Flexibly Adaptive Steganographic Algorithms

The image category strategy for an input cover image is considered as a part of the entire adaptive steganographic algorithm in the current image-based adaptive steganography. This results in two drawbacks; namely, the adaptive steganographic algorithms developed are inflexible to cope with the embedding techniques; the capacity provided cannot satisfy user's demand. In this study, we separate the category strategy and the embedding algorithm from the whole adaptive steganographic algorithm. We propose two adaptive steganographic algorithms to tackle drawbacks. The first algorithm is the flexibly adaptive multiple base steganographic algorithm. We introduce two statistical methods for the image category strategy including the mean of the pixel block and the image thresholding method. The range table used to assign the embedding bits is dynamically constructed in order to satisfy a user's capacity demand. In addition, the range table is optimized to support two levels only to decrease image distortion. The multiple base embedding algorithm is developed to conceal secret messages. A circular shifting scheme is adopted during the message embedding which alleviates the abnormal fluctuation appearing in the histogram of stego image. This also helps the algorithm resist the steganalytic attacks. The triplet coding technique and the notational coding technique are developed to encode secret message, allowing us to increase the embedding capacity. We analyze the triplet coding technique and the notational coding technique with respect to the embedding capacity. Based on this analysis, once the input parameters are given, our algorithm recommends the message coding technique which is able to provide larger capacity. The second algorithm we propose is the flexibly adaptive weighted modulus steganographic algorithm. In the category strategy, we propose a statistical approach referred to as the mean thresholding method, which categorizes a cover image into two levels of features. Our algorithm partitions the cover image into 2*2 non-overlapped pixel blocks and constructs the range table dynamically. Users are free to set the capacity offered in each level to produce a variety of embedding capacities. In the message embedding, we adopt weighted modulus embedding algorithm to conceal secret messages and produce a stego image with high quality. Boundary adjustment for illegal pixel values and level inconsistency are solved by employing the homogeneous table. It utilizes the theory of modulus operation so the adjustment doesn't affect the correctness of the message extraction. Experimental results show that we can satisfy user's demand for the embedding capacity, or alternatively, recommend a user the cutoff point to demarcate image into two levels of features. Experimental results show that our algorithms can produce a stego image with high quality and are secured against the RS steganalysis attack. In conclusion, we propose two adaptive steganographic algorithms which consist of five benefits. They include providing the independence of category strategy and embedding algorithm, supporting a variety of category strategies, constructing the range table dynamically, optimizing two-level of range table, and finally producing a stego image with high quality. We believe the two novel algorithms we introduced extend the feasibility of image adaptive steganography.文獻上之可適應性偽裝學演算法視分類影像特性為演算法的其中一個部分，並未獨立考慮，造成可適應性偽裝學演算法呈現僵硬無彈性，難以滿足使用者對於嵌入量的需求。為了改善上述的缺失，我們將「分類策略」與「訊息嵌入演算法」獨立處理，提出了兩種彈性化之可適應性偽裝學演算法。首先在我們第一個彈性化之可適應性多基底偽裝學演算法中，我們將演算法的分類策略與訊息嵌入演算法進行分離，以避免兩者互相影響，維持兩者的獨立性，此代表我們可以採取多樣化的方式進行影像特性分類。其次在分類策略的部分，我們提出了兩種採用統計方式的分類策略，分別為像素區塊平均值與影像二值化。針對分類策略所應建構的層級表，我們採取動態方式建構，亦即以參數化的方式讓使用者決定掩護影像的訊息嵌入量。同時我們也優化了層級數量，僅使用 2 階層級表。藉由少量的 2 階層級，能夠減少演算法發生層級不一致的缺失，降低像素值調整所需的影像變動量。對於秘密訊息的嵌入方式，我們採用了多基底訊息嵌入演算法。在訊息嵌入時，我們也使用文獻常用的循環替代技巧，來改善多基底訊息嵌入後所造成的像素直方圖劇烈振盪的異常現象，藉此來抵抗直方圖偽裝偵測的攻擊。針對原有多基底訊息嵌入演算法無法有效運用最佳基底向量狀態數的問題，我們提出了兩種秘密訊息的編碼技巧，分別為三階編碼與進制編碼，讓我們可以有效運用最佳基底向量狀態數以外，還能增進演算法的總資訊藏量。我們也針對三階編碼與進制編碼進行資訊藏量的比較。透過此資訊藏量比較的結果，我們可以在不同的嵌入參數之下選用具有較高藏量的訊息編碼技巧，使得演算法能夠達到較高的總資訊 藏量。我們也提出第二個彈性化之可適應權重模數偽裝學演算法。在此演算法的分類策略部份，我們提出了平均值二值化之統計分類策略。此分類策略以 2*2 像素區塊作為分類單位，能夠有效的分離出影像的前景區域與背景區域。針對分類策略所應建構的層級表，我們同樣採取動態方式建構，並且僅限於使用 2 階之層級表，讓使用者可以決定層級表中的層級嵌入量，再藉由少量的 2 階分類層級，減少層級不一致的缺失，達成分類的成效性。對於秘密訊息的嵌入方式，我們採用了權重模數訊息嵌入演算法。針對訊息嵌入後發生的「像素值溢位」與「層級不一致性」的問題，我們提出了同質性調整機制，利用模數原理來求得不影響秘密訊息擷取的像素值調整方式 能夠有效降低因為像素調整所造成的影像變量，， 產出優質的偽裝影像。最後，我們將我們演算法所產出的偽裝影像進行偽裝偵測與影像品質的量化。實驗數據顯示，我們的演算法將具備抵抗偽裝偵測之能力，且影像品質量化的數據結果也顯示出我們演算法所產出的偽裝影像將具有優良的影像品質。藉由上述的實驗數據佐證，我們演算法能夠在滿足使用者嵌入量需求或是符合影像特性的情況下，產出具有高品質的偽裝影像，並具有抗偽裝偵測之能力。總結本論文，我們提出了兩個彈性化的可適應性偽裝學演算法。演算法將具備 5 種特性，分別為分類策略與訊息嵌入演算法之獨立性、多樣的分類方式、動態的層級建構、優化的層級數量、採用具有產生高品質偽裝影像的訊息嵌入演算法。實驗結果佐證演算法具有優異成果，我們認為這兩個演算法對可適應性偽裝學提供具體貢獻。致 謝..................................................i 摘 要..................................................ii Abstract .............................................. iv 目 次................................................. vi 圖目次............................................... ix 表目次.............................................. xi 第一章 緒論........................................ 1 1.1 研究動機 ..................................... 1 1.2 研究目的 .................................... 2 1.3 論文架構 ................................... 4 第二章 相關文獻探討 ........................... 5 2.1 可適應性偽裝學演算法之分類 ............... 5 2.2 可適應偽裝學演算法之文獻探討 ............ 9 2.2.1 Liao 等人所提的方法 .................. 9 2.2.2 Wu 等人所提的方法 ................... 12 2.2.3 Khodaei 等人所提的方法 ............. 15 2.2.4 Jiang 所提的方法 .................... 18 第三章 彈性化之可適應性多基底偽裝學演算法 ......... 20 3.1 分類策略 .............................. 21 3.1.1 像素區塊平均值之統計分類策略 ........ 23 3.1.2 影像二值化之統計分類策略 ........... 33 3.2 多基底訊息嵌入演算法 ................ 41 3.2.1 演算法嵌入流程 ................... 42 3.2.2 演算法擷取流程 ................... 55 3.2.3 多基底訊息嵌入演算法之訊息編碼技巧 ....... 58 3.2.3.1 三階編碼 ........................ 59 3.2.3.2 進制編碼 ....................... 68 3.2.3.3 編碼技巧之資訊藏量比較 ......... 76 3.3 小結 .............................. 94 第四章 彈性化之可適應性權重模數偽裝學演算法 ...... 96 4.1 平均值二值化之統計分類策略 ............97 4.2 權重模數訊息嵌入演算法 ............... 105 4.2.1 演算法實例說明 ................... 106 4.2.2 產生權重的方式 .................. 108 4.2.3 理論最低變動量分析 ............. 120 4.2.4 權重的分類方式 ................ 133 4.2.5 同質性調整機制與同質性調整表 ..... 138 4.2.6 演算法之可適應性嵌入與擷取流程 ... 143 4.3 小結 ............................... 149 第五章 實驗結果與數據 ......................... 151 5.1 彈性化之可適應性多基底偽裝學演算法之實驗數據 ....... 152 5.1.1 像素區塊平均值之統計分類策略 ........ 152 5.1.2 影像二值化之統計分類策略 .......... 167 5.2 彈性化之可適應性權重模數偽裝學演算法之實驗數據 ..... 170 5.3 循環替代技巧之效益 ................................. 173 5.4 偽裝偵測分析 .............................. 179 5.5 偽裝影像之影像品質量化 ................... 182 5.6 小結 ....................................190 第六章 總結與未來方向 ........................ 192 6.1 總結 ............................. 192 6.2 未來方向 .......................195 參考文獻........................... 197 中英對照表 ....................... 201 英中對照表 ...................... 20