experiments.tex

   1 First of all, the whole code of STABYLO can be downloaded
   2 \footnote{\url{http://http://members.femto-st.fr/jf-couchot/en/stabylo}}.
   3 For all the experiments, the whole set of 10,000 images
   4 of the BOSS contest~\cite{Boss10} database is taken.
   5 In this set, each cover is a $512\times 512$
   6 grayscale digital image in a RAW format.
   7 We restrict experiments to
   8 this set of cover images since this paper is more focused on
   9 the methodology than on benchmarks.
  10
  11 We use the matrices $\hat{H}$
  12 generated by the integers given
  13 in Table~\ref{table:matrices:H}
  14 as introduced in~\cite{FillerJF11}, since these ones have experimentally
  15 be proven to have the strongest modification efficiency.
  16 For instance if the rate between the size of the message and the size of the
  17 cover vector
  18 is 1/4, each number in $\{81, 95, 107, 121\}$ is translated into a binary number
  19 and each one constitutes thus a column of $\hat{H}$.
  20
  21 \begin{table}
  22 $$
  23 \begin{array}{|l|l|}
  24 \hline
  25 \textrm{Rate} & \textrm{Matrix generators} \\
  26 \hline
  27 {1}/{2} & \{71,109\}\\
  28 \hline
  29 {1}/{3} & \{95, 101, 121\}\\
  30 \hline
  31 {1}/{4} & \{81, 95, 107, 121\}\\
  32 \hline
  33 {1}/{5} & \{75, 95, 97, 105, 117\}\\
  34 \hline
  35 {1}/{6} & \{73, 83, 95, 103, 109, 123\}\\
  36 \hline
  37 {1}/{7} & \{69, 77, 93, 107, 111, 115, 121\}\\
  38 \hline
  39 {1}/{8} & \{69, 79, 81, 89, 93, 99, 107, 119\}\\
  40 \hline
  41 {1}/{9} & \{69, 79, 81, 89, 93, 99, 107, 119, 125\}\\
  42 \hline
  43 \end{array}
  44 $$
  45 \caption{Matrix Generator for $\hat{H}$ in STC}\label{table:matrices:H}
  46 \end{table}
  47
  48
  49 Our approach is always compared to HUGO, to EAISLSBMR, to WOW and to UNIWARD
  50 for the two strategies Fixed and Adaptive.
  51 For the former one, the payload has been set to 10\%.
  52 For the latter one, the Canny parameter $T$ has been set to 3.
  53 When $b$ is 7, the average size of the message that can be embedded
  54 is 16,445 bits,
  55 that corresponds to an  average payload of 6.35\%.
  56 For each cover image the STABYLO's embedding rate with these two parameters
  57 is memorized.
  58 Next each steganographic scheme is executed to produce the stego content of
  59 this cover with respect to this embedding rate.
  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 % and
  71 % the weighted PSNR (wPSNR)~\cite{DBLP:conf/ih/PereiraVMMP01}.
  72 % The first one is widely used but does not take into
  73 % account the Human Visual System (HVS).
  74 % The other ones have been designed to tackle this problem.
  75
  76 % If we apply them on the running example with the Adaptive and STC strategies,
  77 % the PSNR, PSNR-HVS-M, and wPSNR values are respectively equal to
  78 % 68.39, 79.85, and 89.71 for the stego Lena when $b$ is equal to 7.
  79 % If $b$ is 6, these values are respectively equal to
  80 % 65.43, 77.2, and 89.35.
  81
  82
  83
  84
  85 % \begin{table*}
  86 % \begin{center}
  87 % \begin{small}
  88 % \setlength{\tabcolsep}{3pt}
  89 % \begin{tabular}{|c|c|c||c|c|c|c|c|c|c|c|c|c|}
  90 % \hline
  91 % Schemes & \multicolumn{4}{|c|}{STABYLO} & \multicolumn{2}{|c|}{HUGO}& \multicolumn{2}{|c|}{EAISLSBMR} & \multicolumn{2}{|c|}{WOW} & \multicolumn{2}{|c|}{UNIWARD}\\
  92 % \hline
  93 % Embedding &   Fixed & \multicolumn{3}{|c|}{Adaptive (about 6.35\%)} &  Fixed &Adaptive & Fixed &Adaptive & Fixed &Adaptive & Fixed &Adaptive \\
  94 % \hline
  95 % Rate &   10\% &  + sample &  +STC(7) & +STC(6) &  10\%&$\approx$6.35\%& 10\%&$\approx$6.35\%& 10\%&$\approx$6.35\%& 10\%&$\approx$6.35\%\\
  96 % \hline
  97 % PSNR & 61.86 & 63.48 &  66.55  &  63.7  & 64.65 & {67.08} & 60.8 & 62.9&65.9 & 68.3 & 65.8 & 69.2\\
  98 % \hline
  99 % PSNR-HVS-M & 72.9 & 75.39 & 78.6  & 75.5  & 76.67 & {79.6} & 71.8  & 76.0 &
 100 % 76.7 & 80.35 & 77.6 & 81.2 \\
 101 % \hline
 102 % wPSNR & 77.47 & 80.59 & 86.43& 86.28  & 83.03 & {88.6} & 76.7 & 83& 83.8 & 90.4 & 85.2 & 91.9\\
 103 % \hline
 104 % \end{tabular}
 105 % \end{small}
 106 % \end{center}
 107 % \caption{Quality measures of steganography approaches\label{table:quality}}
 108 % \end{table*}
 109
 110
 111
 112 % Results are summarized in Table~\ref{table:quality}.
 113 % In this table, STC(7) stands for embedding data in the LSB whereas
 114 % in STC(6), data are hidden in the last two  significant bits.
 115
 116
 117 % Let us give an interpretation of these experiments.
 118 % First of all, the Adaptive strategy produces images with lower distortion
 119 % than the images resulting from the 10\% fixed strategy.
 120 % Numerical results are indeed always greater for the former strategy than
 121 % for the latter one.
 122 % These results are not surprising since the Adaptive strategy aims at
 123 % embedding messages whose length is decided according to a higher threshold
 124 % into the edge detection.
 125
 126
 127 % If we combine Adaptive and STC strategies
 128 % the STABYLO scheme  provides images whose quality is higher than
 129 % the EAISLSBMR's one but lower than the quality of high complexity
 130 % schemes. Notice that the quality of the less respectful scheme (EAILSBMR)
 131 % is lower than 6\% than the one of the most one.
 132
 133
 134 % % Let us now compare the STABYLO approach with other edge based steganography
 135 % % approaches, namely~\cite{DBLP:journals/eswa/ChenCL10,Chang20101286}.
 136 % % These two schemes focus on increasing the
 137 % % payload while the PSNR is acceptable, but do not
 138 % % give quality metrics for fixed embedding rates from a large base of images.
 139
 140
 141
 142
 143 \subsection{Steganalysis}\label{sub:steg}
 144
 145
 146
 147 The steganalysis quality of our approach has been evaluated through the % two
 148 % AUMP~\cite{Fillatre:2012:ASL:2333143.2333587}
 149 % and
 150 Ensemble Classifier~\cite{DBLP:journals/tifs/KodovskyFH12} based steganalyser.
 151 Its  particularization to spatial domain is
 152 considered as state of the art steganalysers.
 153 \JFC{Features that are embedded into this steganalysis process
 154 are CCPEV and SPAM features as described
 155 in~\cite{DBLP:dblp_conf/mediaforensics/KodovskyPF10}.
 156 These latter are extracted from the
 157 set of cover images and the set of training images.}
 158 Next a small
 159 set of weak classifiers is randomly built,
 160 each one working on a subspace of all the features.
 161 The final classifier is constructed by a majority voting
 162 between the decisions of these  individual classifiers.
 163
 164
 165 %The former approach is based on a simplified parametric model of natural images.
 166 % Parameters are firstly estimated and an adaptive Asymptotically Uniformly Most Powerful
 167 % (AUMP) test is designed (theoretically and practically), to check whether
 168 % an image has stego content or not.
 169 % This approach is dedicated to verify whether LSB has been modified or not.
 170 % , the authors show that the
 171 % machine learning step, which is often
 172 % implemented as a support vector machine,
 173 % can be favorably executed thanks to an ensemble classifier.
 174
 175
 176 \begin{table*}
 177 \begin{center}
 178 \begin{small}
 179 \setlength{\tabcolsep}{3pt}
 180 \begin{tabular}{|c|c|c|c|c|c|c|c|c|c|c|c|c|}
 181 \hline
 182 Schemes & \multicolumn{4}{|c|}{STABYLO} & \multicolumn{2}{|c|}{HUGO}& \multicolumn{2}{|c|}{EAISLSBMR} &  \multicolumn{2}{|c|}{WOW} &  \multicolumn{2}{|c|}{UNIWARD}\\
 183 \hline
 184 Embedding & Fixed &   \multicolumn{3}{|c|}{Adaptive (about 6.35\%)}  & Fixed & Adapt. & Fixed & Adapt. & Fixed & Adapt. & Fixed & Adapt. \\
 185 \hline
 186 Rate & 10\% &  + sample &   +STC(7) & +STC(6)   & 10\%& $\approx$6.35\%& 10\%& $\approx$6.35\% & 10\%& $\approx$6.35\%& 10\%& $\approx$6.35\%\\
 187 \hline
 188 %AUMP & 0.22 & 0.33 & 0.39  &   0.45    &  0.50 &  0.50 & 0.49 & 0.50 \\
 189 %\hline
 190 Ensemble Classifier & 0.35 & 0.44 & 0.47 & 0.47     & 0.48 &  0.49  &  0.43  & 0.47 & 0.48 & 0.49 & 0.46 & 0.49 \\
 191
 192 \hline
 193 \end{tabular}
 194 \end{small}
 195 \end{center}
 196 \caption{Steganalysing STABYLO\label{table:steganalyse}}
 197 \end{table*}
 198
 199
 200 Results of average testing errors
 201 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,
 206 WOW and UNIWARD which are the most secure steganographic tool,
 207 as far as we know.
 208 However by combining Adaptive and STC strategies
 209 our approach obtains similar results than the ones of these schemes.
 210
 211 Compared to EAILSBMR, we obtain similar
 212 results when the strategy is
 213 Adaptive.
 214 However due to its huge number of integration features, it is not lightweight.
 215
 216 All these numerical experiments confirm
 217 the objective presented in the motivations:
 218 providing an efficient steganography approach in a lightweight manner.
 219
 220 \RC{In Figure~\ref{fig:error}, Ensemble Classifier has been used with all the previsou steganalizers with 3 different payloads. It can be observed that with important payload, STABYLO is not efficient, but as mentionned its complexity is far more simple compared to other tools.\\
 221 \begin{figure}
 222 \begin{center}
 223 \includegraphics[scale=0.5]{error}
 224 \end{center}
 225 \caption{Error obtained by Ensemble classifier with WOW/UNIWARD, HUGO, and STABYLO and different paylaods.}
 226 \label{fig:error}
 227 \end{figure}
 228 }