基于PVO的可逆数据隐藏技术，采用灵活的条带移动方式，并结合基于分类的自适应预测机制，该机制由卷积神经网络（CNN）进行引导

《Journal of Information Security and Applications》：PVO-based reversible data hiding with flexible strip moving using classification-based adaptive prediction guided by CNN

可逆数据隐藏中提出基于深度神经网络的像素值排序方法，通过自适应预测器选择、全局PVO优化、灵活条带移动模式及单侧嵌入策略提升嵌入容量和图像保真度。

　　

范国军|左晨|卢雷|杨志海|赵娟|潘志斌

中国西安长安大学数据科学与人工智能学院，邮编710064

摘要

基于像素值排序（PVO）的可逆数据隐藏方法因其嵌入容量与隐秘图像保真度之间的有效平衡而受到广泛研究。传统的PVO方法将覆盖图像划分为不重叠的块，并将秘密数据嵌入到这些块的最大/最小像素中。然而，嵌入容量和整体性能受到块数量的限制。尽管我们之前提出了一种通过重叠块来增加嵌入容量的方法，但由于覆盖图像的二维结构，重叠率仍然有限，且方法规则较为复杂。为了解决这些问题，我们在本工作中提出将覆盖图像转换为一维数组。利用一维数组的特殊特性，简化了获取重叠序列的步骤，并提高了重叠率。此外，为了生成分布更均匀的一维数组，我们还提出了一种基于深度神经网络（DNN）的预测方法。与现有方法中直接使用DNN进行预测不同，我们利用DNN来评估像素适用于不同经典预测器的程度。然后确定两个阈值来对像素进行分类，从而能够灵活选择预测器。实验表明，所提出的预测方法具有较高的预测准确性，而提出的灵活条带移动模式在整体嵌入性能上也优于现有方法。

引言

可逆数据隐藏（RDH）是一种通过隐形传输信息来保护多媒体数据的有效技术[1]。RDH允许将秘密数据嵌入到覆盖介质中，而不会导致明显的视觉或听觉质量下降，使得攻击者难以检测到隐藏信息的存在。与会导致覆盖介质不可恢复损坏的隐写术不同，RDH不仅可以精确提取隐藏数据，还可以无损恢复覆盖介质。如今，由于这种恢复覆盖介质的能力，RDH被广泛应用于敏感场景[[3], [4], [5]]（见表1）。近年来，加密领域的RDH[50,51]受到了越来越多的关注，因为它能够直接将秘密数据嵌入到加密介质中，支持安全的云存储和医学图像共享。

在图像RDH的发展过程中，已经建立了五个经典的空间域嵌入框架。第一个框架基于无损压缩[6,7]。第二个框架是差分扩展[8,9]。随后提出了直方图移位[[10], [11], [12]]框架。之后，预测误差扩展（PEE）[[13], [14], [15], [16], [17], [18], [19], [20], [21], [22], [23], [24], [25], [26], [27], [28], [29], [30], [31]]框架更有效地利用了图像相关性。最后一个框架是像素值排序（PVO）[[32], [33], [34], [35], [36], [37], [38], [39], [40], [41], [42], [43], [44], [45]]，它源自PEE，但在嵌入容量（EC）和保真度性能之间有着不同的权衡。

PEE最早由Thodi等人[13]在2007年提出。在PEE中，Schanev等人[14]在2009年提出的菱形预测技术最为著名。这种方法使预测过程变得非因果化，便于进一步探索。从菱形预测衍生出的两个关键方案是成对PEE[15]和多直方图修改（MHM）[17]。成对PEE根据空间距离将预测误差分组，利用它们之间的相关性。多年来，对其配对规则[18]、二维映射选择[19]和组合预测误差的数量[20]进行了许多改进。MHM则将原始预测误差直方图分割成多个子直方图，并将数据嵌入到不同的箱中。对MHM的改进包括分类规则的改进[21]、执行速度的提高[22]和参数范围的调整[23]。最近，这两种方案被集成[[24], [25], [26]]，通过更有效地利用冗余实现了显著的性能提升。

近年来，基于PVO的方案得到了广泛研究。最初的改进集中在使用预测最准确的像素上，但这些像素并不一定位于预测误差最大的箱中[33,34]，从而实现了更大的嵌入容量。后来，引入了其他方案（如成对PEE）来适应PVO的特点，以提供更好的嵌入性能[37,38]。在RDH方法中，局部复杂性计算对于获得良好的失真性能至关重要，因此Pan等人[39]和Xiang等人[40]分别提出了使用扩展的自适应上下文和完全封闭的上下文来进行复杂性计算。最近，一些工作通过允许局部块重叠来增加嵌入容量[35,36]，还有其他工作试图打破块的局部性限制以获得更好的整体性能[41,42]。

自20世纪90年代以来，传统的RDH技术一直在发展，但在PEE框架下只有少数研究采用了DNN[29], [30], [31], [52]。由于DNN的不稳定性，无法保证无损的双向嵌入和提取。因此，DNN通常仅限于预测阶段，而传统的嵌入方案仍然被使用。在本工作中，我们首次使用DNN来生成分类特征，以指导传统预测器的选择。通过为每个像素自适应地选择最合适的预测器，可以实现更高的预测准确性和更好的失真性能。此外，结合我们的方法，现有的RDH方法可以显著提升性能。

在本工作中，我们提出了一种新颖且有效的RDH方法，该方法利用了局部和全局相关性，显著提高了基于PVO的方法在嵌入容量和失真平衡方面的性能。我们的主要贡献如下：•

基于DNN的自适应预测器选择：

我们使用DNN为每个像素选择最合适的经典预测器，优化预测器组合以提高预测准确性；

•

基于分类的自适应预测（CAP）中的全局像素值排序：

我们引入了结合全局像素值排序方法的CAP方案，更精确地收集具有相似值的像素，从而通过PVO方案生成更小的预测误差。

•

灵活的条带移动（FSM）模式：

提出了一种新的FSM模式，以优化用于PVO方案的序列，显著提高了重叠率，从而增强了嵌入容量；

•

通过单边嵌入增强重叠率：

我们通过集成单边嵌入策略进一步提高了FSM的重叠率，实现了更高效的数据隐藏。

广泛的实验表明，我们的方法在嵌入容量和保真度方面均优于现有的基于PVO的方案。

本文的其余部分组织如下：第2节介绍了相关的研究工作。第3节详细描述了所提出的方法。第4节提供了足够的实验结果以验证性能。第5节总结了本文。

章节片段

菱形预测器

要执行广泛认可的菱形预测器（RP）[14]，需要将覆盖图像划分为两个类似棋盘的层，如图1所示。这种双层结构确保中心像素与其四个最近的（菱形形状的）邻居位于不同的层中。因此，同一层内的所有像素可以同时被预测，而无需使用同一层的任何嵌入像素。RP是一种简单而有效的方法，如

基于CNN的分类引导的自适应预测

如[42]中所研究的，GPVO框架的性能受到全局排序的显著影响。全局预测方法的有效性直接决定了分割序列中相邻像素的相似性。因此，改进全局预测方法对于提升整体性能至关重要。

Zhou等人[31]提出的四层划分方案（如图5所示）提供了比图1中的棋盘划分更好的替代方案。

实验结果

在本节中，进行了大量实验以展示所提出方法的高级效率。大多数实验使用了USC-SIPI图像数据集中的八张512 × 512大小的标准灰度图像：Lena、Baboon、Airplane、Barbara、Boat、Elaine Lake和Peppers。

结论

在本工作中，我们通过将覆盖图像进行四层划分，探索了菱形预测器和对角线预测器之间的高度互补性。对于每个像素，通过轻量级卷积神经网络评估分类特征值，以估计菱形预测器或对角线预测器中的哪一个表现更好。根据一层的分类特征值，自适应地确定两个阈值以实现最高的预测

CRediT作者贡献声明

范国军：撰写——原始草稿、方法论、数据整理、概念化。左晨：撰写——审阅与编辑、监督、资源获取、项目管理。卢雷：撰写——审阅与编辑、软件开发、资金获取。杨志海：撰写——审阅与编辑、验证。赵娟：撰写——审阅与编辑、资金获取。潘志斌：撰写——审阅与编辑、监督、资金获取。