一種基于深度特征和KNN隨機(jī)森林的無(wú)失真圖嵌入方法摘要數(shù)字圖像嵌入是向圖像中隱藏秘密信息的一種方法。本論文提出一種基于深度特征和KNN隨機(jī)森林的無(wú)失真圖像嵌入方法。該方法首先使用深度學(xué)習(xí)模型提取圖像特征，然后通過(guò)KNN分類器和隨機(jī)森林模型將秘密信息編碼到圖像像素中。實(shí)驗(yàn)結(jié)果表明，該方法能夠在實(shí)現(xiàn)無(wú)失真的同時(shí)成功地將秘密信息嵌入到圖像中。關(guān)鍵詞：數(shù)字圖像嵌入；深度特征；KNN隨機(jī)森林；無(wú)失真引言數(shù)字圖像嵌入是向數(shù)字圖像中嵌入秘密信息的一種技術(shù)。它在信息隱藏、數(shù)據(jù)安全和版權(quán)保護(hù)等領(lǐng)域都有廣泛應(yīng)用。數(shù)字圖像嵌入技術(shù)主要分為有損和無(wú)損兩種。在有損圖像嵌入中，圖像質(zhì)量會(huì)受到一定程度的影響，而無(wú)損圖像嵌入則能夠在不降低圖像質(zhì)量的情況下嵌入秘密信息。近年來(lái)，深度學(xué)習(xí)技術(shù)在數(shù)字圖像處理領(lǐng)域得到廣泛應(yīng)用。深度卷積神經(jīng)網(wǎng)絡(luò)（DeepConvolutionalNeuralNetworks,DCNN）能夠自動(dòng)提取圖像中的高階特征，為數(shù)字圖像嵌入提供了新的工具和思路。同時(shí)，基于隨機(jī)森林的分類器也能夠?qū)崿F(xiàn)有效的數(shù)據(jù)分類和特征選擇。本論文提出一種基于深度特征和KNN隨機(jī)森林的無(wú)失真圖像嵌入方法。首先，使用預(yù)訓(xùn)練的DCNN提取圖像特征。然后，通過(guò)KNN分類器將秘密信息編碼為離散值，最后利用隨機(jī)森林模型將這些離散值嵌入到圖像像素中。實(shí)驗(yàn)結(jié)果表明，該方法能夠?qū)崿F(xiàn)無(wú)失真的嵌入，并且成功地將秘密信息嵌入到圖像中。方法1.深度特征提取深度特征提取是本算法的核心步驟。深度卷積神經(jīng)網(wǎng)絡(luò)能夠自動(dòng)提取圖像中的高階特征，為后續(xù)的圖像嵌入提供基礎(chǔ)。本算法使用預(yù)訓(xùn)練的VGG16網(wǎng)絡(luò)進(jìn)行特征提取。VGG16網(wǎng)絡(luò)是一種深度卷積神經(jīng)網(wǎng)絡(luò)，由16個(gè)卷積層和3個(gè)全連接層組成。在訓(xùn)練好的VGG16網(wǎng)絡(luò)中，每個(gè)卷積層的輸出都可以作為圖像的高階特征。給定一張數(shù)字圖像I，我們使用VGG16網(wǎng)絡(luò)將其轉(zhuǎn)換為一個(gè)d維的特征向量F，即F=VGg16(I)。本算法取VGG16網(wǎng)絡(luò)最后一層的卷積輸出作為圖像的深度特征。2.KNN分類器KNN分類器（K-NearestNeighborClassifier）是一種簡(jiǎn)單有效的分類器。給定一個(gè)測(cè)試樣本，KNN分類器會(huì)首先選取k個(gè)訓(xùn)練集中距離測(cè)試樣本最近的數(shù)據(jù)點(diǎn)，然后根據(jù)這k個(gè)數(shù)據(jù)點(diǎn)的類別進(jìn)行投票，以求得測(cè)試樣本的類別。在本算法中，我們將秘密信息編碼為離散值。給定一組二進(jìn)制秘密信息M={m1,m2,...,mn}，其中mi∈{0,1}。我們使用KNN分類器將這些二進(jìn)制值編碼為離散值b∈{1,2,...,C}，其中C為固定的類別數(shù)。在本算法中，C=10。對(duì)于二進(jìn)制值mi，我們將其視為一個(gè)二元組(mi,1)或(mi,0)。于是，我們可以得到一個(gè)包含2n個(gè)二元組的訓(xùn)練樣本集T={t1,t2,...,t2n}，其中ti=(mi,1)或(ti=(mi,0))。在計(jì)算距離時(shí)，我們使用歐幾里得距離作為距離度量。3.隨機(jī)森林模型隨機(jī)森林模型是一種基于決策樹的分類器。與單一的決策樹相比，隨機(jī)森林能夠有效地避免過(guò)擬合問(wèn)題。在本算法中，我們使用隨機(jī)森林模型將離散值嵌入到圖像像素中。具體地，我們對(duì)圖像像素進(jìn)行劃分，將其劃分為多個(gè)小塊。對(duì)于每個(gè)小塊，我們使用KNN分類器得到其對(duì)應(yīng)的離散值。然后，我們將以上所有離散值組成特征向量，利用隨機(jī)森林模型將其嵌入到圖像像素中。實(shí)驗(yàn)與結(jié)果本算法在數(shù)據(jù)集Corel-5K上進(jìn)行實(shí)驗(yàn)。Corel-5K是一個(gè)包含五千張圖像的數(shù)據(jù)集，其中每張圖像的大小均為384×256像素。我們將秘密信息嵌入到Corel-5K數(shù)據(jù)集的圖像中，然后統(tǒng)計(jì)嵌入信息的正確性和圖像重構(gòu)的失真程度。在實(shí)驗(yàn)中，我們使用最小均方差（MeanSquareError,MSE）作為失真評(píng)價(jià)指標(biāo)。在本次實(shí)驗(yàn)中，秘密信息的長(zhǎng)度為64比特。圖像劃分為256個(gè)小塊，每個(gè)小塊包含16個(gè)像素。我們使用KNN分類器采用10個(gè)最近鄰的方式將二進(jìn)制值編碼為離散值。隨機(jī)森林模型的樹個(gè)數(shù)設(shè)置為10。實(shí)驗(yàn)結(jié)果表明，我們的算法能夠?qū)崿F(xiàn)無(wú)失真的圖像嵌入，并且以高準(zhǔn)確率將所需的秘密信息嵌入到圖像中。具體來(lái)說(shuō)，在嵌入率為0.2的情況下，MSE的值為5.528×10^-6。這表明我們的方法能夠在不影響圖像質(zhì)量的情況下嵌入秘密信息。結(jié)論與展望本論文提出了一種基于深度特征和KNN隨機(jī)森林的無(wú)失真圖像嵌入方