JP2008529420A

JP2008529420A - ステゴ解析用のシステム及び方法

Info

Publication number: JP2008529420A
Application number: JP2007553250A
Authority: JP
Inventors: イン−チンシ，; グォロンシュアン，
Original assignee: ニュージャージーインスティテュートオブテクノロジー
Priority date: 2005-01-26
Filing date: 2006-01-25
Publication date: 2008-07-31
Anticipated expiration: 2026-01-25
Also published as: US20060257018A1; CN101655971A; US7496210B2; EP1849124B1; EP1849124A4; US7783074B2; CN101151622A; US20090154797A1; WO2006081386A3; ATE480839T1; EP1849124A2; JP4417419B2; DE602006016737D1; WO2006081386A2

Abstract

【課題】ステゴ解析用のシステム及び方法の提供。
【解決手段】簡潔には、ステゴ解析用のシステム及び方法の実施形態を記載する。
【選択図】図１２

Description

本出願は、画像、映像、音声などのコンテンツ中への情報隠しに関する。

電子透かし技術は近年、徐々に研究が盛んになってきている分野である。情報は、人間が認知不可能な方法で画像、映像及び音声中に隠される。これによって秘密通信が広く可能になっている。したがって、秘密通信を検出する方法が望まれている。この方法は、例えば、児童ポルノの配信を阻止する法律の施行と、テロリスト間の通信を傍受する情報機関にとって望ましい。ステゴ解析（Ｓｔｅｇａｎａｌｙｓｉｓ）は、本明細書中において、画像などのコンテンツの特定の一組に隠しデータが存在するかどうかを検出することをいう。一方、ステゴ解析は、ステガノグラフィー法のセキュリティ性能を判断する有効な方法である。すなわち、ステガノグラフィー法は、人間の視覚システムによってのみならずコンピュータ解析によっても認知不可能であることが肝要である。

データが隠されることの多いコンテンツは画像である。自然画像には種々の性質があり、かつ、データ埋め込み方法もさまざまであるため、ステゴ解析が困難となる。しかし、カバー媒体（ｃｏｖｅｒｍｅｄｉｕｍ）と関連ステゴバージョン（ｓｔｅｇｏ−ｖｅｒｓｉｏｎ）（本明細書中では隠しデータを有するカバー媒体のことを指す）とは、通常はカバー媒体がデータの埋め込みによって変化するため、通常はいくつかの点で異なっている。いくつかのデータ隠し法では、あるパターンをステゴ画像に導入する。例えば、非特許文献１（以下、Ｆｒｉｄｒｉｃｈら）では、Ｆｒｉｄｒｉｃｈらは、Ｆ５埋め込み方法をステゴ画像に適用すると、ステゴ画像のブロックＤＣＴ（離散コサイン変換）ドメインのゼロの数が減少することを発見した。この特徴によれば、Ｆ５埋め込みを用いて、隠しメッセージが埋め込まれているかどうかを決定することができる。その他に、特定のデータ隠し法に対するステゴ解析に関連した発見もある。例えば、非特許文献２及び３を参照のこと。しかし、特定のデータ埋め込み方法は、ステゴ解析を実施する前にはわからないことが多い。盲目的に（どのデータ隠し法が用いられたかを知らずに）ステゴ画像を検出するよう設計されている方法は、総体的ステゴ解析法という。この観点から、総体的ステゴ解析法は秘密通信の阻止において有用である。

非特許文献４（以下、Ｆａｒｉｄ）中において、Ｆａｒｉｄは、画像高次統計に基づいた総体的ステゴ解析法を提案している。この統計は、取り外し可能な直角ミラーフィルタ又はウェーブレットフィルタによる画像分解に基づく。サブバンドの高次統計が得られ、これはステゴ解析のための特徴である。この方法により特定の成功率でステゴ画像とカバー媒体とが区別されるということが示されている。非特許文献５（以下、Ｈａｒｍｓｅｎ）では、ヒストグラム特性関数の質量中心（１次モーメント）に基づいたステゴ解析法が提案されている。また、２次モーメント、３次モーメント及び４次モーメントもステゴ解析に用いることができると考えられる。
Ｊ．Ｆｒｉｄｒｉｃｈ，Ｍ．ＧｏｌｊａｎａｎｄＤ．Ｈｏｇｅａ， "ＳｔｅｇａｎａｌｙｓｉｓｏｆＪＰＥＧＩｍａｇｅｓ：ＢｒｅａｋｉｎｇｔｈｅＦ５Ａｌｇｏｒｉｔｈｍ"，５ｔｈＩｎｆｏｒｍａｔｉｏｎＨｉｄｉｎｇＷｏｒｋｓｈｏｐ，２００２，ｐｐ．３１０−３２３Ｊ．Ｆｒｉｄｒｉｃｈ，Ｍ．ＧｏｌｊａｎａｎｄＲ．Ｄｕ， "ＤｅｔｅｃｔｉｎｇＬＳＢＳｔｅｇａｎｏｇｒａｐｈｙｉｎＣｏｌｏｒａｎｄＧｒａｙ−ＳｃａｌｅＩｍａｇｅｓ"，ＭａｇａｚｉｎｅｏｆＩＥＥＥＭｕｌｔｉｍｅｄｉａＳｐｅｃｉａｌＩｓｓｕｅｏｎＳｅｃｕｒｉｔｙ，Ｏｃｔ．−Ｎｏｖ．２００１，ｐｐ．２２−２８Ｒ．ＣｈａｎｄｒａｍｏｕｌｉａｎｄＮ．Ｍｅｍｏｎ， "ＡｎａｌｙｓｉｓｏｆＬＳＢＢａｓｅｄＩｍａｇｅＳｔｅｇａｎｏｇｒａｐｈｙＴｅｃｈｎｉｑｕｅｓ"，Ｐｒｏｃ．ｏｆＩＣＩＰ２００１，Ｔｈｅｓｓａｌｏｎｉｋｉ，Ｇｒｅｅｃｅ，Ｏｃｔ．７−１０，２００１Ｈ．Ｆａｒｉｄ， "Ｄｅｔｅｃｔｉｎｇｈｉｄｄｅｎｍｅｓｓａｇｅｓｕｓｉｎｇｈｉｇｈｅｒ−ｏｒｄｅｒｓｔａｔｉｓｔｉｃａｌｍｏｄｅｌｓ，" ＰｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅＩＥＥＥＩｎｔ’ｌ．Ｃｏｎｆ．ｏｎＩｍａｇｅＰｒｏｃｅｓｓｉｎｇ０２，ｖｏｌ．２，ｐｐ．９０５−９０８Ｊ．Ｈａｒｍｓｅｎ，Ｗ．Ｐｅａｒｌｍａｎ， "ＳｔｅｇａｎａｌｙｓｉｓｏｆＡｄｄｉｔｉｖｅＮｏｉｓｅＭｏｄｅｌａｂｌｅＩｎｆｏｒｍａｔｉｏｎＨｉｄｉｎｇ"，ＳＰＩＥＥｌｅｃｔｒｏｎｉｃＩｍａｇｉｎｇ，ＳａｎｔａＣｌａｒａ，Ｊａｎ．２００３，ｐｐ．２０−２４

主題は、明細書の結論部分で具体的に指摘され、かつ、明瞭に請求される。しかし、請求される主題は、構成及び操作方法、並びに、その目的、特徴及び／又は利点と併せて、以下の詳細な説明及び添付図から十分に理解される。

例えば、画像データなどのコンテンツの次元数は一般的に大きいため、コンテンツ自体をステゴ解析に直接用いることは困難な場合がある。実行可能な方法として、例えば、画像などのコンテンツからある量のデータを抽出し、その抽出したデータを用いてステゴ解析のためのコンテンツ又は画像を示す。言い換えれば、この抽出されたデータは、例えば画像の特徴である。同様に、ステゴ解析に用いる画像のこうした特徴を識別することが望ましいであろう。

例えば顔認識の分野においては、選択された特徴は、画像中の対象となる顔の形状、例えば画像の主要なコンテンツを反映する。しかし、ステゴ解析においては、例えば、画像の主要なコンテンツは通常は考慮すべき事項ではない。画像とそのステゴバージョンとの違いは、通常は人間の裸眼には見えない。しかし、データ隠し時に導入されるわずかな歪みは有用である。したがって、ステゴ解析において選択される特徴としては、データ隠しに伴うわずかな歪みを反映するものが選択される。

画像のグレースケールレベルが確率変数として処理される場合、画像のヒストグラムは画像の確率密度関数（ＰＤＦ）であり得るという特徴がある。すなわち、画像のＰＤＦは画像のヒストグラムの標準化バージョンであり、そのためＰＤＦとヒストグラムとの間にはスカラー（ｓｃａｌａｒ）調整があるであろう。Ａ．Ｌｅｏｎ−Ｇａｒｃｉａ，ＰｒｏｂａｂｉｌｉｔｙａｎｄＲａｎｄｏｍＰｒｏｃｅｓｓｅｓｆｏｒＥｌｅｃｔｒｉｃａｌＥｎｇｉｎｅｅｒｉｎｇ，２^ｎｄＥｄｉｔｉｏｎ，Ｒｅａｄｉｎｇ，ＭＡ：Ａｄｄｉｓｏｎ−ＷｅｓｌｅｙＰｕｂｌｉｓｈｉｎｇＣｏｍｐａｎｙ，１９９４，１４５−１４８頁による１つの解釈としては、特性関数は単にＰＤＦのフーリエ変換（指数の符号を逆にする）である。

離散ウェーブレット変換（ＤＷＴ）は非相関的であるため、同一レベルの様々なサブバンドの係数は通常は互いに独立している。したがって、同一レベルの様々なウェーブレットサブバンドに由来する特徴は、通常は互いに独立している。この点は、ステゴ解析にとって望ましい。

例えば、請求される主題の一実施形態において、画像のＣＦの統計モーメント及びそのウェーブレットサブバンドはステゴ解析用の特徴として用いられるが、請求される主題はこの点に関する範囲に限定されない。例えば、この特定の実施形態において、統計モーメントは以下のように定義することができる。

式中、Ｈ（ｆ_ｊ）は周波数ｆ_ｊの特性関数である。特性関数のＤＣ成分、例えばＨ（ｆ_０）は、少なくともこの特定の実施形態において、モーメントの計算から省略してもよい。これはヒストグラムの成分の合計を示すものであり、通常は、データ隠しに由来する変化を反映していない。

前述したように、ＰＤＦとヒストグラムは、通常はスカラー量に応じて異なる。したがって、ｈ（ｘ）で示されるヒストグラムはＰＤＦの代わりに用いることができる。同様に、ヒストグラムは、前述したように、ＣＦの逆フーリエ変換、Ｈ（ｆ）である。したがって、以下の関係が得られる。

ＣＦのｎ次モーメントは、スカラーまでヒストグラムのｎ次導関数の大きさに関連しているであろう。同様に、ＣＦのｎ次モーメントは、データ隠しから生じるヒストグラムに対する変化に関連しているであろう。

図により、ステゴ解析に関連するサブバンドをカバーする以下の２つのケースが考えられる。第１ケースは、ｉ＝０，１，２，３のＬＬ_ｉを含む。ここで、画像はＬＬ_０で示す。すなわち、画像と３レベルのＤＷＴ分解のＬＬサブバンドとが考えられる。第２ケースは、高周波数サブバンド、例えば、ｉ＝１，２，３のＬＨ_ｉ、ＨＬ_ｉ、ＨＨ_ｉを含む。

ケース１：データ隠しにより導入された雑音は加法性雑音とガウス雑音であり、カバー画像から独立していると仮定する。この仮定は、ほとんどのデータ隠し法について有効である。実際、主要なデータ隠し技術のうち、例えば、スペクトラム拡散（ＳＳ）法、最下位ビット面（ｌｅａｓｔｓｉｇｎｉｆｉｃａｎｔｂｉｔ−ｐｌａｎｅ）（ＬＳＢ）法及び量子化指標変調（ｑｕａｎｔｉｚａｔｉｏｎｉｎｄｅｘｍｏｄｕｌａｔｉｏｎ）（ＱＩＭ）法の３つにおいては、この仮定が有効である。２つの独立不規則符号の合計のＰＤＦが２つの符号のＰＤＦの重畳（ｃｏｎｖｏｌｕｔｉｏｎ）であることはよく知られている。したがって、ステゴ画像のヒストグラムは、元の画像のヒストグラムより平坦であることが予想される。

この種の変化は、ステゴ解析において認知かつ使用できる可能性がある。提案されているように、本実施形態のｎ次モーメントは、原点（ｘ＝０）におけるヒストグラムのｎ次導関数の大きさの単位である。したがって、定義された特徴によって、データ埋め込みによって生じるヒストグラムにおける平坦度の変化が検出されるであろう。ｉ＝１，２，３であるＬＬ_ｉサブバンドは、画像の低周波数パスフィルタバージョン（ｌｏｗ−ｆｒｅｑｕｅｎｃｙ−ｐａｓｓ−ｆｉｌｔｅｒｅｄｖｅｒｓｉｏｎ）である。したがって、定義されたモーメントによれば、これらのサブバンドのヒストグラムにおける平坦度の変化も検出されるであろう。

ケース２：高周波数サブバンド、例えば、ＬＨ_ｉ、ＨＬ_ｉ、ＨＨ_ｉ、ｉ＝１，２，３では、ＤＷＴ係数の平均値はｘ＝０周辺である。したがって、ヒストグラムはラプラシアン状である。式（２）に示すように、特性関数のｎ次モーメントは、ｘ＝０のヒストグラムのｎ次導関数の大きさを示す。したがって、モーメント又は特徴によれば、ヒストグラムのピークに生じる変化が検出される可能性がある。下記に詳述するように、実験結果はピーク点がデータ埋め込みに影響されやすいことを示す。したがって、この特定の実施形態により、データ埋め込みを検出するための有効な方法が提供されるであろう。

ステゴ解析において、データ隠し処理に関連する歪みは検出メカニズムとして有用であろう。しかし、この種の歪みは弱い場合があり、画像自体の固有の特徴に起因する画像変化を含む、その他のソースからの画像変化を妨害する場合がある。データ隠しにより導入された歪みを検出する能力を高めるため、この特定の実施形態において、元のカバー画像のピクセルグレースケール値を、その近隣のピクセルグレースケール値を用いて予測する。これにより、本実施形態において、画像をその予測画像から取り去ることにより予測エラー画像が生成される。この予測エラー画像を使用すれば、データ隠しに関連する画像データ以外の画像データにおける少なくともいくつかの変化を除去できると予想される。すなわち、予測エラー画像を使用すれば、データ隠し以外の画像面からの変化を少なくとも部分的に相殺できるであろう。

本実施形態において、以下の予測処理が適用できるであろう。

式中、ａ、ｂ、ｃは、対照であるピクセルｘのコンテキストを示し、

はｘの予測値であるが、請求される主題はこの特定の予測処理の範囲に限定されない。関係（４）のａ、ｂ、ｃの配置を図１に示す。

上述した実施形態を実験評価するため、以下でグラフを用いて特性関数のモーメント選択を考える。図２Ａでは、ＣｏｒｅｌＤＲＡＷ（商標）バージョン１０．０ソフトウェアから入手できるＣｏｒｅｌＤｒａｗ（商標）画像データベース（この具体例はシリアル番号１７３０３７）からの元の画像を示す。不可逆色変換を用いて得られた図２Ａの画像のグレースケール画像を図２Ｂに示す。図２Ｃは、上述した実施形態を用いて得られた予測画像である。

第１レベルＨａａｒウェーブレット変換の４つのサブバンドのヒストグラムを図３に示す。図４は、図３の対象領域の拡大を示す。これらの４つのサブバンドのＣＦを図５に示す。これらの図では、略語「Ｏｒｉｇ．」は示される画像を指し、用語「ｃｏｘ」はＣｏｘらの方法を用いて画像から生成されたステゴ画像と同等である。Ｉ．Ｊ．Ｃｏｘ，Ｊ．Ｋｉｌｉａｎ，Ｔ．ＬｅｉｇｈｔｏｎａｎｄＴ．Ｓｈａｍｏｏｎ，ＳｅｃｕｒｅＳｐｒｅａｄＳｐｅｃｔｒｕｍＷａｔｅｒｍａｒｋｉｎｇｆｏｒＭｕｌｔｉｍｅｄｉａ，ＩＥＥＥＴｒａｎｓ．ｏｎＩｍａｇｅＰｒｏｃｅｓｓｉｎｇ，６，１２，１６７３−１６８７，（１９９７）を参照のこと。プロットの右上側の隅に示す２つの数字は、これらの画像について対応するＣＦの１次モーメントである。

ヒストグラムがデータ隠し後に平坦になる（図４参照）ということが観察され、これはモーメントにより表される場合があり、このことによって、モーメントの有効性が特徴として示される。同様に、図６〜図８は、予測エラー画像の図を示し、同様のことがこれらの図について観察される。

特定の一実施形態において、画像は、例えば３レベルＨａａｒ変換を用いて分解されるが、請求される主題はこの点についての範囲に限定されない。レベルについては、上記したように、４つのサブバンドがある。したがって、この分解により全部で１２のサブバンドが生成される。元の画像がレベル０ＬＬサブバンドを含むと考えられる場合、全部で１３のサブバンドが生成される。サブバンドについては、特性関数の最初の３つのモーメントが得られるであろう。同様に、予測エラー画像については、別の一組の３９個の特徴が生じるであろう。したがって、このような方法によれば画像の７８−Ｄ特徴ベクトルが生成され得るが、上記と同様に、請求される主題はこの点に関する範囲に限定されない。

多様な状況において様々な技術を使用することによって、本明細書中において特徴と呼ばれるデータを分析することができる。本明細書中において用語「分散処理分析」とは、統計変化に起因する差異と非統計変化に起因する差異とを十分に区別するために処理又は技術を適用し、少なくとも一部分をこの処理又は技術の適用に基づいて、データを相関、セグメント化、識別、分析又は特性づけることを指す際に用いる。例えばパターン認識、ニューラルネットワーク、遺伝的処理、発見的教授法及びサポートベクターマシン（ＳＶＭ）を含む人工知能技術及び処理が挙げられるが、請求される主題の範囲はこれに限定されない。このように、請求される主題は特定の技術又は方法の範囲に限定されない。

同様に、この特定の実施形態においてこのような技術を使用すれば、データが隠された画像などのコンテンツと、データが隠されていない画像などのコンテンツとを区別することができる。本明細書中において、これは識別又は識別器の使用を指すであろう。したがって、識別器の選択と設計は多様であり、請求される主題はこの点に関する範囲に限定されない。しかし、この特定の実施形態において、人工ニューラルネットワークに基づいた識別器を用いることができる。例えば、Ｃ．Ｍ．Ｂｉｓｈｏｐ，ＮｅｕｒａｌＮｅｔｗｏｒｋｆｏｒＰａｔｔｅｒｎＲｅｃｏｇｎｉｔｉｏｎ，Ｏｘｆｏｒｄ，ＮｅｗＹｏｒｋ，１９９５を参照のこと。しかし、請求される主題はこの点に関する範囲に限定されない。また、別の実施形態において、例えばベイズ識別器を用いることができる。

例えば、バックプロパゲーション訓練処理のフィードフォワード型ニューラルネットワーク（ＮＮ）を用いることができる。ｎ＝５であるＮＮの実施形態を図９に示し、このＮＮのニューロン構造の実施形態を図１０に示す。この特定のＮＮの実施形態は、１つの出力層と２つの隠し層を持つ３層フィードフォワード型ＮＮからなる。能動関数（ａｃｔｉｖｅｆｕｎｃｔｉｏｎ）「ｆ」は、図１１Ａ、図１１Ｂ及び図１１Ｃに示す形のいずれかであってよい。これは、例えば、市販されているソフトウェアパッケージのＭａｔｌａｂ６．５のツールボックスを用いて実行できるが、請求される主題はこの点に関する範囲に限定されない。

この特定のＮＮの実施形態において、隠しニューロンにはタンジェントシグモイド関数を用いる。１ニューロン出力層について、３つの能動関数のすべて（線形、対数シグモイド及びタンジェントシグモイド）について、上記したようにＭａｔｌａｂ６．５を用いてシミュレーションテストした。この訓練段階では、対数シグモイドニューロンとタンジェントシグモイドニューロンの出力結果は、線形ニューロンの場合よりもＭＳＥ（平均２乗誤差）が大きい。同様に、テスト段階では、線形ニューロンによると、非線形出力より識別率が高くなる。したがって、一実施形態において、構造は２つのタンジェントシグモイドニューロン隠し層と１つの線形ニューロン出力層とを含むことが合理的であるが、請求される主題はこの点に関する範囲に限定されない。

バックプロパゲーション処理を使用してネットワークを訓練した。上記したように、計算プログラミングはＭａｔｌａｂ６．５（商標）のニューラルネットワークツールボックスを基本とする。ステゴ解析スキームの一実施形態のフローチャートを図１２に示すが、上記と同様に、請求される主題はこの点に関する範囲に限定されない。

上記した特定の実施形態を評価するため、ＣｏｒｅｌＤＲＡＷ（商標）Ｖｅｒｓｉｏｎ１０．０ソフトウェアＣＤ＃３に含まれる１０９６枚のサンプル画像を実験に用いた。画像は、自然、海洋、食物、動物、建築、場所、娯楽などを含む。５通りのデータ隠し法の、Ｃｏｘらの非ブラインドスペクトラム拡散（ＳＳ）、ＰｉｖａらのブラインドＳＳ、ＨｕａｎｇとＳｈｉの８ｘ８ブロックベースＳＳ、汎用量子化指標変調（ＱＩＭ）法及び汎用ＬＳＢ法を用いた。Ｉ．Ｊ．Ｃｏｘ，Ｊ．Ｋｉｌｉａｎ，Ｔ．ＬｅｉｇｈｔｏｎａｎｄＴ．Ｓｈａｍｏｏｎ，ＳｅｃｕｒｅＳｐｒｅａｄＳｐｅｃｔｒｕｍＷａｔｅｒｍａｒｋｉｎｇｆｏｒＭｕｌｔｉｍｅｄｉａ，ＩＥＥＥＴｒａｎｓ．ｏｎＩｍａｇｅＰｒｏｃｅｓｓｉｎｇ，６，１２，１６７３−１６８７，（１９９７）；Ｃ．Ｍ．Ｂｉｓｈｏｐ，ＮｅｕｒａｌＮｅｔｗｏｒｋｆｏｒＰａｔｔｅｒｎＲｅｃｏｇｎｉｔｉｏｎ，Ｏｘｆｏｒｄ，ＮｅｗＹｏｒｋ，１９９５；Ａ．Ｐｉｖａ，Ｍ．Ｂａｒｎｉ，Ｅ．Ｂａｒｔｏｌｉｎｉ，Ｖ．Ｃａｐｐｅｌｌｉｎｉ， “ＤＣＴ−ｂａｓｅｄＷａｔｅｒｍａｒｋＲｅｃｏｖｅｒｉｎｇｗｉｔｈｏｕｔＲｅｓｏｒｔｉｎｇｔｏｔｈｅＵｎｃｏｒｒｕｐｔｅｄＯｒｉｇｉｎａｌＩｍａｇｅ”，Ｐｒｏｃ．ＩＣＩＰ９７，ｖｏｌ．１，ｐｐ．５２０；Ｊ．ＨｕａｎｇａｎｄＹ．Ｑ．Ｓｈｉ， “Ａｎａｄａｐｔｉｖｅｉｍａｇｅｗａｔｅｒｍａｒｋｉｎｇｓｃｈｅｍｅｂａｓｅｄｏｎｖｉｓｕａｌｍａｓｋｉｎｇ，” ＩＥＥＥＥｌｅｃｔｒｏｎｉｃＬｅｔｔｅｒｓ，ｖｏｌ．３４，ｎｏ．８，ｐｐ．７４８−７５０，Ａｐｒｉｌ１９９８；Ｂ．ＣｈｅｎａｎｄＧ．Ｗ．Ｗｏｒｎｅｌｌ， “Ｄｉｇｉｔａｌｗａｔｅｒｍａｒｋｉｎｇａｎｄｉｎｆｏｒｍａｔｉｏｎｅｍｂｅｄｄｉｎｇｕｓｉｎｇｄｉｔｈｅｒｍｏｄｕｌａｔｉｏｎ”，ＰｒｏｃｅｅｄｉｎｇｓｏｆＩＥＥＥＭＭＳＰ１９９８，ｐｐ２７３−２７８参照のこと。ＣｏｒｅｌＤＲＡＷ（商標）画像データベースの画像について、５枚のステゴ画像はこれらの５通りのデータ隠し法によってそれぞれ生成された。

Ｃｏｘらの方法において、用いる埋め込み強度はα＝０．１である。ＱＩＭ法では、いくつかの中間周波数ブロックＤＣＴ係数がデータ隠しに対して選択された。ペイロードは０．１ｂｐｐ（１ピクセル当たりのビット）である。汎用ＬＳＢ法においては、データ埋め込みに用いるピクセル位置と埋め込むビットの両方が無作為に選択された。データ隠し法においては、無作為に選択された別の符号を別の画像に埋め込んだ。

第１に、このシステムは、一回あたり、５つのデータ隠し法のうちの１つを用いて評価される。無作為に選択された８９６枚の元の画像の群と、対応する８９６枚のステゴ画像とを訓練に用いた。残りの２００対のカバー画像及びステゴ画像については、訓練されたニューラルネットワークを通して性能を評価した。検出速度は、本明細書中において、全体のテスト画像の数に対する、正しく識別された画像数の比率として定義される。１０回のテスト結果の平均を図１３に挙げる。

第２に、５通りのデータ隠し法を組み合わせて、ブラインドステゴ解析機能を評価した。上記のように、１０９６枚の６個組画像を用いた。６個組画像は、本明細書中において、元の画像と、５通りのデータ隠し法により生成された５枚のステゴ画像とを含む。８９６枚の６個組画像は、テスト用に無作為に選択された。残りの２００の６個組をテストに用いた。蒸気と同様に、１０回の平均の検出速度を図１３に挙げる。比較のため、Ｆａｒｉｄの方法とＨａｒｍｓｅｎの方法によるテストの結果についても同一状況下で評価した。この結果も図１３に示す。

第３に、訓練処理では用いなかった別のデータ隠し法をテストした。無作為に選択された２００枚の画像にＨＩＤＥ４ＰＧＰを適用した結果、検出速度は９９．５％であった。

第４に、予測エラー画像を用いた場合の有効性を評価するため、元の画像から生成された３９の特徴と、予測エラー画像から得られた３９の特徴とを分け、同様の評価を行った。図１４は比較の結果を示すものであり、予測エラー画像を用いた場合の有効性が示される。

最後に、開示された７８−Ｄ特徴ベクトルと、５つのデータ隠し法についてベイズ識別器及びニューラルネット識別器とをそれぞれ又は組み合わせて用いて、実験を実施した。図１５は、ＣｏｘらのＳＳデータ隠し法と、５つのデータ隠し法の組み合わせを含む方法における「検出速度」を示す。また、ニューラルネット識別器を用いた場合よりも検出速度が遅い可能性はあるが、ベイズ識別器も用いて実験結果を得た。検出速度（３０回テストした平均値）のグラフ図は、図１６と図１７に示す。

特定の実施形態について説明してきたが、請求される主題は特定の実施形態又は方法の範囲に限定されないということは、当然であろう。例えば、一実施形態はハードウェアであってよく、これは例えば１台の装置又は複数の装置の組み合わせについて作動するよう実行され、一方で、別の実施形態はソフトウェアであってよい。同様に、一実施形態は、ファームウェアにおいて実施されてもよいし、又は、例えば、ハードウェア、ソフトウェア及び／又はファームウェアの組み合わせとして実施されてもよい。同様に、一実施形態は１つ以上の記憶媒体などの１つ以上の物品を含むものであってもよいが、請求される主題はこの点に関する範囲に限定されない。例えば１つ以上のＣＤ−ＲＯＭ及び／又はディスクなどの記憶媒体は、例えばコンピュータシステム、計算プラットフォーム又はその他のシステムなどのシステムにより実行された場合に、例えば上述した実施形態のうちの１つなどの、請求される主題による方法の一実施形態を実行するという指令を記憶していてもよい。一例として、計算プラットフォームは、１台以上の処理装置若しくはプロセッサ、ディスプレイ、キーボード及び／若しくはマウスなどの１台以上の入出力装置、並びに／又は、静的ランダムアクセスメモリ、動的ランダムアクセスメモリ、フラッシュメモリなどの１つ以上のメモリ、並びに／又は、ハードドライブを含んでいてよい。例えば、ディスプレイを使用して、相関する１つ以上のクエリー及び／又は１つ以上の木表現を表示することができるが、上記と同様に、請求される主題は本例の範囲に限定されない。

前述では、請求される主題の各種態様を説明した。説明のために、具体的な数字、システム及び／又は構成を示して、請求される主題がよく理解されるようにしている。しかし、細部が上記の通りでなくても請求される主題を実施できるということは、この開示の利益を有する当業者には明らかであろう。その他の例においては、請求される主題が不明瞭になるのを避けるため、周知の特徴を省略及び／又は簡略化した。本明細書中では一特徴を図示及び／又は説明したが、当業者であれば、多くの変形、代替、変更及び／又は同等物が想到されるであろう。したがって、付属の特許請求の範囲は、請求される主題の本質的な意図に属する上記変形及び／又は変更をすべて含むものであるということが理解されるであろう。

図１は、例えば、画像に適用される予測処理の一実施形態の図である。図２Ａは、サンプルカバー画像である。図２Ｂは、図２Ａに示す画像のグレースケールバージョンである。図２Ｃは、図２Ｂに示す画像の予測画像である。図３は、図２Ｂに示す画像の４つのサブバンドの４通りのヒストグラムである。図４は、図３のヒストグラムの各対象領域の４通りの拡大図である。図５は、図３及び図４に示す４つのサブバンドの特性関数の４通りのプロットである。図６は、図２Ｃに示す画像の４つのサブバンドの４通りのヒストグラムである。図７は、図６のヒストグラムの各対象領域の４通りの拡大図である。図８は、図６及び図７に示す４つのサブバンドの特性関数の４通りのプロットである。図９は、ニューラルネット構造の一実施形態の概略図である。図１０は、ニューロン構造の一実施形態の概略図である。図１１Ａは、図９及び図１０の実施形態で使用されるであろう能動関数のグラフである。図１１Ｂは、図９及び図１０の実施形態で使用されるであろう能動関数のグラフである。図１１Ｃは、図９及び図１０の実施形態で使用されるであろう能動関数のグラフである。図１２は、ステゴ解析法の一実施形態のフローチャートである。図１３は、選択されたステゴ解析法を用いて得られた結果を比較するデータ表である。図１４は、元の画像の特徴として得られた結果と予測エラー画像の結果とを比較するデータ表である。図１５は、ニューラルネット識別器を用いて得られた結果とベイズ識別器を用いて得られた結果とを比較するデータ表である。図１６は、ベイズ識別器を用いて得られた７８次元特徴ベクトルの検出速度についての、３０回テストした平均値のグラフである。図１７は、ベイズ識別器を用いて得られた３９次元特徴ベクトルの検出速度についての、３０回テストした平均値のグラフである。

Claims

画像を識別する方法であって、
前記画像の特性関数のモーメントの少なくとも一部分に基づいて特徴を生成し、
前記生成された特徴の少なくとも一部分に基づいて前記画像を識別することを含む
ことを特徴とする方法。
前記モーメントは、前記画像の一組の分解画像のモーメントを含む
ことを特徴とする請求項１に記載の方法。
前記一組の分解画像は、その少なくとも一部分が、離散ウェーブレット変換又はＨａａｒウェーブレット変換のうちの少なくとも１つに基づく
ことを特徴とする請求項２に記載の方法。
前記画像は、ステゴ画像又は非ステゴ画像のいずれかとして識別される
ことを特徴とする請求項１に記載の方法。
前記特徴の生成は、前記画像に少なくとも一部分基づいて予測エラー画像を生成することを含む
ことを特徴とする請求項１に記載の方法。
前記画像の特性関数の前記モーメントは低次モーメントを含む
ことを特徴とする請求項１に記載の方法。
前記画像の特性関数の前記モーメントは高次モーメントを含む
ことを特徴とする請求項１に記載の方法。
画像を識別する方法であって、
訓練された識別器を画像に適用し、
前記訓練された識別器を前記画像から生成された多数の特徴に適用することに少なくとも一部分基づいて、前記画像を識別することを含む
ことを特徴とする方法。
前記訓練された識別器は、訓練されたニューラルネット識別器及び訓練されたベイズ識別器のうちの少なくとも１つを含む
ことを特徴とする請求項８に記載の方法。
前記画像の前記識別はさらに、前記訓練された識別器を前記画像の予測画像から生成された多数の特徴に適用することに少なくとも一部分基づく
ことを特徴とする請求項８に記載の方法。
前記多数の特徴は、前記画像の特性関数のモーメントに少なくとも一部分基づく
ことを特徴とする請求項８に記載の方法。
実行された場合に画像識別法を実行するという指令を記憶した記憶媒体を含む物品であって、
前記画像の特性関数のモーメントに少なくとも一部分基づいて特徴を生成し、
前記生成された特徴に少なくとも一部分基づいて前記画像を識別することを含む
ことを特徴とする物品。
前記指令が実行されるとさらに、前記モーメントに前記画像の一組の分解画像のモーメントが含まれるようになる
ことを特徴とする請求項１２に記載の物品。
前記指令が実行されるとさらに、前記一組の分解画像は、その少なくとも一部分が、離散ウェーブレット変換又はＨａａｒウェーブレット変換のうちの少なくとも１つに基づくようになる
ことを特徴とする請求項１３に記載の物品。
前記指令が実行されるとさらに、前記画像がステゴ画像又は非ステゴ画像のいずれかとして識別される
ことを特徴とする請求項１２に記載の物品。
前記指令が実行されるとさらに、前記特徴の生成に、前記画像に少なくとも一部分基づいて予測エラー画像を生成することが含まれるようになる
ことを特徴とする請求項１２に記載の物品。
前記指令が実行されるとさらに、前記画像の特性関数の前記モーメントに低次モーメントが含まれるようになる
ことを特徴とする請求項１２に記載の物品。
前記指令が実行されるとさらに、前記画像の特性関数の前記モーメントに高次モーメントが含まれるようになる
ことを特徴とする請求項１２に記載の物品。
実行された場合に画像識別法を実行するという指令を記憶した記憶媒体を含む物品であって、
訓練された識別器を画像に適用し、
前記訓練された識別器を前記画像から生成された多数の特徴に適用することに少なくとも一部分基づいて前記画像を識別することを含む
ことを特徴とする物品。
前記指令が実行されるとさらに、前記訓練された識別器に、訓練されたニューラルネット識別器及び訓練されたベイズ識別器のうちの少なくとも１つが含まれるようになる
ことを特徴とする請求項１９に記載の物品。
前記指令が実行されるとさらに、前記画像の前記識別はさらに、前記訓練された識別器を前記画像の予測画像から生成された多数の特徴に適用することに少なくとも一部分基づくようになる
ことを特徴とする請求項２０に記載の物品。
前記指令が実行されるとさらに、前記多数の特徴が前記画像の特性関数のモーメントに少なくとも一部分基づくようになる
ことを特徴とする請求項２１に記載の物品。
前記画像の特性関数のモーメントに少なくとも一部分基づいて特徴を生成する手段と、
前記生成された特徴に少なくとも一部分基づいて前記画像を識別する手段とを含む
ことを特徴とする装置。
前記特徴を生成する手段は、前記画像の一組の分解画像のモーメントに少なくとも一部分基づいて特徴を生成する手段を含む
ことを特徴とする請求項２３に記載の装置。
前記一組の分解画像は、その少なくとも一部分が、離散ウェーブレット変換又はＨａａｒウェーブレット変換のうちの少なくとも１つに基づく
ことを特徴とする請求項２４に記載の装置。
前記識別手段は、画像をステゴ画像又は非ステゴ画像のいずれかとして識別する手段を含む
ことを特徴とする請求項２３に記載の装置。
前記特徴を生成する手段は、前記画像に少なくとも一部分基づいて予測エラー画像を生成する手段を含む
ことを特徴とする請求項２３に記載の装置。
訓練された識別器を画像に適用する手段と、
訓練された識別器を前記画像から生成された多数の特徴に適用することに少なくとも一部分基づいて前記画像を識別する手段とを含む
ことを特徴とする装置。
前記識別手段は、訓練されたニューラルネット識別器及び訓練されたベイズ識別器のうちの少なくとも１つを含む訓練された識別器を適用することに少なくとも一部分基づいた識別手段を含む
ことを特徴とする請求項２８に記載の装置。
前記識別手段は、前記画像の予測エラー画像から生成された多数の特徴に少なくとも一部分基づいた識別手段を含む
ことを特徴とする請求項２９に記載の装置。