刘绪龙, 李伟祥, 林凯清, 等. 基于尺寸变换的图像级特征增强隐写分析方法[J]. 网络空间安全科学学报, 2024, 2(1): 101-112

https://doi.org/10.20172/j.issn.2097-3136.240109

LIU Xulong, LI Weixiang, LIN Kaiqing, et al. Scaling-based image-level feature enhancement for steganalysis[J]. Journal of Cybersecurity, 2024, 2(1): 101-112 https://doi.org/10.20172/j.issn.2097-3136.240109

文章考虑将图像尺寸变换作为隐写分析预处理阶段的核心模块，仅需在训练及推理阶段实施相同的图像预处理步骤，无缝集成到现行的基于深度学习的隐写分析框架中，达到即插即用目的，这一流程如图1所示。

图1 基于尺寸变换的图像级特征增强隐写分析框架

其次，探讨了不同的图像插值算法和缩放比例对图像残差特征增强的影响。在插值算法选取方面，不同插值算法对图像插值像素的影响不尽相同。通过可视化不同插值算法带来的载体图像和载密图像对应修改点像素值的差异（如图2所示），并结合图像变换前后像素值分布的KL散度，更清晰地阐明了不同插值算法对原始图像的整体影响。进一步通过实验分析不同插值算法对隐写分析性能的影响，最终确定了最近邻插值算法作为最佳插值方案。

图2 放大图像的隐写修改点变化情况

在缩放比例的选取上，实验直观地观察不同缩放比例对模型检测性能的效益（如表1所示），综合考虑检测性能的稳定性及模型训练的复杂度后，最终采用高度、宽度缩放比例为 2倍的最近邻插值算法。

表1 不同缩放尺寸对 LWENet 检测准确率的影响

在各种实验条件下（不同隐写分析模型、不同图像库）对所提方法进行了性能检验。实验结果表明，所提方法在不同网络架构和数据库上均具有适用性和性能增益，如表2所示。特别地，在低嵌入率这种更为困难的场景下，所提方法在提升模型检测准确率方面更为显著。

表2 不同模型对原始图像与放大图像的检测准确率