Сегментація зображень через комп’ютерний зір для ідентифікації оптимальних зон приховування даних

Abstract

The article provides a review of contemporary approaches to digital steganography and explores the potential for integrating them with image segmentation algorithms to enhance information-hiding efficiency. Special emphasis is placed on applying computer vision and deep learning methods to identify optimal regions in digital images for embedding steganographic messages. The effectiveness of classical algorithms, such as least-significant-bit embedding, as well as modern models based on neural networks, generative approaches, and semantic analysis, is analyzed. Particular attention is given to combining segmentation-based approaches with advanced steganography methods to improve the imperceptibility of embedded messages, enhance image quality (peak signal-to-noise ratio and structural similarity index), and increase resilience to steganalysis techniques. It is emphasised that traditional methods are limited by their lack of adaptation to the local textural and semantic characteristics of images, thereby reducing the imperceptibility of hidden data. The potential of segmentation algorithms for more effectively identifying regions suitable for information hiding is revealed, and the rationale for employing deep neural networks, generative models, and adaptive segment selection mechanisms is justified. It is demonstrated that such integration contributes to improved image quality metrics in terms of peak signal-to-noise ratio and structural similarity index, enhances the imperceptibility of hidden messages, and strengthens the system's resistance to modern steganalysis methods. The use of semantic analysis and adaptive distribution of data across image segments is shown to provide higher efficiency and reliability for steganographic systems. The study concludes that combining computer vision, segmentation, and modern steganography algorithms holds promise for developing robust and imperceptible information-hiding systems.У статті здійснено огляд сучасних підходів до цифрової стеганографії та можливостей їхнього поєднання з алгоритмами сегментації зображень для підвищення ефективності приховування інформації. Акцентовано на застосуванні методів комп’ютерного зору та глибокого навчання для визначення оптимальних ділянок цифрових зображень, придатних для вбудовування стеганографічних повідомлень. Проаналізовано ефективність класичних алгоритмів, зокрема інтеграцію у найменш значущий біт, та сучасних моделей, що ґрунтуються на нейронних мережах, генеративних підходах і семантичному аналізі. Наголошено на поєднанні сегментаційних підходів із сучасними методами стеганографії для підвищення непомітності вбудованих повідомлень, покращення якості зображень за показниками пікового відношення сигналу/ шуму, індексом структурної подібності та підвищення стійкості до методів стеганоаналізу. Підкреслено, що традиційні методи обмежені відсутністю адаптації до локальних текстурних та семантичних характеристик зображень, що знижує рівень непомітності прихованих даних. Розкрито потенціал використання сегментаційних алгоритмів для ефективнішого визначення областей, придатних для приховування інформації, та обґрунтовано доцільність застосування глибоких нейронних мереж, генеративних моделей і адаптивних механізмів вибору сегментів. Показано, що така інтеграція сприяє покращенню показників якості зображень за метриками показника пікового відношення сигналу/шуму та індексу структурної подібності, підвищує непомітність прихованих повідомлень та стійкість систем до сучасних методів стеганоаналізу. Доведено, що використання семантичного аналізу та адаптивного розподілу даних між сегментами зображення забезпечує вищу ефективність і надійність стеганографічних систем. Обґрунтовано перспективність поєднання методів комп’ютерного зору, сегментації та сучасних алгоритмів стеганографії для створення стійких і непомітних систем приховування інформації.