算 法，及文献[8]提出的以相对熵为适应度函数，采用粒子群优化频域加减1序列，将其策 略应用到LSB土k，得到基于粒子群优化的LSB土k(LSB土kbasedonParticleSwarm Optimization,记为PSO-LSB土k)进行抗隐写分析对比。本实验分别采用施云庆等[9]提 出的 78 维特征及Fridrich等[10]提出的 686 维SPAM(SubtractivePixelAdjacency Matrix)特征对以上三种隐写算法进行隐写分析。其中SFLA-LSB土k隐写中，采用混合蛙 跳算法，分别对78维特征和686维特征投影到决策面上进行优化。PS〇-LSB±k中用到的 相关参数：粒子群种群50,迭代次数为50次。SFLA-LSB±k中所用参数为：青蛙种群为及 青蛙组数分别为50和5,即每组青蛙个体数为10,组内迭代次数为15,全局迭代次数为20， 取NRCS图像库中1542幅图像，转为灰度图像，裁剪大小512X512。嵌入率为l，Fisher作 为分类器，对于78维特征隐写分析，随机选择400幅图像对分类器进行训练，其余的图像则 作为测试集；为防止过训练，对于686维特征，选择600幅图像对分类器进行训练。在不同 k值下三种隐写对于78维和686维特征分析的ROC(ReceiverOperatingCharacteristic Curve,R0C)曲线分别如图5和图6所示，其中，图5a为k= 1时78维特征分析的R0C曲 线图，图5b为k= 2时78维特征分析的R0C曲线图，图5c为k= 3时78维特征分析的 R0C曲线图，图6a为k= 1时686维特征分析的R0C曲线图，图6b为k= 2时686维特征 分析的R0C曲线图，图6c为k= 3时686维特征分析的R0C曲线图。图像5和图6中所有 的横坐标为虚警率，纵坐标表示检测率。1号曲线表示基本LSB±k隐写算法的R0C曲线，2 号曲线表示粒子群优化的PS0-LSB土k隐写算法的R0C曲线，3号曲线表示混合蛙跳优化的 SFLA-LSB土k隐写算法的R0C曲线。
[0124] 从图5和6可知，两种隐写分析算法对不同隐写的R0C曲线比较可见，随着k值的 增加，采用高维特征检测对应隐写算法的能力越强，即图5c和图6c中k= 3时对应隐写算 法安全性最低。同时，从图5和图6均可得出，SFLA-LSB土k隐写与LSB±k及PS〇-LSB±k 相比，获得了更低的AUC(AreaUnderROCCurve)值，安全性更高；PS〇-LSB±k与LSB±k 相比，AUC值更低，其抗隐写分析能力更强。由图6与图5相比，可得出与78维隐写分析相 比，在686维特征的隐写分析下，对于相同的k值的同一隐写算法获取的AUC值更高，即安 全性更低，这表明686维SPAM特征的隐写分析能力强于78维特征。特别地，对于78维隐 写分析，当k= 1，SFLA-LSB± 1的AUC值达到0. 5637,非常接近理想值0. 5。从图5c和图 6c可知，即使k= 3 时，SFLA-LSB±3 的AUC值可由LSB±k的AUC值 0. 9937 降至 0. 6954， 及0. 9992降至0. 7693,较大地提高了LSB± 3的安全性。
[0125] 可见，本实验采用混合蛙跳优化，随机调整载密图像统计特征变化的方向，使基于 特征的分类器找不到一个决策面对其进行分类达到抵抗隐写分析目的。仿真实验结果显 示，与标准LSB±k和相关改进隐写算法相比，SFLA-LSB土k隐写的安全性更高。此外，该算 法针对新出现的隐写分析算法，通过优化相应的特征在决策面的投影可抵抗其分析。实验 中种群数及迭代次数都较小，降低了改进算法的性能。为此，如何平衡算法的计算量和安全 性可为下一步的研究目标。
[0126] 本实验例中涉及到的引用文献包括：
[0127] [1]LiXiaoxia,WangJianjun.Asteganographicmethodbasedupon jpegandparticleswarmoptimizationalgorithm[J].InformationScienc es，2007, 177(15) :3099-3109.
[0128] [2]LiuGuangjie，ZhangZhan.ImprovedLSB-matchingsteganographyfor preservingsecond-orderstatistics[J].JournalofMultimedia，2010,5(5):458-463.
[0129] [3]GuoYanqing，KongXiangwei,YouXingang.Securesteganography basedonbinaryparticleswarmoptimization[J] ·JournalofElectroni cs，2009, 26(2) :285-288.
[0130] [4]于丽芳，赵耀，倪蓉蓉.基于粒子群算法和改进pml的jpeg图像中的安 全密写方法[J].南京邮电大学学报：自然科学版，2009,29(003):49-53.YULF，ZHA0 Y,NIRR.SecureSteganographyinJPEGImagesBasedonPS0andImprovedPM1[J]. JournalofNanjingUniversityofPostsandTelecommunications(NaturalScien ce)，2009,29(003):49-53.(inChinese)
[0131] [5]GhasemiE,ShanbehzadehJ.JamshidF.Highcapacityimagesteganography basedongeneticalgorithmandwavelettransform[J].IntelligentControland InnovativeComputing，2012, 110:395-404.
[0132] [6]UnitedStatesDepartmentofAgriculture,Naturalresources conservationservicephotogallery，http://photogallery,nrcs.usda.gov，2002.
[0133] [7]KerAD.SteganalysisofLSBmatchingingrayscaleimages[J].IEEE SignalProcessingLetters, 2005, 12(6):441-444.
[0134] [8]GuoYanqing，KongXiangwei,YouXingang.Securesteganography basedonbinaryparticleswarmoptimization[J] ·JournalofElectroni cs，2009, 26(2) :285-288.
[0135] [9]XuanGuorong，ShiYunqin，etal.Steganalysisbasedonmultiple featuresformedbystatisticalmomentsofwaveletcharacteristicfunctions[J]. ComuterScience，2005, 3727:262-265.
[0136] [10]PenvyT,BasPandFridrichJ.Steganalysisbysubtractivepixel adjacencymatrix[J].IEEETransactionsonInformationForensicsand Security，2010, 5 (2) : 215-224.
[0137] 通过采用本发明公开的上述技术方案，得到了如下有益的效果：本发明实施例提 供的优化决策面的改进隐写方法，采用智能优化手段优化分类器，调整载体与载密图像的 特征在该决策面上投影为同一方向抵抗分类器，而且，不同特征在决策面上的投影是一维 的，因此，利用这种降维方式有效解决了高维特征优化的问题。采用智能优化隐写算法的嵌 入过程，针对不同的决策面进行优化，当迭代的次数足够多时，可得到一系列的决策面，最 终载密图像特征分布将会呈现随机变化，使分类器无法对隐写载体和裁密图像进行分类， 从而达到提高隐写安全性的目的。本发明实施例提供的优化决策面的改进隐写方法，其中， 智能优化手段包括混合蛙跳算法、粒子群优化，遗传优化等，除了可以提高LSB±k隐写的 性能，对其他隐写方法同样有效。此外，算法针对新出现的隐写分析算法，通过优化相应的 特征在决策面的投影可抵抗其分析。
[0138] 本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与 其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
[0139] 本领域人员应该理解的是，上述实施例提供的方法步骤的时序可根据实际情况进 行适应性调整，也可根据实际情况并发进行。
[0140] 上述实施例涉及的方法中的全部或部分步骤可以通过程序来指令相关的硬件