QuatHashing: Perceptually Hashing with Quaternion Discrete Wavelet Transform for Reduced-Reference Visual Security Assessment

기술 요약: QuatHashing

문제 정의
시각적 보안 평가(Visual Security Assessment, VSA)는 지각적 이미지 암호화(perceptual image encryption)의 효과를 평가하는 데 있어 매우 중요한 작업입니다. 지각적 암호화는 전체 데이터 스트림이 아닌 이미지의 특정 부분만을 암호화하여 시각적 정보를 보호합니다. 기존의 이미지 암호화 보안 분석 방법(예: 차분 분석 또는 통계적 분석)은 의미론적 보안(semantic security)에 초점을 맞추고 있어, 필수적인 시각적 특성은 보존하면서 오용을 방지하는 것을 목표로 하는 지각적 암호화에는 부적합합니다. 기존 솔루션들은 종종 PSNR이나 SSIM과 같은 이미지 품질 평가(IQA) 지표에 의존하지만, 이들은 보안이 아닌 이미지 저하를 측정하도록 설계되었기 때문에 낮은 시각적 품질이 반드시 높은 보안성을 의미하지 않는 일관되지 않은 결과를 초낳습니다. 또한, 주관적 평가는 시간이 많이 소요되므로, 인간 시각 시스템(HVS)의 특성, 특히 방향 감도(orientation sensitivity) 및 다중 스케일 인지(multi-scale perception)와 일치하는 견고하고 객관적인 참조 감소형(reduced-reference, RR) VSA 방법이 필요합니다.

방법론: QuatHashing
본 논문은 RR-VSA를 위해 설계된 지각적 해싱 알고리즘인 QuatHashing을 제안합니다. 이 프레임워크는 네 가지 주요 단계를 통해 작동합니다:

1. 방향성 상보적 서브밴드 표현 (Directional Complementary Sub-band Representation):
   입력 이미지는 전처리 과정을 거쳐 수평 및 수직 상보적 서브밴드로 재구성됩니다. 인접한 픽셀들을 그룹화함으로써, 알고리즘은 세 개의 수평 서브밴드($f_{hX}, f_{hY}, f_{hZ}$)와 세 개의 수직 서브밴드($f_{vX}, f_{vY}, f_{vZ}$)를 생성합니다. 이러한 픽셀 재배열은 데이터를 버리지 않고 모든 원본 정보를 보존하며, 이를 통해 암호화에 의해 도입된 왜곡이 이 서브밴드 내에 유지되도록 하는 동시에 방향성 이미지 정보를 명시적으로 분리합니다.

2. 이중 채널 쿼터니언 이산 웨이브렛 변환 (Double-Channel Quaternion Discrete Wavelet Transform, QDQDWT):
   수평 및 수직 서브밴드는 두 개의 순수 쿼터니언 이미지($f_h$ 및 $f_v$)로 모델링되며, 여기서 세 개의 서브밴드는 허수 성분 역할을 합니다. 이 쿼터니언 이미지들은 3단계 QDWT를 거칩니다. 이 분해 과정은 다음을 추출합니다:

• 저주파 구조적 특징: 최종 근사 서브밴드로부터 유도되며, 전역 휘도와 주요 윤곽을 나타냅니다.
• 질감 특징: 세 가지 스케일에 걸친 고주파 방향성 서브밴드(수평, 수직, 대각선)에서 추출됩니다.
• 다중 스케일 구조적 특징: 상보적 서브밴드 간의 상관 성분($Q_{XY}, Q_{XZ}, Q_{YZ}$)으로부터 유도되며, 다양한 샘플링 위치에서의 구조적 변화를 포착합니다.

3. 주의 집중 기반 특징 추출 (Attention-Guided Feature Extraction):
   돌출된 영역(salient regions)에 대한 HVS의 민감도와 일치시키기 위해, 이 방법은 전역 및 지역 주의 메커니즘을 채택합니다:

• 전역 주의 (Global Attention): 저주파, 질감 및 구조적 성분을 결합한 결합 특징 벡터가 각 픽셀 위치에 구축됩니다. 이 벡터들의 확률 밀도(다변량 정규 분포 사용)를 기반으로 전역 돌출 응답(global saliency response)이 계산되며, 희귀한 특징(에지, 급격한 구조)은 더 높은 응답을 받습니다. 이 응답은 특징 맵을 조절합니다.
• 지역 주의 (Local Attention): 특징 맵은 전체 높이의 스트립(strip)으로 분할됩니다. 구조적 변동을 탐지하기 위해 저주파 맵에 분산 풀링(variance pooling)이 적용되며, 국부적인 변이를 포착하기 위해 고주파 질감 및 구조 맵에 맥스 풀링(max pooling)이 적용됩니다.
• 결과 시퀀스는 균일한 암호화 오프셋을 억제하기 위해 상대화(평균 차감 및 절대값 처리)됩니다.

4. 해시 구축 및 유사도 평가 (Hash Construction and Similarity Assessment):
   수평 및 수직 채널에 대한 전역 및 지역 시퀀스는 초기 해시 시퀀스를 형성하기 위해 결합됩니다. 이들은 정수로 양자화되어 최종적인 압축된 지각적 해시를 생성합니다. 시각적 보안 점수는 참조 이미지의 해시와 암호화된 이미지의 해시 사이의 유클리드 거리($L_2$ 노름)를 계산하여 결정되며, 거리가 클수록 시각적 보안성이 높음을 나타냅니다.

주요 기여

• 방향성 상보적 서브밴드: 저자들은 이미지를 수평 및 수직 상보적 서브밴드로 조직하는 픽셀 재배열 기법을 도입했습니다. 이는 암호화로 인한 왜곡을 보존하는 동시에 방향성 정보를 명시적으로 표현하여, 참조 이미지와 암호화된 이미지 간의 구분을 용이하게 합니다.
• 이중 채널 QDWT 특징 추출: 방향성 서브밴드를 순수 쿼터니언 이미지로 모델링하는 새로운 방법을 제시합니다. 이 접근 방식은 저주파 구조, 질감 및 다중 스케일 구조적 특징을 동시에 추출하여, HVS의 방향성 분석과 다중 스케일 인지를 효과적으로 결합합니다.
• 주의 집중 기반 RR-VSA 체계: 전역 및 지역 주의 메커니즘을 통합하는 해싱 체계를 구축합니다. 스트립 단위의 풀링과 통계적 모델링을 통해 돌출된 영역(에지, 질감)을 강조함으로써, 지각적 왜곡에 더 민감한 압축된 특징 시퀀스를 생성합니다.

실험 결과
제안된 방법은 두 가지 공개 데이터베이스인 IVC-SelectEncrypt(200개 이미지)와 PEID(1080개 이미지)에서 평가되었습니다. 성능은 상관 계수(PLCC, SRCC, KRCC)와 오차 지표(RMSE, $\mu_D$, $\sigma_D$, $max_D$)를 사용하여 기존 IQA 지표(PSNR, SSIM, VIF) 및 전문 VSA 방법(LSS, ESS, LFBVS, VSI-Canny, VSASW)과 비교되었습니다.

• 전반적인 성능: QuatHashing은 두 데이터베이스 모두에서 우수한 성능을 보였으며, 대부분의 지표에서 최상의 값을 확보했습니다 (예: IVC-SelectEncrypt에서 PLCC 0.967, SRCC 0.964; PEID에서 PLCC 0.928).
• 품질 범위 분석: 이 방법은 지각적 암호화가 가장 중요한 저 및 중등도 시각적 품질 범위에서 특히 강력한 성능을 입증했습니다. 해당 범위에서 기존 방법들보다 PLCC, SRCC, KRCC 측면에서 뛰어난 성능을 보였습니다.
• 암호화 알고리즘 견고성: 15가지 서로 다른 암호화 유형에 대한 테스트 결과, QuatHashing은 다른 방법들과 비교하여 일관되게 가장 높은 단조성(SRCC 및 KRCC)과 정확도(PLCC, RMSE)를 달와했습니다.

의의
본 논문은 QuatHashing이 현재의 IQA 및 VSA 방법보다 지각적 이미지 암호화에 대해 더 일관되고 효과적인 객관적 평가를 제공한다고 주장합니다. 쿼터니언 도메인과 HVS에서 영감을 얻은 주의 메커니즘을 활용함으로써, 이 방법은 객관적 지표와 주관적 시각 보안 인지 사이의 간극을 성공적으로 메웁니다. 저자들은 이 접근 방식이 전통적인 지표들이 실패하기 쉬운 시나리오인, 지각적 암호화 응용 분야에서 흔히 발생하는 저/중등도 시각적 품질을 가진 암호화 이미지를 평가하는 데 특히 유리하다고 강조합니다.