Internati o nal  Journal of Ele c trical   and Computer  Engineering  (IJE CE)  V o l.  4, N o . 4 ,  A ugu st  2014 , pp . 57 3 ~ 58 4  I S SN : 208 8-8 7 0 8           5 73     Jo urn a l  h o me pa ge : h ttp ://iaesjo u r na l.com/ o n lin e/ind e x.ph p / IJECE  An Adaptive Steganography Sche me Bas e d on Vi sual Qu ality  and Embedding Capacity Improvement      Mo jt ab a B a h m anz a de g a n  J a hr omi * , K a ri m Faez * *   * Departm e nt  of   Com puter Engin eering ,  S c ienc e  a nd Res ear ch Br a n ch, Is l a m i c A z a d  Univers i t y ,  Qa zvin,  Iran   ** Electr i cal  En gineer ing Dep a rtment, Amirkabi r   University  of Technolog y ,  Tehr an,  I r an       Article Info    A B STRAC T Article histo r y:  Received Apr 21, 2014  Rev i sed   May 30 , 20 14  Accepted  Jun 16, 2014      In this paper ,  a  steganograph y   t echniqu e using  LSB substitutio n and PVD  method is presen ted  as an  adaptiv e  sc heme in  th e spatial  domain. Our  method  partitions the gray scale im age in to several non-o v erlapp ing block s  with three  cons ecut i ve p i xe ls . Th e em bedd ing algor ithm can  both r e place the secret d a ta  with the LSBs  of the middle pixel a nd embed  it in the differ e nce values  between  the middle pix e l and  its  two neighbor in g pixels of  th e cover-block .  The number of secret bits is dete rmined ad aptively  bas e d on the range  divisions for embedding in th e diff eren ce v a lue. We d e fin e   a new r a ng e  division on gray level which  tak e s in to accoun t a  larg er em bedding  cap a c i t y   for bits. After  th e embedding ,  th e propos ed meth od detects  the pixels which   are sensitiv e to h y per distort i o n . Then, th e e m bedding proce ss will be   repeated to pro duce insignificant visu al distor tion in those p i xels. Ou r   experimental results dem onstrate that  this iter a tive steg anograp h y  schem e   prevents significant visual distor ti on into stego-image. The g e nerated PSNR  values are high er than  the  corres pondi ng valu es  of the most com m only  used  methods, discussed in  this stud y .   Furthe rmore, th e experimen t al results show  that the hid i ng  capac it y   incr ea s e d e normously  when the prop osed range  division is used. Finally ,  we illust rate th at the method can pass R S  and  s t egana l y s is  det e ctor  att acks . Keyword:  Ada p tive stega n ography   Least-sign ifican t-b it  su bstitu tio n  Pi xel - val u e di f f ere n ci n g   Copyright ©  201 4 Institut e  o f   Ad vanced  Engin eer ing and S c i e nce.  All rights re se rve d .  Co rresp ond i ng  Autho r :  Mojta b a Bahm anzade g a n  Ja hrom i,    Facul t y  o f  C o m put er an d I n f o rm at i on Tec h nol ogy   En gi ne eri n g,   Q a z v in  Br an ch I s la mi c Azad  Uni v ersity,  Baraj i n Un iversity Ro ad ,  Qazv in , Iran.  Em a il: b a h m an zad eg an@q iau.ac.ir       1.   INTRODUCTION  In  recent years ,  data sec u rity has becom e  one of t h e m o st im portant issue s  of  hum a n societies due t o   i n crease d   dat a   t r ansm i ssi on o v er c o m put er  net w or ks  [1] .   I n  t h i s  c o nt ext ,  secret  c o m m u n i cat i on s c i e nc e has   been prese n ted to inc r ease i n form ati on secu r i t y . St egan og ra phy  i s   o n e  of  t h e m o st  im port a nt  t ech ni q u es  use d   t o  pr ovi de safe  com m uni cat i o n an d hi de sec r et   m e ssages  [2]. It has bee n  used since a n cient tim e s  and then  tu rn ed  i n to  an  i n tegral p a rt of  th e d i g ital era  after th e  de vel opm ent  of  com put e r s [ 3 ] .   In  f act , st egan o g ra phy  i s   carri ed  o u t  by  hi di n g  sec r et  m e ssages i n t o   a cove r m e di a such as t e xt , i m age, vi de o, e t c. In t h i s  pa p e r, an   im age has  bee n   use d  as  t h e   cove r-i m a ge a n d  t h e  res u l t  i m age o f  t h e e m beddi ng   pr o cess i s   nam e d st eg o- im age. In c ont rast, stega n alysis is the  scie nce  o f  fi ndi ng  s u c h   hi d d en  m e ssages  [4] .     Visu al  q u ality, em b e d d i ng  cap acity, and  i n fo rm ati o n  secu rity are t h ree features i n vestig ated   b y   researc h ers in steganogra phic eval uat i o n.  M o re ove r, t h e pu r pose  o f   st egan o g ra phy  i s  t o  ren d e r  secret   messag e s i m p e rcep tib le.  Alth oug h  it is i m p o s sib l e to  ach iev e  ex cellent resu lts fo r al l th ese featu r es in  a   steganogra phy  schem e , acceptable levels can be realized . Howe ve r, none  of them  shoul d be prioritized ove r  t h e ot her  t w o.    Evaluation Warning : The document was created with Spire.PDF for Python.
                        I S SN :  2 088 -87 08  I J ECE Vo l. 4 ,  N o . 4 ,  Au gu st 2 014   :   57 3  –  58 4  57 4 In a st e g an o g r a phy  m e t hod,  t h e secret  m e ssage hi di n g   pr ocess i n v o l v es  t w o  basi c st eps. T h e fi rs t   st ep i s  em bedd i ng a nd t h e sec o n d  i s  e x t r act i n g .  I n  t h e em beddi ng  p h ase,  a cove r i m age i s  chose n   base d o n  t h e   st egan o g ra phy  al go ri t h m  perf orm a nce, s u i t a bl y  fo r  s ecret data a n d the c o ver characte r istics. The   steganogra phy schem e   specifi es ap pr op ri at e regi ons  o f  t h e  cove r-i m a ge  and t h en em beds the secret m e ssage   into them . The n , t h e  resulting stego-im age is forwarde d to the  receive r.  In the  e x tracting  pha se, t h e  re ceiver  g i v e s th e steg o to  th e ex t r actio n fun c tio n and  th e secret m e ssag e   will b e  ex tracted.       In vie w  of  putt i ng secret data  into the cove r-im age, existing steganogra phy  m e thods ca n be divide d   i n t o  t w o  gene r a l  gro u p s:  (i ) Tran sf orm  do m a i n   m e t hods,  (i i )  Spat i a l  do m a i n   m e t hods.  The t r ans f o r m  dom ai n  ap pro ach es [5 ]- [9 ] c onv ert the cov e r-im ag e in to  ano t h e r  do m a in  (lik e the frequ en cy ) fi rst, an d th en  em b e d   t h e secret  m e ssage i n t o  t h e  t r ansf o r m e d coef fi ci ent s .  A l t hou g h  t h ese  m e t hods a d e q uat e l y  resi st  agai nst   st eganal y s i s  at t acks, t h ei r t i m e com p l e xi t y   is hi g h . I n  p r o p o se d spat i a l  do m a i n   m e t hods [1 0] -[ 2 1 ] ,  t h e secret   d a ta is em b e dd ed d i rectly in to  th e cov e r-p i x e l v a l u e.   Du e to  th ei r low ti me co m p lex ity , th ese m e th o d s are  q u ite co mm o n .  Althou gh  t h ese techn i qu es p r ov id e  h i gh em b e d d i ng  cap acity, th e st eg o-im ag e q u a lity i s   co nsu m ed ly red u c ed  at h i gher h i d i n g  cap a cities. In crease in  th eir e m b e d d i n g  cap acity wh ile m a in tai n ing  acceptable  qua lity appears to  have  bec o m e  a  challenge.   He re,  we p r o p o se d a m e t hod t o   pr o v i d e  go o d  s t eg o   q u a lity at h i g h er cap acities.   Spatial dom ain approac h es ca n be divi de d into th ree m a in categories: (i) LSB replacem ent  m e thods ,  (ii) Edge ada p t i ve m e thods , (i ii) Hybri d  m e thods.  In  LSB replacem ent  m e thods, L S Bs  of pixels are  use d  to  h i d e  secret m e ssag e s  [1 0 ]-[13 ]. Th e LSB su b s titu tion   is  a w e ll-kno wn   tech n i qu e i n  t h is gro u p .   A lthough  these m e thods  provi de a large em bedding capacity, they ar e v e ry suscep tib le to  st eganalytic atta cks.  In  g e n e ral, eyes  d e tect ch ang e s in  sm o o t h  areas with  add ition a l cap ab ilitie s th an  ed g e  areas b a sed  on   h u m an   vi sual  sy st em   (H VS ) cha r act eri s t i c s. The s econ d  t y pe  of  spat i a l  dom ain m e t hods [ 1 4] -[ 1 7 ]  i s  t h e edg e   adapt i v e  m e t h ods  usi n g  t h i s  feat u r e. T h e  PV D m e t hod  [1 4]  i s  an e x a m pl e of t h i s  gr o u p .  Thi s  m e t h o d   com put es t h e secret  dat a  em beddi ng ca paci t y  by  t h e di ffer e nce val u e s  bet w een eac h pi x e l  and i t s  nei g h b o r i n g   p i x e ls.  Alth oug h  th e ed g e  ad ap tiv e m e th od s produ ce h i g h   v i su al qu ality,  th eir h i d i n g  cap acity is  lo w  com p ared with other techniques lik e LSB and the like .  Recently in [18] -[21], the LSB  substitution and t h e   edge a d apt i v e  m e t hods  have  been c o m b i n ed. Th us , t h e t h i r d t y pe of s p a t i a l  do m a i n   m e t h o d s i s  t h e h y b ri d  m e t hods  whi c h hi de i n   bot h LSB s  an d  di ffe re nce val u es bet w een  nei g hb o r i n g p i xel s . These a r e t h e  approaches  wi th which  rese arche r s  have  tried to obtain acceptable  va lu es for each of  t h e  three  feature s   im port a nt  i n  t h e st e g an o g ra p h i c  eval uat i o n.  The  schem e  p r o p o sed  by   K h odaei   et  al.  [19] offe rs acce ptable  visual  quality and large em beddi ng capacity  of st ego-im age am ong  othe r  m e thods  in t h is category.    In t h i s  pa per ,  a hy bri d  t ech ni q u e i s  pro p o se d usi n g LSB  repl acem e nt  and P VD m e t hod. T h e schem e   b o t h  enh a n ces th e h i d i n g  cap acity an d  i m p r ov es th e  v i su al q u a lity at  h i gh er cap acities. Th ree  d i fferen t   adva nt age s   of  ou r sc hem e  i n  com p ari s on  wi t h  ot her  m e t hods a r e as  f o l l o ws:   1.   B y  defi ni n g  ne w ra nge  di vi si on  on  gray  l e v e l  R = [0,2 5 5 ] ,  we are abl e  t o   em bed l a rge se cret  bi t s , hi g h e r   th an    th e Yan g   et al.' s  [ 15] ,  t h e  Wu  et a l .' s  [18] and t h e  Khodaei  et al .' s  [1 9]  tech n i qu es.  2.   Ou r sc hem e  p r eve n t s  l a r g e   di ffe re nce  val u es  bet w ee n the c o ver im ag e and its ste g o-im age' s pixe ls,   unlike the Khodaei  et al.' s  [ 19]   t ech ni q u e.   Thus , i t  pro d u ces i n si g n i f i c ant  vi sual  di st ort i o n i n  hi dd en   m e ssages.   3.   Fin a lly, ou r al g o rith m  resists ag ainst RS steg an alysis attack ,  un lik e th e  Wu  et al.'s   [ 18] an d  t h e  Y a ng  et  al . ' s  [ 15]  m e t hods .    The rem a inder of this pa per i s  organize d as follows . In Sec tion 2,  we re view two  well-a ccepted data   em beddi ng  sc hem e s usi ng t h e LSB  re pl ac em ent  and t h e  PVD m e t hod .  Then , i n  Sect i on  3, w e  p r es ent  o u r  p r op o s ed  m e th o d . Ex p e rim e n t al resu lts will b e  d e scrib e d  an d  co m p ared   with  th e  Yang   et al.' s  [15 ] ,  the  W u   et  al . ' s  [ 18]  a n d t h e  Kh o d aei   et a l .' s  [ 19]  m e t hods  i n  Sect i o n  4.  Fi nal l y , t h e   concl u si o n   fol l ows  i n   Sect i o n  5.       2.   ANALYSIS OF RELEVE N T APPROACHES  Here,  we  will d e scri b e  t w o  m o st co mm o n l y u s ed  m e th o d s in  t h e  n e x t  su b s ectio n s . These techn i qu es u s e th e  com b ination  of LSB  replacem ent and t h e P V D m e thod i n  s p atial dom ain.     2. 1.   Ste gan ogr a ph ic Method usi n g LSB  Su bsti tuti on  an d P V D    Wu  et  al.  [ 18]   pro p o se d a  st egan o g ra phi c   m e t hod  fo r  g r ay scal e im ages i n  2 0 0 5 .  S u p p o se t h at     ,  and  j 1 ,2, … ,5  whe r e   and   are t h e lower and  uppe r  bound values a n d  |  |  is th e len g t h   of  t h e    ran g e.   Thi s  a p pr oach  di vi des  t h e R = [0 ,2 5 5 ]  ra nge  t o  t h e s u b- ran g es  0, 15 ,  16, 31 ,  32 , 63 ,  64 , 127  and  128 , 255 ].  Th e  div  defi ne s t h e  l o cat i on  of  ra n g e di vi si o n s  w h ere   ϵ15,31,63 ,127 . Th en, th e sub-ran g e s  wh ich   are lower th an  di v   fall in to  t h e ‘lower lev e l’ and  th e o t h e r  Evaluation Warning : The document was created with Spire.PDF for Python.
I J ECE   I S SN :  208 8-8 7 0 8       An   ad ap tive st eg ano graph y sch e me ba sed   on  visu a l   qu a lity an d emb e d d i n g  capa city …  (Mo jta ba  B.J.)  57 5 su b-rang es are lo cated in  t h e ‘h igh e r lev e l’. For i n stan ce , Fi gu re 1 sh o w s  a di vi si o n  o n   t h e gray   l e vel   w h en   31 .    At first, this m e thod pa rtitions the cover-im a ge  into several non-ove rlapping bl ocks  having two  con s ecut i v e  pi xel s ,  den o t e d b y  (   ,  ). For  eac h block,  the difference value      is calcu lated   b y   |  |  whe r e  i  i s  t h e bl oc k  num ber.  Aft e r w ar ds , t w o  scena r i o s m a y  occur i n  t h e sec r et  d a t a  em bedd i n g   pr ocess:   Ca se 1   (I f the  diffe re nce val u e    falls in to  th e lo wer lev e l): in  th is case, th e LSB rep l ace m e n t   m e t hod i s  use d  t o  em bed  6bi t s  o f  sec r et  dat a .   Ca se 2  ( I f  the   diffe re nce  valu e    is placed  in the higher  leve l):  the  PVD method is   use d  t o  em be d  the secret  bits.  In this case ,  t h e n u m b er o f  e m bedded  bi t s    is calcu lated   b y    | |  |  | .    2. 2.   Ad apti ve S t e g an ogr ap hi c M e th od u s i n g  L S B  Sub sti t uti o n  an d P V D     K hod aei  et al.  [1 9]   i n t r o d u c e d an a d a p t i v e  st egan o g ra phi c  m e t hod  fo r  gray scal e i m ages i n   20 1 1 .  Su pp ose  t h at     ,  and  j 1 ,2 , … , 5   whe r e   and   ar e t h e l o wer  an d upp er  b oun d v a l u es.  Th e  l e ngt h  of    i s  de not e d   by   | | .  As  dem onst r at ed  i n  Fi g u re  2 ,  t h i s  m e t hod l o cat es t h e  su b -ra ng es   0 , 7 ,   7 , 1 5 ,  16 , 3 1 ,  32 , 63  and  64, 255  in  two  lev e ls, d e no ted   b y  ‘lower lev e l’  and  ‘hi ghe r l e vel ’ .  The n , i t  defi ne s  Type 1  and  Typ e 2   di vi si o n s  on t h e gray  l e vel .  I n  t h e  Ty pe1  di vi si on s h ow n i n   Fi gu re 2a , t h e  sub - r a n g es    0, 7     ، 7, 15  and  16, 31  are locat ed in the  ‘lower level’ a nd  the su b -ra nge s  32 , 63  and  64, 255  fall in to  t h e ‘h igh e r lev e l’. It  h i d e s  3  bits of secret  data   in the  s u b-ra nges  of the  lower level ,  a n d c onceals   4  bi t s   o f  sec r et   dat a  i n  t h e  su b- ra nge s o f  t h e  hi g h e r   lev e l. Also , in  Type 2   di vi si o n  s h ow n i n  Fi gu re  2 b , t h e s u b -ra n g es  0, 7 ,  7 , 15 ,  16 , 31   and  32, 63   b e lon g  t o  th e  ‘lower level’ an d  64, 255  is assi g n e d to th e  ‘h i g h e r lev e l’.  In th is  di vi si o n   t y pe , t h e num ber of   secret  bi t s    is calcu lated in   th e lower lev e l, b y   | |  | |  an d in the  h i gh er lev e l,  by  | |  | | .  At first, this  m e thod  partitions  t h e cove r-im ages into se veral non -overlapping  bloc ks  with three   con s ecut i v e   pi xel s , de not e d  by    whe r e  i  is  the bl ock number. T h e  k  and  ϵ3,4, 5 ,6  defi ne  t h e nu m b er  o f   secret b its th at can  b e  em b e dded  in  th e LSBs.  Th erefo r e, the e m b e d d i n g  cap acity will g r o w  as  k  is inc r eased.  The t y pe of ra nge  di vi si o n  and t h e  k  val u e shoul d  be selected in the da t a  em beddi n g  p r oces s fi rst .  Fo r ea c h   cove r  bl ock ,  t h e  k -b its  o f  secret d a ta are su bstitu ted   for t h e  k -L SB  o f   m i ddl e pi xel     and      i s   obt ai ned .   Th en , th e  v a lues     and     are calculated by  the differe n ce  betwee n the  middle pixel    and i t s  t w o   nei g hb o r i n g pi xel s    and   . The     and    rang es  to  wh ich     and    belong, a r e se lected from  the   considere d  ra nge  division. T h e ne w  differe n ce val u es    an d    are   calculated by t h e  num b er  of secret bits     and    an d t h e u ppe r an d t h e l o wer  bo u n d s  o f   t h ei r ra nge s. Fi nal l y , t a ki ng t h e new  di f f ere n ce val u es     and    i n t o  c o nsi d erat i o n,  t h e  m e t hod  p r o d u c e s t w o  val u es   fo r eac h  pi xel .   Whereas   one   of  t h em  has m u c h   diffe re nce c o mpare d   with t h e  ori g inal  v a lu e  o f  cov e r-im ag e, th e  similar v a lu e is ch o s en   fo r its stego - imag e.                                     Hig her level=[32 , 25 5]                       Lo wer level=[0,31]   R 5 =[128,255]   R 4 =[64,127]   R 3 =[32,63]   R 2 =[16,31]   R 1 =[0,15]     Fi gu re  1.  A n  e x am pl e of  ran g e  di vi si on  o n   g r ay  l e vel  (R = [ 0 , 2 55] )  i n t o  ‘l o w er  l e vel ’  a n d  ‘hi ghe r l e vel ’  i n  t h e   Wu et  al.  m e t hod  ( di v =31)      Higher lev e l=[3 2,255]   Lo w e r level=[0 ,31]  R 5 =[64,255]   R 4 =[32,63]   R 3 =[16,31]   R 2 =[8,15]   R 1 =[0,7]   (a)                                                                 Higher level=[64,255]   Lo w e r level=[0 ,63]  R 5 =[64,255]   R 4 =[32,63]   R 3 =[16,31]   R 2 =[8,15]   R 1 =[0,7]   (b )     Fi gu re 2.   Tw o ran g e di vi si o n s   o n  gray   l e vel    0 , 255   in to   ‘lower level’ and   ‘h i g h e r  lev e l’ in th e  Khodaei et al .   m e t hod,    a )   Ty pe1 ,     b )  Ty pe2   Evaluation Warning : The document was created with Spire.PDF for Python.
                        I S SN :  2 088 -87 08  I J ECE Vo l. 4 ,  N o . 4 ,  Au gu st 2 014   :   57 3  –  58 4  57 6 3.   THE PROPUSED  METHOD  In t h is section,  we will de fine   our  propose d   m e t hod for gra y scale  im ages.  The  aim s  of proposi ng t h is   m e thod a r e fi ndi ng se nsitive pixels  to the hyper  distortions and e x te ndi ng t h e data  em beddi ng  proces s  recursiv ely.  Al so , t h e m e th o d  will b e  increase th e  h i d i ng  cap acity th ro ugh   d e fi n i ng  a  n e w rang e  d i v i si o n . Our  pr o pose d  m e t hod  i s   prese n t e d i n  t h ree  pha ses:   (i )   R a nge di vi si o n  o n  gr ay   l e vel   p h ase,   (ii )  Dat a  em beddi n g   p r o cess, (iii)  Data ex tracting   p r o cess, in th e  fo llowing  sub s ectio n s .    3. 1.   R a ng e D i v i sions on Gray  Lev e l Pha s e  Here ,  we  c o nsi d er  t w o ran g e di vi si o n s on g r ay   l e vel ,   Type 1  and  Ty pe 2 . The  Ty pe 1  di v i si on i s  u s e d   to  co m p are th e p r o p o s ed  m e t h od  with  t h e oth e r related  m e th od s b a sed   o n  th e v i su al qu ality, sp ecified  b y  th e  K hod aei  et al.  [19]  m e thod.  Additionally, the  Type 2   di vi s i on i s  de fi ne d as ou r p r o p o se d ra nge  di vi si on i n   or der  t o  achi e ve a  l a rge r  em bed d ing  capaci ty. First, s u ppose t h at    ,  and  j 1 ,2, … ,5  whe r e    and    are  t h e   l o wer   an d u ppe r bo u n d   val u es.  The wi dt h of    i s  de not e d   by   | | .     3. 1. 1.   T y pe 1 Di vi si o n   H e r e , t h e sub-r a ng es   0, 7 ,  7, 15 ,  16, 31  and  32 , 6 3  are   put  in t h e  ‘l o w er l e vel ’   and t h e s u b -ra nge   64 , 255  in the  ‘higher le vel’,  according to t h e Khodaei  et  al.’s   di vi si o n  s h o w n i n  Fi gu re 2 b .  In t h i s  t y pe  of  ran g e  di vi si on , t h e  num ber o f  secret   bi t s    is calcu lated  b y   | |  ||  in th e sub- r a ng es  of  t h e l o wer  lev e l an d  by  | |  ||  in th e  h i gher lev e l.  So, the  num ber of   t h e em bedde d bi t s  fo r   wh er e  j 1 ,2, … ,5  will b e   3 ,  3 ,  4 ,  5  and  6 .     3. 1. 2.   T y pe 2 Di vi si o n   W e  assi gn  th e  su b- rang e  0, 7  to th e  ‘lower lev e l ’ , t h e sub - ranges  7, 15 ,  16 , 31   and  32, 63  t o  t h e  ‘ m i ddl e l e vel ’ ,  an d t h e s u b- r a nge   64, 255  to  t h e  ‘h igh e r lev e l’,  in  th e  pr o pose d   Typ e 2  di vi si o n  s h o w n i n  Fi gu re  3.  Here , t h e  num ber  of  se cret  bi t s    is calcu lated  b y   | |  | |  in th e su b-ran g e   o f  th e l o wer lev e l,  b y   | |  || +1  i n  th e m i d d le lev e l, and   b y   | |  | |  in  th e  h i gh er lev e l. Thu s , it will b e   3 ,  4 ,  5 ,  6  and  6  for   and  j 1 ,2, … , 5 .    3. 2.   Data Embed d i ng Pr ocess   First, on e o f  the  Type1  or  t h e  Type 2  di vi si on s sho u l d  be sel ect ed. The fl o w  di ag ram  of the pr o p o s ed   st egan o g ra phy  schem e  i s  il lust rat e d i n  Fi gu re 4 .   W e   s u g g est  1 2  st e p s fo r t h e  pr o p o se d dat a  em beddi ng  pr ocess  i n  t h e f o l l o wi ng  p r oce d u r e:   St ep 1 :   A  g r ayscale i m ag e is p a rtitio n e d  in to  non -ov e rlap p i n g   b o c k s   hav i ng  th ree con s ecu tiv e p i x e ls. Th e  fi rst   pi xel ,  m i d d l e   pi xel  a n d s econ d  pi xel  ar e de n o t e d  by   (  ,  ,  , w h ere   i  i s  t h e  num ber  o f  t h e  bl oc k .   S   also  denotes the secret  data.  St ep 2:  C o n s id e r  th e   k  value  where  ϵ3,4, 5 ,6  is the num b er of the sec r et bits  that can  be e m bedded i n   LSB s . T h e n , t h e em beddi n g  c a paci t y  i s  i n cre a sed  by  t h e  hi g h er  val u e  of  k . Thus,    is ob tai n ed b y   pu ttin g   k- leftmo s t  bi t s   of  t h e  bi na ry  secr et  dat a  ( ) i n to  k- r i gh tmo s t   b its o f  LSBs  of   .  St ep 3 :  Com p ute the di ffe renc e value    bet w e e n    and     using   Eq . (1 ).        (1 )     whe r e    is th e  deci m a l v a lu e of  k - rightmost  LS Bs  of     and    is  th e d ecim a l v a lu e  o f   k-leftmost  b its of   .  St ep 4 :   Use  opt im al  pi xel  ad ju stm e nt  pr ocess  (O PA P)  [ 15]  a n d  al t e r t h e  val u e  of    , as s h ow n in E q .  (2).       H i gher level= [ 64, 255]        Lo w er lev e l=[0 ,7 ]                                                                   M i ddle lev e l=[8 ,6 3 ]   R 5 =[64,255]   R 4 =[32,63]   R 3 =[16,31]   R 2 =[8,15]   R 1 =[0,7]     Fi gu re 3.   The  new   p r op ose d   Type 2  di vi si o n   o n  gray   l e vel    0 , 255   cont ai ni ng  t h e   ‘l o w er l e vel ’ ,  t h e  ‘m id d l e lev e l’  an d th e  ‘h igh e r lev e l        Evaluation Warning : The document was created with Spire.PDF for Python.
I J ECE   I S SN :  208 8-8 7 0 8       An   ad ap tive st eg ano graph y sch e me ba sed   on  visu a l   qu a lity an d emb e d d i n g  capa city …  (Mo jta ba  B.J.)  57 7      Fi gu re  4.  B l oc k  di ag ram  of t h e i t e rat i v e em beddi ng  p r ocess             2           2           0   2 255   2           2        0   2 255                                                                                                     (2 )     St ep  5 :  Calculate the  differe n ce  value s ,    and   ,  bet w ee n t h e m i ddl e  pi x e l     an d its t w o n e i g hbo ri ng  pi xel s     and    o f   t h e co ve r- bl oc k  by  E q .  (3 ).      |    |      ,      |     (3 )     St ep 6 :   Fi nd the    and    r a ng es  o f  th e  r a ng e  d i v i sion  in qu estio n if     and      b e lo ng  t o  th e r a nges.  St ep 7:   Obtain the num b ers  of  bina ry secret bits    and    an d   f i nd  t h e low e r   bo und s    and    of  the  corres ponding    and     ra n g es.   St ep 8 :  Select    and    b its of  , an d tran sfo r m  th e two   b it seq u en ces t o   d ecimal v a lu es    and    .  St ep 9 :  C a l c ul a t e t h e ne w  di f f e rence  val u es    and    usi n g E q .   (4 ).                ,              (4 )     St ep  1 0 :   Calculate    and    v a lu es fo r th e fi rst an d th e th ird p i x e ls  in th e  b l o c k ,  b y   ob tain ing th e d i fferen ce  b e tween  th e orig in al v a l u e and  th e n e w  v a lue of th em  u s ing  Eq . (5 ).      1.                  2.                   ,     1.                 2.                  (5 )     St ep 11 :   Detect th e sen s itiv e  p i x e ls: fo ur con d ition s  will be ch eck ed  for   in  th is step   where   1,2  and  (  ,  ).        I.   If (  0 ):  the un de r -flo w  p r o b lem   occu rre d.    II.   If (  255 ):   t h e ove r- f l ow p r o b l e m   happe ne d.   II I.   If (   ϵ  ):  t h e  di ffe r e nce  val u e  bet w een  st eg o a n d i t s  c ove r i s   w r o n g .    IV.   If (  0 ):  the em be ddi ng process  can  be  repeate d .    Thu s , if at least on e of th e  first t h ree co nd itio n s  as well as t h e last  co nd itio n  are  satisfied ,  or                                          0  ˅   255  ˅    ϵ   ˄   0 ) is tru e , th e    is sen s itiv e on  t h e em b e d d e d  secret b its and  t h e em beddi ng  p r oce d ure ca n  al so  be re peat e d .   St ep 1 2 :  De fine two cases  for    wh er e  ϵ1,2  and (  ,  ) as  fo llo ws  I.   Case 1       is   sensiti v e      Obtain   ,  ,  ,  ,   ,   Embedding  k -bits of    into   k -LSB’s of        and obtain       Calcul at e the  dif f erenc e  va lues     and    between     and  two other  pix e ls  of the blo c k    Partition    into  som e   blocks con t ain i n g   three  conse c utiv e  Embe dding   Is the p i xe l      sensitive ? Compute  Ye No  Se le ct    as   m i ddle  pixel of th e  -blo ck   Stego- im age  ’   Cover-  im age    Find    and    ranges  to which     and      Itera tio S ecret  Dat a ( )   Evaluation Warning : The document was created with Spire.PDF for Python.
                        I S SN :  2 088 -87 08  I J ECE Vo l. 4 ,  N o . 4 ,  Au gu st 2 014   :   57 3  –  58 4  57 8   Find     r a ng e as  th e pr ev iou s   r a n g e  thr oug h    of the selected di vision.    R e do  em beddi ng  p r ocess  fr o m  st ep 7 t o   1 1   fo r   .  II.   Case 2       is insensit i v e      Consi d er the  value of      calculated in  Step10.  When   falls in to  th e  u n d e r-flow  o r  i n  t h e  o v e r- fl o w   pr obl em , t h e sec o n d   val u e s h oul d  be c a l c ul at ed i n  St ep1 0 .   Fin a lly, th e steg o-b l o c k  will  b e   p r o d u c ed .  Please n o t e t h at th e abov e  p r oced ure sho u l d   b e  rep eated   for each c o ver-bl ock. Thus,  the secret m e s s age  will  be em bedded c o mpletely in the cove r im age and it s  steg o-im ag e will b e  pro d u c ed .    3. 3.   Data Extracting Process  For sec r et m e s s age ext r action, suppose th at   t h e t y pe of  ran g e di vi si on a n d t h e  k  val u e use d  i n  t h e   em beddi ng  p h a se are a v ai l a b l e. M eanw h i l e   pl ease n o t e  t h a t  t h ei r val u es  have  bee n  c o n s i d ere d   base d  on  t h e  purpose of  hi ding. This proce d ure  is  started with  di viding t h e stego-im age into   non-overl appi ng bloc ks each  of  whic h 3× 3 pixels. For each bl ock as  i -bl o ck ,  k - b i t s  of t h e m i ddl e  pi xel     should be selected.  This   sequence  of  bits is placed in t h e ri ghtm o st of secret  bits ( ). The n ,  we calculate the diffe re nce val u es    and    bet w ee n t h e m i ddl e  pi xel     an d i t s  t w o  nei g h b o r i n g  pi xel s     and    of  t h e st e g o- bl oc k,  usi n g   Eq.  ( 6 ) .      |    |           ,     |    |    (6 )     The    an d    r a nges to   wh ich    and    b e l o ng  ar e.  Th e l o w e r   bo un d valu es    and    and t h e   num ber  of em bed d e d  bi t s     and    are c hose n , conside r ing these ra nges . T h ere f ore, t h e s ecret value s  are   calculated by Eq.  (7).                    ,               (7 )     In  the  fi nal ste p ,     and     values   are c o nve rted i n to their  bina ry sequ en ces  b a sed on th e nu mb er  o f   th e b its    and   . Th en , th ese  bin a ry sequ en ces sh ou ld b e  add e d to th e ri gh tm o s t o f  th e  secret  b its ( ).   Fin a lly, th e secret m e ssag e  wi ll b e  ex t r acted   p r op erly withou t an y  d i stortion .     3. 4.   Simple Exam ple of th e Pr oposed Method  In th is section ,  we  will im p l e m en t a sim p le ex am p l e  o f  t h e propo sed m e t h od . Th e  n e x t   su bsectio ns  p r esen t   th e d a ta e m b e d d i n g  an d  ex tractin g   p r o cesses. Thu s , we  will d e m o n s trate th at secret b its are p r op erly   em bedde d a n d  ext r act ed  usi n g  o u r  p r o p o se d  m e t hod.   I. D a t a  emb e dd ing p r ocess :   Step1 ,  we will u s e  Typ e 1  di vi si o n  a n d   3  for t h is e x am ple. T h e   secret m e ssage is  11010 0001 101 0  and t h e se l ect ed bl oc k c ont ai n s  t h e t h r ee pi xel s    109  and   4 4  and    3 .  Step2 , t h e  k-leftmo s t  o f  secret   bi t s  sh oul d be  re pl ac ed wi t h   k-LSB s  of   . T h e  bi na ry   val u e  of t h e m i ddl e pi xel  i s    4 4 101100 , so  th e  d ecim a l v a lu e will b e    101110 4 6 .  Step3 ,  the difference value   is calcu lated  b e tween    4  th at is th e d ecim a l v a lu e of  k-LSBs  of     and   6  th at is th e deci m a l v a lu e o f   k-leftmo s t   of the secret  bits by   4 6 2 .  Step4 , we  ob tain   4 6   usi n g OP AP [ 21] .  Step5 , t h e  differe n ce  val u e is calculate d  betwee n    an d  t h e  ot her  t w o  pi xel s      and    by    | 109 4 6 | 6 3  and   | 3 4 6 | 4 3 .  Step6 ,  th e v a lu e    6 3  is in   and   4 3  is in    consideri n g the  Ty pe 1  d i vi si on .  Step7 , the  val u es   5  and   5  that are t h e  num b er of  secret bits a n d   3 2  and   3 2  that are the l o we r  bound val u es  of t h e c o rres ponding  ranges  are  obt ai ne d.   Ste p 8 , t h e  fi ve  bi t s  o f  t h e  sec r et  m e ssage i s  s e l ected and c o nve rted into the  decim a l value as       10000 1 6 .   In add itio n,  fi v e    of   secret   b its  ar e   tran sform e d   to   t h e   d ecimal  v a l u e  as     11010 2 6 .  Ste p 9 , t h e  ne w  differe n ce  values is  calcul a ted  using (4)  as   3 2 1 6   4 8  and   3 2 2 6   4 8 .  Step10 , the  new val u es   9 4  and    1 2  are calculated.  Step11 z1 , the     is  an  insensitive  pi xel   because   of   the  (  0 )   an d   (  255 )  and    (   ϵ  )   con d ition s .    Step12 z1 ,  94  sh oul d  be  co nsi d e r e d   i n  acc or da nce   wi t h  t h e  fi r s t  s t age  of  t h i s  st e p .  Ste p 11 z2 ,  b a sed  o n   two  co nd itio ns (  0 ) a n d  (  0 ),  the    is a sen s itiv e p i x e l.  Step12 z2 , therefore, we   consider     rang e  o f   Type 1  di vi si o n   base d  o n  t h e sec o nd  c a se o f  t h i s  st e p .  The n ,  t h e  e m beddi n g   process  repeats  step 7 t o  11  for    .  Step7 , t h e  num ber  of sec r et  bi t s  an d t h e  l o we r b o u n d   val u e a r e   4   and   1 6   base d o n    r a ng e of   Ty pe1  di vi si o n .  St ep8 , t h e  fo ur  b i t s  of t h e sec r e t   m e ssage i s  chos en a n d  co nv erted in to th e  d ecim a l valu e as   1101 1 .  Ste p 9 ,  th e  d i ff e r en ce  v a lu e is  c a l cu la te d  a s      16 1 3 29 .  Step10 , th e new  v a lu e   1 7  is calcu lated .   Ste p 11 , t h ere are three con d ition s   (  0 )  and  (  255 ) and  (   ϵ  ). S o ,    is an  in sen s itiv e p i x e l.  Step12 ,  b a sed  on  th e  fi rst case of th is  step , th e  fin a l  Evaluation Warning : The document was created with Spire.PDF for Python.
I J ECE   I S SN :  208 8-8 7 0 8       An   ad ap tive st eg ano graph y sch e me ba sed   on  visu a l   qu a lity an d emb e d d i n g  capa city …  (Mo jta ba  B.J.)  57 9 v a lu e is   1 7 . Fina lly, the secret message   11010 000 1101  i s  em bedded  pr o p e rl y  i n  t h e t h r ee  pi xel s    9 4  and   4 6  and   1 7  o f  t h e  st eg o- bl oc k.        II.  Da t a  ex tracting  pro cess :   We use d   Ty pe 1  d i v i sion   and   3  an d  di vi ded  t h e c ove r i m age i n t o   som e   bl oc ks havi ng   t h ree pi xel s   i n   t h e em beddi ng  ph ase. At  fi rst ,   t h e val u e  of   t h e  m i ddl e pi x e l    is  con v e r t e d i n t o  bi na ry  val u e  as     10111 0 . T h e  three LSBs  of     are s e lected as the  th ree righ tmo s t   b its of secret data. Th en , we  c a lculate  the differe n ce values    | 9 4 4 6 | 4 8  and   | 1 7 4 6 | 2 9   by  Eq . ( 6 ). B a sed  on  t h e  Ty pe1  di vi si on  a n d  t h e   ra nge  t o  w h i c h    bel o ngs , t h e  val u e s    3 2  and   5  are  obtained. So,    is   4 8 3 2 1 6  by   Eq.  ( 7 )  an d i t s bi nary   val u e  i s    10000 .  M o re ove r,   4  and   1 6  are consi d e r ed  using the  Type 1  di vi si o n  and t h e   to  wh ich     bel o ngs .   B a sed o n  Eq . (7 ),   t h e   val u e of    2 9 1 6 1 3  is   1101 , whe n    4 . T h e     and    bi t   sequences  are adde d to the se cret  bits  (S).  Finally, we   coul d e x tract  the se cret  m e ssage  1101000 011 01 , correctly.      4.   EX PER I M E NTA L  R E SU LTS AN D ANALY S IS  In th is sectio n, we d e m o n s trate th e effectiv en e ss of our propos ed  schem e   com p ared with  the Wu  et  al .’s  [ 18] , t h e  Yan g   et al.’s  [15] a n d also t h e Khodaei  et al.’s  [ 1 9]  m e t hods.  We  pre s ent  som e  expe ri m e nt al   resu lts ob tain ed  u s ing  10   cov e r  im ag es  with   512×512  im age  resol u tions. All t h e c o ver im ages ha ve bee n   trans f orm e d to grayscale im ages. Cover im ages include  Ba boo n ,  Ba r b a r a ,  Boa t ,  Camer a ma n ,  Lena ,  Li vi ngr o o m ,  Peppe rs ,  Pirate ,  Tiffa n y  and  Zeld a . Furt herm ore ,  the secret b its are produced  by a Ra ndom   Nu m b er  Gen e rato r  (RNG). Gen e rally, v i su al q u a lity, h i d i ng  cap acity an d in fo rm atio n  secu rity are  u s ed  in  eval uat i o ns o f  a gi ven st e g a n o g r ap hy  al go ri t h m .  The pr op ose d  m e t hod p r o v i d e s  hi g h  dat a  sec u ri t y  wi t h   h i gh er v i su al qu ality wh ile its em b e d d i ng  cap acity will b e  l a rg er th an  t h e  well-kno wn  m e th od s.    The Pea k  Signal to Noise Ratio (PSNR) val u e is used  to  ev alu a te th e d i st o r tion s  of stego - im ag e.  W e   com pute the PSNR  value in  dB  by Eq. (8),  where t h e Mean Square  Er ro r  (M SE) is calc u lated, as  sh o w n i n   Eq . (9 ).  In   Eq.   ( 9 ) ,   m  is t h e s h ared size of c o ver   and stego  ’  im ages.       1 0  255     (8 )            1      (9 )     Furt herm ore,  let   b e  th e to tal b its  o f  an emb e dd ed  m e ssag e  i n to  a stego-im ag e. As sho w n  i n   Eq.  (10), we   calcul a te   as t h e  ave r age c a pacity in bit  pe r  pi xel  ,  w h er e   is  th e  nu mb e r   o f  s e cr et b its  and    is the size  of t h e c ove r-im a ge.      /    (1 0)     4. 1.   Vi sual  Qu al i t y   Here, we  will measu r e th e  v i su al qu ality o f  steg o-im ag es  p r od u c ed   b y  ou r  p r op o s ed  meth od  u s i ng  su bj ectiv e an d   o b j ectiv e m ean s o f  m easu r emen t. In  add itio n, th e n u m b e r of sen s itiv e p i x e l s  will b e  calcu lated   to justify the effectivenes s  of  our  propos ed  m e thod t o   provide better vis u a l  quality.      4. 1. 1.   Subjec tive  Me asureme nt  Th e secret messag e  im p e rcep tib ility to  th e  h u m an  eye is th e m a in  g o a l  o f  all steg anog raph y  techniques . In  othe r words, t h e hum a n eye, as a  m ean s of as a subjective  m easurem ent, shoul d be  unable to  notice  the secret  m e ssage  in cove r. Our firs t  test  cas e  m e a s ure d  the  stego-im age by the vision system . W e   em bedde d t h e m a xim u m  secret  dat a  usi n g t h e  Ty pe1  di vi s i on a nd  va ri o u s   k  val u es  o n   Peppers  c ove r-im age.  Fi gu re 5a a nd  Fi gu re 5 b  sh o w  t h e co ver a n d i t s  st ego. M o reo v er , t h e di f f e rence  bet w ee n t h e sel ect ed regi o n   of  t h e st e g o  an d t h e  co rre sp o ndi ng  re gi o n   o f  i t s  co ve r i s   pr esent e d  i n   Fi g u r e  5c.      Evaluation Warning : The document was created with Spire.PDF for Python.
                        I S SN :  2 088 -87 08  I J ECE Vo l. 4 ,  N o . 4 ,  Au gu st 2 014   :   57 3  –  58 4  58 0                     Fi gu re 5.   S t eg o-ima g e  qua lity a n a l ysis :  Em beddi ng  t h e  secre t  bi t s  by   usi n g  t h e p r op ose d   m e t hod  wi t h   typ e 1   di vi si o n  a n d   3 ,   a) cov e r-im a ge ,  b) s t ego-im ag es ,  c) d i ffer e nc e b e t w een th e s e le cte d  region  of s t ego - im age and  i t s   corresponding  cover-image region ( k=3 :    38.95  dB,   806058  bits.  k=4 :    3 6 . 64  dB,   896273  bits.   k=5 :    33.46  dB,   1002440  bits.   k=6 :    32.61  dB,   1157767  bits       Unlike the  Khodaei  et al.' s   [ 19]  t ech ni q u e,  ou r schem e  pr event s  large di ffe rence  values  between the  co v e r  an d its steg o- im ag e ' s p i x e ls. Th u s , the em er g e n ce of  sign if ican t  v i su al d i st o r tion   is p r ev en ted  t h r ough  t h e p r op ose d   m e t hod,  an d t h e secret  m e ssage i s  i nvi si bl e   as t e st ed  by  t h e  h u m a n vi sual   sy st em  (HVS ).     4. 1. 2.   Objec t ive Me asureme nt  We ex pe ri m e n t  our  p r o p o sed  m e t hod  usi n g t h e  Ty pe1  and   Type 2  di vi si o n s  and  di f f ere n t   k  v a lu es  on  th e cov e r im a g es. Tab l e 1   presen ts the num b e r o f  th e  sen s itiv e p i x e ls an d  t h e PSNR  v a lu es  o f  the steg o- im ages. The  proposed m e thod  has  found t h e sensitive  pixe ls  to  pre v ent high diffe re nc e  value s . As per  a n   objective m easurem ent, the re sults s h o w  t h at  t h e PS NR  val u es are  hi ghe r  t h an  30  ( d B ) .  The n , i t s  em beddi ng   p r o cess  was mo d i fied   o n  t h ese sen s itiv e  p i xels. Of  cou r se,  th e in creased   nu m b er o f  th e sen s itiv e p i x e ls  u s ing  th e  Ty pe2  di vi s i on i s  beca use  of  i t s  hi g h e r  e m beddi ng  ca pa ci t y  co m p ared   wi t h  t h e   Ty pe1  di vi si on .   I n  Figu r e   6 a ,  w e  co m p ar ed th e PSN R  v a l u es of   ou r pr opo sed  m e th o d   w ith  t h e  W u   et  al.’s  [1 5]   a n d   Yan g   et al.’s   [ 18]  a nd al s o  K h o d aei   et al.’s  [1 9]   m e t hod s whe r e  t h e x-a x i s   prese n ts the  stego-im age and the   y-ax is sh ows t h e PSNR  v a lu e. As  d e m o n s trated  in  th is   figure, the m ean PSNR  valu e  ( 37.65  d B )  fo r th e steg o- i m ag es  pr odu ced  b y   th e A d ap tiv e  steg anogr aph y   m e th o d  u s ing  LSB r e place m e n t   an d PVD  ( w ith   63 ,   3 )  [1 9]  i s  bet t e r  t h a n  t h e c o rre spo n d i n g  val u es ( 3 7. 35   dB  a n d   37 .3 3  dB )  of  t h e  st ega n o g ra p h y  m e t hod s  usi n g LSB   repl acem e nt  and  P VD  [1 8]  an d E dge a d a p t i v e L S B  m e t hod  (wi t h  di vi si o n 3 - 4)  [1 5] . H o weve r, t h e   quality of ‘Tiffany’ a n d ‘Cam eram an’  stego-im ages produc ed  by the  Ada p tive m e thod i s  re duce d   due  to the   larg e  nu m b er o f   sen s itiv e  p i x e ls in  t h ese i m ag es (calcu lated  in   Tab l e  1 ) . Fu rth e rm o r e, as sh own  in   Tab l e 1,  th e nu m b er of  sen s itiv e  p i x e l s  is lo w i n  ‘ Zeld a ’ a nd al s o  i n  ‘ Boat ’ usi ng  Typ e 1 . Th u s , the q u a lity o f  th em h a s  i n crease d  sl i g h t l y . B a sed  o n   Fi gu re  6a,  t h e   PSNR  val u es  of  o u r  m e t hod   (wi t h   Ty pe1  di vi si o n ,   3 ) is  als o   m o re th an  th e  Ad ap tiv e steg an ograph y  m e th o d . In  add itio n, th e qu ality o f  ‘Babo on’ stego - im ag e p r o duced  b y   the propose d   m e thod s o are d  in com p arison with the othe rs due to the la rge  num ber of sensitive pi xels in it.  There f ore, we   provide a  bette r  visual  quality  of stego-im ag e than these  ot her m e thods.    Evaluation Warning : The document was created with Spire.PDF for Python.
I J ECE   I S SN :  208 8-8 7 0 8       An   ad ap tive st eg ano graph y sch e me ba sed   on  visu a l   qu a lity an d emb e d d i n g  capa city …  (Mo jta ba  B.J.)  58 1   Tabl e 1.  Visua l  qu a lity ana lysis : Th e  n u m b e r of sen s itiv e  p i x e ls (   )  and  th e  P S N R  ( dB )  val u es  of   steg o- im ag es pr odu ced b y  t h e pr opo sed m e t h od   ( w it h   Ty pe 1  an d  Ty pe2  di vi si o n  a n d  di f f e rent   k  val u es)               Cover-  im ages   Sens,    Pix e l   PSNR,    dB      Sens,    Pix e l   PSNR,    dB      Sens,    Pix e l   PSNR,    dB      Sens,    Pix e l   PSNR,    dB      Typ e 1  division   1518   31. 21      960   32. 49      728   35. 88      691   38. 76      Baboon   103   30. 72      99   31. 47       85   34. 18      119   37. 42      Barbara   69   31. 41      29   32. 21      38   35. 27       22   37. 48      Boat   1140   32. 81      419   34. 71       263   37. 94       272    39. 41      C a me r a ma n   26   31. 53      20   32. 61      11   36. 05      12   38. 10      Len a   1641    32. 61      701   33. 46      377   36. 64      251   38. 95      Pepper s   386   32. 21      237   33. 24      174   37. 20      154   39. 44      L i vingr oo m   27   32. 41      16   33. 35      19   37. 44      12   39. 75      Pirate   868   32. 37      820   33. 22      691   37. 04      591   39. 22      T i ffa ny   245    31. 73       49   33. 14      17   37. 05      4   39. 18      Zeld a   602    31. 90       335   32. 99       240   36. 46       212    38. 76      Average   Typ e 2  division   4 890   30. 74      4 585   32. 11      3 925    35. 45      3 703   38. 23      Baboon   4 760   30. 29      4 152   31. 06       2 822   33. 66      2 238   37. 01      Barbara   5 390   30. 94      4 520   31. 83      2 654   34. 82       1 945   37. 03      Boat   5 797   32. 20      4 437   34. 34       1 728   37. 55       1 018   39. 00      C a me r a ma n   5 412   31. 13      4 476   32. 18      2 752   35. 68      1 983   37. 64      Len a   5 541    32. 17      4 510   33. 04      2 840   36. 30      2 143   38. 51      Pepper s   5 251   31. 73      4 460    32. 77      3 033   36. 84      2 408    38. 98      L i vingr oo m   5 368   31. 93      4 478   32. 89      2 904   37. 01      2 288   39. 29      Pirate   5 322   31. 88      4 540   32. 76      3 023   36. 53      2 380   38. 87      T i ffa ny   5 571   31. 26       4 493   32. 69      2 602   36. 49      1 769   38. 78      Zeld a   5 330   31. 42       4 465   32. 56       2 828   36. 03       2 187   38. 33       Average       4. 2.   Embeddin g  Rate   In  t h i s  t e st  ca se,  we  pr o duc e st eg o-i m ages by   o u r  p r op ose d  m e t hod   wi t h  t h e  Ty pe 1  an d  Ty pe 2   di vi si o n  a nd  v a ri o u s  k  am ount s. Ta bl e 2 s h ows t h e ca paci t y  of em bedde d secret   bi t s  an d t h e a v era g e c a paci t y   i n  bi t   pe r pi xe l   (  )  f o r   eac h r a nge  di vi si o n  wi t h  di f f ere n t   k  val u es.  As   p e r t h e  e xpe ri m e nt al  res u l t s , t h e   capacity and t h e    val u es usi ng t h e  Ty pe2   di vi si o n  are  h i ghe r t h a n  t h o s e usi n g t h e  Type 1  di vi si o n .   According  t o  Table 2 ,  th e    values a r e i n  t h e [3.037-   4 . 5 29] r a ng e u s i n g  Type 1  an d  in  th e   [ 3 . 0 9 7 -   4.667 ]  ran g e usi n g  Ty pe2 . Also ,  all      avera g e values   by  Ty pe 2  are   hi g h er t h a n  t h e i r co rres p on di n g   val u es   usi n g  Ty pe 1  ( w he n   4  and  Ty pe1 : th e  av e r ag e  Cap a city  = 912290  bits ,  whe n    4  and  Ty pe2 : th e  av e r ag e  Capacity  = 935101  bits ).  Th us, t h e  hi di n g  ca paci t y  i s  i n creased  by   usi n g  o u r   pr op ose d   Ty pe 2  di vi si on .   In   Figu re  6b ,  we co m p are these resu lts with  th e  Wu  et al.’s  [18 ] ,  Y a ng   et al.’s   [ 15]  a n d K h oda ei   et  al .’s  [ 1 9]  m e tho d s.  T h i s  fi g u re  sh o w s t h at  t h e em bed d i n g ca paci t y  of   t h e p r op ose d   m e t hod  ( w i t h   Type 2   di vi si o n ,   3 ) i s  l a rge r  t h a n  t h e  St egan o g ra p h y   m e t hod u s i n g  LSB  repl ace m e nt  and P V D [ 18] , t h e E d ge  adapt i v e L S B  m e t hod ( w i t h   di vi si on  3- 4) [ 15]  an d al so t h e A d apt i v e s t egan og ra phy   m e t hod usi n g LSB   replacem ent and PVD  (wit h   63 ,   3 )  [1 9] .  I n   Fi g u re   6b , t h e  x - a x i s  a n d t h e y - a x i s  s h ow  t h e  st ego - im age and the   e m beddi ng ca pacity. Thus ,  we  provide  a  hi g h e r em beddi ng   capaci t y  t h an these  othe r m e thods.    4. 3.   Information Security  Here , t h e secur i t y  of t h e pro p o se d  m e t hod i s  t e st ed i n  t e r m s of R S  and st e g anal y s i s  det e c t or at t acks.  The RS stega n alysis by Fridrich  et al.  [ 22]   i n  2 0 0 1  can s h ow e x act l y  wh et her a st eg o-i m age resi st s w i t hout   vi sual  c h eck .  Thi s  st ega n al y s i s   m e t hod cl a ssi fi es al l  t h e s t ego - i m age pi xel s  i n t o  t h ree  gr o ups  by   usi n g d u al   st at i s t i cal   m e t hods:  t h e  reg u l a r g r ou p  (  or   ),  t h e  si n g u l a r gr ou p (  or   ) ,  and th e  u n u s ab le  g r ou p.   Th e  relatio n between  t h e  p e rcen tag e  of the re gul ar   gr ou p s  an d t h e si ng ul ar  gr o u p s  i s     1  and    1 . Here   and    are p e rcen tag e s  with  th e m a sk    , and     and    are p e rcen tag e s  with  th e m a sk   –   of t h e re g u l a r a nd  t h e si n gul a r  g r ou ps,  res p ect i v el y .  If   ≌   and   ≌  , the  stego- i m ag e will p a ss th e RS attack. Ot h e rwise, t h e stego - im ag e is d e tected as a  su sp icio us  o b j e ct.   Figure 7 a    sho w s   th e    resu lt o f  th e RS steg an alysis (b y two  m a sk s   0  1  1  0   and    – 0 1 1   0 )  of  t h e  st eg o-i m ages p r od uce d   by  t h e  p r op o s ed  m e th o d .  In th is  figu re, the x-ax is presents th e  em beddi ng  ca paci t y  perce n t a ge a n d  t h e y - axi s  s h o w s t h e  perc ent a ge  of  t h e re g u l a r a n d t h e  si n gul a r   gr o ups .  Acco r d i n g t o   Fi gu re  7a,  we   were  ri ght  i n  e xpect i n g  t h at  t h e     and    relative  num bers  are res p ectively  equal  t o  t h ose   of     and     i. e. ≌   and   ≌  ).  Evaluation Warning : The document was created with Spire.PDF for Python.
                        I S SN :  2 088 -87 08  I JECE Vo l. 4 ,  N o . 4 ,  Au gu st 2 014   :   57 3  –  58 4  58 2           (a )                                                                                                                                                                 (b)  Fi gu re  6.  C o m p ari s on s  bet w e e n  ou r  pr o p o s e d  m e t hod a n d t h e st e g an o g ra p h y  m e t hod  usi n g  LSB   re pl acem e nt   and  P V D ,  t h e  e dge  ada p t i v e  L S B  m e t hod ( di vi si on 3 - 4 ) , an d th e ad ap ti v e  st eg anog r a ph y usin g LSB  replacem ent and PVD (  63 ,   3 ),    a)  Visual qua lity  co mparison : (the p r oposed method  with th e  Ty pe 1  division and   3 ),    b)  Embedding  capacity comparison : (the proposed method  with  the  Ty pe 2  div i sion and   3 )      Tabl e 2.  E m be ddi ng  ca p a ci t y  a nal ysi s : T h e  capacity of embedde d  sec r et  bits (    ) a n d the  avera g e  cap acity in   b it p e r p i x e l (  )   o f   steg o- im ag es pr odu ced b y  t h e pr opo sed m e t h od   ( w it h  th e  Typ e 1  and  Type 2   di vi si o n  a n d  di ffe rent   k  val u e s )               Cover-  im ages   E,    Bpp   Capacity,    bit      E,    Bpp   Capacity,    bit      E,    bpp   Capacity,    bit      E,    bpp   Capacity,    Bit      Typ e 1  division   4. 529   1 187 38 0      4. 007    1 050 55 6      3. 626    950 63 7      3. 281   860 31 4      Baboon   4. 529   1 198 69 3      4. 034    1 057 54 2      3. 649    956 60 1      3. 309   867 52 0      Barbara   4. 444   1 165 13 4       3. 860    1 011 89 9      3. 467    908 88 6      3. 126   819 70 3      Boat   4. 408   1 155 61 0      3. 792    994 19 1      3. 415    895 34 6      3. 077   806 76 1      C a me r a ma n   4. 427   1 160 59 2      3. 830    1 004 14 0      3. 426    898 34 7      3. 088   809 61 8      Len a   4. 416   1 157 76 7      3. 824    1 002 44 0      3. 419    896 27 3      3. 074   806 05 8      Pepper s   4. 459   1 169 10 6      3. 881    1 017 39 5      3. 483    913 08 9      3. 139   823 06 1      L i vingr oo m   4. 447   1 165 94 0      3. 858    1 011 60 0      3. 462    907 78 4      3. 120   818 06 1      Pirate   4. 453   1 167 51 8       3. 869    1 014 29 2      3. 470    909 72 9      3. 126   819 66 4      T i ffa ny   4. 399   1 153 35 8      3. 789    993 46 3      3. 380    886 21 7      3. 037   796 39 3      Zeld a   4. 455   1 168 10 9      3. 874    1 015 75 1      3. 480    912 29 0      3. 138   822 71 5      Average   Typ e 2  division   4. 622   1 211 67 9      4. 120    1 080 14 8      3. 718    974 68 8      3. 373   884 44 6      Baboon   4. 667   1 223 57 9      4. 151    1 088 38 5      3. 727    977 22 4      3. 368   883 11 2      Barbara   4. 557   1 194 80 1      3. 989    1 045 73 3      3. 550    930 72 7      3. 184   834 82 4      Boat   4. 512   1 182 96 4      3. 941    1 033 27 1      3. 474    910 89 7      3. 097   815 09 6      C a me r a ma n   4. 535   1 188 83 9       3. 971    1 041 08 8      3. 518    922 42 1       3. 152   826 42 9      Len a   4. 539   1 186 89 8      3. 961    1 038 39 8      3. 513    921 12 5      3. 147   825 03 0      Pepper s   4. 560   1 195 45 9      4. 014    1 052 43 9      3. 587    937 97 2      3. 213   842 29 5      L i vingr oo m   4. 547   1 192 16 1      3. 993    1 046 85 6      3. 552    931 33 8      3. 189   836 01 8      Pirate   4. 555   1 194 31 9      4. 003    1 049 52 1      3. 562    933 93 0      3. 198   838 59 0      T i ffa ny   4. 510   1 182 29 7      3. 934    1 031 40 2      3. 474    910 69 6      3. 103   813 66 6      Zeld a   4. 559    1 195 29 9      4. 008    1 050 72 4      3. 567    935 10 1      3. 204   839 95 0      Average     700000 725000 750000 775000 800000 825000 850000 875000 900000 Capacity, bit Stego-image PVD  and LSB method  [18] Edge adaptive  LS B  [15] Adaptive PVD  and  LSB  [19] 34 35 36 37 38 39 40 41 PSNR, dB Stego-image PVD  and LSB method  [18] Edge adaptive  LS B  [15] Adaptive PVD and LSB [ 19 [ Evaluation Warning : The document was created with Spire.PDF for Python.