附录 A · 术语中英对照#
按出现顺序整理，方便随时查阅。掌握粗体项即可覆盖本手册绝大部分内容。
中文 |
英文 |
一句话解释 |
|---|---|---|
隐写术 |
Steganography |
把秘密信息藏进正常载体，隐藏“通信行为本身” |
隐写分析 |
Steganalysis |
通过统计/学习判断载体是否藏有秘密 |
载体 / 含密图 |
cover / stego |
嵌入前的原始图像 / 嵌入后的图像 |
最低有效位 |
LSB |
像素二进制的最低位，翻转后视觉几乎不变 |
位平面 |
bit plane |
按二进制位拆出的二值图层，共 8 层 |
冗余 |
redundancy |
载体中可被修改而不易察觉的部分 |
嵌入容量 |
capacity / payload |
一张图最多能承载的秘密比特数 |
相对载荷 |
relative payload |
嵌入比特数与可嵌位置数之比 |
嵌入效率 |
embedding efficiency |
平均每次修改所携带的比特数 α |
矩阵嵌入 |
matrix embedding |
用分组编码在更少改动中嵌入更多位 |
二元汉明码 |
binary Hamming code |
能纠正/定位 1 位错误的线性码 [n,k,3] |
校验矩阵 |
parity-check matrix H |
p×n 矩阵，列互异，用于算伴随式 |
伴随式 |
syndrome |
s=H·x (mod 2)，块的“现状摘要” |
GF(2) |
Galois field of 2 |
只含 0/1、按异或运算的有限域 |
收缩 |
shrinkage |
减幅时系数变 0 导致块作废的现象 |
湿纸编码 |
wet paper coding |
湿点不动、只在干点解方程完成嵌入 |
干点 / 湿点 |
dry / wet positions |
可修改的位置 / 碰不得的位置 |
F5 / nsF5 |
F5 / nsF5 algorithm |
JPEG 矩阵嵌入；nsF5 用湿纸消除收缩 |
减幅 |
coefficient shrinking |
让系数绝对值减小 1 的修改方式 |
SHA-256 |
SHA-256 |
输出 256 位摘要的密码学哈希函数 |
键控 |
keying |
由口令/内容密钥决定隐藏位置等行为 |
确定性置换 |
deterministic permutation |
同种子必得同排列的洗牌算法 |
splitmix64 |
splitmix64 |
项目使用的 64 位伪随机数生成器 |
Fisher–Yates |
Fisher–Yates shuffle |
等概率洗牌的标准算法 |
自同步 |
self-synchronization |
解码端无需外部参数即能找到正文 |
篡改感知 |
tamper perception |
图像被改动后能够被察觉 |
盲隐写分析 |
blind steganalysis |
无原始载体时的统计检测 |
卡方检验 |
chi-square test |
检验相邻灰度对是否被拉平 |
p 值 |
p-value |
观测与假设吻合的概率（此处高 p 反而可疑） |
RS 分析 |
RS analysis |
通过正负掩码扰动统计规则/奇异组 |
常规/奇异组 |
regular / singular |
扰动后判别值变大 / 变小的像素组 |
差分熵 |
difference entropy |
相邻像素差分布的香农熵，衡量纹理随机度 |
香农熵 |
Shannon entropy |
信息量/不确定度的度量，单位 bit |
监督学习 |
supervised learning |
用带标签样本训练模型 |
特征向量 |
feature vector |
描述样本的数值列表（本项目 11 维） |
标签 |
label |
样本的正确答案（0=干净，1=含密） |
二分类 |
binary classification |
输出属于两类之一的预测 |
逻辑回归 |
logistic regression |
线性加权 + sigmoid 的可解释分类器 |
sigmoid |
sigmoid |
把任意实数压到 0～1 的 S 形函数 |
交叉熵损失 |
cross-entropy loss |
分类常用的损失函数 |
梯度下降 |
gradient descent |
沿损失下降方向迭代更新参数 |
过拟合 |
overfitting |
背下训练样本而失去泛化能力 |
交叉验证 |
cross-validation |
轮流用不同折验证模型的流程 |
数据泄漏 |
data leakage |
验证信息混入训练导致指标虚高 |
GroupKFold |
GroupKFold |
按组切分的交叉验证（同照片样本同组） |
混淆矩阵 |
confusion matrix |
真实 vs 预测的四格计数表 |
精确率/召回率 |
precision / recall |
判对比例 / 抓全比例 |
ROC / AUC |
ROC curve / AUC |
全阈值下的检出-误报曲线及其面积 |
Youden 准则 |
Youden’s J |
在 tpr−fpr 最大处选阈值 |
误报 / 漏报 |
false positive / negative |
把干净判成含密 / 把含密判成干净 |
ctypes |
ctypes |
Python 调用 C/C++ 动态库的接口 |
DLL |
dynamic-link library |
Windows 动态链接库 |
CUDA / 批处理 |
CUDA / batching |
GPU 并行计算 / 多样本同时处理 |
一致性校验 |
consistency check |
C++/GPU 与 Python 结果逐位比对 |
ASCII / UTF-8 |
ASCII / UTF-8 |
英文字符编码 / 通用字符编码（含中文） |
空间富模型 |
SRM / Spatial Rich Model |
一组高通滤波残差核，用于突出嵌入噪声 |
残差图 |
residual map |
高通滤波后保留的“噪声残差” |
LightGBM |
LightGBM / LGB |
梯度提升树实现（v1.4 双版本模型使用的分类器） |
特征组 |
feature group |
同一来源的一批特征（BASE/SRM/PREFIX/LSB-PREFIX 等） |
分布外 |
out-of-distribution (OOD) |
与训练分布不同的输入（如真实 JPEG 干净图） |
BOSSbase |
BOSSbase 1.01 |
隐写分析标准基准库：1 万张 512² 灰度 PGM |
PGM |
PGM |
无损灰度图像格式（BOSSbase 载体格式） |
Stacking |
stacking / meta-learner |
用次级模型组合多个基模型预测的集成方法 |
内存映射 |
memmap |
大数组分批落盘、按需读写，避免一次性 OOM |
校准集 |
calibration set |
单独用于选择阈值的样本子集 |
网格调优 |
grid tuning |
在超参数网格上搜索并比较模型 |
双版本模型 |
dual-version model |
143d 稳健版 + 53d 可解释版并存部署策略 |