实时分析和无偏的性质而闻名LBP作为纹理分析算子被广泛用于人脸识别和生物识别中的各个领域（Zhou等人，2018年）。LBP算子也广泛用于隐写术和隐写分析，因为它可以轻松捕获邻域坐标内的局部相互关系（Singhal和Bedi，2016）。主动图像隐写分析中的大多数现有技术集中于估计有效载荷长度（Chen等人，2018年; Veena和Arivazhagan，2018年）或检测有效载荷位置（Sun等人，2019年; Wang等人，2020，2021; Yang等人，2019年）的报告。据我们所知，大多数用于检测有效载荷位置的技术都是特定于某些隐写算法的，或者需要将有效载荷放置在相同位置的多个隐写图像。在文献中可用的技术无论是在空间域还是JPEG域。为了克服这些限制，我们提出了一种新的框架，结合去噪自动编码器与LBP算子检测有效载荷的位置，这是普遍的，因此可以检测有效载荷的空间和JPEG域图像的位置。它也不需要任何关于封面图像的信息。完整的隐写分析框架包括两个步骤，分类和解开负载的细节将图像分类为干净或修改是被动隐写分析的一部分，而提取隐藏信息的细节是主动隐写分析的一部分被动隐写分析可以使用文献中存在的任何现有技术来执行（Boroumand等人，2018年; Ye等人，2017年; You等人，2021年）。为了开发完整的端到端隐写分析框架，我们使用了通用被动隐写分析模型（Boroumand et al.， 2018）来区分隐写和封 面 图 像 。 在 （ Boroumand 等 人 ， 2018 ） 利 用 深 度 残 差 网 络（DRN），这是一种用于区分隐写和封面图像的深度学习技术。一旦图像已被标记为隐写，我们提出去噪自动编码器估计覆盖图像从给定的隐写图像，然后应用LBP运算器，用于揭露有效载荷的位置。为 了 进 行 实 验 ， 我 们 已 经 任 意 地使 用 S-UNIWARD 和 WOW（Boroumand等人，2018）隐写算法在空间域中嵌入容量为0.1 -0.5bpp（每像素位数）。为了获得JPEG域中的隐写图像，我们使用了F5、基于模型的隐写、J-UNIWARD和UED-JC（Chen等人， 2017），嵌入容量为0.05、0.1、0.2和0.3 bpnzac（每非零ac DCT系数的位数）。本文提出了一种端到端隐写分析框架，结合使用DAE和LBP来通用地识别隐写图像中的有效载荷区域。在图像被分类为隐写图像后，利用DAE算法从给定的隐写图像中估计出覆盖图像。LBP算子用于估计的覆盖图像和给定的隐写图像，以揭示负载位置。提出的有效载荷区域检测框架可以在空间域和JPEG域中工作拟议工作的主要贡献是1. 一个完整的隐写分析框架，用于检测隐写图像并揭示其中的隐写位置。2. 通 过 将 深 度 学 习 技 术 Denoising Autoencoder 与 Local BinaryPattern，纹理算子相结合，开发了一种新的隐写分析框架，以检测隐写图像去噪自动编码器用于学习图像像素之间的相互在对载体图像进行估计后，利用LBP算子寻找载体区域。3. 建议的框架不需要任何信息，涉及到覆盖图像，有效载荷大小，隐写密钥作为先决条件。该方法是一种通用的嵌入算法，可以在空间域和JPEG域同时嵌入4. 实验结果分析表明，高精度。Mandarin pt的组织如下。第2描述了现有的文献有效载荷区域检测主动图像隐写分析。第3节说明了提出的区域检测框架。第4介绍了实验工作和相应的讨论。结论见第5节。2. 相关工作有效载荷位置的识别仍然是取证隐写分析的重要研究部分。下面简要介绍了主动图像隐写分析中有效载荷区域检测的一些现有工作（Ker，2008）提出了使用加权残差来检测隐写区域。作者假设隐写图像是可用的，并且每次都将有效载荷嵌入在相同的位置。（Ker和Lubenko，2009）提出了使用小波绝对矩（WAM）来生成空间域中的残差，以在假设已知有效载荷消息的长度的情况下检测嵌入的消息位置。（Quach，2011）提出了使用最大后验概率（MAP）来计算加权残差，以估计用于识别有效载荷像素位置的覆盖图像。（Quach，2012）提出了使用组奇偶校验方案的有效载荷区域检测。利用大小相等的不相交像素组的奇偶性进行隐写定位分析。（Gui等人，2012）近似每个给定隐写图像的多个覆盖图像以枚举残差，然后将它们积分以检测隐写位置。（Quach，2014）使用马尔可夫随机场（MRF）进行覆盖估计，其用于定位有效载荷位置。 （Liu等人，2015）在空间LSB（最低有效位）图像上使用JPEG再压缩技术来识别隐写像素。（杨例如，2018）利用小波滤波方法估计用于识别多LSB隐写术中的有效载荷像素的最佳隐写子集。（Veena和Arivazhagan，2018）使用DWT（离散小波域）域中的加权残差来估计有效载荷像素。（Sun等人，2019）使用“相邻像素差的均方”作为训练深度神经网络的特征，以识别嵌入的消息位置。（Yang等人，2019）使用有效载荷长度来估计LSB域中的隐写位置。 （Wang等人， 2020）提出了使用同频子图像滤波方法来揭示隐写位置。（Wang等人，2021）已经说明了使用同频子图像的有效载荷区域检测。8中的每一个的系数对8块JPEG图像进行合成以产生子图像。 最大后验概率（MAP）被用来估计覆盖图像。最后通过对不同隐写图像进行残差处理来确定嵌入位置。该技术仅适用于JPEG域的F5隐写算法。我们提出的框架是能够定位有效载荷区域任何隐写算法在空间和JPEG域。有效载荷区域检测的现有文献总结在表1中。如上表所示，区域检测中的现有技术在空间域或JPEG域中工作它们需要类似预加密的多个隐写图像，所述多个隐写图像使用沿着相同路径或有效载荷长度的相同隐写密钥生成我们提出的框架是通用的，即它检测有效载荷区域，P. Bedi和A. Singhal沙特国王大学学报5799BbMLDAE¼m2ko-pk表1在隐写图像中寻找有效载荷位置的现有技术状态的总结。域年作者使用的数据集所用技术描述先决条件/观察结果空间20082009（Ker，2008年）（Ker和1600个摄像头1600张图片采用加权残值法对有效载荷区域进行定位。小波绝对矩（WAM）被用来需要100大约100-1000个隐写图像的范围2011Lubenko，2009年）（Quach，从相机9074图片识别有效载荷区域。最大似然需要在相同位置嵌入具有相同隐写密钥的有效载荷大约100-1000个隐写图像的范围（2011年）（Bas）先验概率被用来揭露有效载荷嵌入在相同位置，2012（Quach，例如，（2011年）9074图片有效载荷位置由不相交需要隐写密钥。网络遭遇性能下降，嵌入率低。大约100-1000个隐写图像的范围20122012年）（Gui等人，来自（Bas等人，（2011年）9074图片将相同大小的像素分组。多个覆盖图像为每个给定的隐写图像需要在相同位置嵌入具有相同隐写密钥的有效载荷需要估计有效载荷的第一长度，2012年）（Bas）估计，然后用残差识别有效载荷位置。2014（Quach，例如，（2011年）9074图片以获取有效载荷的位置。马尔可夫随机场用于定位有效载荷仅适用于LSB替换和组奇偶校验20152014年度）（Liu等人，来自（Bas等人，（2011年）10,000隐写图像中的区域。从嵌入图像中估计出原始图像。隐写技术仅适用于JPEG中的LSB隐写方法（2015年）图像从（Bas等人，（2011年）在此之后，有效载荷携带和非有效载荷携带位置之间的差异被开发出来。压缩图像。2018（Yang等人，2018年）10,000图像来自（Bas等人，（2011年）建立了加权隐写像素与相应的覆盖像素之间的关系，用于定位有效载荷区域。算法仅适用于MLSB（多个最低有效位）嵌入方法。2018（Veena和Arivazhagan，2018）10,000图像来自（Bas等人，（2011年）在小波变换域中，利用少量隐写图像的加权残差进行隐写。大约100-1000个隐写图像的范围20192019（Sun等人， 2019年度）（Yang等人，10,000图像来自（Bas等人，（2011年）图像从采用相邻像素差的均方来寻找有效载荷位置。有效载荷长度被用来估计隐写所提出的技术仅适用于空间域。估计有效载荷的第一长度以预测嵌入的2019年度）（Bas等人，（2011年）岗位消息位置。多个隐写图像，同时嵌入有效载荷JPEG2020（Wang等人，10,000同频子图像滤波需要具有相同隐写密钥的位置仅适用于JSteg和F5隐写算法，2020年）图像来自（Bas等人，（2011年）具有嵌入在相同位置的有效载荷的多个隐写图像是可用的。2021（Wang等人， 2021年）10,000图像来自（Bas等人，采用同频子图像滤波和最大后验概率方法来揭示载荷位置。仅适用于F5隐写算法，当多个隐写图像与负载嵌入在相同的位置，available.不适用于现代隐写术（2011年）技术（J-UNIWARD和UED-JC）空间和JPEG域。 为了开发完整的端到端模型，我们利用了现有的被动隐写分析器模型（Boroumand等人， 2018）来将输入图像分类为隐写或干净。模型（Boroumand等人， 2018）是通用的被动隐写分析模型，不执行主动隐写分析。为了预测分类后正在进行主动隐写分析的有效载荷区域据我们所知，结合局部二进制模式算子的去噪自编码器在文献中没有用于识别隐写图像中的有效载荷位置。3. 有效载荷区域检测框架3.1. 去噪自动编码器自动编码器是通过利用许多卷积和去卷积层来用于图像恢复的神经网络（Goodfellow等人，2016年）。它们由编码器、解码器和代价函数组成，代价函数的目的是使反馈输入和目标输出之间的误差最小化。在去噪自动编码器中，部分损坏或有噪声的数据作为输入被馈送到网络以产生干净的数据，因此神经网络不学习恒等函数，而是在特征之间进行迭代以产生干净的输出。DAE具有通过在自身之间学习潜在特征来从损坏的数据（p）产生原始数据损坏的数据（p）是通过故意或意外地向原始数据添加噪声或信息而获得的DAE的目标是最小化由等式（1）和（2）给出的损失函数ð1ÞP. Bedi和A. Singhal沙特国王大学学报5800本节介绍有效载荷基于去噪自编码器和LBP算子的区域检测。1倍。1我1/1我2ΣP. Bedi和A. Singhal沙特国王大学学报5801X1K××Xi.ðÞ¼×b. bp是网络产生的输出×11XXMmi¼12khW;b. bpi-pi2ð2Þ两幅图像的直方图设c（i，j）和s（i，j）为灰度值范围在0 ~ K-1之间的两幅图像C（mn）和S（mn）的概率分布直方图，其中K为图像的总灰度值其中LDAE表示损失函数m是使用灰度值。卡方直方图距离由等式（6）给出。vuK-1k-1vC;Sð6Þw和b是自动更新的权重和偏差与反向传播算法，同时最大限度地减少损失2升j¼0cði;jÞþsði;jÞ功能它也在图1中表示。3.2. 本地二进制图案运算符LBP算子广泛用于纹理分析（Pan等人，2017年）。为了计算图像块的LBP，图像块的最中心坐标被取为阈值，并且在半径R、P中，取决于幅值，无论其相对于最中间像素是更大还是更小，圆对称邻居被标识为0或1。对于给定坐标（x，y），邻域内的相互关系由等式（3）给出。P-1LBPP;Rx;ylmi-mc×231/4哪里mc是P中最中心像素的大小，mi是第i个相邻像素如果获得的vC;S的值更小，则图像更相似。卡方距离度量的高值表示图像的对应块之间的不相似性。3.3. 有效载荷区域检测的拟议框架提出的有效载荷区域检测框架分为两个阶段，被动隐写分析和主动隐写分析。所提出的主动隐写分析阶段使用以下所示的三个步骤的组合来实现。框架示意性地表示在图。 二、3.3.1. 阶段1：被动隐写分析为了开发完整的端到端隐写分析框架，首先进行分类以区分干净图像和隐写图像。所提出的框架使用现有的最先进的通用隐写分析模型（Boroumand等人，2018年）进行分类。隐写分析模型（Boroumand等人，2018）使用了深度残差网络（DRN）。DRN中存在大量层，可以轻松捕获统计特性I k1;if k≥ 00orrelseð4Þ的图像。DRN使用残差映射，这有助于保持弱隐写内容。因此，清洁和隐写图像之间的分类执行高精度。一旦图像被分类为mod-直方图是比较两个图像.可以使用等式（5）来计算给定图像块的LBP直方图。LBPP;R x;yx;i0;2·····27± 5mmx;y其中，LBPPiR由等式（3）给出。在图像隐写分析文献中，许多相似性度量可用于计算两个图像的直方图，如欧几里得距离、曼哈顿距离、卡方距离（Karampleet al.，2018年）。我们使用卡方距离作为相似性度量来比较图像的两个块的直方图。卡方距离被用作距离度量，用于计算即，隐写图像，将原始输入图像作为输入传递到所提出的去噪自动编码器以进行覆盖估计。3.3.2. 阶段2：主动隐写分析提出的主动隐写分析使用三个步骤1) 覆盖估计-2) 3 × 3分块和计算每一分块的局部二值模式直方图（LBPH）隐写和估计的封面图像都被分成3 × 3分块。计算两个图像中每个块的LBPHFig. 1. 去噪自动编码器。.P. Bedi和A. Singhal沙特国王大学学报5802图二. 有效载荷区域检测的建议框架。P. Bedi和A. Singhal沙特国王大学学报5803×图三. 提出了使用去噪自动编码器估计覆盖图像的架构。3) 卡方距离的计算-相似性度量，卡方距离计算相应块的LBPH之间的卡方距离。将获得的值与阈值进行比较，以将区域标记为隐写区域或干净区域。所有三个步骤详细描述如下：3.3.2.1. 步骤1：覆盖估计。去噪自动编码器架构，用于估计从隐写图像的覆盖图像描绘在图3。在第一阶段将图像分类为隐写图像之后，将其作为输入传递到训练的DAE以用于估计覆盖图像。DAE架构在编码器部分涉及卷积层、最大池化层、批归一化层和泄漏ReLU层，而在解码器部分涉及卷积层、上采样层和泄漏ReLU层解码器和编码器中所用的滤波器的数量在建议的DAE架构中，当卷积和去卷积层的数量增加时，开始出现过拟合-振铃，网络性能下降。批量归一化层用于保证神经网络的稳定性和高性能.它还解决了过拟合的问题（Goodfellow等人，2016年）。Leaky ReLU激活用于防止负部分修整为零（Goodfellow等人， 2016年）。在用于覆盖估计的DAE训练中使用的算法被描述为算法1。算法1：用于训练DAE以进行覆盖估计的算法3.3.2.2. 步骤2：将隐写图像和估计的覆盖图像划分为块并计算LBPH。 在第一步即覆盖估计之后，隐写和估计的覆盖图像都被分成3个3不重叠的块。计算每个块的局部二值模式直方图LBPH有助于捕获图像中的局部特征。算法2描述了用于计算隐写和估计的覆盖图像中每个块的LBPH的算法P. Bedi和A. Singhal沙特国王大学学报5804×算法2：用于计算LBPH的3.3.2.3. 步骤3：有效载荷区域的检测。在计算各个块的LBP直方图之后，检查它们的相似性。利用卡方距离计算隐藏图像和估计的覆盖图像中对应的LBP直方图的相似性指数。在块被识别为隐写块之后，隐写图像中的特定用于检测有效载荷区域的算法在算法3中描述。算法3：提出了一种隐写图像中有效信息区域的检测算法。4. 结果和讨论4.1. 实验装置我们使用Spyder和NVidia Quadro K4200 GPU卡在Python 3.7中进行了所有实验我们使用了BOSSbase图像数据集（Bas等人，2011年，进行了实验性工作。它是图像隐写分析文献中使用的标准数据集。它包含10，000个自然灰度级高度和宽度为512x512的图像。由于GPU的限制，图像在处理之前被调整为256 256。为了训练建议的去噪自动编码器，我们设置了以下超参数。学习率初始化为0.001，衰减率rho为0.92，批量大小为128张图像，epochs设置为100。对于卷积核，参数随机初始化，标准偏差为0.01。还有亚当（Goodfellow等人，2016）被用作优化器。4.2. 性能度量为了评估所提出的模型的性能，所采取的一些措施如下：TP（True Positive）：嵌入的像素被正确分类为携带隐藏信息。FP（假阳性）：普通像素被错误地分类为携带有效载荷TN（True Negative）：普通像素被正确分类为原始像素。FN（假阴性）：嵌入像素被错误地分类为普通像素。从上面我们已经使用准确率，精确率，召回率和F1分数作为评估指标.它们的定义如下。见图4。在空间域中使用DAE的建议覆盖估计框架获得的训练和验证损失。P. Bedi和A. Singhal沙特国王大学学报5805¼¼¼þ精确度由公式（7）给出。F1得分是精确度和召回率的调和平均值它是由敏锐度TP-2000等式（10）。7公司简介精度由公式（8）给出。它定义了多少真阳性估计是准确的。F1分数211召回精度ð10Þ精密TP公司简介召回率由等式（9）给出。召回TPTPFFNð8Þð9Þ4.3. 空域有效载荷区域检测框架性能分析每个原始图像任意地使用S-UNIWARD或WOW以0.1、0.2、0.3、0.4和0.5比特每像素（bpp）有效载荷容量嵌 入 （Boroumand等人，2018）隐写算法。我们图五.在空间域中使用DAE为建议的覆盖估计框架获得训练和验证精度。见图6。第一行描绘了隐写图像。第二行描绘了对应的估计的覆盖图像。在第三行中，红色区域描绘了在阈值0.8处通过所提出的框架检测到的有效载荷区域。P. Bedi和A. Singhal沙特国王大学学报5806突然使用这些算法，使其不特定于任何一种隐写方法。我们总共拍摄了40，000张隐写图像和10，000张封面图像。对于输入的隐写图像，其对应的覆盖图像作为输出提供给去噪自动编码器结构进行训练。这对被馈送作为训练中的建议去噪自动编码器框架的输入。随机选择执行以将图像的非重叠分区形成为训练和测试的两个不相交子集（80%用于训练，其余20%用于测试）。从训练中的32，000对图像中，10%用于执行10倍交叉验证。提出的去噪自动编码器框架用于覆盖估计，大约花费27：24：53.597769训练时间，相当于27 h表2正确识别有效载荷位置，不同嵌入容量的阈值不同正确识别有效载荷位置和准确度%阈值0.1中文（简体）0.2简体中文（zh_cn）0.3 bpp（19660）0.4中文（简体）0.5中文（简体）0.45255（80.2）10，564（80.6）15 983（81.3）21 967（83.8）27 951人（85.3）0.55399（82.4）10，852（82.8）166，127（84.5）22 622人（86.3）28，803（87.9）0.65812（88.7）11 743人（89.6）17 714（90.1）23 749（90.6）30 113（91.9）0.75884（89.8）11 861（90.5）17 870（90.9）23 907人（91.2）31 096（94.9）0.8小行星5945（90.7）11 940（91.1）18 047（91.8）24 405人（93.1）31 621（96.5）0.95871（89.6）11 888（90.7）一万七千八百九十（九十一）23，959（91.4）31 358（95.7）表3五种隐写算法的评价指标图为Fig. 六、图像1图像2图像3图像4图像5真阳性31,96532,43232,01231,57032,654真阴性28,43228,08927,96528,94525,978假阳性23892296310321784615假阴性27502719245628432289精度0.920.920.930.920.87精度0.930.930.940.940.93召回0.920.910.930.920.91F1分数0.930.920.940.930.92表4空域不同阈值下隐写图像的评价指标阈值平均真阳性平均真阴性平均假阳性平均假阴性平均准确率平均精度平均召回平均F1评分0.429,76831,706187821840.9380.94070.93160.93610.529,98631,668178620960.94080.94380.93470.93920.630,78231,726148615420.95380.95390.95230.95310.730,86532,175138911070.96190.95690.96540.96110.832,66930,545118311390.96460.96510.96630.96570.931,56931,402129812670.96090.96050.96140.961图7.第一次会议。在JPEG域中使用DAE为建议的覆盖估计框架获得训练和验证精度P. Bedi和A. Singhal沙特国王大学学报580724min和53s。对于给定的8000个测试隐写图像，估计覆盖图像所花费的时间为0：09：12.435236，即9分12秒。因此，从给定的隐写图像估计单个覆盖图像所花费的时间约为67.5ms。在从给定的隐写图像中估计出覆盖图像后，将估计出的覆盖图像和隐写图像划分为互不重叠的3 × 3块。生成所有块的LBP直方图利用卡方距离计算对应块之间的相似性指数.根据经验推导出，当隐写中两个对应块的LBP直方图与估计的覆盖图像之间的卡方距离度量值为0.8或更大时，3x3的网格被识别为隐写块。因此，该块的所有九个像素被称为有效载荷像素。分割所需时间块，计算LBP直方图，检查估计的单个覆盖-隐写图像对的对应块之间的卡方距离以及添加有效载荷区域中的隐写块坐标的时间约为9.43 ms。因此，76.93 ms是在给定隐写图像中识别有效载荷位置所花费的总时间（67.5 ms用于估计覆盖图像，剩余9.43 ms用于计算LBP直方图和卡方距离）。我们没有包括隐写和封面图像之间的分类所花费的图4显示了使用DAE的所提出的覆盖估计框架的 图 5显示了在空间域中使用DAE的建议覆盖估计框架的训练和验证精度。图6包括三排。第一行描绘了隐写图像，第二行对应于估计的覆盖图8.第八条。在JPEG域中使用DAE的建议覆盖估计框架获得的训练和验证损失图9.第九条。第一行描绘了隐写图像。第二行显示估计的封面图像。在第三行中，红色区域描绘了阈值0.8处的有效载荷位置P. Bedi和A. Singhal沙特国王大学学报5808由建议的DAE生成的图像和第三行红色区域描绘了阈值为0.8的识别的有效载荷区域。对于用于测试的8，000个隐写和覆盖图像对，表2中描绘了针对不同阈值和不同嵌入容量正确识别的有效载荷位置的结果。 随着嵌入百分比的增加，所提出的框架实现了更好的准确性。在0.8阈值下获得最高准确度。在图6中已经挑选了五个随机图像（图像1 我们还在表3中列出了它们的相应TP、TN、FP和FN值。精确度，召回率和F1得分的结果被认为是好的。考虑到用于测试的8，000个隐写和覆盖图像对，表4中列出了针对各种阈值获得的真阳性、真阴性、假阳性、假阴性、准确度、精确度、召回率和F1得分的平均值。在阈值0.8时获得最佳结果。4.4. JPEG域使用F5、基于模型的隐写术、J-UNIWARD和UED-JC（Chen等人，2017）具有0.05、0.1、0.2和0.3 bpnzac（每非零ac DCT系数的比特数）嵌入容量和质量因子75。使用50，000个隐写和10，000个相应的封面图像进行实验分析。覆盖和隐写对的不相交子集被形成用于训练和测试。使用的比例是80：20，即80%的隐写覆盖对用于训练，其余20%用于测试。从40,000双在训练中使用的图像中，10%用于执行交叉验证。所提出的框架花费了大约32：21：33.457689的训练时间，相当于32小时21分33秒。对于给定的10，000张图像，估计封面图像所花费的时间为0：11：41.543236倍，即11分41秒。花了从给定的隐写图像中估计出隐藏图像的时间约为66 ms。在测试阶段，在从给定的隐写图像估计出覆盖图像之后，将估计的覆盖图像和隐写图像划分为不重叠的3 × 3块。生成所有块的LBP直方图相似性指数计算隐写和生成的封面图像中的对应块之间的卡方距离。采用相同的阈值0.8，卡方距离度量来检测有效载荷区域。在0.8阈值下获得最佳结果。分块、计算LBP直方图、检测估计的单个Cover-Stego图像对对应块之间的卡方距离以及在有效载荷区域添加Stego块坐标大约花费9.43ms因此，75.43 ms是识别给定隐写图像中的有效载荷位置所花费的总时间（66 ms用于估计覆盖图像剩余9.43 ms用于计算LBP直方图和卡方距离。我们还没有包括隐写和封面图像之间的分类所需的时间。图7显示了使用DAE的所提出的覆盖估计框架的利用DAE算法对JPEG域中的隐写图像进行图8描绘了使用DAE的所提出的覆盖估计框架的训练和验证损失。图图9示出了在阈值0.8处的隐写图像、对应的估计的覆盖图像和隐写图像中的有效载荷位置。表5在JPEG域中，针对不同的嵌入容量，使用不同的阈值正确识别有效载荷位置正确识别有效载荷位置和准确度%阈值0.05 bpnzac（3225）0.1中国人（6451）0.2中国人（12902）0.3中国（19353）0.42778（86.2）小行星5644（87.5）小行星11405（88.4）小行星17185（88.8）0.52857（88.6）5760（89.3）11650（90.3）17727（91.6）0.62889（89.6）5844（90.6）11 844人（91.8）18056（93.3）0.72928（90.8）小行星5896（91.4）小行星11895（92.2）18288（94.5）0.82957（91.7）小行星5973（92.6）小行星12102（93.8）18559（95.9）0.92931（90.9）小行星5922（91.8）12011（93.1）18327（94.7）表6五种隐写算法的评价指标图为Fig. 9.第九条。图像6图像7图像8图像9图像10真阳性31,76832,06532,21330,99631,943真阴性29,67827,89629,54328,72127,875假阳性1899270285536922825假阴性21912873292521272893精度0.940.910.940.910.91精度0.940.920.970.890.92召回0.940.920.920.940.92F1分数0.940.920.940.910.92表7JPEG域不同阈值下隐写图像的评价指标。阈值平均真阳性平均真阴性平均假阳性平均假阴性平均准确率平均精度平均召回平均F1评分0.416,93945,667139815320.95530.92380.91710.92040.517,21345,596130414230.95840.92960.92360.92660.617,69445,180128713750.95940.93220.92790.930.718,59444,570118711850.96380.940.94010.940.819,32144,7396797970.97750.96610.96040.96320.918,87644,66510968990.96960.94510.95450.9498P. Bedi和A. Singhal沙特国王大学学报5809表8所提出的方法与文献中最先进方法的比较标准（Quach，2014）（空间）（Veena和Arivazhagan，2018）（空间）（Yang等人，2019）（空间）（Sun等人，2019）（空间）（Wang等人，（JPEG）（Wang等人，（JPEG）拟议框架（通用）精度未计算未计算未计算77.22%未计算未计算96.51%（空间）96.61%（JPEG）召回未计算未计算未计算百分之七十三点二五未计算未计算96.63%（空间）96.04%（JPEG）精度百分之九十九点九五94.63%百分之九十百分之九十二点零八91.96%百分之九十五96.5%（空间）97.7%（JPEG）对于用于测试的10，000个隐写和覆盖图像对，表5中描绘了针对不同阈值和不同嵌入容量正确识别的有效载荷位置的结果。 随着嵌入百分比的增加，所提出的框架实现了更好的准确性。在0.8阈值下获得最高精度。在空间域中随机挑选五个图像（表6）。在图9中已经挑选了五个随机图像（图像6 我们还在表5中列出了它们的相应TP、TN、FP和FN值。精确度，召回率和F1得分的结果被认为是好的。考虑到用于测试的10，000个隐写和覆盖图像对，表7中列出了针对各种阈值获得的真阳性、真阴性、假阳性、假阴性、准确度、精确度、召回率和F1得分的平均值。在阈值0.8时获得最佳结果。4.5. 与最先进技术的空间域中LSB和组奇偶隐写方法的有效载荷位置被发现（Quach，2014）。通过（Veena和Arivazhagan，2018）在空间域中识别LSB替换和LSB匹配隐写术方法的隐藏消息区域。（Yang等人，2019）在空间域中识别LSB替换隐写方法的嵌入位置。（Wang等人，2020）识别JPEG域中JSteg和F5嵌入算法的隐写位置。JPEG域中的F5隐写算法的嵌入位置被解开（Wang等人，2021年）。对于J-UNIWARD和UED-JC等现代自适应隐写方法，进一步的方法不能定位有效载荷区域。所有上述技术都需要使用相同的嵌入密钥生成多个隐写图像，其中有效载荷位于相同的路径上，并且它们仅检测特定域中的有效载荷位置。此外，他们遭受性能下降与低嵌入率。（Sun等人，2019），使用深度学习技术来定位有效载荷位置，但用于实验研究的隐写图像仅使用0.1和0.5bpp的LSB匹配隐写算法。我们提出的框架，检测有效载荷的位置，没有多个隐写图像的要求，是通用的，能够实现显着的性能，在空间域和JPEG域的准确率分别为96.54%和97.7%。表8描述了所有上述方法在精确度、召回率和准确度方面的比较。4.6. 时间复杂有效载荷区域检测中最流行的技术由（Quach，2011）提出。MAP（最大后验概率）算法在他们的工作中提出使用隐写图像与有效载荷隐藏在相同的位置，使用隐写密钥定位有效载荷区域。MAP使用58.39 s进行覆盖估计，0.7 s用于枚举残差和定位有效载荷像素。因此，估计有效载荷区域总共需要59.09秒。Sun等人（2019）使用DenseNet（Huang等人，2017），一种深度学习技术。该方法还利用了“Cency像素差算法用于特征提取需要55.6总耗时为82.6 ms。我们提出的方法不需要事先知道隐写图像，长度的负载和所使用的隐写密钥。在检测到图像为隐写之后，使用去噪自动编码器，我们能够从给定的隐写图像估计覆盖图像。然后利用卡方距离计算隐写图像和估计的封面图像中对应块的LBP直方图的相似性指数。所提出的方法在空间域和JPEG域中分别花费76.93 ms和75.43 ms（不包括分类所花费的时间）来发现有效载荷位置。通过使用深度学习算法中的去噪技术，可以进一步减少这个时间。深度神经网络技术在这一领域提供了有前途的前景。提出的框架是通用的，工作在空间和JPEG域。它不需要任何先验信息，因此更适合于实时处理。结果与文献中的最新技术相当。5. 结论本文提出了一个完整的端到端通用隐写分析框架，用于有效载荷区域检测，该框架基于去噪自编码器和局部二进