experiments.tex

   1 For whole experiments, the whole set of 10000 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 benchmarking.
   8 Our approach is always compared to Hugo~\cite{DBLP:conf/ih/PevnyFB10}
   9 and to EAISLSBMR~\cite{Luo:2010:EAI:1824719.1824720}.
  10 The former is the less detectable information hiding tool in spatial domain
  11 and the later is the work which is close to ours, as far as we know.
  12
  13
  14
  15 First of all,  in our experiments and with the adaptive scheme,
  16 the average size of the message that can be embedded is 16,445 bits.
  17 Its corresponds to an  average payload of 6.35\%.
  18 The two other tools will then be compared with this payload.
  19 The Sections~\ref{sub:quality} and~\ref{sub:steg} respectively present
  20 the quality analysis and the security of our scheme.
  21
  22
  23
  24
  25
  26 \subsection{Image Quality}\label{sub:quality}
  27 The visual quality of the STABYLO scheme is evaluated in this section.
  28 For the sake of completeness, three metrics are computed in these experiments:
  29 the Peak Signal to Noise Ratio (PSNR),
  30 the PSNR-HVS-M family~\cite{psnrhvsm11},
  31 %the BIQI~\cite{MB10},
  32 and
  33 the weighted PSNR (wPSNR)~\cite{DBLP:conf/ih/PereiraVMMP01}.
  34 The first one is widely used but does not take into
  35 account the Human Visual System (HVS).
  36 The other ones have been designed to tackle this problem.
  37
  38 If we apply them on the running example,
  39 the PSNR, PSNR-HVS-M, and wPSNR values are respectively equal to
  40 68.39, 79.85, and 89.71 for the stego Lena when $b$ is equal to 7.
  41 If $b$ is 6, these values are respectively equal to
  42 65.43, 77.2, and 89.35.
  43
  44
  45
  46
  47 \begin{table*}
  48 \begin{center}
  49 \begin{tabular}{|c|c|c||c|c|c|c|c|c|}
  50 \hline
  51 Schemes & \multicolumn{4}{|c|}{STABYLO} & \multicolumn{2}{|c|}{HUGO}& \multicolumn{2}{|c|}{EAISLSBMR} \\
  52 \hline
  53 Embedding &   Fixed & \multicolumn{3}{|c|}{Adaptive} &  \multicolumn{2}{|c|}{Fixed}& \multicolumn{2}{|c|}{Fixed} \\
  54 \hline
  55 Rate &   10\% &  + sample &  +STC(7) & +STC(6) &  10\%&6.35\%& 10\%&6.35\%\\
  56 \hline
  57 PSNR & 61.86 & 63.48 &  66.55 (\textbf{-0.8\%}) &  63.7  & 64.65 & {67.08} & 60.8 & 62.9\\
  58 \hline
  59 PSNR-HVS-M & 72.9 & 75.39 & 78.6 (\textbf{-0.8\%}) & 75.5  & 76.67 & {79.23} & 71.8  & 74.3\\
  60 %\hline
  61 %BIQI & 28.3 & 28.28 & 28.4 & 28.28 & 28.28 & 28.2 & 28.2\\
  62 \hline
  63 wPSNR & 77.47 & 80.59 & 86.43(\textbf{-1.6\%})& 86.28  & 83.03 & {87.8} & 76.7 & 80.6\\
  64 \hline
  65 \end{tabular}
  66
  67 \begin{footnotesize}
  68 \vspace{2em}
  69 Variances given in bold font express the quality differences between
  70 HUGO and STABYLO with  STC+adaptive parameters.
  71 \end{footnotesize}
  72
  73 \end{center}
  74 \caption{Quality Measures of Steganography Approaches\label{table:quality}}
  75 \end{table*}
  76
  77
  78
  79 Results are summarized into the Table~\ref{table:quality}.
  80 Let us give an interpretation of these experiments.
  81 First of all, the adaptive strategy produces images with lower distortion
  82 than the one of images resulting from the 10\% fixed strategy.
  83 Numerical results are indeed always greater for the former strategy than
  84 for the latter.
  85 These results are not surprising since the adaptive strategy aims at
  86 embedding messages whose length is decided according to an higher threshold
  87 into the edge detection.
  88 Let us focus on the quality of HUGO images: with a given fixed
  89 embedding rate (10\%),
  90 HUGO always produces images whose quality is higher than the STABYLO's one.
  91 However our approach always outperforms EAISLSBMR since this one may modify
  92 the two least significant bits whereas STABYLO only alter LSB.
  93
  94 If we combine \emph{adaptive} and \emph{STC} strategies
  95 (which leads to an average embedding rate equal to 6.35\%)
  96 our approach  provides equivalent metrics than HUGO.
  97 In this column STC(7) stands for embeding data in the LSB whereas
  98 in STC(6), data are hidden in the two last significant bits.
  99
 100
 101
 102 The quality variance between HUGO and STABYLO for these parameters
 103 is given in bold font. It is always close to 1\% which confirms
 104 the objective presented in the motivations:
 105 providing an efficient steganography approach with a lightweight manner.
 106
 107
 108 Let us now compare the STABYLO approach with other edge based steganography
 109 approaches, namely~\cite{DBLP:journals/eswa/ChenCL10,Chang20101286}.
 110 These two schemes focus on increasing the
 111 payload while the PSNR is acceptable, but do not
 112 give quality metrics for fixed embedding rates from a large base of images.
 113
 114
 115
 116
 117 \subsection{Steganalysis}\label{sub:steg}
 118
 119
 120
 121 The steganalysis quality of our approach has been evaluated through the two
 122 AUMP~\cite{Fillatre:2012:ASL:2333143.2333587}
 123 and Ensemble Classifier~\cite{DBLP:journals/tifs/KodovskyFH12} based steganalysers.
 124 Both aims at detecting hidden bits in grayscale natural images and are
 125 considered as the state of the art of steganalysers in spatial domain~\cite{FK12}.
 126 The former approach is based on a simplified parametric model of natural images.
 127 Parameters are firstly estimated and an adaptive Asymptotically Uniformly Most Powerful
 128 (AUMP) test is designed (theoretically and practically), to check whether
 129 an image has stego content or not.
 130 This approach is dedicated to verify whether LSB has been modified or not.
 131 In the latter, the authors show that the
 132 machine learning step, which is often
 133 implemented as support vector machine,
 134 can be favorably executed thanks to an ensemble classifier.
 135
 136
 137 \begin{table*}
 138 \begin{center}
 139 %\begin{small}
 140 \begin{tabular}{|c|c|c|c|c|c|c|c|c|}
 141 \hline
 142 Schemes & \multicolumn{4}{|c|}{STABYLO} & \multicolumn{2}{|c|}{HUGO}& \multicolumn{2}{|c|}{EAISLSBMR}\\
 143 \hline
 144 Embedding & Fixed &   \multicolumn{3}{|c|}{Adaptive}  & \multicolumn{2}{|c|}{Fixed}& \multicolumn{2}{|c|}{Fixed} \\
 145 \hline
 146 Rate & 10\% &  + sample &   +STC(7) & +STC(6)   & 10\%& 6.35\%& 10\%& 6.35\%\\
 147 \hline
 148 AUMP & 0.22 & 0.33 & 0.39  &   0.45    &  0.50 &  0.50 & 0.49 & 0.50 \\
 149 \hline
 150 Ensemble Classifier & 0.35 & 0.44 & 0.47 & 0.47     & 0.48 &  0.49  &  0.43  & 0.46 \\
 151
 152 \hline
 153 \end{tabular}
 154 %\end{small}
 155 \end{center}
 156 \caption{Steganalysing STABYLO\label{table:steganalyse}}
 157 \end{table*}
 158
 159
 160 Results are summarized in Table~\ref{table:steganalyse}.
 161 First of all, STC outperforms the sample strategy for the two steganalysers, as
 162 already noticed in the quality analysis presented in the previous section.
 163 Next, our approach is more easily detectable than HUGO, which
 164 is the most secure steganographic tool, as far as we know.
 165 However by combining \emph{adaptive} and \emph{STC} strategies
 166 our approach obtains similar results than HUGO ones.
 167
 168 However due to its
 169 huge number of features integration, it is not lightweight, which justifies
 170 in the authors' opinion the consideration of the proposed method.
 171