nsF5 图像隐写工具 (Steganography)

目录

• English Overview
• 互动教学网站
• 功能总览
• 学习手册
• 更正记录：曾经出现过的错误
• 安装与运行
• GUI 使用流程
• 目录结构
• 技术细节
• 有监督 ML 隐写分析（C++ 特征提取 + 校园照片训练）
• GPU 版 (v1.2)：PyTorch 批量向量化的统计特征分析
• 持续集成 & 发版
• 版本历史
• 许可

English Overview

nsF5 Steganography is an open-source teaching and research toolkit for image steganography and steganalysis. It implements the classic nsF5 algorithm - Hamming syndrome-matrix coding combined with wet paper coding - plus blind steganalysis (chi-square and RS), SHA-256 content keying, and supervised machine-learning detection with two deployable LightGBM models.

The project is pure Python at its core and runs on Windows, Linux, macOS, and Colab. Optional C++ accelerators speed up feature extraction, embedding, and shuffling; build them with make cpp (or python scripts/build_cpp.py). They are never shipped as binaries - the same sources build a .dll, .so or .dylib as appropriate - and when they are absent the code falls back to equivalent pure-Python implementations, so notebooks, Docker, and cloud environments work out of the box. (Feature extraction is bit-identical between the two; the nsF5 embedder is interoperable but not pixel-identical -- see the note in the Chinese section.)

Highlights

• Embedding / decoding - ASCII messages hidden in 8-bit grayscale or color images with password keying and self-synchronizing SHA-256 content hashing;
• nsF5 core - binary Hamming codes [n=2^p-1, k, 3] with syndrome matrix embedding, F5-style magnitude decrease, and wet paper coding (no shrinkage, no retries);
• Blind steganalysis - Westfeld chi-square and Fridrich RS analysis with a content-aware verdict and three sensitivity modes;
• ML steganalysis - 11-D statistical features (v1) and 143-D v2 features (SRM residuals + prefix chi-square statistics), trained with photo-grouped cross-validation; ships both a 143-D robust model and a 53-D interpretable model;
• Cross-platform - pure-Python fallbacks for features, embedding, and model inference; CI verifies Ubuntu, macOS, and Windows on every change;
• Teaching-first - GUI matrix-coding animation, one-click Colab/Jupyter notebooks per chapter, dataset downloader, Docker/JupyterLab image, and a bilingual web handbook.

Quick Start (Linux / macOS / Windows)

git clone https://github.com/Yukinoshita-lin/nsf5-steganography.git
cd nsf5-steganography
python3 -m venv .venv
source .venv/bin/activate            # Windows: .venv\Scripts\activate
python -m pip install -e .

python src/test_core.py              # algorithm self-tests
python src/test_steg.py              # steganalysis self-tests
python src/run_e2e.py                # full embed -> decode -> analyze demo
nsf5stego embed cover.png -m "msg"   # CLI: embed / extract / analyze / gui
python src/gui.py                    # GUI (requires tkinter)

Or use the bundled Makefile: make install, make test, make e2e, make notebooks, make dataset, make docker.

Windows installer: no Python needed — download nsf5stego-setup-<version>.exe from the Releases page (Start-menu shortcut, optional PATH entry, Chinese wizard). See the Chinese section "方式 0：Windows 安装版".

Learning Resources

• English handbook (PDF): Learning-Handbook-From-Zero-to-nsF5-Steganography.pdf
• Chinese handbook (PDF): 学习手册-从零读懂nsF5隐写项目.pdf
• Online bilingual handbook: Interactive learning lab · zh · en
• Per-chapter Colab/Jupyter notebooks and Docker instructions: teaching/README.md
• Dataset downloader (BOSSbase 1.01): python scripts/download_datasets.py --out data/BOSSbase_1.01

License

Apache-2.0 - see LICENSE and NOTICE.

---

针对 8bit 灰度/彩色图像 的隐写研究工具，实现了基于伴随式矩阵编码（二元汉明码） 的 nsF5 隐写算法，并附带盲隐写分析、图像哈希键控与码族/嵌入效率可视化。

项目核心为纯 Python（依赖 numpy/Pillow，GUI 使用标准库 tkinter），可在 Windows / Linux / macOS / Colab 直接运行。另提供可选的 C++ 加速库 （cpp/fsfeatures.cpp 特征提取、cpp/nsf5embed.cpp 嵌入热路径 + 确定性置乱 nsf5_permute）：三平台同一份源码，用 make cpp 编译成 .dll/.so/.dylib （不入库，见 scripts/build_cpp.py）。库缺失时自动回退到同算法纯 Python 实现：嵌入/解码仍可逆、11-D/143-D 特征与双版本 ML 模型均可使用。

互动教学网站

GitHub Pages 首页已升级为交互式双语教学网站（不依赖手册即可动手理解项目）：

• 🔗 主站: https://yukinoshita-lin.github.io/nsf5-steganography/
• 🌐 语言切换: 页面右上角一键中英切换，或使用 ?lang=zh / ?lang=en
• 🧪 交互实验: LSB 位平面（可抽出单层观察 + 按权重叠加还原）/ LSB 嵌入→解码闭环
  • 卡方/RS 实时自检 + 改动像素掩码 / 汉明伴随式找位 / 湿纸干点求解(自动演示) / nsF5 全流程对比（朴素 LSB vs 项目真实 nsF5Pixel：矩阵编码 + 减幅修改 + 湿点避让， 改动统计 / PSNR / 卡方·RS 指纹一图对比，含解码往返与固定种子置乱路径）/ ML 阈值判别 / 载荷扫描（真实项目统计）/ 10 题双语自测计分
• 🗺 教学层次: 首页"本页导航"把整页分成动手实验/原理/学习路径/FAQ+自测 四部分， 每节带部分徽章，末尾附双语 FAQ 手风琴答疑
• 🖼 可视化: 16 张教学示意图，覆盖 cover↔stego、位平面分层加权叠加、统计直方图、 湿纸、效率曲线、ROC 与双模型对比
• 📚 原手册仍保留: /zh 与 /en
• 💻 本地体验: 仓库根目录 make webapp（即 python -m http.server 8080 --directory webapp） 后打开 http://127.0.0.1:8080。直接双击 webapp/index.html 时 file:// 下 fetch 本地 JSON 会被浏览器拦, 载荷扫描实验拿不到数据 —— 所以要起 http 服务
• 🧪 自动化回归: webapp/tests/（DOM 冒烟 + 交互 + 桌面/移动布局）， 由 .github/workflows/webapp-tests.yml 在每次改动 webapp/** 时执行

---

功能总览

模块	说明
嵌入 / 解码	将 ASCII 字符串嵌入图像 LSB，解码还原；支持口令键控
伴随式矩阵编码	nsF5 + F5 / LSB 矩阵编码，二元汉明码 [n=2^p-1, k, 3]，块内至多改 1 系数
湿纸编码	nsF5 核心：预标记"减幅归零=湿"位置，在干位解 GF(2) 线性方程，无收缩
图像哈希键控	载入时计算 SHA-256；隐藏路径由"内容哈希+口令"唯一决定，解码端自同步并感知篡改
盲隐写分析	卡方检验(Westfeld) + RS 分析(Fridrich)，输出 0–1 隐写倾向概率与判读
ML 隐写分类器(双版本)	143d 稳健版(默认) + 53d 可解释版,详见下文"双版本部署策略"
绘图	绘制码族(嵌入率 α vs 载荷)理论曲线 与 实测嵌入效率对比
GUI	载入图 → 嵌入/解码 → 分析 → 绘图 一体化界面

学习手册

项目提供中英文双语学习手册，从零基础开始，12 周快速入门；想深入可预留 6–12 个月（见手册附录 F 的完整路线）:

• 🖥 网页版: 中文 · English
• 🇨🇳 docs/学习手册-从零读懂nsF5隐写项目.pdf — 中文版, 67 页
• 🇬🇧 docs/Learning-Handbook-From-Zero-to-nsF5-Steganography.pdf — English, 76 pages
• 📓 按章 Colab/Jupyter Notebook: 见 teaching/README.md
• 🐳 Docker/JupyterLab 教学镜像: docker compose up --build

姊妹项目：yccstego（pip install yccstego）—— 把 nsF5 搬到 JPEG 量化 DCT 系数（Y 通道）上的压缩域实现，含自写的 DCT/Huffman 编解码。 它不在本仓库内（独立仓库与 PyPI 包），是第 11 章与附录 F 推荐的下一步方向；手册里 提到它的地方都给出了地址。

涵盖: 数字图像基础 → Python 入门 → LSB 隐写 → 卡方/RS 分析 → 汉明矩阵编码 → F5/nsF5 → 湿纸编码 → 哈希键控 → 机器学习基础 → v1/v2 特征工程 → SRM 滤波 → 143d/53d 双版本模型 → C++/GPU 加速 → 综合实验。每章配有"动手做"实验与"想一想"思考题, 适合本科毕设自学。

模型双版本(2026-09-06)

项目保留两套训练好的 LGB 模型,默认加载 143d 稳健版,可切换到 53d 可解释版:

from src.ml_predict import MLPredictor

# 默认 143d (稳健, 部署推荐)
pred = MLPredictor()  # models/stego_classifier.joblib

# 切换 53d 可解释版 (AUC 略低, 但每一维都能解释; 教学/答辩推荐)
pred = MLPredictor(model_path='models/stego_classifier_v2_jpeg_lgb_51d.joblib',
                   clip_outliers=False)

# 预测
r = pred.predict(image)
# r = {'probability': 0.83, 'verdict': '含密(stego)', 'threshold': 0.168}

指标口径（重要）：头条只引用 BOSSbase

同一个 143d 模型在 BOSSbase 上是 0.8062，在自建校园语料上是 0.8939 —— 差值反映 的是语料（难度、负样本构成都不同），不是模型强弱。对外引用、论文对比一律用 下面主表的 BOSSbase 数字：

语料	模型	AUC	协议	说明
BOSSbase 1.01（领域标准基准，头条口径）	LGB-143d	0.8062 [0.7894, 0.8225]	按源图 holdout	对外一律引用这一行
	LGB-53d	0.7172 [0.6943, 0.7406]	同上	同一份划分，可与 CNN 对比
	LGB-11d	0.7128 [0.6913, 0.7360]	同上	11 维基线
校园照片（自建语料，附表）	143d 部署模型	0.8939；8-split 均值 0.8980	按源图 holdout	含 414 张真实 JPEG 干净图，与上表不可并列
	53d 部署模型	0.8391；8-split 均值 0.8461	同上	同上

⚠ 2026-09-14 审计更正：校园语料此前的数字（0.8946 / 0.9100，8-split 0.9085 / 0.9227）含源图泄漏 —— 414 个 clean_jpeg 行被赋予了独立 photo_id，使"按源图划分"失效；同一批 GPU 产出的 SRM 特征尺度也与推理端 不一致。两处均已修复并重跑，详见 CHANGELOG 1.6.2。 修复后 143d 优于 53d（此前结论相反：SRM 90 维在错误尺度下才是"噪声"）。

完整权威表（逐行标注语料 / 协议 / 是否可溯源）见 docs/RESULTS.md， 由 experiments/build_results_table.py 生成；README 内任何口径冲突都以它为准。

版本	文件	校园语料 AUC (8-split 均值)	弱档 nsF5 p3 d=0.25	推荐场景
143d 默认	stego_classifier.joblib	0.8980	50.0%	通用部署 / 真实图
53d 可解释	stego_classifier_v2_jpeg_lgb_51d.joblib	0.8461	41.4%	论文 / 答辩 / 教学（逐维可解释）

本表是校园照片语料（自建，含真实 JPEG 干净图）上的部署指标；与 BOSSbase 的数字分属不同语料，不能并列。

OOD（真实干净照片）误报率（2026-09-14 重建，1514 张 = 校园 414 + DIV2K 100 + ALASKA#2 1000，可追到 experiments/data/ood_summary.csv）： 143d 9.58% [8.20, 11.16]、53d 28.86% [26.64, 31.20]。 旧的"1/8 / 3/8"只有 8 张样本、且生产者已丢失，已作废。 详见下文的 双版本部署策略 与 docs/RESULTS.md 第 5 节。

更正记录：曾经出现过的错误

这一节列的是本项目真实犯过、并且已经修复的错误。写在这里的动机很直接：隐写分析 项目如果连自己的评测数字都不可信，它的教学价值就是负的。逐条细节见 CHANGELOG.md 的 1.6.1–1.6.4，权威数字见 docs/RESULTS.md。

#	曾经的错误	影响（实测）	现状
1	源图泄漏：414 个 clean_jpeg 行被赋了独立 photo_id，而其特征与对应 clean 行逐位相同（是副本）	"按源图划分"名存实亡 —— 同一张源图可以跨训练/验证两侧。单独修分组后 143d held-out AUC 0.8946 → 0.7555、弱档检出 85.3% → 44.2%	已修：experiments/add_jpeg_clean.py 让 photo_id 继承源图；train_deploy_models.py 开训前强制校验分组不变量
2	SRM 特征尺度不一致：GPU 端在高通滤波前把像素 /255，残差缩小 255 倍、clip 形同虚设	语料用 GPU 特征、单图推理用 CPU 特征，两者相差约 30 倍，143d 模型一直吃分布外输入。修好后 BOSSbase 143d 0.7529 → 0.8062	已修：CPU/GPU 143 维特征逐项一致（max|Δ|≈3e-5），并有回归测试与 CI job
3	C++ 与 Python 特征不一致，且被自检掩盖：卡方自由度用了 n 而非 n−1（p 值差 26%）、20 段中位数取"上中位"；自检把它误诊成"MinGW lgamma 精度偏移"，容差放宽到 0.2	Windows（带 DLL）与 Linux（纯 Python）对同一张图给出不同的 chi2_pvalue / median_prefix_p	已修：11 维逐项一致（max|d|≈6e-14），自检容差收回 1e-9
4	结论建立在错误数据上：曾写"53d 精简版 AUC 更高""SRM 90 维是噪声特征、去掉反而更好"	该结论完全来自第 1、2 条缺陷	已推翻并重跑：143d 更准（8-split 0.8980 vs 0.8461）；SRM 占 LightGBM gain 52.6%，去掉它 OOF AUC 掉 0.05
5	OOD 数字只有 8 张样本（"1/8、3/8"），且产生它的脚本与数据一起丢失	无法复核，也没有统计意义	已重建 experiments/ood_eval.py：1514 张真实干净照片，143d 9.58%、53d 28.86%（Wilson 95% CI）
6	同一指标名跨语料/跨协议混用："8-split" 指过两种协议；校园语料数字与 BOSSbase 数字被并列比较	读者会看到互相矛盾的数值	已修：docs/RESULTS.md 把语料与协议做成每行必填字段，并规定 README 头条只引用 BOSSbase
7	多处数字只打印不落盘（GPU 管线 0.790/0.644/0.712、train_model 家族、gain importance）	不可溯源，无法复核	已修：四个生产者补齐并重跑，不可溯源行 9 → 0（0.7903 / 0.6438 / 0.8889 等逐位复现）
8	部署模型不可复现：仓库里没有能产出两个随包 .joblib 的脚本	clone 之后无法重建模型，"可用但不可复现"	已补 experiments/train_deploy_models.py，并在全部 5796 个样本上验证其产出与随包模型预测一致
9	教学手册带着已被推翻的结论（DOCX、网页版、PDF 三处都有）	教学材料带错结论比没有结论更糟	已修：teaching/handbook_facts.py 统一口径并纳入 CI；PDF 按新口径重新导出（中文 67 页 / 英文 74 页）
10	教学 notebook 从未被执行过	03 号让学员嵌入 5000 字符，而封面图容量只有 3494 字节 —— 这个 cell 一直在抛 ValueError	已修并进 CI：10/10 逐本执行通过，另有"入库 notebook 与生成器一致"的漂移检查
11	LICENSE 缺 APPENDIX 段，结尾被换成自定义版权块	GitHub 把 Apache-2.0 识别成 NOASSERTION，与徽章不符	已恢复标准 Apache-2.0 全文
12	若干使用即踩的缺陷：python src/run_e2e.py 在中文 Windows 控制台崩溃（✓ 无法用 GBK 编码）；make_dataset 打印的样本数恒比真实值多 1；train_model 遇到空环境变量直接崩溃；README 引用过从未存在的 src/_add_jpeg_clean.py；wheel 安装示例版本过期	使用者直接踩到	均已修复，并新增控制台编码护栏测试
13	wheel 里没有模型文件：两个部署模型只在仓库里，pyproject 没有把它们打进包，而 ml_predict 也只按仓库布局找路径	pip install nsf5stego 之后依赖里装着 lightgbm、README 写着有 ML 判定，但 MLPredictor.available 恒为 False（真实验证：安装布局下 FileNotFoundError）	已修（2026-09-15）：models/ 以 nsf5_models 包打进 wheel，ml_predict 按"仓库布局 → 安装布局"查找；CI 的 build 作业在干净 venv 里断言模型可用并能打出概率
14	事实校验器把一处陈旧引用放过去了：图 9-2 的图注写着"论文图 / thesis figure"，而论文稿 2026-09-14 已删除；FORBIDDEN 用的是 "（论文图" / "(thesis figure"（左括号紧贴），实际文本是 "（log–log 坐标，论文图）"，子串匹配被绕过 —— 于是这句话同时留在 DOCX、网页版和入库 PDF 里	教学材料指向不存在的文件；而"进了 CI 就不会再犯"的假设也因此不成立	已修：匹配放宽到 "论文图" / "thesis figure"（另禁 "project thesis"，注意不能用裸 "thesis" —— 会命中 "hypothesis"），三处共 6 处修正并重新导出 PDF（67 / 74 页）；PDF 的导出步骤也补成了脚本 teaching/export_handbook_pdf_word.py（make handbook-pdf）
15	手册把姊妹项目说成本项目的一部分：中英文 ch03 / ch11 / 附录 F 都写"项目 yccstego 扩展"，而 yccstego 是独立仓库与 PyPI 包（pip install yccstego），本仓库里没有它的代码、也没有任何链接	读者按手册去找，什么也找不到 —— 与第 14 条同类：教学材料指向不存在的东西	已修（1.7.1）：中英各 5 处改成"姊妹项目 yccstego"并给出仓库地址，README 增"姊妹项目"一行，PDF 重新导出（英文 75 页）；handbook_facts.py 的 REQUIRED 加上该地址，三份材料缺它就红

为什么保留这些记录，而不是悄悄把数字改掉： 第 1 条和第 3 条恰好是"评测设计本身 出错"的两个典型样本 —— 前者说明"按源图分组"这种纪律会在 id 分配这种细节上悄悄失效， 后者说明一个被误诊的容差可以把两种实现的差异藏住很久。它们现在是教学材料的一部分 （见第 7、8 章与 docs/RESULTS.md 第 1 节）。

提交署名的一次清理（2026-09-14）

用 AI 编程助手协作时，它会在提交信息里自动追加 Co-Authored-By: Claude Code <noreply@anthropic.com> 这类尾注。GitHub 会把它当成 共同作者显示在提交流里 —— 与"贡献者列表"不同（本项目贡献者 API 一直只有仓库 所有者），但同样显眼。

git bundle create .git/backup.bundle --all        # 先全量备份
python scripts/strip_ai_trailers.py < msg > new   # 或直接用下面的 msg-filter
git filter-branch -f --msg-filter \
  'python scripts/strip_ai_trailers.py' -- <起点>^..HEAD
git push --force-with-lease origin main

以后不会再发生：.githooks/commit-msg 会在提交时当场剔除这类尾注 （启用一次：make hooks，即 git config core.hooksPath .githooks），CI 的 attribution job 则对整段历史兜底检查。

---

安装与运行

方式 0：Windows 安装版（推荐普通用户）

到 Releases 下载 nsf5stego-setup-<版本>.exe 双击安装（简体中文向导，每用户免管理员）， 装完后像普通桌面软件一样使用，不需要 Python：

• 开始菜单（可选桌面快捷方式）→ nsF5 隐写工具，双击即开图形界面；
• 向导里勾选"加入用户 PATH"后，nsf5stego embed / extract / analyze 命令行 直接可用（重开终端生效），卸载时自动从 PATH 移除；
• 产物（含密图 / 效率图）写在 %APPDATA%\nsf5stego\output，不污染安装目录；
• 免安装选择：同一 Release 的 nsf5stego-portable-<版本>-win64.zip 解压即用；
• 首次运行若遇 SmartScreen 提示，点"仍要运行"（项目未做代码签名）。

方式 A：从源码运行（Windows / Linux / macOS 通用）

git clone https://github.com/Yukinoshita-lin/nsf5-steganography.git
cd nsf5-steganography
python3 -m venv .venv
source .venv/bin/activate          # Linux / macOS
# Windows: .venv\Scripts\activate
python -m pip install -e .         # 或只装 numpy pillow
nsf5stego --help                   # 命令行界面（embed / extract / analyze / gui）
python src/gui.py                  # 图形界面（需要 tkinter）

跨平台说明：无需任何预编译二进制——fsfeatures、cppembed、 featurize_v2 与 ml_predict 在检测不到 cpp/ 下的库时自动使用纯 Python 实现；想要加速就 make cpp（需要 g++/clang++）。仅 GUI 需要系统自带 tkinter（Ubuntu/Debian：sudo apt install python3-tk）。 也可用仓库根目录的 Makefile：make test、make cpp、make e2e、make notebooks。

方式 B：安装打包的模块（wheel）

每个版本会以源码包发布，可构建并安装：

# 构建 wheel + sdist（需已安装 build）
python -m build

# 安装 wheel（核心模块：ns5_core / steganalysis / gui 等；文件名带版本号）
pip install dist/nsf5stego-<版本>-py3-none-any.whl

注意：wheel 仅含纯 Python 核心；C++ 加速库需自行 make cpp 编译，缺失时 自动回退纯 Python。两个部署模型（models/*.joblib）已打进 wheel （安装为 nsf5_models/，含模型卡），ml_predict 会按"仓库布局 → 安装布局" 的顺序查找，所以 pip install 之后 ML 判定直接可用：

from ml_predict import MLPredictor
p = MLPredictor()
assert p.available, p.load_error      # 缺 lightgbm/pickle 版本不符时这里会说明原因
print(p.predict(img))                  # {probability, verdict, threshold}

（2026-09-15 修正：此前 wheel 里没有模型文件，安装后 available 恒为 False。）

命令行界面（1.8.0 起）

安装后除 GUI 外还有一条与 GUI 参数一一对应的命令行（服务器 / 脚本 / 批量 场景不再需要自己拼 ns5_core 调用）：

nsf5stego embed cover.png -m "秘密文本" -p 口令 -o stego.png
cat msg.txt | nsf5stego embed cover.png            # 文本也可从 stdin 传入
nsf5stego extract stego.png -p 口令                # 方法/p/口令 须与嵌入一致
nsf5stego analyze stego.png --sensitivity 宽松 --json   # 盲分析, --json 供脚本解析
nsf5stego analyze *.png                            # 批量: 逐图一行汇总
nsf5stego gui                                      # 图形界面（与 python src/gui.py 相同）

• 退出码：成功 0；运行失败（容量超限 / 口令不匹配 / 图像无法读取）1； 参数错误 2 —— 脚本可直接判断成败。
• 解码失败不输出乱码：口令或 方法/p 不匹配时解出的会是无效文本，CLI 统一 以非零码退出并提示"请确认 方法/p/口令 与嵌入时一致"，而不是把替换字符打印出来。
• analyze 批量语义：单图 --json 输出对象，多图输出对象数组（每项带 image 键）；批量里某张图读不出来会记为 error 条目继续跑完，整体以 非零码退出。通配符（如 *.png）由 CLI 自己展开 —— Windows 的 shell 不 展开，这条示例在三大平台都能直接用。单图行为与 1.8.0 初版完全兼容。
• 默认输出 <原名>_stego.png；目标文件已存在时会在 stderr 明示覆盖。
• 源码运行的等价形式：python src/cli.py <子命令> ...。
• GUI 产物目录：源码运行写 仓库/output/；pip install 安装后 GUI/效率图 自动改写当前工作目录的 output/（不会写进 site-packages 或解释器目录）。

运行测试

python src/test_core.py    # 核心算法自测（嵌入/解码 + 汉明矩阵 + 湿纸 + 口令）
python src/test_steg.py    # 盲隐写分析自测（区分 干净/含密 图）
python src/run_e2e.py      # 端到端验证（嵌入→保存→解码→分析→绘图）
python src/test_gui.py     # GUI 冒烟测试（构建窗口/载入/预览）
# 全套（模型卡契约 / OOD 与实验链冒烟 / README 目录 / 权威表同步；条数见 CI 日志）
python -m pytest -q
make coverage              # 同上 + 覆盖率报告（门槛 65%，当前约 69%）

---

GUI 使用流程

1. 点击 载入原始图 / 含密图 选择 8bit 图像。
2. 选择 算法（nsF5 或 matrix）、参数 p（块比特数，越大效率越高）、可选口令。
3. 在文本框中输入待嵌入的 ASCII 字符串。
4. 点击 1 嵌入并保存 → 生成 output/stego_*.png，右侧预览含密图。
5. 点击 2 解码提取 → 从含密图还原字符串（须与嵌入使用相同 算法/p/口令）。
6. 点击 3 分析 → 显示 SHA256、卡方统计、RS 缺口、估计嵌入率与隐写概率。
7. 点击 生成码族与效率图 → 弹出理论 vs 实测效率对比图。

解码与嵌入参数（方法/p/口令）必须一致；口令或图像内容不匹配将无法正确解码。

---

目录结构

nsf5-steganography/
├── README.md / CHANGELOG.md / LICENSE / NOTICE
├── Makefile                 # install/test/e2e/notebooks/docker/web 快捷命令
├── docker-compose.yml
├── cpp/                     # 可选 C++ 加速库源码（make cpp 编译，缺失时纯 Python 回退）
├── data/                    # 数据集 CSV 与 campus_jpg/BOSSbase 目录
├── docker/Dockerfile        # Linux JupyterLab 教学镜像
├── gpu/                     # PyTorch 批量特征 / GPU 训练
├── img/                     # 示例封面图
├── models/                  # 训练出的分类器 joblib
├── notebooks/               # 10 个按章 Colab/Jupyter Notebook
├── scripts/                 # 数据集下载、网页资源生成等脚本
├── src/
│   ├── ns5_core.py          # nsF5 核心：汉明码、湿纸、哈希键控、嵌入/解码
│   ├── cppembed.py          # C++ 嵌入封装（含纯 Python 回退）
│   ├── py_features.py       # 纯 Python 11 维特征（跨平台）
│   ├── featurize_v2.py      # v2 143 维特征
│   ├── srm_filter.py        # SRM 高通滤波（numpy/torch）
│   ├── fsfeatures.py        # C++ 特征绑定（DLL 缺失回退）
│   ├── steganalysis.py      # 卡方 + RS 盲隐写分析
│   ├── ml_predict.py        # 143d/53d 双版本模型推理
│   ├── make_dataset.py / train_model.py
│   ├── gui.py / efficiency.py / image_io.py
│   └── test_*.py            # 回归测试
├── teaching/                # 教学文档、Notebook 生成器、Jupyter Book 站点
├── webapp/                  # 交互式双语教学网站（Pages 首页）
└── output/                  # 运行产物（gitignore）

---

技术细节

伴随式矩阵编码（nsF5）

二元汉明码 [n,k,d]，n = 2^p - 1，校验矩阵 H 的列向量取 GF(2)^p 全部非零向量。 载体系数 LSB 奇偶向量 x 的伴随式 s = H·x (mod 2)。

• 嵌入 p 比特消息 m：若 s == m 不改动；否则 d = s ⊕ m， 找到唯一列 j（H_j == d）翻转该系数 → 每块至多改 1 个系数。
• 需要改动的概率 (2^p-1)/2^p，嵌入效率 α(p) = p·2^p / (2^p-1)，随 p 增大而提高。

F5 → nsF5

• F5：直流/减幅归零时"收缩"，该块整块重嵌、载荷下降。
• nsF5：用湿纸编码预标记"减幅会归零 = 湿"的位置，湿位不动， 在干位解 GF(2) 线性方程完成嵌入 → 无收缩，效率与安全性更高。

图像哈希键控

载入原图计算 SHA-256（cover_hash）：

• 头部区：用仅口令派生的种子预埋 cover_hash（认证头）；
• 正文区：用 cover_hash + 口令 派生的种子键控置乱路径。

解码端先用口令种子读回头部，重算正文种子解码 → 隐藏路径由图像内容唯一决定， 改动任意像素会破坏解码结构，可经头部校验感知篡改。

盲隐写分析

• 卡方检验（Westfeld）：相邻灰度对 (2i,2i+1) 频率在嵌密后趋近均衡， p 值高表示该区已随机化/嵌入。
• RS 分析（Fridrich-Goljan-Du）：统计正/负掩码的常规-奇异缺口 Gr、Gn；干净图 LSB 平面有结构（Gn 明显为正），隐写使其随机化而下降。
• 综合多个统计量给出 0–1 隐写倾向概率 与判读（不太可能 / 可能 / 高度可能）。

盲隐写分析本质为启发式：没有原始封面时无法给出精确绝对概率， 此处概率供评估与教学参考。

---

有监督 ML 隐写分析（C++ 特征提取 + 校园照片训练）

将特征提取从 Python 移植到 C++（cpp/fsfeatures.cpp）， 可显著降低逐图统计开销；嵌入热路径同样提供 C++ 版（cpp/nsf5embed.cpp， cppembed.py 封装）。 并用真实校园照片做有监督训练，得到一个可部署的分类器。

关于"两条路径是否一致"：特征提取逐位一致（fsfeatures 与 py_features 在 RS/卡方/熵上误差 <1e-6，卡方 p 值因 MinGW 的 lgamma 半整数精度有约 0.02 的容忍度）。嵌入路径则不是逐像素一致：matrix 逐像素相同；nsF5 在 p≥3 时会有几十个像素不同（65536 中约 8–32 个），因为湿纸编码在多个等价解中 挑选哪一个 —— C++ 按固定下标顺序扫，Python 按种子派生顺序扫。两者都是合法解， 各自回环正确，且能互相解码。契约由 src/test_pipeline.py::test_cpp_python_embed_contract 固定。

训练管线

# 1) 用 data/campus_jpg 下照片批量生成 干净/含密 特征数据集
#    (每张降采样 512x512 灰度, 1 干净 + 6 含密变体, C++ 提取 11 维特征 + C++ 嵌入)
python src/make_dataset.py

# 2) 训练/评估 (预留 held-out 测试集 + 5 折 GroupKFold 交叉验证选模)
python src/train_model.py

• 特征 (全由 C++ 计算)：RS_Gn, RS_Gr, Rm, Sm, Rn, Sn、 chi2_pvalue, chi2_stat、diff_entropy、lsb_diff_entropy、median_prefix_p。
• 6 档含密变体：覆盖弱→强，nsF5 p3（弱密度）至 matrix p2（强）。 414 张照片 → 2898 样本（414 干净 + 2484 含密）。
• 5 折 GroupKFold：按照片分组交叉验证选模（杜绝同源泄漏）， 再在留出测试集上报综合指标与每密度层检出率。

在 GUI 中启用

GUI 新增 判定灵敏度 下拉框（严格 / 均衡 / 宽松），作用于 3 分析：

• 严格 (低误报)：提高含密判定阈值 → 干净图更少被误判；
• 均衡：默认。
• 宽松 (高检出)：下调阈值 → 更易检出弱密度嵌入（代价是误报略升）。

它与下方 ML 分类含密概率 联动（同一张净图在三种灵敏度下阈值 0.95→0.77→0.57，ML 判决会由"干净"切换到"含密"），启发式概率也会围绕 0.5 上下牵引。GUI 3 分析会在原有启发式结果下方追加一行 ML 分类含密概率， 输入图像会自动按训练一致的方式（转灰度→512 缩放→特征提取）送入模型。

模型从哪来（重要）：两个部署模型 models/stego_classifier.joblib（143d 默认） 与 models/stego_classifier_v2_jpeg_lgb_51d.joblib（53d 可解释）已随仓库分发， clone 之后 ML 判定即可用（需要 lightgbm，已列为依赖）。

模型可复现：experiments/train_deploy_models.py 就是这两个文件的生产者， 口径已冻结：

• 语料 data/dataset_campus_v2_jpeg.csv（414 张校园照片 × 14 = 5796 样本）
• 按源图划分 GroupShuffleSplit(test_size=0.25, random_state=seed)
• LightGBM learning_rate=0.03, num_leaves=31, n_estimators=800, min_child_samples=10, subsample=0.9, colsample_bytree=0.8

复现证据（2026-09-14 审计后重跑）：143d 在 seed=0..7 上的 AUC 为 0.8939 / 0.8998 / 0.8987 / 0.8972 / 0.8892 / 0.9009 / 0.9145 / 0.8901 （均值 0.8980），53d 为 0.8391 / 0.8326 / 0.8531 / 0.8589 / 0.8408 / 0.8500 / 0.8615 / 0.8330（均值 0.8461）；随仓库分发的两个 .joblib 就是该脚本的产物。

生产者会在训练前检验分组不变量（每个 photo_id 的 variant 集合必须一致）， 语料一旦出现"孤儿 id 块"就直接拒绝运行 —— 这正是 1.6.2 修掉的那类源图泄漏。 语料本身的生成链见 python experiments/add_jpeg_clean.py（JPEG 干净行的 photo_id 继承源图，且是真实 JPEG 往返而非 clean 行的副本）。

可复现性的边界（如实说明）：校园语料的 414 张照片是作者本人的 data/campus_jpg/（不入库，也无法分发）。因此两个部署模型的训练语料 不能从零重建——脚本链（make_dataset.py → add_jpeg_clean.py → train_deploy_models.py）是完整的，但需要自备同规模的 JPG 照片目录。 想完全从零复现，请走 BOSSbase 路线（scripts/download_datasets.py + experiments/featurize_bossbase_npz.py + experiments/sota_compare.py）， 那条链只用公开基准，docs/RESULTS.md 的主表就是它。

python experiments/train_deploy_models.py             # 重训并覆盖 models/*.joblib（约 3 分钟）
python experiments/train_deploy_models.py --no-splits # 只跑 seed 0（约 10 秒）
python experiments/train_deploy_models.py --no-save   # 只评估，不落盘

# 单独用 ML 判定单张图
python -c "import sys; sys.path.insert(0,'src'); from ml_predict import get_predictor; \
import numpy as np,os; from PIL import Image; from ns5_core import embed_string; \
a=np.asarray(Image.open(r'img/cover.png').convert('L').resize((512,512)).convert('L')); \
print(get_predictor().predict(a))"

局限：真实 JPEG 照片的 LSB 位平面天然近乎随机，弱密度 nsF5 嵌入的 统计足印很弱；ML 概率应与启发式判读交叉印证，不宜单独作为铁证。

SRM 高通滤波预处理层（检测性能提升）

src/srm_filter.py 提供 SRM (Spatial Rich Model) 高通滤波预处理层，在提取 11 维统计特征之前对图像做高通滤波，突出嵌入噪声、抑制图像内容，从而增强 弱密度隐写的统计足印。

• 30 个标准 SRM 核（Fridrich 体系，与 Ye-Net 所用一致）：一阶差分 8 + 二阶 4 + 三阶 8 + 边缘 3×3 4 + 边缘 5×5 4 + 方形 3×3/5×5 各 1；按标准因子归一化并补齐到 5×5。
• 合成增强图：逐像素取 30 个残差的最大绝对响应，clip 到 ±T（默认 4）后平移缩放到 uint8 [0,255]，输出单通道增强图，直接喂给现有特征器，其余管线不变。
• CPU (numpy) / GPU (torch conv) 双实现，接口一致 （srm_residuals_np / srm_residuals_torch / preprocess_batch_torch）。

接入方式（两条管线均已内置开关）：

# CPU数据集: --preprocess srm (默认 none=原图基线)
py src/make_dataset.py data/campus_jpg --out campus_srm --preprocess srm -j 16

# GPU特征: extract_features_gpu(x, use_srm=True) (默认开启)
#   自检: py gpu/featurize_gpu.py   (含 SRM 路径冒烟)

实测效果（同一 414 张校园照片，LR，同协议 5 折 GroupKFold + 留出测试）：

指标	原图基线 (dataset.csv)	SRM 增强 (dataset_campus_srm.csv)
5 折 CV-AUC	0.7594	0.7922
held-out 测试 AUC	0.7811	0.8085
低误报点含密检出率	41.2%	50.3%
弱密度 nsF5 p3 d0.25 检出	51.9%	62.5%
nsF5 p2 d0.35 检出	76.0%	90.4%
干净误报率（低误报阈值）	9.6%	9.6%

SRM 在保持低误报不变的同时，将 CV-AUC 提升约 3.3 个百分点、测试 AUC 提升约 2.7 个百分点，弱密度档检测增益尤其显著，且 SRM 增强图约 0.35s/张、 16 核并行下生成全量数据集不受影响。

重要（跨源合并时结论相反）：SRM 的收益只出现在同源内。接入 BOSSbase 全量做跨源合并训练时，SRM 反而显著拉低性能，CPU 与 GPU 两管线 相互印证：

跨源合并	CPU (校园+全量BOSSbase, 测试AUC)	GPU (校园+BOSSbase2000源, 验证AUC)
非 SRM（基线）	0.741	0.651
SRM	0.704（−3.7pp）	0.572（−7.9pp）

机理：SRM 高通滤波在抑制图像内容的同时，也把不同相机/JPEG 压缩源之间的可区分 信号一并压平——同源时被压掉的是嵌入噪声（收益），跨异构源时被压掉的是跨源可分 性（损失）。因此默认模型采用未 SRM 的合并全量（stego_classifier.joblib， 测试 AUC≈0.741），SRM 单源校园模型另存为 stego_classifier_campus_srm.joblib（AUC≈0.8085，仅供校园同源场景）。

v2 扩展特征（143 维）与多档变体 A/B（2026-09）

在原 11 维之上扩展为 143 维 v2 特征集：30 个 SRM 残差的均值 / 绝对均值 / 标准差 （90 维）+ 20 段前缀卡方 p（20 维）+ texture_noise + est_rate（2 维）+ 20 段 LSB 前缀 卡方 p（20 维）。同时把训练变体从 6 档扩展到 12 档（追加 nsF5 p3 d=0.40、 matrix p3 d=0.40/0.60、lsb d=0.30/0.50/0.70）。

# 重新生成 v2 数据集 (单进程 GPU, 414 张 ~7 min)
py src/make_dataset.py --out campus_v2 --feature-set v2 --variants all
py src/make_dataset.py --out campus_v2_min --feature-set v2 --variants minimal  # 6 档对照

# 训练 v2 143d + 4 模型 stacking (5 折 GroupKFold, 留出 25% 测)
DS_FILES="dataset_campus_v2.csv" python src/train_model.py

严格 A/B 对比（同一测试集照片 ID 分组，5 折 GroupKFold OOF）：

数据集	特征	OOF-AUC	弱档 nsF5 p3 d=0.25 检出	模型
dataset.csv (6 档)	v1 11 维	0.7678	49%	XGB
dataset_campus_v2.csv (12 档)	v1 11 维	0.7868	—	LR
dataset_campus_v2.csv (12 档)	v2 143 维	0.8143	25%	LR
dataset_campus_v2.csv (12 档)	v2 143 维 (held-out)	0.8278	25%	LR

• v2 数据集 12 档 vs 6 档：+0.019（同 11 维）→ 真实信号（多档位学到档位差）。
• v2 143 维 vs v1 11 维：+0.027 → SRM 残差 / 20 段前缀 p 确实贡献判别力。
• 累计 +0.05 AUC（0.78 → 0.83）。

部署警告：v2 模型在 5 折 OOF 与 held-out 上 AUC 显著提升，但实际部署到真实 JPEG 干净图时倾向过激（SRM 残差对 JPEG 高频噪声过于敏感，干净 JPEG 几乎全被 判 1.0）。默认 stego_classifier.joblib 仍为 v1 11 维 XGB 模型（held-out AUC=0.7435，干净 JPEG 误判率低）；v2 模型另存为 stego_classifier_v2_campus_stack.joblib（AUC=0.8278，仅供训练分布内的 PGM/BMP 灰度图使用）。

分布外（OOD）分析与缓解尝试

为修复 v2 在真实 JPEG 干净图上的过激（logit 263 vs 训练集 clean mean 1.68）， 探索了两种部署抗偏移方案（均不替换默认模型，仅做参考）：

方案	思路	真实 JPEG 干净 prob	局限
原始 v2	无防护	1.000	—
① clip-to-±5σ	把每维特征裁到训练集 μ±5σ	0.996	JPEG 干净 logit=5.6 已超训练集 clean p99=3.73
② OOD-cap	logit 超 clean p99 时封顶概率到 clean p99 prob (0.977)	0.977	仍 ≥ thr 0.912；stego p5=1.30 已与 clean p99=3.73 重叠，单阈值无解

根本原因：训练集 clean 与 stego 的 logits 严重重叠（clean p99=3.73 vs stego p5=1.30）。v2 模型在训练分布内已"过激"，JPEG 干净图即使 clip 也回不到训练分布内 位置。

✅ 根本修复：v2 训练集追加真实 JPEG 干净样本（2026-09）

把 data/campus_jpg/ 414 张真实 JPEG 干净图（campus PGM-derived 来源之外）作为 额外 clean 样本加入 v2 训练集，photo_id 独立区间 max_id+1000 ~ max_id+1413， 与原训练集完全 disjoint（防 group 泄漏）。重新训练 v2 4 模型 OOF stacking：

# 自动生成 v2 + JPEG 数据集 (campus_v2.csv + 414 JPEG clean -> campus_v2_jpeg.csv)
python experiments/add_jpeg_clean.py

# 训练 (与 v2 同样的 5 折 GroupKFold + 4 模型 stacking)
DS_FILES="dataset_campus_v2_jpeg.csv" python src/train_model.py

v2 特征可解释性(2026-09-14 审计后重算):

• 单特征 AUC（校园 v2_jpeg 语料，取 max(AUC, 1-AUC) 的中位数）: BASE 11 → 0.610, PREFIX 20 → 0.646, LSB PREFIX 20 → 0.607, SRM absmean → 0.512, SRM std → 0.550
• 特征消融（5 折 GroupKFold OOF, 8 seed 均值）: B11 0.8708 → 53d 子集 0.8513 → 完整 143d 0.9010，即 SRM 90 维贡献 +0.050 AUC; 按源图 GroupKFold(8) 上 143d 对 53d 是 8/8 全胜
• 结论（与此前相反）: SRM 90 维在尺度正确时不是噪声。2026-09-06 那版结论 （"SRM 近随机、去掉反而更好"，gain 占比 SRM 26.6% / LSB PREFIX 42.2% 等）是在 GPU 端把像素先 /255 的错误尺度上算出来的，已作废。 现已按当前口径重算（experiments/gain_importance.py）：SRM 90 维占 gain 的 52.6%，BASE 11 占 20.7%、LSB PREFIX 20 占 20.6%、PREFIX 20 占 6.2%； Top-5 特征为 Rm(7.6%) / lsb_prefix_p4(7.0%) / srm_absmean_c29(6.1%) / RS_Gr(5.5%) / srm_std_c29(4.6%)。旧表（SRM 26.6%）已作废。

双版本部署策略(2026-09-14 审计后更新)

经过可解释性对照实验,项目保留 143d 默认版 与 53d 可解释版 两套模型,各自适用场景不同:

语料提醒：本节（以及下方"模型对比""最终决策"）的 AUC 全部来自校园照片 语料（自建，含 414 张真实 JPEG 干净图）。同一族模型在 BOSSbase 1.01 上是 0.8062（143d）/ 0.7172（53d），两者不可并列。权威表见 docs/RESULTS.md，头条口径见上文"指标口径"一节。

维度	143d 默认版(stego_classifier.joblib)	53d 可解释版(stego_classifier_v2_jpeg_lgb_51d.joblib)
特征构成	BASE 11 + SRM 90 + PREFIX 20 + LSB PREFIX 20 + TEX/EST 2	BASE 11 + PREFIX 20 + LSB PREFIX 20 + TEX/EST 2(去 SRM)
8-split 平均 AUC（校园语料）	0.8980	0.8461
Held-out AUC（校园语料, seed=0）	0.8939	0.8391
弱档检出 nsF5 p3 d=0.25	50.0%	41.4%
特征消融（5 折 OOF, 8 seed 均值）	0.9010	0.8513
模型文件大小	2.8 MB	2.8 MB
可解释性	一般(143 维,LIME/SHAP 可对单图解释)	强(51 维有明确统计定义,可直接列 Top 贡献)
推荐场景	通用部署 / 异构数据 / 真实图像	论文 / 答辩 / 教学 / 单图分析

模型卡（2026-09-15）：两个模型各有一份入库的 JSON 模型卡 —— 语料与协议、held-out / 8-split 指标、逐档检出率、OOD 误报率、特征列表与顺序、 超参、训练环境、适用边界与已知局限，以及该 .joblib 的 sha256。 入口：models/README.md（说明）与 models/*.card.json（机器可读）。 校验：python experiments/model_card.py --check —— 它检查卡片与二进制是否脱钩， CI 里随 pytest 一起跑；重训后由 experiments/train_deploy_models.py 自动刷新。

核心结论（审计后）:

• 143d 在 AUC 与弱档检出上更好：去掉 SRM 90 维后消融 OOF AUC 从 0.9010 掉到 0.8513
• 53d 的价值在可解释性：53 维里 51 维有明确统计含义，可逐维列出贡献；代价是 AUC 低约 0.05
• 此前"53d 全面胜出、143d 靠 OOD 稳"的结论建立在两个缺陷之上（SRM 尺度错误 + 语料源图泄漏），见 1.6.2
• 工程上保留双版本,默认加载 143d(更准),教学/答辩场景切 53d(可解释)

53d 精简版定位（审计后更正）

• 按源图 GroupKFold(8) 的 OOF:143d 0.8966 vs 53d 0.8470 —— 143d 8/8 全胜 (此前记录的是"53d 7/8 胜", 那是错误尺度 + 泄漏语料的产物)
• 可解释优势:53 维中 51 维有明确统计含义
  • Rm/Sm/Rn/Sn/RS_Gr/RS_Gn:RS 分析 6 个规则翻转率
  • chi2_pvalue/chi2_stat:LSB 卡方 p 值与统计量
  • diff_entropy/lsb_diff_entropy:全局/LSB 位平面熵差
  • median_prefix_p:20 段前缀卡方 p 中位数
  • prefix_p1~p20:全图像 20 段卡方 p
  • lsb_prefix_p1~p20:LSB 通道 20 段卡方 p
  • texture_noise:图像纹理方差归一化
  • est_rate:从 χ²p + 前缀 p 反推估计嵌入率

切换 53d 模式(代码示例)

import joblib
from ml_predict import MLPredictor

# 默认 143d
pred_143 = MLPredictor()  # model_path=stego_classifier.joblib

# 切换 53d
pred_53 = MLPredictor(model_path='models/stego_classifier_v2_jpeg_lgb_51d.joblib',
                      clip_outliers=False)  # 53d 不需要 clip(单特征 AUC 高,训练分布更稳)

# 同一张图
result_143 = pred_143.predict(img)  # AUC 更高 + 弱档检出更强
result_53 = pred_53.predict(img)    # AUC 略低, 但可对每维特征解释

GUI 集成(规划)

src/gui.py 在 ML 模型加载处增加单选框:[●] 143d 默认(稳健) / [ ] 53d 可解释(AUC+)。 切换后:

• 143d 模式:与现状完全一致,部署推荐
• 53d 模式:增加"贡献特征"面板,显示 Top 5 特征 + 方向 + 强度,供研究/教学场景

下表是校园照片语料上的历史记录。2026-09-14 已把其中"只打印不落盘"的配置 全部重跑并落盘（experiments/data/train_model_metrics.csv），所以下面的数字现在 都有产物可查；重跑值与原值并列，差异来自修正后的特征口径与语料。 与 BOSSbase 的数字不可并列。

模型	训练集	Held-out AUC	真实 JPEG 干净 prob	nsF5 p3 d=0.25 检出
v1 XGB (旧默认)	dataset.csv (11维, 6档)	0.7435 → 重跑 0.7371	0.30 (正确)	49%
v2 LR (未修复)	campus_v2 (143维, 12档)	0.8278	1.00 (误判)	25%
v2 XGB (旧默认)	campus_v2_jpeg (143维, 12档 + 414 JPEG clean)	0.8723	0.14 (正确)	15.6%
v2 XGB tuned	campus_v2_jpeg + 网格调优 (depth=5, n_est=500)	0.8889 → 重跑 0.8889	0.14 (正确)	67.9%
v2 XGB + WEAK_WEIGHT=3	campus_v2_jpeg + 弱档加权×3	0.8534 → 重跑 XGB 0.8832 / LR 0.9055	0.14 (正确)	20.2%
v2 XGB + WEAK_WEIGHT=5	campus_v2_jpeg + 弱档加权×5	0.8377	—	25.7%
v2 STACK (WEAK_WEIGHT=3)	campus_v2_jpeg + 4 模型 LR meta	0.8321 → 重跑 0.8672	0.10 (正确)	32.1%
v2 LGB tuned (新默认)	campus_v2_jpeg + LGB 网格调优 (nl=31, ne=800, lr=0.03)	0.8939	见下	50.0%

重跑还暴露一件事：在当前（修正后的）语料上，LR（标准化 + 校准）常常是最强的 单模型（0.9055），高于调优后的 XGB（0.8889）与 STACK（0.8672）。这与旧口径 "XGB/LGB 更强"的印象相反，值得在下一轮实验里单独查清。

• 新默认 stego_classifier.joblib = v2 LGB tuned (num_leaves=31, n_estimators=800, learning_rate=0.03, min_child_samples=10)。
• 现口径（2026-09-14 重跑，可追到 experiments/data/deploy_model_metrics.csv）： held-out AUC 0.8939、8-split 平均 0.8980 ± 0.0074；弱档 nsF5 p3 d=0.25 检出 50.0%、 nsF5 p2 d=0.35 71.2%、matrix p3 d=0.40 74.0%；验证集干净误报 27.9%。
• 表内"测试集 AUC 0.8946 / 弱档 85.3%"等为审计前记录，含源图泄漏与 SRM 尺度错误，不再引用。
• XGB tuned 已备份为 stego_classifier_v2_jpeg_xgb_tuned.bak.joblib。
• STACK 版 (_weak3_stack.joblib) 仍保留供 OOD 严重场景切换（人工噪声 prob 0.24 vs LGB 0.99）。
• v1 11 维 XGB 保留为参考。

最终决策：项目保留双版本模型供不同场景使用：

版本	文件	适用
143d 默认版(更准)	stego_classifier.joblib	通用部署 / 异构数据 / 真实图像(默认加载)
53d 可解释版	stego_classifier_v2_jpeg_lgb_51d.joblib	论文 / 答辩 / 教学 / 单图分析

143d 默认:LGB tuned(num_leaves=31, n_estimators=800, learning_rate=0.03, min_child_samples=10), held-out AUC 0.8939（校园语料）、8-split 平均 0.8980、弱档检出 50.0%。 53d 可解释:同样超参,53 维特征(去 SRM),held-out AUC 0.8391、8-split 平均 0.8461、 弱档检出 41.4% —— 用约 0.05 AUC 换"每一维都能解释"。 两者在 BOSSbase 上的同族数字是 0.8062 / 0.7172（头条口径，见上文"指标口径"）。

⚠ 上述 AUC 均为校园语料（自建，更容易）。同一族模型在 BOSSbase 1.01 上是 0.7529 / 0.7172 —— 对外引用、论文对比请用后者，见 docs/RESULTS.md。 两个模型现已可由 experiments/train_deploy_models.py 现场复现（逐位一致）。 STACK 与 XGB tuned 仍保留供场景切换;v1 11 维 XGB 保留为参考。

---

GPU 版 (v1.2)：PyTorch 批量向量化的统计特征分析

gpu/ 子目录提供一套 GPU(CUDA) 加速的隐写检测管线，复刻已验证的 11 维统计特征（RS、卡方、差分熵、LSB 熵、前缀中位 p，与 src/fsfeatures.py 参考实现 bit 级一致），把原来逐图 Python 循环（RS 逐组、20 段前缀卡方） 改写为 PyTorch 张量化算子，在 CUDA 上一批并行算完。

为什么是"特征法"而不是裸像素 CNN？ 实测表明：在 414 张校园照片上， 从头训练的整图深度卷积网络（多架构/输入/正则组合）均无法跨照片泛化 （验证 AUC≤0.50）——有效独立样本只有照片数，弱 LSB 信号需数千张源图才能学稳。 统计特征法在相同数据上验证 AUC≈0.79，且特征提取可被 GPU 并行化， 因此 GPU 版选择加速这条真正管用的路径，而非裸 CNN。

管线

# 1) 生成数据集 (每张照片 1 干净 + 4 档含密变体, 完整 512x512, 不裁剪以保留统计)
python gpu/make_imageset.py  [照片目录] [张数]

# 2) GPU 批量提取特征 + 按照片分组训练 + 评估
python gpu/train_ml_gpu.py            # 输出 models/steg_classifier_gpu.joblib

# 3) 单张图像 GPU 检测
python gpu/predict_gpu.py <图像> [<图像>...]

实测 (RTX 4060 Laptop, 纯校园照片)

数据源已从 data/campus_jpg 中去除 DIP4E 教材灰度 tif，改用纯校园照片目录 data/campus_jpg（仅 414 张 jpg）作为唯一数据源，CPU 与 GPU 两条管线均已全量重跑。

• GPU 统计特征管线：特征 2070 张 512² 灰度约 5s（≈397 img/s），GPU 利用率 峰值 99% / 平均 74%；验证 AUC≈0.790，acc≈0.802（Youden 阈值 0.713）。

  2026-09-14 复核：这一行已可复现（experiments/data/gpu_pipeline_metrics.csv， --datas imageset --srm off 得到 AUC 0.7903、阈值 0.7130、acc 0.8024）。 注意它对应 --srm off；默认 --srm auto（= on）在 imageset 上只有 AUC 0.6544 —— 两条口径不同，数字不可混用。

• CPU 特征管线：2898 样本（414 干净 + 2484 含密，6 档），CV 最佳为 LogisticRegression CV-AUC≈0.759；held-out AUC≈0.781、acc≈0.780； matrix p2 d0.80/p3 d0.50 检出≈100%/99%、nsF5 p2 d0.85≈95%、弱 nsF5 p3 d0.25≈52%。
• 一致性：python gpu/featurize_gpu.py 自检，GPU 与 CPU 参考特征逐项一致 （RS 到 bit 级、浮点 ~1e-7）。注意该自检走 use_srm=False；而 gpu/train_ml_gpu.py 默认 --srm on，训练时先做 SRM 高通预处理再过 11 维 —— 与 CPU 侧"原始图直接提特征"不是同一口径，两边数字不可直接并列。

参考基准数据集 (BOSSbase 1.01) 重跑

用隐写分析领域事实标准基准 BOSSbase 1.01（官方 dde.binghamton.edu，1.67GB zip， 10,000 张 512×512 灰度 PGM，与管线工作尺寸完全一致）重新生成数据并重训 （make_imageset.py 已增补 *.pgm 支持）。

# 1) 下载解压至 data/BOSSbase_1.01\*.pgm (官方 zip 1.67GB)
# 2) 生成图像集 (本实验取前 2000 张源图 -> 10000 样本, 512x512)
py gpu/make_imageset.py nsf5-steganography\data/BOSSbase_1.01 2000
# 3) 训练 (默认读 imageset.npz, 覆盖 steg_classifier_gpu.joblib)
py gpu/train_ml_gpu.py

• 数据：2000 源图 → 10000 样本（2000 干净 + 8000 含密，1干净+4变体），npz ≈1.57GB。
• 实测 (验证 2000 样本, Youden 阈值 0.798)：AUC≈0.644，acc≈0.655；逐档—— matrix p3 d0.50≈80%、nsF5 p2 d0.95≈70%、nsF5 p2 d0.50≈68%、弱 nsF5 p3 d0.30≈57%、

  2026-09-14 复核：这一行已可复现（--datas imageset_bossbase --srm off → AUC 0.6438、阈值 0.7983、acc 0.6550）。 干净误报≈48%。

• 对比：相比校园照片基线（AUC≈0.767/0.79）下降，验证了文献公认结论——BOSSbase 经去马赛克加工、统计结构更强，弱密度 LSB 嵌入足印更弱，是更难的隐写分析基准； 远优于 CIFAR 32×32 补充实验（AUC≈0.555，已回退清理）。
• 原基于校园照片的 imageset.npz / steg_classifier_gpu.joblib 已备份为 imageset_photobase.npz / steg_classifier_gpu_photobase.joblib；BOSSbase 数据与 去 DIP4E 前的旧数据/模型同时备份于 backup_20260905/。默认模型为纯校园照片版 steg_classifier_gpu.joblib / stego_classifier.joblib。

BOSSbase 全量合并训练（校园 + BOSSbase 10,000 源图）

为最大化训练作用，将 BOSSbase 全量 10,000 张源图与校园照片合并训练，让单一 模型同时看到"自然校园 + 去马赛克基准"两类域。

• 数据生成：make_imageset.py 现以 memmap 逐张落盘（<base>_x.npy，避免大数组 一次性堆叠造成 OOM），支持 --out / --id-offset / -n 多源分工。

  py gpu/make_imageset.py data/campus_jpg   --out campus            # 校园 414 源 -> 2070 样本
  py gpu/make_imageset.py data/BOSSbase_1.01 --out bossbase          # BOSSbase 10000 源 -> 50000 样本
  py gpu/train_ml_gpu.py                    # 合并两源训练(默认读取两源)
  

• 数据：校园 2070 + BOSSbase 50000 = 52070 样本（414+10000 源图，各 1干净+4变体）。
• 实测 (验证 10430 样本, Youden 阈值 0.795)：AUC≈0.712，acc≈0.690；逐档—— matrix p3≈87%、nsF5 p2 d0.95≈79%、nsF5 p2 d0.50≈70%、弱 nsF5 p3≈50%、干净误报≈41%。

  2026-09-14 复核：本仓库现有的 BOSSbase 图像集只有 10000 样本（旧数是 50000 样本的全量集），因此无法逐位复现 0.712。用现有数据重跑合并配置 （3410 + 10000 = 13410 样本, --srm off）得到 AUC 0.6672、阈值 0.7921、 acc 0.6776，见 experiments/data/gpu_pipeline_metrics.csv。

• 对比：合并 AUC(0.712) 介于纯校园(0.790) 与 BOSSbase 单跑(0.644) 之间，符合数据 难度梯度——模型在更难基准与自然场景间取得平衡；GPU 特征提取 52k 张约 146s，GPU 满载。

CPU 全量合并训练（校园 + BOSSbase 全量）

CPU 版同样接入 BOSSbase 全量，与校园照片合并训练，覆盖 10,000 张基准源图。

py src/make_dataset.py data/campus_jpg --out campus       # 校园 414 源 -> 2898 样本(1干净+6变体)
py src/make_dataset.py data/BOSSbase_1.01 --out bossbase  # BOSSbase 10000 源 -> 70000 样本
py src/train_model.py                                     # 合并两源训练(默认读取两源)

• 数据：校园 2898 + BOSSbase 70000 = 72898 样本（10414 clean + 62484 stego，11 维特征）。
• 5 折 GroupKFold CV（照片分组防泄漏）：RandomForest CV-AUC≈0.745（最佳）、 XGBoost 0.744、LogisticRegression 0.736、GradientBoosting 0.732。
• held-out 测试（18228 样本）：AUC≈0.741，acc≈0.685，bacc≈0.668，thr=0.834； 逐档检出——matrix p2 d0.80≈99%、matrix p3 d0.50≈85%、nsF5 p2 d0.85≈73%、nsF5 p2 d0.35≈59%、 弱 nsF5 p3≈44–55%；低误报点(thr=0.910) 干净误报≈11.6%、含密检出≈38.9%。
• 代价：CPU 全量特征提取 70000 行约 79 分钟（单进程串行，见下文并行改造说明）。
• 对比：CPU AUC(0.741) 略高于 GPU(0.712)，符合 CPU 逐张 6 档、更多 stego 变体覆盖更强的预期。

多进程并行（已实现）：make_dataset.py 内置多进程并行（-j / --workers N，默认 用满 CPU 核数）。每张图内 6 档 C++ 嵌入/特征有强数据依赖无法图内并行，但图与图 相互独立，按图分片交多个子进程并行处理、主进程流式合并。实测 100 张（700 样本）： 单进程 53.5s → 16 核并行 9.5s，加速约 5.6 倍，多进程与单进程输出逐行一致。 注意每进程各自加载 fsfeatures.dll，内存按核数倍增（单进程约 54MB）。 命令：python src/make_dataset.py <目录> --out x -j 15

依赖：torch(CUDA)、numpy、Pillow、scipy、scikit-learn、joblib、 nvidia-ml-py(可选，用于上报 GPU 利用率)。样本数据 gpu/data/* 较大(含 _x.npy 大数组)，不入库，可随时重新生成。

同 CPU 版一样，GPU 检测器输出的是统计含密概率，弱密度嵌入应结合启发式判读 交叉印证。GPU 特征提取亦可作为大批量图片的批量分析入口复用。

---

持续集成 & 发版

• CI（.github/workflows/ci.yml）：任何对 main 的推送 / PR 都会自动运行 test_core.py 与 test_steg.py（Python 3.9 / 3.11），并构建 wheel + sdist。 pytest 作业另外守着模型卡与二进制不脱钩（src/test_model_cards.py： sha256 + payload + 指标交叉核对）、手册事实与代码片段、notebook 可执行。 浏览器回归（含 axe 无障碍审计）在 webapp-tests.yml 里单独跑。
• 自动发布：推送形如 v1.1.0 的 tag 时，CI 会构建包并自动创建 GitHub Release， 附带 wheel 与 sdist 作为资产，同时自动生成发布说明。
• 发布流程：

# 提交改动并打 tag（本地）
git add -A && git commit -m "feat: v1.1"
git tag v1.1 && git push origin main --tags

版本历史

• v1.8.2 (当前) — 一个 Release 里出现了两个不同的 wheel

  • 审计 v1.8.1 产物时发现 PyPI 的 wheel 与 Release 里的同名 wheel 哈希不同： ci.yml（Linux）与 release.yml（Windows）各构建了一次，后者以同名文件 覆盖了前者。两份的成员文件内容一致，只有 METADATA/RECORD 与时间戳不同， 但"一个版本一份字节"的溯源因此断了。
  • 现在 Windows 作业不再上传 wheel，Release 的 wheel/sdist 一律来自 ci.yml （与 PyPI 同源同字节），它只提供 setup exe 与便携 zip。

• v1.8.1 — 审计 1.8.0：发布链路的可验证性

  • 审计发现 v1.8.0 的 tag CI 是红的（PyPI 作业走 trusted publishing，而 pypi.org 端从没配 pending publisher），修复只落在 tag 之后的提交上；不过 PyPI 上的 wheel 与 Release 里的那个字节相同（sha256 02d2177a…）， 产物确实来自 tag 那次构建。
  • 打包链此前只在 tag 上跑，所以它前两次真实运行（v1.8.0）才暴露问题。 现在 release.yml 支持 workflow_dispatch 预演，且手动运行不会发布； 新增安装器静默安装/卸载冒烟（装到临时目录、不选任务 → 断言用户 PATH 没被动过 → 跑装好的 CLI 往返 → 静默卸载 → 断言目录清空）。
  • ci.yml 改最小权限（workflow 级 contents: read，只有 release 作业 write； 去掉已不需要的 id-token: write），并在 build 作业里真的调用安装后的 nsf5stego（--version / embed→extract / analyze --json）—— 此前 CI 只验"模型随包可用"，没验过发布入口本身。
  • docs/PACKAGING.md 的体积与验收按 CI 产物更正（85.9 / 113.4 MiB）， PATH 还原的措辞按安装器真实行为收紧；make help 加了完整性护栏 （这条漂移犯过两次）；.zcodeignore 收进 .gitignore。

• v1.8.0 — 命令行界面

  • 此前 pip install 之后唯一的入口是弹 tkinter 窗口（nsf5stego = "gui:main"）， 服务器、脚本与批量场景只能自己 import ns5_core 拼代码。1.8.0 起入口改为 src/cli.py：embed（文本可 -m 或 stdin）/ extract / analyze（卡方 + RS
    • ML，--json 机器可读）/ gui 四个子命令，参数与方法/p/口令和 GUI 一一对应； 退出码区分 成功(0)/运行失败(1)/参数错误(2)，解码失败与容量超限都以明确提示 收场而不是栈回溯或乱码。nsf5stego gui 与 python src/gui.py 行为不变， 且在 tkinter 缺失 / 无显示环境时给出可行动提示。
  • 另有三处小体验: embed 的 stdin 文本按 UTF-8 优先解码（cp936 控制台管道 传中文不再乱码嵌入）; GUI 标题栏显示版本号; make webapp 一条命令本地起 交互实验室。
  • 安装布局修复: pip install 后 GUI 的产物目录原来是解释器根下的 output/（系统 Python 直接 PermissionError），现在自动改写当前工作目录; analyze 支持多图批量（逐行汇总, --json 数组, 坏图容错）; GUI 演示图 缺失时按 seed=42 确定性配方一键生成。
  • GUI 蓝白"国企风"改版: 深蓝横幅 + 白色卡片 + 主操作深蓝按钮, 统一浅蓝边框与微软雅黑字体; 演示面板同风格、教学语义配色不变; 顺手修复灵敏度提示叠字与窗口高度不足两处布局问题。
  • 测试：src/test_cli.py 十五个用例走真实子进程 + 进程内 stdin 解码单测， 另新增 src/test_pathutil.py（输出目录两种布局），CLI 控制台输出同时受 GBK 静态护栏约束。

• v1.7.2 — 同类隐患的全仓排查

  • 1.7.1 修掉 OOD 评估的 fork 死锁之后，把这类隐患全仓扫了一遍：进程池只有三处 （ood_eval 已修、make_dataset 本次修、video_engine_v2 本来就是 spawn）， DataLoader 默认 num_workers=0。src/make_dataset.py 改为显式 spawn + --pool-timeout 断路器，并补两条慢测试：workers=2 与 workers=1 逐行一致、 超时必须以非零码报错 —— 这条多进程分支此前从未被执行过（CLI 冒烟只看 --help）。
  • 给部署模型的生产者补上第一条端到端冒烟测试（自造 143 维小语料跑完整条链）， 它第一次跑就抓到：youden_threshold 会返回 inf（roc_curve 的首个阈值就是 inf，弱可分数据上 argmax 常落在那里）——阈值成了 inf 之后，模型对任何图都不判 含密且不报错。两处实现都已加 np.isfinite 过滤；随仓库分发的两个模型没踩到 （0.9493 / 0.9595 都是有限值），重跑真实语料与入库指标逐项一致。
  • 手册里的"置换加速 263 倍"被更正：它与项目自己的 bench_permute.csv 对不上， 而且自己给的耗时（12.3 s / 0.223 s）算出来也只有约 55 倍。现在重跑基准并统一为 "4096²：15.6 s → 0.24 s（约 65×），小 N 处最高约 240×，数据见 experiments/data/bench_permute.csv"，网页 / DOCX / PDF / 视频脚本七处一致， 并让 handbook_facts.py 守住（263 列入禁词、产物名列入必填）。

• v1.7.1 — 教学材料的悬空引用

  • 手册（中英文 ch03 / ch11 / 附录 F）把 yccstego 写成"项目 yccstego 扩展"， 但它是独立仓库与 PyPI 包（pip install yccstego），本仓库里没有它的代码 —— 读者按手册去找会一无所获。现已改为"姊妹项目 yccstego"并给出仓库地址， README 新增"姊妹项目"一行；handbook_facts.py 把该地址列进 REQUIRED， DOCX / 网页 / 入库 PDF 三份材料缺它即 CI 红。入库 PDF 重新导出（英文 74 → 75 页）。
  • OOD 评估进 CI：experiments/ood_eval.py 产出 README 的头条数字，此前从未 在 CI 里跑过（要 1514 张外部照片），1.6.9 新增的 --workers 并行路径更是零覆盖。 新增 src/test_ood_smoke.py：用合成照片跑通这条链，钉住"判据=payload 阈值""并行 与单进程逐位一致""fp_rate/Wilson CI/ALL 行自洽"。
  • 备用 PDF 路径补字形：xelatex 那条路径此前有 22 个符号（① ᵖ ₄ 等）在字体里 没有字形，日志里只有一行 Missing character、退出码仍是 0，两份 PDF 各有 80 余处 会变空白；现已逐个映射并让脚本缺字形时返回非零。
  • 一次 CI 挂死事故的修复：新加的 OOD 冒烟测试在 pytest 进程里 fork 出进程池 （Linux 默认），与已初始化的 LightGBM/OpenMP 线程池撞成死锁，让 pytest 作业从 1 分 44 秒变成挂满 6 小时。现在 ood_eval.py 显式用 spawn、每个分片带超时 （卡住即报错）、冒烟测试改跑 CLI 子进程，CI 各作业也设了 timeout-minutes 兜底。

• v1.7.0 — 模型治理：模型卡

  • 两个随仓库分发的 .joblib 此前是裸二进制：语义只存在于 README 的散文 与 pickle 的 payload 里，读 payload 得先装齐依赖再反序列化，而且 "模型换了、文档没换"没有任何护栏。现在每个模型配一份入库的 JSON 模型卡 （models/*.card.json）：语料与协议、指标（held-out / 8-split / 逐档检出 / 真实照片误报率 / 跨语料参考）、特征列表与顺序、超参、训练环境与 git 版本、 适用边界、不适用场景、已知局限，以及 sha256。
  • 新增契约测试 src/test_model_cards.py（sha256 硬绑定 + payload 逐字段核对 + 有数据时与 experiments/data/*.csv 交叉核对），随 pytest 进 CI； 生产者 experiments/train_deploy_models.py 在落盘后自动刷新模型卡， make model-cards / make model-cards-check 是本地入口。
  • 卡里如实写下边界：143d 在 1514 张公开真实干净照片上误报 9.58%、53d 28.86%（DIV2K 那 100 张是 51% / 47%），因此两者都不适合单独定案； 对外引用请用 BOSSbase 口径（0.8062 / 0.7172），而不是校园语料的 0.8939 / 0.8391。

• v1.6.1–v1.6.9 — 审计修复、发布链路与性能

  • 逐版记录见 CHANGELOG.md。要点：源图泄漏与 SRM 特征尺度 两处缺陷的修复（1.6.2）、DOI/PyPI 发布链路与仓库治理（1.6.6）、 覆盖率测量口径的三次修正（1.6.7/1.6.8）、SRM 残差向量化与 OOD 并行 （20 分钟 → 1.7 分钟）以及彩色输入的训练/推理偏差修复（1.6.9）。

• v1.6.0 — 可验证性加固

  • CNN 对比实验补上真实实现与真实数据：gpu/train_cnn.py 与 gpu/models/{xunet,yenet}.py 此前并不存在（论文引用的路径是悬空的）， 而 sota_compare.py 会把 53 维请求静默降级成 11 维、仍标成 LGB-53d。 现在特征列缺失即报错，feat_set 与 dataset 分列，所有基线共用同一份 按源图划分与同一套按源图 bootstrap 的置信区间。实测（BOSSbase，按源图 holdout）：Ye-Net 0.9541、LGB-143d 0.7529、LGB-53d 0.7172、LGB-11d 0.7128、 Xu-Net 0.5007（未收敛，训练集 AUC 也是 0.50，故不构成"CNN 不如手工 特征"的证据）。CNN 的实现与训练入口在 gpu/train_cnn.py 与 gpu/models/。
  • 两个部署模型入库：models/stego_classifier.joblib(143d) 与 models/stego_classifier_v2_jpeg_lgb_51d.joblib(53d)，并补上此前缺失的 lightgbm 依赖 —— 否则 clone 后 ML 判定仍是 available=False。
  • C++ 改为源码跨平台编译：不再入库任何二进制，make cpp 三平台各自 产出 .dll/.so/.dylib；CI 现在真的编译并执行 C++ 一致性自检， 随后再删掉产物验证纯 Python 回退路径。
  • 测试全量进 CI：新增 pytest job 与无头 GUI job（xvfb）；test_gui.py 此前不在任何 workflow 里；test_false_positive.py 里一处 ok = ok 恒真 赋值让整个假阳性测试变成空断言。
  • 浏览器回归测试真正跑起来：webapp-tests.yml 此前未被提交，且即使提交 也会因 python 命令与 npmmirror 镜像源而失败。
  • 教学视频质检修复：两张质检图不可用（一张 33 字节空图、一张缺失）， 根因是 qa_sheet() 在无抽帧时间时静默写出零高度 PNG 并中断后续章节。
  • 已知缺口（如实记录，已于 v1.6.1 关闭）：两个部署模型当时没有仓库内的 生产者，src/train_model.py 训不出它们 —— 现由 experiments/train_deploy_models.py 补齐（见本文件"模型从哪来"一节）。
  • 注：实验数据（experiments/data/、data/dataset_*.csv）按项目约定不入库 （可重新生成）。本版新增的 CNN 实现放在 gpu/。

• v1.5.0 — 学习手册发布 + Zenodo DOI

  • 发布中英文学习手册(PDF)至 docs/:
    • docs/学习手册-从零读懂nsF5隐写项目.pdf (中文, 12 周快速入门路线, 深入版见附录 F, 67 页)
    • docs/Learning-Handbook-From-Zero-to-nsF5-Steganography.pdf (英文, 12-week quick-start roadmap, deep 6–12 month track in Appendix F, 74 页)
  • 涵盖 v1.4.0 全部新特性: 143d/53d 双版本 ML 模型、SRM 高通滤波、特征可解释性分析
  • 零基础: 从"像素与二进制"到"LGB 分类器超参调优"的完整学习路径
  • 新增 Zenodo 存档 DOI 徽章

• v1.4.0 — 双版本 ML 模型 ⚠ 本节数字已于 2026-09-14 审计作废 （源图泄漏 + SRM 特征尺度错误；现口径见 CHANGELOG 1.6.2： 143d held-out 0.8939 / 8-split 0.8980，53d 0.8391 / 0.8461，且 143d 优于 53d）

  • 143d 默认版(stego_classifier.joblib) — LGB tuned (num_leaves=31, n_estimators=800, learning_rate=0.03, min_child_samples=10)
    • Held-out AUC 0.8946,8 split 平均 0.9085
    • OOD 鲁棒:1/8 fp(median prob 0.011),真实校园 JPEG 干净
    • 训练数据:data/dataset_campus_v2_jpeg.csv(143d,12 档变体 + 414 张 JPEG 干净)
  • 53d 可解释版(stego_classifier_v2_jpeg_lgb_51d.joblib) — 去 SRM 90 维
    • Held-out AUC 0.9100(+0.015),8 split 平均 0.9227(+0.014)
    • 弱档检出全面优于 143d:nsF5 p3 d=0.25 87.2%、matrix p3 d=0.40 95.4%
    • OOD 鲁棒:3/8 fp(牺牲少量鲁棒性换 AUC 与可解释性)
    • 51 维有明确统计定义,可对单图输出 Top 贡献特征(论文/教学推荐)
  • 关键发现:v2 143d 中 73% 增益来自 31 个可解释特征,SRM 90 维平均单特征 AUC 仅 0.500.52 (近随机),是 LGB 中的"噪声特征";但 SRM 残差对 JPEG 高频噪声有过滤作用,故 143d 在 OOD 上更稳

• v1.3.1 (待发布)

  • 补齐运行时依赖 matplotlib/joblib/scikit-learn/pandas(此前缺失导致 ML/绘图模块导入崩溃)

• v1.3.0

  • 新增矩阵编码演示面板(GUI):随机/可点击块 LSB,实时计算伴随式 s 与目标 m 的差值 d,在汉明校验矩阵 H 中定位命中的列并高亮被改系数, 执行修改后校验 H·x==m。核心逻辑独立于 src/matrix_demo.py。
  • 新增隐写分析随载荷扫描面板:payload 滑条 0→0.4,逐档重新嵌入并实时刷新 卡方 p 值 / RS 估计嵌入率 / ML 含密概率三曲线 （单图无真 AUC，以 ML 概率作区分趋势示意）。逻辑位于 src/scan_panel.py。

• SRM 高通滤波预处理层

  • 新增 src/srm_filter.py（30 个标准 SRM 核，numpy/torch 双实现，合成单通道增强图）； make_dataset.py 增 --preprocess srm、featurize_gpu.extract_features_gpu 增 use_srm 开关（train_ml_gpu 增 --srm on/off）。
  • 同源校园：CV-AUC 0.7594→0.7922、测试 AUC 0.7811→0.8085，弱密度检出明显提升。
  • 跨源合并（校园+BOSSbase 全量）：CPU 测试 AUC 0.741→0.704、GPU 校园+BOSSbase2000源 验证 AUC 0.651→0.572，SRM 均下降，两管线相互印证（详见上文 SRM 小节"重要"段）。
  • 结论与默认：默认模型=未 SRM 合并全量（≈0.741），SRM 单源校园（≈0.8085）另存为 stego_classifier_campus_srm.joblib 备用。

• 数据重跑（移除 DIP4E）

  • 从数据源去除 DIP4E 教材灰度 tif，建立纯校园照片目录 data/campus_jpg（仅 414 jpg）， CPU 与 GPU 管线全量重跑：GPU 验证 AUC≈0.790、CPU held-out AUC≈0.781； 旧数据/模型备份至 backup_20260905/。

• v1.2.2

  • GPU 数据集支持 jpg/tif 等多格式混合（gpu/make_imageset.py），去掉默认 150 张上限、默认全量； 曾用加入 DIP4E tif 后的 682 张 / 3410 样本 重训（DIP4E 已于后续数据重跑中移除）。
  • README 检测指标按数据集区分（自然照片 A：AUC≈0.79 / 含 tif 混合 B：AUC≈0.767）； 模型为二进制、不入库，与 PyPI 上 ver1.2.1 明确区分。

• v1.2.1

  • 修复仅 1 个有效灰度对的强二值图（letterA/B/T.tif）隐写分析 lgamma(0) 崩溃，返回中性 p 值。
  • 新增 C++ nsf5_permute 确定性置乱加速：4096² 置乱 524ms→210ms、整体嵌入约 540→281ms； DLL 缺失自动回退同算法 Python，编码/解码两端序列恒定可逆。
  • GUI 绘图预览崩溃修复，并按屏幕尺寸 1:1 高质量展示。

• v1.2.0

  • 新增 GPU 版（gpu/）：PyTorch 批量向量化复刻 11 维统计特征（RS/卡方/熵/前缀 p， 与 CPU 参考实现 bit 级一致），GPU 提取 2070 张特征 ≈5s、利用率峰值 99%。
  • 新增 GPU 训练/推理管线 train_ml_gpu.py、predict_gpu.py；验证 AUC≈0.79。
  • 实测与文档说明了"裸像素深度 CNN 需海量独立源图、局部特征法更适合小样本隐写检测"。

• v1.1.0

  • 新增 C++ 嵌入加速 cpp/nsf5embed.dll（修复汉明缓存越界；与 Python 像素级一致并经回环校验）。
  • 监督学习升级：数据集扩展为 6 档密度变体、构建提速约 8→90 倍， train_model.py 改为 5 折 GroupKFold 交叉验证选模。
  • 修复低误报阈值选择 bug（threshold_for_fp 取最低阈值而非最高，保障真实低误报检出率）。
  • GUI 新增 判定灵敏度（严格 / 均衡 / 宽松），联动启发式与 ML 判决阈值。
  • 新增 CI、Apache-2.0 License、构建与发版说明。

• v1.0.0

  • nsF5 伴随式矩阵编码 + 湿纸编码；图像哈希键控；盲隐写分析；GUI；码族与效率绘图。
  • C++ 特征提取 cpp/fsfeatures.dll；一版有监督分类器（LR，AUC≈0.78）。

许可

本项目基于 Apache License 2.0 发布，详见 LICENSE 与 NOTICE。