根据检测所采用的统计特征的不同，将图像盲检测算法分为以下三种：
（1） 基于时空域统计特征分析的盲检测算法
目前比较成熟的有Fridrich提出的RQP（Raw Quick Pair）检测法［3,6］。这种算法普遍采用的图像统计特征是图像相邻像素点之间的相关性，其理论基础是未嵌入隐藏信息的图像在直方图上相邻的数值（代表灰度、颜色值）之间没有任何明显规律，而隐藏信息后的直方图相邻值之间会出现明显的数值接近的规律，当信息隐藏量较大时，直方图相邻值之间几乎相等，并且这些相邻值只是互相变化而不改变两者之和。至于这些算法所采用的检测模型，目前采用的主要是x2检验法。它是通过直方图上相邻值的理论期望的概率分布 （即在嵌入服从均匀分布信息后的相邻值概率分布）和实际概率分布 （即载体图像中实际获得的相邻值概率分布）的对比，分析存在的偏差是否大于给定的阈值来判断是否存在隐藏信息。
另外，基于空域特征分析的盲检测算法还有A Westfeld等人提出的PoVs（Paris of Values）算法［4］，基于稳健性统计特性和脆弱性统计特性的检测方法。这些算法主要特点是一种针对图像本身而不是隐藏算法的检测方法，其优点是适用性广，可以对大多数采用LSB方法隐藏信息的图像进行检测。但是这种算法的缺点是：只能对图像隐藏的可能性给出一个概率分布，检测效果受阈值选取的影响较大，而且当隐藏图像的颜色数超过载体图像本身像素数的50%时很难得到有效的检测效果。另外，空域统计特征属于一阶统计数据，稳定性较差，现在已经有一些隐藏软件如OutGuess已经可以在不改变这种一阶统计数据的情况下隐藏信息。
（2）基于频域统计特征分析的盲检测算法
目前应用较广的基于频域统计特征分析的盲检测算法是由Farid等人提出来的一种基于高阶统计量的检测模型［5］，即小波变换盲检测算法。它主要是针对采用频率方法进行信息隐藏图像的检测。其基本思想是通过对大量图像信息使用QMFs（Quadrature Mirror Filters）进行小波变换分解，用可分离的低通和高通滤波器在图像的各个轴上生成垂直、水平和对角线方向上的子频带。从这些子频带系数中归纳出它们在各方向和数值范围内的均值、方差、熵和斜率等统计数据，在此基础上使用分类器对这些统计数据进行分类，将没有隐藏信息的图像和含有隐藏信息的图像区分开来，从而达到隐藏信息盲检测的目的。这种方法的优点是识别准确率高，缺点是算法较复杂，而且只是针对于图像本身来进行检测，缺乏通用性。
美国空军技术学院（AFIT）也从事了高阶统计量方面的研究，在小波变换检测算法的基础上提出了基于计算免疫系统的信息隐藏盲检测算［11］，因而也是针对于频率域图像信息隐藏的检测。这种算法的具体做法是：首先建立不含隐藏信息的图像和含有隐藏信息的载体图像数据库，并对库中所有图像进行小波分解得到所需的统计特征数据；其次引入以生物免疫系统为基础发展起来的计算免疫系统技术，将统计数据区分成活跃的本体和禁止或异常活跃的非本体，接着按计算免疫系统方法分类的要求，将统计特征编码成比特串，以随机选取的方式从种群中生成最初的检测器，使整个解空间都能被覆盖到，再以负选择来淘汰与本体发生碰撞的检测器；接着引入遗传算法，按照遗传算法的流程依次反复对特征向量进行随机抽取、杂交、变异、计算适合度值、类聚、自然选择等处理，直到生成成熟的检测器。当形成成熟的检测器后，即可对被检测对象进行快速分类，将含有隐藏信息的图像检测出来，从而实现隐藏信息的盲检测。这种隐藏信息检测算法弥补了小波变换检测算法的不足，通用性强，检测速度快，具有较好的应用前景。
另外，Niels Provos和Peter Honeyman等人提出了一种专门针对JPEG图像的信息隐藏盲检测算法［9,12］，它采用的检测算法
(责任编辑：)
