En un mundo donde la protección de la información es cada vez más relevante, la esteganografía se presenta como una técnica complementaria a la criptografía, permitiendo ocultar la existencia misma de los datos. En particular, la ocultación de información en imágenes digitales ha cobrado gran importancia debido a la amplia disponibilidad de este tipo de archivos, su fácil difusión y su facilidad para disimular alteraciones sin afectar perceptiblemente la calidad visual. Este trabajo se centra en el análsis y la optimización de distintos algoritmos de esteganografía en imágenes desde una perspectiva basada en la teoría de la información. En concreto, se parte del algoritmo clásico de inserción en el bit menos significativo, o LSB, por sus siglas en inglés. Este algortimo es ampliamente utilizado por su simplicidad, pero limitado en términos de la cantidad de información capaz de ocultar y su resistencia frente a análisis perceptuales. El objetivo principal es mejorar este algoritmo utilizando medidas de entropía local para seleccionar las regiones más adecuadas para la ocultación, priorizando aquellas con mayor complejidad visual. Para ello, se ha implementado una herramienta en Python que permite comparar el rendimiento del algoritmo clásico frente a su versión optimizada. Evaluando métricas como la capacidad de ocultación de información y la calidad visual mediante PSNR y SSIM. Los resultados obtenidos permitirán valorar si el uso de información estructural de la imagen contribuye a una ocultación más eficiente y menos detectable, aportando así avance práctico y medible en el campo de la esteganografía digital.
ABSTRACT
In a world where information protection is becoming increasingly relevant, steganography emerges as a technique that complements cryptography by hiding the very existence of the data. In particular, hiding information within digital images has gained significant importance due to the widespread availability of such files, their ease of distribution, and their ability to conceal alterations without noticeably affecting visual quality. This work focuses on the analysis and optimization of various image steganography algorithms from an information-theoretic perspective. Specifically, it builds on the classic Least Significant Bit (LSB) insertion algorithm. This algorithm is widely used due to its simplicity but is limited in terms of the amount of information it can hide and its resistance to perceptual analysis. The main goal is to improve this algorithm by using local entropy measures to select the most suitable regions for data hiding, prioritizing areas with higher visual complexity. To achieve this, a Python tool has been developed to compare the performance of the classic algorithm against its optimized version, evaluating metrics such as data hiding capacity and visual quality using PSNR and SSIM. The results obtained will help assess whether leveraging structural information from the image contributes to more efficient and less detectable data hiding, thus offering a practical and measurable advancement in the field of digital steganography.
En un mundo donde la protección de la información es cada vez más relevante, la esteganografía se presenta como una técnica complementaria a la criptografía, permitiendo ocultar la existencia misma de los datos. En particular, la ocultación de información en imágenes digitales ha cobrado gran importancia debido a la amplia disponibilidad de este tipo de archivos, su fácil difusión y su facilidad para disimular alteraciones sin afectar perceptiblemente la calidad visual. Este trabajo se centra en el análsis y la optimización de distintos algoritmos de esteganografía en imágenes desde una perspectiva basada en la teoría de la información. En concreto, se parte del algoritmo clásico de inserción en el bit menos significativo, o LSB, por sus siglas en inglés. Este algortimo es ampliamente utilizado por su simplicidad, pero limitado en términos de la cantidad de información capaz de ocultar y su resistencia frente a análisis perceptuales. El objetivo principal es mejorar este algoritmo utilizando medidas de entropía local para seleccionar las regiones más adecuadas para la ocultación, priorizando aquellas con mayor complejidad visual. Para ello, se ha implementado una herramienta en Python que permite comparar el rendimiento del algoritmo clásico frente a su versión optimizada. Evaluando métricas como la capacidad de ocultación de información y la calidad visual mediante PSNR y SSIM. Los resultados obtenidos permitirán valorar si el uso de información estructural de la imagen contribuye a una ocultación más eficiente y menos detectable, aportando así avance práctico y medible en el campo de la esteganografía digital.
ABSTRACT
In a world where information protection is becoming increasingly relevant, steganography emerges as a technique that complements cryptography by hiding the very existence of the data. In particular, hiding information within digital images has gained significant importance due to the widespread availability of such files, their ease of distribution, and their ability to conceal alterations without noticeably affecting visual quality. This work focuses on the analysis and optimization of various image steganography algorithms from an information-theoretic perspective. Specifically, it builds on the classic Least Significant Bit (LSB) insertion algorithm. This algorithm is widely used due to its simplicity but is limited in terms of the amount of information it can hide and its resistance to perceptual analysis. The main goal is to improve this algorithm by using local entropy measures to select the most suitable regions for data hiding, prioritizing areas with higher visual complexity. To achieve this, a Python tool has been developed to compare the performance of the classic algorithm against its optimized version, evaluating metrics such as data hiding capacity and visual quality using PSNR and SSIM. The results obtained will help assess whether leveraging structural information from the image contributes to more efficient and less detectable data hiding, thus offering a practical and measurable advancement in the field of digital steganography. Read More
Related posts:
Multi-vehicle detection and tracking
Análisis e implementación de un criptosistema con FPGA: integración de ECDH y AES-128
Predicción del potencial de jugadores de fútbol mediante técnicas de machine learning
Estudio de un escenario forense digital: Narcos 2019
Desarrollo de portal web interactivo para fomentar el pensamiento crítico a través de dilemas morales y noticias
Computación cuántica topológica del algoritmo Aharonov–Jones–Landau