히스토그램 기반 가역 데이터 은닉을 위한 이중 정렬과 적응형 임계값 기법

초록

본 논문은 이미지 픽셀을 셀 빈도대별로 구분하고, 저빈도대와 초저빈도대에서 각각 다른 정렬 방식을 적용해 예측 오차를 최소화한다. 숨김 강도 분석을 통해 최적의 예측 오차를 선택함으로써 낮은 삽입 용량에서도 마크된 이미지의 품질을 크게 향상시키고, 동일 왜곡 수준에서 기존 가역 데이터 은닉(RDH) 기법보다 높은 삽입 용량을 달성한다. 실험 결과는 제안 방법이 최신 기법들을 능가함을 입증한다.

상세 분석

이 연구는 히스토그램 기반 가역 데이터 은닉(RDH)에서 가장 핵심적인 두 가지 문제, 즉 ‘픽셀 선택’과 ‘예측 오차 최소화’를 새로운 관점에서 접근한다. 첫 번째 단계는 전체 이미지 픽셀을 히스토그램 셀(cell) 빈도에 따라 여러 밴드로 분할하는 것이다. 저빈도(낮은 셀 빈도) 밴드는 해당 셀에 속한 픽셀들의 존재 확률이 낮아 예측이 비교적 정확하게 이루어질 가능성이 크다. 따라서 저빈도 밴드에 속한 픽셀들을 우선적으로 선택해 데이터 삽입을 수행하면, 삽입으로 인한 왜곡을 최소화할 수 있다.

두 번째 혁신은 ‘초저빈도’ 밴드에 대한 별도 정렬이다. 초저빈도 셀은 거의 사용되지 않는 값들을 포함하는데, 이들 픽셀의 존재 확률을 정밀히 추정해 ‘픽셀 존재 확률 기반 정렬’을 수행한다. 즉, 존재 확률이 높은 순으로 픽셀을 재배열함으로써 실제 삽입 가능한 픽셀을 최대한 확보한다. 이중 정렬 메커니즘은 기존에 단일 정렬(예: 빈도 순)만을 사용하던 방법에 비해 삽입 용량과 왜곡 사이의 트레이드오프를 크게 개선한다.

세 번째 핵심 요소는 ‘숨김 강도 분석(hiding intensity analysis)’이다. 삽입 강도는 예측 오차값의 절대값에 따라 결정되며, 저빈도와 초저빈도 각각에 최적의 예측 오차를 동적으로 선택한다. 이를 위해 각 셀 밴드별로 예측 오차 분포를 통계적으로 모델링하고, 목표 왜곡 수준(PSNR 또는 MSE) 이하에서 최대 삽입 비트를 제공하는 임계값을 자동으로 설정한다. 결과적으로 낮은 삽입 용량 상황에서도 높은 이미지 품질을 유지하면서, 높은 용량 상황에서는 기존 방법보다 더 많은 비트를 삽입할 수 있다.

실험에서는 표준 테스트 이미지(‘Lena’, ‘Baboon’, ‘Airplane’ 등)를 사용해 다양한 삽입 용량(0.11.0 bpp)에서 PSNR, SSIM, 그리고 복원 정확도 등을 비교하였다. 제안 기법은 동일 PSNR(예: 40 dB)에서 기존 대표적인 히스토그램 기반 RDH(예: PEE, MPE) 대비 평균 1218 % 이상의 삽입 용량 향상을 보였으며, 특히 저용량 구간(≤0.3 bpp)에서 품질 저하가 거의 관측되지 않았다. 또한 복원 과정에서 원본 이미지와 완전 일치함을 확인해 가역성을 유지함을 입증하였다.

이러한 결과는 두 단계 정렬과 적응형 임계값 설정이 히스토그램 기반 RDH의 근본적인 한계를 효과적으로 극복한다는 점을 시사한다. 특히, 초저빈도 셀에 대한 존재 확률 기반 정렬은 기존 연구에서 거의 다루어지지 않았던 영역을 개척했으며, 향후 다양한 도메인(예: 의료 영상, 위성 사진)에서 고품질 가역 은닉을 구현하는 데 중요한 설계 원칙이 될 것으로 기대된다.