CN1936956A - 一种针对dct域lsb隐写的隐写检测方法 - Google Patents

Abstract

本发明公开了一种针对DCT域LSB隐写的隐写检测方法。在频域隐写的检测方面，传统检测方法对连续位置的LSB隐写具有较好检测效果，而针对随机位置的LSB隐写存在误检率、漏检率高，检测可靠性差等问题。我们提出的方法通过多次还原估计未隐写图像，选择多个统计量表征估计所得的未隐写图像与实际检测图像之间的差异，并制定相应的判别准则定性地判断出是否存在隐写。该方法通过多次还原比较减弱了个体差异带来的干扰，保证了检测的高准确率和低误检率，而且其使用简单，操作方便，可靠性强。

Description

一种针对DCT域LSB隐写的隐写检测方法

技术领域

本发明涉及信息隐藏检测领域，具体的说，本发明提出一种针对DCT域LSB隐写的隐写检测方法，包括对连续LSB嵌入和随机位置LSB嵌入的检测。

背景技术

随着信息隐藏技术的发展，针对各类隐写技术的隐写检测技术也日渐成熟。目前，基于图像的信息隐藏技术分为两种：基于空间域的隐藏技术和基于变换域的隐藏技术。基于空间域的隐藏技术相对简单，抗检测能力较弱。常用的变换域方法有：傅立叶变换、离散余弦变换、小波变换等。由于JPEG格式已成为最为普遍的图像存储格式，互联网上有着海量的JPEG图像，数码相机也以它作为照片存储格式，因此JPEG图像为DCT域隐藏技术提供了方便、充足的载体来源，基于DCT域的隐写方法也日益在数量及研究深度上占有优势。

基于DCT域的隐写检测算法中，PoVs检测法，即x²攻击的检测方法适用性很广，对连续嵌入可提供可靠的检测结果，但对于F5、OUTGUESS这样的嵌入位置随机、又采用矩阵编码或补偿嵌入的算法，就显得无能为力。

针对F5和OUTGUESS，Jessica提出了新的检测算法，主要思想之一是基于隐写前后图像在空域上的特性是极为接近的，将亮度分量频域解压后得到图像的最上及最左4行(或列)像素舍弃，作为对未隐写图像的估计，然后对估计的图像进行频域变换，与检测图像的DCT系数比较，计算出选取统计量的值(比如改写率β)，进而根据设定的判决准则判断是否有隐写发生，但这种方法并不精确。首先由于JPEG压缩过程中亮度分量与色度分量的采样比一般大于1，因此只能将亮度分量还原，对于彩色图像，无法将三个分量的变化完整统计；其次，还原时舍弃最上及最左4行(或列)像素并不一定最接近未隐写图像。实验表明：分别舍弃最上及最左的1～8行(或列)像素得到的图像与未隐写图像的接近程度是波动的；再次，计算出的改写率受图像本身内容影响大，因此β并不能真正反应改写率。另外以β作为统计量，简单设定门限，不仅漏检率高，也不灵敏。

发明内容

本发明所要解决的技术问题在于提供一种针对DCT域LSB隐写的隐写检测方法，能够对频域隐写工具，特别是OUTGUESS、F5等典型工具，实现高质量的检测，其正确检出率高，具有广泛的适用性。

为了实现上述目的，本发明提供了一种针对DCT域隐写的隐写检测方法，包括如下步骤：

1)输入或浏览选择待检测图像所在的文件夹路径，该路径下所有的JPEG图像都将被检测；

2)输入或浏览选择检测结果保存的文件名和路径，默认路径为检测执行程序所在路径；

3)当“设定基值”复选框被选中时，可改变条割8行(或列)像素时认为正常的最大门限，默认值为0.04(有效值为小于1的正数)；

4)当“设定差距”复选框被选中时，可改变条割若干行(或列)像素时认为异常的最低门限，默认值为0.05(有效值为小于1的正数)；

5)当“复制隐写文件到”复选框被选中时，输入或浏览选择可疑文件的复制路径，则检测过程中检测出的可疑文件将复制到该文件夹下，默认情况是不复制；

6)点击“检测”按钮，按照之前的设定执行隐写检测过程。检测结果报告能够显示图像是否有隐写，检测算法是否适用，有无经过出理、扫描等应用扩展。

上述的隐写检测方法，其特点在于：所述隐写检测过程进一步包括如下步骤：

1)多次还原估计未隐写图像；

2)选取、计算统计量；

3)确定检测判决准则。

其特征在于：在步骤1)中，未采用已有算法在估计未隐写图像时直接舍弃最上及最左4行(或列)像素的方法，因为这样并不一定最接近未隐写图像，而是分别舍弃最上及最左的1～8行(或列)像素，通过多次还原更准确的估计出未隐写图像。在步骤2)中，考虑到一个统计量受图像本身内容影响较大的弊端，采取改进方法，通过对多个统计量进行计算，在统计图像共性的基础上，又从个体的角度比较图像自身变化程度，减弱了个体差异带来的干扰，从而使检测效果得到明显改善。由于统计量的意义在于它反映了估计所得的未隐写图像与所检测图像间差异的大小，是定性指标，因此在步骤3)中通过制定合适的检测判决准则对统计量的各种情况进行权重分配，从而判断检测图像是否存在隐写。

上述的隐写检测方法，其特点在于：所述多次还原估计未隐写图像进一步包括如下步骤：

首先将图像的亮度分量的DCT系数解压，分别舍去最上及最左的c(c＝1，…，8)行(或列)像素，这样得到的8个图像在空间域上的特性应是非常接近未隐写图像的，同时去除了频域上的量化影响。

然后以一个3×3的核B对条割后的图像滤波：B₂₂＝1-4e，B₂₁＝B₂₃＝B₁₂＝B₃₂＝e，B_ij＝0(其他)，减弱由于块边界不连续产生的影响。

最后对滤波后的图像进行DCT，再以同样的量化矩阵进行压缩，得到的DCT系数为未隐写图像的估计值。

需要指出的是，对于c＝8得到的图像不进行滤波，因为它与原始图最为接近(采样块边界一样)，二者的差异是由量化、DCT及采样误差造成的，反映了图像本身波动的程度。另外，由于估计所得的图像舍弃了一些像素，所以在统计原始图像系数时，对c(c＝1，...，4)的估计图像要舍弃最右及最下一列(或行)的采样块系数；对c(c＝5，…，8)的估计图像要舍弃最左及最上一列(或行)的采样块系数，从而使它们比较的采样数相等，且最为接近。

上述的隐写检测方法，其特点在于：所述选取、计算统计量进一步包括如下步骤：

令h_kl(d)表示频率(k，l)(1≤k，l≤8)处绝对值为d的AC系数，相应的隐写图像的系数直方图分布以H_kl表示。假设非0的AC系数改写率为β，那么隐写图像的H_kl期望值为：

H_kl(d)＝(1-β)·h_kl(d)+β·h_kl(d+1)  当d＞0；

H_kl(0)＝h_kl(0)+β·h_kl(1)            当d＝0.

如果得到了未隐写图像的估计值 改写率β应使上式计算出的 与实际的H_kl(d)最为接近，即：

${\mathrm{\β}}_{\mathrm{kl}}=\arg \min \[{\[H_{\mathrm{kl}}\left(0\right)-\widehat{h_{\mathrm{kl}}}\left(0\right)+b\·\widehat{h_{\mathrm{kl}}}\left(1\right)\]}^2+{\[H_{\mathrm{kl}}\left(1\right)-(1-b)\·\widehat{h_{\mathrm{kl}}}\left(1\right)-b\·\widehat{h_{\mathrm{kl}}}\left(2\right)\]}^2\]$

利用最小二乘估计，得到：

${\mathrm{\β}}_{\mathrm{kl}}=\frac{\widehat{h_{\mathrm{kl}}}\left(1\right)\·\[H_{\mathrm{kl}}\left(0\right)-\widehat{h_{\mathrm{kl}}}\left(0\right)\]+\[H_{\mathrm{kl}}\left(1\right)-\widehat{h_{\mathrm{kl}}}\left(1\right)\]\·\[\widehat{h_{\mathrm{kl}}}\left(2\right)-\widehat{h_{\mathrm{kl}}}\left(1\right)\]}{\widehat{h_{\mathrm{kl}}^2}\left(1\right)+{\[\widehat{h_{\mathrm{kl}}}\left(2\right)-\widehat{h_{\mathrm{kl}}}\left(1\right)\]}^2}$

其中β_kl表示频率(k，l)(1≤k，l≤8)处的改写率。由于低频计算结果受干扰较少，取(k，l)∈{(1，2)，(2，1)，(2，2)}。β的最终值是这三个频率计算结果的平均，即

$\mathrm{\β}=\frac{{\mathrm{\β}}_{12}+{\mathrm{\β}}_{21}+{\mathrm{\β}}_{22}}{3}$

相应于c(c＝1，...，8)得到的估计图像，分别计算出对应的β_i(i＝1，...，8)。

上述的隐写检测方法，其特点在于：所述检测判决准则进一步包括如下条款：

1)门限T₁(T₁＞0)，门限T₂(T₂＞0)，权重为0；

2)若β₈＞T₁，判决为特殊图像，比如经软件处理过的，需通过其他方法判别；

3)否则若β₈＞0，权重加1；

4)对β_i(i＝1，...，7)，若β_i＞0，权重加1，若β_i＞T₂，权重再加1；

5)若权重大于3，则判决检测图像中存在隐秘信息，否则判决不存在隐秘信息。

其特征在于：在步骤1)，2)，4)中的T₁和T₂分别为基值参数和差距参数，参数的设定均在0～1之间，基值参数为条割8行(或列)像素时认为正常的最大门限；差距参数为条割若干行(或列)像素时认为异常的最低门限，T₁和T₂的值应根据实际需要确定。在步骤2)，3)，4)中提到的β_i(i＝1，...，8)分别为c(c＝1...，8)的估计图像的对应统计量。统计量β_i(i＝1，...，7)的意义在于它反映了估计的原始未隐写图像与实际检测图像的差距，β₈则反映了图像自身的波动程度。

采用上述的隐写检测方法，能够对不同的DCT域LSB隐写方式(连续或随机位置嵌入)进行检测。该方法对多数类型的图像检测结果是可靠的，对一些特殊类型的图像(比如结构不完整图像)还可以结合人工分析，有着广泛的适用性；选用多个统计量进行多次还原，能够更准确的估计未隐写图像，再依据检测判决准则就能对图像有无隐写作出准确的判断。

下面结合附图进一步说明本发明的具体实施例。

附图说明

图1是本发明的检测总流程图。

图2是本发明中一幅估计图像统计量β_i的计算示意图。

图3是本发明中检测判决准则的流程示意图。

图4是本发明的用户图形窗口界面图。

图5是本发明的命令行方式界面图。

图6是本发明的检测结果报告截图。

其中，附图说明标记如下：

待检测目录100，浏览200，检测结果保存文件300，设定基值400，设定差距500，复制隐写文件600，检测700。

具体实施方式

图1是检测过程的总流程图。

首先，从设定的待检测目录100中依次读取待检测图像数据，判断图像属性：若是特殊图像(比如结构不完整图像)，归类进行人工分析；若是正常图像，解压缩生成亮度图像。

然后，对亮度图像循环进行8次处理，得到8个β值。处理步骤如下：

1)对亮度图像进行条割、滤波。将图像的亮度分量的DCT系数解压，分别舍去最上及最左的c(c＝1，…，8)行(或列)像素。然后以一个3×3的核B对条割后的图像滤波：B₂₂＝1-4e，B₂₁＝B₂₃＝B₁₂＝B₃₂＝e，B_ij＝0(其他)，减弱由于块边界不连续产生的影响。

2)再压缩得到估计的图像。对滤波后的图像进行DCT，再以同样的量化矩阵进行压缩，得到的DCT系数为未隐写图像的估计值。

3)计算系数改变率β。根据未隐写图像的估计值，计算出相应的β_kl，表示频率(k，l)(l≤k，l≤8)处的改写率。由于低频计算结果受干扰较少，取(k，l)∈{(1，2)，(2，1)，(2，2)}。β的最终值是这三个频率计算结果的平均。

最后，根据判别准则进行判断，判决结果分为有隐藏信息，无隐藏信息和不能确定三种情况。对于不能确定的图像，归类进行人工分析。

图2是估计图像统计量β_i的计算示意图。针对每一幅图像，式(1)为根据未隐写图像的h_k1(d)计算出对应隐写图像的H_kl期望值。其中，h_kl(d)表示未隐写图像中，频率(k，l)(1≤k，1≤8)处绝对值为d的AC系数。H_kl(d)表示隐写图像中，频率(k，l)(1≤k，l≤8)处绝对值为d的AC系数。

式(2)用来计算频率(k，l)(1≤k，l≤8)处的改写率β_kl。如果得到了未隐写图像的估计值 改写率β_kl应使式(1)计算出的

与实际的H_kl(d)最接近。使用最小二乘估计得到式(2)，其中，H_kl(d)表示实际检测图像中频率(k，l)(1≤k，l≤8)处绝对值为d的AC系数。

由于低频计算结果受干扰较少，β的最终值取(k，l)∈{(1，2)，(2，1)，(2，2)}，由式(2)计算出的三个结果的平均。对应c(c＝1，...，8)，根据式(3)能分别计算出β_i(i＝1，...，8)。此处统计量β_i(i＝1，...，7)反映了估计的原始未隐写图像与实际检测图像间的差距，β₈则反映了图像自身的波动程度。

图3是检测判决准则的流程示意图。实验发现，对于未隐写图像，β值倾向为负且8个统计量是稳定的，而对于经过隐写的图像，β值是波动的，随着改写率的增加会有越来越多的β_i大于0。对β₈大于0尤其是偏离0比较多的情况则更可能是图像处理软件处理造成的特殊图像。

因此制定了本图所示的检测判决准则。其中，T₁是基值参数，值设定在0～1之间，基值参数为条割8行(或列)像素时认为正常的最大门限：T₂是差距参数，值设定在0～1之间，差距参数为条割若干行(或列)像素时认为异常的最低门限。T₁，T₂的值应根据实际需要确定。

总权重初始值为0，使用权重累加是为了对统计量β这个定性指标进行量化分析，从而正确判断出图像中是否存在隐秘信息。

图4是用户图形窗口界面图。首先，在待检测目录100中可通过输入或点击浏览200设定待检测图像所在文件夹路径。在检测结果保存文件300中可通过输入或点击浏览200设定保存检测结果报告的文件名和路径。然后，选中设定基值400复选框和设定差距500复选框后，可分别修改这两个参数值，合法范围为0～1之间；若不选中，则分别使用默认参数值0.04和0.05。其次，选中复制隐写文件600复选框后，可通过输入或点击浏览200设定检测出的可疑文件的复制路径；若不选中，则不进行复制(默认情况)。最后，点击检测700，系统按照上述设定好的各项条件进行检测操作。

图5是命令行方式界面图。在Dos下执行检测过程，语法如下：

detecttest[选项]″待检测目录″″检测结果保存文件名″

根据语法格式在Dos环境下键入命令语句。其中，在选项处键入-b和一个小于1的正数表示设定基值400；键入-s和一个小于1的正数表示设定差距500；键入-c和一个文件夹路径表示复制隐写文件600。

其中，在待检测目录100处输入待检测图像所在文件夹路径；在检测结果保存文件300处输入保存检测结果报告的文件名和路径。

图6是检测过程中生成的检测结果报告截图。在检测结果保存文件300指定的路径下生成的检测结果报告为文本格式。

检测结果报告的第1列记录被检测图像的存放路径和名称。

检测结果报告的第2列标识检测结果，有三种符号：‘*’、‘？’及‘’。其中，‘’表示不存在隐秘信息；‘*’表示存在隐秘信息；‘？’表示特殊或未知图像。特殊或未知图像指结构不完整(系数不全)的图像，或经过图像处理软件放缩、拼凑、模糊、加字等处理过的图像，或是特殊来源的图像，对于这类图像常发生误判，可进一步结合其他手段进行人工判别。

检测结果报告的第3列记录图像可能有的应用扩展，包括注释，警告信息等内容。应用扩展以四字符十六进制数X表示。目前统计到的有以下几种扩展，以后面对新的应用扩展可不断添加更新。

X＝0X0000，表示无扩展；

X＝0X0002，表示Exif MM格式，记录信息中可能有数码照片、处理软件及PDC等多种情况；

X＝0X0004，ICC-PROFILE，有数码照片也有扫描图片；

X＝0X0008，Meta MM，不明；

X＝0X0020，ALPHA INFO KK，不明；

X＝0X1000，Ducky，不明；

X＝0X2000，Photoshop 3.08 BIM，经Photoshop处理；

X＝0X4000，表示ADOBE公司，一般是经过处理；

检测结果报告的第4～11列依次显示了8次还原估计图像计算出的统计量β_i(i＝1，...，8)。

最后，检测结果报告的最后1行显示统计结果：sum显示检测文件总数，count显示检测出存在隐秘信息的文件总数，unknown显示检测出的未知文件总数。

本发明的主要特点在于：根据Jessica对未隐写图像进行估计的思想做了新的改进，提出“多次还原比较法”。通过比较多次还原得到图像间的差异大小，判定是否存在隐秘信息，并进一步分析了该方法的适用范围。不同于只基于一个统计量的检测方法，该方法通过对多个统计量的计算，在统计图像共性的基础上，又从个体的角度比较图像自身变化程度，减弱了个体差异带来的干扰。实验证明，该方法以较低的误检率保证了高的确检率，并可工程化。

本发明与其他隐写检测方法相比具有以下特点：(1)与目前大多数隐写检测方法都是针对空间域隐写不同，本发明所述的隐写检测方法是针对DCT域隐写的隐写检测；(2)使用还原估计未隐写图像的思想，对隐写前后图像的变化进行比较，并选用合适的统计量衡量有无隐写；(3)进行多次还原估计获取多个统计量值，依据检测判决准则进行准确判断。多次统计减弱了个体差异带来的干扰，从而使检测效果得到明显改善。

Claims (5)

1.一种针对DCT域LSB隐写的隐写检测方法。其中心思想是通过多次还原估计未隐写图像，并比较估计所得的图像与实际检测图像间的差异大小，从而判断检测图像中是否存在隐秘信息。其具体步骤如下：

1)输入或浏览选择待检测图像所在的文件夹路径，该路径下所有的JPEG图像都将被检测；

2)输入或浏览选择检测结果保存的文件名和路径，默认路径为检测执行程序所在路径；

3)当“设定基值”复选框被选中时，可改变条割8行(或列)像素时认为正常的最大门限，默认值为0.04(有效值为小于1的正数)；

4)当“设定差距”复选框被选中时，可改变条割若干行(或列)像素时认为异常的最低门限，默认值为0.05(有效值为小于1的正数)；

5)当“复制隐写文件到”复选框被选中时，输入或浏览选择可疑文件的复制路径，则检测过程中检测出的可疑文件将复制到该文件夹下，默认情况是不复制；

6)点击“检测”按钮，按照之前的设定执行隐写检测过程。检测结果报告能够显示图像是否有隐写，检测算法是否适用，有无经过出理、扫描等应用扩展。

2.根据权利要求1所述的隐写检测方法，其特征在于：所述隐写检测过程具体包括以下三个步骤：

1)多次还原估计未隐写图像；

2)选取、计算统计量；

3)确定检测判决准则。

其特征在于：在步骤1)中，未采用已有算法在估计未隐写图像时直接舍弃最上及最左4行(或列)像素的方法，因为这样并不一定最接近未隐写图像，而是分别舍弃最上及最左的1～8行(或列)像素，通过多次还原更准确的估计出未隐写图像。在步骤2)中，考虑到一个统计量受图像本身内容影响较大的弊端，采取改进方法，通过对多个统计量进行计算，在统计图像共性的基础上，又从个体的角度比较图像自身变化程度，减弱了个体差异带来的干扰，从而使检测效果得到明显改善。由于统计量的意义在于它反映了估计所得的未隐写图像与所检测图像间差异的大小，是定性指标，因此在步骤3)中通过制定合适的检测判决准则对统计量的各种情况进行权重分配，从而判断检测图像是否存在隐写。

3.根据权利要求2所述的隐写检测方法，其特征在于：所述多次还原估计未隐写图像(步骤1))进一步包括如下步骤：

首先将图像的亮度分量的DCT系数解压，分别舍去最上及最左的c(c＝1，...，8)行(或列)像素，这样得到的8个图像在空间域上的特性应是非常接近未隐写图像的，同时去除了频域上的量化影响。

然后以一个3×3的核B对条割后的图像滤波：B₂₂＝1-4e，B₂₁＝B₂₃＝B₁₂＝B₃₂＝e，B_ij0(其他)，减弱由于块边界不连续产生的影响。

最后对滤波后的图像进行DCT，再以同样的量化矩阵进行压缩，得到的DCT系数为未隐写图像的估计值。

需要指出的是，对于c＝8得到的图像不进行滤波，因为它与原始图最为接近(采样块边界一样)，二者的差异是由量化、DCT及采样误差造成的，反映了图像本身波动的程度。另外，由于估计所得的图像舍弃了一些像素，所以在统计原始图像系数时，对c(c＝1，...，4)的估计图像要舍弃最右及最下一列(或行)的采样块系数；对c(c＝5，...，8)的估计图像要舍弃最左及最上一列(或行)的采样块系数，从而使它们比较的采样数相等，且最为接近。

4.根据权利要求2所述的隐写检测方法，其特征在于：所述选取、计算统计量(步骤2))进一步包括如下步骤：

令h_kl(d)表示频率(k，l)(1≤k,l≤8)处绝对值为d的AC系数，相应的检测图像的系数直方图分布以H_kl表示。假设非0的AC系数改写率为β，那么检测图像的H_kl期望值为：

H_kl(d)＝(1-β)·h_kl(d)+β·h_kl(d+1)      当d＞0；

H_kl(0)＝h_kl(0)+β·h_kl(1)                当d＝0。

如果得到了未隐写图像的估计值 改写率β应使上式计算出的 与实际的H_kl(d)最为接近，即：

${\mathrm{\β}}_{\mathrm{kl}}=\arg \min \left[\right[H_{\mathrm{kl}}\left(0\right)-{\hat{h}}_{\mathrm{kl}}\left(0\right)+b\·{\hat{h}}_{\mathrm{kl}}\left(1\right){]}^2+[H_{\mathrm{kl}}\left(1\right)-(1-b)\·{\hat{h}}_{\mathrm{kl}}\left(1\right)-b\·{\hat{h}}_{\mathrm{kl}}\left(2\right){]}^2]$

利用最小二乘估计，得到：

${\mathrm{\β}}_{\mathrm{kl}}=\frac{{\hat{h}}_{\mathrm{kl}}\left(1\right).\[H_{\mathrm{kl}}\left(0\right)-{\hat{h}}_{\mathrm{kl}}\left(0\right)]+[H_{\mathrm{kl}}\left(1\right)-{\hat{h}}_{\mathrm{kl}}\left(1\right)].[{\hat{h}}_{\mathrm{kl}}\left(2\right)-{\hat{h}}_{\mathrm{kl}}\left(2\right)-{\hat{h}}_{\mathrm{kl}}\left(1\right)]}{{\hat{h}}_{\mathrm{kl}}^2\left(1\right)+[{\hat{h}}_{\mathrm{kl}}\left(2\right)-{\hat{h}}_{\mathrm{kl}}\left(1\right){]}^2}$

其中β_kl表示频率(k，l)(1≤k，l≤8)处的改写率。由于低频计算结果受干扰较少，取(k，l)∈{(1，2)，(2，1)，(2，2)}。β的最终值是这三个频率计算结果的平均，即

$\mathrm{\β}=\frac{{\mathrm{\β}}_{12}+{\mathrm{\β}}_{21}+{\mathrm{\β}}_{22}}{3}$

相应于c(c＝1，...，8)得到的估计图像，分别计算出对应的βi(i＝1，...，8)。

5.根据权利要求2所述的隐写检测方法，其特征在于：所述检测判决准则(步骤3))进一步包括如下条款：

1)门限T₁(T₁＞0)，门限T₂(T₂＞0)，权重为0；

2)若β₈＞T₁，判决为特殊图像，比如经软件处理过的，需通过其他方法判别；

3)否则若β₈＞0，权重加1；

4)对β_i(i＝1，...，7)，若β_i＞0，权重加1，若β_i＞T₂，权重再加1；

5)若权重大于3，则判决检测图像中存在隐秘信息，否则判决不存在隐秘信息。

其特征在于：在步骤1)，2)，4)中的T₁和T₂分别为基值参数和差距参数，参数的设定均在0～1之间，基值参数为条割8行(或列)像素时认为正常的最大门限；差距参数为条割若干行(或列)像素时认为异常的最低门限，T₁和T₂的值应根据实际需要确定。在步骤2)，3)，4)中提到的β_i(i＝1，...，8)分别为c(c＝1...，8)的估计图像的对应统计量。统计量β_i(i＝1，...，7)的意义在于它反映了估计的原始未隐写图像与实际检测图像的差距，β₈则反映了图像自身的波动程度。

Images