Master's thesis:
Randomização Progressiva
para Esteganálise.
Thesis presented to and approved by an
examining board on February 17th, 2006 at Instituto
de Computação, Universidade Estadual de
Campinas. Campinas, SP, Brasil.
Resumo
Neste trabalho, nós descrevemos uma nova metodologia para
detectar a presença de conteúdo digital escondido nos
bits menos significativos (LSBs)
de imagens. Nós introduzimos a técnica de
Randomização Progressiva (PR), que captura os
artefatos estatísticos inseridos durante um processo de
mascaramento com aleatoriedade espacial. Nossa metodologia consiste
na progressiva aplicação de
transformações de mascaramento nos LSBs de
uma imagem.
Ao receber uma imagem I como entrada, o método cria
n imagens, que apenas se diferenciam da imagem original no
canal LSB. Cada estágio da Randomização
Progressiva representa possíveis processos de
mascaramento com mensagens de tamanhos diferentes e
crescente entropia no canal LSB. Analisando esses
estágios, nosso arcabouço de detecção
faz a inferéncia sobre a presença ou
não de uma mensagem escondida na imagem I.
Nós validamos nossa metodologia
em um banco de dados com 20.000 imagens reais. Nosso
método utiliza apenas descritores estatísticos dos
LSBs e já apresenta melhor qualidade de
classificação que os métodos
comparáveis descritos na literatura.
Abstract
In this work, we describe a new methodology to detect the presence
of hidden digital content in the Least Significant Bits
(LSBs) of images. We introduce the Progressive Randomization technique
that captures statistical artifacts inserted during the hiding process.
Our technique is a progressive application of LSB modifying
transformations that receives an image as input, and produces I
images that only differ in the LSB from the initial image. Each step
of the progressive randomization approach represents a possible
content-hiding scenario with increasing size, and increasing LSB
entropy. Analyzing these steps, our detection framework infers
whether or not the input image I contains a hidden message.
We validate our method with 20,000 real, non-synthetic images.
Our method only uses statistical descriptors of LSB occurrences and
already performs better than comparable techniques in the literature.
|
2.1 MB 1.3 MB |
(PDF)
(DJVU)
|
|