ПІДВИЩЕННЯ ЕФЕКТИВНОСТІ СТЕГАНОГРАФІЧНОЇ СИСТЕМИ ЧЕРЕЗ ЗАСТОСУВАННЯ МЕТОДІВ ОБРОБКИ ЗОБРАЖЕНЬ

DOI: 10.31673/2409-7292.2025.030871

Анотація

Розвиток комп’ютерних мереж призвів до збільшення об’ємів інформації, яка по них передається та, доволі
часто, потребує захисту від несанкціонованого доступу. Поряд з криптографічними активно розвиваються
стеганографічні методи приховування інформації. Ефективність стеганографічної системи залежить від багатьох
факторів. Серед них слід виділити семантичне наповнення зображення-стегоконтейнера та способи реалізації
самого алгоритму. В значно меншій мірі у науковій літературі приділено увагу дослідженню впливу методів
обробки стегоконтейнера на ефективність стегосистеми. У цій роботі запропоновано модифіковану узагальнену
модель стеганографічної системи, яка містить два додаткових блоки – блок методів покращання та блок
еталонних критеріїв ефективності. Перед приховуванням стегоконтейнер опрацьовують методами попередньої
обробки - покращання, корекції динамічного діапазону, усунення шумів тощо та перевіряють на відповідність
критеріям ефективності стегосистем. Орієнтовні значення наведених критеріїв ефективності отримані на основі
статистичних даних. В результаті проведених досліджень підтверджено, що методи приховування в частотній
області (DCT, YASS) є більш ефективні у порівнянні з методами вбудовування в просторовій області (LSB).
Методи з використанням нейронних мереж (CNN, U-Net) володіють ще більшою ефективністю. Проведено
експериментальне моделювання впливу шуму та розмиття стегоконтейнера на основні параметри ефективності
стеганосистеми з використанням алгоритму LSB. Встановлено, що метод вбудовування у найменш значущий біт
завдяки адаптивності приховуваності забезпечує високу візуальну якість зображень навіть після вбудовування
великого текстового повідомлення і при наявності розмиття. Імпульсний шум суттєво знижує візуальну якість
сприйняття. Також негативно на збереження приховуваної інформації впливає стиск інформації, особливо, у
випадку застосування методів вбудовування у просторовій області.
Ключові слова: ефективність стеганосистеми, обробка зображень, захист інформації, нейронні мережі,
просторова та частотна область.

Перелік посилань
1. Журавель Ю. І., Мичуда Л. З. Підвищення ефективності стеганографії через застосування методів
покращання зображень та моделей штучного інтелекту // Сучасний захист інформації. 2025. № 2(62). С. 59–67.
DOI: 10.31673/2409-7292.2025.023202.
2. Gonzalez R., Woods R. Digital image processing. 2nd ed. NJ: Prentice Hall, 2002.
3. Салімонович А. О., Гармаш В. В. Метод фільтрації цифрових зображень на основі білатерального
фільтру : дис. … д-ра техн. наук. Вінниця : ВНТУ, 2024.
4. Gao C., Song C., Zhang Y., Qi D., Yu Y. Improving the performance of infrared and visible image fusion based
on latent low-rank representation nested with rolling guided image filtering // IEEE Access. 2021. Vol. 9. P. 91462-91475.
5. Zhang D., He Z., Zhang X., Wang Z., Ge W., Shi T., Lin Y. Underwater image enhancement via multi-scale
fusion and adaptive color-gamma correction in low-light conditions // Engineering Applications of Artificial Intelligence.
2023. Vol. 126. Article ID 106972.
6. Cai Y., Bian H., Lin J., Wang H., Timofte R., Zhang Y. Retinexformer: One-stage retinex-based transformer for
low-light image enhancement // Proc. IEEE/CVF Int. Conf. on Computer Vision. 2023. P. 12504-12513.
7. Shah M., Khan M., Khan S. S., Ali S. Multi-Focus Image Fusion using Unsharp Masking with Discrete Cosine
Transform. 2023. [Електронний ресурс].
8. Halidou A., Mohamadou Y., Ari A. A. A., Zacko E. J. G. Review of wavelet denoising algorithms // Multimedia
Tools and Applications. 2023. Vol. 82, No. 27. P. 41539-41569.
9. Zhang C., Yen K. S. A Refined First-Order Sparse TGV Model with L1 Norm Data Fidelity for Enhanced
Image Denoising // Int. Symp. on Systems Modelling and Simulation. Singapore : Springer Nature Singapore, 2024. P. 1-
13.
10. Alnuaimy A. N., Jawad A. M., Abdulkareem S. A., Mustafa F. M., Ivanchenko S., Toliupa S. BM3D denoising
algorithms for medical image // 2024 35th Conf. of Open Innovations Association (FRUCT). IEEE, 2024. P. 135–141.
11. Журавель Ю. І., Мичуда Л. З. Метод кількісного оцінювання візуальної якості цифрових кольорових
зображень // Сучасний захист інформації. 2024. № 4(60). С. 39-45. DOI: 10.31673/2409-7292.2024.040004.
12. Хорошко В. О., Яремчук Ю. Є., Карпінець В. В. Комп’ютерна стеганографія. Вінниця : ВНТУ, 2017.
244 с.
13. Treder M. S., Codrai R., Tsvetanov K. A. Quality assessment of anatomical MRI images from generative
adversarial networks: Human assessment and image quality metrics // Journal of Neuroscience Methods. 2022. Vol. 374.
Article ID 109579.
14. Neißner A., Mäder U., Fiebich M. Enhancing clinical CT image quality assessment: adapting no-reference
methods NIQE and BRISQUE // Medical Imaging 2025: Physics of Medical Imaging. 2025. Vol. 13405. P. 903-911.