An improved image steganography scheme based on deep learningapproach and quadruple security layers

Bu tez, ACO algoritması aracılığıyla görüntülerde veri kümesinin gizlenmesinin iyileştirilmesi için yeni bir yaklaşım amaçlamaktadır. Dijital görüntü steganografisi, iki temel hedef arasında bir denge gerektirir: bu, verilerin gizlenmesinin maksimum optimizasyonunu sağlar; ayrıca, gizlenecek orijinal görüntünün kalitesinin optimize edilmesi yoluyla görüntünün fark edilme olasılığını da azaltır. Birçok mevcut steganografik yöntem, bir noktada yukarıdaki ve aşağıdaki hedefleri feda etme eğilimindedir. Tez, gizli veri kümesini tutmak için gri ölçekli bir sığınak görüntüsü kullanarak gömme kapasitesini artırmak için tasarlanmış olan "ACO-LSB" yaklaşımını tanıtmaktadır. Bu, görüntünün bütünlüğünün bir kontrol toplamını veya gizli mesajın bir kontrol toplamını yapmak için bayt (b) olarak ekstra bir bit çifti ekleyerek. Yöntem, gizli bilgileri bit çiftleri olarak şifreler ve gri ölçekli sıkıştırılmamış görüntülere gömer. ACO'da kullanılan algoritma, piksel konumlarını bulmak ve görüntü kalitesi üzerindeki güçlü etkiyi azaltırken veri gömme kapasitesini artırmak için uyarlanabilir taramadır. Aksi takdirde, genel optimizasyon süreci bağlamında durgunlukla ilgili sorunları önlemek için belirli feromon değerleri döngüsel bir şekilde değiştirilir - değerler piksellerin uygun seçimi için ideal olmalıdır. ACO-LSB yönteminin performans sonuçları olağanüstüdür ve bu araştırma, geleneksel yöntemlere kıyasla gömme kapasitesinde %30'a kadar artışla sonraki görüntü düzenlemesinde iyileştirmeye olanak sağladığını doğrulamaktadır. Teknoloji, ortalama maksimum Tepe Sinyal-Gürültü Oranı (PSNR) (40,5) dB ve Yapısal Benzerlik İndeksi (SSIM) (0,98) elde eder. Dahası, Metodoloji, tespit oranlarını %20 oranında azaltarak tespite karşı güçlü bir direnç göstermektedir. Model, MATLAB R2023a kullanılarak uygulanmış ve 1000 gri tonlamalı resimden oluşan halka açık bir veri kümesi üzerinde test edilerek etkinliğine dair güçlü kanıtlar sağlamıştır.