X-Git-Url: https://bilbo.iut-bm.univ-fcomte.fr/and/gitweb/hdrcouchot.git/blobdiff_plain/523864c862215a63c5133568a9771f5b8f60c89e..21064a689bad8fe8e8666af593cad468f1a89483:/stegoyousra.tex?ds=inline diff --git a/stegoyousra.tex b/stegoyousra.tex index fdc3bf4..d931298 100644 --- a/stegoyousra.tex +++ b/stegoyousra.tex @@ -1,10 +1,10 @@ La plupart des schémas de stéganographie sont conçus de sorte à minimiser une fonction de distorsion. Dans les exemples du chapitre précédent, ces fonctions de distorsion sont construites dans l'objectif de préserver -les caractéristiques de l'images. +les caractéristiques de l'image. On comprend aisément que dans des régions uniformes ou sur des bords clairement définis, une modification même mineure de l'image est facilement détectable. -Au contraire dans les textures, le bruit ou les régions chaotiques +Au contraire les textures, le bruit ou les régions chaotiques sont difficiles à modéliser. Les caractéristiques des images dont ces zones ont été modifiées sont ainsi similaires à celles des images initiales. @@ -17,17 +17,19 @@ pour les courbes de niveau. Pour peu qu'on sache définir une fonction $P$ qui associe à chaque pixel $(x,y)$ sa valeur $P(x,y)$, les pixels tels que les dérivées secondes de $P$ ont des valeurs élevées -sont des bon candidats pour contenir un bit du message. +sont des bons candidats pour contenir un bit du message. Cependant, une telle fonction $P$ n'est connue que de manière discrète, \textit{i.e.}, en un nombre fini de points. Les dérivées premières et secondes ne peuvent donc pas être évaluées mathématiquement. -Au mieux, on peut construire une fonction qui approxime ces $P$ sur cet ensemble +Au mieux, on peut construire une fonction qui approxime les +dérivées de $P$ sur cet ensemble de pixels. Ordonner alors les pixels selon la matrice hessienne (\textit{i.e.}, la matrice des dérivées secondes) n'est pas trivial puisque celle-ci contient de nombreuses valeurs pour un seul pixel donné. On verra dans ce chapitre comment des approximations des dérivées -premières et secondes pour des images numériques (Section~\ref{sec:gradient}) on peu être +premières et secondes pour des images numériques (Section~\ref{sec:gradient}) +ont pu être obtenues. Deux propositions de dérivées secondes sont ensuite données et prouvées (Section~\ref{sec:second} et Section~\ref{sec:poly}). @@ -71,8 +73,9 @@ En un pixel $(x_0,y_0)$, plus les valeurs de cette matrice sont éloignées de z plus le gradient varie en ce point. Évaluer ce type de matrice est ainsi primordial en stéganographie. Cependant cette tâche n'est pas aussi triviale qu'elle n'y paraît puisque les images naturelles ne sont pas définies à l'aide -de fonction différentiables de $\R^+\times \R^+$ -dans $\R^+$. La suite montre comment obtenir des approximations de telles matrices. +de fonctions différentiables de $\R^+\times \R^+$ +dans $\R^+$. +La suite montre comment obtenir des approximations de telles matrices. \subsection{Approches classiques pour évaluer le gradient dans des images}\label{sub:class:1} Dans ce contexte, les approches les plus utilisées pour évaluer un gradient @@ -82,13 +85,13 @@ Chacune de ces approches applique un produit de convolution $*$ entre un noyau $3\times 3$. Le résultat $A * K$ est une approximation du gradient horizontal \textit{i.e.}, $\dfrac{\partial P}{\partial x}$. -Soit $K\rl$ le résultat de la rotation d'un angle $\pi/2$ sur $K$. +Soit $K'$ le résultat de la rotation d'un angle $\pi/2$ appliquée à $K$. La composante verticale du gradient, $\dfrac{\partial P}{\partial y}$ est obtenue -de manière similaire en évaluant $A * K\rl$. Lorsqu'on applique ceci sur toute -la matrice image, on obtient peu ou prou une matrice de même taille pour chacune des +de manière similaire en évaluant $A * K'$. Lorsqu'on applique ceci sur toute +la matrice image, on obtient une matrice de même taille pour chacune des dérivées partielles. -Les deux éléments de la première ligne (respectivement de la seconde ligne) +Les deux éléments de la première colonne (respectivement de la seconde) de la matrice hessienne sont le résultat du calcul du gradient sur la matrice $\dfrac{\partial P}{\partial x}$ (resp. sur la matrice $\dfrac{\partial P}{\partial y}$). @@ -122,9 +125,9 @@ de gradient d'images}\label{sub:class:2} Il est connu que $\dfrac{\partial^2 P}{\partial x \partial y} $ est égal à $\dfrac{\partial^2 P}{\partial y \partial x}$ si -les méthode qui calculent le gradient et le gradient du gradient (la matrice hessienne) +les méthodes qui calculent le gradient et le gradient du gradient (la matrice hessienne) sont les mêmes. -Le tableau~\ref{table:hessian:usual} résume les les noyaux +Le tableau~\ref{table:hessian:usual} résume les noyaux $K_{x^2}''$ et $K_{xy}''$ qui permettent de calculer respectivement @@ -235,15 +238,16 @@ pour chacun des opérateurs de gradient rappelés à la section précédente. \end{table} -Le noyau $\textit{Ks}_{x^2}''$ permet de détecter si le le pixel central -pixel central appartient à une bord ``vertical'', même si celui contient du bruit, -en considérant ces voisins verticaux. Ces derniers sont vraiment +Le noyau $\textit{Ks}_{x^2}''$ permet de détecter si le +pixel central appartient à un bord ``vertical'', même si celui-ci + contient du bruit, +en considérant ses voisins verticaux. Ces derniers sont vraiment pertinents dans un objectif de détecter les bords. Cependant, leur lien avec les lignes de niveau n'est pas direct. De plus tous les pixels qui sont dans la deuxième et la quatrième colonne de ce noyau sont ignorés. Le noyau de Prewitt a des propriétés similaires. Le noyau de différence centrale $\textit{Kc}_{x^2}''$ n'est pas influencé par les -voisins verticaux du pixel central et peu paraître plus adapté ici. +voisins verticaux du pixel central et peut paraître plus adapté ici. Cependant, le noyau $\textit{Kc}_{xy}''$ perd aussi les valeurs des pixels qui sont alignés verticalement et diagonalement avec le pixel central. Enfin, le noyau de différence intermédiaire $\textit{Ki}_{x^2}''$ décale @@ -288,10 +292,10 @@ qui représente en effet les variation horizontales de la partie horizontale du gradient autour du pixel central. On obtient donc bien une approximation de $\dfrac{\partial^2 P}{\partial x^2}$. Lorsque $n$ vaut 1, ce noyau est une version centrée du noyau horizontal de différence -intermédiaires. $\textit{Ki}_{x^2}''$ à un facteur $1/2$ près). +intermédiaire. $\textit{Ki}_{x^2}''$ à un facteur $1/2$ près). Lorsque $n$ vaut 2, on retrouve $\textit{Kc}_{x^2}''$. -Les variations verticales du gradient sont aussi obtenus en faisant subir +Les variations verticales du gradient sont aussi obtenues en faisant subir à $\textit{Ky}_{x^2}''$ une rotation d'angle $\pi/2$. Les variations diagonales sont obtenues à l'aide du gradient $\textit{Ky}_{xy}''$ défini par: @@ -372,7 +376,7 @@ et de $\dfrac{\partial^2 P}{\partial y^2}$. La section suivante étudie la pertinence d'interpoler une image par un polynome -lorsqu'on cherche a obtenir ces dérivées secondes. +lorsqu'on cherche à obtenir ces dérivées secondes. \section{Interpolation polynomiale pour le calcul de la matrice hessienne}\label{sec:poly} @@ -397,7 +401,7 @@ L(x,y) = \right) \end{array} \end{equation} -On peut facilement prouver que les dérivées partielles de $L$ selon $x$ est +On peut facilement prouver que la dérivée partielle de $L$ selon $x$ est \begin{equation} \begin{array}{l} \dfrac{\partial L}{\partial x} = @@ -454,7 +458,7 @@ P(i,j) \label{eq:deriv:poly:yx} \end{eqnarray} Ces dérivées secondes sont calculées pour chaque pixel central, \textit{i.e.} le pixel dont l'indice est $(0,0)$ dans la fenêtre. -En considérant cette particularisation, l'équation~(\ref{eq:deriv:poly:x2}) peut +En considérant cette particularisation, l'équation~(\ref{eq:deriv:poly:x2}) se simplifie en \begin{equation} @@ -542,7 +546,7 @@ On remarque que pour $n=1$, le noyau est égal à $Kc''_{xy}$. \section{Fonction de distorsion}\label{sec:distortion} Une fonction de distorsion associe à chaque pixel $(i,j)$ -le coût $\rho_{ij}$ du modification par $\pm 1$. L'objectif est d'associer une +le coût $\rho_{ij}$ de modification par $\pm 1$. L'objectif est d'associer une valeur faible aux pixels dont toutes les dérivées secondes sont éloignées de 0 et une valeur rédhibitoire sinon. Dans WOW comme dans UNIWARD la fonction de distorsion est définie par @@ -556,7 +560,7 @@ Dans WOW comme dans UNIWARD la fonction de distorsion est définie par \] où $p$ est un nombre négatif et $\xi_{ij}^h$ (resp. $\xi_{ij}^v$ et $\xi_{ij}^d$) -représentent la pertinence horizontale (resp. verticale et diagonale) de modification. +représente la pertinence horizontale (resp. verticale et diagonale) de modification. Une faible pertinence dans une direction signifie que l'embarquement dans ce pixel est inapproprié. La fonction de distorsion que l'on a retenu est une particularisation ($p=-1$) @@ -612,10 +616,9 @@ concentrent les changements. Les deux méthodes présentées ici dépendent de noyaux dont la taille va jusqu'à $(2N+1)\times(2N+1)$. Cette section montre comment évaluer $N$ pour maximiser le niveau de sécurité. -Pour chaque approche, 1,000 images stégos avec -$N=2$, $4$, $6$, $8$, $10$, $12$ et $14$ et dont les supports appartiennent -à l'ensemble des 10000 images du challenge BOSS. -LA sécurité de l'approche a été évaluée avec le stéganalyseur +Pour chaque approche ($N=2$, $4$, $6$, $8$, $10$, $12$ et $14$), +1000 images stégos du challenge BOSS ont été selectionnées. +La sécurité de l'approche a été évaluée avec le stéganalyseur Ensemble Classifier~\cite{DBLP:journals/tifs/KodovskyFH12}. Pour un taux d'embarquement $\alpha$ égal soit à $0.1$ ou soit à $0.4$, l'erreur moyenne de test (exprimée en pourcentage) a été calculée. @@ -623,7 +626,7 @@ Le tableau~\ref{table:choice:parameter} synthétise les résultats. On observe que la taille $N=4$ (respectivement $N=12$) permet d'obtenir des erreurs suffisamment élevées pour l'approche basée sur $Ky$ (resp. pour celle basée sur $Ko$). -Ces deux valeurs de paramètre sont retenues par la suite. +Ces deux valeurs de paramètres sont retenues par la suite. \begin{table}[ht] \caption{Erreur moyenne de test en fonction de la taille du noyau}