Просмтор этого файла доступен только зарегистрированным пользователям. Но у нас супер быстрая регистрация: достаточно только электронной почты!

Текст из файла (страница 6)

Опишем работу алгоритма. Вначале выбираются несколько «особых» точек, при этом используется метод Стефана-Харриса. Каждая такая точка определяет блок размером 4х4 вокруг нее и 16 блоков размером 4х4, образующих доменный пул. Для каждой точки выполняют изменение доменного блока таким образом, чтобы он был более похож на ранговый блок, чем любой другой доменный блок. (Так как всего можно выбрать15 блоков, это дает возможность внедрить15 ЦВЗ). Получившийся доменный блок определяется выражением где – среднее арифметическое значение пикселов в D. Он добавляется к в соответствии с выражением , где величина называется коэффициентом квантования.

При извлечении ЦВЗ вначале восстанавливаются значения особых точек, и . Для каждого блока вычисляется .

Далее находится наиболее похожий блок, который должен быть тем же, что и в процессе встраивания. Число совпавших блоков определяет вероятность присутствия ЦВЗ в изображении.

Преимуществами данного алгоритма является встраивание до 15 ЦВЗ и относительная простота реализации декодера.

4. Исследование наиболее применяемых алгоритмов генерирования и встраивания ЦВЗ в изображения

Алгоритмы генерирования и встраивания ЦВЗ начали разрабатываться недавно, и до сих пор в этой области имеется много нерешенных проблем.

Главными из них является проблема сохранения качества контейнера-изображения при внедрении ЦВЗ и устойчивость (робастность) встраиваемых меток к возможным преобразованиям контейнера (аффинным трансформациям, обрезке, наложению фильтров, изменению яркости и пр.) при обеспечении достоверности дальнейшего восстановления ЦВЗ.

Другими важными вопросами является время работы алгоритмов, их вычислительная сложность, пропускная способность. Также для параметрических алгоритмов существует проблема грамотного подбора параметров при встраивании ЦВЗ в изображение, так как грамотный подбор параметров способствует эффективной работе алгоритма.

Целью данного исследования является изучение данных вопросов, подбор оптимальных для каждого формата и типа изображений алгоритмов (в качестве контейнеров выбраны различные изображения 4 популярных растровых форматов для представления графических данных: JPEG, BMP, PNG и TIFF).

Для проведения исследования был создан программный комплекс, реализованный в среде программирования Microsoft Visual Studio 2013 на языке программирования C++ при использовании библиотеки для работы с изображениями OpenCV 2. Для представления результатов исследования в виде таблиц и гистограмм был использован пакет офисных программ Microsoft Office 2013.

Для исследования были выбраны 4 алгоритма: встраивания в наименее значащий бит (LSB), алгоритм Куттера-Джордана-Боссена (Kutter), алгоритм Коха-Жао (Koch) и алгоритм Смита-Комиски (Smith). Каждый из них является наиболее популярным в своём семействе.

Алгоритм встраивания в наименее значащий бит является самым популярным представителем среди алгоритмов встраивания в пространственную область. В работе была исследована его модификация, предусматривающая встраивание информации в синюю компоненту каждого второго пикселя изображения, начиная с левого верхнего его угла.

Алгоритм Куттера-Джордана-Боссена предусматривает изменение значения синей компоненты псевдослучайно выбранных пикселей на величину прямо пропорциональную яркости данного пикселя.

Алгоритм Коха-Жао представляет семейство встраивания ЦВЗ в область дискретного косинусного преобразования. Подразумевает изменение выбранных коэффициентов ДКП на заранее заданную величину.

Алгоритм Смита-Комиски – самый используемый из алгоритмов расширения спектра. Подразумевает модуляцию исходного сообщения базисными функциями. При встраивании ЦВЗ значение пикселей меняется на величину, зависящую от погрешности ортогональности базисных функций и значений пикселей изображения-контейнера.

4.1 Исследование устойчивости алгоритмов к визуальным искажениям

4.1.1 Оценки визуальной стойкости стеганосистемы (сохранения качества контейнера)

Оценивание визуальной стойкости стеганографической системы к внешним воздействиям представляет собой достаточно сложную задачу.

Довольно эффективными являются методы оценки уровня скрытия на основании анализа статистических характеристик. Для оценивания качества стеганографических средств разрабатываются показатели, дающие количественные оценки. Чаще всего такие показатели оперируют с изображениями на уровне пикселей или даже отдельных RGB-компонент пикселей. Наиболее важными показателями при анализе уровня искажений, которые вносятся в изображение во время скрытия в нем информации, является соотношение «сигнал/шум», вычисленное в децибелах и качество изображения, измеряемое в процентах. Среди других показателей показателей можно выделить среднюю абсолютную разность значений пикселей, нормированную среднюю абсолютную разность значений пикселей и максимальное отношение «сигнал-шум».

В таблице 4.1 приведён список выше указанных разностных показателей искажения и формулы для их вычисления.

Таблица 4.1- Наиболее распространенные показатели визуального искажения, основанные на анализе пиксельной структуры контейнера

Эти показатели вычисляются на основе разности контейнера-оригинала (неискаженного сигнала) и контейнера-стего (искаженного сигнал). В представленных соотношениях через обозначается компонента пикселя пустого контейнера с координатами (x, y), в которую осуществляется встраивание, а через – соответствующая компонента пикселя заполненного контейнера. Из-за меньшей визуальной заметности искажений в синей компоненте, во всех алгоритмах использовалось встраивание в синюю компоненту пикселя.

4.1.2 Исследование визуальной стойкости алгоритмов

В рамках исследования вычислим приведённые выше показатели для тестовых изображений.

В качестве тестовых изображений были выбраны: Desert.jpg (фотография-пейзаж), Tulips.jpg (фотография-изображение цветов), Hockey.jpg (фотография c невысокой чёткостью, сделанная с любительской фотокамеры), Lena.bmp (точечное изображение-портрет), Napoleon.png (репродукция картины), Logo.png (логотип, созданный в графическом редакторе), MilkyWay.tiff (космический снимок, представленный в формате TIFF). Тестовые изображения представлены в приложении А. Результаты вычислений для каждого изображения-контейнера будут представлены в таблицах и проанализированы.

В качестве сообщения была выбрана тестовая фраза “It is a text for testing”, представленная в виде строки символов ASCII (8 бит на один символ). Длина строки – 25 символов (включая нулевой), размер сообщения – 200 бит.

4.1.2.1 Стегосистемы с контейнером Desert.jpg

Данное изображение представляет собой фотографию-пейзаж размером 1024x768 пикселей. Изображение чёткое, переходы плавные (разница значений смежных пикселей невелика – особенно это касается синей компоненты пикселей). В данном изображении доминирующей является синяя компонента. Зелёная компонента практически не присутствует, красная – как и синяя, серьёзно выражена, но представлена очень неравномерно.

Полученные значения параметров визуального искажения для данного изображения приведены в таблице 4.2.

Таблица 4.2-Значения параметров визуального искажения при встраивании в изображение Desert.jpg

По всем приведённым параметрам лучшие показатели продемонстрировал алгоритм LSB. Этот алгоритм не дублирует информацию, что обеспечивает очень высокое отношение «сигнал-шум» и встраивает ЦВЗ в незначащие биты пикселей, что практически не меняет статистику контейнера (малое значение средней абсолютной разности, а, следовательно, и практически идеальное значение качества изображения).

Очень хорошие показатели, лишь незначительно уступающие LSB, показывают алгоритмы Kox и Smith. Высокие результаты Kox связаны в основном с тем, что данное изображение сжато в формате JPEG. При сжатии использовалось то же преобразование (дискретное косинусное), что и при встраивании ЦВЗ. Что касается Smith, его низкие показатели искажения связаны с малой погрешностью ортогональности и большой мощностью сигнала.

Наименее стойким является алгоритм Kutter. Основной проблемой является слабость его декодера, из-за чего стало тяжёлой задачей верное распознание ЦВЗ. Яркость изображения оказалась недостаточной (самой весомой компонентой для яркости является зелёная, а она выражена слабо в этой фотографии), в результате пришлось увеличивать коэффициент энергии сигнала до 0,15. А из-за насыщенности синей компоненты проблематичной задачей стало определение значения пикселя в середине «креста», как среднее арифметическое его окружающих пикселей. Из-за этого пришлось дублировать встраивание 250 раз ( ), в результате чего снизился показатель “сигнал-шум”. В результате, при качестве в 96% присутствуют видимые искажения, что затрудняет использование алгоритма для данного изображения. Несколько уменьшить заметность внедрения можно встроив ЦВЗ в красную компоненту пикселей. Корректное распознавание текста происходит без повышения коэффициента мощности сигнала( =0,05), что снижает видимые визуальные искажения.

4.1.2.2 Стегосистемы с контейнером Tulips.jpg

Данное изображение является фотографией с яркими и насыщенными цветами, разрешение изображения 1024x768 пикселей. На изображении довольно много деталей, задний план ощутимо размыт. Синяя компонента распределена крайне неравномерно, красная-довольно слабо выражена; доминирует зелёная компонента, что и способствует увеличению яркости. Переходы между пикселями (разность цветов соседних пикселей) относительно плавные. Полученные в результате эксперимента показатели приведены в таблице 4.3.

Таблица 4.3 - Показатели визульного искажения при встраивании ЦВЗ в изображение Tulips.jpg

Характеристики

Список файлов ВКР