简介这份资源面向信息安全、图像处理方向的本科生与研究生以及正在做隐写分析课程设计或毕业设计的开发者围绕LSB信息隐藏与卷积神经网络隐写分析展开。包内共137个文件约304.81MB包含24个Python源码、32个Matlab脚本、30篇PDF文献、12份caj论文、4个Jupyter Notebook以及docx设计报告、prototxt网络配置、mat与pgm图像样本等覆盖空域与变换域JPEG信息隐藏、PDF文件信息隐藏、基于CNN的隐写分析以及Matlab SRM、SCA隐写分析等模块。已有1135人学习下载说明该方向具备一定关注度。读者可据此获得完整的设计报告与项目源码直接运行或二次开发LSB嵌入与提取流程借助文献资料理解PDF隐写与检测思路并参考CNN、SRM、SCA的实现对比不同隐写分析方案适合作为课程设计、论文复现与算法入门的综合参考。1. 从一张被改过的发票说起这套 Python 隐写与隐写分析资源到底能干什么电子发票 PDF 里改一个数字肉眼几乎看不出来但文件字节层面已经变了。这类篡改检测、版权溯源、隐蔽通信的需求正是信息隐藏与隐写分析要解决的问题。这份资源把两条线都串起来了一条是用 Python 实现 LSB 空域隐写、JPEG 变换域隐写、PDF 文本隐写把信息藏进图片和文档另一条是用卷积神经网络做隐写分析判断一张图里到底有没有藏东西再配合 Matlab 的 SRM、SCA 特征提取做对比。配套还有设计报告、项目源码和一批 PDF 隐写方向的文献。适合正在做课程设计、毕设或者想从零把「藏—检」闭环跑通的人。下面我按实际拆包复现的顺序讲重点放在参数、脚本和踩过的坑上。2. LSB 空域隐写的 Python 实现位平面、容量与不可见性的三角博弈LSBLeast Significant Bit是最经典的图像隐写方案核心思路是把载体图像每个像素最低位替换成秘密信息的比特。听起来简单但真正写起来容量、不可见性、鲁棒性三者互相拉扯参数选错一步就翻车。2.1 为什么先做空域再做变换域空域 LSB 的优势是容量大、实现简单一张 512×512 的 RGB 图每个通道藏 1 bit理论容量就是 512×512×3 786432 bit约 96 KB。缺点是抗压缩能力极差JPEG 一压最低位基本全废。所以合理的路线是先用 LSB 把原理跑通理解位平面和嵌入提取的对称性再上变换域DCT/DWT做抗压缩方案。资源里同时给了空域和变换域两套就是这个递进逻辑。我一般会先确认载体格式。PNG、BMP 是无损的适合 LSBJPEG 是有损的直接改最低位再存回 JPEG等于自己把信息抹掉。所以 LSB 实验统一用 PNG 做载体这一点新手最容易忽略。2.2 嵌入与提取的核心脚本下面这段是 LSB 嵌入的最小可用实现用 numpy 做位运算比逐像素 Python 循环快一个量级import numpy as np from PIL import Image def to_bits(data: bytes) - np.ndarray: # 把字节流转成 0/1 比特数组 return np.unpackbits(np.frombuffer(data, dtypenp.uint8)) def embed_lsb(cover_path: str, payload: bytes, out_path: str): img np.array(Image.open(cover_path).convert(RGB)) flat img.reshape(-1) # 拉平成一维 bits to_bits(payload) # 前 32 bit 存 payload 长度方便提取时知道读多少 header to_bits(len(payload).to_bytes(4, big)) bits np.concatenate([header, bits]) if bits.size flat.size: raise ValueError(载体容量不足换大图或减少数据) flat[:bits.size] (flat[:bits.size] 0xFE) | bits # 清最低位再写入 Image.fromarray(flat.reshape(img.shape)).save(out_path) def extract_lsb(stego_path: str) - bytes: flat np.array(Image.open(stego_path).convert(RGB)).reshape(-1) header np.packbits(flat[:32] 1).tobytes() length int.from_bytes(header, big) body np.packbits(flat[32:32 length * 8] 1).tobytes() return body逻辑说明 0xFE把最低位清零| bits再写入目标比特这是 LSB 的标准写法。前 32 bit 存长度是工程习惯否则提取端不知道边界。参数上convert(RGB)保证三通道一致如果原图是 RGBAalpha 通道要不要用需要单独决定混用会导致提取错位。2.3 容量、PSNR 与嵌入率的取舍嵌入率payload 占总容量比例直接决定画质。经验值嵌入率低于 10% 时 PSNR 通常能到 50 dB 以上肉眼无感超过 50% 后直方图会出现明显的成对值现象隐写分析很容易抓出来。资源里的 CNN 隐写分析抓的就是这种统计异常。嵌入率典型 PSNR视觉感受被检测风险5%55 dB无差异低20%48~52 dB无差异中50%42~46 dB仔细看有噪点高100%40 dB明显失真极高提示做课程设计时报告里最好同时给出 PSNR 和 SSIM 两个指标只给 PSNR 会被追问。3. 变换域与 PDF 隐写JPEG 的 DCT 系数怎么改才不被压没空域跑通后真正的难点在变换域和文档载体。JPEG 隐写要在 DCT 量化后的系数上动手PDF 隐写则要利用文档结构的冗余空间两者思路完全不同。3.1 JPEG 变换域隐写的落点JPEG 压缩流程是分块 DCT → 量化 → 熵编码。信息要藏就得藏在量化后的 DCT 系数里常见做法是修改中频系数的奇偶性或最低位。低频系数改动会严重影响画质高频系数在二次压缩时容易被量化归零所以中频是甜点区。import numpy as np from scipy.fftpack import dct, idct def embed_dct_block(block: np.ndarray, bit: int) - np.ndarray: # block 为 8x8 像素块对中频系数做奇偶调制 coeff dct(dct(block.T, normortho).T, normortho) pos (3, 4) # 选一个中频位置 val int(round(coeff[pos])) if val % 2 ! bit: # 奇偶不匹配就调整 val 1 if val 0 else -1 coeff[pos] val return idct(idct(coeff.T, normortho).T, normortho)逻辑说明dct(..., normortho)用正交归一化保证正反变换能量一致。pos(3,4)是中频经验位置改低频画质崩改高频抗不住压缩。参数上奇偶调制每次只改 1 个量化步长改动越小越隐蔽但提取端要能容忍舍入误差所以通常配合量化表一起设计。3.2 PDF 文本隐写的几种载体资源里的文献集中在 PDF 信息隐藏常见手法有几类一是利用 PDF 对象之间的空白字符、行距、字间距微调编码比特二是利用 PDF 支持的多层内容OCG叠加隐藏层三是利用文本重排和同义替换。这些方法的共同点是载体本身是结构化文档冗余不在像素而在语法和排版。实操时我一般先用 PyPDF2 或 pikepdf 解析对象树找到可写的流对象或注释字段再按比特写入。要注意 PDF 有交叉引用表和校验直接改字节容易让文件打不开必须走库的写入接口。3.3 提取端必须和嵌入端严格对称隐写最经典的翻车就是嵌入能跑、提取乱码。原因几乎都是对称性被破坏嵌入时用了 RGB提取时用了灰度嵌入时写了长度头提取时没读DCT 位置对不上。我的习惯是把嵌入和提取写成一对函数共用同一份参数常量绝不各写各的。注意PDF 隐写实验务必保留原始文件副本改坏的文件用库不一定能修复。4. 用卷积神经网络做隐写分析SRM、SCA 特征与 CNN 的分工藏得再好也要有人来检。隐写分析就是判断载体是否被嵌入信息甚至估计嵌入率。资源里给了两条路线传统特征 分类器Matlab 的 SRM、SCA以及端到端的 CNN。4.1 SRM 与 SCA 特征为什么经典SRMSpatial Rich Model用大量高通滤波器提取残差捕捉 LSB 替换带来的局部相关性破坏SCASubtractive Pixel Adjacency Matrix则建模相邻像素差的一阶、二阶转移概率。它们的价值在于不依赖深度学习特征可解释适合小样本。Matlab 里实现这些特征提取再喂给 SVM 或集成分类器是隐写分析的传统基线。4.2 CNN 隐写分析的网络结构要点CNN 做隐写分析第一层不能用普通卷积因为隐写信号极弱普通卷积会把载体内容也学进去。常见做法是第一层用固定权重的高通滤波核类似 SRM 的滤波器组做预处理抑制图像内容、突出残差后面再接卷积和全连接做二分类。import torch import torch.nn as nn class StegNet(nn.Module): def __init__(self): super().__init__() # 第一层固定高通核不参与训练突出隐写残差 self.hpf nn.Conv2d(3, 30, 5, padding2, biasFalse) self.hpf.weight.requires_grad False self.features nn.Sequential( nn.Conv2d(30, 32, 3, padding1), nn.ReLU(), nn.Conv2d(32, 64, 3, padding1), nn.ReLU(), nn.AdaptiveAvgPool2d(1) ) self.fc nn.Linear(64, 2) def forward(self, x): x self.hpf(x) x self.features(x).flatten(1) return self.fc(x)逻辑说明hpf.weight.requires_grad False冻结第一层是隐写分析 CNN 的关键设计让网络专注学习残差分布而非图像语义。AdaptiveAvgPool2d(1)把特征图压成向量减少参数量适合数据量不大的课程设计。参数上高通核数量 30 是常见起点太少特征不足太多训练慢。4.3 训练数据怎么造隐写分析的数据集要成对一半是原始载体一半是嵌入后的含密图。嵌入率要分层比如 0.1、0.2、0.4 bpp 各造一批让模型学不同强度的痕迹。标签 0 为原始、1 为含密。划分训练/验证/测试时载体不能跨集重复否则模型会记住载体而不是学隐写痕迹指标虚高。参数建议值说明嵌入率0.1~0.4 bpp覆盖弱到中强度训练/验证/测试6:2:2载体不重叠batch size32~64显存允许下取大学习率1e-3配合 Adamepoch50~100看验证集早停提示如果准确率一开始就接近 100%先怀疑数据泄漏而不是模型太强。5. 避坑与排查隐写实验里最容易翻车的五件事这一章全是血泪经验每条按现象、原因、解决写照着排能省大量时间。现象一提取出来是乱码。原因嵌入和提取的通道顺序、位序不一致或者长度头没对齐。解决把嵌入和提取写成共用常量的函数对先做一次「嵌入已知字符串再提取」的自测通过后再上真实数据。现象二PNG 存完信息就没了。原因中间用画图工具或某些库重新编码触发了有损处理。解决全程用无损库读写别经过任何截图、缩放、格式转换。现象三CNN 准确率虚高到 99%。原因训练集和测试集共享了同一批载体模型记住了载体。解决按载体划分数据集同一张原图及其含密版本只能出现在一个集合里。现象四JPEG 隐写提取失败。原因DCT 系数改动后又被二次量化或者提取时量化表不一致。解决嵌入和提取使用同一张量化表避免对含密图再次压缩。现象五PDF 改完打不开。原因直接改字节破坏了交叉引用表。解决用 pikepdf 等库的对象接口写入改完用阅读器验证能正常打开再继续。6. 把隐写分析指标做扎实从准确率到 ROC 与嵌入率估计最后一章讲怎么让实验结果站得住脚。很多人只报一个准确率就交差但隐写分析的评估远不止于此尤其是面对不同嵌入率时单一准确率会掩盖模型的真实能力。先说验证方法。除了准确率一定要画 ROC 曲线并报 AUC。原因是隐写分析在低嵌入率下正负样本极不平衡准确率会被多数类带偏。AUC 对阈值不敏感能反映模型整体的区分能力。实操上用 sklearn 的roc_auc_score和roc_curve几行就能出图把不同嵌入率的曲线画在同一张图上趋势一目了然。再说嵌入率估计。二分类只能判断「有没有藏」但实际场景常需要知道「藏了多少」。做法是把分类头改成回归或者按嵌入率分档做多分类。我一般先做多分类把 0.1、0.2、0.4 bpp 和原始各设一类看混淆矩阵能直观看出模型在哪个强度上开始失效。经验是嵌入率低于 0.1 bpp 时纯 CNN 往往力不从心这时候 SRM 特征 集成分类器的传统路线反而更稳这也是资源里同时保留 Matlab 方案的原因。还有一个容易被忽略的点跨载体泛化。用 A 数据集训练的模型换到 B 数据集往往掉点严重。想验证泛化性就留一个完全没参与训练的载体来源做测试集掉点幅度就是模型的真实边界。报告里写清楚这个数字比刷高单一数据集准确率更有说服力。from sklearn.metrics import roc_auc_score, roc_curve import matplotlib.pyplot as plt def evaluate(y_true, y_score): auc roc_auc_score(y_true, y_score) fpr, tpr, _ roc_curve(y_true, y_score) plt.plot(fpr, tpr, labelfAUC{auc:.3f}) plt.xlabel(FPR); plt.ylabel(TPR); plt.legend() plt.savefig(roc.png) return auc逻辑说明y_score传正类概率而非硬标签roc_curve才能扫出完整曲线。参数上多嵌入率对比时把每次的 AUC 记进表格比只贴一张图更清楚。从那以后我每次做隐写分析实验都强制先跑一遍「载体不重叠」的数据划分自检再开始训练否则后面所有指标都是自欺欺人。这套资源把空域、变换域、PDF 和 CNN 检测串成了一条完整链路报告、源码、文献都齐照着上面的顺序复现基本能把课程设计做扎实。希望帮到你。本文还有配套的精品资源点击获取 
长河君 · 2026/10/12 19:36:48 · 阅读 1.2k Python隐写与隐写分析实战：LSB、JPEG、PDF与CNN检测
简介这份资源面向信息安全、图像处理方向的本科生与研究生以及正在做隐写分析课程设计或毕业设计的开发者围绕LSB信息隐藏与卷积神经网络隐写分析展开。包内共137个文件约304.81MB包含24个Python源码、32个Matlab脚本、30篇PDF文献、12份caj论文、4个Jupyter Notebook以及docx设计报告、prototxt网络配置、mat与pgm图像样本等覆盖空域与变换域JPEG信息隐藏、PDF文件信息隐藏、基于CNN的隐写分析以及Matlab SRM、SCA隐写分析等模块。已有1135人学习下载说明该方向具备一定关注度。读者可据此获得完整的设计报告与项目源码直接运行或二次开发LSB嵌入与提取流程借助文献资料理解PDF隐写与检测思路并参考CNN、SRM、SCA的实现对比不同隐写分析方案适合作为课程设计、论文复现与算法入门的综合参考。1. 从一张被改过的发票说起这套 Python 隐写与隐写分析资源到底能干什么电子发票 PDF 里改一个数字肉眼几乎看不出来但文件字节层面已经变了。这类篡改检测、版权溯源、隐蔽通信的需求正是信息隐藏与隐写分析要解决的问题。这份资源把两条线都串起来了一条是用 Python 实现 LSB 空域隐写、JPEG 变换域隐写、PDF 文本隐写把信息藏进图片和文档另一条是用卷积神经网络做隐写分析判断一张图里到底有没有藏东西再配合 Matlab 的 SRM、SCA 特征提取做对比。配套还有设计报告、项目源码和一批 PDF 隐写方向的文献。适合正在做课程设计、毕设或者想从零把「藏—检」闭环跑通的人。下面我按实际拆包复现的顺序讲重点放在参数、脚本和踩过的坑上。2. LSB 空域隐写的 Python 实现位平面、容量与不可见性的三角博弈LSBLeast Significant Bit是最经典的图像隐写方案核心思路是把载体图像每个像素最低位替换成秘密信息的比特。听起来简单但真正写起来容量、不可见性、鲁棒性三者互相拉扯参数选错一步就翻车。2.1 为什么先做空域再做变换域空域 LSB 的优势是容量大、实现简单一张 512×512 的 RGB 图每个通道藏 1 bit理论容量就是 512×512×3 786432 bit约 96 KB。缺点是抗压缩能力极差JPEG 一压最低位基本全废。所以合理的路线是先用 LSB 把原理跑通理解位平面和嵌入提取的对称性再上变换域DCT/DWT做抗压缩方案。资源里同时给了空域和变换域两套就是这个递进逻辑。我一般会先确认载体格式。PNG、BMP 是无损的适合 LSBJPEG 是有损的直接改最低位再存回 JPEG等于自己把信息抹掉。所以 LSB 实验统一用 PNG 做载体这一点新手最容易忽略。2.2 嵌入与提取的核心脚本下面这段是 LSB 嵌入的最小可用实现用 numpy 做位运算比逐像素 Python 循环快一个量级import numpy as np from PIL import Image def to_bits(data: bytes) - np.ndarray: # 把字节流转成 0/1 比特数组 return np.unpackbits(np.frombuffer(data, dtypenp.uint8)) def embed_lsb(cover_path: str, payload: bytes, out_path: str): img np.array(Image.open(cover_path).convert(RGB)) flat img.reshape(-1) # 拉平成一维 bits to_bits(payload) # 前 32 bit 存 payload 长度方便提取时知道读多少 header to_bits(len(payload).to_bytes(4, big)) bits np.concatenate([header, bits]) if bits.size flat.size: raise ValueError(载体容量不足换大图或减少数据) flat[:bits.size] (flat[:bits.size] 0xFE) | bits # 清最低位再写入 Image.fromarray(flat.reshape(img.shape)).save(out_path) def extract_lsb(stego_path: str) - bytes: flat np.array(Image.open(stego_path).convert(RGB)).reshape(-1) header np.packbits(flat[:32] 1).tobytes() length int.from_bytes(header, big) body np.packbits(flat[32:32 length * 8] 1).tobytes() return body逻辑说明 0xFE把最低位清零| bits再写入目标比特这是 LSB 的标准写法。前 32 bit 存长度是工程习惯否则提取端不知道边界。参数上convert(RGB)保证三通道一致如果原图是 RGBAalpha 通道要不要用需要单独决定混用会导致提取错位。2.3 容量、PSNR 与嵌入率的取舍嵌入率payload 占总容量比例直接决定画质。经验值嵌入率低于 10% 时 PSNR 通常能到 50 dB 以上肉眼无感超过 50% 后直方图会出现明显的成对值现象隐写分析很容易抓出来。资源里的 CNN 隐写分析抓的就是这种统计异常。嵌入率典型 PSNR视觉感受被检测风险5%55 dB无差异低20%48~52 dB无差异中50%42~46 dB仔细看有噪点高100%40 dB明显失真极高提示做课程设计时报告里最好同时给出 PSNR 和 SSIM 两个指标只给 PSNR 会被追问。3. 变换域与 PDF 隐写JPEG 的 DCT 系数怎么改才不被压没空域跑通后真正的难点在变换域和文档载体。JPEG 隐写要在 DCT 量化后的系数上动手PDF 隐写则要利用文档结构的冗余空间两者思路完全不同。3.1 JPEG 变换域隐写的落点JPEG 压缩流程是分块 DCT → 量化 → 熵编码。信息要藏就得藏在量化后的 DCT 系数里常见做法是修改中频系数的奇偶性或最低位。低频系数改动会严重影响画质高频系数在二次压缩时容易被量化归零所以中频是甜点区。import numpy as np from scipy.fftpack import dct, idct def embed_dct_block(block: np.ndarray, bit: int) - np.ndarray: # block 为 8x8 像素块对中频系数做奇偶调制 coeff dct(dct(block.T, normortho).T, normortho) pos (3, 4) # 选一个中频位置 val int(round(coeff[pos])) if val % 2 ! bit: # 奇偶不匹配就调整 val 1 if val 0 else -1 coeff[pos] val return idct(idct(coeff.T, normortho).T, normortho)逻辑说明dct(..., normortho)用正交归一化保证正反变换能量一致。pos(3,4)是中频经验位置改低频画质崩改高频抗不住压缩。参数上奇偶调制每次只改 1 个量化步长改动越小越隐蔽但提取端要能容忍舍入误差所以通常配合量化表一起设计。3.2 PDF 文本隐写的几种载体资源里的文献集中在 PDF 信息隐藏常见手法有几类一是利用 PDF 对象之间的空白字符、行距、字间距微调编码比特二是利用 PDF 支持的多层内容OCG叠加隐藏层三是利用文本重排和同义替换。这些方法的共同点是载体本身是结构化文档冗余不在像素而在语法和排版。实操时我一般先用 PyPDF2 或 pikepdf 解析对象树找到可写的流对象或注释字段再按比特写入。要注意 PDF 有交叉引用表和校验直接改字节容易让文件打不开必须走库的写入接口。3.3 提取端必须和嵌入端严格对称隐写最经典的翻车就是嵌入能跑、提取乱码。原因几乎都是对称性被破坏嵌入时用了 RGB提取时用了灰度嵌入时写了长度头提取时没读DCT 位置对不上。我的习惯是把嵌入和提取写成一对函数共用同一份参数常量绝不各写各的。注意PDF 隐写实验务必保留原始文件副本改坏的文件用库不一定能修复。4. 用卷积神经网络做隐写分析SRM、SCA 特征与 CNN 的分工藏得再好也要有人来检。隐写分析就是判断载体是否被嵌入信息甚至估计嵌入率。资源里给了两条路线传统特征 分类器Matlab 的 SRM、SCA以及端到端的 CNN。4.1 SRM 与 SCA 特征为什么经典SRMSpatial Rich Model用大量高通滤波器提取残差捕捉 LSB 替换带来的局部相关性破坏SCASubtractive Pixel Adjacency Matrix则建模相邻像素差的一阶、二阶转移概率。它们的价值在于不依赖深度学习特征可解释适合小样本。Matlab 里实现这些特征提取再喂给 SVM 或集成分类器是隐写分析的传统基线。4.2 CNN 隐写分析的网络结构要点CNN 做隐写分析第一层不能用普通卷积因为隐写信号极弱普通卷积会把载体内容也学进去。常见做法是第一层用固定权重的高通滤波核类似 SRM 的滤波器组做预处理抑制图像内容、突出残差后面再接卷积和全连接做二分类。import torch import torch.nn as nn class StegNet(nn.Module): def __init__(self): super().__init__() # 第一层固定高通核不参与训练突出隐写残差 self.hpf nn.Conv2d(3, 30, 5, padding2, biasFalse) self.hpf.weight.requires_grad False self.features nn.Sequential( nn.Conv2d(30, 32, 3, padding1), nn.ReLU(), nn.Conv2d(32, 64, 3, padding1), nn.ReLU(), nn.AdaptiveAvgPool2d(1) ) self.fc nn.Linear(64, 2) def forward(self, x): x self.hpf(x) x self.features(x).flatten(1) return self.fc(x)逻辑说明hpf.weight.requires_grad False冻结第一层是隐写分析 CNN 的关键设计让网络专注学习残差分布而非图像语义。AdaptiveAvgPool2d(1)把特征图压成向量减少参数量适合数据量不大的课程设计。参数上高通核数量 30 是常见起点太少特征不足太多训练慢。4.3 训练数据怎么造隐写分析的数据集要成对一半是原始载体一半是嵌入后的含密图。嵌入率要分层比如 0.1、0.2、0.4 bpp 各造一批让模型学不同强度的痕迹。标签 0 为原始、1 为含密。划分训练/验证/测试时载体不能跨集重复否则模型会记住载体而不是学隐写痕迹指标虚高。参数建议值说明嵌入率0.1~0.4 bpp覆盖弱到中强度训练/验证/测试6:2:2载体不重叠batch size32~64显存允许下取大学习率1e-3配合 Adamepoch50~100看验证集早停提示如果准确率一开始就接近 100%先怀疑数据泄漏而不是模型太强。5. 避坑与排查隐写实验里最容易翻车的五件事这一章全是血泪经验每条按现象、原因、解决写照着排能省大量时间。现象一提取出来是乱码。原因嵌入和提取的通道顺序、位序不一致或者长度头没对齐。解决把嵌入和提取写成共用常量的函数对先做一次「嵌入已知字符串再提取」的自测通过后再上真实数据。现象二PNG 存完信息就没了。原因中间用画图工具或某些库重新编码触发了有损处理。解决全程用无损库读写别经过任何截图、缩放、格式转换。现象三CNN 准确率虚高到 99%。原因训练集和测试集共享了同一批载体模型记住了载体。解决按载体划分数据集同一张原图及其含密版本只能出现在一个集合里。现象四JPEG 隐写提取失败。原因DCT 系数改动后又被二次量化或者提取时量化表不一致。解决嵌入和提取使用同一张量化表避免对含密图再次压缩。现象五PDF 改完打不开。原因直接改字节破坏了交叉引用表。解决用 pikepdf 等库的对象接口写入改完用阅读器验证能正常打开再继续。6. 把隐写分析指标做扎实从准确率到 ROC 与嵌入率估计最后一章讲怎么让实验结果站得住脚。很多人只报一个准确率就交差但隐写分析的评估远不止于此尤其是面对不同嵌入率时单一准确率会掩盖模型的真实能力。先说验证方法。除了准确率一定要画 ROC 曲线并报 AUC。原因是隐写分析在低嵌入率下正负样本极不平衡准确率会被多数类带偏。AUC 对阈值不敏感能反映模型整体的区分能力。实操上用 sklearn 的roc_auc_score和roc_curve几行就能出图把不同嵌入率的曲线画在同一张图上趋势一目了然。再说嵌入率估计。二分类只能判断「有没有藏」但实际场景常需要知道「藏了多少」。做法是把分类头改成回归或者按嵌入率分档做多分类。我一般先做多分类把 0.1、0.2、0.4 bpp 和原始各设一类看混淆矩阵能直观看出模型在哪个强度上开始失效。经验是嵌入率低于 0.1 bpp 时纯 CNN 往往力不从心这时候 SRM 特征 集成分类器的传统路线反而更稳这也是资源里同时保留 Matlab 方案的原因。还有一个容易被忽略的点跨载体泛化。用 A 数据集训练的模型换到 B 数据集往往掉点严重。想验证泛化性就留一个完全没参与训练的载体来源做测试集掉点幅度就是模型的真实边界。报告里写清楚这个数字比刷高单一数据集准确率更有说服力。from sklearn.metrics import roc_auc_score, roc_curve import matplotlib.pyplot as plt def evaluate(y_true, y_score): auc roc_auc_score(y_true, y_score) fpr, tpr, _ roc_curve(y_true, y_score) plt.plot(fpr, tpr, labelfAUC{auc:.3f}) plt.xlabel(FPR); plt.ylabel(TPR); plt.legend() plt.savefig(roc.png) return auc逻辑说明y_score传正类概率而非硬标签roc_curve才能扫出完整曲线。参数上多嵌入率对比时把每次的 AUC 记进表格比只贴一张图更清楚。从那以后我每次做隐写分析实验都强制先跑一遍「载体不重叠」的数据划分自检再开始训练否则后面所有指标都是自欺欺人。这套资源把空域、变换域、PDF 和 CNN 检测串成了一条完整链路报告、源码、文献都齐照着上面的顺序复现基本能把课程设计做扎实。希望帮到你。本文还有配套的精品资源点击获取