암호화 이미지의 가역적 데이터 은닉: MSB 통합과 히스토그램 변형 기반 새로운 접근

본 논문은 “Reversible Data Hiding in Encrypted Images Using MSBs Integration and Histogram Modification”(이하 RDHEI‑MSB)이라는 새로운 가역적 데이터 은닉 기법을 제안한다. 기존의 가역적 데이터 은닉(RDH) 기술은 원본 이미지에 직접 데이터를 삽입하고, 삽입 후에도 원본을 완전 복원할 수 있는 방법을 제공한다. 그러나 클라우드 환경에서 이미지가 먼저 암호화된 뒤에 데이터가 삽입되는 경우, 데이터 삽입자는 원본에 대한 어떠한 정보도 알 수 없어야 한다. 이러한 요구를 만족시키는 기존 연구는 크게 세 가지 범주(RRBE, VRBE, VRAE)로 나뉘며, 각각 데이터 삽입 전·후 혹은 삽입 과정에서의 방식을 달리한다. 특히 VRAE(암호화 후 방(room) 확보) 방식은 데이터 삽입자가 완전 블라인드(blind) 상태에서 작업할 수 있다는 점에서 가장 높은 프라이버시 보호를 제공한다. 하지만 VRAE 방식은 데이터 삽입 용량이 제한적이며, 데이터 추출과 원본 복원이 서로 결합된 ‘통합형(joint)’ 방식이 대부분이었다. 본 연구는 이러한 한계를 극복하고자, VRAE 중에서도 ‘분리형(separable)’ 구조를 채택한다. 즉, 데이터 추출은 암호화된 이미지와 데이터 삽입 키만으로 수행되고, 원본 복원은 별도의 이미지 암호화 키만으로 가능하도록 설계하였다. 이를 위해 두 가지 핵심 기술을 도입한다. 첫 번째는 암호화된 이미지의 가장 상위 비트(MSB)를 여러 개 통합(integration)하는 방법이다. 기존 연구에서는 단일 MSB를 교체하거나 변형했지만, 이 논문은 k‑MSB(예: 3‑MSB)를 하나의 값으로 결합하고, 이 결합된 값에 대해 히스토그램 변형을 적용해 데이터 삽입을 위한 여유 공간을 만든다. 통합된 MSB는 1의 보완(1’s complement) 형태로 저장되며, 이는 데이터 삽입 시 ‘1’이면 보완값으로, ‘0’이면 원본값을 유지하는 방식으로 구현된다. 두 번째 핵심 기술은 체스보드(CB) 예측기와 그 변형인 White‑Pixel Predictor(WPP) 및 Black‑Cross Predictor(BCP)를 활용한 예측 오류 분석이다. 이미지의 픽셀을 흰색·검은색 두 그룹으로 나누고, 각각의 타깃 픽셀을 반대 색상의 인접 픽셀 평균값으로 예측한다. 예측 오류가 작을수록(특히 0~63 범위) MSB를 변형해도 원본 복원에 미치는 영향이 적다. 논문은 Baboon, Lena, F16 등 다양한 테스트 이미지에 대해 WPP와 BCP를 결합했을 때 예측 오류 히스토그램이 가장 뾰족해져, 통합된 MSB를 안전하게 변형할 수 있음을 실험적으로 확인한다. 시스템 흐름은 다음과 같다. 1) 이미지 소유자는 스트림 암호(예: XOR 기반)와 키 k_i를 사용해 원본 이미지를 암호화한다. 2) 데이터 삽입자는 암호화된 이미지만을 받아, MSB 통합 모델을 적용해 k‑MSB를 하나의 값으로 만든 뒤, 히스토그램 변형을 통해 방을 확보한다. 3) 확보된 방에 데이터 삽입자는 자신의 데이터와 데이터 삽입 키 k_h를 사용해 비트를 삽입한다. 삽입 과정에서 ‘1’은 1’s complement, ‘0’은 원본값을 유지한다. 4) 삽입이 끝난 마크된 암호화 이미지는 클라우드에 저장된다. 5) 수신자는 먼저 k_h를 사용해 마크된 이미지에서 데이터를 복호화하고, 이후 k_i를 사용해 전체 이미지를 복호화한다. 복호화된 이미지의 MSB는 통합 단계에서 저장된 1’s complement 정보를 이용해 원래 값으로 복원된다. 예측 오류와 통합 파라미터가 정확히 일치하면 원본 이미지가 손실 없이 복원된다. 실험에서는 제안 방법을 기존 RRBE, VRBE, VRAE(분리형) 방법들과 비교하였다. 주요 평가지표는 임베딩 용량(비트/픽셀), PSNR(복원 이미지 품질), 데이터 추출 성공률, 원본 복원 오류율이다. 결과는 다음과 같다. (1) 임베딩 용량은 평균 0.45 bpp에서 0.53 bpp까지 상승했으며, 이는 기존 최고 성능 대비 약 12%~18% 향상된 수치이다. (2) PSNR은 48 dB 이상으로, 실질적인 화질 손실이 거의 없었다. (3) 데이터 추출 성공률은 100%였으며, 원본 복원 오류율도 0%로 완전 복원을 달성했다. 특히 고주파 성분이 많은 Baboon 이미지에서도 용량과 복원 품질이 유지되어, 제안 기법이 이미지 복잡도에 크게 좌우되지 않음을 확인했다. 논문의 한계점으로는 k‑MSB 통합 파라미터 선택이 이미지 특성에 따라 민감하게 작용한다는 점이다. 현재는 실험을 통해 경험적으로 k 값을 정했지만, 자동 최적화 알고리즘이 필요하다. 또한 히스토그램 변형이 암호문의 통계적 특성을 변화시켜, 암호 해석 공격에 대한 추가 보안 분석이 요구된다. 마지막으로 현재 구현은 8‑bit 그레이스케일 이미지에 국한되며, 컬러 이미지나 고비트 심도 이미지에 대한 확장은 별도 연구가 필요하다. 결론적으로, 이 논문은 MSB 통합과 히스토그램 변형을 결합한 새로운 VRAE‑분리형 프레임워크를 제시함으로써, 데이터 삽입 용량과 복원 정확도 모두에서 기존 최첨단 방법을 능가한다. 향후 자동 파라미터 튜닝, 컬러 이미지 적용, 보안성 강화 등을 통해 실제 클라우드 스토리지 서비스에 적용 가능한 수준으로 발전시킬 여지가 충분하다.