در طول چند سال گذشته، بسیاری از تکنیک های محاسبات نرم برای نهان نگاری تصویر استفاده شده است. این بیشتر به تعمق موضوع بهینه سازی کیفیت تصویری تصاویر امضا و استحکام از الگوریتم تعبیه شده است. تکنیک های مورداستفاده در هر دو حالت انطباقی یا یادگیری عمل می کنند، به ویژه کسانی که از شبکه های عصبی مصنوعی و یا در حالت غیر تطبیقی تحلیلی مانند آنهایی که بر اساس منطق فازی کار می کنند. محققان همچنین برای این مشکل از الگوریتم ترکیبی و تکاملی استفاده کرده اند. این بررسی پژوهشی به خصوص به روش نهان نگاری تصویر که به تکنیکهای محاسبات نرم تطبیقی تکیه دارند، می پردازد. نتایج گرادیان نزولی بر اساس الگوریتم بازگشت انتشار شبکه BPN الگوریتم شبکه عصبی تابع پایه شعاعیRBFNN و الگوریتم رو به جلو شبکه های عصبی SLFN به تازگی توسعه یافتن تک لایه عمومی پیشرفته به عنوان آموزش ماشینی سریعELM شناخته شده مورد استفاده برای انجام نهان نگاری در تصاویر سیاه و سفید غیرفشرده مقایسه می شوند.این تکنیک برای تصاویر مختلف مقایسه شده و مقایسه بر کیفیت تصویری تصاویر امضا، ضرایب پاسخ آشکارساز علامت مانند همبستگی شباهت و پارامترهای همبستگی نرمال و مطالعات استحکام است. مسئله پیچیدگی زمانی نیز برای استفاده از فرآیند نهان نگاری در مقیاس زمان واقعی مورد بررسی قرار می گیرد. برای همین به این نتیجه رسیدند که الگوریتمELM یک رفتار عمومی معقول از نظر محاسبه این پارامترها را در مقایسه با همتایان دیگر خود نشان می دهد. این آموزش سریع در میلی ثانیه و پس از آن کدهای جا سازی برای توسعه نرم افزار نهان نگاری در مقیاس زمان واقعی مناسب انجام می شود