experiments.tex

   1 For whole experiments, the whole set of 10,000 images
   2 of the BOSS contest~\cite{Boss10} database is taken.
   3 In this set, each cover is a $512\times 512$
   4 grayscale digital image in a RAW format.
   5 We restrict experiments to
   6 this set of cover images since this paper is more focused on
   7 the methodology than on benchmarking.
   8
   9 We use the matrices $\hat{H}$
  10 generated by the integers given
  11 in table~\ref{table:matrices:H}
  12 as introduced in~\cite{FillerJF11}, since these ones have experimentally
  13 be proven to have the best modification efficiency.
  14 For instance if the rate between the size of the message and the size of the
  15 cover vector
  16 is 1/4, each number in $\{81, 95, 107, 121\}$ is translated into a binary number
  17 and each one consitutes thus a column of $\hat{H}$.
  18
  19 \begin{table}
  20 $$
  21 \begin{array}{|l|l|}
  22 \hline
  23 \textrm{Rate} & \textrm{Matrix generators} \\
  24 \hline
  25 {1}/{2} & \{71,109\}\\
  26 \hline
  27 {1}/{3} & \{95, 101, 121\}\\
  28 \hline
  29 {1}/{4} & \{81, 95, 107, 121\}\\
  30 \hline
  31 {1}/{5} & \{75, 95, 97, 105, 117\}\\
  32 \hline
  33 {1}/{6} & \{73, 83, 95, 103, 109, 123\}\\
  34 \hline
  35 {1}/{7} & \{69, 77, 93, 107, 111, 115, 121\}\\
  36 \hline
  37 {1}/{8} & \{69, 79, 81, 89, 93, 99, 107, 119\}\\
  38 \hline
  39 {1}/{9} & \{69, 79, 81, 89, 93, 99, 107, 119, 125\}\\
  40 \hline
  41 \end{array}
  42 $$
  43 \caption{Matrix Generator for $\hat{H}$ in STC}\label{table:matrices:H}
  44 \end{table}
  45
  46
  47 Our approach is always compared to Hugo~\cite{DBLP:conf/ih/PevnyFB10}
  48 and to EAISLSBMR~\cite{Luo:2010:EAI:1824719.1824720}.
  49 The former is the least detectable information hiding tool in spatial domain
  50 and the latter is the work that is the closest to ours, as far as we know.
  51
  52
  53
  54 First of all,  in our experiments and with the adaptive scheme,
  55 the average size of the message that can be embedded is 16,445 bits.
  56 It corresponds to an  average payload of 6.35\%.
  57 The two other tools will then be compared with this payload.
  58 Sections~\ref{sub:quality} and~\ref{sub:steg} respectively present
  59 the quality analysis and the security of our scheme.
  60
  61
  62
  63
  64
  65 \subsection{Image quality}\label{sub:quality}
  66 The visual quality of the STABYLO scheme is evaluated in this section.
  67 For the sake of completeness, three metrics are computed in these experiments:
  68 the Peak Signal to Noise Ratio (PSNR),
  69 the PSNR-HVS-M family~\cite{psnrhvsm11},
  70 %the BIQI~\cite{MB10},
  71 and
  72 the weighted PSNR (wPSNR)~\cite{DBLP:conf/ih/PereiraVMMP01}.
  73 The first one is widely used but does not take into
  74 account the Human Visual System (HVS).
  75 The other ones have been designed to tackle this problem.
  76
  77 If we apply them on the running example,
  78 the PSNR, PSNR-HVS-M, and wPSNR values are respectively equal to
  79 68.39, 79.85, and 89.71 for the stego Lena when $b$ is equal to 7.
  80 If $b$ is 6, these values are respectively equal to
  81 65.43, 77.2, and 89.35.
  82
  83
  84
  85
  86 \begin{table*}
  87 \begin{center}
  88 \begin{tabular}{|c|c|c||c|c|c|c|c|c|}
  89 \hline
  90 Schemes & \multicolumn{4}{|c|}{STABYLO} & \multicolumn{2}{|c|}{HUGO}& \multicolumn{2}{|c|}{EAISLSBMR} \\
  91 \hline
  92 Embedding &   Fixed & \multicolumn{3}{|c|}{Adaptive (about 6.35\%)} &  \multicolumn{2}{|c|}{Fixed}& \multicolumn{2}{|c|}{Fixed} \\
  93 \hline
  94 Rate &   10\% &  + sample &  +STC(7) & +STC(6) &  10\%&6.35\%& 10\%&6.35\%\\
  95 \hline
  96 PSNR & 61.86 & 63.48 &  66.55 (\textbf{-0.8\%}) &  63.7  & 64.65 & {67.08} & 60.8 & 62.9\\
  97 \hline
  98 PSNR-HVS-M & 72.9 & 75.39 & 78.6 (\textbf{-0.8\%}) & 75.5  & 76.67 & {79.23} & 71.8  & 74.3\\
  99 %\hline
 100 %BIQI & 28.3 & 28.28 & 28.4 & 28.28 & 28.28 & 28.2 & 28.2\\
 101 \hline
 102 wPSNR & 77.47 & 80.59 & 86.43(\textbf{-1.6\%})& 86.28  & 83.03 & {87.8} & 76.7 & 80.6\\
 103 \hline
 104 \end{tabular}
 105
 106 \begin{footnotesize}
 107 \vspace{2em}
 108 Variances given in bold font express the quality differences between
 109 HUGO and STABYLO with  STC+adaptive parameters.
 110 \end{footnotesize}
 111
 112 \end{center}
 113 \caption{Quality measures of steganography approaches\label{table:quality}}
 114 \end{table*}
 115
 116
 117
 118 Results are summarized in Table~\ref{table:quality}.
 119 Let us give an interpretation of these experiments.
 120 First of all, the adaptive strategy produces images with lower distortion
 121 than the images resulting from the 10\% fixed strategy.
 122 Numerical results are indeed always greater for the former strategy than
 123 for the latter one.
 124 These results are not surprising since the adaptive strategy aims at
 125 embedding messages whose length is decided according to an higher threshold
 126 into the edge detection.
 127 Let us focus on the quality of HUGO images: with a given fixed
 128 embedding rate (10\%),
 129 HUGO always produces images whose quality is higher than the STABYLO's one.
 130 However our approach is always better than EAISLSBMR since this one may modify
 131 the two least significant bits.
 132
 133 If we combine \emph{adaptive} and \emph{STC} strategies
 134 (which leads to an average embedding rate equal to 6.35\%)
 135 our approach  provides metrics equivalent to those provided by HUGO.
 136 In this column STC(7) stands for embedding data in the LSB whereas
 137 in STC(6), data are hidden in the last two  significant bits.
 138
 139
 140
 141 The quality variance between HUGO and STABYLO for these parameters
 142 is given in bold font. It is always close to 1\% which confirms
 143 the objective presented in the motivations:
 144 providing an efficient steganography approach with a lightweight manner.
 145
 146
 147 Let us now compare the STABYLO approach with other edge based steganography
 148 approaches, namely~\cite{DBLP:journals/eswa/ChenCL10,Chang20101286}.
 149 These two schemes focus on increasing the
 150 payload while the PSNR is acceptable, but do not
 151 give quality metrics for fixed embedding rates from a large base of images.
 152
 153
 154
 155
 156 \subsection{Steganalysis}\label{sub:steg}
 157
 158
 159
 160 The steganalysis quality of our approach has been evaluated through the % two
 161 % AUMP~\cite{Fillatre:2012:ASL:2333143.2333587}
 162 % and
 163 Ensemble Classifier~\cite{DBLP:journals/tifs/KodovskyFH12} based steganalyser.
 164 This approach  aims at detecting hidden bits in grayscale natural
 165 images and is
 166 considered as state of the art steganalysers in the spatial domain~\cite{FK12}.
 167 %The former approach is based on a simplified parametric model of natural images.
 168 % Parameters are firstly estimated and an adaptive Asymptotically Uniformly Most Powerful
 169 % (AUMP) test is designed (theoretically and practically), to check whether
 170 % an image has stego content or not.
 171 % This approach is dedicated to verify whether LSB has been modified or not.
 172 % , the authors show that the
 173 % machine learning step, which is often
 174 % implemented as a support vector machine,
 175 % can be favorably executed thanks to an ensemble classifier.
 176
 177
 178 \begin{table*}
 179 \begin{center}
 180 %\begin{small}
 181 \begin{tabular}{|c|c|c|c|c|c|c|c|c|}
 182 \hline
 183 Schemes & \multicolumn{4}{|c|}{STABYLO} & \multicolumn{2}{|c|}{HUGO}& \multicolumn{2}{|c|}{EAISLSBMR}\\
 184 \hline
 185 Embedding & Fixed &   \multicolumn{3}{|c|}{Adaptive (about 6.35\%)}  & \multicolumn{2}{|c|}{Fixed}& \multicolumn{2}{|c|}{Fixed} \\
 186 \hline
 187 Rate & 10\% &  + sample &   +STC(7) & +STC(6)   & 10\%& 6.35\%& 10\%& 6.35\%\\
 188 \hline
 189 %AUMP & 0.22 & 0.33 & 0.39  &   0.45    &  0.50 &  0.50 & 0.49 & 0.50 \\
 190 %\hline
 191 Ensemble Classifier & 0.35 & 0.44 & 0.47 & 0.47     & 0.48 &  0.49  &  0.43  & 0.46 \\
 192
 193 \hline
 194 \end{tabular}
 195 %\end{small}
 196 \end{center}
 197 \caption{Steganalysing STABYLO\label{table:steganalyse}}
 198 \end{table*}
 199
 200
 201 Results are summarized in Table~\ref{table:steganalyse}.
 202 First of all, STC outperforms the sample strategy %for % the two steganalysers
 203  as
 204 already noticed in the quality analysis presented in the previous section.
 205 Next, our approach is more easily detectable than HUGO, which
 206 is the most secure steganographic tool, as far as we know.
 207 However by combining \emph{adaptive} and \emph{STC} strategies
 208 our approach obtains similar results to HUGO ones.
 209
 210 %%%%et pour b= 6 ?
 211
 212
 213 Compared to EAILSBMR, we obtain better results when the strategy is
 214 \emph{adaptive}.
 215 However due to its
 216 huge number of integration features, it is not lightweight, which justifies
 217 in the authors' opinion the consideration of the proposed method.
 218