一种基于随机分离哈希数据结构的高容量图像隐写方法，该方法结合了安全的CHACHA20-DRBG和AES加密算法

《Array》：A High-Capacity Image Steganography Based on Random Separate Hashing Data Structure with Secure CHACHA20-DRBG and AES Encryption Algorithms

　　穆拉德·恩朱姆 | 罗西拉瓦蒂·苏莱曼 | 扎里娜·舒库尔 | 法伊赞·卡马尔
马来西亚国民大学信息科学与技术学院网络安全中心，43600，UKM班吉，雪兰莪州，马来西亚

**摘要**
通过数字通道传输数据仍然是一个重大挑战，尤其是考虑到现有的复杂隐写分析技术。现有的随机像素选择隐写技术需要与接收者共享种子密钥，并且在嵌入容量、不可察觉性和抗隐写分析能力之间存在权衡。本研究提出了一种新的图像隐写方法，该方法具有高数据承载能力和加密功能，基于AVL树和独立的哈希数据结构。所提出的基于哈希的框架结合了ChaCha20-DRBG和高级加密标准（AES）技术，并采用了一种避免种子共享的像素随机性选择方法。秘密数据位被嵌入到与其哈希索引对应的像素中。通过利用哈希索引，在隐藏过程中增加了覆盖图像的容量，同时保持了隐写图像的视觉质量。提取RGB通道，并从绿色通道中生成哈希值。发送者选择覆盖图像和秘密负载，然后生成一个单独的哈希表。秘密消息的两个加密字节被嵌入到具有不同哈希索引的像素的4个最低有效位（LSB）中。被修改的像素及其索引被记录在一个列表中，并附有一个索引序列号列表。这个有序的像素列表用于重建隐写图像，然后公开传输。恢复隐写图像需要隐写密钥和加密密钥。实验确认了该方法具有0.5比特/像素（bpp）的嵌入容量、强大的安全性和不可察觉性（峰值信噪比PSNR > 51 dB，视觉感知概率LPIPS < 0.0143347，混淆度FID < 1.030718）。该方法能够混淆针对卷积神经网络（CNN）检测器的嵌入痕迹，并抵抗XuNet、YeNet、ZhuNet和SiaStegNet等隐写分析算法。

**1. 引言**
在当今数字时代，网络上的安全通信已成为一个至关重要的安全问题[11]。密码学通过将可读文本转换为不可读的密文来保护信息[12][13]，而隐写术则利用图像、音频和视频等媒体来隐藏信息[14]。密码学通过将明文转换为不可读的密文来保护信息，而隐写术则将信息的存在隐藏在数字媒体中，从而减轻了现代多媒体系统中数据传输相关的风险，其中隐私至关重要[15][16][17]。这两种技术的结合提供了两层安全保护，既能保护机密信息，又能防止未经授权的访问[18]。图像隐写术是一种流行的方法，因为它具有高容量和高效的性能。这些技术可以分为四类：空间域方法、变换域方法、自适应方法和动态方法[1]。空间域方法，如最小有效位（LSB）替换，通过直接操作像素值来嵌入数据。尽管这些方法具有较高的嵌入容量，但它们往往会损害视觉质量或容易被检测到。相比之下，自适应方法会根据覆盖介质的特性调整其嵌入技术，使隐藏内容更难以被发现[19]。然而，传统的LSB替换方法可能会泄露可识别的模式，因此需要安全的实现策略[19]。结合LSB和MSB嵌入可以增加负载容量并提高抗检测能力，同时保持视觉质量[20]。使用伪随机数生成器（PRNG）进行随机化会带来安全风险，因为它们会产生可见的模式，并且需要安全的种子分发，根据研究[21]，这会影响其效率。当前的隐写技术受益于现代密码学技术提供的安全改进。AES对称算法提供快速加密，而RSA非对称方案支持安全的密钥分发[20][22]。相比之下，非对称密钥密码学使用数学相关的公钥和私钥对，并通过RSA、El-Gamal和椭圆曲线密码学等算法支持安全的密钥交换[23][24]。CHACHA20-DRBG是一种加密安全的PRNG，根据研究[15][16][23][24][25][26]，其不可预测的输出可以防止侧信道攻击。

系统的防截获机制从开发保护隐藏消息的安全机制开始，这些机制通过加密和隐蔽存储来保护消息[25]。这些系统共同通过双层保护机制（包括加密和隐蔽传输方法）来防止未经授权的访问，从而保护秘密信息。在高容量安全隐写术在远程医疗和电子投票等应用中尤为重要，因为这些领域必须通过隐蔽通道传输大量受保护的信息，而不会对图像造成任何视觉变化，否则会引起注意[26][27][28][29]。当前的技术往往难以同时实现三个基本目标：嵌入容量、不可察觉性和安全性。最常见的选择数据隐藏位置的方法是使用带有种子值的PRNG来生成伪随机数序列，以确定秘密消息的嵌入位置。这些技术的主要缺点是获取非重复数字的成本较高，以及随机生成数字的分布往往不规则，这可能导致隐藏信息在数字内容中被发现。此外，这些策略还需要与发送者共享种子密钥[1]。通过随机化选择像素的过程需要确保安全，因为现有的使用PRNG的方法会创建可检测的模式。

**本研究的主要贡献总结如下：**
1. **结构化的基于哈希的隐写框架**：所提出的结构化隐写框架使用ChaCha20-DRBG密码学密钥生成来生成安全密钥，AES加密对其进行保护。该设计通过其设计实现了安全的密钥管理，同时保持了操作效率。
2. **高容量嵌入策略**：容量感知的嵌入机制允许对每个选定的像素进行受控的最小有效位（LSB）修改，最多可嵌入16位。所提出的策略在提高负载效率的同时保持了可接受的感知质量。
3. **多层安全架构**：该框架使用两种安全措施，包括基于随机哈希的像素选择和基于AVL树的密钥隐藏，以及双层加密。这种分层设计增强了保密性和抗检测能力。
4. **高效的抗碰撞数据管理方案**：该系统使用独立的基于链式的索引机制来控制像素选择和密钥关联。该方法实现了有序存储，允许高效的碰撞管理，并在提取过程中提供确定性的检索。
5. **全面的实验验证**：实验评估表明，该系统能有效抵御传统的统计隐写分析方法，同时在处理中等负载和小于64 KB的消息时也能与现代深度学习检测系统竞争。

**本文的其余部分结构如下：**第2节回顾相关工作，第3节介绍所提出的方法，第4节详细说明实验和分析，第5节总结并概述未来方向。

**2. 相关工作**
提高空间域图像隐写术的嵌入容量旨在在保持图像不可察觉性和安全性的同时最大化负载。这对于隐写系统的隐蔽性至关重要。自适应隐写术根据覆盖图像的特性定制嵌入过程，允许在纹理区域隐藏更多数据，而非自适应方法（如均匀像素嵌入）虽然简单但更容易被检测到[29]。最小有效位（LSB）替换技术因其简单性和负载容量而被广泛使用，但它容易受到检测和视觉伪影的影响[30]。最近的调查强调了容量、不可察觉性和抗隐写分析能力之间的权衡。作者在[6]中对空间域、变换域和基于深度学习的图像隐写术进行了全面调查，重点关注PSNR/SSIM与负载之间的关系，并指出许多高容量空间技术仍然容易受到现代隐写分析的攻击。已经提出了许多混合和安全增强型变体来解决这些限制，包括结合哈希验证和经典密码（凯撒密码和维吉纳密码）的多位LSB方案以提供完整性检查和双层保护[2]，以及基于哈希密钥的嵌入方法[31]，这些方法提高了鲁棒性和图像质量[32][33]。在[32][33]中提出的方法研究了基于深度学习的图像隐写术，表明学习的嵌入分布可以提高容量和安全性。然而，训练复杂性和模型鲁棒性的挑战仍未解决。作者在[33]中研究了随机化策略（哈希、混沌映射、块内和块间排列），并确定基于密钥的、统计上分布均匀的嵌入位置选择对于对抗基于模式的隐写分析至关重要。这些相关工作指出了三个反复出现的挑战：(i) 在保持PSNR ≥ 36–40 dB的同时实现非常高的负载量，(ii) 复杂化嵌入模式的建模，以及(iii) 在不增加过多开销的情况下结合强大的密码学。在[31]中提出的LSB数据缓存方法中，哈希函数选择要修改的每个像素的四个最小有效位（LSB）中的哪一个。负载使用凯撒式替换进行编码，并通过密钥依赖的哈希进行定位。实验显示了高不可感知率，平均PSNR值超过82 dB，对于具有大量负载的标准彩色图像，峰值约为95 dB。另一项研究[2]通过使用基于哈希的寻址来增加每个像素的嵌入位容量，同时确保低均方误差（MSE）和高PSNR，重点关注负载可扩展性和不同哈希步长对PSNR-负载曲线的影响。这两项研究都展示了基于哈希的像素选择如何打破传统的缓存模式，并支持每个像素使用多个低频位来实现超过几个位的负载，同时保持PSNR高于36 dB。然而，包括替换密码在内的加密组件按照现代标准来看较弱，依赖于传统的哈希函数而不是结构化的游标管理系统。在[34]中提出的方法利用了“未改变的像素”概念：压缩的秘密位（通过LZW算法）仅放置在LSB已经与秘密位匹配的边缘像素中；实际像素值不被修改，只有携带像素的坐标存储在侧文件中。这样即使在密集嵌入的情况下，PSNR通常也高于50 dB（在相同范式的相关工作中报告高达约7.87 bpp），并且具有非常强的不可察觉性，因为覆盖图像和隐写图像完全一致。缺点是对外部地址文件的安全性依赖性强，如果覆盖图像缺乏足够的合适边缘像素，则有效负载有限。混沌和逻辑映射也与传统方法（如LSB）结合使用，实现随机像素选择和加密同步，从而提高保密性和抗攻击能力[35]。例如，基于混沌映射的PVD-LSB集成实现了高容量（约930 kb）和最小的质量损失（PSNR ≈ 35.5 dB），而AES加密的逻辑映射LSB随机化像素嵌入并使用XOR操作进行数据提取，具有高鲁棒性[36]。同样，基于伪随机数生成器（PRNG）或二次剩余（QRs）的随机像素嵌入增强了不可预测性和负载平衡[37]。在[1]中，作者提出了一种新的基于AVL树的LSB方法，该方法在自平衡的二叉搜索树中管理像素索引，并根据隐写密钥逐步访问它们。此外，每一步使用的特定RGB通道基于绿色通道的十进制值进行随机化。所提出的方法在中等负载大小下实现了60–65 dB的PSNR值，表明隐写图像几乎不可察觉。此外，它通过使用非顺序的、基于密钥的像素和通道选择来提高对抗统计和基于直方图的隐写分析的安全性。AVL树结构确保了近乎平衡的访问，但与平面哈希相比引入了非微不足道的内存和时间开销。几种最近的混合技术结合了空间、密码和感知原理。MSB–LSB混合方案[4]在暗区域选择性地隐藏数据，从而最小化了感知退化并提高了安全性。[7]中提出的方法通过RGB颜色空间引导数据流，通过二进制加密减少了检测可能性，同时提高了保密性。[8]中的研究表明，使用AES加密和霍夫曼压缩的图像进行LSB嵌入可以进一步增加负载量，尽管由于压缩伪影会导致图像质量略有损失。结合加密和随机化（AES–逻辑–LSB融合）[36]或随机像素LSB方法[38][39]显著提高了隐蔽性和抗检测攻击能力，同时保持了中等至高容量。

**高级自适应隐写技术**还利用结构和上下文特征。深度神经网络越来越多地用于学习平衡嵌入容量和可检测性的嵌入模式。[40]中提出的方法使用基于生成对抗网络（GAN）的框架和多个对抗网络及通道注意力模块。生成器被训练生成能够欺骗多个CNN隐写分析器（例如SiaStegNet、Zhu-Net）的对抗性隐写图像。他们的方法在每个像素0.4–0.5比特的负载下实现了平均PSNR约为40.3 dB，成功欺骗了高级隐写分析模型，成功率超过93%。[41]中的研究结合离散小波变换和GAN实现了“高不可见性”图像隐写术。他们报告称，彩色图像的PSNR始终高于36分贝，SSIM分数也很高，这表明在小波子带中学习的嵌入可以在隐藏大量信息的同时保持视觉质量。在[32]中报告的调查显示，深度模型在适应复杂的覆盖分布方面表现出色，但会带来显著的处理开销，而对异常分布隐写分析的鲁棒性仍然是一个问题。高安全性的方案正在发展，将强加密技术与高容量嵌入技术结合起来。在[6]中提出的一种方法使用霍夫曼编码LSB隐写术与多级加密相结合，将压缩和加密的秘密数据嵌入到彩色图像的亮度通道中，同时保持高PSNR。集成高级密码（如CHACHA20-DRBG与DWT）的混合方案展示了具有最小开销的高效设计。这些发展反映了将隐写术视为传统加密方法之上的一层安全性的趋势。为了在最小化图像失真的同时提高信息隐藏能力，诸如基于直方图偏移的插值[5]和基于三元组的方法[42]等技术利用了像素之间的依赖性来提高隐写图像的质量，实现了43到65分贝的PSNR值。空间域隐写术的发展已经从LSB替换转向了更复杂的系统，集成了加密（AES、凯撒密码、维吉纳密码）、压缩（霍夫曼编码）和结构适应（AVL、哈希）来优化容量、不可察觉性和对隐写分析的抵抗力。虽然自适应方法更适合于上下文感知的嵌入，但非自适应的像素选择在简单性和速度方面仍然有用。主要挑战，如计算成本和对统计攻击的脆弱性仍然存在。最近的进展，特别是那些结合混沌理论、混合加密和自适应嵌入的技术，展示了最先进的安全、高容量隐写术，实现了超过60分贝的PSNR值和约1的SSIM分数，以及对基于图像的隐写分析攻击的增强抵抗力[2]、[3]、[31]。表1展示了代表性空间域隐写术方法的比较总结。

表1. 空间域隐写术方法比较
方法/参考文献 嵌入策略 容量 PSNR（分贝） 安全性/鲁棒性 关键优势 局限性
Njoum等人，2024 [1] 将像素索引存储在AVL树中；通过密钥随机化遍历顺序和RGB通道选择；LSB嵌入 ≈ 0.01-0.67 ≈ 60–65 基于树的随机化和通道替换提供了对基本隐写分析的强抵抗力 强大的不可察觉性和多样化的嵌入模式；数据结构感知的随机化 比平面索引更高的内存和时间开销；索引分布没有明确建模或分析
Ghadi等人，2023 [2] 一个依赖于密钥的哈希函数决定修改哪些LSB以增加信息量 4 ≈ 32-38 对称加密加上基于密钥的哈希；比纯顺序LSB具有更高的安全性 系统地分析信息量与失真之间的关系；灵活调整容量 主要关注空间统计；对现代基于CNN的隐写分析的评估有限
Rahman等人，2023 [6] 通过LSB将霍夫曼编码的秘密数据嵌入到彩色图像的无色成分中 0.083-0.146 ≈ 82 -82.7 对压缩信息量进行多级加密；主要在加密层具有鲁棒性，嵌入随机化的鲁棒性较低 信息量和视觉质量的良好平衡；清晰地结合了压缩和加密 嵌入位置遵循传统的LSB模式，使得结构更容易被高级隐写分析预测
Nezami等人，2022 [31] 基于哈希将秘密位映射到选定像素的最多4个LSB 143.95 依赖于密钥的哈希和轻量级替换密码；对简单的统计攻击具有抵抗力 简单、高效的基于哈希的嵌入位分散；可扩展的信息量 加密层相对较弱；哈希没有与正式分析的索引分布关联
Al-Faydi等人，2023 [34] 覆盖-隐写匹配：仅在现有LSB已经匹配的地方放置秘密位；像素坐标单独存储 ≈ 0.1-1.25- 安全性取决于带有坐标的辅助文件的保密性和完整性；未改变的像素对视觉或基本统计检查具有抵抗力 异常的不可察觉性；覆盖图像和隐写图像通常在视觉上完全相同 依赖于外部地址文件；有效信息量受到给定覆盖图像中“匹配”像素数量的限制
Ma等人，2023 [40] 基于GAN的隐写术，结合多个对抗网络和通道注意力模块 0.4–0.5 ≈ 40分贝 针对多个CNN隐写分析器进行对抗性训练；在欺骗高级检测器方面具有高成功率 对当前深度隐写分析具有非常强的抵抗力 高训练和部署复杂性；主要集中在灰度图像上；对未来检测器的抵抗力不确定
Yao等人，2024 [41] 由GAN指导的小波域嵌入；在选定的子带中隐藏信息 1 > 36GAN在小波域中学习覆盖统计；提高了不可见性和对简单检测器的抵抗力 结合了变换域和深度学习的优势；良好的视觉质量 需要大量训练；在异常分布的图像或新的隐写分析器上性能可能会下降

3. 提出的方法
本节介绍了一种将密码学和LSB隐写术结合的新方法。它提出了一种集成哈希算法，通过将其二进制位与CHACHA20-DRBG算法生成的随机序列进行异或操作来隐藏加密的秘密消息。以下小节将详细说明所提出方法的各个阶段。

4.1. 建议方法的概述
本文介绍了一种隐写方法，该方法通过使用单独的哈希来识别所有通道中嵌入加密消息的具体位置，从而增强数据信息量并确保保密性。该方法简化了数据提取，并在最小化覆盖图像失真的同时实现了高嵌入容量。创建了一个16项的哈希表，每个索引包含一个单链列表。这些列表的节点包括覆盖图像的像素。该表的构建基于覆盖图像绿色通道的4个最高有效位（MSBs）。通过将加密消息位分成16位的块，引入了一种创新的随机技术。根据秘密块的4个MSBs从哈希索引中提取一个像素来隐藏加密的秘密位。剩余的12位将隐藏在RGB通道的LSB中。然后，通过恢复覆盖图像的更新像素来重新创建隐写图像。包含秘密数据的像素的地址使用AES算法进行加密，并使用AVL数据结构隐写技术隐藏到另一个覆盖图像中，从而生成另一个隐写密钥图像。

4.2. 实现细节
“ChaCha”一词来源于萨尔萨舞，表示它与Salsa20的关系，因为ChaCha20是作为Salsa20流密码的增强版本开发的[43]。高速流密码ChaCha20在一个512位的内部状态上操作，该状态包括一个256位的秘密密钥、一个96位的随机数（nonce）和一个32位的块计数器[44]。ARX（加法-旋转-异或）家族包括ChaCha20，它使用基本算术运算来实现强非线性，同时在软件和硬件平台上都能提供高效的扩散[45]。四分之一轮函数作为主要的ChaCha20变换，因为它通过对四个32位字执行模加、位异或和固定旋转来实现。ChaCha20通过一系列基于列和对角的轮次进行操作，每个轮次包含10个双轮。这些轮次共同作用，快速混合内部状态，产生一个有效的伪随机密钥流，能够抵抗已知的密码分析攻击[44]。
当前研究使用ChaCha20的ChaCha20-DRBG确定性随机位生成器变体，该生成器产生适合密钥材料、像素随机化和嵌入位置选择的密码安全伪随机序列。ChaCha20-DRBG的设计使其适用于资源受限的环境，结合了简单性和效率以及已建立的安全特性[46]、[47]。生成器创建的密钥流在提供共享密钥、随机数和初始计数器时保持固定，但变得不可预测，从而确保嵌入和提取保持同步，同时防止未经授权的重建。

以下方面与我们的实现工作最直接相关：
- 伪随机位生成：系统保持其核心功能，因为ChaCha20-DRBG作为一个确定性随机位生成器运行，通过执行其四分之一轮函数来生成512位的块。隐写系统需要这种结构，因为它提取特定的密钥流位位置，用于识别嵌入位置。
- 状态初始化参数：系统需要三个组件来建立其内部状态，包括一个256位的秘密密钥、一个96位的随机数和一个32位的块计数器，用于处理每个嵌入的位。
- 安全属性：ChaCha20仅使用三种简单的操作：加法、旋转和异或。系统产生“混合”效果，因为即使是很小的输入修改，例如改变一个位，也可能导致不可预测的输出变化。

关于安全性
假设在执行CHACHA20-DRBG之后，生成的八个随机二进制数为（10110010）^2，即将隐藏的秘密字符是‘A’ = ，那么，所提出的方案将对其进行异或操作，输出为（11110011）^2。第二步是构建一个单独的哈希表。该方法读取覆盖图像像素的RGB通道作为十进制值。构建一个节点来存储每个像素的数据，包括红色、绿色和蓝色的十进制值。这个节点还跟踪覆盖图像中每个像素的读取顺序，从最左边的列顶部开始，从左到右水平移动，然后向下移动。由于绿色通道的值保持不变且不包含隐藏的位，我们将使用其最高有效位来构建这个哈希表。选择绿色通道是为了确保发送者和接收者之间的哈希表一致性，因为这种方法保留了最高的四位。用于提取的像素位置由它们的顺序决定。这些节点将根据绿色通道的MSB存储在哈希表的适当索引中。为了说明构建单独哈希表的过程，下一节将展示通过插入变量集从像素 到 创建的单独哈希表。读取的秘密块的4个MSBs将指示从哪个列表中选择哪个像素；这个选择会影响像素选择的随机化。主哈希函数如方程（1）所示，将用于在哈希表中映射这些整数。
(1)其中k表示覆盖图像的哈希键值，定义为k = G(i,j)，其中G(i,j)是覆盖图像中像素(i,j)的绿色通道值。表大小 =16表示使用绿色通道的4个MSB。

下一节将讨论如何均匀地将12位分配到RGB通道中。

4.3. 嵌入阶段
该方法侧重于提高覆盖图像的信息量容量。主要思想是使用哈希数据结构和单独的链接来增加每个像素的信息量容量，同时最小化图像失真。使用所提出的方法将秘密消息嵌入覆盖图像的过程如表2所示。

表2. 数据嵌入算法
算法：数据隐藏算法
输入：覆盖图像和明文
输出：隐写图像
步骤I（读取秘密消息）：
1) 加载秘密数据并确定其长度，表示为L。
2) 如果长度L大于零，将文本消息的ASCII值转换为二进制（B）。如果不是，则提示用户输入新的文本消息。
3) 使用CHACHA20-DRBG算法生成一系列随机二进制数R。该算法需要两个数字，P（密钥，32字节）和Q（随机数，12字节），以及K（起始计数器），均由发送者提供。秘密消息的长度L被用作输入，以确定生成的随机序列中的位数。
4) 将步骤3中获得的随机二进制序列R与步骤2中的二进制数据B进行位异或操作。输出是加密消息S的比特片段。步骤II（构建哈希表）：1）加载封面图像，并通过将高度（H）乘以宽度（W）来确定总像素数N。2）如果N大于秘密消息的长度L，则执行以下步骤：2.1将每个像素的RGB值转换为二进制。2.2构建一个大小为16的单独哈希表。2.3识别绿色通道的每个像素的4个最高有效位（MSB）。2.4读取封面图像中的每个像素，并根据绿色通道的4个MSB将其存储在哈希表中（步骤2.3）。2.5对封面图像中的所有像素重复步骤2.4。3）如果N小于或等于L，则重新加载不同的封面图像。步骤III（隐藏秘密消息）：1）从步骤I中的序列S中读取一个16位的块。2）将16位块B分成4个子块：B1、B2、B3和B4，每个子块由4位组成。3）使用B1作为索引将第一个子块存储在哈希表中。其余的子块B2、B3和B4将隐藏在相应像素的红色、绿色和蓝色通道的最低有效位（LSB）中，每个通道4位。例如，如果第7个像素（P7）原来的值为（01101111, 01001110, 01100011），隐藏子块后，新的像素值将为（01100101, 01001100, 01100110）。4）将步骤3中获得的二进制值转换为相应的十进制表示，以反映RGB隐写通道的整数像素值。5）从哈希结构的尾部提取像素值，并将其及其对应的哈希索引插入列表L中。6）重复步骤1-5，直到整个嵌入过程完成。7）按升序对列表L中的像素进行排序。8）从链表L中检索哈希索引，并将其赋值给新变量M以供进一步处理。该变量表示存储秘密比特的像素位置。9）将数组列表L中的像素重新存储到图像中，以生成最终的隐写图像。步骤V（加密密钥）：1）使用AES算法加密步骤8中生成的序列密钥M，以确保保密性（EM）。2）将加密后的序列（EM）转换为二进制形式，称为（EMB）。3）使用AVL树数据结构将加密后的（EMB）隐藏到另一个封面图像中。4）将包含消息S加密密钥的隐写封面图像I以及CHACHA20-DRBG所需的种子密钥、（密钥、随机数、开始计数器）号码和嵌入加密二进制文件的隐写图像II传输给预期接收者。图1显示了上述算法的主要流程图。该流程图说明了嵌入秘密文件的基本步骤，从读取秘密消息开始，然后对其进行加密，构建哈希表，最终将消息比特隐藏在封面图像中，直到生成隐写图像。图1中的算法通过表3所示的秘密消息进行了说明。此示例演示了如何将秘密消息“secure message is hidden”隐藏在封面图像中。下载：下载高分辨率图像（1MB）下载：下载全尺寸图像图1. 使用开放哈希嵌入秘密消息的流程图表3. “secure message is hidden”的ASCII码ASCII二进制ASCII二进制ASCII二进制二进制该过程首先建立一个独立的哈希表，然后将机密消息“secure message is hidden”合并到树结构中。接下来的步骤将演示这一过程：1. 从文件中加载秘密文本消息。2. 将明文消息“secure message is hidden”转换为其二进制表示，总共有192位，如表3所示。这是因为消息长度为24字节，每个字符8位，总共192位。为了隐藏这些比特，我们需要192除以16位（每个像素一个块），等于12（像素数量）。3. 提出的方法使用（CHACHA20）算法生成一个随机比特序列，确保序列的长度与输入明文的长度匹配。4. 将步骤3中生成的随机二进制序列与步骤2中获得的消息的ASCII比特表示进行异或操作。5. 如图2所示，构建分离的哈希表。下载：下载高分辨率图像（361KB）下载：下载全尺寸图像图2. 构建单独哈希表的示例以下步骤展示了如何嵌入秘密消息：步骤1）读取秘密消息：读取消息“secure message is hidden”并将其转换为二进制，如表3所示。步骤2）加密秘密消息：使用CHACHA20-DRBG算法生成一个随机比特序列，并将其与步骤（1）中的比特进行异或操作，生成如0100 0101 1100 0110 … 1111这样的序列。步骤3）将加密后的消息比特分成块：将加密后的消息分成块；每个块由16位组成，如表4所示。例如，为了将其添加到正确的哈希索引中，提出的方法将十进制绿色通道（177）转换为二进制数（10110001），提取4个MSB（1011）=（11）10，然后使用哈希公式（1），H(11)2= 11（mod 16）= 11。其他像素的其余索引显示在图2中。表6显示了映射像素的示例。建立一个独特的哈希表，根据绿色通道的MSB随机分类封面图像的像素位置，从而提高安全性和负载容量。表4. 加密后的秘密消息块（每块16位）。表6. 根据绿色通道显示封面图像像素的哈希索引像素R（十进制）R（二进制）G（十进制）G（二进制）B（十进制）4-MSB绿色哈希P14500101101177101100015500110111101111P28701010111145100100011551001101110019P3101011001017701001101990110001101004P4980110001095010111111250111110101015P532001000006901000101790100111101004P68701010111148100101001551001101110019P7111011011117801001110990110001101004P856001110002381110111021211010100111014P910701101011178101100101991100011111P1015610011100138100010101120111000010008P1112701111111871011101119211000000101111P121561001110093010111011120111000001015步骤4）构建哈希表：为了说明构建单独哈希表的过程，图2显示了插入像素后构建的哈希表，也列在表5中。表5. 用于嵌入的示例像素。步骤5）提取用于隐藏秘密消息的像素：此步骤涉及根据每个块的MSB引用哈希表将消息比特嵌入封面图像的像素中。首先，提出的方法使用每个块的4个MSB来确定隐藏秘密块的哈希表索引。随后，从与此索引关联的列表末尾提取像素节点，并在隐藏秘密消息块后将其添加到输出列表中。算法依次处理每个块，并根据秘密块的4个MSB将其存储在相应的哈希索引地址中。除了像素节点外，索引地址还将保存到输出列表中。此地址存储用于隐藏块比特的像素位置。索引指示将使用哪个像素在RGB通道中均匀隐藏剩余的12位。例如，当处理秘密消息的二进制块（0100 0101 1100 0110）时，使用4个MSB（0100）作为哈希索引（十进制中的4）。索引位置（4）将存储在输出列表中。因此，提取P3，并将剩余的12位均匀地隐藏在相应的通道中，通过用（0101 1100 0110）替换RGB通道的4个LSB。表7显示了根据图2中构建的分离哈希表从（加密后的秘密消息的二进制）读取的块替换RGB的LSB后的像素。修改后的像素将存储在列表中，以便根据它们的像素编号进行重新排序。同时，将生成一个包含哈希索引和像素编号的单独序列列表。像素的位置对于识别像素修改的位置至关重要。因此，像素位置被分类并存储在列表中。步骤6）构建隐写图像和位置列表：该过程涉及根据像素编号对图像像素列表进行排序，将索引位置存储在变量中，重建隐写图像，并使用AES算法和加密密钥对索引位置进行加密。加密后的序列使用AVL树隐写技术隐藏在另一个封面图像中，两个密钥都与接收者共享。该方法使用哈希表将加密的秘密消息嵌入封面图像的像素中；然而，由于大小不均匀，这可能导致空索引。为了解决这个问题，算法使用下一个哈希密钥来屏蔽秘密比特，并分配一个新的带有负号的哈希密钥值，以便从非空索引列表中准确检索秘密消息的四个最高有效位。表7. 显示了替换4个LSB后的表4中的修改后的像素。块b1b2b3b4哈希像素通道十进制原始二进制嵌入后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提出的方法在各种图像上实现了高达50%的 ??? ??? ??，覆盖了 ?? ??? ??? 50%，这证明了该方法在保持 ??? ??? ??的同时，对 ?? ???? ??? ????? ? ????? ?????. ?? 4(a), (b), (c)? ??? ??? ?? ???? ????, ?? 3(a), (b), (c)? ???? ??? ???? ?????. ????: ???? ??? ???? (405KB) ????: ?? ?? ??? ???? ?? 4. ?? ??? (a) ???; (b) ???; (c) ??? ????: ???? ??? ???? (396KB) ????: ?? ?? ??? ?? 3. ??? ??? (a) ???; (b) ???; (c) ??? 5.1. ?? ?? ??? ??? ??? ???? ??????? ??? ????, ?? ??? ? ??? ???? ??? ? ?? ?? ???? ??? ?? LSB ??? ??? ? ?? ?????. ??? ?? ???????? ?? ???? ?? ?? ??? ?????. ?? ?? ????? ??????, ?? ???? ????? BMP ??? ??? ?? ???? ? ?????. ? ??? ?????? ??, ?? ???, ??? ??? ??? Eclipse 2025? ???? Java? ???????. ? ??????? Apple M1 Pro ????, 16GB RAM, 500GB ?? ????? ??? 2021? MacBook Pro?? ???????. 4.1.1. ?? ?? ? ??? ?? ?? ??? ?? ??? ?????. ??? ?? ?? ??? ???? ? ?? ?? ?? ??? ?????, ? ??? ??? ??? ??? ????. 4.1.2. PSNR, MSE, RMSE ? NCC ?? ?? ?? ? ?? ??(PSNR)? ???(3)? ?? ???, RGB ??? ?? ?? ??(MSE)? ???(4), (5), (6), (7)? ?? ????. ??? ??? ??? ??? ? ? ?? PSNR ?? ?????. MSE? PSNR? ???? ?? ?? ??? ??? ? ????: (3)(4) ??? = ?? ??? ??? ?? ??, = ??? ??? ??? ?? ??, = ??? ??(??×??). ?? RGB ???? ?? ??? ?? ?????: (5)(6) ?? ?? ?? ?? MSE? ????? ??? ???? ?????: (7) ?? W? H? ???? ??? ????, i? j? ???? ??? ?????. ?? ???? ??? ???? ?? X? Y? ?????.? ?? ???? ??? ?? ?? ???, ????? 8?? RGB ??? ?? BMP ???? ?? 255???[48]. ?? 3? ??? ?? ??? ???? ? ??? ??? ?? ????. ??? ?? ?? ???? RGB ???? PSNR? ???? ?????. PSNR? 40dB?? ?? ???? ??? ??? ??? ?????[49]. ??? ???????? ????(ER)? ??? ?? ???? ?? ?? ??? ??? ?? ?????. ????? ??? ??(bpp) ?? ???? ? ??? ??? ???? ?????. ???(8)? ER? ???? ?????: (8) ??? N? ????? ?? ?, W? ?? ???? ??, H? ?? ???? ?????[50]. ?? ?? ?? ??(RMSE)? ?? ???? ????? ? ?? ??(?: ???)? ??? ??? ???? ? ???? ??? ??? ?????. RMSE ?? ???? ?? ?? ???? ??? ??? ?? ???? ????, ?? ? ?? ?? ??? ? ??? ??????? ????? ?????[51]. RGB ???? RMSE? ????? ? ?? ??? RMSE? ????? ??? ?? ???(9)? ??? ??? ???? ?? RMSE ?? ???? ???: (9) ??? • = ? i, ? j, ?? k? ?? ??? ?? ? • = ??? ??? ?? ?. •M,N = ???? ??? ??. •K=3(RGB ??). ???? ????(NCC): NCC ?? ???(10)? ???? ????, ?? ??? ???? ???? ??? ?????. NCC ?? 1? ???? ?? ??? ???? ?? ???? ?????[8]. (10) ??? W? H? ???? ??? ??? ????,? ?? ???? ???,? ??? ???? ??? ?????. ??? ??? ?? ??(SSIM)? ????????? ?? ???? ??? ??? ?? ??? ?? ??? ???? ? ???? ?? ?? ?????. ?? ??, ??, ??? ??? ?? ?? ???? ?????. ?? ??? ??? SSIM? ??? ????? ?? ??? ??? ???? ? PSNR?? ? ??? ? ?? ?? ?????. SSIM? 1?? ??? ?? ???? ????, 0.9?? 1.0 ??? ?? ?? ????, 0.7?? 0.9 ??? ?? ?? ??? ???? ?????. SSIM ?? 0.5 ???? ?? ?? ??? ??? ????, 0? ??? ??? ??? ?????[52], [53]. ???(11)? SSIM? ???? ??? ?????: (11) ???: ??? x? y? ??, ? ?? m, ? ???, : ????? ???? ?? ??. 4.1.3. FID ? LPIPS (12) ??? ??? ??(FID)? ??????? ???? ???? ? ??? ???, ?? ?? ?? ?? ??? ??? ??? ???? ? ?????. ?? ?? ?? ? ?? ??(PSNR) ? ??? ??? ?? ??(SSIM)? ?? ?? ??? ?????[54], [55]. FID? ???(11)? ?? ?????: ?? ????, ?? ?? ???? ?? ??? ??? ??? ????, ?? ??? ???? ??? ?? ???(?? ???)? ?? ??? ?????. FID? ?? ?? ???? ??? ???, ?? ??? ????(SR)? ???? ??? ???? ??? ?? ???? ?? ?? ???? ????? ?????[56]. ??? ??(bpp) ?? ???? ? ??? ??? ???? ?????. ???(8)? ER? ???? ?????: (8) ??? N? ????? ?? ?, W? ?? ???? ??, H? ?? ???? ?????[50]. ?? ?? ?? ??(RMSE)? ?? ???? ????? ? ?? ??(?: ???)? ??? ??? ???? ? ???? ??? ??? ?????. RMSE ?? ???? ?? ?? ???? ??? ??? ?? ???? ????, ?? ? ?? ?? ??? ? ??? ??????? ????? ?????[51]. RGB ???? RMSE? ????? ? ?? ??? RMSE? ????? ??? ?? ???(9)? ??? ??? ???? ?? RMSE ?? ???? ???: (9) ??? • = ? i, ? j, ?? k? ?? ??? ?? ? • = ??? ??? ?? ?. •M,N = ???? ??? ??. •K=3(RGB ??). ???? ????(NCC): NCC ?? ???(10)? ???? ????, ?? ??? ???? ???? ??? ?????. NCC ?? 1? ???? ?? ??? ???? ?? ???? ?????[8]. (10) ??? W? H? ???? ??? ??? ????,? ?? ???? ???,? ??? ???? ??? ?????. ??? ??? ?? ??(SSIM)? ????????? ?? ???? ??? ??? ?? ??? ?? ??? ???? ? ???? ?? ?? ?????. ?? ??, ??, ??? ??? ?? ?? ???? ?????. ?? ??? ??? SSIM? ??? ????? ?? ??? ??? ???? ? PSNR?? ? ??? ? ?? ?? ?????. SSIM? 1?? ??? ?? ???? ????, 0.9?? 1.0 ??? ?? ?? ????, 0.7?? 0.9 ??? ?? ?? ??? ???? ?????. SSIM ?? 0.5 ???? ?? ?? ??? ??? ????, 0? ??? ??? ??? ?????[52], [53]. ???(11)? SSIM? ???? ??? ?????: (11) ???: ??? x? y? ??, ? ?? m, ? ???, : ????? ???? ?? ??. 4.1.3. FID ? LPIPS (12) ??? ??? ??(FID)? ??????? ???? ???? ? ??? ???, ?? ?? ?? ?? ??? ??? ??? ???? ? ?????. ?? ?? ?? ? ?? ??(PSNR) ? ??? ??? ?? ??(SSIM)? ?? ?? ??? ?????[54], [55]. FID? ???(11)? ?? ?????: ?? ????, ?? ?? ???? ?? ??? ??? ??? ????, ?? ??? ???? ??? ?? ???(?? ???)? ?? ??? ?????. FID? ?? ?? ???? ??? ???, ?? ??? ????(SR)? ???? ??? ???? ??? ?? ???? ?? ?? ???? ????? ?????[56]. ??? ?? ??(?: PSNR, SSIM)? LPIPS? ?? ?? ??? ??, FID? ?? ??? ??? ?? ???? ?? ??? ??? ???? ?????[56]. FID? ?? ??? ??? ??? ?????. ?? ??? ??? ??? ???? ?? ???? ?? ???? ???? ???? ???? ?????? ???? ?????. FID ??? ??? ??? ???? ?? ???? ???? ???, ?? ??? ???? ??实验设置
选择了描绘自然场景的封面图片，并使用一种独特的哈希方法将秘密信息嵌入文本文件中，该方法结合了随机化和像素指示技术。RGB像素值被修改以编码秘密数据。表8总结了所提出方法的实验步骤。

表8. 所提出方法的实验步骤
步骤 所提出方法的指令
1: 生成种子数和加密密钥。
2: 将数据文件加载到软件中。
3: 加密秘密数据文件。
4: 保存加密后的二进制文件。
5: 加载封面图片。
6: 应用分离哈希隐写算法在封面图片中隐藏数据。
7: 生成AES密钥并保存它。
8: 将加密序列与AES密钥一起保存。
9: 加载另一张封面图片以隐藏序列密钥。
10: 应用AVL树隐写算法在封面图片中嵌入秘密信息。
11: 选择不包含任何嵌入数据的初始封面图片来组建对照组。
12: 进行统计分析或使用评估指标来评估隐写方法的有效性。

5.3.2. 来自所提出方法的数据集基准测试
如表9所示，相关研究的回顾显示，在容量、不可察觉性和安全性方面与所提出的方法存在显著差异。论文[1]、[3]中讨论的技术侧重于实现高视觉保真度，PSNR值超过50 dB。然而，它们的安全机制有限，要么依赖于简单的像素随机化，要么缺乏加密，使得嵌入的数据容易被提取。同样，[4]、[7]中的方法表现出优异的不可察觉性，有时超过60 dB，但它们的低嵌入能力限制了它们在需要隐藏大量信息的场景中的有效性。而像[5]、[9]这样的研究旨在提高有效载荷容量，但这些改进通常会导致图像质量明显下降和加密安全性较弱，特别是因为基于RC4或基本随机化的安全措施容易受到现代密码分析和隐写分析攻击。高吞吐量技术，如[8]中的技术，采用现代加密，包括AES；然而，它们的多层LSB替换可能会增加统计检测风险。相比之下，[6]中的方法实现了强大的混淆和多级加密，但通常会带来显著的计算开销，限制了其在实时或资源受限应用中的实用性。

表9. 所提出方法与相关工作的比较分析

| 参考文献 | 容量（bpp） | 消息大小（比特） | 不可察觉性（PSNR） | 安全性 |
|---------------|---------|-----------|-------------|--------|
| [1] | •提出了一种使用AVL树增强数据隐藏并保持隐写图像质量的新型图像隐写方法。 | 42 | 62,144 | 50.88 |
| [2] | •通过加密和隐写实现双层安全。 | 42 | 62,144 | 37.97 |
| [3] | •引入了一种通过扩大相邻像素差异来增强数字图像隐写的新方法。 | 12 | 45,760 | 54.5 |
| [4] | •结合最小有效位和最大有效位技术来增强彩色图像中的数据隐藏。 | 1或2 | 1200-2000 | 72 |
| [5] | •提出了一种使用直方图移位的数据隐藏方法。 | ≈0.41 | 108,80 | 140.6 |
| [6] | •在嵌入前添加额外的安全层。 | ≈0.43 | 114,688 | 78.71 |
| [7] | •一种可逆的方法，允许成功恢复隐藏信息而不丢失，并采用双模块数据进行嵌入和检索。 | ≈0.00 | 489 | 12 | >60 |
| [8] | •利用多层最小有效位交换方法的高容量图像隐写系统。 | 1.5 | 40 | 866 |
| [9] | •提出了一种结合像素值差异（PVD）和最小有效位（LSB）技术的新型自适应块图像隐写方法。 | 3.5 | 59 | 30,312 | 35.51 |
| [70] | •在非秘密多媒体中隐藏信息，确保不可察觉。 | ≈0.61 | 59,744 | 69.96 |
| 所提出方法 | •使用单独的哈希数据结构来增强数据隐藏和安全性。 | 0.5 | 39 | 3,216 |
| | AES算法 | | | |
| | CHACHA20-DRBG算法 | | | |
| | 随机像素选择 | | | |
| | XOR位运算 | | | |

所提出的方法旨在在这些竞争因素之间取得平衡。尽管其嵌入容量为0.5 bpp，但保持了令人满意的视觉质量（PSNR ≥ 51 dB），从而显著增强了安全模型。这是通过集成AES加密、CHACHA20-DRBG加密安全随机生成器、基于XOR的混淆以及由哈希结构控制的随机像素映射来实现的。这些组件共同提高了对统计分析和未经授权的数据恢复的抵抗力，同时保持了可管理的计算要求。因此，所提出的方法为现实世界应用中的隐蔽图像通信提供了一种实用且安全的解决方案。图5展示了封面图片“狒狒”和通过所提出技术生成的相应隐写图片。这个样本在肉眼测试时显示出相似性。

下载：下载高分辨率图片（551KB）
下载：下载全尺寸图片

图5. 狒狒的封面和隐写图片示例
(a) 封面图片；(b) 隐写图片

表10展示了在基准图片（飞机、蒂芙尼和狒狒）上评估所提出方法的MSE、PSNR、NCC和SSIM结果，以及不同的明文文件大小（1、2、4、8、16、32、64、128、256和512千字节）。代表所有三个RGB通道的结果显示在图6至图8中。图6（a-d）、图7（a,b）和图8（a,b）显示了PSNR值超过40 dB的封面图片的直方图，这与隐写图片非常相似。隐写图片的质量足够强，可以抵御恶意攻击，并且所提出的方法保持了其完整性。由于独特的哈希机制，所有RGB通道的PSNR值变化很小。隐藏的秘密信息位安全地隐藏在封面图片中，集成到红色、绿色和蓝色通道的三个最重要位中。哈希索引决定了使用哪个像素从单独的链表中嵌入秘密位。

表10. 所提出方法（分离哈希）与其他技术的MSE、SSIM和PSNR比较
| 方法 | 封面图片1 | 封面图片2 | 封面图片3 |
|---------------|------------|------------|------------|
| PSNR（dB） | 64.9 | 64.7 | 64.9 |
| EC（bpp） | -50.5 | -50.8 | -50.8 |
| MSE | 0.01 | 0.01 | 0.01 |
| SSIM | 0.02 | 0.02 | 0.02 |
| 标题 | -50.5 | -50.8 | -50.8 |
| PSNR（dB） | 64.7 | 65.2 | 65.2 |
| EC（bpp） | -50.8 | -50.8 | -50.8 |
| MSE | 0.01 | 0.01 | 0.01 |
| SSIM | 0.02 | 0.02 | 0.02 |
| 标题 | -50.8 | -50.8 | -50.8 |
| PSNR（dB） | 65.2 | 65.3 | 65.3 |
| EC（bpp） | -50.8 | -50.8 | -50.8 |
| MSE | 0.01 | 0.01 | 0.01 |
| SSIM | 0.02 | 0.02 | 0.02 |
| 标题 | -50.8 | -50.8 | -50.8 |
| PSNR（dB） | 65.3 | 65.4 | 65.4 |
| EC（bpp） | -47.7 | -47.7 | -47.7 |
| MSE | 0.01 | 0.01 | 0.01 |
| SSIM | 0.02 | 0.02 | 0.02 |
| 标题 | -49.5 | -49.5 | -49.5 |
| PSNR（dB） | 69.3 | 69.3 | 69.3 |
| EC（bpp） | -49.5 | -49.5 | -49.5 |
| MSE | 0.01 | 0.01 | 0.01 |
| SSIM | 0.02 | 0.02 | 0.02 |
| 标题 | -49.9 | -49.9 | -49.9 |
| PSNR（dB） | 69.3 | 69.3 | 69.3 |
| EC（bpp） | -49.9 | -49.9 | -49.9 |
| MSE | 0.01 | 0.01 | 0.01 |
| SSIM | 0.02 | 0.02 | 0.02 |
| 标题 | -49.9 | -49.9 | -49.9 |
| PSNR（dB） | 69.3 | 69.3 | 69.3 |
| EC（bpp） | -49.9 | -49.9 | -49.9 |
| MSE | 0.01 | 0.01 | 0.01 |
| SSIM | 0.02 | 0.02 | 0.02 |
| 标题 | -49.9 | -49.9 | -49.9 |
| PSNR（dB） | 69.3 | 69.3 | 69.3 |
| EC（bpp） | -49.9 | -49.9 | -49.9 |
| MSE | 0.01 | 0.01 | 0.01 |
| SSIM | 0.02 | 0.02 | 0.02 |
| 标题 | -49.9 | -49.9 | -49.9 |
| PSNR（dB） | 69.3 | 69.3 | 69.3 |
| EC（bpp） | -49.9 | -49.9 | -49.9 |
| MSE | 0.01 | 0.01 | 0.01 |
| SSIM | 0.02 | 0.02 | 0.02 |
| 标题 | -49.9 | -49.9 | -49.9 |
| PSNR（dB） | 69.3 | 69.3 | 69.3 |
| EC（bpp） | -49.9 | -49.9 | -49.9 |
| MSE | 0.01 | 0.01 | 0.01 |
| SSIM | 0.02 | 0.02 | 0.02 |
| 标题 | -49.9 | -49.9 | -49.9 |
| PSNR（dB） | 69.3 | 69.3 | 69.3 |
| EC（bpp） | -49.9 | -49.9 | -49.9 |
| MSE | 0.01 | 0.01 | 0.01 |
| SSIM | 0.02 | 0.02 | 0.02 |
| 标题 | -49.9 | -49.9 | -49.9 |
| PSNR（dB） | 69.3 | 69.3 | 69.3 |
| EC（bpp） | -49.9 | -49.9 | -49.9 |
| MSE | 0.01 | 0.01 | 0.01 |
| SSIM | 0.02 | 0.02 | 0.02 |
| 标题 | -49.9 | -49.9 | -49.9 |
| PSNR（dB） | 69.3 | 69.3 | 69.3 |
| EC（bpp） | -49.9 | -49.9 | -49.9 |
| MSE | 0.01 | 0.01 | 0.01 |
| SSIM | 0.02 | 0.02 | 0.02 |
| 标题 | -49.9 | -49.9 | -49.9 |
| PSNR（dB） | 69.3 | 69.3 | 69.3 |
| EC（bpp） | -49.9 | -49.9 | -49.9 |
| MSE | 0.01 | 0.01 | 0.01 |
| SSIM | 0.02 | 0.02 | 0.02 |
| 标题 | -49.9 | -49.9 | -49.9 |
| PSNR（dB） | 69.3 | 69.3 | 69.3 |
| EC（bpp） | -49.9 | -49.9 | -49.9 |
| MSE | 0.01 | 0.01 | 0.01 |
| SSIM | 0.02 | 0.02 | 0.02 |
| 标题 | -49.9 | -49.9 | -49.9 |
| PSNR（dB） | 69.3 | 69.3 | 69.3 |
| EC（bpp） | -49.9 | -49.9 | -49.9 |
| MSE | 0.01 | 0.01 | 0.01 |
| SSIM | 0.02 | 0.02 | 0.02 |
| 标题 | -49.9 | -49.9 | -49.9 |
| PSNR（dB） | 69.3 | 69.3 | 69.3 |
| EC（bpp） | -49.9 | -49.9 | -49.9 |
| MSE | 0.01 | 0.01 | 0.01 |
| SSIM | 0.02 | 0.02 | 0.02 |
| 标题 | -49.9 | -49.9 | -49.9 |
| PSNR（dB） | 69.3 | 69.3 | 69.3 |
| EC（bpp） | -49.9 | -49.9 | -49.9 |
| MSE | 0.01 | 0.01 | 0.01 |
| SSIM | 0.02 | 0.02 | 0.02 |
| 标题 | -49.9 | -49.9 | -49.9 |
| PSNR（dB） | 69.3 | 69.3 | 69.3 |
| EC（bpp） | -49.9 | -49.9 | -49.9 |
| MSE | 0.01这些是在正常图像中常见的误报。b) 不可察觉性、容量和安全性测试在本节中，所有实验都是使用从ALASKA2[67]中随机选取的750张（512x512）图像进行的。以下部分将通过测试来评估安全性：i) 使用AUC评估的常规-奇异（RS）隐写分析和Westfeld–Pfitzmann卡方检验（χ2）；ii) 在0.1、0.3和0.5 bpp的负载量下，使用LPIPS和FID以及PSNR、SSIM和MSE等图像质量指标进行评估；iii) 基于深度学习的模型，即XuNet[71]、YeNet[72]、ZhuNet[73]和SiaStegNet[74]。i. 基于绿色通道的随机化测试与StegoHash方法在实验阶段的这一部分，实施了确定性和随机性嵌入技术，以评估所提出的方法，并展示在相同实验条件下随机分离哈希策略相对于两种基线嵌入策略的优势：• 无哈希的顺序嵌入：按照固定的、确定性的光栅扫描顺序（从左到右，逐行）进行简单的LSB替换，其中像素按预定顺序访问，每个选定的像素嵌入16位；• 通用的PRNG排列：使用一个带密钥的PRNG生成候选像素的随机排列；然而，排列仅依赖于密钥，而不依赖于像素值。每个访问的像素嵌入16位（4-4-4），剩余的4位直接存储在哈希索引中；• 分离哈希：使用绿色通道来驱动基于哈希的随机像素选择以嵌入秘密位。对于每种方法，从ALASKA [67]数据集中随机选取750张（512x512）图像作为封面图像，并为每个封面生成相应的隐写图像。然后应用RS隐写分析和χ2攻击。对于每种隐写分析方法、嵌入方法和负载量的组合，我们计算接收者操作特征曲线（ROC）、相应的曲线下面积（AUC）和最小总错误概率（）。在三种实验条件下，鉴于单调趋势，对应于不同的负载量或嵌入强度，我们报告了每种嵌入方法的RS AUC、χ2 AUC和最佳分类错误概率（）。较低的值表示更容易检测到，= 0.5对应于随机猜测[75]。表12总结了这些实验的结果，并在同一实验条件下直接比较了三种嵌入方法。表12. 比较了顺序、随机和StegoHash方法的RS AUC、χ2 AUC和最佳值。负载量（bpp）方法RS AUCχ2 AUC（最佳）0.1顺序0.50680.50670.4887PRNG0.51180.50460.4853StegoHash0.50360.49990.49330.3顺序0.51850.51960.4807PRNG0.53350.51320.4687StegoHash0.51020.49730.48800.5顺序0.53150.52620.4713PRNG0.55760.52240.4520StegoHash0.51780.49440.4798表13展示了三种条件下的平均值（来自表12），而图9显示了每种方法的平均性能。表13. 表12中三种方法的平均结果方法RS AUCχ2 AUC（最佳）顺序～0.519～0.518～0.480PRNG～0.534～0.513～0.469哈希～0.511～0.497～0.487下载：下载高分辨率图像（153KB）下载：下载全尺寸图像图9. 每种方法的平均性能在三种实验条件下，所有三种嵌入策略（顺序、PRNG、哈希）仅能被经典的RS和χ2隐写分析弱检测到。AUC值接近0.5，最佳错误概率也接近0.5，即接近随机猜测。平均结果显示出明显的排名：基于PRNG的方法最容易被检测到（最高的RS AUC和最低的），顺序方法具有中等可检测性，而基于哈希的方案最难检测到。特别是，χ2测试对基于哈希的方案几乎没有区分能力。这些发现与最近的研究一致，这些研究表明，简单的随机像素选择并不能显著增强基于LSB的方案，而带密钥的哈希引导选择和像素混合可以显著削弱基于直方图和RS的攻击[76]。在每种嵌入方法中，从第一个（0.1 bpp）到第三个块（0.5 bpp），RS/χ2 AUC值增加，而最小总错误概率（）减少，这证实了实验因素是嵌入率：更高的负载量使所有方案更易于检测。尽管AUC值仅略高于0.5，这表明所有三种方法仍然只能被经典的RS/χ2测试弱检测到，而基于哈希的方案最接近理想的“不可检测”点（AUC ≈ 0.5， ≈ 0.5），而基于PRNG的方法最容易受到攻击。总体而言，表13和图9表明，在评估的方法中，基于哈希的嵌入对传统的统计隐写分析具有最强的抵抗力。ii. 分离哈希方法的不可察觉性和容量分析本节使用数据集和七个客观指标来评估所提出的隐写方法，这些指标包括MSE和RMSE以及PSNR和SSIM和NCC和LPIPS和FID，以测量在三种不同负载率下的不可察觉性、感知质量和分布一致性，平均负载率为每像素0.1、0.3和0.5比特，如表14至表16所示。表14. 在0.1 bpp负载量下StegoHash和传统隐写方法的性能比较。隐写方法MSERMSEPSNRSSIMNCCLPIPSFIDWOW0.0154930.12407666.2835890.9999480. 9999990.0000230.006253S-UNIWARD0.0129630.11369767.0273380.9999470. 9999990.0000210.005864MiPOD0.0977180.31577958.1432200.9996280.9999950.0001310.035812SCREEDSOLO0.0563990.23748560.6181040.9997110.9999970.0001380.045420StegoHash0.7775990.87105471.9171430.9987590.9999690.0023640.162709表15. 在0.3 bpp负载量下StegoHash和传统隐写方法的性能比较。隐写方法MSERMSEPSNRSSIMNCCLPIPSFIDWOW0.0561990.23649260.6747890.9997790. 9999970.0000940.026576S-UNIWARD0.0480370.21898961.329440.0997730. 9999980.0000950.025498MiPOD0.2991370.54692753.3723320.9986390.9999860.0005120.120114SCREEDSOLO0.0563990.23748560.6181040.9997110.9999970.0001380.045420StegoHash0.7775990.87105471.9171430.9987590.9999690.0023640.162709表13展示了三种条件下的平均值（来自表12的组合），而图9显示了每种方法的平均性能。表13. 表12中三种方法的平均结果方法RS AUCχ2 AUC（最佳）顺序～0.519～0.518～0.480PRNG～0.534～0.513～0.469哈希～0.511～0.497～0.487下载：下载高分辨率图像（153KB）下载：下载全尺寸图像图9. 在三种实验条件下，所有三种嵌入策略（顺序、PRNG、哈希）仅能被经典的RS和χ2隐写分析弱检测到。AUC值接近0.5，最佳错误概率也接近0.5，即接近随机猜测。平均结果显示出明显的排名：基于PRNG的方法最容易被检测到（最高的RS AUC和最低的），顺序方法具有中等可检测性，而基于哈希的方案最难检测到。特别是，χ2测试对基于哈希的方案几乎没有区分能力。这些发现与最近的研究一致，这些研究表明，简单的随机像素选择并不能显著增强基于LSB的方案，而带密钥的哈希引导选择和像素混合可以显著削弱基于直方图和RS的攻击[76]。在每种嵌入方法中，从第一个（0.1 bpp）到第三个块（0.5 bpp），RS/χ2 AUC值增加，而最小总错误概率（）减少，这证实了实验因素是嵌入率：更高的负载量使所有方案更易于检测。尽管AUC值仅略高于0.5，这表明所有三种方法仍然只能被经典的RS/χ2测试弱检测到，而基于哈希的方案最接近理想的“不可检测”点（AUC ≈ 0.5， ≈ 0.5），而基于PRNG的方法最容易受到攻击。总体而言，表13和图9表明，在评估的方法中，基于哈希的嵌入对传统的统计隐写分析具有最强的抵抗力。ii. 分离哈希方法的不可察觉性和容量分析本节使用数据集和七个客观指标来评估所提出的隐写方法，这些指标包括MSE和RMSE以及PSNR和SSIM和NCC和LPIPS和FID，以测量在三种不同负载率下的不可察觉性、感知质量和分布一致性，平均负载率为每像素0.1、0.3和0.5比特，如表14至表16所示。表14. 在0.1 bpp负载量下StegoHash和传统隐写方法的性能比较。隐写方法MSERMSEPSNRSSIMNCCLPIPSFIDWOW0.0154930.12407666.2835890.9999480. 9999990.0000230.006253S-UNIWARD0.0129630.11369767.0273380.9999470. 9999990.0000210.005864MiPOD0.0977180.31577958.1432200.9996280.9999950.0001310.035812SCREEDSOLO0.0563990.23748560.6181040.9997110.9999970.0001380.045420StegoHash0.7775990.87105471.9171430.9987590.9999690.0023640.162709表15. 在0.3 bpp负载量下StegoHash和传统隐写方法的性能比较。隐写方法MSERMSEPSNRSSIMNCCLPIPSFIDWOW0.0561990.23649260.6747890.9997790. 9999970.0000940.026576S-UNIWARD0.0480370.21898961.329440.0997730. 9999980.0000950.025498MiPOD0.2991370.54692753.3723320.9986390.9999860.0005120.120114SCREEDSOLO0.0563990.23748560.6181040.9997110.9999970.0001380.045420StegoHash0.7775990.87105471.9171430.9987590.9999690.0023640.162709表16. 在0.5 bpp负载量下StegoHash和传统隐写方法的性能比较。隐写方法MSERMSEPSNRSSIMNCCLPIPSFIDWOW0.1052110.32371157.9445100.9995420. 9999950.00002000.053380S-UNIWARD0.0913710.30208858.5333410.9995320. 9999960.00020300.053109MiPOD0.4981240.70576351.1578310.9974980.9999760.00011810.289156SCREEDSOLO0.2827240.53171853.6171810.9999920.0004820.120265StegoHash0.51780.49440.47980.4798表13展示了三种条件下的平均值（来自表12的组合），而图9显示了每种方法的平均性能。表13. 表12中三种方法的平均结果方法RS AUCχ2 AUC（最佳）顺序～0.519～0.518～0.480PRNG～0.534～0.513～0.469哈希～0.511～0.497～0.487下载：下载高分辨率图像（153KB）下载：下载全尺寸图像图9. 在三种实验条件下，所有三种嵌入策略（顺序、PRNG、哈希）仅能被经典的RS和χ2隐写分析弱检测到。AUC值接近0.5，最佳错误概率也接近0.5，即接近随机猜测。平均结果显示出明显的排名：基于PRNG的方法最容易被检测到（最高的RS AUC和最低的），顺序方法具有中等可检测性，而基于哈希的方案最难检测到。特别是，χ2测试对基于哈希的方案几乎没有区分能力。这些发现与最近的研究一致，这些研究表明，简单的随机像素选择并不能显著增强基于LSB的方案，而带密钥的哈希引导选择和像素混合可以显著削弱基于直方图和RS的攻击[76]。在每种嵌入方法中，从第一个（0.1 bpp）到第三个块（0.5 bpp），RS/χ2 AUC值增加，而最小总错误概率（）减少，这证实了实验因素是嵌入率：更高的负载量使所有方案更易于检测。尽管AUC值仅略高于0.5，这表明所有三种方法仍然只能被经典的RS/χ2测试弱检测到，而基于哈希的方案最接近理想的“不可检测”点（AUC ≈ 0.5， ≈ 0.5），而基于PRNG的方法最容易受到攻击。总体而言，表13和图9表明，在评估的方法中，基于哈希的嵌入对传统的统计隐写分析具有最强的抵抗力。ii. 分离哈希方法的不可察觉性和容量分析本节使用数据集和七个客观指标来评估所提出的隐写方法，这些指标包括MSE和RMSE以及PSNR和SSIM和NCC和LPIPS和FID，以测量在三种不同负载率下的不可察觉性、感知质量和分布一致性，平均负载率为每像素0.1使用在WOW、S-UNIWARD、SCREEDSOLO和MiPOD上训练的Zhunet隐写分析器评估的StegoHash混淆矩阵。下载：下载高分辨率图像（103KB）下载：下载全尺寸图像图19. 使用在WOW、S-UNIWARD、SCREEDSOLO和MiPOD上训练的SiastegNet隐写分析器评估的StegoHash混淆矩阵。可以通过以下公式（15）计算值，其中分别代表误报率和漏检率的缩写。当误报率达到0.5时，抗隐写分析性能最佳。需要注意的是，误报率是在检测过程中将正常情况错误分类为异常情况的风险。相反，漏检率是在检测过程中未能检测到实际异常情况的概率[82]。c) 对抗基于深度学习的隐写分析器的StegoHash的鲁棒性评估i. StegoHash在WOW、S-UNIWARD、SCREEDSOLO、MiPOD上的性能表17至表19所示的结果表明，所提出的StegoHash方法成功地抵御了基于CNN的隐写分析模型，在三种负载容量（0.1 bpp、0.3 bpp和0.5 bpp）下均表现出色，这从较低的检测率和较高的值中可以看出，与传统和基于深度学习的隐写技术相比。当使用XuNet、YeNet、ZhuNet和SiaStegNet进行测试时，StegoHash的检测准确率分别为53.00%、52.47%、51.53%和50.07%，这些结果接近随机猜测的50%。使用深度学习方法的传统技术MiPD和SCREEDSOLO获得了更好的检测结果，分别检测到76.20%和90.33%的案例。StegoHash在0.3 bpp时的检测率较低，因为所有方法在负载增加时都能获得更高的准确率，检测率在51.13%到59.27%之间，而SCREEDSOLO和MiPOD的检测率分别为95.00%和77.40%。StegoHash提供了更好的安全性，检测率在54.20%到67.93%之间，而其竞争对手使用ZhuNet和SiaStegNet时检测率超过95%。结果表明，即使在低负载水平下，StegoHash方法也比WOW、S-UNIWARD、MiPOD和SCREEDSOLO提供了更好的防御能力。ii. StegoHash在WOW、S-UNIWARD和MiPOD上的性能表20至表22中的结果表明，当使用基于传统隐写技术的基于CNN的隐写分析系统（WOW、S-UNIWARD和MiPOD）进行测试时，StegoHash方法具有更好的安全性。StegoHash在使用XuNet、YeNet、ZhuNet和SiaStegNet时，在0.1 bpp负载容量下的检测率分别为53.73%和54.00%、54.73%和50.13%，这些结果接近50%的随机分类阈值，表明该系统可以成功逃避检测。MiPOD和SCREEDSOLO的检测结果优于其他系统，分别识别出76.33%和66.67%的隐藏信息，使它们更容易受到隐写分析的影响。StegoHash在0.3 bpp负载水平下的检测率为50.47%到66.00%，而MiPOD和SCREEDSOLO插件的检测率分别为79.27%和86.07%。在0.5 bpp负载水平下，StegoHash的检测结果在51.20%到74.33%之间，低于包括MiPOD在内的传统和基于深度学习的隐写方法。结果表明，即使在低负载水平下，StegoHash方法也比WOW、S-UNIWARD、MiPOD和SCREEDSOLO提供了更好的防御能力。表17至表22中呈现的总体结果一致表明，所提出的StegoHash方法在所有负载容量（0.1、0.3和0.5 bpp）下，相对于传统方法（WOW、S-UNIWARD和MiPOD）和基于深度学习的隐写方法（SCREEDSOLO），对基于CNN的隐写分析提供了更好的抵抗能力。在0.1 bpp的低负载容量下，StegoHash的检测准确率接近随机猜测（大约50%–54%），表明其具有强大的安全性和极低的可检测性，而竞争方法的可检测率显著更高，达到90.33%。随着负载容量增加到0.3 bpp和0.5 bpp，所有方法的检测准确率都有所提高，因为更高的嵌入效果产生了更好的结果；然而，StegoHash的检测准确率较低，错误率较高。现代基于CNN的隐写分析器可以检测到MiPOD和SCREEDSOLO，这两种方法的检测准确率分别为85%–95%。StegoHash在不同训练设置下的各种检测器中表现出一致的性能，显示出其鲁棒性和在不同情况下可靠执行的能力。混淆矩阵（图18和图19）表明，随着负载大小的增加，StegoHash方法的检测能力变得更强。在0.1 bpp时，分类器在封面图像和隐写图像之间显示出中等的混淆，因为其误分类率较高。在0.3 bpp和0.5 bpp时，隐写样本的检测准确率有所提高，因为更高的负载导致了更多可检测的视觉伪影，降低了方法的隐蔽性。5.3.5. 运行时间和内存使用为了评估所提出方法的计算性能，本文分析了其时间复杂性和内存消耗。所提出方法的时间复杂性分析如表24所示，为O(N + L)，其中N表示封面图像中的总像素数，L是秘密消息的长度。由于L通常远小于N，因此有效复杂性为O(N)，表明随着图像分辨率的增加而线性增加。同样，表24中描述的空间复杂性为O(N)，在处理过程中必须存储封面图像的像素和哈希结构。表24. 哈希隐写的主要操作复杂性存储封面图像：O(N)大小为16的哈希表，用于存储像素索引的引用：O(N)；最坏情况秘密消息和加密缓冲区：O(L)因此，总体时间复杂性为O(N+L)。由于在典型的隐写应用中L < N，即嵌入消息远小于图像，有效时间复杂性降低到大约O(N)。同样，空间复杂性为O(N+L)≈O(N)，如表24所示。以下步骤说明了消息长度为1 KB和封面大小为1024 × 1014时的内存使用计算。步骤1 — 封面图像的内存•图像大小 = 1024 × 1024像素，RGB（3字节/像素）= 1,048,576像素×3字节=3,145,728字节≈3.00 MB•存储为字节5 → 添加约16字节头部 → 仍然约为3.00 MB步骤2 — 哈希表的内存（字节条目）总条目：每个像素存储一个位置指示器：1,048,576条目每个条目的大小：•存储为原始字节 → 1字节•因此，原始存储：1,048,576字节=1.00 MB步骤3 — 秘密消息 + 随机序列 + 密钥。列表存储嵌入位的位置（1,048,576条目），每个像素对应3字节，以及相关的哈希表索引（1字节）。所需的哈希索引条目数量计算为：消息大小/每个像素隐藏的位数 = (1024/16) = 64条目。每个像素隐藏12位秘密数据，而哈希索引额外贡献了4位，因此每个像素嵌入了16位。此步骤的总内存使用如表25所示。表25. 计算消息内存使用项目大小（KB）消息（1 KB）1024字节1.0随机序列R1024字节1.0加密密钥M1024字节1.0列表L（64条目 × 4字节引用）～256字节0.25总计3.25 KB在这些1024 × 1024封面图像中隐藏1 KB消息的最终总内存使用如表26所示。表26. 估计的总内存使用组件内存（MB）封面图像3.00存储像素位置的哈希表（字节）1.00临时数据（消息、密钥、列表）0.33总计～4.33 MB表27总结了256 × 256、512 × 512和1024 × 1024图像分辨率下的内存使用，消息大小分别为1 KB、64 KB和256 KB。表27. 数据隐藏算法的内存需求图像分辨率总像素数（N）消息大小（KB）估计内存需求（MB）256 × 25665,5361≈ 0.6064≈ 1.00256≈ 1.65512 × 512262,1441≈ .65064≈ 1.00256≈ 1.71024 × 10241,048,5761≈ 4.3364≈ 4.75256≈ 5.5 MB表28中呈现的实证运行时间测量是在256×256、512×512和1024×1024大小的图像上进行的。结果证实，处理时间随像素数量线性增加，这与理论分析一致。主要的计算成本来自于嵌入过程中哈希表和AVL树的构建中的像素遍历，而基于CHACHA20-和AES的密钥加密对总体运行时间的影响很小。因此，该算法对于涉及中等和高质量图像的实际隐写应用具有很强的可扩展性。内存使用随图像像素数量（N）（由于像素存储和哈希表）和消息大小（L）（由于消息、随机序列、加密密钥和索引列表）线性增长。因此，图像分辨率的增加导致执行时间和内存使用的可预测比例增加。表28. 不同图像大小的实证运行时间缩放图像分辨率像素数量（N）图像大小（KB）运行时间（秒）注释256 × 25665,53610.3243快速执行512 × 512262,144640.9722～比256×256慢4×1024 × 10241,048,5762562.8681明显增加：缩放保持线性所提出方法的主要计算瓶颈发生在像素处理步骤中，其中遍历每个像素以构建哈希表，然后访问它来嵌入消息。5.3.6. 讨论如第III节所讨论的，许多现有的隐写方法采用随机化技术来通过随机选择嵌入像素来增强隐藏数据的安全性。这些方法通常依赖于用秘密密钥初始化的伪随机数生成器（PRNG）来加密机密消息，如先前的研究[45]、[48]所报道的。ChaCha20-DRBG是一种常用的伪随机数生成器，用于安全密钥生成[2]、[24]。然而，在所提出的方法中，ChaCha20-DRBG不仅用于随机性，还用于通过生成一个取决于消息大小、密钥、随机数和初始计数器的长位序列来加密秘密消息。该序列与二进制秘密消息进行XOR操作，确保在嵌入前进行加密，并增加了一层防止未经授权访问的保护。加密消息嵌入到随机选择的像素的RGB通道的四个最低有效位（LSBs）中。像素选择由秘密消息块的最高有效位（MSBs）和来自单独的哈希数据结构的地址索引驱动。此哈希结构将图像像素存储在与1×16哈希表相关联的链表中，每个索引对应于一个从0000到1111的4位二进制值。根据绿色通道的四个MSBs为像素分配哈希索引。在嵌入过程中，一次处理两个加密字节，并将其分为四个4位块。第一个块通过选择相应的哈希索引隐式编码，而其余三个块嵌入到从相关哈希列表中检索的像素的LSBs中。然后使用修改后的像素重建隐写图像。为了支持安全提取，生成了一个包含指示嵌入位置的索引值的序列列表。由于密钥管理至关重要，因此使用AES对这个序列列表进行加密，并在传输给接收者之前使用AVL树结构进一步混淆。序列长度由消息大小、密钥、随机数和计数器决定，可以单独通信。使用StegoExpose工具进行的安全性评估表明，当消息大小超过64 KB时，可检测性会增加。尽管如此，该方法通过每个像素嵌入两个字节实现了高嵌入容量，支持高达256 KB的负载，同时保持了适度的不可察觉性。对于512×512图像，最大负载为512 KB，是图像容量的一半。尽管该方法提供了强大的安全性和最小的可见失真，但随着负载大小的增加，可检测性也会增加。基于深度学习的隐写分析实验进一步表明，所提出的方法在48 KB负载下实现了超过51.1 dB的PSNR值，表明具有很强的不可察觉性。此外，SSIM值高于0.997，确认了封面图像和隐写图像之间的高度结构相似性，使得视觉检测变得不太可能。使用单独的哈希结构实现了高效的嵌入和提取，而ChaCha20-DRBG和AES的集成提供了对隐写分析的强大保护。此外，使用XuNet[71]、YeNet[72]、ZhuNet[73]和SiaStegNet[74]基于CNN的隐写分析模型的评估表明，所提出的算法对基于深度学习的检测具有抵抗力，从而增强了其安全性。尽管对于超过64 KB的有效载荷，检测能力有所提高，但该方法在实践中仍然安全：即使攻击者能够估计消息的大小，没有隐写密钥图像和AES加密的像素位置序列，恢复隐藏数据也是不可行的。推荐的StegoHash技术及其比较算法在图10、图11、图12和图13中展示了它们的ROC曲线，这些曲线显示了它们的性能结果。我们测试了XuNet、YeNet、ZhuNet和SiaStegNet三种隐写分析器在三种有效载荷容量下的性能：0.1 bpp、0.3 bpp和0.5 bpp。StegoHash曲线在沿其对角线延伸的参考线上找到对象的表现优于其他嵌入方法。

图11. 使用YeNet预训练模型在WOW、S-UNIWARD、SCREEDSOLO和MiPOD上运行的StegoHash（图a-c）和比较方法的ROC曲线。下载：下载高分辨率图像（333KB）
图12. 使用ZhuNet预训练模型在WOW、S-UNIWARD、SCREEDSOLO和MiPOD上运行的StegoHash（图a-c）和比较方法的ROC曲线。下载：下载高分辨率图像（363KB）
图13. 使用SaiStegNet预训练模型在WOW、S-UNIWARD、SCREEDSOLO和MiPOD上运行的StegoHash（图a-c）和比较方法的ROC曲线。

图14至图17中的ROC曲线展示了在有限训练条件下系统的性能。这意味着隐写分析器仅基于较少的嵌入算法进行训练。结果表明，StegoHash具有很强的安全性，在所有有效载荷大小下都更难被检测到，表明其具有良好的泛化能力。使用ZhuNet和SiaStegNet隐写分析器进行StegoHash测试的混淆矩阵分别显示在图19和图20中。分类结果的均匀分布和较高的误分类率表明，StegoHash通过统计分析成功降低了封面图像和隐写图像的检测难度。此外，时间和空间复杂度与图像大小成线性关系，总体复杂度较低。

总之，本文提出了一种高容量、安全的图像隐写方案，能够在保持图像质量的同时有效嵌入秘密信息。通过结合独立的哈希处理和先进的加密技术，该方法在容量、不可察觉性和安全性之间实现了良好的平衡。虽然该方法在中等有效载荷下的表现良好，但建议针对更高的嵌入容量进一步评估其与最先进隐写分析器的对比。

6. 结论与未来工作
在本文中，我们提出了一种安全、高容量的彩色图像隐写方案，该方案结合了用于随机像素选择的独立哈希数据结构与ChaCha20-DRBG和AES加密。虽然AES和ChaCha20-DRBG是标准的加密原语，但本文的主要贡献在于隐写设计。首先，我们在RGB通道上构建了一个独立的哈希结构，使用绿色通道生成均匀分布在图像中的索引，从而实现高效的插入和检索，同时避免了隐写分析通常针对的顺序或高度结构化的嵌入模式。其次，我们引入了一种考虑索引分布的像素选择过程，其中ChaCha20-DRBG生成依赖于密钥的索引序列来遍历哈希表，进一步降低了嵌入位置的可预测性。第三，我们提出了一种高容量的4-LSB RGB嵌入策略，将哈希索引集成到有效载荷中，允许每个选定的像素嵌入两个加密字节，同时保持可接受的视觉质量，PSNR始终高于51 dB。实验数据（表14至表16）和图表（图10至图19）表明，StegoHash方法比传统的嵌入方法具有更好的隐写安全性。StegoHash在对抗检测方法时表现出强大的安全性，在所有有效载荷大小和测试方法（包括传统和深度学习隐写分析方法）中都保持了较低的检测准确率。StegoHash为实际隐写需求提供了理想的解决方案，通过平衡有效载荷容量和安全特性实现了最佳安全性。

图14. 使用XuNet预训练模型在WOW、S-UNIWARD和MiPOD上运行的StegoHash（图a-c）和比较方法的ROC曲线。下载：下载高分辨率图像（351KB）
图15. 使用YeNet预训练模型在WOW、S-UNIWARD和MiPOD上运行的StegoHash（图a-c）和比较方法的ROC曲线。下载：下载高分辨率图像（354KB）
图16. 使用ZhuNet预训练模型在WOW、S-UNIWARD和MiPOD上运行的StegoHash（图a-c）和比较方法的ROC曲线。

总体而言，所提出的方法在考虑有效载荷限制的同时，平衡了容量、安全性和图像质量。复杂性分析表明，执行时间和内存使用量与图像分辨率成比例增加。在标准彩色图像上的实验确认，与最近的研究相比，该方法在容量、不可察觉性和安全性之间实现了有利的权衡。该哈希方案还作为一种轻量级的、模型无关的增强方式，通过引入受控扰动来阻碍基于深度学习的隐写分析器，而无需对嵌入器或解码器进行任何修改。

在未来的工作中，我们将考虑引入额外的加密措施以进一步提高安全性，以及更先进的像素选择和数据嵌入算法。集成Huffman编码和其他压缩技术也可能增加有效载荷容量。我们还将专注于优化这些组件以提高整体效率和可扩展性。未来的研究可能会探索自适应的、内容感知的哈希策略，整合对抗性训练框架，并使用集成检测器和跨领域测试设置进行更广泛的评估。这些方向共同可以提高隐写系统在日益受深度学习驱动的分析环境中の韧性。

CRediT作者贡献声明
Zarina Shukur：撰写 – 审稿与编辑
Faizan Qamar：撰写 – 审稿与编辑
Rossilawati Sulaiman：撰写 – 审稿与编辑、调查、形式分析
Murad Subhi Njoum：撰写 – 审稿与编辑、原始草稿编写、验证、监督、软件、方法论、概念化

数据和材料的可用性
研究的数据和代码可根据合理请求从作者处获取。

利益冲突
作者声明与本研究无关的利益冲突。

关于手稿准备过程中生成式AI和AI辅助技术的声明
在准备这项工作时，作者使用了ChatGPT（OpenAI）来协助语言润色并提高表达的清晰度。生成的输出经过作者仔细审查、修订和验证。作者对发表文章的内容负全责。

资助
本研究得到了马来西亚国立大学基础研究计划（FRGS）的支持，该计划由马来西亚高等教育部资助。代码：FRGS/1/2023/ICT07/UKM/02/1。