Рассматривается задача стегоанализа цифровых изображений. Предложен подход, предусматривающий разбиение входного изображения большого размера на небольшие неперекрывающиеся блоки и проведение последовательного стегоанализа этих блоков с помощью относительно простых свёрточных сетей с модифицированной архитектурой, включающей слои специальной обработки. После этого в ходе вторичной постобработки проводится объединение получаемой совокупности результатов классификации блоков как последовательности бинарных ответов по схеме наивного байесовского классификатора, в том числе, при необходимости, с учётом потенцильной заполняемости блоков. В качестве средств дополнительной специальной обработки изображений в свёрточных сетях предлагается использовать так называемые интегральные гетероассоциативные преобразования, обеспечивающие выделение на обрабатываемом блоке изображения оценочной и стохастической (маскирующей) составляющих на основе модели прогноза одной части блока по отношению к другой и направленные на выявление нарушения структурных и статистических свойств изображений после внедрения стегосообщения. Такие преобразования включаются в архитектуру обучаемых нейронных сетей в качестве дополнительного слоя. Рассмотрены альтернативные варианты архитектуры используемых глубоких нейронных сетей как с использованием слоя интегрального гетероассоциативного преобразования, так и без него. Исследования проведены для базы цветных изображений PPG-LIRMM-COLOR base и нескольких алгоритмов стегоскрытия, включая классические блочные и блочноспектральные алгоритмы Куттера, Коха - Жао, более современные алгоритмы EMD, MBEP и алгоритмы адаптивной пространственной стеганографии WOW и S-UNIWARD, обладающие высокой степенью скрытности для стегоанализа. Рассмотрены также разработанные авторами алгоритмы стегоскрытия данных, основанные на использовании гетероассоциативных сжимающих преобразований. Показано, что получаемая при реализации предложенных схем обработки информации точность стегоанализа для изображений большого размера при достаточно скромных вычислительных затратах сопоставима с результатами, полученными другими авторами, а в некоторых случаях и превосходит их.
Скачать электронную версию публикации
Загружен, раз: 48
- Title Стегоанализ цифровых изображений с использованием глубоких нейронных сетей и гетероассоциативных интегральных преобразований
- Headline Стегоанализ цифровых изображений с использованием глубоких нейронных сетей и гетероассоциативных интегральных преобразований
- Publesher
Tomsk State University - Issue Прикладная дискретная математика 55
- Date:
- DOI 10.17223/20710410/55/3
Ключевые слова
стеганография, стегоанализ, стегосообщение, цифровые изображения, машинное обучение, глубокие нейронные сетиАвторы
Ссылки
Шелухин О. И. Стеганография. Алгоритмы и программная реализация. М.: Горячая линия - Телеком, 2017. 592 c.
Czaplewski B. Current trends in the field of steganalysis and guidelines for constructions of new steganalysis schemes // Przeglad Telekomunikacyjny + Wiadomosci Telekomunikacyjne. 2017. No. 10. P.1121-1125.
Lyu S. and Farid H. Detecting hidden messages using higher-order statistics and support vector machines // Intern. Workshop Inform. Hiding. Berlin; Heidelberg: Springer, 2002. P. 340-354. https://farid.berkeley.edu/downloads/publications/ih02.pdf.
Lyu S. and Farid H. Steganalysis using color wavelet statistics and one-class support vector machines // Proc. SPIE. California, USA, 2004. P.35-45. https: //www.researchgate.net/publication/221011180\\_Steganalysis\\_using\\_color\\_wavelet\\_statistics\\_and\\_one-class\\_support\\_vector\\_machines.
Pevny T., Bas P., and Fridrich J. Steganalysis by subtractive pixel adjacency matrix // IEEE Trans. Inform. Forensics Security. 2010. V. 5. No.2. P.215-224.
Fridrich J. Rich models for steganalysis of digital images // IEEE Trans. Inform. Forensics Security. 2012. V. 7. No. 3. P. 868-882.
Holub V. and Fridrich J. Random projections of residuals for digital image steganalysis // IEEE Trans. Inform. Forensics Security. 2013. V. 8. No. 12. P. 1996-2006.
Bas P., Filler T., and Pevny T. Break our steganographic system the ins and outs of organizing BOSS // LNCS. 2011. V.6958. P.59-70.
PPG-LIRMM-COLOR base https://www.lirmm.fr/~chaumont/PPG-LIRMM-COLOR.html
Pevny T., Filler T., and Bas P. Using high-dimensional image models to perform highly undetectable steganography // LNCS. 2010. V. 6387. P.161-177.
Holub V. and Fridrich J. Digital image steganography using universal distortion // Proc. 1st ACM Workshop IHMMSec. ACM, 2013. P. 59-68.
Holub V. and Fridrich J. Designing steganographic distortion using directional filters // Proc. 4th IEEE Intern. Workshop WIFS. 2012. P.234-239.
Kodovsky J., Fridrich J., and Holub V. Ensemble classifiers for steganalysis of digital media // IEEE Trans. Inform. Forensics Security. 2010. V. 7. No. 2. P.434-444.
Монарев В. А., Пестунов А. И. Эффективное обнаружение стеганографически скрытой информации посредством интегрального классификатора на основе сжатия данных // Прикладная дискретная математика. 2018. №40. С. 59-71.
Tabares-Soto R., Ramos-Pollan R., and Isaza G Deep learning applied to steganalysis of digital images: A systematic review // IEEE Access. 2019. V. 7. P.68970-68990.
Qian Y., Dong J., Wang W, and Tan T. Deep learning for steganalysis via convolutional neural networks // Proc.Int. Symp. Electron. Imag. 2015. V. 9409. Art. no. 94090J.
Yedroudj M., Comby F., and Chaumont M Yedrouj-Net: An efficient CNN for spatial steganalysis // Proc. IEEE Intern. Conf. Acoustics, Speech Signal Processing. 2018. P. 2092-2096.
Zhang R., Zhu F., Liu J., and Liu G Efficient Feature Learning and Multisizeimage Steganalysis Based on CNN. 2018. https://arxiv.org/pdf/1807.11428.pdf
Полунин А. А., Яндашевская Э. А. Использование аппарата сверточных нейронных сетей для стегоанализа цифровых изображений // Труды ИСП РАН. 2020. Т. 32. №4. С. 155-164.
Сирота А. А., Дрюченко М. А. Обобщенные алгоритмы сжатия изображений на фрагментах произвольной формы и их реализация с использованием искусственных нейронных сетей // Компьютерная оптика. 2015. №5. С. 751-761.
Dryuchenko M. A. and Sirota A. A.Interpolation and masking effects of heteroassociative compressive transformations //J. Phys.: Conf. Ser. 2020. V. 1902. P.1-10. https://iopscience.iop.org/article/10.1088/1742-6596/1902/1/012058/pdf.
Дрюченко М. А., Сирота А. А. Гетероассоциативные сжимающие преобразования цифровых изображений и их интерполирующие и маскирующие свойства // Сб. трудов Междунар. науч.-техн. конф. «Актуальные проблемы прикладной математики, информатики и механики». Воронеж, 07-09 декабря 2020. С. 312-322.
Сирота А. А., Дрюченко М. А., Митрофанова Е. Ю. Метод создания цифровых водяных знаков на основе гетероассоциативных сжимающих преобразований изображений и его реализация с использованием искусственных нейронных сетей // Компьютерная оптика. 2018. №3. С. 483-494.
Сирота А. А., Дрюченко М. А., Митрофанова Е. Ю. Нейросетевые функциональные модели и алгоритмы преобразования информации для создания цифровых водяных знаков // Изв. вузов. Радиоэлектроника. 2015. №1. С. 3-16.
Сирота А. А., Дрюченко М. А., Иванков А. Ю. Стегоанализ цифровых изображений с использованием методов поверхностного и глубокого машинного обучения: известные подходы и новые решения // Вестник Воронежского гос. ун-та. Сер. Системный анализ и информационные технологии. 2021. №1. C. 33-53.
Kutter M., Jordan F., and Bossen F Digital signature of color images using amplitude modulation // Proc. SPIE. 1997. P. 518-526. Стегоанализ цифровых изображений с использованием глубоких нейронных сетей 57
Zhao J. and Koch E Embedding robust labels into images for copyright protection // Proc.Intern. Congress Intellectual Property Rights for Specialized Information, Knowledge and New Technologies. Vienna, August 1995. P.242-251.
Zhang X. P. and Wang S. Z Efficient steganographic embedding by exploiting modification direction // IEEE Commun. Let. 2006. V. 10. No. 11. P. 781-783.
Paul G., Davidson I., Mukherjee I., and Ravi S. S. Keyless dynamic optimal multi-bit image steganography using energetic pixels // Multimedia Tools Appl. 2017. V. 76. P.7445-7471.
Digital Data Embedding Laboratory Department of Electrical and Computer Engineering SUNY Binghamton. http://dde.binghamton.edu/download/stego\\_algorithms/
Стегоанализ цифровых изображений с использованием глубоких нейронных сетей и гетероассоциативных интегральных преобразований | Прикладная дискретная математика. 2022. № 55. DOI: 10.17223/20710410/55/3
Скачать полнотекстовую версию
Загружен, раз: 152
- ВКонтакте
- РћРТвЂВВВВВВВВнокласснРСвЂВВВВВВВВРєРСвЂВВВВВВВВ
- Telegram