автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.19, диссертация на тему:Внедрение цифровых водяных знаков в графические изображения на основе искусственных нейронных сетей и генетических алгоритмов

На правах рукописи

Коваленко Михаил Павлович

ВНЕДРЕНИЕ ЦИФРОВЫХ ВОДЯНЫХ ЗНАКОВ В ГРАФИЧЕСКИЕ ИЗОБРАЖЕНИЯ НА ОСНОВЕ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ И ГЕНЕТИЧЕСКИХ АЛГОРИТМОВ

Специальность 05.13.19 «Методы и системы защиты информации, информационная безопасность»

Автореферат диссертации на соискание ученой степени кандидата технических наук

6 ДЕН 2012

Серпухов-2012

005056329

005056329

Работа выполнена в Межрегиональном общественном учреждении «Институт инженерной физики» (МОУ «ИИФ») в отделе специального программно-математического обеспечения.

Научный руководитель: кандидат технических наук Рязанцев Алексей Михайлович.

Официальные оппоненты:

1. Доктор технических наук Грибунин Вадим Геннадиевич - ведущий научный сотрудник отдела специальных средств и систем защиты информации МОУ «ИИФ».

2. Кандидат технических наук, доцент Боровков Александр Владимирович - начальник кафедры программно-аппаратного обеспечения специализированных вычислительных комплексов автоматизированных систем боевого применения стратегических ракет филиала Военной академии РВСН им. Петра Великого.

Ведущая организация: Научно-исследовательский центр (г.Курск) ФГУП «18 ЦНИИ» Министерства обороны Российской Федерации.

Защита состоится 12 декабря 2012 г. в 14 часов 30 минут на заседании диссертационного совета Д 520.033.01 в Межрегиональном общественном учреждении «Институт инженерной физики» (МОУ «ИИФ») по адресу: 142210, Московская обл., г. Серпухов, Большой Ударный пер., д. 1а.

Отзывы на автореферат в 2-х экз. просьба направлять по адресу: 142210, г. Серпухов, Большой Ударный пер., д. 1а, Межрегиональное общественное учреждение «Институт инженерной физики» (МОУ «ИИФ»), ученому секретарю диссертационного совета Д 520.033.01.

С диссертацией можно ознакомиться в библиотеке Межрегионального общественного учреждения «Институт инженерной физики» по адресу: г. Серпухов, Большой Ударный пер., д. 1а.

Автореферат разослан « /с£у> -/у^ 2012 г.

Ученый секретарь

диссертационного совета Д 520.033.01 кандидат технических наук, доцент ^ О.В.Коровин

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы диссертации. Быстрое развитие глобальной сети Интернет в последнее время обеспечило наличие единой среды передачи информации, доступной практически в любой точке мира. На базе Интернет можно организовать эффективный поиск и доставку электронных документов пользователям, объединять разнородные удаленные информационные ресурсы. Однако, учитывая высокую степень анонимности, простоту распространения информации, значительную аудиторию, при этом остро встает проблема защиты авторского права на электронные документы.

Авторское право на произведение возникает по факту его создания. Автор или другой обладатель авторских прав оповещает о них, используя знак охраны авторских прав, имя правообладателя и год первого опубликования. В случае нанесения на цифровое изображение видимого логотипа держателя прав, его, как правило, располагают в таком месте, где он не сможет быть помехой для зрительного восприятия иллюстрации. Следовательно, и его умышленное удаление не повлечет за собой особых нарушений ее структурной целостности. В связи с этим в настоящее время для защиты авторских прав на цифровые изображения все чаще используется технология цифровых водяных знаков, заключающаяся во внедрении в защищаемые графические произведения специальных идентифицирующих правообладателей меток, которые остаются незаметными для человека, но распознаются специализированным программным обеспечением.

Широкое применение нашли подходы к внедрению цифровых'водяных знаков (ЦВЗ), основанные на использовании дискретного косинусного преобразования (ДКП), разработанные Е. Koch, J. Zhao, D. Benham, N. Memon, B.-L. Yeo, M. Yeung, C. Podilchuk, W. Zeng, C.-T. Hsu, J.-L. Wu, В. Tao, B. Dickinson, I. Cox, J. Kilian, Т. Leighton, Т. Shamoon, M. Barni, F. Bartolini, V. Cappellini, A. Piva, J. Fridrich. Однако, их реализация не позволяет достичь незаметности внедренных ЦВЗ, особенно в условиях необходимости обеспечения высокой степени их стойкости к различным преобразованиям изображения.

Сложившаяся проблемная ситуация обусловлена противоречием между необходимостью повышения степени стойкости ЦВЗ к различным трансформациям изображения, требующей вносить большие искажения в защищаемое изображение, и необходимостью повышения незаметности факта его внедрения, требующей обеспечить наименьшие искажения по сравнению с исходным изображением.

С учетом изложенного целью диссертационного исследования является повышение незаметности цифровых водяных знаков за счет использования при их внедрении аппарата искусственных нейронных сетей и генетических алгоритмов.

Исходя из сформулированных противоречия и цели исследования, решаемая научная задача сформулирована следующим образом: на основе исследования существующего научно-методического аппарата внедрения цифровых водяных знаков, а также наиболее распространенных атак на них, разрабо-

тать методику внедрения цифровых водяных знаков в графические изображения на основе искусственных нейронных сетей и генетических алгоритмов.

Методы исследований. Поставленная научная задача решена на основе применения методов теории вероятностей, математической статистики, аппарата теории искусственных нейронных сетей и генетических алгоритмов, компьютерной стеганографии.

Основные результаты исследования, выносимые на защиту:

1 ) модель нейросетевого предсказателя значений среднечастотных коэффициентов ДКП матрицы;

2) алгоритм выбора способа изменения ДКП коэффициентов при внедрении цифровых водяных знаков в графические изображения на основе искусственных нейронных сетей и генетических алгоритмов;

3) методика внедрения цифровых водяных знаков в графические изображения на основе искусственных нейронных сетей и генетических алгоритмов.

Достоверность результатов, полученных в диссертационной работе, обеспечивается непротиворечивостью полученных результатов, строгостью применения методов теории вероятностей, математической статистики, аппарата теории искусственных нейронных сетей и генетических алгоритмов, компьютерной стеганографии, а также экспериментальных исследований, выполненных с использованием среды программирования Microsoft Visual Studio 2008 на базе технологии NVIDIA CUDA.

Научная новизна диссертационной работы заключается в следующем:

1) разработана модель предсказателя значений среднечастотных коэффициентов ДКП матрицы, отличающаяся использованием аппарата искусственных нейронных сетей, позволяющая оценить искажения изображения в процессе внедрения в него ЦВЗ с учетом нелинейности зависимости значений ДКП коэффициентов;

2) разработан алгоритм выбора способа изменения ДКП коэффициентов при внедрении цифровые водяных знаков в графические изображения на основе искусственных нейронных сетей и генетических алгоритмов, отличающийся изменением при внедрении бита ЦВЗ всех ДКП коэффициентов, расположенных в пределах одной диагонали ДКП матрицы отобранного для этого блока изображения, и учетом при этом значений остальных ДКП коэффициентов, позволяющий осуществить выбор субоптимального способа изменения ДКП коэффициентов;

3) разработана методика внедрения цифровых водяных знаков в графические изображения, позволяющая априори задать степень стойкости внедренного ЦВЗ к различным трансформациям изображения.

Практическая значимость диссертационной работы обусловлена тем, что полученные результаты позволяют на 56%-95% уменьшить среднее значение квадрата коэффициента линейной корреляции вносимых внедрением ЦВЗ искажений изображения (как по горизонтали, так и по вертикали), тем самым, существенно повышая незаметность внедренных цифровых водяных знаков.

Апробация. Основные научные результаты диссертационной работы докладывались на 5 международных конференциях:

1) Международной заочной научно-практической конференции «Технические науки: теоретические и прикладные аспекты», г. Новосибирск, 2012.

2) IX Международной заочной научно-практической конференции «Технические науки - от теории к практике», г. Новосибирск, 2012

3) VIII Международной научно-практической конференции «Эффективные инструменты современных наук», г. Прага, 2012.

4) VIII Международной научно-практической конференции «Научный прогресс на рубеже тысячелетий», г. Прага, 2012.

5) VIII Международной научно-практической конференции «Наука и инновации», г. Перемишль, 2012.

Публикации. По материалам диссертации опубликовано 11 работ, из них 1 - в рецензируемом научном издании, входящем в перечень рекомендованных ВАК.

Ряд представленных работ написан в соавторстве. В диссертацию включены только результаты, полученные лично автором.

Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения, списка использованных источников информации из 67 наименований. Общий объем работы составляет 118 страниц, в том числе 49 рисунков и 11 таблиц.

СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность работы, сформулированы цели и задачи исследования.

Первая глава посвящена исследованию существующих методов внедрения цифровых водяных знаков и наиболее распространенных атак на них (воздействие случайного шума, медианного фильтра, JPEG-сжатия).

К настоящему времени реализовано большое количество методов внедрения информации в изображения, которые могут быть разделены на следующие две группы:

1) прямые методы модификации изображения в пространственной области;

2) методы, модифицирующие изображение, предварительно преобразованное в иную форму.

Прямые методы встраивают информацию непосредственно в подмножество пикселей изображения. Она внедряется за счёт манипуляций яркостью и цветовыми составляющими без вычислительно громоздких линейных преобразований изображения. Наиболее известными представителями прямых методов являются:

- LSB-методы (Least Significant Bits). Эти методы можно использовать в задачах, которые не предъявляют высоких требований к робастности, поскольку они неустойчивы к таким воздействиям, как фильтрация и сжатие с потерями;

- методы модификации палитры. Недостатком данных методов является ограниченность объёма информации, которая может быть внедрена в изображение.

В методах, использующих предварительное преобразование, информация внедряется за счёт декомпозиции исходного изображения. Как правило, такие методы имеют хорошие характеристики робастности.

В этой группе используются достаточно разнообразные трансформации:

- дискретное преобразование Фурье;

- дискретное косинусное преобразование;

- вейвлет-преобразование;

- преобразование Карунена-Лоева;

- сингулярное разложение.

Согласно работам J. Bloom, R. Alonso, J. Fridrich, M. Goljan методы встраивания, которые вызывают изменения изображения, подчиненные Гауссо-вому закону распределения, обнаружить сложнее всего, поскольку в процессе получения исходного изображения обычно присутствует множество независимых источников Гауссового шума с различными амплитудами (например, шумы в электрических цепях и сенсорах из-за недостатка освещения и/или высокой температуры), и отделить одно от другого тем сложнее, чем меньшие изменения были вызваны. К таковым, согласно J. Harmsena и W. Pearlmana, относятся методы, использующие дискретное косинусное преобразование.

Дискретное косинусное преобразование (ДКП, англ. - DCT) представляет собой разновидность преобразования Фурье и, так же как и оно, имеет обратное преобразование. Графическое изображение можно рассматривать как совокупность пространственных волн, причем оси А" и Y совпадают с шириной и высотой картинки, а по оси Z откладывается значение цвета соответствующего пикселя изображения. ДКП позволяет преобразовывать матрицу пикселей размером N*N в матрицу частотных коэффициентов соответствующего размера и обратно. Формулы прямого ,и обратного дискретного косинусного преобразования представлены ниже.

DCT,j =-Х=-£ £Pixelx,y ■A(i,x)-A(j,y); (1)

-J¿N í=Oy=0

Pixelx y ZDC7;,/ • A{i,x)-A{j,y)-, (2)

V2W ¡=Q ,=0

A(a,b) = C(a)- eos

{1Ь + \)-ал 2N

(3)

Ф)4{2» ПРИЙ = °; (4)

[ 1, при а * О

где Pixel - матрица пикселей, DCT - матрица частотных коэффициентов.

К существующим методам внедрения ЦВЗ в графические изображения, основанным на дискретном косинусном преобразовании, относятся:

- Koch, разработанный E. Koch и J. Zhao;

- Benham, разработанный D. Benham и N. Memon;

- Podilchuk, разработанный С. Podilchuk и W. Zeng;

- Hsu-still, разработанный С.-Т. Hsu и J.-L. Wu;

- Tao, разработанный В. Tao и В. Dickinson;

- Сох, разработанный I. Сох, J. Kilian, Т. Leighton и Т. Shamoon;

- Barni, разработанный M. Barni, F. Bartolini, V. Cappellini и A. Piva;

- Fridrich-2, разработанный J. Fridrich.

На основе проведенного исследования существующих методов внедрения цифровых водяных знаков и наиболее распространенных атак на них (воздействия случайного шума, медианного фильтра, JPEG-сжатия) были сделаны следующие выводы:

1)ЦВЗ следует внедрять в изображение путем изменений частотных коэффициентов дискретного косинусного преобразования (ДКП);

2)ЦВЗ следует внедрять в яркостную составляющую изображения, поскольку она наименее подвержена искажениям;

3) ЦВЗ следует внедрять в небольшие по размеру блоки изображения (8*8 пикселей), т.к. при этом существует возможность адаптации к локальной яркости и гладкости изображения;

4) у авторов различных методов внедрения ЦВЗ в изображения нет единого подхода к тому, какие именно частотные коэффициенты ДКП матрицы следует для этого использовать;

5) авторы различных методов внедрения ЦВЗ в изображения не'дают рекомендаций по тому, на сколько и как следует изменять те или иные частотные коэффициенты ДКП матрицы для достижения желаемой степени стойкости внедренного ЦВЗ к различным искажениям изображения.

За основу разработанной методики внедрения цифровых водяных знаков из числа проанализированных методов был взят метод «Koch», поскольку:

1) в отличие от методов «Barni» и «Fridrich-2» ДКП в нем осуществляется не над всем изображением, а над блоками размером 8x8 пикселей, что позволяет адаптироваться к локальной яркости и гладкости изображения;

2) в отличие от методов «Podilchuk», «Hsu-still», «Tao» и «Сох» для извлечения ЦВЗ он не требует наличия исходного изображения.

Перечисленным выше условиям также удовлетворяет и метод «Benham», который также основан на методе «Koch», но он сложнее в реализации, и предложенный его авторами способ предварительной оценки пригодности ДКП блоков для встраивания информации зависит от используемого изображения.

На рисунке 1 представлен фрагмент изображения с внедренным в него по методу «Koch» цифровым водяным знаком.

а) б) в)

Рисунок 1 - Фрагменты изображений: а) исходного; б) с внедренным по методу «Koch» ЦВЗ; в) внесенные искажения

Таким образом, показано, что цифровые водяные знаки, внедренные по методу «Koch», могут быть легко локализованы даже визуально.

Исходя из этого, было введено следующее определение незаметности для

ЦВЗ.

Незаметным будем считать цифровой водяной знак, для которого невозможно локализовать изменяемые при его внедрении области изображения без наличия исходного контейнера и/или знаний об используемом при этом методе и секретном ключе.

Как уже ранее упоминалось, в процессе получения исходного изображения присутствует множество независимых источников Гауссового шума с различными амплитудами. Соответственно локализовать изменяемые при внедрении ЦВЗ области тем сложнее, чем больше похожи вносимые изменения по своим свойствам на случайный шум. Одним из таких свойств является отсутствие корреляции между величинами искажений в соседних рядах пикселей. Исходя из этого, был предложен следующий показатель для оценки вносимых при внедрении ЦВЗ искажений:

гх + г

(5)

Width

Height

Widtk-\

i

1=1

Height-1

£ >i

Height-\,

■ I Wi-u

j=0

Widtlt-A

Ж-

i

'ЛЫг

i=0

DifXiy=\Y{Pixd'xJ-Y{Pixelx<}

. Height-1

Height >0

0

(6)

(7)

(8) (9)

1 Widîh-\

m{. —--УЩ;; (10)

' Width ^ hJ У '

_1=о

Height-] ,

гШГЧ .\2

X [Difij-K) ; (11)

>о

[Width-1, 43

Е (12)

V 1=0

где г - показатель для оценки вносимых при внедрении ЦВЗ искажений, г e[0;l]; гх и гу - среднее значение квадрата коэффициента линейной корреляции вносимых внедрением ЦВЗ искажений изображения по вертикали и по горизонтали соответственно; т'х и т'у - математические ожидания величины искажений в соответствующем столбце или строке матрицы пикселей; сг'х и <jJy -среднеквадратичные отклонения величины искажений в соответствующем столбце или строке матрицы пикселей; Dift j - величина искажения яркостной составляющей цвета соответствующего пикселя; Width - ширина изображения в пикселях; Height - высота изображения в пикселях; Pixel' - матрица пикселей полученного изображения; Pixel — матрица пикселей исходного изображения; У - оператор определения яркостной составляющей цвета пикселя. По сути, значение показателя г - это среднее значение квадрата коэффициента линейной корреляции между всеми соседними рядами пикселей изображения, в котором яркость цвета каждого пикселя равна модулю разности яркостей соответствующих пикселей в полученном и исходном изображениях. Исходя из этого, ЦВЗ тем незаметнее, чем меньше для него значение данного показателя.

Вторая глава посвящена разработке методики внедрения цифровых водяных знаков в графические изображения на основе искусственных нейронных сетей и генетических алгоритмов.

В разделе 2.1 представлена постановка задачи.

В разделе 2.2 проведен анализ однородности искажений частотных коэффициентов ДКП матрицы, вносимых атаками на цифровые водяные знаки, при помощи критерия U-Манна-Уитни.

В результате анализа, выполненного при помощи пакета программ StirMark Benchmark 4.0.129 на базе 4 изображений, случайно отобранных из числа размещенных в Интернет-хранилище изображений imagesbase.com, было установлено, что частотные коэффициенты, расположенные на 7-ой, 8-ой и 9-ой побочных диагоналях ДКП матрицы (рисунок 2), подвержены статистически неоднородным искажениям.

1 2 3 4 5 6 7 s 1 10

2 3 4 5 6 7 8

3 4 5 6 ? 8 |

4 5 6 7 1< 9 10 11

/ « 0 10 11 12

6 ? « Й 10 11 12 13

7 8 » 10 11 12 13 14

10 И 12 13 14 15

Рисунок 2 - Матрица частотных коэффициентов

В разделе 2.3 проведен анализ статистических свойств искажений частотных коэффициентов ДКП матрицы, вносимых атаками на цифровые водяные знаки (добавлением шума, JPEG-сжатием, медианной фильтрацией), а именно на базе 82 случайно отобранных из числа размещенных в Интернет-хранилище изображений imagesbase.com определены их математические ожидания и сред-неквадратические отклонения (СКО, сг), а также вероятности того, что величина искажения окажется в пределах следующих интервалов: [- <т;+ег], [-2<т;+2а], [— Зег;+З<т]. При этом общее число анализируемых ДКП-блоков равнялось 1 124 837.

В результате анализа было установлено:

1 ) математические ожидания искажений частотных коэффициентов лежат в интервале от - 0.11 до 0.08;

2) частотные коэффициенты ДКП матрицы следует изменять на величины не менее трех среднеквадратических отклонений их искажений, чтобы компенсировать их не менее чем на 94.61%, т.е. на величины от 5 (низкая степень стойкости внедрения - достигается стойкость по отношению к медианной фильтрации с единичным размером окна и JPEG-сжатию с JPEG Quality level не менее 90) до 64 (высокая степень стойкости внедрения - достигается стойкость по отношению ко всем рассмотренным атакам).

В разделе 2.4 проведен анализ значений показателей визуальных искажений, вносимых в изображения изменениями частотных коэффициентов ДКП матрицы.

В результате анализа было установлено, что по показателю максимальной разности для внедрения ЦВЗ предпочтительнее использовать частотные коэффициенты 7-ой и 8-ой побочных диагоналей ДКП матрицы, а по показателям средней абсолютной разности и нормированной взаимной корреляции - коэффициенты 8-ой и 9-ой.

В разделе 2.5 разработана модель нейросетевого предсказателя значений среднечастотных коэффициентов ДКП матрицы, схема которого представлена на рисунке 3.

db=7: L=2I, M=43, N=1 db=8: L=28, M-57, N=S db-9: L-36, M=73, N=" db=10: L=43, M=87, N=6

F„»=<anh<ßhil( u) db=7: ßh..=0.050C

Зы£=0 |00С db=9; ßhid-°100C db'IO ßbiJ=0'250C

db=7: ß„u,=0.0001 db=S: ßou-0.0001 d„-9: ßl=0.0001 db=10 ß,>0.0001

Рисунок 3 - Схема нейросетевого предсказателя значений среднечастотных коэффициентов ДКГ1 матрицы

Здесь множество входных сигналов, обозначенных xt,x2,...,xL поступает на искусственный нейрон. Эти входные сигналы, в совокупности обозначаемые вектором X, умножаются на соответствующие веса wuw2,—,wN и поступают на суммирующий блок, обозначенный £. Множества весов в совокупности обозначаются матрицами Whül и WoM соответственно для искусственных нейронов скрытого и выходного слоев. Суммирующий блок складывает взвешенные входы алгебраически, создавая выход и . Далее и поступает на вход функции активации (Fhid или Fout), определяя окончательный сигнал нейрона на выходе. Размеры слоев и функции активации зависят от номера диагонали ДКП матрицы (db).

В разделе 2.6 разработан алгоритм выбора способа изменения ДКП коэффициентов, основу которого составляют аппарат генетических алгоритмов и метод «Koch».

Шаги алгоритма следующие.

Шаг 1. Инициализация, или выбор исходной популяции хромосом

Инициализация, т.е. формирование исходной популяции. Каждая особь популяции представляет собой решение задачи, иначе говоря, является кандидатом на решение. В рассматриваемом здесь варианте использования генетических алгоритмов хромосомой ch„ =jc'/'"j является вариант изменения ДКП коэффициентов, т.е. значение гена с'/" - один из возможных вариантов значения ДКП коэффициента cb{l,m), где Ъ - номер ДКП блока изображения, который используется для внедрения бита ЦВЗ

Пусть внедрение бита si осуществляется в коэффициенты с координатами {ji\,kn) и (у',,2)> причем оба эти коэффициента принадлежат одной диагонали ДКП матрицы db е {7; 8; 9}.

Формирование исходной популяции хромосом осуществляется по следующим формулам:

h 1Л1 I Ji 1 Д"/ 2 - для генов с„ ' и с„ :

v„lrf (/, w) = (/, /и)+randorr(- , (13)

у£{1,т) = \сь{1,,п\ + е, (14)

„AiA.i _ Jmax(l'™/U,iAi)> vXii,2>ki,i))-sign(cb{ii,\>ki,\)\ если Si =1

vmdС/,,2.ki,2)'Sig>l(cb0/,2>^«,2))> если .У,- =0

СЛ.2А-,2 _ I еСЛИ Sj = 1 ^

с" jmax(v,.m/(ji2,ki2), ve{ji UkiA)) sign{cb{jU2,kii\ если j, =0' где e - параметр, определяющий степень стойкости внедрения ЦВЗ, е е [5;64];

- для генов, соответствующих остальным ДКП коэффициентам диагонали db:

с'„т = сь(/,»»)+ random(-0.5,+0.5) е; (17)

- для генов, соответствующих остальным ДКП коэффициентам:

ci;m=ch(l,m). (18)

Таким образом, в отличие от метода «Koch», при внедрении бита ЦВЗ .у,-изменяются не 2 ДКП коэффициента отобранного для этого блока изображения под номером Ъ, а все коэффициенты, расположенные на одной диагонали ДКП матрицы db е {7; 8; 9}.

Шаг 2. Оценка приспособленности хромосом в популяции

Оценивание приспособленности хромосом в популяции состоит в расчете функции приспособленности для каждой хромосомы этой популяции. Чем больше значение этой функции, тем выше «качество» хромосомы.

Значение функции приспособленности для хромосомы ch„ = {c'/m J равно

нулю в случае не соблюдения для генов с^'1'*'-1 и с'^г'к'л соотношения

Ji,2'ki.2 >U(,I.*U ся I

Ji.l'kt.l > Л,2.*1,2

+ £, если Sj = 0

; (19)

+ £, если Sj = 1

в противном же случае предлагается определять его как обратное значение суммы квадратов разностей между значениями генов и выходами соответствующих им искусственных нейронных сетей:

Нс/Ь,)=--г"-!-—-Т. (20)

db<diag{l,m)iW

где F{chn) - значение функции приспособленности хромосомы chn\ ANN(ch„^! - значение, полученное на соответствующем гену с.'„'т выходе искусственной нейронной сети. При этом, в отличие от метода «Koch», при внедрении бита ЦВЗ учитываются значения не только изменяемых ДКП коэффициентов.

Если для хромосомы значение функции приспособленности оказалось равным нулю, то ее следует заменить вновь сгенерированной (согласно формулам 13-18) , после чего значение функции для нее пересчитать.

Шаг 3. Проверка условия остановки

Переход к завершающему этапу выбора «наилучшей» хромосомы должен быть осуществлен после выполнения заданного количества итераций IGA. В противном случае на следующем шаге выполняется селекция.

Шаг 4. Селекция хромосом

Селекция хромосом заключается в выборе (по рассчитанным на втором этапе значениям функции приспособленности) тех хромосом, которые будут участвовать в создании потомков для следующей популяции:

v(c/!i)=pj(c/7,).100%, (21)

= (22)

Iуш 1=1

где ps(chj) - вероятность селекции хромосомы c/i,. Селекция хромосомы может быть представлена как результат поворота колеса рулетки.

В результате процесса селекции создается родительская популяция с той же численностью, что и текущая популяция (N ).

Шаг 5. Применение генетических операторов и формирование новой популяции

Для начала, из родительской популяции выбираются пары хромосом. Далее, к каждой такой паре применяется вероятностный оператор скрещивания (кроссовер).

Из числа существующих в настоящее время разновидностей оператора скрещивания предлагается использовать смешанный кроссовер (англ.: BLX-alpha crossover).

Пусть С, =(c,';cj;...;ci) и С2 ={cf;cj;...;cj,) - две отобранные для скрещивания хромосомы. Тогда результатом использования смешанного кроссовера будет одна хромосома-потомок Н = (h{;h2;...;hn), получаемая по следующим формулам:

/г, = random(с,1Ш" -«•/,.;с,тах +«■/,), (23)

c,min = min(c,'; cf), (24)

c,nux = max(c,!; cf ), (25)

11 = c,max -с ™in, (26)

где a - параметр оператора скрещивания.

Для каждой пары родителей с вероятностью р£а применяется оператор скрещивания, после чего на следующую стадию переходят хромосома-потомок и «наилучшая» из выбранной родительской пары хромосома. Соответственно, с вероятностью 1 - PqA оператор скрещивания не применяется, и тогда обе ото-

бранные родительские особи переходят на следующую стадию, на которой ко всем перешедшим в неизменном виде хромосомам применяется оператор мутации.

Оператор мутации с вероятностью РдА изменяет значение гена в хромосоме, причем эта вероятность обычно очень мала (чаще всего 0.0 < Р£'л <0.1), тогда как вероятность скрещивания достаточно высока (обычно 0.5 <Р£Л <1.0). В рамках решаемой задачи изменение генов при мутации должно осуществляться согласно формулам 13-18.

На заключительной стадии шага вся предшествующая популяция хромосом замещается новой популяцией потомков.

Шаг 6. Выбор «наилучшей» хромосомы

На заключительном шаге методики фиксируется результат его работы в виде хромосомы с наибольшим значением функции приспособленности среди популяций на всех итерациях. При этом, если это значение отлично от ноля, производится соответствующее изменение ДКП коэффициентов.

Схематически данный алгоритм можно изобразить следующим образом:

Рисунок 4 - Схема алгоритма выбора способа изменения ДКП коэффициентов

На рисунке 4 пунктиром обозначены шаги, являющиеся классическими для генетических алгоритмов, а сплошными линиями выделены шаги, подвергшиеся изменению.

В разделе 2.7 разработана методика внедрения цифровых водяных знаков в графические изображения на основе искусственных нейронных сетей и генетических алгоритмов.

Шаг 1. Проверка

"1 Условие выполнено

Шаг 2. Выбор значения параметра с

I Шаг 3. Преобразование цветовой модели I

I

I Шаг 4. Разбиение па блоки

I

I Шаг 5. Инициализация 1"ПСЧ

Шаг 6. Проверка условия завершении работы I —

Т:

. Выбо

I

Шаг 7. Выбор блока

Шиг 8. Внедрение Типа ЦВЗ

ьзуется методика выбора с

S.

■ Шаг 9. Зивершение работы

Рисунок 5 - Схема процесса внедрения ЦВЗ

На рисунке 5 пунктиром обозначены шаги, являющиеся классическими для существующих методов, методик и алгоритмов внедрения цифровых водяных знаков в графические изображения, сплошными линиями выделены шаги, подвергшиеся изменению, а жирными сплошными - введенные шаги.

Методика осуществляет внедрение ЦВЗ, представляющего собой последовательность из N бит ¡i е {О; l}, с заданным для него уровнем желаемой стойкости к наиболее распространенным атакам.

Шаги методики следующие.

Шаг 1. Проверка вместимости

Внедрение ЦВЗ осуществляется побитно. Каждый бит при этом внедряется в отдельный ДКП блок размером 8x8. Если обозначить высоту изображения через Height, а его ширину - через Width, то общее число ДКП блоков в изображении составит

BlockCount =

Height 'Width

8 8

(27)

Очевидно, что для внедрения N бит ЦВЗ должно выполняться условие

ШоскСоиШ > N. ' (28)

Только при его соблюдении осуществляется переход к следующему шагу методики.

Шаг 2. Выбор значения параметра е

В результате проведенного в разделе 2.3 анализа статистических свойств искажений частотных коэффициентов ДКП матрицы, вносимых атаками на цифровые водяные знаки, было установлено, что частотные коэффициенты ДКП матрицы следует изменять на величины от 5 до 64. Исходя из этого, была введена следующая градация значений параметра е, определяющего степень стойкости внедрения ЦВЗ:

Таблица 1 - Значения е

Степень стойкости внедрения информации Значение е Допустимые атаки

Низкая 5 .1РЕС-сжатие с уровнем качества 90 и выше, медианная фильтрация с единичным размером окна

Ниже средней 20 ,1РЕС-сжатие с уровнем качества 50 и выше, медианная фильтрация с единичным размером окна

Средняя 35 .1РЕО-сжатие с уровнем качества 10 и выше, медианная фильтрация с единичным размером окна

Выше средней 49 ДРЕв-сжатие, медианная фильтрация с размером окна до 5, незначительное добавление шума

Высокая 64 .1РЕО-сжатие, медианная фильтрация, значительное добавление шума

Шаг 3. Преобразование цветовой модели

Поскольку ЦВЗ внедряется в яркостную составляющую изображения, т.к. она наименее подвержена искажениям, необходимо перевести его в цветораз-ностное, яркостное представление (фактически преобразовать цветовую модель изображения в модель УСЬСг).

Шаг 4. Разбиение на блоки

Матрица яркостной составляющей изображения разбивается на блоки размером 8x8.

Шаг 5. Инициализация генератора псевдослучайных чисел (ГПСЧ)

На данном шаге при помощи пользовательского секретного ключа происходит инициализация генератора псевдослучайных чисел.

Шаг 6. Проверка условия завершения работы

Переход к следующему шагу методики осуществляется лишь в том случае, если не все биты ЦВЗ были внедрены в изображение. В противном случае осуществляется переход к завершающему шагу под номером 9.

Шаг 7. Выбор блока

На данном шаге для очередного бита ЦВЗ 5, выбирается при помощи ГПСЧ блок изображения, в который он будет внедрен. Выбор осуществляется

среди неиспользованных ранее блоков.

Шаг 8. Внедрение бита ЦВЗ

На данном шаге отобранный для внедрения блок яркостной составляющей изображения подвергается ДКП, после чего для внедряемого бита ЦВЗ s-согласно рассмотренному ранее алгоритму, основанному на использовании аппарата искусственных нейронных сетей и генетических алгоритмов, выбирается способ изменения полученных ДКП коэффициентов.

Шаг 9. Завершение работы

На данном шаге выполняется преобразование цветоразностного, яркост-ного представления изображения в его исходную цветовую модель.

Таким образом, в отличие от существующих аналогов, при внедрении ЦВЗ было предложено использовать аппарат нейронных сетей и генетических алгоритмов, а также установлены границы значений параметра е и введена градация его значений в зависимости от степени стойкости внедрения ЦВЗ.

Третья глава посвящена экспериментальному исследованию разработанной методики внедрения цифровых водяных знаков в графические изображения на основе искусственных нейронных сетей и генетических алгоритмов. Для его проведения из Интернет-хранилища www.hdwallpapers.net было случайным образом отобрано 200 изображений. Данные изображения были полностью заполнены псевдослучайными последовательностями битов с разными степенями стойкости внедрения, после чего для разработанной методики (!ga = NСА = 20, Pf;A =0.7, PqA =0.1, обучающая выборка сформирована на основе 2072 изображений разной тематики, взятых из Интернет-хранилища imagesbase.com, общее количество блоков размером 8x8 равнялось 34 485 865, выполнено 10000 циклов обучения) и метода «Koch» были определены средние значения показателя г. Результаты представлены в таблице 2 и на рисунке 6.

Таблица 2 - Средние значения показателя г

Диаг. £ Метод «Koch» Разработанная методика

7 5 0.357 0.157

7 35 0.179 0.015

7 64 0.138 0.010

8 5 0.359 0.129

8 35 0.168 0.009

8 64 0.131 0.006

9 5 0.315 0.116

9 35 0.144 0.017

9 64 0.106 0.016

0.4т

г 7 koch

0.3'

r_7_inme r_S_koch

rJ>_koch r 9 mine 0.1

0.2-'

N.

20

30

50

60

70

Рисунок 6 - График зависимости среднего значения показателя для оценки вносимых при внедрении ЦВЗ искажений (/-) от степени стойкости внедрения ( Е )

На основании результатов проведенного экспериментального исследования были сделана выводы о том, что для внедрения информации предпочтительнее использовать частотные коэффициенты 8 и 9 побочных диагоналей ДКП матрицы, а также о том, что внедренные по разработанной методике цифровые водяные знаки незаметнее тех, что были внедрены с использованием метода «Koch», т.к. значение показателя г для них меньше на 56%-95%, а значит цель диссертационной работы достигнута.

Четвертая глава посвящена рассмотрению возможных областей применения разработанной методики внедрения цифровых водяных знаков в графические изображения на основе искусственных нейронных сетей и генетических алгоритмов, а именно:

1) защита авторских прав на цифровые изображения;

2) защита цифровых изображений от подделки.

В заключении приведены основные научные и практические результаты:

1) среди частотных коэффициентов ДКП матрицы согласно критерию U-Манна-Уитни нет статистически однородных;

2) частотные коэффициенты ДКП матрицы следует изменять на величины от 5 до 64 в зависимости от той степени стойкости внедрения информации, которую необходимо достигнуть;

3) для внедрения информации предпочтительнее использовать частотные коэффициенты 8 и 9 побочных диагоналей ДКП матрицы;

4) разработана модель нейросетевого предсказателя значений среднечас-готных коэффициентов ДКП матрицы;

5) разработан алгоритм выбора способа изменения ДКП коэффициентов при внедрении цифровых водяных знаков в графические изображения на основе искусственных нейронных сетей и генетических алгоритмов;

6) разработана методика внедрения цифровых водяных знаков в графические изображения на основе искусственных нейронных сетей и генетических

алгоритмов;

7) полученные результаты позволяют на 56%-95% уменьшить среднее значение квадрата коэффициента линейной корреляции вносимых внедрением ЦВЗ искажений изображения (как по горизонтали, так и по вертикали), тем самым, существенно повышая незаметность внедренных цифровых водяных знаков.

СПИСОК ОПУБЛИКОВАННЫХ РАБОТ

В рецензируемых научных журналах и изданиях:

1) Коваленко М.П., Букин А.Г., Коваленко А.П. Исследование зависимости числа пригодных для сокрытия информации в изображениях коэффициентов матрицы дискретно-косинусного преобразования от используемой цветовой модели // Известия Института инженерной физики. 2010. №3(17). С. 30-33.

Статьи:

2) Коваленко М.П. Исследование статистических свойств искажений частотных коэффициентов ДКП матрицы в условиях воздействия на изображение случайного шума // Журнал научных публикаций аспирантов и докторантов. 2012. №1(67). С. 78-81.

3) Коваленко М.П. Исследование статистических свойств искажений частотных коэффициентов ДКП матрицы в условиях воздействия на изображение медианного фильтра // Научная перспектива. 2012. №2. С. 47-48.

4) Коваленко М.П. Исследование статистических свойств искажений частотных коэффициентов ДКП матрицы в условиях воздействия на изображение JPEG-сжатия // Журнал научных публикаций аспирантов и докторантов. 2012. №2(68). С. 96-99.

5) Коваленко М.П. Исследование однородности искажений частотных коэффициентов ДКП матрицы, вносимых JPEG-сжатием и медианной фильтрацией изображений // Международная заочная научно-практическая конференция «Технические науки: теоретические и прикладные аспекты». Труды. - Новосибирск: СибАК. - 2012! - С. 51-57.

6) Коваленко М.П. Исследование статистических свойств искажений частотных коэффициентов ДКП матрицы при различных воздействиях на изображение // Научный обозреватель. 2012. №3. С. 39-40.

7) Коваленко М.П. Генетические алгоритмы в стеганографии // IX Международная заочная научно-практическая конференция «Технические науки - от теории к практике». Труды. - Новосибирск: СибАК. - 2012. - С. 17-20.

8) Коваленко М.П., Смирнов Я.Д. Использование искусственных нейронных сетей при внедрении цифровых водяных знаков в графические изображения // VIII Международная научно-практическая конференция «Эффективные инструменты современных наук». Труды. - Прага: Publishing House "Education and Science" s.r.o. - 2012. - C. 87-97.

9) Коваленко М.П. Модель нейросетевого предсказателя значений сред-нечастотных коэффициентов ДКП матрицы // Научная перспектива. 2012. №8. С. 94-96.

10) Коваленко М.П., Коваленко А.П. Методика выбора способа изменения ДКП коэффициентов при внедрении цифровых водяных знаков в графические изображения на основе искусственных нейронных сетей и генетических алгоритмов // VIII Международная научно-практическая конференция «Научный прогресс на рубеже тысячелетий». Труды. - Прага: Publishing House "Education and Science" s.r.o. - 2012. - C. 41-47.

11) Коваленко М.П., Рязанцев A.M., Коваленко А.П. Методика внедрения цифровых водяных знаков в графические изображения на основе искусственных нейронных сетей и генетических алгоритмов // VIII Международная научно-практическая конференция «Наука и инновации». Труды. - Перемишль: Sp. z о.о. "Nauka I studia". - 2012. - С. 70-78.

ГУП МО «Серпуховская типография» ИНН 5043010958 г. Серпухов, пр. Мишина, д. 2/7, зак. 1374, тираж 100-12.11.2012.

Введение.

Глава 1. Технология цифровых водяных знаков.

1.1. Основные положения цифровой стеганографии.

1.2. Методы внедрения цифровых водяных знаков в графические изображения.

1.3. Атаки на цифровые водяные знаки в графических изображениях.

1.4. Выводы.

Глава 2. Разработка методики внедрения цифровых водяных знаков в графические изображения на основе искусственных нейронных сетей и генетических алгоритмов.

2.1.1 Остановка задачи.

2.2. Анализ однородности искажений частотных коэффициентов ДКП матрицы, вносимых атаками на цифровые водяные знаки.

2.3. Анализ статистических свойств искажений частотных коэффициентов ДКП матрицы, вносимых атаками на цифровые водяные знаки.

2.4. Анализ значений показателей визуальных искажений, вносимых в изображения изменениями частотных коэффициентов ДКП матрицы.

2.5. Модель нейросетевого предсказателя значений среднечастотных коэффициентов ДКП матрицы.

2.6. Алгоритм выбора способа изменения ДКП коэффициентов.

2.7. Методика внедрения цифровых водяных знаков в графические изображения на основе искусственных нейронных сетей и генетических алгори тмов.

2.8. Выводы.

Глава 3. Экспериментальные исследования разработанной методики внедрения цифровых водяных знаков в графические изображения на основе искусственных нейронных сетей и генетических алгоритмов.

Глава 4. Предложения по использованию разработанной методики внедрения цифровых водяных знаков в графические изображения на основе искусственных нейронных сетей и генетических алгоритмов.

Актуальность темы диссертации. Быстрое развитие глобальной сети Интернет в последнее время обеспечило наличие единой среды передачи информации, доступной практически в любой точке мира. На базе Интернет можно организовать эффективный поиск и доставку электронных документов пользователям, объединять разнородные удаленные информационные ресурсы. Однако, учитывая высокую степень анонимности, простоту распространения информации, значительную аудиторию, при этом остро встает проблема защиты авторского права на электронные докумен ты.

Авторское право па произведение возникает по факту его создания. Автор или другой обладатель авторских прав оповещает о них, используя знак охраны авторских нрав, имя правообладателя и год первого опубликования. В случае нанесения па цифровое изображение видимого логотипа держателя прав, его, как правило, располагают в таком месте, где он не сможет быть помехой для зрительного восприятия иллюстрации. Следовательно, и его умышленное удаление не повлечет за собой особых нарушений ее структурной целостности 111. В связи с этим в настоящее время для защиты авторских прав па цифровые изображения все чаще используется технология цифровых водяных знаков, заключающаяся во внедрении в защищаемые графические произведения специальных идентифицирующих правообладателей меток, которые остаются незаметными для человека, по распознаются специализированным программным обеспечением [2].

Широкое применение нашли подходы к внедрению цифровых водяных знаков (i 1,ВЗ), основанные па использовании дискретного косинусного преобразования (ДКИ), разработанные Е. Koch, J. Zhao, D. Bcnham, N. Memon, B.-L. Yeo, M. Yeung, C. Podilchuk, W. Zeng, C.-T. Hsu, J.-L. Wu, В. Tao, B. Dickinson, I. Cox, J. Kilian, 'Г. Leighton, Т. Shamoon, M. Barni, F. Barlolini, V. Cappcllini, A. Piva, J. Fridrich. Однако, их реализация не позволяет достичь незаметности внедренных ЦВЗ, особенно в условиях необходимости обеспечения высокой степени их стойкости к различным преобразованиям изображения.

Сложившаяся проблемная ситуации обусловлена противоречием между необходимостью повышения степени стойкости ЦВЗ к различным трансформациям изображения, требующей вносить большие искажения в защищаемое изображение, и необходимостью повышения незаметности факта его внедрения, требующей обеспечить наименьшие искажения по сравнению с исходным изображением.

С учетом изложенною целыо диссертационного исследования является повышение незаметности цифровых водяных знаков за счет использования при их внедрении аппарата искусственных нейронных сетей и генетических алгоритмов.

Исходя из сформулированных противоречия и цели исследования, решаемая научная задача сформулирована следующим образом: на основе исследования существующего научно-методического аппарата внедрения цифровых водяных знаков, а также наиболее распространенных атак па них, разработать методику внедрения цифровых водяных знаков в графические изображения па основе искусственных нейронных сетей и генетических алгоритмов.

Методы исследований. Поставленная научная задача решена на основе применения методов теории вероятностей, математической статистики, аппарата теории искусственных нейронных сетей и генетических алгоритмов, компьютерной стеганографии.

Основные результаты исследования, выносимые па защи ту:

1) модель исйросетевого предсказателя значений средпечастотпых коэффициентов ДКП матрицы;

2) алгоритм выбора способа изменения ДКП коэффициентов при внедрении цифровых водяных знаков в графические изображения на основе искусственных нейронных сетей и генетических алгоритмов;

3) методика внедрения цифровых водяных знаков в графические изображения на основе искусственных нейронных сетей и генетических алгоритмов.

Достоверность результатов, полученных в диссертационной работе, обеспечивается непротиворечивостью полученных результатов, строгостью применения методов теории вероятностей, математической статистики, аппарата теории искусственных нейронных сетей и генетических алгоритмов, компьютерной стеганографии, а также экспериментальных исследований, выполненных с использованием среды программирования Microsoft Visual Studio 2008 на базе технологии NVIDIA CUDA.

Научная новизна диссертационной работы заключается в следующем:

1) разработана модель предсказателя значений среднечастотных коэффициентов ДКП матрицы, отличающаяся использованием аппарата искусственных нейронных сетей, позволяющая оценить искажения изображения в процессе внедрения в него ЦВЗ с учетом нелинейности зависимости значений ДКП коэффициентов;

2) разработан алгори тм выбора способа изменения ДКП коэффициенчов при внедрении цифровых водяных знаков в графические изображения па основе искусственных нейронных сетей и генетических алгоритмов, отличающийся изменением при внедрении бита ТДЗЗ всех ДКП коэффициентов, расположенных в пределах одной диагонали ДКП матрицы отобранного для этого блока изображения, и учетом при этом значений остальных ДКП коэффициен тов, позволяющий осуществить выбор субоптимального способа изменения ДКП коэффициентов;

3) разработана методика внедрения цифровых водяных знаков в графические изображения, позволяющая априори задать степень стойкости внедренного ЦВЗ к различным трансформациям изображения.

Практическая значимость диссертационной работы обусловлена чем, что полученные результаты позволяют на 56%-95% уменьшить среднее значение квадрата коэффициента линейной корреляции вносимых внедрением ЦВЗ искажений изображения (как по горизонтали, так и по вертикали), тем самым, существенно повышая незаметность внедренных цифровых водяных знаков.

Апробации. Основные научные результаты диссертационной работы докладывались па 5 международных конференциях:

1) Международной заочной научно-практической конференции « Технические науки: ieopei ические и прикладные аспекты», г. Новосибирск, 2012.

2) IX Международной заочной научно-практической конференции « Технические науки - от теории к практике», г. Новосибирск, 2012

3) VIII Международной научно-практической конференции «Эффективные инструменты современных наук», г. Прага, 2012.

4) VIII Международной научно-практической конференции «Научный прогресс па рубеже тысячелетий», г. Прага, 2012.

5) VIII Международной научно-практической конференции «Наука и инновации», г. 11ерсмишль, 2012.

Публикации. По материалам диссертации опубликовано 11 работ:

1) Коваленко М.П., Букин Л.Г., Коваленко Л.П. Исследование зависимости числа пригодных для сокрытия информации в изображениях коэффициентов матрицы дискретно-косинусного преобразования от используемой цветовой модели // Известия Института инженерной физики. 2010. №3(17). С. 30-33.

2) Коваленко М.П. Исследование статистических свойств искажений час-roí ных коэффициентов ДКП мафицы в условиях воздействия па изображение случайного шума // Журнал научных публикаций аспирантов и докюраптов. 2012. №1(67). С. 78-81.

3) Коваленко М.П. Исследование статистических свойств искажений частотных коэффициентов ДКП мафицы в условиях воздействия на изображение медианного фильтра // Научная перспектива. 2012. №2. С. 47-48.

4) Коваленко М.П. Исследование статистических свойств искажений частотных коэффициентов ДКП матрицы в условиях воздействия па изображение JPEG-сжатия // Журнал научных публикаций аспирантов и докторантов. 2012. №2(68). С. 96-99.

5) Коваленко М.П. Исследование однородности искажений частотных ко-эффициенчов ДКП матрицы, вносимых JPHG-сжатием и медианной фильчрацией изображений // Международная заочная научно-практическая конференция

Технические пауки: теоретические и прикладные аспекты». Труды. Новосибирск: СибЛК. 2012. С. 51-57.

6) Коваленко М.П. Исследование статистических свойств искажений частотных коэффициентов ДКП матрицы при различных воздействиях па изображение // Научный обозреватель. 2012. №3. С. 39-40.

7) Коваленко М.П. Генетические алгоритмы в стеганографии // IX Международная заочная научно-практическая конференция «Технические науки - от теории к практике». Труды. - Новосибирск: СибАК. - 2012. - С. 17-20.

8) Коваленко М.П., Смирнов Я.Д. Использование искусственных нейронных сетей при внедрении цифровых водяных знаков в графические изображения // VIII Международная научно-практическая конференция «Эффективные инструменты современных наук». Труды. - Прага: Publishing House "Education and Science" s.r.o. 2012. C. 87-97.

9) Коваленко M.ll. Модель пейросетевого предсказателя значений сред-нечастотных коэффициентов ДКП матрицы // Научная перспектива. 2012. №8. С. 94-96.

10) Коваленко М.П., Коваленко Л.П. Методика выбора способа изменения ДКП коэффициентов при внедрении цифровых водяных знаков в графические изображения на основе искусственных нейронных сетей и генетических алгоритмов // VIII Международная научно-практическая конференция «Научный прогресс на рубеже тысячелетий». Труды. - Прага: Publishing House "Ieducation and Science" s.r.o. 2012. - C. 41-47.

11) Коваленко М.П., Рязанцев A.M., Коваленко А.П. Методика внедрения цифровых водяных знаков в графические изображения на основе искусственных нейронных сетей и генетических алгоритмов // VIII Международная научно-практическая конференция «Паука и инновации». Труды. Персмишль: Sp. z о.о. "Nauka I studia". - 2012. - С. 70-78.

Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения, списка использованных источников информации из 67 па-именований. Общий объем работы составляет 118 страниц, в том числе 49 рисунков и 11 таблиц.

2.8. Выводы

Анализ однородности и статистических свойств искажений частотных коэффициентов ДКП матрицы, вносимых атаками па ЦВЗ, а также анализ значений показателей визуальных искажений, вносимых в изображения изменениями частотных коэффициентов ДК11 матрицы, позволили сделать следующие выводы:

1) среди частотных коэффициентов ДКП матрицы согласно критерию и-Манпа-Уитни пег статистически однородных;

2) частотные коэффициенты ДКП матрицы следует изменять на величины от 5 до 64 в зависимости от той степени стойкости внедрения информации, которую необходимо достигнуть;

3) для внедрения информации могут использоваться частотные коэффициенты как 7 и 8, так и 8 и 9 побочных диагоналей ДК11 матрицы.

Результаты, полученные в ходе предварительного обучения искусственпых нейронных сетей, позволили сделать следующие выводы:

1) с увеличением значения параметра наклона функции активации для нейронов скрытого и выходного слоев растет влияние па результат обучения начальных значений весов и смещений (результата инициализации сети);

2) функция активации нейронов выходного слоя является линейной и параметр ее наклона равен 0.0001;

3) функция активации нейронов скрытого слоя является нелинейной и значение параметра ее наклона различно для нейронных сетей, соответствующих разным диагоналям ДКГГ матрицы:

- для 7-ой диагонали 0.0500;

- для 8-ой диагонали 0.1000;

- для 9-ой диагонали 0.1000;

- для 10-ой диагонали - 0.2500.

Разработанная в данной главе методика внедрения цифровых водяных знаков в графические изображения обладает следующими отличительными особенностями:

- использует аппарат искусственных нейронных сетей и генетических алгоритмов;

- изменяет не 2-3 ДКП коэффициента, а целую диагональ;

- учитывает значения не только изменяемых коэффициентов;

- однозначно определяет на сколько и как следует изменять ДКП коэффициенты.

ГЛАВА 3. ЭКСПЕРИМЕНТАЛЬНЫЕ ИССЛЕДОВАНИЯ РАЗРАБОТАННОЙ МЕТОДИКИ ВНЕДРЕНИЯ ЦИФРОВЫХ ВОДЯНЫХ ЗНАКОВ В ГРАФИЧЕСКИЕ ИЗОБРАЖЕНИЯ НА ОСНОВЕ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ И ГЕНЕТИЧЕСКИХ АЛГОРИТМОВ

Поскольку за основу разработанной методики из числа рассмотренных методов внедрения ЦВЗ в графические изображения был взят метод «Koch», сравнению результатов их (разработанной методики и метода «Koch») работы и будет посвящена данная глава.

Для начала условимся, что IGA =10, NGA =20, PGA =0.7, PGA =0.1. Нейронные сети обучены втечение 10000 циклов.

Теперь визуально сравним фрагменты полученных изображений при полном заполнении контейнера, представленного на рисунке 3.1, при максимальной степени стойкости внедрения ЦВЗ (внедрять будем псевдослучайную последовательность бит в псевдослучайно отобранные для каждого блока изображения ДКП коэффициенты).

Рисунок 3.1- Фрагмент исходного изображения а) б)

Рисунок 3.2 - Фрагменты полученных изображений при внедрении с использованием коэффициентов 7-ой диагонали: а) по методу «Koch»; б) по разработанной методике а) б)

Рисунок 3.3 - Фрагменты полученных изображений при внедрении с использованием коэффициентов 8-ой диагонали: а) по методу «Koch»; б) по разработанной методике ми а) б)

Рисунок 3.4 - Фрагменты полученных изображений при внедрении с использованием коэффициентов 9-ой диагонали: а) по методу «Koch»; б) по разработанной методике

Для большей наглядно вычтем исходное изображение из полученных после внедрения ЦВЗ (рисунки 3.5-3.7). а) б)

Рисунок 3.5 - Искажения, вносимые при внедрении с использованием коэффициентов 7-ой диагонали: а) по методу «Koch»; б) по разработанной методике а) б)

Рисунок 3.6 - Искажения, вносимые при внедрении с использованием коэффициентов 8-ой диагонали: а) по методу «Koch»; б) по разработанной методике а) б)

Рисунок 3.7 - Искажения, вносимые при внедрении с использованием коэффициентов 9-ой диагонали: а) по методу «Koch»; б) по разработанной методике

На рисунках 3.2-3.7 отчетливо видно, что искажения, вносимые в графические изображения при внедрении в них цифровых водяных знаков по методу «Koch», имеют «блочную» структуру, вследствие чего они более заметны для человека.

А теперь из Интернет-хранилища www.hdwallpapers.net возьмем 200 изображений и полностью заполним их псевдослучайными последовательностями битов с разными степенями стойкости внедрения, после чего для разработанной методики и метода «Koch» определим среднее значение показателя г.

1. И.П. Кирко, В.В. Бедусепко. Вопросы защиты авторских прав электронных документов. Инновационные недра Кузбасса. ГГ-техпологии: сборник научных трудов. Кемерово: ИНТ, 2007. - 420 с.

2. В.Г. Грибупип, И.И. Оков, И.В. Туршщев. Цифровая стеганография. М.: Солон-1 Ipecc, 2002. 272 с.

3. С. Kessler. An Overview of Sleganography for the Computer Forensics Examiner. Forensic Science Communications, February 2004.

4. Г.Ф. Конахович, А.Ю. Пузыренко. Компьютерная стеганография. Теория и практика. К.: «MK-I Ipecc», 2006. 288 с.

5. W. Bender, D. Gruhl, N. Morimoto, A. Lu. Techniques for Data Hiding. IBM Systems Journal, 35 (3&4), 1996.

6. Г.Ю. Вальчсвская, Д.Л. Кузнецов. Алгоритмы стеганографии в электронном обучении.

7. J. Bloom, R. Alonso. SmartSearch Sleganography. SPIE Vol. 5020, 2003.

8. J. Fridrich, M. Goljan. Practical Steganalysis of Digital Images State of the Art. In Proceedings of SPIE, 2002.

9. J. Harmsena, W. Pearlmana. Steganalysis of additive noise modclable information hiding. 2003.

10. B.M. Гасов, A.M. Цыганепко. Методы и средства подготовки электронных изданий: Учебное пособие. М.: М1УП, 2001. 735 с.1 1 В. Jellinek. Invisible Watermarking of Digital Images. 2000.

11. E. Koch, J. Zhao, 'towards Robust and Hidden Image Copyright Labeling. IEEE Workshop on Nonlinear Signal and Image Processing. 1995. P. 123-132.

12. D. Benham, N. Mcmon, B.-E. Yeo, M. Yeung. Fast watermarking of DCT-based compressed images. Proceedings of the International Conference on Image Science, Systems and Technology. 1997. P. 243-252.

13. C. Podilchuk, W. Xeng. Perceptual watermarking of still images. Electronic

14. Proceedings of the IFFF Workshop on Multimedia Signal Processing. 1997.

15. C. Podilchulc, W. Zeng. Watermarking of the JPLG bitstreams. In Proceedings of the International Conference on Image Science, Systems, and l'echnology (CISST'97). 1997.

16. C.-T. I Isu, J.-L. Wu. Hidden signatures in images. In Proceedings of the IFLH International Conference on Image Processing, ICIP'96, volume 3, pages 743746. 1996.

17. I. Cox, J. Kilian, T. Leighton, T. Shamoon. Secure spread spectrum watermarking for multimedia. ILFL Transactions on Image Processing. 1997. Vol. 6. №12. P. 1673-1687.

18. M. Barni, F. Bartolini, V. Cappellini, A. Piva. Image watermarking for secure transmission over public networks. In Proceedings of COST 254 Workshop on Emerging Techniques for Communication Terminals, pages 290-294, 1995.

19. M. Barni, F. Bartolini, V. Cappellini, A. Piva. Copyright protection of digital images by embedded unperceivable marks. Image and Vision Computing, 16 (1213): 357-372, 1996.

20. M. Barni, F. Bartolini, V. Cappellini, A. Piva. Robust watermarking of still images for copyright protection. In Proceedings of the 1997 IKLH Digital Signal Processing Workshop (DSP'97), 1997.

21. M. Barni, F. Barlolini, V. Cappellini, A. Piva. DCT-based walennark recovering without resorting to the uncorrupted original image. In Proceeding of the IEEE International Conference on Image Processing, ICIP'97, 1997.

22. M. Barni, F. Bartolini, V. Cappellini, A. Piva. A DCT-domain system for robust image watermarking. Signal Processing, Special Issue on Copyright Protection and Control, 66 (3): 357-372, 1998.

23. M. Barni, F. Bartolini, V. Cappellini, A. Piva. A watermarking technique for the protection of digital images IPR. Advances in Information Technologies: The Business Challenge, pages 636-643. 10S Press, 1998.

24. J. Fridrich. Combining low-frequency and spread spectrum watermarking. In Proceedings of the SPIE Conference on Mathematics of Data/Image Coding, Compression and Encryption, volume 3456, pages 2-12. SPIE, 1998.

25. С.Ф. Быков, O.B. Мотуз. Основы стегоапализа. «Защита информации. Конфидент», №3, 2000, с. 38-41.30 http://www.petitcolas.net/fabien/watermarking/stirmark/

26. В.В. Ссмешок. Обзор стандарта JPEG2000. Специально для www.compression.ru, 2002.

27. Г. Рыбаков, А. Суслов. JPEG, JPKG2000, JPEG-LS. Сжатие изображений с потерями и без. 2006.

28. Д. Соломон. Сжатие данных, изображений и звука. М.: Техносфера, 2004. -368с.

29. Л.П. Ярославский. Введение в цифровую обработку изображений. -М.: Сов. радио, 1979. 312 с.

30. В.Т. Фисепко, Т.Ю. Фисепко. Компьютерная обработка и распознавание изображений: учеб. пособие. СПб: СПбГУ ИТМО, 2008. - 192 с.

31. В.Т. Фисепко, Т.Ю. Фисепко, Компьютерная обработка и распознавание изображений: методические указания к лабораторным работам. СПб: СПбГУ ИТМО, 2008. - 42 с.

32. Е.В. Борисова. Формирование и математическая обработка данных в социологии: Учебное пособие. 1 -е изд. Тверь: ТГТУ, 2006. - 120 с.

33. В.К. Шитиков, Г.С. Розепберг, Т.Д. Зиичеико. Количественная гидроэкология: методы системной идентификации. Тольятти: ИЭВЬ РАН, 2003. 463 с.

34. Электронный учебник StatSoft: IJ критерий Манпа-Уитни. www. statsoft.ru/home/portal/applications/medicine/mannauitni.htm

35. И. Гайдышев. Анализ и обработка данных: специальный справочник. -СПб: Питер, 2001.-752 с.

36. Финансовый анализ Информационный онлайн справочник: Финансовая математика. Дисперсия. Среднее арифметическое. Среднеквадратическое отклонение. Коэффициент вариации. financial-analysis.ru/mcthodscs/metFKStat. html

37. M. Kutter, F. Petitcolas. A Fair Benchmark For Image Watermarking Systems. Electronic Imaging '99. Security and Watermarking of Multimedia Contents, vol. 3657, 1999.

38. K. Sayood. Introduction to Data Compression. Morgan Kaufmann Publishers, 1996.

39. A. Eskicioglu, P. Fisher. Image Quality Measures And Their Performance. IEEE Transactions on Communication, 43 (12): 2959-2965, 1995.

40. P. Nunes, A. Alcaim, M. Fragoso da Silva. Quality Measures of Compressed Images for Classification Purposes. Technical Report CCR-146, IBM. 1992.

41. CUT Солдатова, С.С. Банков. 1 фактическое применение нейронных сетей для решения задач классификации и идентификации Электронный научный журнал «Исследовано в России», 2006. /.hurnal.ape.rclarn.ru/articlcs/ 2006/135.pdf

42. И.А. Чубукова. Data Mining: учебное пособие. 2-е изд., испр. - М.: Интернет-Университет Информационных Технологий; БИНОМ. Лаборатория знаний, 2008.-382 с.

43. Модель нейрона Проект www.aiportal.ru. Портал искусственного интеллекта. - www.aiportal.ru/articles/neural-networks/model-neuron.html

44. Многослойный персептроп Проект www.aiportal.ru. Портал искусственного интеллекта. www.aiportal.ru/articles/neural-nctworks/nuilti-perceptron. html

45. Электронный учебник StatSoft: Нейронные сети. www.statsoft.ru/ home/textbook/modules/stneunet.html

46. В.А. Головко. Нейроинтеллскт: теория и применения. Книга 1: Организация и обучение нейронных сетей с прямыми и обратными связями. — Брест: БПИ, 1999.-260 с.

47. А.Н. Колмогоров. О представлении непрерывных функций нескольких переменных суперпозициями непрерывных функций меньшего числа переменных // ДАН СССР. 1956. Т. 108. С. 2.

48. А.Н. Колмогоров. О представлении непрерывных функций нескольких переменных в виде суперпозиций непрерывных функций одною переменного и сложения //ДАН СССР. 1957. Т. 114. С. 953-956.

49. R. Hecht-Nielsen. Kolmogorov's mapping neural network existence theorem // IEEE First Annual Int. Conf. on Neural Networks, San Diego, 1987. Vol. 3. P. 11-13.

50. Функции активации в нейронных сетях Проект www.aiporlal.ru. Портал искусственного интеллекта, www.aiportal.ru/articles/neurarnetworks/ activation-function.html

51. С. Оссовский. Нейронные сети для обработки информации. Пер. с польского И.Д. Рудинского. М.: Финансы и статистика, 2004. 344 с.

52. А. Шахиди. Алгоритм обучения RPROP математический аппарат'. -www.basegroup.ru/library/analysis/neural/rprop/.58 www.outguess.org

53. Генетические алгоритмы Проект www.aiportal.ru. Портал искусственного интеллекта. www.aiportal.ru/articlcs/genetic-algorithms/genctic-algorithms.html.

54. Основные понятия генетических алгоритмов Проект www.aiportal.ru. Портал искусственного интеллекта, www.aiportal.ru/arlicles/genetic-algorithms/ basic-concepts.html.

55. Классический генетический алгоритм. Часть I. Краткий обзор Проект www.aiportal.ru. Портал искусственного интеллекта. www.aiportal.ru/ articles/genetic-algorithms/classic-alg-part l.html.

56. Классический генетический алгоритм. Часть III. Селекция Проект www.aiportal.ru. Портал искусственного интеллекта. www.aiportal.ru/articles/ genetic-algorithms/classic-alg-pail3.html.

57. Классический генетический алгоритм. Часть IV. Скрещивание, мутация, создание популяции Проект www.aiportal.ru. Портал искусственного интеллекта. www.aipoilal.ru/articlcs/genctic-algorithms/classic-alg-part4.html.

58. П. Паклии. Непрерывные генетические алгоритмы математический аппарат, www.basegroup.ru/library/optimization/rcalcodedga/.

59. М.П. Коваленко, Л.Н. Курбаков, И.В. Федоров. Исследование влияния параметров генетических алгоритмов на обучаемость искусственных нейронных сетей. Научно-технический журнал «Известия Института инженерной физики», №2 (4), 2007. с. 3 1 -34.

60. F. Herrera, М. Lozano, J. Verdegay. Tackling real-coded genetic algorithms: operators and tools for the behaviour analysis // Artificial Intelligence Review, Vol. 12, No. 4, 1998. P. 265-319.

61. С. Шляхтипа. Водяной знак для фотографии. Журнал «КомпьютерПресс», №1, 2005. www.compress.ru/Archive/CP/2005/1/44/