نهان كاوي تصوير با استفاده از پنجره گذاري ضرايب فركانس بالاي تبديل موجك

نهان كاوي يكي از موضوعات چالش برانگيز و جذاب براي پژوهشگران در زمينه توسعه روش هاي نهان نگاري است. نهان كاوي روشي است براي تشخيص اطلاعات پنهان شده در نهانه كه توسط الگوريتم هاي نهان نگاري ايجاد شده است. انواع مختلفي از روش هاي استخراج ويژگي براي نهان كاوي ارائه شده است كه هر كدام از آن ها داراي مزاياي مربوط به خود مي باشند. ساخت مجموعه اي از ويژگي هاي مختلف مي تواند عملكرد نهان كاو را بهبود بخشد. بيشتر الگوريتم هاي نهان كاوي مدرن يك دسته بندي كننده را بر اساس بردارهاي ويژگي، آموزش مي دهند. يكي از محبوب ترين و دقيق ترين دسته بندي كننده ها، ماشين بردار پشتيبان است. در اين مقاله بر اساس تجربيات و مطالعه روش هاي مختلف نهان كاوي، يك روش نهان كاوي كارآمد با استفاده از پنجره گذاري روي ضرايب فركانس بالاي تبديل موجك پيشنهاد شده است. در روش پيشنهادي، تصميم نهايي روي كل تصوير به كمك روش راي گيري اكثريت با استفاده از استخراج ويژگي هاي مناسب هر پنجره اعلام شده است. نتايج عملي و شبيه سازي نشان مي دهد كه روش پيشنهادي براي كشف وجود پيام در تصاوير به ويژه در نرخ هاي جاسازي پايين در مقايسه با روش هاي نهان كاوي موجود دقت بيشتري تا حدود 99 درصد دارد.

Steganalysis is one of the challenging and attractive subjects for the scientists interested in the development of steganography methods. Steganalysis is the procedure to detect the hidden information from the stego created by known steganography algorithms. Different kinds of extraction methods have been proposed for steganalysis, each have their own advantages when attacking different kinds of steganography methods. Making a combination of different feature sets will improve the performance of the steganalysis system. Most modern steganalysis algorithms train a supervised classifier on the feature vectors. One of the most popular and most accurate classifier is support vector machine (svm). In this paper, based on experiences and study different ways, an efficient steganalysis method using windowing on high-frequency coefficients of wavelet transform is proposed. In the proposed method, the final decision on the entire images is announced by majority voting technique using extracted convenient features of each window. Experimental and simulation results show that the proposed method for the detection message embedded in images, especially in low rates compared to existing steganalysis methods has more carefully hidden by about 99 percent.