دوره 6، شماره 1 - ( 6-1388 )                   جلد 6 شماره 1 صفحات 70-53 | برگشت به فهرست نسخه ها

XML English Abstract Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

JPEG Image Steganalysis Based on Classification of Statistical Features and Two Stage Decision Making. JSDP 2009; 6 (1) :53-70
URL: http://jsdp.rcisp.ac.ir/article-1-744-fa.html
بیگ زاده مریم، رضایی محمد، جمالی دینان فاطمه السادات. نهان‌کاوی در تصاویر JPEG بر مبنای دسته‌بندی ویژگی‌های آماری و تصمیم‌گیری دو مرحله‌ای. پردازش علائم و داده‌ها. 1388; 6 (1) :53-70

URL: http://jsdp.rcisp.ac.ir/article-1-744-fa.html


پژوهشگاه توسعه فناوری های پیشرفته خواجه نصیرالدین طوسی
چکیده:   (3982 مشاهده)

در این مقاله روش جامعی برای نهان‌¬کاوی در تصاویر JPEGG معرّفی می‌شود. در این روش پس از بررسی دقیق اثر فرآیندهای پنهان‌نگاری گوناگون بر مشخصّات آماری تصویر، ویژگی‌های بهینه‌ای از تصویر استخراج می‌شود که توانایی بالایی در ایجاد تمایز بین دو گروه تصاویر طبیعی و پنهان‌نگار دارند. علاوه بر استخراج ویژگی‌های بهینه، در یک تصمیم‌گیری سلسله مراتبی دقّت تشخیص به شکل قابل توجهی افزایش یافته است. در این مقاله نشان می‌دهیم که آمارگان مرتبه اوّل ضرایب DCT (مانند هیستوگرام) بیشتر در حمله به روش‌های پنهان‌نگاری جای-گذاری در LSB (مانند JSTEG، OUTGUESS، JPHide&Seek و StegHide) موفق‌تر از آمارگان مرتبه دوم (مانند انواع همبستگی‌ها) عمل می‌کنند. همچنین مشخصات آماری مرتبه دوم در تشخیص سایر روش‌های پنهان‌نگاری در حوزه ضرایب DCT (بالاخص روش‌های تطبیق LSB، روش MB1، SSIS و روش مبتنی بر کوانتیزیشن) عملکرد بهتری از مشخصّات آماری مرتبه اوّل دارند. علاوه بر آن، روش نهان‌ کاوی معرفی شده با نگاه جامع به انواع روش‌های پنهان‌نگاری موجود، مشخّص می‌کند که نقاط ضعف هر یک در مقابل حملات آماری گوناگون چیست و چگونه می‌توان به روش‌های جاسازی امن‌تر دست پیدا کرد. نتایج تجربی نشان می‌دهد که دقّت این روش در مقایسه با روش‌های رقیب، بهتر بوده و در عین حال از جامعیت و تعمیم‌پذیری بالاتری برخوردار است. آزمایش ها روی مجموعه دوهزارتایی از تصاویر JPEG با ضرایب کیفیت متنوع انجام شده و روش معرفی شده، قادر بوده است که شش روش پنهان‌نگاری معمول (JSteg، OutGuess، F5، MB1، Sequential LSB matching و Random LSB Matching) را با دقّت بیش از 80% در نرخ های جاسازی بیش از 20% تشخیص دهد. طبقه‌بندی‌کننده‌های مورد استفاده برای طبقه‌بندی از نوع SVM هستند.

متن کامل [PDF 3656 kb]   (1639 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: مقالات پردازش گفتار
دریافت: 1388/6/31 | پذیرش: 1396/11/30 | انتشار: 1396/11/30 | انتشار الکترونیک: 1396/11/30

ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA

ارسال پیام به نویسنده مسئول


بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.

کلیه حقوق این تارنما متعلق به فصل‌نامة علمی - پژوهشی پردازش علائم و داده‌ها است.