基于殘差共生概率的隱寫圖像載體安全性評價

王麗娜 王凱歌 徐一波 唐奔宵 譚選擇

(空天信息安全與可信計算教育部重點實驗室(武漢大學) 武漢 430072) (武漢大學國家網絡安全學院 武漢 430072)

隱寫是通過輕微地修改文本、圖像等數字載體中的值來嵌入秘密信息的一門技術[1]，其目的在于隱藏通信雙方的實際通信內容.與隱寫技術相對應的隱寫分析技術，充分利用信號處理、數理統計、機器學習等理論，通過分析秘密信息嵌入前后載體的統計差異，進而發現并挖掘潛藏在載體中的秘密信息[2].對隱寫算法的研究主要圍繞在如何嵌入盡可能多秘密信息的同時，盡量少地引入修改痕跡.目前，隨著隱寫分析技術逐漸完成從簡單統計方法向機器學習技術的轉變，針對隱寫算法安全性的定量或定性演繹主要集中在構建更好的失真度量[3]，設計高效的隱寫編碼以及安全隱藏容量邊界[4-5]，從而使攜密載體在視覺質量和統計特性上盡量逼近原始載體，以提高被嵌入載體的抗檢測能力.

在隱寫安全性研究方面，文獻[1]提出將最大均值差異(maximum mean discrepency， MMD)作為信息隱藏算法的安全性指標，該指標比KL散度(Kullback-Leibler divergence)[6]的計算復雜度更低，且在高維度空間更加穩定;文獻[7]利用Fisher信息量對給出了安全嵌入容量并對安全嵌入量進行優化;文獻[8]對平方根法則進行改進，進而提高了信息隱藏中平方根法則的實際應用能力;文獻[9]中，研究人員將圖像的像素建模為n階Markov，以此衡量圖像信息隱藏算法安全性.除此之外，文獻[10]基于博弈論提出了一種衡量信息隱藏算法安全性的方法.隱寫算法安全性的提高主要依賴于2個方面：1)自適應的隱寫方法，其可以選擇圖像中更加安全的位置進行隱寫[11]；2)盡可能降低隱寫嵌入帶來的修改量[12].隨著雙層校驗格碼(syndrome tellis codes， STC)[13]在信息隱藏中的應用，這2個方面都得到了很好的滿足，隱寫算法的安全性得到了一次飛躍性的提升，導致目前信息隱藏研究發展速度有所放緩.信息隱藏技術研究難以突破STC框架，只是在失真函數方面做部分修改[14-16]，這些改進一般針對某些不足做修修補補，很難給隱藏性能帶來較大提高.

以往關于隱寫算法安全性的研究與驗證，基本是在固定的測試集上對比隱寫分析檢測率，以此反映隱寫算法的反檢測能力.但是，隱寫算法在嵌入實際樣本時，其安全性并不能完全得到隱寫算法安全性的保證.實驗過程中發現，樣本載體會對實際隱寫過程的安全性產生較大影響：當隱寫算法應用在不同的樣本載體時，算法抗檢測能力會出現較大偏差.經過深入分析后我們發現，產生這一現象的原因在于：圖像載體自身所具備的噪聲特性對于隱寫算法的適配性存在差異.本文認為:可以通過對隱寫載體進行系統的安全性評價，以提升隱寫算法安全性.

本文在實驗發現的基礎上，從嵌入載體自身特性和規律的角度出發，通過提取不同嵌入效果的樣本載體噪聲分布特征，設計并實現了一種樣本載體安全性的評價方法，并將該方法運用于樣本載體預篩選上.實驗結果表明:與隨機選取樣本圖像載體相比，通過本文方法進行預篩選后的載體圖像，在多種隱寫算法、隱寫分析與嵌入率下的檢測錯誤率平均提高了3.8～11.8個百分點，有效地提高了實際應用中信息隱寫的安全性.

本文的貢獻主要體現在3個方面：

1) 針對隱寫載體進行信息嵌入時產生的安全性差異問題，對隱寫樣本載體進行了全面詳細的理論分析與實際驗證，通過聚類的方法探索并驗證了載體安全性問題的存在；

2) 在隱寫載體安全性差異分析結果的基礎上，提出高通濾波殘差共生概率矩陣描述載體噪聲，并通過特征概率分布設計了載體安全性評價方法，該方法可以顯著提升載體安全性；

3) 通過大量、完善的實驗分析，驗證了本文安全性評價方法的有效性，該方法應用于圖像載體預篩選后，可以明顯降低隱蔽信息被檢測的概率，極大提高隱寫的安全性.

本文方法對圖像載體安全性進行驗證和研究，提出一種實際效果更加有效的隱寫方案，相比于隱寫算法安全性提升，本文方法對于安全性的貢獻更高，兼具學術與應用價值.

1 相關技術

1.1 圖像卷積

圖像卷積是圖像處理的最基本方法之一，其本質是對圖像進行線性濾波的過程[17].圖像卷積在圖像處理中有著廣泛的應用，通過卷積操作，可以快捷地完成圖像銳化、邊緣檢測、均值模糊等處理.

圖像卷積過程中，輸出像素是輸入像素鄰域的加權和，即計算2維圖像中每一個像素點與卷積核對應元素的乘積之和，然后以其結果作為該像素位置的值.卷積相當于將一個2維函數移動到另一個2維函數的所有位置，其中，卷積核為一個2維的濾波器矩陣.對于一個卷積核而言，周圍的鄰域的值代表中心的被卷積的像素點周圍像素點對其影響力的權重.通過設計不同形式的卷積核，以實現對圖像不同的濾波效果.

在卷積核的設計上，存在一定的規則要求：首先，卷積核的大小為奇數，以保證卷積核存在中心.假設卷積核的大小為n，則該卷積核的半徑為(n+1)/2；其次，如果需要保證卷積前后圖像的亮度保持一致，卷積核中所有元素之和應為1.如果卷積核元素之和大于1，則卷積后的圖像會比原圖像亮，反之則卷積后的圖像變暗.本文中卷積用于計算樣本圖像的殘差矩陣，該矩陣反映圖像中像素與其鄰域像素之間的差異程度.

1.2 灰度共生矩陣

灰度共生矩陣是一種通過研究灰度的空間相關特性來描述紋理的常用方法，Haralick等人[18]在1973年最先提出用灰度共生關系來描述圖像紋理特征.由于紋理是由灰度分布在空間位置上反復出現而形成的，因而在圖像空間中相隔某距離的2像素之間會存在一定的灰度關系，即圖像中灰度的空間相關特性.

灰度空間相關特性通過統計指定方向上的灰度關系表示，對于一張擁有p種不同像素值的灰度圖像，會在特定方向上產生p×p大小的共生矩陣，矩陣中(i,j)th處的值表示原圖像中指定方向上ith和jth像素關聯出現的次數，如圖1所示：

Fig. 1 Example of calculating co-occurrence matrix圖1 計算灰度共生矩陣

為了使得對紋理的描述信息不受旋轉的影響，通常在多個方向上進行計算與統計.無論是否考慮圖像的灰度值或者顏色的各種維度，共生矩陣都能很好地描述圖像的紋理.

2 圖像載體安全性分析與驗證

2.1 殘差共生矩陣特征

隱寫檢測是對極低信噪比的隱寫信息進行識別的過程.若將載體的復雜紋理看作噪聲，則在隱寫強度一定的情況下，噪聲強度越大，越有利于隱寫.

通過卷積操作對樣本圖像的灰度圖Ig進行濾波，提取圖像中的噪聲殘差，該過程可以表示為Ig*K，其中K為高通卷積核，*為卷積操作：

(1)

得到原圖像的殘差矩陣D=I*K=(di j)，其中i,j=1,2,…,N.

在殘差矩陣中，對應于原圖像位置的數值的絕對值越大，則代表該像素點處噪聲越大;反之，若殘差矩陣中的數值絕對值越接近0，則表示原圖像該點處越平滑，噪聲越小.對殘差矩陣進行截斷以降低矩陣的狀態：將殘差矩陣中小于-T和大于T的值，分別直接截斷到-T和T，本文中T=3，將圖像殘差分為了7個等級：

(2)

通過統計殘差矩陣相鄰像素對在4個方向上的出現頻率，計算殘差矩陣的共生概率矩陣Ch()，Cv()，Cd()，Cm()，用于描述圖像中的噪聲分布情況.本文使用的4種共生關系如圖2所示：

Fig. 2 Symbiotic relationship of residual matrix圖2 殘差矩陣共生關系

因為殘差矩陣截斷后各點的取值范圍為[-3,3]，所以殘差矩陣的每一種共生關系包含49維元素.4種共生關系對應的共生概率矩陣可以描述為

(3)

(4)

(5)

(6)

其中,M,N表示載體圖像的尺寸，u,v∈[-T,T]，δ(·)描述為

(7)

4個共生關系共得到4(2T+1)2=196維的噪聲特征F=(Fh,Fv,Fd,Fm).

2.2 噪聲分布聚類

若載體圖像安全性可以由圖像本身的噪聲分布決定，那么F接近的載體應具有相似的隱寫安全性.為驗證該猜想，本節中對2.1節得到的圖像噪聲特征進行聚類.假設驗證階段的聚類算法描述如算法1所示：

算法1. 噪聲分布特征聚類算法.

輸入：載體噪聲分布特征集合fs={f1,f2,…,fn}、聚類簇數k=3；

輸出：簇類劃分c={c1,c2,c3}.

① iffs≠? then

② foreachfiinfs

④ end for

⑤ 選擇k個相距最遠的特征作為初始中心{Centroid1,Centroid2,Centroid3}；

⑥ while任意初始中心Centroid發生變化，或者聚類中特征平方和最小do

⑦ foreachfiinfs

⑧ 計算特征向量fi與各中心Centroidj(1≤j≤3)之間的距離di j；

⑨ 將fi劃入具有最短中心距離

⑩ end for

通過迭代聚類中心的方式進行聚類分析.首先計算所有噪聲分布特征fi之間的相似程度，以歐氏距離di j表示.而后，根據噪聲分布情況，使用貪心算法從特征集中選取k=3個間距最大的特征作為初始聚類中心，k=3表示希望將載體集根據安全性排序依次分為安全性高、安全性一般以及安全性差的3類c1,c2,c3.迭代更新聚類中心，每一輪迭代中計算除當前中心外的所有噪聲分布特征fi與當前各個聚類中心Cenrtoidj之間的距離，并將該特征分配到與其距離最近的類別中，設噪聲集合中包含m條特征fi=(x1,x2,…,xn),n=196,1≤i≤m,對于每一個特征fi，計算其應該屬于的類別：

(8)

其中，j表示聚類類別;ci表示樣本特征fi與k個類中距離最近的類，其取值為[1,k].每輪結束后重新計算各個聚類的中心Centroidj：

(9)

迭代的結束條件為當前聚類中對象的方差Var最小，或中心不發生改變：

(10)

2.3 安全性驗證與分類

本文通過如下實驗步驟，對不同噪聲分布的載體的隱寫安全差異性進行分析與驗證：

1) 在BOSS[19]庫中通過上述方法對原始樣本進行聚類，并分別從聚類得到的3個類別中各隨機選取10 000張圖像作為實驗樣本，以HUGO[20]算法進行隱寫，嵌入率為0.4.2)在同一樣本庫內隨機選取額外10 000張圖像作為測試樣本，隱寫檢測方法選用SPAM[21]，分類器采用隨機森林.3)考慮到實際隱寫與隱寫分析過程中可能出現跨樣本庫的情況，從BOWS[22]庫中額外選取3 000張圖像作為測試樣本進行相同的隱寫分析，檢測結果如表1所示：

Table 1 Steganalysis Results of the 3 Categories ofCarrier Sets

Note:The detection accuracy of category 1 is the lowest.

從表1可以看出，基于BOSS圖像庫的3類樣本載體的檢測率存在明顯差異，其中第1類樣本載體的cover檢測率僅為0.38，平均檢測率為0.537，遠低于第2類樣本載體的平均檢測率0.581 5與第3類樣本載體的平均檢測率0.886 5.上述結果表明，樣本庫相同時，使用第1類中的圖像作為載體進行隱寫可以有效降低被SPAM算法檢測到的概率，提高隱寫的安全性，而使用第3類圖像樣本作為載體時被檢測的成功率高，不適合作為隱寫載體.

改變測試樣本來源為BOWS圖像庫后，由于跨圖像庫導致3類檢測率相較于BOSS庫都有一定幅度的降低，但整體檢測率分布趨勢基本與BOSS庫中實驗結果類似：以第1類載體進行隱寫嵌入的圖像平均檢測率最低，為0.517 5，明顯低于第2類樣本載體的0.567 5，第3類樣本載體的檢測準確率最高，達到0.775，載體進行HUGO隱寫時安全性最低.以上實驗結果與本文猜想一致，即圖像載體安全性可以由載體本身的噪聲分布情況描述.

我們將最終3個聚類的中心映射到[0,255]區間上，并進行降維，得到3個不同安全性聚類的標準特征Fs,k：

(11)

其中,k表示載體類別，定義進行隱寫嵌入后具有安全性最高的類別為第1類載體集，其標準特征(上述實驗中第1類聚類的最終質心)為Fs,1，根據載體隱寫安全性遞減，依次是第2類載體集Fs,2、第3類載體集Fs,3，3類載體對應的標準特征分布矩陣如圖3所示:

Fig. 3 Standard feature distributions of three categories of secure carrier圖3 3類安全性載體標準特征分布

從圖3可以看出，載體噪聲分布矩陣由第1類載體特征到第3類載體特征依次逐漸地向中心聚攏，第1類載體中噪聲分布比較平均，與其他2類載體相比，分布更加分散.隨著安全性降低，第2類、第3類載體噪聲分布向中心聚攏的程度更大，分布更加集中.由特征提取的方法可知，噪聲矩陣中分布越靠近中心代表載體圖像的噪聲越平滑，分布越分散,表示該載體圖像存在更多的復雜噪聲，這也符合直觀上載體噪聲越大、圖像內容越復雜，則其安全性越高的感受.

3 圖像載體安全性評價

基于第2節中載體噪聲分布對隱寫安全性的研究結果，設計了一種評價載體安全性的衡量指標，并運用于隱寫載體的預篩選過程.隱寫載體安全性評價體系與樣本載體預篩選流程如圖4所示:

Fig. 4 Procedure of the security assessment method and pre-selection for image carriers圖4 圖像載體安全性評價與樣本預篩選流程

載體安全性評價與篩選過程中，首先對待篩選圖像提取噪聲分布特征，特征的提取方法與2.1節中基本一致：1)對樣本圖像進行卷積操作，計算圖像殘差矩陣；2)計算殘差矩陣對應的4種共生概率矩陣，對其進行映射和降維操作后，作為該圖像的噪聲分布特征.

第2節中驗證了具有相似噪聲分布的載體圖像之間的隱寫安全性相近，因此，相比于其他2類標準特征，同一個樣本庫中載體的噪聲分布越接近第1類標準特征Fs,1，則它們的安全性越高，這種相似性可以用載體圖像噪聲分布特征與標準特征之間的相關性來描述：

(12)

其中，S表示對于待評價樣本圖像的安全性評價，通過計算噪聲分布特征Fn與第1類標準特征之間的相關性的絕對值得到，Fs,1為第1類載體噪聲分布特征如圖5所示:

Fig. 5 Feature of noise distribution of Fs,1圖5 第1類安全載體噪聲分布特征

式(12)中，N=7×7為噪聲特征長度，S的取值范圍為[0,1]，S值越大表示待評價載體的安全性越高，實際隱寫過程前，通過設定合適的閾值對備選樣本進行預篩選.S所表示的載體安全性的閾值選擇將在實驗部分討論.

4 實驗與分析

本節中將對圖像載體安全性評價方法進行全面的實驗評估，實驗部分的圖像樣本全部來自于BOSS標準圖像庫與BOWS標準圖像庫，實驗過程中所選取的圖像均為隨機抽取.本節中，首先對載體安全性評價方法中閾值S進行討論，然后針對載體安全性評價方法的實際應用效果進行驗證分析：分別采用S-UNIWARD[23]，WOW[24]，HUGO[20]算法對樣本載體以不同嵌入率進行信息嵌入，而后通過SPAM[21]與SRM[25]隱寫分析方法依次對3種隱寫算法嵌入的圖像進行交叉檢測.

4.1 載體安全性閾值分析

安全載體的篩選取決于安全性評價方法中閾值S的選擇.理論上，S越大則被篩選出的載體圖像的安全性越高.但是，篩選過程中隨著S值增高，可用載體數量也會隨之減少，而載體數量如果太少則不利于隱寫的實際應用.

為了分析閾值S對隱寫安全性以及樣本篩選數量的影響，本文通過HUGO算法對隨機抽取的10 000張圖像進行信息嵌入，嵌入率分別為0.1，0.2，0.3，0.4，在閾值S取值0.4，0.5與0.6下利用SPAM方法分別進行隱寫檢測，并統計檢測錯誤率作為安全性的衡量指標，實驗結果如圖6所示：

Fig. 6 The experimental results of selecting thresholds圖6 載體篩選閾值實驗結果

圖6(a)中方形代表載體預篩選過程中閾值S=0.4時進行樣本篩選后的檢測錯誤率，圓點表示閾值S=0.5時檢測錯誤率，正三角表示以閾值S=0.6時進行樣本篩選后的檢測錯誤率，倒三角對應虛線表示隨機抽取5 000張圖像作為載體時的檢測錯誤率.實驗結果中，檢測錯誤率越高表示載體集的安全性越強，檢測錯誤率隨著嵌入率的增加而降低的速率越小代表載體集安全性越穩定.從圖6(a)中可以看出，當閾值S=0.4時，載體集在4種嵌入率下的檢測錯誤率均為最低，甚至略低于隨機抽取的載體集的安全性，且隨著嵌入率的增加，檢測錯誤率有較大幅度的下降.當嵌入率為0.1時，檢測錯誤率為0.484 5，與另外3個實驗載體集所對應的檢測錯誤率差距較小，但當嵌入率增加到0.4時，檢測錯誤率僅為0.333 9，遠低于閾值為0.5與0.6時的錯誤率，并且低于隨機抽取情況下的37.32%.上述結果說明以S=0.4篩選出的載體集與隨機抽取的載體集中的載體分布相似，均包含了許多安全性較低的載體，導致樣本集整體的安全性低.

當閾值S取值增加到0.5后，安全載體集檢測錯誤率出現明顯提高，4種嵌入率下的檢測錯誤率分別為0.492 8，0.482 4，0.462 0，0.442 3，遠高于閾值0.4對應載體集與隨機載體集的檢測結果.此外，隨著嵌入率從0.1增加到0.4，安全載體集的檢測錯誤率只降低了5.1個百分點，降低的幅度較小，經篩選后的載體集具有更高的安全性與穩定性.

閾值取值增加到0.6后，篩選出的載體集在低嵌入率下安全性提高不明顯，嵌入率為0.1，0.2，0.3時，檢測錯誤率分別為0.490 2，0.482 6，0.466 7，與閾值S=0.5對應結果差異較小.當嵌入率達到0.4時，檢測錯誤率有明顯提升，錯誤率穩在0.466左右，整體載體集的安全性受到嵌入率的影響小，僅下降了2.4個百分點.上述結果表明，在本節實驗環境下，被篩選的載體集安全性與閾值S取值同步上升直到閾值達到0.5后趨近穩定.

實際隱寫過程中閾值S確定還需要考慮被篩選出的樣本數量，符合要求的載體樣本數量越少則載體集內圖像的綜合安全性越高，但樣本數量太少不利于隱寫的實施.圖6(b)表示進行篩選后符合要求的載體數量與閾值之間的關系，基礎的圖像載體數量為10 000.當閾值S=0.4時，符合要求的載體數量為8 204，約為整體樣本集的4/5，但由前面實驗結果可知，該閾值下的載體安全性與隨機選取的載體集安全性接近，并沒有達到提高隱寫安全性的效果.

當閾值S=0.5時，篩選出的樣本數量為4 313，樣本數量充裕，同時篩選出的載體集已經具有較高的抗檢測能力，但依然存在上升空間.當閾值S提高到0.6時，載體集的安全性提升空間接近上限，而符合要求的載體數量下降到1 322.綜合考慮篩選載體數量以及載體集綜合安全穩定性，建議閾值范圍為0.5～0.6，本節后續實驗中采用S=0.6作為安全載體預篩選閾值.

4.2 載體安全性評價與樣本預篩選效果分析

4.2.1 基于SPAM的安全性驗證

本節將對載體安全性評價方法的實際效果進行分析與評價.首先，利用載體安全性評價方法對樣本載體進行預篩選，從樣本庫中選取1 000張圖像作為安全載體集.接著，從相同圖像庫中隨機選取等同數量的圖像作為對比載體集.為檢驗安全性評價方法對不同隱寫算法的敏感程度，分別使用S-UNIWARD，WOW，HUGO算法對2個載體集進行同樣的信息嵌入，嵌入率為0.1，0.2，0.3，0.4.采用SPAM隱寫分析方法對上述載體集進行隱寫檢測，實驗結果如圖7所示：

Fig. 7 Steganalysis results based on SPAM圖7 基于SPAM隱寫分析結果

通過SPAM方法進行隱寫分析的實驗結果中，正三角表示安全載體集下的檢測錯誤率，圓點表示基于隨機載體集的檢測錯誤率，3個子圖分別代表3種嵌入算法.3種嵌入算法下，與隨機選擇載體相比，通過安全性評價進行預篩選后的安全載體集在抗檢測能力上都有明顯的提升.其中，以S -UNIWARD進行信息嵌入時安全性提升最為明顯，在4種嵌入率下的檢測錯誤率為0.497，0.470 5，0.463 7，0.447 8，檢測錯誤率均保持在44%以上，載體集安全性受到嵌入率的影響較小，4種嵌入率下的檢測錯誤率與隨機載體集相比分別提高了4.1，4.46，9.15，10.59個百分點.利用WOW進行信息嵌入的實驗結果與S-UNIWARD相似，經過預篩選的安全載體集的檢測錯誤率在各個嵌入率下均明顯高于隨機載體集，在嵌入率為0.1時最高，為0.498 5，當嵌入率增加到0.4時檢測錯誤率有所降低，但仍然保持在0.45以上，隨機載體集中的檢測錯誤率在嵌入率為0.1時只比篩選后的安全載體集對應檢測錯誤率低2.04個百分點.但是，隨著嵌入率上升到0.4，檢測錯誤率快速下降低，相比于安全載體集低了約6個百分點.通過HUGO進行信息嵌入的實驗結果中，當嵌入率為10%時，安全載體集與隨機載體集上的檢測錯誤率均接近0.49，隨著嵌入率的增加,2個載體集的抗檢測能力差距逐漸拉大，在嵌入率為0.2，0.3，0.4時，安全載體集的檢測錯誤率分別提高了3.18，5.82，6.06個百分點.

上述結果表明，通過本文方法預篩選的安全載體集能夠在對抗SPAM隱寫分析方法時極大地提高隱寫安全性，被篩選出的載體安全性能穩定，對于嵌入率、嵌入算法等外在因素不敏感.

4.2.2 基于SRM的安全性驗證

為了研究本文所提出的載體安全性評價方法對于隱寫分析方法的敏感程度，我們對相同的2個樣本集增加SRM隱寫分析實驗，實驗結果如圖8所示.

Fig. 8 Steganalysis results based on SRM圖8 基于SRM隱寫分析結果

與SPAM隱寫分析的檢測結果相似，安全載體集在對抗SRM檢測上同樣擁有很好的效果.其中，通過S-UNIWARD算法進行信息嵌入時，在嵌入率為0.1，0.2，0.3，0.4的情況下，安全載體集的檢測錯誤率最高達到0.484 9，最低保持在0.34左右，檢測錯誤率與隨機載體集相比分別提高了6.36，10.59，12.93，8.47個百分點.在以WOW算法進行嵌入的實驗中，安全載體集的抗檢測能力在多種嵌入率下同樣明顯強于隨機載體集，其檢測錯誤率分布在0.484 1～0.348 7之間，平均錯誤率為0.420 9，遠遠高于隨機載體集的平均檢測錯誤率0.337 4.圖8(c)中，以HUGO算法進行信息嵌入的隨機載體集與安全載體集在對抗SRM隱寫分析時整體效果均有所下降.然而通過預篩選的安全載體集，在各個嵌入率下仍然具有較高的安全性，檢測錯誤率平均提高了6.05～ 10.67個百分點.

上述實驗證明，本文提出的評價方法能夠有效反映載體圖像的安全性，經過該方法篩選后的載體集對抗多種隱寫分析方法的檢測時，在多種嵌入率、隱寫方法的情況下，均能有效且穩定地提高隱寫安全性.

6 總 結

本文將隱寫安全性分為算法安全和載體安全2個方面，從載體自身屬性的角度出發，計算載體圖像的殘差矩陣與共生矩陣，提取載體圖像中的噪聲分布特征，并對載體噪聲特征進行聚類分析，驗證了不同噪聲分布的載體對隱寫安全性存在顯著影響.基于分析驗證結論，提出了一種圖像載體安全性評價方法，該方法以樣本載體噪聲分布特征之間的相關性為基礎，計算待嵌入圖像載體與已驗證安全載體之間的相似度，對待嵌入樣本進行安全性評估.實驗證明:本文提出的載體安全性評價方法可以有效評價載體的安全性，將該方法應用于隱寫載體預篩選后，在各種嵌入率下，都可以極大地降低主流隱寫分析的檢測率，且受隱寫算法、載體來源等因素影響較小.