编辑推荐：
本文全面综述可逆数据隐藏（RDH）技术。通过对 Web of Science 数据的定量与定性分析，呈现其研究趋势、主要贡献者和技术分类，探讨应用领域，剖析各技术优劣，还指出研究局限并展望未来，为该领域研究提供参考。
研究背景
在数字媒体网络存储和传输日益增长的时代，信息安全愈发重要。密码学和数据隐藏是保障信息安全的两种主要方式，其中数据隐藏将敏感信息隐藏在载体媒体中。但传统数据隐藏方法不可逆，会对载体媒体造成永久性改变，无法恢复原始载体。
可逆数据隐藏（RDH）技术应运而生，它能在隐藏数据的同时恢复载体媒体，满足了诸多对信息安全和图像保存都有严格要求的应用场景。其一般框架是先对载体媒体预处理，生成位置图和辅助信息，再将秘密数据、位置图和辅助信息嵌入载体媒体，形成标记图像（或称为隐写图像）。接收方利用辅助信息可逆向提取出原始载体媒体和隐藏数据。
RDH 技术分类
- 频率域：该领域的 RDH 技术利用知名变换技术，如离散余弦变换（Discrete Cosine Transform）、离散小波变换（Discrete Wavelet Transform）、整数小波变换（Integer Wavelet Transform）等，将载体图像变换到频率域，然后选择合适的频率系数隐藏秘密数据，确保载体图像可逆。此类技术虽稳健，但变换步骤增加了复杂性和传输开销，且嵌入容量有限。
- 压缩域：此领域的 RDH 技术借助各种压缩方法，如无损压缩的 Lempel–Ziv-Welch 算法，以及有损压缩的向量量化（Vector Quantization，VQ）和绝对矩块截断编码（Absolute Moment Block Truncation Coding，AMBTC）等，对载体图像进行压缩生成压缩码，在其中嵌入秘密数据。有损压缩技术虽会使图像产生一定失真，但能提高数据隐藏容量，并保持可接受的图像质量。
- 空间域
- 普通文本 RDH：直接修改载体图像的像素强度，旨在最大化嵌入容量并最小化标记图像的失真。可进一步分为代码分多路复用、直方图修改、误差扩展、插值、对比度增强、可逆对抗样本等方法。
- 代码分多路复用：类似电信技术，用 Walsh Hadamard 矩阵生成的正交扩展序列表示秘密数据，嵌入数据互不干扰，有足够的嵌入容量和低失真。
- 直方图修改：根据像素强度绘制直方图，选择峰值 bins 作为扩展 bins 隐藏数据，其他 bins 相应移位。通常需嵌入辅助信息以在数据提取时逆向操作。
- 误差扩展：利用载体媒体的冗余和相关性隐藏信息，主要包括差分扩展（Difference Expansion，DE）、像素值排序（Pixel Value Ordering，PVO）和预测误差扩展（Prediction Error Expansion，PEE）。近年来，为提升 PEE 性能，开发了多种预测器，如差分预测器（Difference predictor，DP）、中值边缘检测预测器（median edge detection predictor，MEDP）等，还出现了预测误差排序（Prediction Error Ordering，PEO）方法。
- 插值：在数字图像处理尤其是医疗领域重要，能在嵌入秘密信息时对载体图像进行上采样，同时保留恢复原始图像的能力。常见插值方法有最近邻插值（Nearest Neighbor Interpolation，NNI）、邻域插值（Neighbor Interpolation，NMI）、双线性插值和双三次插值。
- 对比度增强（RDH with contrast enhancement，RDHCE）：在嵌入数据时增强标记图像的对比度，对原始对比度差的图像很有价值，如医疗图像。主要通过直方图均衡化和直方图拉伸实现，前者增强全局对比度但可能引入失真，后者实现局部对比度增强且失真较小。
- 对抗样本：用于应对人工智能技术带来的隐私问题，如性别识别和面部识别。RDH 技术将对抗扰动嵌入图像，迷惑人工智能分类模型，同时保证授权用户能准确恢复原始图像。
- 加密图像中的 RDH（RDHEI）：在嵌入数据前对载体图像加密，增强安全性。分为加密后腾出空间（Vacating Room After Encryption，VRAE）和加密前预留空间（Reserving Room Before Encryption，RRBE）两类，可灵活配置安全模式，具有高安全性和嵌入容量。
- 鲁棒 RDH（Robust RDH，RRDH）：旨在抵抗有意或无意的失真或攻击，如压缩、滤波、噪声添加等。可分为基于变换、基于高有效位平面（higher significant bit plane，HSB）、基于几何不变矩、基于秘密共享和基于统计分布的 RRDH 技术。
RDH 的应用领域
- 版权保护：在水印技术中，RDH 可嵌入水印以保护数字媒体的版权，且能完整提取水印和恢复原始媒体。
- 医疗成像：随着数字医疗成像发展，RDH 能在不影响图像诊断完整性的前提下，嵌入患者的机密信息。
- 云存储：满足云存储中管理数据嵌入的需求，且不增加存储成本，确保数据完整性和存储效率，RDHEI 技术尤其适用于加密数据的云存储管理。
- 对抗样本：在人工智能隐私保护方面，RDH 嵌入对抗扰动保护个人数据，同时保证图像可用性。
- 隐蔽通信：广泛用于军事等隐蔽通信场景，使隐藏信息难以被视觉检测，还可验证载体媒体是否被篡改。
研究方法
- 数据来源与检索：使用 Web of Science 数据库，通过特定搜索策略获取相关数据。
- 数据收集与预处理：对数据集进行细化和验证。
- 分析工具与可视化：运用 VOSViewer、CiteSpace 和 Rawgraphs 等软件进行深入分析和可视化呈现。
研究结果
- 趋势分析：从年度出版趋势、逐年引用进展、主要研究领域、成果丰硕的国家和顶尖期刊等多视角分析出版物结构，突出该领域的关键突破和有影响力的论文。
- 合著模式分析：有效合作对研究成果意义重大，该部分深入探讨 RDH 研究中的各种合作维度。
- 共现分析：收集 Web of Science 上的大量关键词，利用 VosViewer 的分数计数功能，设定最小出现阈值，分析 RDH 研究文章中关键词的共现情况。
- 引文分析：引文分析是展示研究领域中各参与者关联的有效工具，通过引文计数可衡量研究论文或作者工作的影响力，帮助确定重要趋势、方法和研究结果。
研究结论
- RDH 研究始于 2004 年，当年仅有 11 篇出版物，此后研究人员的兴趣持续增长，2022 年达到 236 篇。
- 2004 - 2024 年期间，Web of Science 上每年约发表 101 篇相关文章，共 2013 篇出版物推动了 RDH 的发展。
- 平均每篇文档被引用 25 次，总引用次数反映了该领域研究的影响力。
研究局限
尽管本研究覆盖面广，但部分 RDH 领域可能代表性不足，尤其是研究较少的领域。研究还受数据可用性和文献调查范围限制，可能无法完全涵盖最新进展和新兴趋势，这表明仍需持续研究以填补空白，深化对 RDH 的理解。
