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!