[论文解读] A New Parallel Message-distribution Technique for Cost-based Steganography

Mehdi Sharifzadeh, Chirag Agarwal+2 more|arXiv (Cornell University)|May 24, 2017

Advanced Steganography and Watermarking Techniques参考文献 24被引用 9

一句话总结

本文提出了一种新颖的并行消息分发技术，用于基于成本的隐写术，通过在多幅图像间优化消息嵌入并重新定义嵌入概率分布，显著提升了安全性和性能。该方法利用线性成本概率模型，避免在高成本（平滑）区域进行嵌入，与HUGO、S-UNIWARD和HILL中传统使用的指数分布相比，在最先进的隐写分析中显著降低了可检测性。

ABSTRACT

This paper presents two novel approaches to increase performance bounds of image steganography under the criteria of minimizing distortion. First, in order to efficiently use the images' capacities, we propose using parallel images in the embedding stage. The result is then used to prove sub-optimality of the message distribution technique used by all cost based algorithms including HUGO, S-UNIWARD, and HILL. Second, a new distribution approach is presented to further improve the security of these algorithms. Experiments show that this distribution method avoids embedding in smooth regions and thus achieves a better performance, measured by state-of-the-art steganalysis, when compared with the current used distribution.

研究动机与目标

• 解决现有基于成本的隐写术算法（如HUGO、S-UNIWARD和HILL）中消息分发技术的次优性问题。
• 通过优化嵌入概率分布，最小化可检测性，从而提升隐写术安全性。
• 通过支持多幅图像的并行嵌入，提升容量利用率和性能。
• 证明当前基于指数分布的嵌入策略次优，并可被线性成本概率模型超越。
• 在BOSSbase图像数据库上，利用最先进的隐写分析技术验证所提方法的有效性。

提出的方法

• 提出一种基于嵌入成本线性函数的新消息分发模型，定义为 $ p(s_{ij}) = \max(\frac{1}{3} - \lambda\rho_{ij}, 0) $（当 $ s_{ij} = \pm1 $ 时），以及 $ 1 - 2\max(\frac{1}{3} - \lambda\rho_{ij}, 0) $（当 $ s_{ij} = 0 $ 时）。
• 引入并行图像嵌入机制，以提升容量利用率和性能，通过多幅图像更高效地分发消息。
• 将基于成本的算法中传统的指数分布替换为基于线性成本的概率模型，以减少在高成本（平滑）区域的嵌入。
• 使用拉格朗日乘子求解在固定载荷率下最小化失真的约束优化问题。
• 采用校验迹码实现实际嵌入，通过方程组将概率分布转换回嵌入成本。
• 在BOSSbase v1.01数据集上，采用基于SRM的集成隐写分析器并结合10折交叉验证进行性能评估。

实验结果

研究问题

• RQ1 当前基于成本的隐写术算法（如HUGO、S-UNIWARD和HILL）所采用的消息分发策略是否次优？
• RQ2 在多幅图像间进行并行嵌入是否能提升基于成本的隐写术的性能与安全性？
• RQ3 基于线性成本的概率分布是否在降低可检测性方面优于指数分布？
• RQ4 能否在不牺牲载荷量或增加失真的前提下，有效避免在平滑（高成本）区域进行嵌入？
• RQ5 与现有模型相比，所提分布方法在多大程度上降低了隐写分析中的袋外误差？

主要发现

• 在0.3 bpp时，所提出的线性分布模型将HILL的袋外误差降低至0.2847，优于指数模型的0.3512。
• 对于S-UNIWARD，线性模型的袋外误差为0.3091，低于指数模型的0.3291，表明安全性得到提升。
• HUGO的改进最为显著：指数模型为0.2813，线性模型为0.2067（在0.3 bpp时），检测可读性相对降低26.3%。
• 多项式分布和均匀分布的表现均劣于指数和线性模型，其中均匀分布的检测可读性最低（0.2067），但仍高于所提线性方法在HUGO中的表现。
• 图4证实，随着载荷增加，所提方法在所有三种算法（HILL、S-UNIWARD、HUGO）中均持续降低可检测性，尤其在高比特率下表现更优。
• 该方法通过为高成本像素分配接近零的概率，成功避免在平滑区域嵌入，从而在不增加失真的前提下增强了安全性。