基于虚特征分解的PQ图像隐写专用检测技术

基于虚特征分解的PQ图像隐写专用检测技术 () 文章编号 :100623080 20090220265205 基于虚特征分解的 P Q 图像隐写专用检测技术 1 ,2 1 1毛家发, 林家骏, 韩津生 (1 . 华东理工大学信息科学与 工程 路基工程安全技术交底工程项目施工成本控制工程量增项单年度零星工程技术标正投影法基本原理 学院 ,上海 200237 ; )2 . 上饶师范学院数学计算机系 ,江西 上饶 334001 ( ) ( ) 摘要 :提出了基于虚特征分解 I ED特征、针对抖动量化 PQ 隐写术的专用隐写分析方法。 利用统计学理论 ,分析了 J P E G 图像经 PQ 嵌入秘密信息后 ,其空域行和列的线性相关性降低 ; 并 ( ) 在实验结果中得到验证 。采用支持向量机 SV M 作为分类器 , 建立了一个测试数据库 ; 对基于 I ED 特征隐写分析方法进行了隐藏信息检测的仿真实验。实验结果 表 关于同志近三年现实表现材料材料类招标技术评分表图表与交易pdf视力表打印pdf用图表说话 pdf 明 : 该方法比其他现有的隐 写分析方法更有效 ,对 PQ 隐写术检测率超过 70 % ,且该方法具有较好的盲检测性能。 ( ) ( ) ( )关键词 :虚特征分解 I ED; 隐写分析 ; 隐写术 ; 抖动量化 PQ; 支持向量机 SV M 中图分类号 : T P309文献标志码 : A IED2Ba sed Special Detection Technology f or P Q Steganogra phy 1 , 2 1 1M A O J i a2f a, L I N J i a2j u n, H A N J i n2s he n g ( 1 . S c hool o f I n f o rm at i on S ci e nce a n d E n g i nee ri n g , E as t C h i n a U ni v e rs i t y o f S ci e nce a n d T ec h nol o g y , S h a n g h ai 200237 , C hi n a ; 2 . D e p a rt m e nt o f M at he m at i cs a n d Com p ute r S ci e nce , )S h a n g r ao T e ac he rs U ni v e rs i t y , S h a n g r ao 334001 , J i a n g x i , C hi n a () Abstract : We p ropo se a n I ED i ma gi na r y ei ge nval ue deco mpo sitio nba sed sp ecial dictio n al go rit h m fo r () st e ga nal ysi s of J P E G2ba se d PQ p er t ur be d qua ntizatio ne mbe ddi ng. Bo t h st ati stical a nal ysi s a nd e xp e ri2 me nt al re sult s sho w t hat t he PQ e mbeddi ng decrea se s li nea r dep e nde nce s of ro w s a nd col u mn s i n t he sp atial ( do mai n . Det ectio n e xp eri me nt al re sult s ill u st rat e t he vali dit y of t he p ropo sed sc he me . B y u si ng SV M sup2 ) po rt vecto r mac hi ne a s a cla ssifier , a t e st dat a ba se i s co n st r uct ed . Co mp a rative re sult s sho w t hat t he popo sed sc he me at t ai n s bet t e r det ectio n p e rfo r ma nce t ha n o t her st e ga nal ysi s sc he me s. Mo reo ve r , t he p ro2 po se d st ega nal yzer reac he s a det ectio n accuracy of o ver 70 % fo r det ecti ng PQ e mbe ddi ng , a nd ha s a bet t e r p e rfo r ma nce of bli nd det ecti ng . ( ) Key words : i ma gi na r y ei ge nval ue deco mpo sitio n IED ; st ega nal y si s ; st ega no grap hy ; p e rt ur bed ( ) ( )qua ntizatio n PQ; suppo r t vecto r machi ne SV M 随着数字多媒体和网络技术的发展 ,信息隐藏用 ,其主要目的是进行秘密非法通信。根据数据嵌 ( ) 技术在理论和工程上得到长足的发展。信息隐藏是 入的领域划分 ,隐写术可以分为 : 扩频 SS、最不重 () ( ) 将秘密数据隐藏在可公开的载体中进行传送 ,以实 要位 L SB和量化调制 Q IM3 种隐写方式。隐写 现秘密通信。隐写术是一种典型的信息隐藏的应 分析是一种与隐写术相对抗的技术 ,它致力于发现 收稿日期 :2008203219 ( ) ( )基金项目 :江西省教育厅科技基金项目Gjj08462;上海市教育发展基金会晨光计划2008 C GB21 ( ) 作者简介 :毛家发19702,男 ,江西玉山人 ,上饶师范学院副教授 ,博士 ,主要研究方向为数字水印、隐写分析、模式识别、图像与信号处理。 E2mail : maojiaf a_ecu st @126 . co m 由隐写术隐匿于载体中的秘密信息 ,揭示其真正的,经 PQ 隐写后生轻微的变化。例如在平滑的区域 通信目的和隐秘通信发生的事实 。近十年来 ,隐写 其平滑度会降低 ,通过对给定图像的虚特征分解 ,这 技术得到了快速的发展 ,与之相对抗的隐写分析技 种行或列的线性相关性的改变就能够被检测出 。 术也得到了相应的提高。特别在美国 9 . 11 事件以 1 . 1 虚特征分解 IED 后 ,由于怀疑恐怖分子利用隐写技术进行隐密通信 , 在线性代数里 , 特征值分解 EVD 是一种极其 n ×n 重要的工具 。对于矩阵 A ?R, A 能与实对角形 各国相关部门和科研机构都加大了对隐写分析技术 矩阵相似的充要条件是 A 有 n 个线性相关的特征 的研究力度 ,新的成果不断出现。 向量 , 这个条件在图像矩阵里是不可能达到的 。因 隐写分析对隐写术的攻击 ,目的是为了检测秘 为图像相邻行或列的像素值很相近 , 也就是说其相 密消息的存在以至破坏隐秘通信 。隐写分析是解决 邻行或列的相关度很高。因此 , 为使图像矩阵能进 非法使用隐写术问 题 快递公司问题件快递公司问题件货款处理关于圆的周长面积重点题型关于解方程组的题及答案关于南海问题 的关键技术 。目前对于已确定 行特征分解 , 将实空间里图像矩阵延拓至复空间。 的数据隐藏方式 ,已先后提出许多隐写分析方法 ,如 m ×n 设图像 I ?C, S 是图像 I 的 W ×W 的子文献[ 1 ]针对 SS 嵌入方式 、文献[ 2 ] 针对 Q IM 隐藏 W ? 块 , 简称其为子空间 ,V 是 S 的实秩空间 , V 是 S数据、文献[ 3 ]针对 L SB 嵌入方式的隐写分析方法 、 W W 的虚秩空间 , 即文献[ 4 ] 实现了 J P E G2000 L aay2mo de 隐写术的可 1 ×W[ 527 ] αλα = sp a n{ a?R| S= ?0 ,V k Wk kk 靠检测算法。当然 ,通用的隐写分析技术是对不 λ, r} ( ) ?R , k = 1 ,1 k 知隐写技术情况下的一种盲攻击技术 ,它对不知用 1 ×W ? α ?C|S α= 0 或 Sα= λα, V = sp a n{k 何种嵌入方式嵌入秘密信息的媒体进行检测 ,是更 Wk Wk kk ( )λ 2 ?C , k = r + 1 ,, W } k具有实用性的一种隐写分析方法 。 [ 829 ] λ 其中 :0 为零向量;为图像子空间 S 的特征根; Rk W ( ) 近来提出的抖动量化 PQ 隐写术是一种频 为实数; C 为虚部不为零的虚数。r < W , r 是 S 的W 域量化的信息隐藏方法 ,首先用秘密信息对载体数 αααααα 实秩 , {,,,} 是个正交集 , {,,,} 是1 2 W 1 2 r 据进行抖动 ,然后进行量化以嵌入秘密信息 。这种 对应 S非零实特征值的正交特征向量的集合 。W 方法复杂度低 ,能够通过量化步长方便地对嵌入失 α ααα ,] , 因为令矩阵 Q = [,,] , Q = [,W 真与算法鲁棒性进行折中 。它是一个很实用、很稳 1 r r + 1 ? RW = V ?V , 每个图像子块 SW ?RW 都有一个唯一健的隐写术 , 而且目前现有的隐写分析方法检测 的分解形式 :PQ 隐写术嵌入的秘密信息效果不很理想。鉴于这 ?( )S= S+ S 3 ( ) WV V 种情况 ,本文提出了基于虚特红分解 I ED 的 PQ T ? QQS图像隐写专用检测技术。PQ 隐写术虽然通过随机 其 中 : S= ?V ,= W = V= PSWSV PS W T ??地改变图像 DC T 系数来实现隐写目的 , 但图像空 Q Q S?V , P 和 P 分别是 V 和 V 上的正交投影W ?算子。这里称 V 和 V 分别为实特征子空间和虚特 域中的行或列的线性相关性还是受到一定程度的影 征子空间 。若实特征子空间的维数为 r , 则虚特征 响 : J P E G 图像经 PQ 嵌入秘密信息后 ,其空域行和 子空间的维数为 W - r 。 列的线性相关性降低了。I ED 特征能够很好地反映 ( 同时 , 矩阵线性相关的行数或列数与特征值 也 出图像的线性相关性的改变。 ) 称特征根为零或虚数的个数是相等的 。这是因为 ( ) 实特征根的个数 重根按重数计与实特征子空间的 1 基于虚特征分解的隐写分析特征维数相同 , 都为 r , 零和虚特征根的个数就为 W - r , 虚特征子空间的维数也为 W - r , 而虚特征子空间 在信息嵌入前 , 在 PQ 隐写 方案 气瓶 现场处置方案 .pdf气瓶 现场处置方案 .doc见习基地管理方案.doc关于群访事件的化解方案建筑工地扬尘治理专项方案下载 里 , 先对原始的维数反映矩阵的行或列线性相关性。 图像进行消去冗余信息操作 ,包括量化 、剪切和模/ 定理 1 设干净图像零和虚特征值的个数为数转换等 。在 PQ 嵌入秘密信息过程中 ,根据嵌入 N , 掩密图像零和虚特征值的个数为 N , 则有co st 数据 ,随机地抖动量化系数 ,因此称其嵌入方式为抖 动量化隐写术。应用 PQ 隐写后 ,秘密信息嵌入到 ( )N > N 4 co st J P E G 图像的 DC T 系数里 ,原始图像重新压缩 。这 成立。 证明 由文献[ 10 ]知 , 干净图像的梯度能量小 一轻微的量化抖动 , 引起了图像 DC T 非零系数的 于掩密图像的梯度能量 , 也就是说干净图像矩的阵 改变。虽然这种变化是细微的 ,肉眼不可能发现 ,但 行或列的相关性比掩密图像矩阵行或列的相关性 图像不同区域的改变引起了整个图像的统计特性改 强。即当图像矩阵嵌入秘密信息后 , 其行或列线性 变。在图像的空域里 ,其行或列的线性相关性也发 相关性减弱 。实特征子空间的维数将增加 , 虚特征 子空间的维数减少 , 那么 , 零或虚特征根的个数就减 ( ) 少。因此式 4成立。证明完毕。 ( 图 1 是对 500 幅掩密 J P E G 图像 嵌入率为 ) 0 . 3 bp c和 500 幅干净 J P E G 图像零和虚特征值个 数的统计结果 ,每幅图像分解成大小为 16 ×16 、重 叠率为 50 %的图像子块。由图可以清楚地看出 , N > N 成立 。co st 图 2 干净与掩密图像实特征值的平均能量 Fig. 2 Average ener gy of real f eat ure val ue fo r co ver a nd stego i mage s 1 2( ) λ 特征 2 : f 2 W =i , 其中 W = 4 , 8 , 12 , ?B B , 32 ; i = 1 , 2 , , W ; B 同上 。 ( ) ( ( ) ) 特征 3 : f W = Va r f W , 即 1 类特征的3 1 方差作为特征 3 。 ( ) ( ( ) ) 特征 4 : f W = Va r f W , 即 2 类特征的 4 2 图 1 干净与掩密图像的零和虚特征值平均个数方差作为特征 4 。 Fig. 1 Average number of zero and imagina r y f ea2 由以上 4 类特征定义可以计算出 :每类特征都 t ure val ue fo r co ver a nd stego image s 有 8 个特征值 , 这样 4 类总共有 32 个特征值 。也就 是说 , 每张待测图像将被提取 32 个特征值 , 这 32 个 H λλλ 定义 1 设矩阵的特征值为, 则称×为矩特征值构成 32 维特征向量。图 3 是 4 类特征中的 H λλ阵的特征值能量。这里为特征值共轭复数 , 如 ( ) 3 个特征值 , 分别是第 1 类特征中的 f 8、第 3 类 1 2 λλ果为实数 , 那么特征值能量就是。 ( ) ( ) 特征中的 f 8和第 4 类特征中的 f 8, 它们构 3 4 设干净图像实特征值平均能量为 E, 掩密图像 co 成 1 个三维特征向量 。实特征值平均能量为 E, 则有st ( ) E? E5 co st ( 图 2 是 500 幅干净图像及 500 幅掩密图像 嵌 ) 入率为 0 . 3 bp c实特征值平均能量的比较 。图中实 线是干净图像实特征值平均能量 , 虚线是掩密图像 实特征值平均能量 , 实线始终在虚线下方。实验结 ( ) 果说明了式 5的成立。 1 . 2 隐写分析特征的构建 为了获得基于虚特征分解的空域图像隐写分析 特征 , 图像首先被分解成大小为 W ×W 的子块 S ,W ( ( ) ( ) ( ) ) 图 3干净图像与掩秘图像特征 f 8、f 8、f 8的1 3 4 三维图 并对每一子块进行虚特征分解 。定义如下隐写分析 特征。 ( ( ) ( ) ( ) )Fig. 3 32D plo t of f eat ure f 8, f 8, f 81 3 4 fo r co ver and stego image s 1 δ(λ)( ) 特征 1 : f W = i , 其中 W = 4 , 8 ,1 ?B B 1 . 3 分类器 设计 领导形象设计圆作业设计ao工艺污水处理厂设计附属工程施工组织设计清扫机器人结构设计 δ( ) δ , , 32 ; i = 1 , 2 , 12 , W ;为脉冲函数 , 即k= ( ) 在实验过程中 , 本文使用 4 类特征 f W ,1 ( ) 1 , k ?{ 0 ?C| i ma g k?0} ; B 为图像分解成具有+ - ( ) ( ) ( ) f W , f W 和 f W , 由于 W = 4 , 8 , 12 ,, 32 , 2 3 4 0 , k ?{ R?R} 因此 ,每类特征具有 8 个特征值。这样共有 32 个特 50 %重叠 、大小为 W ×W 的子块总数 。 ) 征值 ,把这 32 个特征值构成 32 维特征向量 , 用这Det ectio n Rat e, 即为正确地识别掩密图像。嵌入 ( 32 维特征向量来描述一幅待检测的图像。 支持向率为 0 的检测率为阴性检测率 ND R Ne gative De2 ( ) ) 量机 SV M对高维数据的计算效果很 t ectio n Rat e, 即为正确地识别干净图像。从表 2 可以看出 :当嵌入率为 0 . 4 ,0 . 3 ,0 . 2 bp c 时 ,本文提 好 ,而本文所提取的特征是一高维特征向量 ,因此 , [ 11 ] ( 使用 J o ac hi m s 的 SV M作为分类器 。由于 Ga u ss出的 I ED 的 漏 警 率 FN R Fal se Negative Rat e , ) 核函数具有某些良好的性态 ,在模式识别、人工神经 FN R = 1 - P RD分别为 20 . 35 % ,24 . 15 % ,25 . 4 % ; ( 网络等许多问题中得到广泛的应用 ,其应用于支持 而虚警率 F P R Fal se Po sitive Rat e , F P R = 1 - ) 向量机也表现出较强的学习能力 。因此 ,本文采用 ND R为13 . 15 % ; 其 PD R 随着嵌入率的增加而增 非线性 Ga u ss 核作为支持向量机的核函数 。 大 ,这与嵌入率越高 ,越容易检测理论是一致的 。 表 2 IED 和其他隐写分析方式的 PQ 检测率 2 仿真实验Table 2 Detectio n rate s fo r IED and t he o t her detectio n schemes 2 . 1 测试数据库( )PDR/ % NDR/ Schemes 在隐写分析研究中 ,建立大而全的图像库是一 ( )% 0 . 4 0 . 3 0 . 2 项基本而重要的工作 。本文的图像库中有 3 000 多 I ED 79 . 65 75 . 85 74 . 60 86 . 85 幅用来实验的干净图像。采用自然的、频繁在文献 63 . 50 57 . 45 53 . 56 72 . 45 WBS () 中出现的图像 L e n na 、Ca mera ma n 等、用数码相机 61 . 45 57 . 30 54 . 65 73 . 50 HOB S ( 拍摄的图像、由计算机生成的图像 如经 Mat la b 、 FBS 59 . 55 55 . 25 53 . 83 71 . 45 Pho to shop 、A CD 等图像处理软件处理过的图像及 B SM 59 . 15 65 . 65 54 . 22 69 . 85 ) 卡通图片和文献[ 4 ]使用过的图像。这些干净图像 按文献[ 4 ] 所描述的 PQ 嵌入方式 , 分别嵌入 0 . 4 , 本文用相同的训练图像集来训练其他 4 种方法 ) ( 0 . 3 和 0 . 2 bp c 位/ 非零 DC T 系数的秘密信息 。 的 SV M 分类器 ,并用相同的测试集进行分类测试 。 表 1 列出了分别用来训练和测试的图像数量 。其中 图 4 是本文提出的方法与其他 4 种方法的接收机性( ) 嵌入率 Embe ddi ng Rat e s , ER为 0 的图像集就是 () 能曲线 嵌入率分别为 0 . 4 ,0 . 3 和 0 . 2 bp c。由图 干净图像集 ,即不掩密信息的图像集 。 4 可以看出 ,本文提出的方法比其他 4 种方法的检 测性能要好 。 表 1 不同 ER 的图像训练测试集 () 为了验证本文提出的方法具有通用 或盲隐写 Ta ble 1 Train set o r test set of diff erent embedding rate s 分析性能 ,即能够对基于扩频信息隐藏方法的检测 , ER/ bpc Trai n set Te st set ( 本 文 从 P. Gree n sp u n 网 站 上 ht tp :/ / p hilip . 0 . 4 500 1 000 ) gree n sp u n . co m下载了 800 幅 J P E G 干净图像 ,并 0 . 3 500 1 000 分别用 J st e g 、F5 、J p hi de 、O ut gue ss 、Co mo uf la ge 和 0 . 2 500 1 000 ( J p h swi n 6 种嵌入工具嵌入秘密信息 嵌入率分别为0 1 000 2 000 ) 0 . 4 ,0 . 3 ,0 . 2 bp c,用其 300 ×6 ×3 幅掩密图像和 300 幅干净图像进行训练 ,剩余 500 ×6 ×3 幅掩密 2 . 2 实验结果 图像用作测试 ,实验结果见表 3 。通过对 6 种嵌入 将实验图像集分成没有重叠的两个子集 ,即训 方法的检测 ,检测性能在52 . 9 %,7 3 . 4 %之间 。由 练集与测试集。每个子集都有干净图像和掩密图像 两部分。首先从训练集的图像提取特征 ,用这些特 表 3 6 种 J P E G 图像嵌入方式的 IED 检测性能 征训练 SV M 分类器 , 即确定 Ga u ss 核函数中参数 Table 3 Det ectio n perfo r mance of IED fo r t he six diff erent σ;然后用这个 SV M 分类器来分类测试集图像 。表J P E G stega no grap hy 2 中给出了本文提出的 I ED 方法 、基于特征的隐写 ( ) Det ectio n p e rfo r ma nce/ % [ 12 ] ( ) 分析 FB S方法、基于高阶统计量的隐写分析 ER [ 13 ] J st eg F5 J p hi de O ut gue ss Co mo ufla ge J p h swi n ( ) HOB S方 法、基 于 二 元 相 似 度 的 隐 写 分 析 [ 5 ] 0 . 4 73 . 4 68 . 5 71 . 8 59 . 5 64 . 4 76 . 8 () ( )B SM方法和基于小波分解的隐写分析 WB S [ 14 ] 0 . 3 70 . 8 67 . 2 64 . 6 57 . 6 61 . 7 74 . 6 方法检测率的比较。嵌入率分别为 0 . 4 , 0 . 3 和 0 . 2 65 . 3 61 . 7 5 . 3 2 . 9 58 . 8 73 . 8 ( 0 . 2 bp c ,其检测率指的是阳性检测率 PD R Po sitive 图 4 接收机性能曲线 Fig. 4 ROC curve s of IED a nd t he o t her fo ur stega nalysi s scheme s F P/ bpc :a —0 . 4 ; b —0 . 3 ;c —0 . 2 张新鹏 ,王朔中 ,张开文. 基于统计特性的 L SB 密写分析研究[ 3 ] 此可以看出本文提出的 I ED 虽然检测性能不是很( ) [J ] . 应用科学学报 ,2004 , 22 1:16219 . 高 ,但具有一定的通用检测能力。谭舜泉 ,黄继武 ,杨志华. 基 于 Hil bert2Huang 变 换 的 [ 4 ] ( ) J P E G2000 隐写分析 [ J ] . 计算机学报 , 2006 , 29 9 : 17022 1710 . 3 结束语Avci ba s I , Kha r razi M , Memo n N , et al . Image st eganal ysi s [ 5 ] wit h bi na r y si mila rit y mea sure s [ J ] . EU RA SIP J Appl Signal 本文提出了基于 I ED 特征的、针对 PQ 隐写术( ) Proce ss , 2005 17:274922757 . 的隐写分析方法。用统计学理论 ,分析了 J P E G 图 戴蒙 ,林家骏 ,毛家发. J P E G 二次压缩的分析与检测[ J ] . 中 [ 6 ] ( ) 国图象图形学报 ,2006 ,11 11: 161921622 . 像经 PQ 嵌入秘密信息后 ,其空域行和列的线性相 Ha r msen J , Pea rl ma n J . St ega nal ysi s of additive noi se mo del2 关性降 低了 , 并 在 实 验 结 果 中 得 到 验 证。使 用[ 7 ] a ble i nfo r matio n hidi ng [ D ] . New Yo r k : Ren sselaer Pol yt ech2 J oachi m s 的 SV M 作为分类器 , 对 PQ 方案嵌入不 nic In stit ut e ,2003 . () 同嵌入率的掩密图像和干净图像 共 7 500 幅进行 Fri drich J , Golja n M , So ukal D . Pert ur bed quantizatio n st eg2 [ 8 ] a no grap hy wit h wet pap er co de s [ C ] / / Proc A CM Multi media 了分类实验 , 实验结果表明 : 本文提出的基于 IED securit y Wo r k shop . Magdebur g , Ger ma ny : A CM , 2004 : 42 特征的隐写分析方法比其他现有的隐写分析方法更 15 . 有效。又通过 6 个常用的 J P E G 隐写工具 ,嵌入不 肖俊 ,王颖. 基于块奇异值分解的水印算法研究[J ] . 中国科学 ( ) [ 9 ] 院研究生院学报 , 2006 , 23 3: 3702376 . 同嵌入率的共计 14 700 幅掩密和干净图像 ,进行分 Lie Wennung , Li n Guo shia ng. A f eat ure2ba sed cla ssificatio n 类检测实验。实验结果表明本文提出的方法对其他 [ 10 ] t echni que fo r bli nd i mage st ega nal ysi s[J ] . I E EE Tra n sactio n s 隐写术也有较好的检测性能。 ( ) o n mul ti media ,2005 ,7 6: 100721020 . 在进一步工作中 ,我们将致力于基于 I ED 特征 J oachi ms T. Ma ki ng la r ge2scale SV M lea r ni ng p ractical [ C ] / / 的通用性检测研究 ,增加或减少特征维数 ,使其更能 [ 11 ] Advance s i n Ker nel Met ho ds2Suppo rt Vecto r L ear ni ng . U SA : 够反映干净图像与掩密图像差别 。寻找一个与特征 M I T Pre ss ,1999 :1692184 . Fri drich J . Feat ure2ba sed st eganal ysi s fo r J P E G i mage s a nd it s 相适应的分类器 ,提高基于 I ED 特征隐藏信息盲检 [ 12 ] i mplicatio n s fo r f ut ure de si gn of st egano grap hic sche me s 测的通用性能。 [ C ] / / Proceedi ng 6t h Info r matio n Hi di ng Wo r k shop . To ro n2 to , Ca nada : Sp ri nger2Heidel ber g , 2005 : 67281 . 参考文献 :L yu S , Fa rid H . Det ecti ng hidden message s u si ng higher2o r der [ 13 ] st ati stics a nd suppo rt vecto r machi ne s[ C ] / / Info r matio n Hid2 [ 1 ] Sulliva n K , Madho w U ,Cha ndra secha ra n S , et al . St eganal ysi s i ng 5t h Int er natio nal Wo r kshop . New Yo r k : Sp ri nger2Verlag , of sp read spect r u m dat a hidi ng exploiti ng co ver me mo r y [ C ] / / 2002 : 3402354 . Proceedi ngs of t he SP I E 2005 . New Yo r k : Sp ri nger2Verlag , Shi Yun Q . Image st ega nal ysi s ba sed o n mo ment s of cha rac2 [ 14 ] 2005 : 38246 . t eri stic f unctio n s u si ng wavelet deco mpo sitio n , p redictio n2 [ 2 ] Sulliva n K ,Bi Z , Madho w U , et al . St ea nal ysi s of qua ntizatio n er ro r i mage , and neural net wo r k [ C ] / / I EE E Int er natio nal i ndex mo dulatio n dat a hi di ng [ C ] / / I E EE Int er natio nal Co n2 Co nf erence o n Multi media a nd Expo 2005 . A mst er da m , f erence o n Image Proce ssi ng 2004 . Si ngapo re : U niver sit y of The Net herla nds : Si gnal Pre ss ,2005 :2692272 . Cent ral Flo rida Pre ss ,2004 ,2 :116521168 .