基于深度特征与颜色特征的强大图像哈希方案，用于社交网络中的内容认证

《Digital Signal Processing》：Robust Image Hashing Scheme with Deep and Color Features for Content Authentication in Social Network

　　摘要：本文提出了一种安全的图像哈希框架，用于实现可靠的内容认证，尤其针对在线社交网络环境中的挑战而设计。该框架采用双分支特征提取策略，有效结合了基于显著性引导的颜色特征与基于PCANet的深度纹理特征。颜色分支利用视觉注意力机制从前景区域提取具有区分度的颜色统计信息，而深度纹理分支则借助在特定于在线社交网络的数据集上训练的无监督PCA网络（PCANet）来捕捉强大的结构模式。随后，本文提出了一种新的三维立方标准耦合映射超混沌系统，用于加密这些综合特征，从而确保传输安全。在两个公共基准数据集以及新构建的在线社交网络数据集上的大量实验表明，与现有最先进方法相比，所提出的算法在抵抗内容篡改方面具有更强的鲁棒性，对不同图像的区分度更高，且对在线社交网络类型的失真更具抵抗力。

引言：随着数字成像设备的普及以及互联网流量的指数级增长，数字图像已成为信息交流的主要媒介。然而，这种普遍性也加剧了对图像真实性和完整性的担忧，使得可靠的图像内容认证成为一项重要的研究课题。例如，如图1所示，原始图像（a）可以通过各种保留内容或修改内容的操作轻易被篡改，从而生成外观相似但未经授权的版本，如（b）、（c）和（d）。为了解决这一问题，感知图像哈希作为一种高效准确的图像篡改检测和内容认证技术应运而生。

图2展示了在实际应用中利用感知哈希进行数字图像内容认证的典型框架。在发送方，将感知哈希算法应用于原始图像，并结合密钥生成一个紧凑的图像哈希值。然后，图像及其对应的哈希值通过在线社交网络传输，而密钥则通过安全的私人渠道传递。在接收方，使用相同的密钥和哈希算法对接收到的图像重新生成本地哈希值。通过将重新生成的哈希值与从公共渠道获取的哈希值进行比较来进行认证。如果比较结果低于预定义阈值，则认为图像是真实的；否则，就会被标记为被篡改或不可信的。

然而，许多现有哈希方法在加密安全性方面存在不足，这是一个关键问题。一些方案[1,2]依赖于简单的加密或伪随机数生成器，这些方法的随机性有限，容易受到攻击，可能导致哈希伪造和错误认证。为了解决这个问题，我们在框架中整合了超混沌系统[3]。这类系统具有非线性动力学特性，能够产生具有更高伪随机性、对初始条件敏感且非周期性的序列[[4], [5], [6], [7], [8]]。与传统方法不同，我们的方法不仅增强了加密的可靠性，还通过仅需最少的初始值简化了密钥管理，从而提升了安全性和实用性。

除了安全性之外，有效的哈希方案还必须平衡鲁棒性和区分度。鲁棒性确保视觉上相似的图像会产生相似的哈希值，而区分度则保证不同图像有不同的哈希值。实现这种平衡颇具挑战性，因为改善一方面可能会削弱另一方面；这本质上取决于代表性特征的选择以及有效提取算法的设计。

在图像哈希领域，近年来人们探索了多种特征类型和提取技术。基于颜色的图像哈希算法利用颜色分布和统计特性，通常具有很强的区分度。例如，在2024年，张等人[9]提出了一种结合非负矩阵分解和显著性图的强大颜色图像哈希方案，用于检测副本；在该方法中，通过颜色向量角度矩阵融合RGB分量来提取颜色特征。同样在2024年，余等人[2]介绍了一种有效的图像哈希方法，用于内容认证，该方法整合了ScatNet-LTSA深度特征以及形状的矩特征和颜色的QBFM特征，对这些特征进行量化并加密以生成最终哈希值。随后，在2025年，Choudhury[10]提出了一种通过“带时间延迟的自玩”方式的强大颜色图像感知哈希方法，该方法利用CNN编码器和改进的sigmoid函数来提取RGB特征，并通过交叉迭代输出比较来生成具有抗干扰能力的哈希值。

与颜色特征相辅相成的是基于深度特征的哈希算法，这类算法利用深度神经网络或无监督深度架构如主成分分析网络所学到的表示方法[11]。这些方法擅长捕捉层次化和语义化的纹理模式。2021年，Paul等人[12]率先提出了一种强大的颜色图像哈希技术，用于图像认证和篡改定位，该技术利用深度网络将输入图像分层映射为低维哈希码，同时采用盲几何校正方法来抵抗复合RST失真。在这些基础深度架构的基础上，近期研究进一步推动了该领域的发展。2024年，Fonseca-Bustos等人[13]提出了一种具有模块化损失的对比自监督哈希方法。类似地，余等人[14]介绍了一种感知哈希算法，该算法将基于ResNet18的深度DCT特征与NSST-GLCM纹理特征相结合，用于降低参考度的图像质量评估。与此同时，Pei等人[15]开发了一种具有混合注意力机制和自适应加权功能的深度哈希网络，用于图像检索，该网络结合了通道和空间注意力机制以及自适应权重学习，能够高效生成长度可变的高精度哈希码。在多域特征整合方面，Cao等人[16]在2024年提出了一种基于深度网络的感知认证哈希方案，该方案利用空间域和频率域，结合频率通道滤波器、注意力模块和特征融合策略来生成最终的哈希序列。相比之下，Yang等人[17]在2025年提出了一种感知图像哈希方案，该方案利用感知区域识别网络定位关键图像区域，并将ResNet50与加权特征融合网络相结合，以生成强大且具有区分度的哈希值。

除了颜色特征和深度特征之外，人们还在图像哈希领域探索了其他技术路线以进一步提升性能。例如，Tang等人[18]在2021年提出了一种利用基于块的QSVD提取分块奇异值来生成图像哈希值的方法。在此之后，Liang等人[19]在2022年提出了一种基于图像特征图和2DPCA的图像哈希算法，用于降低提取特征的维度。同样在2023年，Karsh等人[20]提出了一种结合提升小波变换和DCT的图像哈希方法。同年，Liang等人[21]设计了一种基于LTSA的强大哈希方案，该方案整合了DOG边缘特征和Itti显著性图，以实现具有区分度和抗旋转能力的图像副本检测。最近，在2024年，Liang等人[22]开发了一种WSM-LE哈希算法，该算法将边缘-显著性图与拉普拉斯特征图相结合，以实现强大的副本检测能力。

尽管在图像认证方面已经取得了显著进展，但在实际应用中，尤其是在复杂的在线社交网络环境中，仍然面临诸多关键挑战。在在线社交网络中，图像常常会遭受复杂的混合失真[23]。依赖手工设计的特征的传统哈希方法往往无法充分抵御此类严重失真。相反，虽然基于深度学习的方法能提供更强大的特征表示，但它们通常依赖于繁琐的迭代优化过程，这会消耗大量计算资源，限制其部署效率。此外，无论是采用传统方法还是深度学习方法，仅依赖单一特征域都难以在抵御常规操作的总体鲁棒性和对恶意篡改的局部敏感性之间取得良好平衡。

为了解决这些局限性，本文提出了一种新颖的强大感知图像哈希算法，该算法整合了混合特征提取框架和混沌加密技术。本文的主要贡献如下：(1)为了解决专门反映在线社交网络失真环境的图像数据库稀缺的问题，本文构建了一个包含各种典型社交网络失真的图像数据集，以更好地模拟现实世界的传输场景。基于该数据集，本文提出了一种新的深度纹理特征提取算法，该算法将主成分分析网络与基于WPCA的降维方法相结合。与依赖复杂迭代优化的传统深度学习网络不同，所提出的PCANet分支通过特征分解直接计算滤波器。这种架构实现了轻量级的单次训练，同时能有效捕捉局部结构模式。(2)本文提出了一种新颖的双分支图像哈希框架，该框架巧妙地将基于显著性引导的颜色特征提取算法与提取的深度纹理特征相结合。与依赖单一特征领域的现有方法不同，所提出的框架充分利用了具有空间感知能力的全局颜色表示和深度结构纹理。这种双分支机制充分发挥了它们的互补优势，成功地在抵御常规信号处理的总体鲁棒性和检测恶意篡改的局部敏感性之间取得了平衡。在两个公共数据集以及新构建的在线社交网络数据集上的大量实验充分证明了该框架的全面优势。(3)本文构建并严格验证了一种名为3D-CSCM的新型三维超混沌系统。与那些在公共渠道直接传输明文哈希序列的传统认证框架不同，所提出的3D-CSCM被无缝集成到认证流程中，用于加密生成的图像哈希值。这一设计大大提升了认证系统的数据安全性，有效防止了潜在的传输攻击。

本文的其余部分结构如下。第2节介绍了所提出的图像哈希方法的详细步骤及相关技术。第3节为实验验证部分。第4节总结了本文的工作。

整体框架与算法动机：本节介绍了所提出的安全图像哈希框架的整体架构及理论依据，其完整工作流程如图3所示。该框架旨在通过战略性整合互补的特征提取技术和加密保护措施，实现鲁棒性、区分度和安全性之间的最佳平衡。如图3所示，所提出的框架通过三个协调一致的阶段运行。首先，输入……

实验设置：为确保所提算法的可重复性，其实现细节被明确划分为算法参数设置和训练配置两部分。

结论：本文提出了一种专为在线社交网络环境优化的全新安全图像哈希框架，用于内容认证。该框架整合了三个关键组成部分：基于显著性引导的颜色特征提取、基于PCANet的深度纹理特征提取，以及使用3D-CSCM超混沌系统进行的加密。首先，构建了一个专门的在线社交网络数据集，以模拟现实世界的传输条件。然后，通过……

致谢：Kang Zhi-jie：方法论、原文撰写-初稿准备、写作-审阅与编辑。Feng Xiufang：数据整理、方法论。Yang Yu-li：监督、验证。Zhou Shuang：验证。Zhang Hao：方法论、原文撰写-初稿准备。

利益冲突声明：作者声明没有利益冲突。

数据可用性声明：在本研究期间生成和/或分析的数据集，可应合理请求从相应作者处获取。

Kang Zhi-jie|Feng Xiu-fang|Yang Yu-li|Zhou Shuang|Zhang Hao中国晋中市太原理工大学软件学院，邮编030600