DOI: https://doi.org/10.1038/s41598-025-01054-7
PMID: https://pubmed.ncbi.nlm.nih.gov/40467689
تاريخ النشر: 2025-06-04
المؤلف: Kaleem Razzaq Malik وآخرون
الموضوع الرئيسي: تقنيات التشفير المتقدمة وإضافة العلامات المائية
نظرة عامة
تقدم ورقة البحث إطار عمل جديد للتخفي الرقمي يدمج تحويل جيب التمام المنفصل (DCT) مع خوارزمية التعلم العميق، وبشكل خاص شبكة الخصومة التوليدية (GAN). يهدف هذا النهج الهجين إلى تعزيز أمان وسلامة نقل البيانات في سياق التهديدات الرقمية المتزايدة والحاجة إلى معالجة الصور عالية الدقة. توضح الدراسة أن هذه الطريقة تتفوق بشكل كبير على تقنيات التخفي التقليدية، محققة مقاييس مثيرة للإعجاب: متوسط خطأ مربع (MSE) بنسبة 93.30%، ونسبة ذروة الإشارة إلى الضوضاء (PSNR) بنسبة 58.27%، وجذر متوسط مربع الخطأ (RMSE) بنسبة 96.10%، ومقياس مؤشر التشابه الهيكلي (SSIM) بنسبة 94.20%. كما حقق النموذج دقة إعادة بناء بنسبة 96.2% مع شبكة Xu و95.7% مع شبكة SR، مما يدل على فعاليته في الحفاظ على الجودة البصرية أثناء إخفاء المعلومات الحساسة.
في الختام، يظهر نظام التخفي القائم على GAN المقترح تحسينًا في عدم الكشف ومقاومة هجمات معالجة الصور، مما يجعله مناسبًا للتواصل الآمن عبر مختلف القطاعات. يسمح هيكل الإطار، الذي يتضمن شبكة مميزة، ومشفرة، ومفككة، بتشفير الصور المخفية في صور تخفية بحجم مماثل مع تشويه لوني ضئيل. ستركز الأعمال المستقبلية على تحسين متانة البيانات المدمجة ضد الضوضاء، وزيادة حجم البيانات التي يمكن إخفاؤها دون المساس بجودة الصورة، واستكشاف تقنيات مكانية وتحويل إضافية لتعزيز الأمان وعدم الكشف في تطبيقات متنوعة.
الطرق
تتناول قسم “الطرق” في ورقة البحث الإطار التجريبي ونتائج دراسة حول تقنيات التخفي. تم إجراء التجارب باستخدام طريقة البحث الشبكي لتحسين المعلمات الفائقة، مع تلخيص أفضل التكوينات في الجدول 3. يتم التأكيد على دقة استخراج المعلومات كأمر حاسم لفعالية نماذج التخفي، حيث أن الاسترجاع الدقيق للبيانات المخفية ضروري لفائدة هذه الأنظمة. تسلط الدراسة الضوء على أنه بينما تكافح العديد من الطرق المعتمدة على التعلم العميق لتحقيق دقة الاستخراج، فإن تقنية التخفي المقترحة تقدم مزايا كبيرة، مثل عدم الحاجة إلى شبكة فك تشفير لإعادة بناء الصورة بدقة.
تمت مقارنة أداء الطريقة المقترحة بشكل كمي مع التقنيات الموجودة، مع التركيز على مقاييس مثل نسبة ذروة الإشارة إلى الضوضاء (PSNR)، ومؤشر التشابه الهيكلي (SSIM)، ومعامل الارتباط (CC)، ومعدل خطأ البت (BER). تشير النتائج، المقدمة في الجدول 5 والجدول 13، إلى أن النموذج المقترح يحقق PSNR بنسبة 62.29 وSSIM بنسبة 98.95، مما يعكس تحسين جودة الصورة. على الرغم من أن سعتها تبلغ 0.079 بت لكل بكسل (bpp) أقل من بعض طرق الإخفاء العالية، إلا أن النهج المقترح يتفوق في المتانة والأمان، متفوقًا على نماذج معاصرة أخرى في هذه الجوانب. بشكل عام، تشير النتائج إلى أن الطريقة المقترحة تمثل توازنًا متفوقًا لمقاييس الأداء مقارنة بتقنيات التخفي المعتمدة على التعلم العميق الموجودة.
النتائج
تكشف نتائج الدراسة التي استخدمت مجموعة بيانات ImageNet 2012 عن رؤى مهمة حول أداء نظام التخفي المقترح، خاصة من خلال تقييم مقاييس معامل الارتباط (CC) ومعدل خطأ البت (BER). تضمنت مجموعة بيانات التدريب صورًا أصلية وتلك المدمجة مع صور سرية بأحجام مختلفة (16 × 16، 32 × 32، و64 × 64). شملت التحليلات خمسة عشر صورة اختبار مختارة عشوائيًا لتقييم مجموعة البيانات المثلى للتجارب. تم استخدام مؤشرات الأداء الرئيسية مثل PSNR وSSIM أيضًا لتقييم التشابه الإدراكي بين الصور الأصلية وصور التخفي المعاد بناؤها.
تشير النتائج إلى أن BER للصورة السرية المعاد بناؤها هو 0.1006 لصورة سرية بحجم 16 × 16، والتي تنخفض إلى 0.0686 لصورة بحجم 32 × 32. ومع ذلك، عندما يزيد حجم الصورة السرية إلى 64 × 64، يرتفع BER إلى 0.15. وهذا يشير إلى علاقة غير خطية حيث ينخفض BER في البداية مع الصور السرية الأصغر بسبب تأثير الإخفاء المنخفض على مظهر صورة التخفي، ولكنه يرتفع لاحقًا مع الصور الأكبر. وبالتالي، تستنتج الدراسة أنه يجب أن تتوازن سعة الإخفاء المثلى بين الاستخراج الفعال للصورة المخفية والوفاء البصري لصورة التخفي.
المناقشة
يتناول قسم المناقشة في ورقة البحث التحديات في تخفي الصور، وخاصة التوازن بين المقاومة لمعالجة الصور وعدم الكشف. غالبًا ما تضحي الطرق التقليدية بأحد الجوانب لصالح الآخر، مما يحد من فعاليتها. تقترح هذه الدراسة نهجًا هجينًا جديدًا يدمج الشبكات التنافسية التوليدية (GANs) مع تقنيات الإخفاء في مجالات المكان وتحويل جيب التمام المنفصل (DCT) لتعزيز متانة وعدم كشف البيانات المخفية في الصور الرقمية. تهدف الأبحاث إلى الاستفادة من القدرات التوليدية لـ GANs لتحسين عملية الإخفاء، مما يسمح بسعة حمولة أعلى دون تدهور كبير في الجودة البصرية.
يظهر النموذج الهجين المقترح تقدمًا كبيرًا على التقنيات الحديثة (SOTA) من خلال معالجة قيود الطرق التقليدية بشكل فعال. لا يعزز دمج GANs عدم الكشف فحسب، بل يحسن أيضًا الأمان العام لعملية التخفي. تستكشف الدراسة أيضًا التحديات الحسابية التي تطرحها الطريقة الهجينة، مع التأكيد على الحاجة إلى تحقيق توازن بين قوة المعالجة والأداء. بشكل عام، تسهم النتائج في تطوير تقنيات إخفاء البيانات الأكثر أمانًا وعدم الكشف، مما يوفر إطار عمل مرن قابل للتطبيق في سيناريوهات العالم الحقيقي المختلفة. تم توضيح تنظيم البحث بوضوح، مع أقسام مخصصة للأعمال ذات الصلة، والمنهجية، والنتائج التجريبية، وتقييم الأداء، والاتجاهات المستقبلية.
القيود
تظهر الأبحاث حول التخفي القائم على DCT-GAN المزدوج تقدمًا كبيرًا مقارنة بالطرق الموجودة، كما يتضح من مقاييس مثل PSNR وSSIM وBER وCC. ومع ذلك، تم تحديد عدة قيود تستدعي مزيدًا من التحقيق. من الجدير بالذكر أن تعقيد النموذج يزداد مع الأحمال الأكبر، مما يؤدي إلى زيادة التكاليف الحسابية وتدهور الأداء عند اختباره على مجموعات بيانات واسعة. بالإضافة إلى ذلك، تتناقص فعالية النموذج عند تطبيقه على الصور الطبية، حيث تكافح مولدات GAN لاستيعاب خصائصها الهيكلية الفريدة.
تشمل التحديات الإضافية تنوع المخرجات المحدود للمولد، مما يؤثر على الأداء، وصعوبات في إخفاء المعلومات في مناطق معينة من الصورة. بينما نجحت الدراسة في تنفيذ نهج تشفير، لا يزال هناك مجال لتحسينات أمان أكثر تطورًا. ستستكشف الأعمال المستقبلية هياكل بديلة، مثل المشفرات التلقائية المتغيرة وGANs المحسنة، لتعزيز المقاومة ضد الكشف. بالإضافة إلى ذلك، تهدف الأبحاث إلى اختبار مجموعات بيانات طبية أكبر واستكشاف تقنيات الإخفاء المعتمدة على الفيديو، مع دمج طرق التدريب العدائية لتعزيز الأمان وتقليل التكاليف الحسابية. بشكل عام، تسعى الدراسة إلى تحسين نموذج التخفي المقترح ومعالجة قيوده الحالية من خلال هذه السبل.
DOI: https://doi.org/10.1038/s41598-025-01054-7
PMID: https://pubmed.ncbi.nlm.nih.gov/40467689
Publication Date: 2025-06-04
Author(s): Kaleem Razzaq Malik et al.
Primary Topic: Advanced Steganography and Watermarking Techniques
Overview
The research paper presents a novel steganography framework that integrates the discrete cosine transform (DCT) with a deep learning algorithm, specifically a generative adversarial network (GAN). This hybrid approach aims to enhance the security and integrity of data transmission in the context of increasing digital threats and the need for high-resolution image processing. The study demonstrates that this method significantly outperforms traditional steganography techniques, achieving impressive metrics: a mean square error (MSE) of 93.30%, a peak signal-to-noise ratio (PSNR) of 58.27%, a root mean squared error (RMSE) of 96.10%, and a structural similarity index measure (SSIM) of 94.20%. The model also achieved reconstruction accuracies of 96.2% with Xu Net and 95.7% with SR Net, indicating its effectiveness in maintaining visual quality while concealing sensitive information.
In conclusion, the proposed GAN-based steganography system demonstrates enhanced imperceptibility and resilience against image processing attacks, making it suitable for secure communication across various sectors. The framework’s architecture, which includes a discriminator, encoder, and decoder network, allows for the encryption of hidden images into similarly sized steganographic images with minimal color distortion. Future work will focus on further improving the robustness of embedded data against noise, increasing the volume of data that can be concealed without compromising image quality, and exploring additional spatial and transform techniques to bolster security and imperceptibility in diverse applications.
Methods
The “Methods” section of the research paper details the experimental framework and results of a study on steganography techniques. The experiments were conducted using a grid search method to optimize hyperparameters, with the best configurations summarized in Table 3. The precision of information extraction is emphasized as critical for the effectiveness of steganographic models, as accurate retrieval of hidden data is essential for the utility of these systems. The study highlights that while many deep learning-based methods struggle with extraction accuracy, the proposed steganography technique offers significant advantages, such as not requiring a decoder network for accurate image reconstruction.
The performance of the proposed method was quantitatively compared to existing techniques, focusing on metrics such as Peak Signal-to-Noise Ratio (PSNR), Structural Similarity Index (SSIM), Correlation Coefficient (CC), and Bit Error Rate (BER). The results, presented in Table 5 and Table 13, indicate that the proposed model achieves a PSNR of 62.29 and an SSIM of 98.95, reflecting enhanced image quality. Although its capacity of 0.079 bits per pixel (bpp) is lower than some high concealment methods, the proposed approach excels in robustness and security, outperforming other contemporary models in these aspects. Overall, the findings suggest that the proposed method represents a superior balance of performance metrics compared to existing deep learning-based steganography techniques.
Results
The results of the study utilizing the ImageNet 2012 dataset reveal significant insights into the performance of the proposed steganography system, particularly through the evaluation of correlation coefficient (CC) and bit error rate (BER) metrics. The training dataset included original images and those embedded with secret images of varying sizes (16 × 16, 32 × 32, and 64 × 64). The analysis involved fifteen randomly selected test images to assess the optimal dataset for the experiments. Key performance indicators such as PSNR and SSIM were also employed to evaluate the perceptual similarity between original and reconstructed stego images.
The findings indicate that the BER of the reconstructed secret image is 0.1006 for a 16 × 16 secret image, which decreases to 0.0686 for a 32 × 32 image. However, when the secret image size increases to 64 × 64, the BER rises to 0.15. This suggests a non-linear relationship where the BER initially decreases with smaller secret images due to reduced embedding impact on the stego image’s appearance, but subsequently increases with larger images. Thus, the study concludes that an optimal embedding capacity must balance the effective extraction of the hidden image with the visual fidelity of the stego image.
Discussion
The discussion section of the research paper addresses the challenges in image steganography, particularly the trade-offs between resilience to image processing and imperceptibility. Traditional methods often compromise one aspect for the other, limiting their effectiveness. This study proposes a novel hybrid approach that integrates Generative Adversarial Networks (GANs) with both spatial and Discrete Cosine Transform (DCT) domain embedding techniques to enhance the robustness and imperceptibility of hidden data in digital images. The research aims to leverage the generative capabilities of GANs to improve the embedding process, thereby allowing for a higher payload capacity without significantly degrading visual quality.
The proposed hybrid model demonstrates significant advancements over state-of-the-art (SOTA) techniques by effectively addressing the limitations of conventional methods. The integration of GANs not only enhances imperceptibility but also improves the overall security of the steganographic process. The study also explores the computational challenges introduced by the hybrid approach, emphasizing the need to balance processing power with performance. Overall, the findings contribute to the development of more secure and undetectable data hiding techniques, offering a flexible framework applicable in various real-world scenarios. The organization of the research is clearly outlined, with sections dedicated to related work, methodology, experimental results, performance evaluation, and future directions.
Limitations
The research on dual DCT-GAN-based steganography demonstrates significant advancements over existing methods, as evidenced by metrics such as PSNR, SSIM, BER, and CC. However, several limitations have been identified that warrant further investigation. Notably, the model’s complexity increases with larger payloads, leading to heightened computational costs and performance degradation when tested on extensive datasets. Additionally, the model’s efficacy diminishes when applied to medical images, as the GAN’s generator struggles to accommodate their unique structural characteristics.
Further challenges include the generator’s limited output diversity, which affects performance, and difficulties in embedding information in specific image regions. While the study successfully implemented an encryption approach, there remains potential for more sophisticated security enhancements. Future work will explore alternative architectures, such as variational autoencoders and improved GANs, to bolster resilience against detection. Additionally, the research aims to test larger medical datasets and investigate video-based embedding techniques, while also incorporating adversarial training methods to enhance security and reduce computational costs. Overall, the study seeks to refine the proposed steganography model and address its current limitations through these avenues.