پنهان‌شكني در تصاوير با استفاده از ماتريس هم‌رخدادي و شبكه عصبي
محورهای موضوعی : electrical and computer engineeringصدیقه قنبری 1 , نجمه قنبری 2 , منیژه کشتگری 3 , سیدحسن نبوی کریزی 4
1 - دانشگاه شيراز
2 - دانشگاه آزاد اسلامی واحد زاهدان
3 - دانشگاه صنعتي شيراز
4 - آموزشكده فني حرفه‌اي شهيد منتظري مشهد
کلید واژه: پنهان‌شكني پنهان‌نگاري شبکه عصبی ماتریس هم‌رخدادی,
چکیده مقاله :
پنهان‌نگاری یا استگانوگرافی هنر برقراری ارتباط پنهانی است و هدف آن پنهان‌کردن ارتباط به‌وسیله قراردادن پیام در یک رسانه پوششی می‌باشد و پنهان‌شکنی هنر کشف حضور اطلاعات پنهان است. ماتريس هم‌رخدادي تصاوير (GLCM) ماتريسي است كه در بردارنده اطلاعاتي در رابطه با ارتباط بين مقادير پيكسل‌هاي مجاور در يك تصوير مي‌باشد. در اين تحقیق به كمك بررسي و تحليل ماتريس هم‌رخدادي در تصاوير پوشانه (تصويري كه حامل اطلاعات نباشد) و گنجانه (تصويري كه حامل اطلاعات باشد)، الگوریتمی ارائه می‌گردد تا بتوان تصاویر گنجانه را تشخیص داد. در الگوریتم پیشنهادی ابتدا با استفاده از روش LSB اطلاعات در تصویر مورد نظر پنهان می‌شود، سپس به استخراج ویژگی‌هایی از ماتريس GLCM تصویر پوشانه و گنجانه می‌پردازیم که در این دو تصویر متفاوت باشند. ویژگی‌های استخراج‌شده برای آموزش شبکه عصبی مورد استفاده قرار می‌گیرد. این الگوریتم بر روی تصاویر پایگاه داده‌هاي استاندارد تست گردیده و موفقیت آن 83% می‌باشد.
Steganography is the art of hidden writing and secret communication. The goal of steganography is to hide the presence of information in other information. steganalysis is the art and science of detecting messages hidden using steganography. Co-occurrence matrix is the matrix containing information about the relationship between values of adjacent pixel in an image. In this paper, we extract features from Gray Level C0-occurrense Matrix (GLCM) that are difference between cover image (image without hidden information) and stego image (image with hidden information). In the proposed algorithm, first, we use a combined method of steganography based on both location and conversion to hide the information in the image. Then, using GLCM matrix properties, we investigate some difference values in the GLCM of the cover and stego images. We can extract features that were different between cover and stego images. Features are used for training neural network. This algorithm was tested on 800 standard image databases and it can detect 83% of stego images.