|
Рисунок 4. 1. График соотношения TN, TP, FP, FN при встраивании в LH область |
Рисунок 4. 2. График соотношения TN, TP, FP, FN при встраивании в HL область |
Рисунок 4. 3. График соотношения TN, TP, FP, FN при встраивании в HH область
Выводы
Графики, представленные на рисунках 4. 1-4. 3, показывают, что предложенный метод дает высокую точность обнаружения факта встраивания в области LH и HL.
Для области HL увеличение точности составляет немногим больше 10%: предлагаемый метод дает 92, 33% (46, 815% - истинно отрицательные изображения, 45, 515% - истинно положительные изображения) корректно классифицированных изображений против 79, 99% (42, 19% - истинно отрицательные, 38, 80% - истинно положительные) у метода [4], оказавшегося на втором месте по точности.
Для области LH увеличение точности составило более чем на 20%: 89, 97% корректно классифицированных изображений (46, 46% - истинно отрицательные, 43, 51% - истинно положительные) у предложенного метода против 59, 755% у метода [4] (23, 38% - истинно отрицательные, 36, 375% - истинно положительные).
Для области LL результаты, показанные предлагаемым методом, аналогичны результатам других алгоритмов [4, 5, 6].
При использовании 20% полезной нагрузки в НН области предложенный метод не дает преимуществ в стеганоанализе, поскольку точность детектирования для данной области и так достаточно высокая (98-99%).
Заключение
Высокая точность предлагаемого метода объясняется тем, что увеличение размерности опорных векторов дополнительными параметрами дает возможность учесть величину погрешности значений статистических моментов, используемых в методах [4, 5, 6].
Неопределенности, связанные со значениями величин первых статистических моментов (пересекающие области на гистограммах) для оригинальных и стеганоизображений, могут быть скорректированы значениями 1, 2, 3 и 4 статистических моментов низкочастотных областей одномерного ДВП. Использование дополнительных параметров при обучении и практическом применении машин опорных векторов дает существенное уменьшение погрешности при детектировании факта стеганографического воздействия на области LH и HL.
Использование взаимосвязи между областями двумерного и одномерного ДВП позволяет существенно повысить точность обнаружения факта стеганографического воздействия в HL и LH областях. Точность предложенного метода на основе машин опорных векторов составляет более 90% верно классифицированных изображений, что на 10-15% лучше существующих методов.
Для дальнейшего повышения точности методов стеганоанализа необходимо вести поиск параметров для опорных векторов, которые имеют минимальные размеры области неопределенности величин при стеганографическом воздействии на различные области ДВП и позволяют эффективно разделить множества стегано- и оригинальных изображений.
Библиография
1. Конахович Г. Ф. Оценка эффективности методов стеганографического встраивания информации в спектральную область изображений [Текст], Автоматизированные системы управления и приборы - 2014. -№168 - С. 59-63.
2. AroojNissar, A. H. MirClassification of steganalysis techniques: A study [Текст], Digital Signal Processing, Volume 20 Issue 6, December, 2010Pages 1758-1770.
3. Prokhozhev N., Mikhailichenko O., Sivachev A., Bashmakov D., Korobeynikov A. G. Passive Steganalysis Evaluation: Reliabilities of Modern Quantitative Steganalysis Algorithms [Текст], Advances in Intelligent Systems and Computing. 2016. Vol. 451. pp. 89-94.
4. Gireesh Kumar T., Jithin R., Deepa D. Shankar Feature Based Steganalysis Using Wavelet Decomposition and Magnitude Statistics [Текст], Advances in Computer Engineering (ACE), 2010, pp. 298-300.
5. Farid, Hany Detecting Steganographic Messages in Digital Images [Текст], Technical Report TR2001-412, Dartmouth College, Computer Science Department, 2001.
6. Changxin Liu, Chunjuan Ouyang, Ming Guo, Huijuan ChenImage Steganalysis Based on Spatial Domain and DWT Domain Features [Текст], Proceedings of the 2010 Second International Conference on Networks Security, Wireless Communications and Trusted Computing-Volume 01, pp. 329-331.