当今计算机技术高速发展，信息安全逐渐引起人们的重视，信息隐藏[1]应运而生．信息隐藏分为直接对秘密信息加密及隐写术[2]两种方案，对秘密信息加密通常是将数据编译成乱码进行传输，而这样很容易引起攻击者的怀疑．相比之下，隐写术利用常见的数字载体完成信息的传递，有较好的隐蔽性．传统隐写术是将数据嵌入到常见载体中，如图像、文本、音频等数字媒体．而图像因其不易被攻击者察觉、嵌入容量大等特点成为信息隐藏研究者最常选用的载体之一．图像隐写术得到了快速发展，比如基于最低有效位(LSB)[3]的方法、离散小波变换(DWT)[4]等算法．但传统图像隐写术须要对载体进行修改，即使再隐蔽的嵌入算法也会在图像表面留下痕迹，隐写检测工具[5]能够准确捕捉到这些变化，攻击者会进一步中断传输甚至是修改秘密信息，对于信息隐藏来说，传统图像隐写术安全性仍有所欠缺．为解决这些问题，无载体图像隐写术得到了广泛关注，从而快速发展且应用广泛[6]．无载体并非不需要数字载体进行信息传递，而是不须要对载体进行修改，能够从根源上抵抗隐写检测工具．目前，无载体图像隐写术分为基于映射式[7-10]及基于生成式[11-12]的两种方案，基于映射式的方法主要是利用载体图像特征，根据图像特征建立映射规则，进一步得到哈希序列进行秘密信息的传递；而基于生成式的方法通过秘密信息来驱动载体图像生成，但该方法会导致合成图像不够自然、图像遇到攻击之后秘密信息无法提取等问题．在实际应用过程中，基于映射的无载体图像隐写方案仍存在以下问题：a．大量传输无规律的图像易引起攻击者的怀疑，从而中断传输；b．单个图像载体容量较小，所需的候选图像数量随秘密信息长度增长而大幅增加；c．图像载体容量和鲁棒性无法平衡，二者很难达到最佳状态．针对上述问题，本研究提出一种抗几何攻击无载体图像隐写方法，首先发送方随机选取一张图像，输入至EfficientNet模型[13]，根据图像内容生成候选图像数据集．将每个子块图像分为RGB(红绿蓝)三个通道，再对其进行同心圆分块，对每个子块分别计算一阶矩、二阶矩和三阶矩，得到图像特征序列，然后将秘密信息分成长度合适的小段，再根据图像低阶矩特征值进行映射得到二值序列，并建立倒排索引，将秘密信息与图像匹配进行传输．经过实验验证，本方法提升了单张图像载体的容量，并且在图像容量和鲁棒性之间达到了较好的平衡．1 隐写算法设计秘密信息隐藏及秘密信息提取的基本框架如图1所示，包括发送方和接收方将要完成的工作，首先发送方使用EffecientNet模型对图像数据库进行分类，建立候选图像数据库；然后对候选图像计算颜色矩以生成鲁棒序列，建立倒排索引；再与秘密信息相匹配得到隐写图像发送给接收方，接收方提取图像特征并按照映射规则恢复秘密信息．10.13245/j.hust.241104.F001图1一种抗几何攻击的无载体图像隐写术框架1.1　通过EfficientNet模型构建候选载体图像数据集无载体图像隐写术依赖于图像的传递，如何去挑选合适的图像隐写也成为了一个难题．因为目前单张图像能够携带的信息量仍较少，须要传输大量图像来隐藏信息，如果发送大量杂乱无章的图像无疑会引起攻击者的怀疑．为了确保传输隐写图像过程中的安全性，首先随机选取一张图像，如图2所示，将该图像输入至EfficientNet模型，根据图像内容生成候选载体图像数据集，EfficientNet模型一共有8个不同种类的网络模型，考虑到所选用的无载体图像数据集分辨率，以及随机选取一张图像之后输入至EfficientNet模型须要快速得到内容相似的候选图像数据集，最终选用EfficientNet-B0模型作为图像分类网络．10.13245/j.hust.241104.F002图2构建载体图像数据集EfficientNet-B0主要是由移动翻转瓶颈卷积(MBConv)所构成，其网络结构如图2所示，MBConv是由深度可分离卷积和压缩与激发网络(SENet)组成．a．首先随机选取一张图像调整大小至224×224×3输入至网络，降采样卷积层利用32个3×3×3和步长为2×2的卷积核；b．然后进行归一化层处理以及激活函数，得到112×112×32的输出；c．将上一步的输出输入至16层不同步长和卷积核的MBConv层；d．最后经过主干网络最后的由1 280个1×1×320和步长为1×1组成的卷积层，得到最后的输出．1.2　图像特征序列提取特征序列是从图像特征数据中获取到的固定长度序列，须要根据秘密信息去匹配从图像生成的特征序列，进一步找到隐写载体图像，由此图像特征序列对于隐写来说至关重要，目前比较常见的是提取图像DCT[7]和DWT[8]等特征，而本研究将提取图像RGB颜色矩特征[14]对秘密信息进行映射，再通过对图像划分子块以获得更长的特征序列．a．为了获得更加鲁棒的特征序列，首先将图像归一化为N×N像素大小，然后计算图像中心点，按照图像中心点位置设置不同的半径r像素，将图像划分为m个同心圆分块，其中m和r的取值为正整数．如图3所示，当图像受到几何攻击时，如旋转、平移，通过同心圆划分子块能够保证子块区域内的像素值和原始图像像素值变化较小，从而能够生成鲁棒特征序列．10.13245/j.hust.241104.F003图3基于同心圆分块示意图b．对候选图像首先计算最内部子块颜色低阶矩分量，然后依次往外扩展，直到获得图像中所有分块的低阶矩分量．c．图像颜色低阶矩是一种利用数学方法来表示图像颜色特征的方式，颜色低阶矩的计算通常是基于RGB三通道颜色空间，通过计算图像颜色一阶矩、二阶矩和三阶矩来表示图像的颜色特征．三个低阶矩的计算方式如下．一阶颜色矩采用一阶原点矩，即均值，反映图像明暗程度，数值越小，图像整体越暗，计算式为αi=∑j=1QFijQ，(1)式中：αi为所有像素值在i颜色通道的颜色均值；Q为该图像的像素个数；j为第几个像素；Fij为第j个像素在i颜色通道上的像素值．二阶颜色矩采用的是二阶中心矩的平方根，即标准差βi．它能够反映图像颜色的分布范围，值越小，分布范围越小，其计算公式为βi=1Q∑j=1Q(Fij-αi)2．(2)三阶颜色矩采用的是三阶中心矩的立方根，即偏差γi，反映图像颜色的分布对称性，计算式为γi=1Q∑j=1Q(Fij-αi)33．(3)d．然后介绍映射规则，生成图像特征序列，通过计算图像3个子块的三阶低阶矩分量，最终得到27位分量，每个子块产生的特征序列计算式为fs=αR,βR,γR,αG,βG,γG,αB,βB,γB，(4)式中fs为第s个子块得到的低阶矩特征序列．将所有分量进行排序得到中位数p，以第一个子块为例，首先将R通道的一、二、三阶矩分量与中位数p相比较，以此类推，继续比较B和G通道低阶矩分量，然后由内至外将每个子块产生的哈希序列Fm拼接得到整张图像所产生的哈希序列F，每个子块的哈希序列映射规则为Fm=1  (αip);0  (αi≤p);1  (βip);0  (βi≤p);1  (γip);0  (γi≤p);  (i=R,G,B)(5)式中m为该图像划分子块的总数．e．重复上述步骤，依次计算候选图像数据库所有图像的哈希序列．1.3　倒排索引构建在隐藏秘密信息的过程中，如何快速找到与秘密信息二值序列相匹配的图像是很关键的一个环节，构建倒排索引能够大幅提升查找效率．秘密信息的长度通常会大于一张图像能够隐写的容量，须要按照图像的隐写容量来切割秘密信息，并将秘密信息与图像进行匹配，从而获得隐写图像．倒排索引如图4所示．10.13245/j.hust.241104.F004图4倒排索引结构特征序列指的是所有可能的27 bit长度的哈希序列，索引文件由三组信息组成：ID描述的是在候选图像库中不同索引的位置；特征值E表示整张图像RGB三通道的一阶矩分量均值；最后一列是存放当前图像的相对存储位置．特征值E的计算式为E=∑j=1Q1QFij/3．(6)1.4　秘密信息嵌入无载体图像隐写算法不须要将秘密信息嵌入到图像中，只须要将秘密信息与图像特征序列映射，再将符合映射规则的图像发送给接收方即可完成隐写．a．秘密信息分段．首先将长度为l的秘密信息H划分成k个二进制信息段，即k=l/L  (l%L=0);l/L+1  (l%L≠0),(7)式中L为信息段的长度．当秘密信息长度l不能被整除时，则在最后一段补充0，将添加0的个数记录至辅助信息，构成长度为L的序列．b．匹配隐写图像．计算每张图像所对应的哈希序列，通过倒排索引匹配隐写图像．c．重复步骤b，将所有秘密信息和载体图像匹配，获得须要传输的隐写图像．d．将载体图像及辅助信息发送给接收方，完成图像隐写．具体步骤如下．输入 图像数据库I={I1,I2,...,Ic}，随机选择图像P={P1,P2,...,Pz}，秘密信息H输出 隐写图像T={T1,T2,...,Tw}步骤1 将随机选择的图像P输入至EfficientNet模型，得到载体数据库D．步骤2 根据式(1)~(5)得到载体数据库所有图像的特征序列F．步骤3 根据式(7)将秘密信息H划分为小段．步骤4 利用1.3节中构建的倒排索引得到合适的隐写图像T，根据式(6)计算每张图像的一阶矩均值并记录图像顺序．1.5　秘密信息提取秘密信息提取是指在接收方收到隐写图像之后，根据特征提取方法及映射规则恢复秘密信息的过程．秘密信息提取过程如下．a．首先利用式(6)计算每张图像RGB三通道的一阶矩的均值，对图像进行排序，确保秘密信息顺序不被扰乱．b．根据1.2节中特征序列生成方法对每张隐写图像提取特征序列．c．根据辅助信息删除多余的0，将特征序列按顺序拼接以得到秘密信息．2 实验结果与分析实验采用AMD RYZEN 7 6800H和Nvidia GeForce GTX 3060 GPU．深度学习采用Pytorch框架，以更加方便使用神经网络．所有实验均在Matlab 2022a和Pycharm2022中完成．为了得到更加准确的测试数据，选用MS COCO2017作为测试数据集．MS COCO2017主要用于图像识别和目标检测任务，包含80个类别，由1.182 87×105张训练集及4.067×104张测试集组成，后续实验均将随机从图像集中选取1 000张图像作为测试数据．2.1　评价指标在隐写图像传输过程中会因为传输信道损失或者攻击者破坏导致图像质量下降，从而使得秘密信息无法正确恢复，所以鲁棒性成为衡量无载体图像隐写的一个重要指标．鲁棒性计算方式为A=∑v=1uf(qv)/u×100%;f(qv)=1  (yv=qv),0  (yv≠qv),(8)式中：A为鲁棒性，A值越大表示鲁棒性越好；u为测试图像的数量；yv为第v张原始图像所提取的特征序列；qv为接收方对第v张图像所提取的特征序列．为验证算法的鲁棒性，实验过程中将模拟图像会受到的攻击类型，图像攻击类型具体参数如表1所示．10.13245/j.hust.241104.T001表1图像攻击类型及相关参数设置攻击类型参数JPEG压缩质量因数Q=50%高斯滤波窗口尺寸3×3均值滤波窗口尺寸3×3中值滤波窗口尺寸3×3散斑噪声均值μ=0，方差σ=0.001椒盐噪声均值μ=0，方差σ=0.001高斯噪声均值μ=0，方差σ=0.001缩放比例为0.5，1.5边缘裁剪比例为10%旋转旋转角度为10°平移(16，10)2.2　消融实验本研究提出基于同心圆的分块方法，在实验过程中发现扩展半径w也会对鲁棒性产生一定的影响，为了能够充分利用图像特征，产生更加丰富的特征序列，首先将图像尺寸归一化至128×128像素大小，最内部圆半径设置为30像素，然后按照5，10，15像素扩展半径w测试鲁棒性．测试结果如表2所示．10.13245/j.hust.241104.T002表2不同扩展半径划分子块时的鲁棒性结果攻击类型w=5w=10w=15JPEG压缩93.694.795.4高斯滤波96.595.896.3均值滤波94.694.995.4中值滤波94.994.495.1散斑噪声94.595.194.5椒盐噪声94.494.794.8高斯噪声84.384.285.1缩放90.190.192.6缩放97.497.597.3边缘裁剪96.396.496.3旋转54.152.528.8平移64.764.866.6从表2可以看出：扩展半径大小并未对实验结果产生较大的影响，当扩展半径为5像素时本研究所提出的隐写算法鲁棒性最佳，所以后续实验将建立在按照最内圆半径为30像素、扩展半径为5像素划分子块基础上进行．2.3　鲁棒性实验从损坏图像中恢复秘密信息的能力是传输隐写图像的一个关键性能指标，由于这些图像可能遇到通道损失或故意篡改，因此鲁棒性能够衡量该方法的可靠性．文献[7]对隐写图像划分子块，根据各个子块的DCT系数相对关系得到映射规则；文献[8]首先通过图像检索，选定合适的载体图像，然后对其分块后计算子块的DWT系数来映射秘密信息；文献[9]提出一种基于鲁棒哈希序列的隐写术．为了验证方案对几何攻击与非几何攻击均保持良好的鲁棒性，设置各类实验．从表3可以看出：本研究的方法与其他三种方法相比，在遇到某些非几何攻击时鲁棒性略逊于其余三种方法，但其在受到裁剪、旋转和平移这些几何攻击时表现出了较强的鲁棒性，并且相较于其他三种方法本研究的测试容量更大，根据鲁棒性计算方法可以得知越长的哈希序列越难以保持较强鲁棒性，所以从整体来看，本研究的性能表现更佳，能够较好地抵御传输信道的各类攻击．10.13245/j.hust.241104.T003表3本研究与三种方法在MS COCO2017数据集上鲁棒性对比结果攻击类型文献[7]文献[8]文献[9]本研究JPEG压缩98.296.899.193.6高斯滤波100.099.8100.096.5均值滤波100.099.299.994.6中值滤波95.492.397.294.9散斑噪声99.195.799.594.5椒盐噪声99.696.399.894.4高斯噪声92.588.997.084.3缩放91.789.796.790.1缩放97.297.099.397.4边缘裁剪25.721.641.696.3旋转1.61.711.654.1平移25.112.352.764.72.4　容量分析无载体图像隐写术是将秘密信息映射到图像特征序列，所以图像特征序列决定了隐写容量大小．将本研究与三种算法的单张载体图像最大容量进行比较，其中文献[9]为8 bit，文献[7]和文献[8]为15 bit，而本研究将容量提升至27 bit，可以看出：本研究在嵌入容量方面也超越了现有的三种方案，对于无载体图像隐写术来说，更大的容量能够减少须要发送隐写图像的数量，在传输隐写图像过程中能够提升安全性．3 结语本研究提出一种抗几何攻击无载体图像隐写方法．首先利用EfficientNet模型构建隐写候选数据集，再通过计算颜色矩的方式产生鲁棒特征序列，然后建立倒排索引以快速匹配合适的隐写图像．此外，为了提升算法的抗几何攻击能力，提出一种基于同心圆的分块方式，从实验结果可以看出能够很好地抵抗各类攻击．由于在整个隐写过程中没有对图像载体进行修改，因此不会被隐写分析工具检测到，有着极佳的安全性．并且与最新方案进行了鲁棒性、容量的比较，本研究均表现出较大的优势．后续的工作将集中在提升单张载体图像容量及减少辅助信息以提升安全性上．