Spectral Characteristics Analysis of Images Matrix Masking Results

Cover Page

Cite item

Full Text

Abstract

The article describes the results of a computational experiment to assess the capabilities of extracting useful information if an image masked by quasi-orthogonal matrices sent over an open channel became available to a third party. Hadamard and Mersenne matrices of symmetric and cyclic structure are considered. The results confirm the data that images masked by small-sized matrix leaves edges of the original image on the masked image. However, with an increase in the size of the masking matrix, all considered in the article matrices reliably hides the original image during visual analysis. Masking by symmetric Mersenne-Walsh matrices and cyclic Mersenne matrices based on modified M-sequences provides better spectral secrecy of masked images in comparison with Hadamard matrices. Mersenne matrices of cyclic structure, with equal sizes of the image and the masking matrix, bring the phase spectrum of the masked image to a form close in spectrum to uniform noise, which makes their use more preferable based on the considerations that the human visual system is extremely sensitive to phase-frequency distortions of the visual information.

About the authors

E. K. Grigoriev

Saint-Petersburg State University of Aerospace Instrumentation

Email: ev.grig95@gmail.com
ORCID iD: 0000-0001-5981-4074
SPIN-code: 2847-0464

References

  1. Балонин Н.А., Сергеев М.Б. Матрицы локального максимума детерминанта // Информационно-управляющие системы. 2014. Т. 1. № 68. С. 2−15. EDN:RYEXEH
  2. Востриков А.А., Сергеев М.Б., Литвинов М.Ю. Маскирование цифровой визуальной информации: термин и основные определения // Информационно-управляющие системы. 2015. Т. 5. № 78. С. 116−123. doi: 10.15217/issn1684-8853.2015.5.116. EDN:UQFATJ
  3. Григорьев Е.К., Сергеев А.М. Оценка качества матричного маскирования цифровых звуковых данных // Труды учебных заведений связи. 2023. Т. 9. № 3. С. 6−13. doi: 10.31854/1813-324X-2023-9-3-6-13. EDN:AJFFXQ
  4. Гришенцев А.Ю., Коробейников А.Г. Алгоритм поиска, некоторые свойства и применение матриц с комплексными значениями элементов для стеганографии и синтеза широкополосных сигналов // Журнал радиоэлектроники. 2016. № 5. С. 9. EDN:WNDAOR
  5. Фролов А.А., Чобаль А.И., Ризак В.М. Шифрование цветных изображений с использованием матриц Адамара // Захист iнформацii. 2019. Т. 21. № 4. С. 241−246. doi: 10.18372/2410-7840.21.14312. EDN:WHUZFD
  6. Yuan X., Zhang L., Chen J. Multiple-image encryption scheme based on ghost imaging of Hadamard matrix and spatial multi-plexing // Applied Physics. 2019. Vol. 125. P. 174. doi: 10.1007/s00340-019-7286-9
  7. Сергеев А.М. Структурированные по Уолшу двухуровневые и модульно двухуровневые квазиортогональные матрицы для маскирования изображений // Известия высших учебных заведений. Приборостроение. 2023. Т. 66. № 5. С. 399−408. doi: 10.17586/0021-3454-2023-66-5-399-408. EDN:SVIYSL
  8. Сергеев А.М. Связь симметрии и антисимметрии квазиортогональных циклических матриц с простыми числами // Труды учебных заведений связи. 2022. Т. 8. № 4. С. 14−19. doi: 10.31854/1813-324X-2022-8-4-14-19. EDN:PXAZIG
  9. Востриков А.А., Мишура О.В., Сергеев А.М., Чернышев С.А. О выборе матриц для процедур маскирования и демаскирования изображений // Фундаментальные исследования. 2015. Т. 2. № 24. С. 5335−5339. EDN:UADDQR
  10. Востриков А.А., Чернышев С.А. Об оценке устойчивости к искажениям изображений, маскированных М-матрицами // Научно-технический вестник информационных технологий, механики и оптики. 2013. Т. 5. № 87. С. 99−103. EDN:RBXRDX
  11. Балонин Н.А., Сергеев М.Б. Критские матрицы Одина и Тени, сопровождающие простые числа и их степени // Информационно-управляющие системы. 2022. № 1(116). С. 2−7. doi: 10.31799/1684-8853-2022-1-2-7. EDN:LTLVEM
  12. Григорьев Е.К., Ненашев В.А., Сергеев А.М., Самохина Е.В. Поиск и модификация кодовых последовательностей на основе персимметричных квазиортогональных циркулянтов // Телекоммуникации. 2020. № 10. С. 27−33. EDN:EGQMAS
  13. Чекотило Е.Ю., Кузнецов П.К. Спектральный анализ вероятностных характеристик изображений // Вестник Самарского государственного технического университета. Серия: Физико-математические науки. 2006. № 42. С. 212−215. EDN:IPKLTB
  14. Gonzalez R., Woods R. Digital Image Processing. New York: Pearson Publ., 2017. 1192 p.
  15. The Lenna Story. URL: http://lenna.org (дата обращения 19.03.2024)
  16. Ерош И.Л., Сергеев А.М., Филатов Г.П. О защите цифровых изображений при передаче по каналам связи // Информационно-управляющие системы. 2007. Т. 5. № 30. С. 20−22. EDN:ITVYKT
  17. Красильников Н.Н. Теория передачи и восприятия изображений. М.: Радио и связь, 1986. 246 с.

Supplementary files

Supplementary Files
Action
1. JATS XML


Creative Commons License
This work is licensed under a Creative Commons Attribution 4.0 International License.

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».