Still image steganography detection based on machine learning techniques

Abstract

Son yirmi yılda steganaliz bilimi, dijital bilgisayar dosyalarındaki veri gizliliğinin yanlış kullanılması ile geride bırakılan güvenlik risklerini en aza indiren verimli bir araştırma alanı haline geldi. Gizli yazının yayılması arttıkça, steganalize olan ihtiyaç ortaya çıktı ve yasadışı gizli iletişimleri engellemek için büyük ölçüde gerekli hale geldi. Bu tez, eş oluşum matrisini, frekans alanı dönüşümlerini, ilk üç momenti ve Geri Yayılımlı Sinir Ağlarını (GYSA) kullanarak hareketsiz görüntülerdeki gizli bilgileri tespit etmek için bir steganaliz sistemi sunmaktadır. İlk olarak, eş-oluşum matrisi, gizli bilginin taşıyıcısı olduğundan şüphelenilen giriş görüntüsü için hesaplanır. İkinci olarak, 12 alt bantla sonuçlanan üç Ayrık Dalgacık Dönüşümü (ADD) seviyesi uygulanır. Ardından, orijinal görüntü ile birlikte bu alt bantlar, 13 alt bant üretmek için Ayrık Fourier Dönüşümü (AFD) veya Ayrık Kosinüs Dönüşümü (ACD) tarafından işlenir. Bundan sonra, ilk üç momentten 39 elemanlı özellik vektörü hesaplanır. Son olarak görüntünün gizli bilgi içerip içermediğini belirlemek için bir GYSA sınıflandırıcısı kullanılır. Önerilen yaklaşım, eş-oluşum matrisi ve onsuz olarak her biri bir kez AFD ve bir kez de ACD kullanılarak test edilmiştir. Elde edilen sonuçlar önceki çalışmalara göre AFD ile birlikte eş-oluşum matrisini kullanmanın en yüksek performansa sahip olduğunu göstermiştir.

In the last two decades, steganalysis has become a fertile research area to minimize the security risks left behind by misuse of data concealment in digital computer files. As the propagation of hidden writing increased, the need for the steganalysis emerged and grew to a large extent necessary to deter illicit secret communications. This thesis introduces a steganalysis system to detect hidden information in still images through using co-occurrence matrix, frequency domain transforms, the first three moments, and Back Propagation Neural Network (BPNN). Firstly, the co-occurrence matrix is calculated for the input image, which suspected to be a carrier of hidden secret information. Second, three levels of Discrete Wavelet Transform (DWT) are applied resulting in 12 subbands. Then, those subbands along with the original image are transformed by Discrete Fourier Transform (DFT) or Discrete Cosine Transform (DCT) to produce 13 subbands. After that, the first three moments are calculated resulting feature vector with 39 feature. Finally, a BPNN is used as a classifier to determine whether the image is containing hidden information or not. The proposed approach is tested with and without co-occurrence matrix, each of them once using DFT and another time using DCT. The results showed that using the co-occurence matrix with DFT has the highest performance compared to previous studies.