Информативность цветовых каналов BMP формата

Информативность цветовых
каналов BMP формата
Козловский Евгений
2007 г.
Недостатки стандартного LSB метода
Идея LSB метода состоит в замене наименее значащих бит в цветовых
каналах. Полагается, что в среднем половина бит только изменится,
контейнер статистически будет устойчиво. Но это справедливо лишь
для числа цветов изображения сопоставимым с количеством пикселей.
Но, конечно, это не так! В действительности, соотношение где-то 1:6.
Поэтому, следует перейти от т.н. fixed-sized LSB insertion к value-sized.
При этом появляется возможность встраивать заметно больше
информации, контейнер оказывается статистически более устойчив.
Полезно рассмотреть особенности восприятия цветов человеком, т.н.
информативность цветовых каналов.
Особенности зрительной системы человека
В области обработки изображений принято рассматривать светимость.
Она равна лучистой мощности, разделенной на функцию спектральной
чувствительности, которое характеризует зрение. Основываясь на
результатах многочисленных экспериментов, светимость определяется
как взвешенная сумма красного, зеленого и синего цветов с весами
77/256, 150/256, 29/256. Наш глаз очень чувствителен к малейшим
изменениям чувствительности.
Зрительная система наоборот нечувствительна к зашумленным участкам
изображения, участкам, которые не несут какой-либо психовизульно
ценной информации.
Цветовые пространства и каналы
Существует 4 цветовых пространства и 11 цветовых каналов. Были взяты
три изображения (Lena, Baboon, Sailboat) и по RGB-B каналу была
встроена информация с долей встраивания 0.02. Далее исследовалcя
уровень помех к доли встраивания.
Измерение уровня помех (annoyance measurement)
Рис. 1 Lena
Измерение уровня помех (annoyance measurement)
Рис. 2 Baboon
Измерение уровня помех (annoyance measurement)
Рис. 2 Sailboat
Visibility measurement
В следующем тесте изменялся R канал. Интенсивность принимала
малые, средние и большие значения. На гистограммах всплески
соответствуют встроенной информации.
Встраивание информации в контейнер с разным уровнем
интенсивности канала G
Встраивание информации в контейнер с разным уровнем
интенсивности канала B
Выводы с результатов измерений
Восприятие изображения зависит от текстуры и границ. Наименее
заметно встраивание в изображениях с большим разнообразием текстуры.
Если изображение однотонное, то встраивание легко обнаружимо.
Границы изображения представляют наиболее значимую информацию
для человека. Встраивание более заметно на границах, чем на текстурных
областях.
Темные и светлые области изображения скрывают информацию лучше,
чем средние тона. Зеленый цвет не приспособлен для встраивания
информации, наиболее подходят для встраивания синий и желтый цвета.
Средняя интенсивность того или иного цвета изображения не очень
хорошо его характеризует. Нет связи между средней интенсивностью
цвета контейнера и восприимчивостью встроенной в него информации
Bit-slicing
Рассматривается изображение в т.н. Canonical Gray Coding system (CGC).
От системы Pure-Binary Coding, как известно, можно перейти к Canonical
Gray Coding. Далее осуществляется bit-slicing (n-битовое изображение
разлагается на n изображений).
Фильтрация шумов
Рассмотрев изображения, можно заметить, в шести изображениях
присутствуют шумы. Любые цифровые изображение состоят из
фрагментов, несущих информацию, и фрагментов с бесполезным шумом.
Можно использовать эти области для встраивания информации.
Фильтрация шумов, выделение образов из хаоса – важнейшая
особенность нашего восприятия. Из-за этой особенности можно заменять
целые куски изображения.
Чем более значима битовая плоскость, в которой появляется шум, тем
больше контраст черного среди соседних пикселей, тем больше битов
может быть использовано для встраивания. Таким образом, следует
высчитывать изменение черного в соседних пикселях.
Embedding capacity
Max(x,y) = max{f(x-1,y-1), f(x-1,y),f(x-1,y+1), f(x,y-1)}
Min(x,y) = min{f(x-1,y-1), f(x-1,y),f(x-1,y+1), f(x,y-1)}
D(x,y) = Max(x,y)-Min(x,y)
Kn(x,y)=└log2(D(x,y))┘
U(x,y)={4 при f(x,y)<191, 5 в других случаях}
K(x,y)=min{max{Kn(x,y),4},U(x,y)}
PBC и CGC
Анализ информативных и зашумленных областей
Определим сложность изображения как
α=k/макс. возм. Ч-Б изменения в изображении;
k – общая глубина черно-белой границы в изображении
0 ≤ α≤1; Это для всего изображения. То же самое можно
определить для части изображения, к примеру, 8*8 пикселей.
Определим как много бинарных шаблонов информативных и как
много зашумленных по отношению к α. Необходимо проверить 264
шаблонов. Но можно сгенерировать шаблоны, где значение
каждого пикселя случайное, но с вероятностью 0 или 1. Затем
строится гистограмма по α.
Анализ гистограммы
Было сгенерировано 4096000 шаблонов 8*8. Гистограмма почти в
точности отражает функцию нормального распределения. Это ожидалось
по главной предельной теореме. Среднее значение α было 0.5 и
стандартное отклонение 0.047. Проведя дальше необходимые
рассуждения, можно прийти к заключению, что большинство
информативных паттернов расположены в диапазоне [0;0.5 - 8σ].
Это всего лишь 6.67.10 –14 % всех паттернов. Почти все паттерны
шумящие!