Algorithme de classification Steganalysis basé sur des caractéristiques de texture distinctives
Un algorithme de classification de stéganalyse basé sur des caractéristiques de texture distinctives Texture Features
Résumé La stéganographie est la technique qui consiste à cacher secrètement des messages dans des médias tels que le texte, l'audio, l'image et la vidéo sans être découvert. L'image est l'un des médias les plus essentiels pour dissimuler des données, rendant difficile l'identification des données cachées non visibles à l'œil nu. En général, l'image de couverture et l'image cryptée sont symétriques en termes de taille de dimension, de résolution et de qualités. Cela rend la différence difficile à percevoir à l'œil humain. Par conséquent, distinguer entre les deux images symétriques a nécessité le développement de méthodes. La stéganalyse est une technique permettant d'identifier des messages cachés intégrés dans du matériel numérique sans avoir à connaître l'algorithme d'intégration ou l'image "non-stégo". En raison de leur énorme dimension de vecteur de caractéristiques, qui nécessite plus de temps pour être calculée, la performance de la plupart des techniques de classification de stéganalyse d'image existantes (ISC) est encore limitée. Par conséquent, dans cette recherche, nous présentons une méthode de classification de stéganalyse basée sur l'une des caractéristiques de texture choisies, telles que l'analyse de texture fractale basée sur la segmentation (SFTA), le motif binaire local (LBP) et la matrice de co-occurrence de niveaux de gris (GLCM). Les classificateurs utilisés incluent l'analyse discriminante gaussienne (GDA) et le classificateur naïf de Bayes (NB). Nous avons utilisé une base de données publique dans notre méthode proposée et l'avons appliquée aux ensembles de données IStego100K afin de pouvoir évaluer sa performance. Les résultats expérimentaux révèlent que dans tous les classificateurs, la caractéristique SFTA a surpassé toutes les caractéristiques de texture, en faisant une excellente caractéristique de texture pour la classification de stéganalyse d'image. En termes de dimension de caractéristique et de précision de classification (CA), une comparaison a été faite entre la méthode GDA basée sur SFTA proposée et diverses méthodes ISC actuelles. Les résultats de la comparaison montrent clairement que la méthode proposée surpasse les méthodes actuelles.
Mots-clés classification de stéganalyse d'image (ISC); LBP; SFTA; classificateur d'analyse discriminante gaussienne (GDA); classificateur naïf de Bayes (NB)
Références
1. Babu, J.; Rangu, S.; Manogna, P. Une enquête sur différentes techniques d'extraction de caractéristiques et de classification utilisées dans la stéganalyse d'image. J. Inf. Secur. 2017, 8, 186.
2. Chanu, Y.J.; Singh, K.M.; Tuithung, T. Stéganographie et stéganalyse d'image : Une enquête. Int. J. Comput. Appl. 2012, 52, 1–11.
3. Mandal, P.C.; Poddar, B.P. Un examen approfondi des tendances actuelles en stéganalyse. Int. J. Adv. Res. Comput. Eng. Technol. 2012, 1, 215.
4. Nissar, A.; Mir, A.H. Classification des techniques de stéganalyse : Une étude. Digit. Signal Process. 2010, 20, 1758–1770.
5. Chhikara, R.R.; Bansal, D. Caractéristiques basées sur GLCM pour la stéganalyse. Dans les actes de la 5ème Conférence Internationale-Confluence The Next Generation Information Technology Summit (Confluence), Noida, Inde, 25–26 septembre 2014 ; pp. 385–390.
6. Gui, X.; Li, X.; Yang, B. Stéganalyse de LSB matching basée sur des motifs binaires locaux. Dans les actes de la 10ème Conférence Internationale sur la Cachette d'Information Intelligente et le Traitement de Signal Multimédia, Kitakyushu, Japon, 27–29 août 2014 ; pp. 475–480.
7. Gong, R.; Wang, H. Stéganalyse pour les images GIF basée sur la matrice de co-occurrence des couleurs et des gradients. Opt. Commun. 2012, 285, 4961–4965.
8. Nissar, A.; Mir, A.H. Stéganalyse basée sur la texture des images en niveaux de gris utilisant un réseau de neurones. Signal Process. Res. 2013, 2, 17–24.
9. Zhang, T.; Ping, X. Une nouvelle approche pour la détection fiable de la stéganographie LSB dans les images naturelles. Signal Process. 2003, 83, 2085–2093.
10. Song, X.; Li, Z.; Chen, L.; Liu, J. Caractéristique d'entropie basée sur des ondelettes de Gabor 2D pour la stéganalyse JPEG. Dans les actes de la Conférence Internationale sur la Sécurité, la Confidentialité et l'Anonymat dans le Calcul, la Communication et le Stockage, Zhangjiajie, Chine, 16–18 novembre 2016 ; pp. 59–72.
11. Karimi, H.; Shayesteh, M.G.; Akhaee, M.A. Stéganalyse d'images JPEG utilisant des caractéristiques de densité conjointe améliorées. IET Image Process. 2015, 9, 545–552.
12. Jyothy, T.S.; Sreelatha, G.; Pradeep, R.; Sajith, V. Caractéristiques stéganalytiques multirésolution basées sur la texture pour la stéganographie d'image spatiale. Dans les actes de la Conférence Internationale 2019 sur les Systèmes Intelligents et la Technologie Inventive (ICSSIT), Tirunelveli, Inde, 27–29 novembre 2019 ; pp. 966–971.
13. Liu, Q.; Sung, A.H.; Xu, J.; Ribeiro, B.M. Complexité d'image et extraction de caractéristiques pour la stéganalyse de la stéganographie LSB matching. Dans les actes de la 18ème Conférence Internationale sur la Reconnaissance de Formes (ICPR’06), Hong Kong, Chine, 20–24 août 2006 ; Volume 2, pp. 267–270.
14. Lin, Q.; Liu, J.; Guo, Z. Modèle ternaire local basé sur l'intégrale de chemin pour la stéganalyse. Dans les actes de la Conférence Internationale IEEE 2016 sur le Traitement d'Image (ICIP), Phoenix, AZ, États-Unis, 25–28 septembre 2016 ; pp. 2737–2741.
15. Shi, Y.Q.; Chen, C.; Xuan, G.; Su, W. Stéganalyse contre détection de collage. Dans l'Atelier International sur le Filigrane Numérique ; Springer : Berlin/Heidelberg, Allemagne, 2007 ; pp. 158–172.
16. Ojala, T.; Pietikäinen, M.; Harwood, D. Une étude comparative des mesures de texture avec classification basée sur les distributions de caractéristiques. Pattern Recognit. 1996, 29, 51–59.
17. Costa, A.F.; Humpire-Mamani, G.; Traina, A.J.M. Un algorithme efficace pour l'analyse fractale des textures. Dans les actes de la 25ème Conférence SIBGRAPI sur les Graphiques, les Motifs et les Images, Ouro Preto, Brésil, 22–25 août 2012 ; pp. 39–46.
18. Haralick, R.M.; Shanmugam, K.; Dinstein, I.H. Caractéristiques texturales pour la classification d'images. IEEE Trans. Syst. Man. Cybern. 1973, SMC-3, 610–621.
19. Clausi, D.A. Une analyse des statistiques de texture de co-occurrence en fonction de la quantification des niveaux de gris. Can. J. Remote Sens. 2002, 28, 45–62.
20. Haralick, R.M. Approches statistiques et structurelles de la texture. Proc. IEEE 1979, 67, 786–804.
21. Mohanaiah, P.; Sathyanarayana, P.; GuruKumar, L. Extraction de caractéristiques de texture d'image utilisant l'approche GLCM. Int. J. Sci. Res. Publ. 2013, 3, 1–5.
22. Sharifi, K.; Leon-Garcia, A. Estimation du paramètre de forme pour les distributions gaussiennes généralisées dans les décompositions en sous-bande de vidéo. IEEE Trans. Circuits Syst. Video Technol. 1995, 5, 52–56.
23. Friedman, J.; Hastie, T.; Tibshirani, R. Les éléments de l'apprentissage statistique ; Springer Series in Statistics New York ; Springer : New York, NY, États-Unis, 2001 ; Volume 1.
24. Lowd, D.; Domingos, P. Modèles naïfs de Bayes pour l'estimation de probabilité. Dans les actes de la 22ème Conférence Internationale sur l'Apprentissage Automatique, Bonn, Allemagne, 7–11 août 2005 ; pp. 529–536.
25. Yang, Z.; Wang, K.; Ma, S.; Huang, Y.; Kang, X.; Zhao, X. Istego100k : ensemble de données de stéganalyse d'image à grande échelle. arXiv 2019, arXiv:1911.05542.
26. Qin, J.; Xiang, X.; Deng, Y.; Li, Y.; Pan, L. Stéganalyse de stéganographie hautement indétectable utilisant le filtrage de convolution. Inf. Technol. J. 2014, 13, 2588.