Razlike

Slijede razlike između dviju inačica stranice.

--- racfor_wiki:seminari2025:dk53948 [2026/02/02 04:54]
Dora Kašik [1.1 Prostorna domena]
+++ racfor_wiki:seminari2025:dk53948 [2026/02/02 05:18] (trenutno)
Dora Kašik [2.3 Video datoteke]
@@ Redak 34: / Redak 34: @@
 **Reverzibilnost:** Razvijeni su modeli poput RLBHVD (engl. //Reversible Logic Based Hexel Value Differencing//) koji koriste reverzibilnu logiku (Feynmanova vrata, engl. //Feynman gate//) za potpunu obnovu izvornog medija [[#literatura|[10]]]. Kod reverzibilne metode dualnih slika (engl. //dual-image based reversible data hiding//), tajni se podaci umeću u dvije identične kopije originalne slike, zbog čega je pri ekstrakciji moguća potpuna obnova izvornog medija bez gubitka podataka [[#literatura|[14]]].
-**Tehnika diferencijacije vrijednosti piksela** (engl. //Pixel Value Differencing, PVD//): Ova tehnika iskorištava činjenicu da rubni dijelovi slike mogu podnijeti veće promjene nego njezini “glatki” dijelovi. Inovativni pristupi proširuju ovaj koncept na heksagonalnu domenu obrade (engl. //Hexagonal pixel (Hexel) Image Processing, HIP//) koristeći heksagonalne piksele (heksele) umjesto kvadratnih što omogućuje veći kapacitet i manju uočljivost promjena [[#literatura|[10]]].
+**Tehnika diferenciranja vrijednosti piksela** (engl. //Pixel Value Differencing, PVD//): Ova tehnika iskorištava činjenicu da rubni dijelovi slike mogu podnijeti veće promjene nego njezini “glatki” dijelovi. Inovativni pristupi proširuju ovaj koncept na heksagonalnu domenu obrade (engl. //Hexagonal pixel (Hexel) Image Processing, HIP//) koristeći heksagonalne piksele (heksele) umjesto kvadratnih što omogućuje veći kapacitet i manju uočljivost promjena [[#literatura|[10]]].
 **Pseudo-nasumični odabir okvira:** U video steganografiji radi se na otpornosti na smanjenje rezolucije (engl. //downsampling//), pri čemu se koriste pseudo-nasumični generatori (Mersenne Twister) za odabir ciljanih okvira za ugradnju tajnih podataka [[#literatura|[12]]].
@@ Redak 42: / Redak 42: @@
 ==== 1.2 Transformacijska domena ====
-Tehnike skrivanja sadržaja u transformacijskoj domeni (engl. //Transform domain//) predstavljaju **napredniji pristup** steganografiji u kojem se podatci ne umeću izravno u piksele ili uzorke audio signala, već se medij prvo transformira matematičkim metodama. Signal se pretvara iz prostorne ili vremenske domene u frekvencijsku, pri čemu se tajna poruka ugrađuje u rezultirajuće koeficijente transformacije [16]. Glavna prednost ovog pristupa je **visoka otpornost** na uobičajene postupke obrade signala, kao što je kompresija s gubitkom (engl. //lossy compression//), te **bolja neprimjetnost** jer se promjene vrše u frekvencijskim komponentama koje su ljudskom oku ili uhu manje uočljive [17].
+Tehnike skrivanja sadržaja u transformacijskoj domeni (engl. //Transform domain//) predstavljaju **napredniji pristup** steganografiji u kojem se podatci ne umeću izravno u piksele ili uzorke audio signala, već se medij prvo transformira matematičkim metodama. Signal se pretvara iz prostorne ili vremenske domene u frekvencijsku, pri čemu se tajna poruka ugrađuje u rezultirajuće koeficijente transformacije [[#literatura|[16]]]. Glavna prednost ovog pristupa je **visoka otpornost** na uobičajene postupke obrade signala, kao što je kompresija s gubitkom (engl. //lossy compression//), te **bolja neprimjetnost** jer se promjene vrše u frekvencijskim komponentama koje su ljudskom oku ili uhu manje uočljive [[#literatura|[17]]].
 === 1.2.1 Tehnike i njihova unaprjeđenja ===
-**Diskretna kosinusna transformacija** (engl. //Discrete Cosine Transform, DCT//): Tradicionalno je osnova za JPEG kompresiju jer učinkovito sažima energiju signala u mali broj koeficijenata, dok se suvremena poboljšanja fokusiraju na polinomijalno modeliranje koeficijenata umjesto njihove izravne zamjene. Takav pristup omogućuje stego-objektu da zadrži strukturu izvornog signala čime se drastično povećava otpornost na detekciju metodama dubokog učenja [17]. Metoda se koristi i u medicinskoj steganografiji (DICOM slike) u kombinaciji s konceptima fuzifikacije (engl. fuzzification) radi postizanja visokog kapaciteta uz minimalnu distorziju [18].
+**Diskretna kosinusna transformacija** (engl. //Discrete Cosine Transform, DCT//): Tradicionalno je osnova za JPEG kompresiju jer učinkovito sažima energiju signala u mali broj koeficijenata, dok se suvremena poboljšanja fokusiraju na polinomijalno modeliranje koeficijenata umjesto njihove izravne zamjene. Takav pristup omogućuje stego-objektu da zadrži strukturu izvornog signala čime se drastično povećava otpornost na detekciju metodama dubokog učenja [[#literatura|[17]]]. Metoda se koristi i u medicinskoj steganografiji (DICOM slike) u kombinaciji s konceptima fuzifikacije (engl. fuzzification) radi postizanja visokog kapaciteta uz minimalnu distorziju [[#literatura|[18]]].
-**Diskretna //wavelet// transformacija** (engl. //Discrete Wavelet Transform, DWT//): Ova transformacija omogućuje analizu signala istovremeno na više razina rezolucije i njegovu bolju lokalizaciju [19]. Inovativni pristupi uključuju kombinaciju DWT-a s Fibonaccijevim nizovima za osiguravanje bankovnih transakcija [20] te integraciju s metodom dekompozicije singularnih vrijednosti (engl. Singular Value Decomposition, SVD) radi dodatnog kodiranja i sigurnosti [21].
+**Diskretna //wavelet// transformacija** (engl. //Discrete Wavelet Transform, DWT//): Ova transformacija omogućuje analizu signala istovremeno na više razina rezolucije i njegovu bolju lokalizaciju [[#literatura|[19]]]. Inovativni pristupi uključuju kombinaciju DWT-a s Fibonaccijevim nizovima za osiguravanje bankovnih transakcija [[#literatura|[20]]] te integraciju s metodom dekompozicije singularnih vrijednosti (engl. Singular Value Decomposition, SVD) radi dodatnog kodiranja i sigurnosti [[#literatura|[21]]].
-**Kratkotrajna Fourierova transformacija** (engl. //Short Time Fourier Transform, STFT//): Koristi se za robusno skrivanje slika u audio zapisima tako što se slika enkriptirana korištenjem kaotičnih mapa pretvara u signal sličan zvuku s pomoću inverznog STFT-a (ISTFT) te umeće u visoke frekvencije audio nositelja, na koje je ljudski sluh najmanje osjetljiv [22].
+**Kratkotrajna Fourierova transformacija** (engl. //Short Time Fourier Transform, STFT//): Koristi se za robusno skrivanje slika u audio zapisima tako što se slika enkriptirana korištenjem kaotičnih mapa pretvara u signal sličan zvuku s pomoću inverznog STFT-a (ISTFT) te umeće u visoke frekvencije audio nositelja, na koje je ljudski sluh najmanje osjetljiv [[#literatura|[22]]].
-**Mellinova transformacija:** Kao novitet u video steganografiji, sustav pod nazivom MARVIS koristi Mellinovu transformaciju za ugradnju podataka u faznu komponentu signala. Ovo rješenje nudi značajno veću sigurnost jer tradicionalni alati za steganalizu lakše otkrivaju promjene u amplitudnom, ali ne i u faznom dijelu transformacije [16].
+**Mellinova transformacija:** Kao novitet u video steganografiji, sustav pod nazivom MARVIS koristi Mellinovu transformaciju za ugradnju podataka u faznu komponentu signala. Ovo rješenje nudi značajno veću sigurnost jer tradicionalni alati za steganalizu lakše otkrivaju promjene u amplitudnom, ali ne i u faznom dijelu transformacije [[#literatura|[16]]].
 ==== 1.3 Tehnike temeljene na strojnom i dubokom učenju ====
-Tehnike temeljene na strojnom i dubokom učenju predstavljaju **najsuvremeniji iskorak** u steganografiji, rješavajući ograničenja tradicionalnih tehnika, poput malog kapaciteta ugradnje i osjetljivosti na vizualne artefakte. Za razliku od tradicionalnih pristupa koji se oslanjaju na ručno definirane algoritme u prostornoj ili transformacijskoj domeni, **ove metode koriste neuronske mreže** kako bi naučile složene značajke nositelja i optimizirale proces ugradnje i ekstrakcije podataka [23]. Ove tehnike najčešće rade kroz arhitekture konvolucijskih neuronskih mreža (engl. //Convolutional Neural Network, CNN//) i generativnih suparničkih mreža (engl. //Generative Adversarial Network, GAN//). Proces se obično odvija putem sustava **koder-dekoder**. Koder (engl. //coder//) uči kako integrirati tajnu poruku u nositelja na način koji je statistički i vizualno neprimjetan, dok dekoder (engl. //decoder//) istovremeno uči postupak njezine rekonstrukcije [24].
+Tehnike temeljene na strojnom i dubokom učenju predstavljaju **najsuvremeniji iskorak** u steganografiji, rješavajući ograničenja tradicionalnih tehnika, poput malog kapaciteta ugradnje i osjetljivosti na vizualne artefakte. Za razliku od tradicionalnih pristupa koji se oslanjaju na ručno definirane algoritme u prostornoj ili transformacijskoj domeni, **ove metode koriste neuronske mreže** kako bi naučile složene značajke nositelja i optimizirale proces ugradnje i ekstrakcije podataka [[#literatura|[23]]]. Ove tehnike najčešće rade kroz arhitekture konvolucijskih neuronskih mreža (engl. //Convolutional Neural Network, CNN//) i generativnih suparničkih mreža (engl. //Generative Adversarial Network, GAN//). Proces se obično odvija putem sustava **koder-dekoder**. Koder (engl. //coder//) uči kako integrirati tajnu poruku u nositelja na način koji je statistički i vizualno neprimjetan, dok dekoder (engl. //decoder//) istovremeno uči postupak njezine rekonstrukcije [[#literatura|[24]]].
 === 1.3.1 Tehnike i njihova unaprjeđenja ===
-**Mapiranje dezinformacija (FakeSafe):** Inovativan pristup temeljen na ciklički konzistentnim suparničkim mrežama (CycleGAN) uvodi koncept steganografije bez namjenskog nositelja (engl. coverless). Umjesto ugrađivanja poruke u postojeću datoteku, sustav mapira tajne podatke u “lažnu”, ali vizualno realističnu poruku (tzv. mapiranje dezinformacija, engl. disinformation mapping). Tehnika je robusna i primjenjiva na različite domene, omogućujući mapiranje slika u slike, ali i teksta u slike [23].
+**Mapiranje dezinformacija (FakeSafe):** Inovativan pristup temeljen na ciklički konzistentnim suparničkim mrežama (CycleGAN) uvodi koncept steganografije bez namjenskog nositelja (engl. coverless). Umjesto ugrađivanja poruke u postojeću datoteku, sustav mapira tajne podatke u “lažnu”, ali vizualno realističnu poruku (tzv. mapiranje dezinformacija, engl. disinformation mapping). Tehnika je robusna i primjenjiva na različite domene, omogućujući mapiranje slika u slike, ali i teksta u slike [[#literatura|[23]]].
-**Generativne suparničke mreže (GAN):** Uvođenjem GAN modela proces postaje suparnički. Jedna mreža (generator) pokušava stvoriti što realističniji stego-objekt, dok druga mreža (diskriminator) pokušava otkriti prisutnost skrivene poruke, čime se kontinuirano povećava otpornost sustava na steganalizu [24][25]. Noviji radovi koriste varijante GAN-a za audio steganografiju kako bi generirali nositelje čija je distribucija podataka toliko bliska originalu da ih je gotovo nemoguće otkriti metodama steganalize [25].
+**Generativne suparničke mreže (GAN):** Uvođenjem GAN modela proces postaje suparnički. Jedna mreža (generator) pokušava stvoriti što realističniji stego-objekt, dok druga mreža (diskriminator) pokušava otkriti prisutnost skrivene poruke, čime se kontinuirano povećava otpornost sustava na steganalizu [[#literatura|[24]]][[#literatura|[25]]]. Noviji radovi koriste varijante GAN-a za audio steganografiju kako bi generirali nositelje čija je distribucija podataka toliko bliska originalu da ih je gotovo nemoguće otkriti metodama steganalize [[#literatura|[25]]].
-**Duboke neuronske mreže** (engl. //Deep Neural Networks, DNN//) **s adversarijalnim treningom:** Ovakvi pristupi omogućuju postizanje iznimno visokog kapaciteta uz postizanje visokog omjera informacija [26].
+**Duboke neuronske mreže** (engl. //Deep Neural Networks, DNN//) **s adversarijalnim treningom:** Ovakvi pristupi omogućuju postizanje iznimno visokog kapaciteta uz postizanje visokog omjera informacija [[#literatura|[26]]].
-**Konvolucijske neuronske mreže (CNN) u “coverless” steganografiji:** Inovativni pristupi koriste CNN-ove za prepoznavanje modificiranih značajki, poput morfiranih lica, gdje se tajna poruka ne skriva modifikacijom piksela, nego je mapirana na identitete roditelja morfiranog lica [27].
+**Konvolucijske neuronske mreže (CNN) u “coverless” steganografiji:** Inovativni pristupi koriste CNN-ove za prepoznavanje modificiranih značajki, poput morfiranih lica, gdje se tajna poruka ne skriva modifikacijom piksela, nego je mapirana na identitete roditelja morfiranog lica [[#literatura|[27]]].
-**Hibridni sustavi s GAN i CNN mrežama:** Jedan od pristupa prvo nad tajnom slikom provodi kaotičnu enkripciju, a nakon toga koristi GAN za poboljšanje realističnosti tajne slike kako bi bila što bliskija slici u koju se skriva. Sustav za se sastoji od tri konvolucijske mreže (CNN): mreže za skrivanje, diskriminativne mreže (temeljene na XuNet modelu za steganalizu) i mreže za ekstrakciju. Ovakve metode postižu kapacitet ugradnje koji je i nekoliko desetaka puta veći u odnosu na onaj kod tradicionalnih metoda [24].
+**Hibridni sustavi s GAN i CNN mrežama:** Jedan od pristupa prvo nad tajnom slikom provodi kaotičnu enkripciju, a nakon toga koristi GAN za poboljšanje realističnosti tajne slike kako bi bila što bliskija slici u koju se skriva. Sustav za se sastoji od tri konvolucijske mreže (CNN): mreže za skrivanje, diskriminativne mreže (temeljene na XuNet modelu za steganalizu) i mreže za ekstrakciju. Ovakve metode postižu kapacitet ugradnje koji je i nekoliko desetaka puta veći u odnosu na onaj kod tradicionalnih metoda [[#literatura|[24]]].
-**Hibridni modeli s rekurentnim mrežama** (engl. //Recurrent Neural Network, RNN//) **i fuzzy logikom:** Ovakvi se modeli koriste za povećanje otpornosti na napade šumom ili kompresijom [28].
+**Hibridni modeli s rekurentnim mrežama** (engl. //Recurrent Neural Network, RNN//) **i fuzzy logikom:** Ovakvi se modeli koriste za povećanje otpornosti na napade šumom ili kompresijom [[#literatura|[28]]].
 ==== 1.4 Hibridne tehnike ====
-Hibridne tehnike predstavljaju napredne sustave koji **kombiniraju prednosti dvaju ili više različitih pristupa**, najčešće integracijom steganografije s kriptografijom, kompresijom podataka ili algoritmima optimizacije. Osnovni cilj ovih metoda je pružiti višestruke slojeve zaštite: dok steganografski postupci skrivaju činjenicu da postoji tajna komunikacija, kriptografski sloj osigurava da sadržaj ostane nečitljiv čak i ako se otkrije pristutnost skrivene poruke [29][30].
+Hibridne tehnike predstavljaju napredne sustave koji **kombiniraju prednosti dvaju ili više različitih pristupa**, najčešće integracijom steganografije s kriptografijom, kompresijom podataka ili algoritmima optimizacije. Osnovni cilj ovih metoda je pružiti višestruke slojeve zaštite: dok steganografski postupci skrivaju činjenicu da postoji tajna komunikacija, kriptografski sloj osigurava da sadržaj ostane nečitljiv čak i ako se otkrije pristutnost skrivene poruke [[#literatura|[29]]][[#literatura|[30]]].
 === 1.4.1 Tehnike i njihova unaprjeđenja ===
-**Kombinacija kriptografije, kompresije i transformacijske/prostorne domene:** RSA enkripcija koristi se za sigurnost, kodiranje bez gubitaka (npr. Huffmanovo kodiranje ili kodiranje duljinom niza, RLE) za kompresiju tajne poruke, a neka od tehnika koje djeluju u prostornoj ili transformacijskoj domeni (npr. LSB ili DWT) za ugradnju u nositelja [30][32]. Korištenjem kompresije smanjuje se broj bitova koje je potrebno sakriti, što omogućuje veći kapacitet ugradnje uz zadržavanje visoke kvalitete [30].
+**Kombinacija kriptografije, kompresije i transformacijske/prostorne domene:** RSA enkripcija koristi se za sigurnost, kodiranje bez gubitaka (npr. Huffmanovo kodiranje ili kodiranje duljinom niza, RLE) za kompresiju tajne poruke, a neka od tehnika koje djeluju u prostornoj ili transformacijskoj domeni (npr. LSB ili DWT) za ugradnju u nositelja [[#literatura|[30]]][[#literatura|[32]]]. Korištenjem kompresije smanjuje se broj bitova koje je potrebno sakriti, što omogućuje veći kapacitet ugradnje uz zadržavanje visoke kvalitete [[#literatura|[30]]].
-**Kombinacija transformacijske domene i matematičkih dekompozicija (IWT/DWT + SVD):** Kombiniraju se cjelobrojna wavelet transformacija (engl. Integer Wavelet Transform, IWT) ili diskretna wavelet transformacija (engl. Discrete Wavelet Transform, DWT) s dekompozicijom singularnih vrijednosti (engl. Singular Value Decomposition, SVD). DWT/IWT osigurava robusnost i visoku rezoluciju, dok SVD omogućuje umetanje podataka u singularne vrijednosti koje su izrazito otporne na šum [31].
+**Kombinacija transformacijske domene i matematičkih dekompozicija (IWT/DWT + SVD):** Kombiniraju se cjelobrojna wavelet transformacija (engl. Integer Wavelet Transform, IWT) ili diskretna wavelet transformacija (engl. Discrete Wavelet Transform, DWT) s dekompozicijom singularnih vrijednosti (engl. Singular Value Decomposition, SVD). DWT/IWT osigurava robusnost i visoku rezoluciju, dok SVD omogućuje umetanje podataka u singularne vrijednosti koje su izrazito otporne na šum [[#literatura|[31]]].
-**Hibridi prostorne i transformacijske domene uz kaotične mape:** Noviji pristupi kombiniraju prednosti diferenciranja vrijednosti piksela (engl. //Pixel Value Differencing, PVD//) i LSB metoda unutar IWT domene. U ovim sustavima IWT identificira rubne regije slike, dok se kaotične mape koriste za nasumičan odabir koeficijenata za umetanje poruke. Time se značajno povećava otpornost na statističku steganalizu u usporedbi sa sekvencijalnim metodama [33].
+**Hibridi prostorne i transformacijske domene uz kaotične mape:** Noviji pristupi kombiniraju prednosti diferenciranja vrijednosti piksela (engl. //Pixel Value Differencing, PVD//) i LSB metoda unutar IWT domene. U ovim sustavima IWT identificira rubne regije slike, dok se kaotične mape koriste za nasumičan odabir koeficijenata za umetanje poruke. Time se značajno povećava otpornost na statističku steganalizu u usporedbi sa sekvencijalnim metodama [[#literatura|[33]]].
-**Duboko učenje s transformacijskim filtrima (Neural Networks + DWT):** Najnovija istraživanja video steganografije uvode hibridne modele koji spajaju neuronske mreže s DWT transformacijom kao dodatnom razinom ekstrakcije značajki. Ovdje se koriste adaptivni filtri i mehanizmi pažnje (engl. //attention mechanisms//) unutar dubokih mreža kako bi se tajni sadržaj sakrio u temporalne i prostorne redundancije videa, dok DWT pomaže u identifikaciji vizualno najpogodnijih frekvencijskih pojaseva za skrivanje [34].
+**Duboko učenje s transformacijskim filtrima (Neural Networks + DWT):** Najnovija istraživanja video steganografije uvode hibridne modele koji spajaju neuronske mreže s DWT transformacijom kao dodatnom razinom ekstrakcije značajki. Ovdje se koriste adaptivni filtri i mehanizmi pažnje (engl. //attention mechanisms//) unutar dubokih mreža kako bi se tajni sadržaj sakrio u temporalne i prostorne redundancije videa, dok DWT pomaže u identifikaciji vizualno najpogodnijih frekvencijskih pojaseva za skrivanje [[#literatura|[34]]].
-**Ugradnja zvuka u sliku:** Inovativan pristup u području steganografije audio datoteka predstavlja tzv. //Audio-in-Image// steganografija. Ona omogućuje skrivanje audio zapisa unutar slikovnih datoteka transformacijom zvuka u vizualni spektrograf. Za razliku od ostalih pristupa koji se uglavnom oslanjaju na metode dubokog učenja, ovaj pristup koristi tehniku analize i resinteze spektrografa zvuka (engl. //Analysis and Resynthesis of Sound Spectrographs, ARSS//) kako bi stvorio prikaz zvučnog signala prigodnog za ugradnju u RGB kanale slike nositelja tehnikama iz prostorne domene [29].
+**Ugradnja zvuka u sliku:** Inovativan pristup u području steganografije audio datoteka predstavlja tzv. //Audio-in-Image// steganografija. Ona omogućuje skrivanje audio zapisa unutar slikovnih datoteka transformacijom zvuka u vizualni spektrograf. Za razliku od ostalih pristupa koji se uglavnom oslanjaju na metode dubokog učenja, ovaj pristup koristi tehniku analize i resinteze spektrografa zvuka (engl. //Analysis and Resynthesis of Sound Spectrographs, ARSS//) kako bi stvorio prikaz zvučnog signala prigodnog za ugradnju u RGB kanale slike nositelja tehnikama iz prostorne domene [[#literatura|[29]]].
 ===== 2 Primjena tehnika u različitim vrstama medijskih datoteka =====
@@ Redak 91: / Redak 91: @@
 ==== 2.1 Slikovne datoteke ====
-Slikovne datoteke **najčešće su korišten nositelj** zbog svoje bogate teksture i rubnih informacija koje omogućuju ugradnju podataka uz minimalan rizik od vizualne detekcije [24]. Strategije ugradnje (tajnih) podataka u slikovne datoteke primarno se oslanjaju na modele ljudskog vizualnog sustava (engl. //Human Visual System, HVS//) kako bi identificirale područja u kojima je **oko najmanje osjetljivo na promjene** [2]. Tehnike u prostornoj domeni iskorištavaju ta ograničenja ljudskog vida, a unaprjeđenjima spomenutima u prethodnom poglavlju dodatno povećavaju neprimjetnost skrivenog sadržaja. Primjena tehnika varira ovisno o zahtjevima za kapacitetom i robusnošću. Klasična LSB supstitucija i njezine varijante primjenjuju se u scenarijima gdje je prioritet **računalna jednostavnost i visoka propusnost podataka**, dok se napredne metode poput diferenciranja vrijednosti piksela koriste kad je potrebna **veća neprimjetnost i više “prostora” za ugradnju** tajnih podataka. Neki inovativni pristupi uključuju i iskorištavanje tzv. **alfa kanala (prozirnosti)** koji nudi dodatni sloj za ugradnju bez utjecaja na primarni vizualni sadržaj. Kod **osjetljivih podataka**, primjerice u medicinskim primjenama, koriste se tehnike u transformacijskoj domeni (DCT, DWT) u kombinaciji s fuzifikacijom kako bi se osigurala **otpornost na kompresiju** uz zadržavanje visoke kvalitete slike. Dodatno u medicinskoj ili pak vojnoj dijagnostici pogotovo su poželjne i reverzibilne metode zbog vrlo velike važnosti **obnove originalne slike** bez gubitka informacija.
+Slikovne datoteke **najčešće su korišten nositelj** zbog svoje bogate teksture i rubnih informacija koje omogućuju ugradnju podataka uz minimalan rizik od vizualne detekcije [[#literatura|[24]]]. Strategije ugradnje (tajnih) podataka u slikovne datoteke primarno se oslanjaju na modele ljudskog vizualnog sustava (engl. //Human Visual System, HVS//) kako bi identificirale područja u kojima je **oko najmanje osjetljivo na promjene** [[#literatura|[2]]]. Tehnike u prostornoj domeni iskorištavaju ta ograničenja ljudskog vida, a unaprjeđenjima spomenutima u prethodnom poglavlju dodatno povećavaju neprimjetnost skrivenog sadržaja. Primjena tehnika varira ovisno o zahtjevima za kapacitetom i robusnošću. Klasična [[#Prostorna domena|LSB supstitucija]] i njezine varijante primjenjuju se u scenarijima gdje je prioritet **računalna jednostavnost i visoka propusnost podataka**, dok se napredne metode poput [[#Prostorna domena|diferenciranja vrijednosti piksela]] koriste kad je potrebna **veća neprimjetnost i više “prostora” za ugradnju** tajnih podataka. Neki inovativni pristupi uključuju i iskorištavanje tzv. **alfa kanala (prozirnosti)** koji nudi dodatni sloj za ugradnju bez utjecaja na primarni vizualni sadržaj. Kod **osjetljivih podataka**, primjerice u medicinskim primjenama, koriste se tehnike u transformacijskoj domeni [[#Transformacijska domena|(DCT, DWT)]] u kombinaciji s fuzifikacijom kako bi se osigurala **otpornost na kompresiju** uz zadržavanje visoke kvalitete slike. Dodatno u medicinskoj ili pak vojnoj dijagnostici pogotovo su poželjne i reverzibilne metode zbog vrlo velike važnosti **obnove originalne slike** bez gubitka informacija.
 ==== 2.2 Audio datoteke ====
-Kod audio datoteka, steganografske metode iskorištavaju digitalnu reprezentaciju amplituda zvučnog vala koja dopušta suptilne promjene koje **ljudsko uho ne može razlikovati od pozadinskog šuma** [11]. Pristupi koji se uglavnom oslanjaju na prostornu domenu, pogodni su u situacijama gdje je prioritet **jednostavnost implementacije i niska računalna složenost**. U takvim se scenarijima najčešće koristi klasična zamjena najmanje značajnih bitova (LSB) jer omogućuje velik kapacitet umetanja uz minimalno procesuiranje. U tom se kontekstu koristi i tehnika linearne interpolacije te metode poput BMSE. S druge strane, u sigurnosno osjetljivim primjenama, poput financijskih sustava ili zaštićene komunikacije, primjenjuju se složeniji, najčešće **hibridni pristupi** koji kombiniraju steganografiju s kriptografijom. Noviji trendovi uvode i **pretvorbu zvučnih signala u vizualne spektrografe** (ARSS). Pritom se zvučna datoteka tretira kao slika, što omogućuje primjenu slikovnih steganografskih alata za prijenos audio zapisa uz visoku prostornu učinkovitost i vjernost zvuka. Također, sve se više koriste **metode temeljene na strojnom i dubokom učenju**. Posebno su korisne u kontekstu otpornosti na suvremene alate za steganalizu jer generiraju stego-zapise koje je gotovo nemoguće razlikovati od izvornog audio sadržaja.
+Kod audio datoteka, steganografske metode iskorištavaju digitalnu reprezentaciju amplituda zvučnog vala koja dopušta suptilne promjene koje **ljudsko uho ne može razlikovati od pozadinskog šuma** [[#literatura|[11]]]. Pristupi koji se uglavnom oslanjaju na prostornu domenu, pogodni su u situacijama gdje je prioritet **jednostavnost implementacije i niska računalna složenost**. U takvim se scenarijima najčešće koristi klasična zamjena najmanje značajnih bitova (LSB) jer omogućuje velik kapacitet umetanja uz minimalno procesuiranje. U tom se kontekstu koristi i tehnika [[#Prostorna domena|linearne interpolacije]] te metode poput [[#Prostorna domena|BMSE]]. S druge strane, u sigurnosno osjetljivim primjenama, poput financijskih sustava ili zaštićene komunikacije, primjenjuju se složeniji, najčešće **hibridni pristupi** koji kombiniraju steganografiju s kriptografijom. Noviji trendovi uvode i **pretvorbu zvučnih signala u vizualne spektrografe** [[#Hibridne tehnike|(ARSS)]]. Pritom se zvučna datoteka tretira kao slika, što omogućuje primjenu slikovnih steganografskih alata za prijenos audio zapisa uz visoku prostornu učinkovitost i vjernost zvuka. Također, sve se više koriste **metode temeljene na strojnom i dubokom učenju**. Posebno su korisne u kontekstu otpornosti na suvremene alate za steganalizu jer generiraju stego-zapise koje je gotovo nemoguće razlikovati od izvornog audio sadržaja.
 ==== 2.3 Video datoteke ====
-Video datoteke predstavljaju **najkompleksniji**, ali i **kapacitetom najbogatiji medij** [5], jer uz vizualnu informaciju nude i temporalnu redundanciju, odnosno razlike između uzastopnih okvira. Upravo ta višedimenzionalna priroda video datoteka otvara prostor za ugradnju velike količine tajnih podataka, ali istovremeno nameće **strože zahtjeve** u pogledu otpornosti na gubitke uzrokovane kompresijom i smanjenjem rezolucije. Zbog toga se u video steganografiji najčešće primjenjuju **složenije strategije** koje su nerijetko **hibridni pristupi**. U okruženjima u kojima se video sadržaj dijeli putem društvenih mreža i sličnih platformi, naglasak je na metodama koje osiguravaju da skriveni sadržaj ostane očuvan unatoč agresivnim mrežnim transformacijama (korištenje algoritama poput Mersenne Twister-a, kombinacija dubokog učenja s transformacijskim filtrima). Dodatno, u dinamičnim scenama s velikim brojem pokreta prednost imaju strategije koje se oslanjaju na detekciju vizualno značajnih regija, poput rubova i kutova (Shi-Tomasi detektor) jer su promjene u tim područjima manje uočljive gledatelju. Posebnu skupinu čine inovativni sustavi poput MARVIS-a koji se prilagođavaju potrebama 5G mreža, gdje je važno uskladiti sigurnost, brzinu prijenosa i otpornost na gubitke paketa.
+Video datoteke predstavljaju **najkompleksniji**, ali i **kapacitetom najbogatiji medij** [[#literatura|[5]]], jer uz vizualnu informaciju nude i temporalnu redundanciju, odnosno razlike između uzastopnih okvira. Upravo ta višedimenzionalna priroda video datoteka otvara prostor za ugradnju velike količine tajnih podataka, ali istovremeno nameće **strože zahtjeve** u pogledu otpornosti na gubitke uzrokovane kompresijom i smanjenjem rezolucije. Zbog toga se u video steganografiji najčešće primjenjuju **složenije strategije** koje su nerijetko **hibridni pristupi**. U okruženjima u kojima se video sadržaj dijeli putem društvenih mreža i sličnih platformi, naglasak je na metodama koje osiguravaju da skriveni sadržaj ostane očuvan unatoč agresivnim mrežnim transformacijama (algoritmi poput [[#Prostorna domena|Mersenne Twister-a]], [[#Hibridne tehnike|duboko učenje + transformacijski filtri]]). Dodatno, u dinamičnim scenama s velikim brojem pokreta prednost imaju strategije koje se oslanjaju na detekciju vizualno značajnih regija, poput rubova i kutova ([[#1.1.1 Tehnike i njihova unaprjeđenja|Shi-Tomasi detektor]]) jer su promjene u tim područjima manje uočljive gledatelju. Posebnu skupinu čine inovativni sustavi poput [[#Transformacijska domena|MARVIS]]-a koji se prilagođavaju potrebama 5G mreža, gdje je važno uskladiti sigurnost, brzinu prijenosa i otpornost na gubitke paketa.
 ===== Zaključak =====

racfor_wiki/seminari2025/dk53948.1770008040.txt.gz · Zadnja izmjena: 2026/02/02 04:54 od Dora Kašik