ОЦІНЮВАННЯ ВПЛИВУ СЕМАНТИКИ ЗОБРАЖЕНЬ НА ЕФЕКТИВНІСТЬ СТЕГАНОГРАФІЧНИХ МЕТОДІВ
DOI: 10.31673/2409-7292.2025.041208
Анотація
У статті досліджено питання підвищення ефективності стеганографічних систем шляхом аналізу
результатів приховування інформації при застосуванні різних алгоритмів вбудовування. Метою роботи є
оцінювання впливу методу стеганографічного перетворення на візуальну непомітність контейнера та стійкість
прихованих даних до деструктивних впливів. Проведено порівняння класичних алгоритмів LSB-модифікації з
частотними методами на основі дискретного косинусного (DCT) та вейвлет-перетворення (DWT), а також з
комбінованими підходами, що враховують просторово-частотну структуру зображення. Запропоновано комплекс
критеріїв ефективності, який включає об’єктивні показники візуальної якості (PSNR, SSIM, MSE), нормовану
середньоквадратичну похибку, а також показники стійкості до атак різного типу. У роботі наведено результати
експериментальних досліджень ефективності стеганоалгоритмів із використанням наборів тестових зображень з
різним семантичним наповненням. Показано, що структурно-змістові особливості зображення суттєво впливають
на ефективність приховування: зображення зі складною текстурою забезпечують вищу ємність і візуальну непомітність, тоді як гладкі однорідні області більш чутливі до внесених змін. Додатково оцінено стійкість
прихованої інформації до дії атак JPEG-компресії, імпульсного шуму, фільтрації та геометричних трансформацій.
Результати дослідження підтверджують, що підвищення ефективності стеганографічної системи можливе завдяки
адаптивному вибору місця вбудовування, який враховує тип, семантику та статистичні характеристики
зображення-контейнера. Отримані висновки можуть бути використані для розроблення нових інтелектуальних
стеганосистем, що автоматично визначають оптимальні параметри вбудовування з метою досягнення балансу між
візуальною непомітністю та стійкістю до атак.
Ключові слова: кіберзагрози, стеганографічний алгоритм, захист інформації, нейронні мережі, просторова
та частотна область.
Перелік посилань
1. Fridrich, J. Steganography in Digital Media: Principles, Algorithms, and Applications. Cambridge: Cambridge
University Press, 2009. 437 p. DOI: 10.1017/CBO9780511762800.
2. Zhang, Y., Luo, X., Guo, Y., Qin, C., Liu, F. Multiple robustness enhancements for image adaptive
steganography in lossy channels // IEEE Transactions on Circuits and Systems for Video Technology. – 2020. – Vol. 30,
No. 8. pp. 2750–2764. DOI: 10.1109/TCSVT.2019.2939315.
3. Журавель, Ю. І., Мичуда, Л. З. Методи підвищення непомітності та стійкості стеганоповідомлень із
застосування фрактальних розмірностей // Сучасний захист інформації. 2025. № 1(61). С. 74–81. DOI: 10.31673/
2409-7292.2025.011576.
4. Журавель, І. М., Мичуда, Л. З., Журавель, Ю. І. Підвищення ефективності стеганографічного методу
приховування даних із застосуванням ітераційних функцій та додаванням шуму // Український журнал
інформаційних технологій. 2021. Т. 3, № 2. С. 66–73. Режим доступу: https://ujit.undip.org.ua/index.php/ujit/
article/view/182.
5. Hu, Y., Yang, Z., Cao, H., Huang, Y. Multi-modal steganography based on semantic relevancy // International
Workshop on Digital Watermarking. Cham: Springer International Publishing, 2020. pp. 3-14. DOI: 10.1007/978-3-030-
69325-6_1.
6. Zeng, L., Yang, N., Li, X., Chen, A., Jing, H., Zhang, J. Advanced image steganography using a U-Net-based
architecture with multi-scale fusion and perceptual loss // Electronics. 2023. Vol. 12, No. 18. Article 3808. DOI:
10.3390/electronics12183808.
7. Liu, L., Meng, L., Wang, X., Peng, Y. An image steganography scheme based on ResNet // Multimedia Tools
and Applications. 2022. Vol. 81, No. 27. pp. 39803-39820. DOI: 10.1007/s11042-022-13254-2.
8. Lu, H., Zhang, T. RobustStegFormer: A Cross-Attention Guided and Noise-Aware Transformer for Image
Steganography // 6th International Conference on Computer Vision, Image and Deep Learning (CVIDL). IEEE, 2025. p.
617-621. DOI: (уточнюється після публікації).
9. Hu, D., Wang, L., Jiang, W., Zheng, S., Li, B. A novel image steganography method via deep convolutional
generative adversarial networks // IEEE Access. 2018. Vol. 6. P. 38303–38314. DOI: 10.1109/ACCESS.2018.2852771.
10. Xie, G. Adaptive spatial image steganography and steganalysis using perceptual modelling and machine
learning: Dissertation for the degree of Doctor of Philosophy. Guildford: University of Surrey, 2022. DOI:
10.15126/thesis.2022.001.
11. Ponomarenko, N., Lukin, V., Zelensky, A., Egiazarian, K., Carli, M., Battisti, F. TID2013 Image quality
assessment database [Електронний ресурс]. 2013. Режим доступу: https://www.ponomarenko.info/tid2013.htm.
