A new highly accurate approach to non-distorted bitmap images quantitative steganalysis.pdf Стегоанализ файлов изображений в форматах, не искажающих качество (bmp, pgm, tiff и др.), разделяется на два подхода: количественный (когда метод позволяет определить приблизительное количество внедрённой информации) и обычный (метод определяет факт наличия или отсутствия скрытой информации). К самым известным количественным методам относятся RS [1], simple pairs [2], WS [3], improved WS [4]. Все эти методы позволяют обнаружить скрытую информацию, если она была внедрена с помощью LSB-замещения. Недавно предложен новый количественный стегоанализ, который обнаруживает скрытую информацию в цветных изображениях эффективнее, чем ранее существовавшие методы [6]. Для обнаружения же ±1-стеганографии используется, как правило, обычный стегоанализ, который фактически производит классификацию изображений, разделяя их на два класса: пустые и непустые [5]. В случае LSB-внедрения возможно эффективно обнаружить до 0,1 bpp, и до 0,01 bpp - в случае LSB-замещения. Для классификации используются стандартные методы SVM и LDA. В данной работе предполагается, что внедрение скрытой информации производится с помощью либо LSB-внедрения, либо ±1-стеганографии. Предполагается также, что известны пиксели, куда производилось внедрение, но неизвестны содержание и размер внедряемой информации, т. е. имеется устройство, с помощью которого производилось сокрытие информации (ключ для выбора случайных пикселей находится в устройстве). По заданному файлу необходимо определить, могла ли быть в него встроена информация с помощью данного устройства. Метод относится к количественным методам. Из полученных экспериментальных результатов следует, что метод позволяет определять наличие информации, если внедрено более 0,001 bpp. Пусть X = {x1, ... , xn}, где x^ G {0, 1, ... , 255},- пиксели исходного изображения. Обозначим через S(Y) вектор spam-характеристик, вычисленный для множества Y С X (подробно см. [5]). Обозначим через Y случайное множество (Y С X), такое, что |Yp|/|X| = p. Полагаем также, что обозначение Y предполагает не только выбор случайного подмножества заданного размера, но и внедрение скрытой информации с помощью ±1-стеганографии (или LSB-замещения). Обозначим через D(-.-) евклидову метрику; Zp - множество (Zp С X) тех пикселей, куда производилось бы внедрение при внедрении p бит на пиксель. Алгоритм 1. Оценка количества внедрённой информации 1: Вычисляем S(X), S(Zo,ooi), S(Zo,ooi5), ..., S(Zo,5). 2: Вычисляем по 10 векторов S(Ypi), i = 0,... , 9, для каждого значения p = 0,001, 0,0015, ..., 0,5. 3: Находим arg mm = p D(S(X), S(Zp)) d(S (X), E S(Y?)/10 \ i=o 4: Полагаем, что np равно количеству внедрённых бит информации. 77 Поясним принцип работы алгоритма. Хорошо известно, что spam-характеристики очень чувствительны к ±1-стеганографии, и если предположить, что мы знаем, куда информация была внедрена, то легко понять, что spam-характеристики этих пикселей отличаются от spam-характеристик случайно выбранных пикселей (Yp), если параметр p отличается от искомого параметра (количества внедрённой информации). Для проверки эффективности метода были взяты 1000 черно-белых изображений с сайта [7]. Рассмотрены три варианта внедрения: 0,001 bpp, 0,005 bpp и 0,01 bpp (±1-стеганография и LSB-замещение). Для каждого из случаев подсчитана минимальная средняя ошибка. Ошибки равны 12, 6 и 4% соответственно для LSB-замещения и 7, 4 и 3% для ±1-стеганографии. Таким образом, можно сделать вывод, что метод эффективно обнаруживает скрытую информацию для внедрения 0,001 bpp независимо от метода внедрения.

Скачать электронную версию публикации