چکیده فارسی :

ما یک استراتژی جدید را برای توصیف آشکارسازی پنهان نگاری در تصاویر دیجیتال ارائه می کنیم.این روند با یک مدل غنی از سیگنال ها شروع می شود. به عنوان یک مدل اصلی تشکیل شده توسط توزیع مشترک نمونه،همسایه های کوانتیزه شده از باقیمانده تصاویر بدست آمده با استفاده از فیلترهای بالاگذر خطی  و غیرخطی است. در مقابل روش قبلی،ما یک مدل بازی از یک بخش از روند آموزشی  ارائه شده توسط نمونه از پرسش نمونه و منابع پنهان ارائه می کنیم. طبقه بندی استفاده جمعیت جمع آوری به عنوان مدل برای  استخراج نهایی اطلاعات است که به دلیل پیچیدگی  کم محاسبات و توانایی  موثر آن در فضاهای با ویژگی بالا بوده است. چهارچوب ارائه شده بر سه الگوریتم پنهان نگاری برای مخفی کردن پیام در تصاویر ارائه شده است که شامل HUGO و الگوریتم لو و همکاران و کدگذاری مطلوب سه تایی است که اعمال یک روش در مدل اصلی را به صورت ساده برای افزایش دقت در ابعاد مدل را داشته و نشان می دهد که چگونه تشخیص اشباع با افزایش پیچیدگی مدل غنی شده است. با مشاهده تفاوت بین مدل های اصلی مختلف  که در این تشخیص شرکت کرده اند،واکنش های جالب بین آنها تعبیه شده است. استخراج اطلاعات در مدلهای تصویری غنی هوا با طبقه بندی گروهی امیدوار کننده برای اتوماتیک کردن اطلاعات برای طیف گسترده ای از طرح پنهان نگاری می باشد.

چکیده انگلیسی :

We describe a novel general strategy for building steganography detectors for digital images. The process starts with assembling a rich model of the noise component as a union of many diverse submodels formed by joint distributions of neighboring samples from quantized image noise residuals obtained using linear and non-linear high-pass filters. In contrast to previous approaches, we make the model assembly a part of the training process driven by samples drawn from the corresponding cover- and stego-sources. Ensemble classifiers are used to assemble the model as well as the final steganalyzer due to their low computational complexity and ability to efficiently work with high-dimensional feature spaces and large training sets.We demonstrate the proposed framework on three steganographic algorithms designed to hide messages in images represented in the spatial domain: HUGO, edgeadaptive algorithm by Luo et al. [32], and optimallycoded ternary ±1 embedding. For each algorithm, we apply a simple submodel-selection technique to increase the detection accuracy per model dimensionality and show how the detection saturates with increasing complexity of the rich model. By observing the differences between how different submodels engage in detection, an interesting interplay between the embedding and detection is revealed. Steganalysis built around rich image models combined with ensemble classifiers is a promising direction towards automatizing steganalysis for a wide spectrum of steganographic schemes.