Journal of Economic and Social Science Research / Vol. 05 / Núm. 02 / www.economicsocialresearch.com
pág. 144
Journal of Economic and Social Science Research
ISSN: 2953-6790
Vol. 5 - Núm. 2 / Abril – Junio 2025
Evaluación del Algoritmo F5 aplicado en la Esteganografía
de imágenes JPEG: Un análisis basado en métricas de
calidad
Evaluation of the F5 Algorithm applied in JPEG image steganography: An
analysis based on quality metrics
Boné-Andrade, Miguel Fabricio
1
Mendoza-Loor, José Javier
2
https://orcid.org/0000-0002-8635-1869
https://orcid.org/0000-0001-8623-872X
miguel.bone@utelvt.edu.ec
jose.mendoza.loor@utelvt.edu.ec
Universidad Técnica Luis Vargas Torres de
Esmeraldas, Ecuador, La Concordia
Universidad Técnica Luis Vargas Torres de
Esmeraldas, Ecuador, La Concordia
Núñez-Freire, Luis Alfonso
3
https://orcid.org/0000-0001-9759-2003
luis.nunez@utelvt.edu.ec
Universidad Técnica Luis Vargas Torres de
Esmeraldas, Ecuador, La Concordia
Autor de correspondencia
1
DOI / URL: https://doi.org/10.55813/gaea/jessr/v5/n2/194
Resumen: El estudio explora la aplicación del algoritmo F5
en imágenes JPEG para evaluar su rendimiento al
momento de ocultar información sin que se comprometa la
calidad visual de las imágenes. Se emplean técnicas de
compresión basadas en la Transformada Discreta del
Coseno (DCT) y la codificación matricial que permiten
minimizar las alteraciones perceptibles que se puedan
presentar. La metodología incluye la segmentación de la
imagen en bloques de 8x8 píxeles, la cuantización de los
coeficientes y la evaluación de la calidad de la imagen
mediante las métricas PSNR, MSE y SSIM. Los
experimentos fueron realizados con imágenes en escala de
grises, ocultando mensajes de distinta longitud. Los
resultados muestran que el algoritmo mantiene valores
elevados de PSNR y SSIM, garantizando que la distorsión
sea imperceptible. Se observa una relación inversa entre el
tamaño del mensaje y la calidad visual, aunque sin
comprometer la estructura de la imagen. El estudio
concluye que el algoritmo F5 es eficaz para la
esteganografía en imágenes JPEG, pero su rendimiento es
susceptible a mejora mediante la aplicación de técnicas
híbridas como DCT-SVD y la cuantización adaptativa. Se
destaca la necesidad de integrar enfoques de redes
neuronales para fortalecer la resistencia ante ataques de
detección.
Palabras clave: esteganografía, codificación de datos,
algoritmo F5, transformada discreta del coseno (DCT),
seguridad de la información.
Received: 20/Mar/2025
Accepted: 15/Abr/2025
Published: 30/Abr/2025
Cita: Boné-Andrade, M. F., Mendoza-Loor, J.
J. ., & Núñez-Freire, L. A. . (2025). Evaluación
del Algoritmo F5 aplicado en la Esteganografía
de imágenes JPEG: Un análisis basado en
métricas de calidad. Journal of Economic and
Social Science Research, 5(2), 144-158.
https://doi.org/10.55813/gaea/jessr/v5/n2/194
Journal of Economic and Social Science
Research (JESSR)
https://economicsocialresearch.com
info@editoriagrupo-aea.com
Nota del editor: Editorial Grupo AEA se
mantiene neutral con respecto a las
reclamaciones legales resultantes de
contenido publicado. La responsabilidad de
información publicada recae enteramente en
los autores.
© 2025. Este artículo es un documento de
acceso abierto distribuido bajo los términos y
condiciones de la Licencia Creative
Commons, Atribución-NoComercial 4.0
Internacional.
Journal of Economic and Social Science Research / Vol. 05 / Núm. 02 / www.economicsocialresearch.com
pág. 145
Abril – Junio 2025
Abstract:
The study explores the application of the F5 algorithm on JPEG images to evaluate its
performance in hiding information without compromising the visual quality of the
images. Compression techniques based on the Discrete Cosine Transform (DCT) and
matrix coding are used to minimize the perceptible alterations that may occur. The
methodology includes image segmentation in 8x8 pixel blocks, quantization of
coefficients and evaluation of image quality using PSNR, MSE and SSIM metrics. The
experiments were performed with grayscale images, hiding messages of different
lengths. The results show that the algorithm maintains high values of PSNR and SSIM,
ensuring that the distortion is imperceptible. An inverse relationship between message
size and visual quality is observed, although without compromising image structure.
The study concludes that the F5 algorithm is effective for steganography on JPEG
images, but its performance is susceptible to improvement through the application of
hybrid techniques such as DCT-SVD and adaptive quantization. The need to integrate
neural network approaches to strengthen resistance to detection attacks is highlighted.
Keywords: steganography, data encryption, F5 algorithm, discrete cosine transform
(DCT), information security.
1. Introducción
En la actualidad digital en la que vivimos, la seguridad de la información se ha
convertido en un eslabón que continuamente se está estudiando por la necesidad de
proteger la privacidad e integridad de los datos en los diferentes entornos de
comunicación, como las comunicaciones en línea, el almacenamiento en la nube y las
transacciones financieras, etc. Entre las diversas técnicas empleadas para garantizar
la confidencialidad e integridad de la información a transmitir se encuentra la
esteganografía, la cual se ha consolidado como un método eficaz al momento de
ocultar la información en archivos multimedia, sin que se vean alterados de una
manera significativa tanto en su apariencia como en su funcionalidad (Petitcolas et al.,
1999; Fridrich, 2009). A diferencia de la criptografía que protege el contenido de la
información mediante cifrado, la esteganografía busca ocultar la existencia misma del
mensaje, dificultando su detección por parte de terceros. Este enfoque permite la
transmisión de información de una manera discreta, evitando sospechas o atrayendo
atención innecesaria sobre los datos transmitidos.
El formato de imagen JPEG es uno de los más utilizados en esteganografía, debido a
su amplia adopción y su eficiencia en la compresión de datos. Este formato emplea la
Transformada Discreta del Coseno para representar imágenes en el dominio de la
frecuencia, lo que permite reducir el tamaño de los archivos eliminando información
irrelevante para la percepción visual (Ahmed et al., 1974; Wallace, 1991). Sin
embargo, la inserción de datos ocultos en estos coeficientes puede afectar la calidad
de la imagen si no se gestiona adecuadamente. Para abordar este desafío, en 2001
Journal of Economic and Social Science Research / Vol. 05 / Núm. 02 / www.economicsocialresearch.com
pág. 146
Abril – Junio 2025
Westfeld desarrolló el algoritmo F5, un método de esteganografía específicamente
diseñado para imágenes JPEG. Este algoritmo utiliza la codificación matricial,
optimizando la capacidad de ocultamiento y mejorando la resistencia a la detección,
al tiempo que minimiza la distorsión visual en la imagen esteganografiada.
Si bien el algoritmo F5 ofrece ventajas significativas, también presenta ciertas
limitaciones. Una de ellas es la reducción de la capacidad de inserción de datos debido
al fenómeno de shrinkage, lo que disminuye la cantidad de información que se puede
ocultar sin afectar la calidad visual de la imagen. Además, con los avances en técnicas
de análisis forense digital y el desarrollo de métodos de detección de esteganografía
cada vez más sofisticados, resulta crucial evaluar la efectividad actual del algoritmo
F5 y explorar posibles mejoras para optimizar su desempeño frente a nuevas
estrategias de análisis.
Estudios recientes han propuesto diversas estrategias para mejorar la capacidad y
seguridad de la esteganografía JPEG. Entre ellas, destaca la combinación del
algoritmo F5 con la descomposición en valores singulares, lo que permite distribuir los
datos ocultos en componentes de baja frecuencia y aumentar su resistencia a la
detección (Banik y Bandyopadhyay, 2016; Lu et al., 2015). Asimismo, el uso de tablas
de cuantización adaptativas ha demostrado ser una solución efectiva para equilibrar
la calidad visual y la capacidad de ocultamiento, permitiendo una inserción más
eficiente sin degradar significativamente la imagen (Jiang et al., 2014).
El desarrollo de enfoques híbridos ha abierto nuevas oportunidades para mejorar la
seguridad en esteganografía. Técnicas como la modulación de diferencia de
incrustación permiten distribuir los datos ocultos en los coeficientes DCT con
modificaciones mínimas, garantizando una mayor imperceptibilidad (Lin et al., 2024).
Además, la integración de métodos de aprendizaje automático y redes neuronales ha
dado lugar a estrategias más adaptativas, optimizando la inserción y extracción de
datos en función de las características específicas de cada imagen (Zeng et al., 2024;
Hendrych & Ličev, 2020).
El presente estudio tiene como objetivo primario evaluar la efectividad existente del
algoritmo F5 cuando es aplicado en la esteganografía de imágenes JPEG. Para medir
esta efectividad, se analizará el rendimiento que existe al momento de insertar la
información a ocultar y la calidad visual resultante en cada una de las imágenes que
contienen dichos datos ocultos. Para ello, se implementará el algoritmo F5 en un
entorno experimental totalmente controlado y se emplearán las métricas de calidad
PSNR, MSE y SSIM, las cuales permitirán cuantificar el nivel de distorsión que se
genera en cada una de las imágenes al momento de la inserción de los mensajes
ocultos (Almohammad y Ghinea, 2010). Los resultados obtenidos permitirán validar si
el algoritmo F5 es eficiente en la inserción de la información e identificar qué
oportunidades de mejora existen mediante la integración de técnicas modernas que
permitan optimizar la seguridad de la información y su eficiencia.
Journal of Economic and Social Science Research / Vol. 05 / Núm. 02 / www.economicsocialresearch.com
pág. 147
Abril – Junio 2025
2. Materiales y métodos
El presente estudio adopta un enfoque cuantitativo y experimental, centrado en la
evaluación objetiva del rendimiento del algoritmo F5 en entornos controlados. Se trata
de una investigación aplicada, ya que busca comprobar la utilidad de una técnica de
esteganografía en contextos reales de transmisión de información.
Para el análisis, se emplearon 15 imágenes JPEG en escala de grises de 512x512
píxeles, seleccionadas de manera intencional para asegurar variedad en patrones
visuales, como texturas complejas y regiones homogéneas. Estas imágenes se
utilizaron como muestra no probabilística, de tipo intencional, dada la naturaleza
técnica del estudio y la necesidad de condiciones homogéneas para la comparación.
La implementación se realizó en Python 3.10, utilizando bibliotecas como NumPy,
OpenCV, Matplotlib y scikit-image, lo que permitió un control preciso sobre cada paso
de la inserción y extracción de datos. La aplicación fue desarrollada por los autores,
garantizando una ejecución transparente del algoritmo. No se emplearon instrumentos
de recolección tradicionales; en su lugar, el software desarrollado actúa como
herramienta experimental.
En cuanto a las métricas empleadas, se optó por indicadores ampliamente aceptados
en la literatura: MSE, PSNR y SSIM (Almohammad & Ghinea, 2010; Baziyad et al.,
2021), que permiten una valoración cuantitativa de la distorsión, la relación señal-ruido
y la similitud estructural entre la imagen original y la modificada.
Desde la perspectiva ética, el estudio no involucra datos personales ni imágenes con
derechos restringidos, se trabajó exclusivamente con archivos de libre uso para fines
académicos. No se vulneró la privacidad de ningún individuo ni se manipuló
información confidencial, por lo cual el riesgo ético es nulo.
Para llevar a cabo el presente estudio se utilizaron los siguientes elementos básicos:
La Transformada Discreta del Coseno (DCT) permite descomponer una imagen en
componentes de frecuencia mediante la división en bloques de 8x8 píxeles, y se define
matemáticamente como en la ecuación (1) (Ahmed et al., 1974):
Donde α(u)\ y α(v) son factores de normalización. La IDCT, que permite reconstruir
completamente la imagen a partir de sus coeficientes, se define como sigue en la
ecuación (2) (Ahmed et al., 1974):
Journal of Economic and Social Science Research / Vol. 05 / Núm. 02 / www.economicsocialresearch.com
pág. 148
Abril – Junio 2025
En la compresión JPEG, los coeficientes DCT son cuantizados, como se indica en la
ecuación (3) (Almohammad et al., 2009):
Donde C
q
(u,v) representa el coeficiente cuantizado y Q(u,v) es el valor de la tabla de
cuantificación.
El algoritmo F5 utiliza la DCT y una codificación matricial para minimizar
modificaciones en los coeficientes DCT de los bloques de 8x8 píxeles, lo que optimiza
la seguridad del mensaje oculto (Westfeld, 2001). La codificación en el algoritmo F5
puede expresarse matemáticamente en la ecuación (4):
Donde C'
q
(u, v) es el coeficiente modificado y mm el bit del mensaje.
Se divide la imagen en bloques de 8x8 píxeles, se aplica la DCT y se cuantizan los
coeficientes para prepararlos para la inserción del mensaje.
Algoritmo 1 preprocesamiento de imagen
for cada bloque de 8x8 en la imagen do
Aplicar DCT al bloque
Cuantizar los coeficientes DCT
End for
El mensaje se convierte en bits y se seleccionan posiciones aleatorias en los
coeficientes DCT para la inserción, siguiendo el algoritmo F5.
Algoritmo 2 Inserción del mansaje
Convertir el manesaje a una cadena de bits
For cada bit de mansaje do
Seleccionar una posición en el bloque DTC
If paridad del coeficionte DCT no entiende con el bit then
Modificar el coedicionte para ajustar la paridad
End if
End for
Para recuperar el mensaje oculto, se analizan los coeficientes DCT de cada bloque y
se reconstruye el mensaje bit a bit.
Journal of Economic and Social Science Research / Vol. 05 / Núm. 02 / www.economicsocialresearch.com
pág. 149
Abril – Junio 2025
Algoritmo 3 Extracción del mensaje
For cada bloque 8x8 en la imagen esteganografraida do
Calcular el DCT del bloque
Recuperar bit del mensaje según la paridad del coeficiente
End for
Convertir bits a caracteres para reconstruir el mensaje
Para evaluar la calidad visual de la imagen esteganografiada, se emplean las métricas
PSNR, MSE y SSIM:
• MSE (Mean Squared Error): Esta métrica mide el error promedio entre los
valores de píxeles de la imagen original y la esteganografiada (Almohammad y
Ghinea, 2010).
• PSNR (Peak Signal-to-Noise Ratio): Relaciona el MSE con la calidad de la
imagen (Almohammad y Ghinea, 2010).
• SSIM (Structural Similarity Index): Evalúa la similitud estructural entre dos
imágenes (Baziyad et al., 2021).
El desarrollo de la aplicación para la inserción del mensaje a ocultar se basó en el
diagrama de la Figura 1 y para la extracción del mensaje oculto en el diagrama de la
Figura 2.
Figura 1
Diagrama del proceso de inserción del mensaje
Nota: Autores (2025).
Journal of Economic and Social Science Research / Vol. 05 / Núm. 02 / www.economicsocialresearch.com
pág. 150
Abril – Junio 2025
Figura 2
Diagrama del proceso de extracción del mensaje
Nota: Autores (2025).
En la Figura 3, se encuentra la interfaz del programa diseñado para la implementación
del Algoritmo F5. La interfaz que se encuentra a la izquierda permite la inserción del
mensaje a ocultar y la interfaz de la derecha permite extraer el mensaje que se
encuentra oculto.
Figura 3
Interfaz de la aplicación del algoritmo F5 desarrollada en Python
Nota: Autores (2025).
Figura 4
Imágenes bases empleadas en cada experimento
Nota: (Autores, 2025).
Journal of Economic and Social Science Research / Vol. 05 / Núm. 02 / www.economicsocialresearch.com
pág. 151
Abril – Junio 2025
Las imágenes que fueron empleadas en los experimentos se muestran en la figura 4.
Entre las imágenes seleccionadas en su gran mayoría se encuentran paisajes y
animales. Esta variedad garantiza que los resultados sean de aplicación general y que
el algoritmo F5 sea suficientemente evaluado en diversas circunstancias visuales.
Se ocultó tres mensajes de diferentes longitud y complejidad en cada imagen:
1. "Hello": Mensaje corto.
2. "Hello Mund0": Mensaje medio con caracteres alfanuméricos.
3. "Hello Mund0 1234@": Mensaje largo con caracteres especiales.
En cada uno de los experimentos se utilizó las quince imágenes base dividiendo cada
imagen en bloques de 8x8 pixeles, lo que permite garantizar la robustez de los
resultados obtenidos.
3. Resultados
3.1. Evaluación del desempeño del algoritmo F5
La evaluación del algoritmo F5 sobre las quince imágenes JPEG seleccionadas
permitió analizar cómo varía la calidad visual cuando se insertan mensajes de
diferente longitud. Las métricas utilizadas (MSE, PSNR y SSIM) evidencian que existe
una relación directa entre la cantidad de datos ocultos y el grado de distorsión
introducida en la imagen. A mayor longitud del mensaje, los valores de MSE tienden
a incrementarse, mientras que los de PSNR disminuyen progresivamente (ver Tabla
1).
Un hallazgo destacable es que los valores de SSIM se mantuvieron consistentemente
altos, superando el 0.98 en la mayoría de los casos, lo que indica que la estructura
general de las imágenes esteganografiadas se conserva prácticamente intacta. Esta
métrica, diseñada para evaluar la similitud perceptual, sugiere que las alteraciones
introducidas por el algoritmo son mínimas y, en muchos casos, imperceptibles al ojo
humano.
Tabla 1
Métricas de calidad visual para diferentes mensajes ocultos en imágenes JPEG
Imagen
Hello
(MSE, PSNR, SSIM)
Hello Mund0
(MSE, PSNR, SSIM)
Hello Mund0 1234@
(MSE, PSNR, SSIM)
Árbol
0.3009, 53.35 dB, 0.9991
0.5936, 50.40 dB, 0.9978
0.9511, 48.35 dB, 0.9961
Caballo
0.0933, 58.43 dB, 0.9993
0.1588, 56.12 dB, 0.9987
0.3180, 53.11 dB, 0.9979
Carretera
0.4086, 52.02 dB, 0.9984
0.8270, 48.95 dB, 0.9968
1.2099, 47.30 dB, 0.9954
Cebra
0.3144, 53.15 dB, 0.9972
0.6029, 50.33 dB, 0.9960
0.9741, 48.24 dB, 0.9931
Flores
0.3199, 53.08 dB, 0.9994
0.6566, 49.96 dB, 0.9988
0.9683, 48.27 dB, 0.9982
Gato1
0.1994, 55.13 dB, 0.9981
0.3409, 52.80 dB, 0.9974
0.5460, 50.76 dB, 0.9942
Gato2
0.1477, 56.44 dB, 0.9974
0.3805, 52.32 dB, 0.9964
0.5336, 50.85 dB, 0.9948
Montaña
0.0692, 59.73 dB, 0.9997
0.1292, 57.02 dB, 0.9994
0.2033, 55.05 dB, 0.9990
Lena
0.1928, 55.28 dB, 0.9991
0.3950, 52.17 dB, 0.9983
0.5770, 50.52 dB, 0.9972
León
0.1752, 55.70 dB, 0.9987
0.3586, 52.58 dB, 0.9969
0.5868, 50.45 dB, 0.9944
Journal of Economic and Social Science Research / Vol. 05 / Núm. 02 / www.economicsocialresearch.com
pág. 152
Abril – Junio 2025
Montaña Lago
0.3790, 52.34 dB, 0.9980
0.7650, 49.29 dB, 0.9961
1.0668, 47.84 dB, 0.9935
Ovejas
0.2105, 54.89 dB, 0.9993
0.3988, 52.12 dB, 0.9987
0.5878, 50.43 dB, 0.9980
Paisaje1
0.3640, 52.52 dB, 0.9987
0.7572, 49.34 dB, 0.9973
1.0819, 47.78 dB, 0.9960
Paisaje2
0.3736, 52.41 dB, 0.9981
0.7193, 49.56 dB, 0.9964
1.0803, 47.79 dB, 0.9947
Tigre
0.3229, 53.04 dB, 0.9946
0.6241, 50.17 dB, 0.9892
1.0043, 48.11 dB, 0.9853
Nota: Autores (2025).
Las Figuras 5, 6 y 7 ilustran las imágenes resultantes para cada uno de los tres
mensajes utilizados: “Hello”, “Hello Mund0” y “Hello Mund0 1234@”. Como se
observa, la calidad visual se mantiene prácticamente inalterada, incluso cuando se
ocultan mensajes con símbolos especiales y longitud considerable. En la Tabla 1, se
presentan los valores de MSE, PSNR y SSIM obtenidos para cada imagen y frase
oculta.
Figura 5
Imágenes con el mensaje oculto “Hello”
Nota: Autores (2025).
Figura 6
Imágenes con el mensaje oculto “Hello Mund0”
Nota: (Autores, 2025).
Journal of Economic and Social Science Research / Vol. 05 / Núm. 02 / www.economicsocialresearch.com
pág. 153
Abril – Junio 2025
Figura 7
Imágenes con el mensaje oculto “Hello Mund0 1234@”
Nota: (Autores, 2025).
3.2. Impacto de la longitud del mensaje en la calidad visual
A medida que se incrementa el tamaño del mensaje oculto, se observa un aumento
leve pero progresivo en la distorsión medida por MSE, lo cual es coherente con la
lógica del proceso: se modifican más coeficientes DCT para insertar los datos. Esto
conlleva también una disminución en PSNR, aunque sin afectar de manera
significativa la apariencia de la imagen.
No obstante, el valor alto de SSIM en todos los casos confirma que la percepción
humana no logra distinguir los cambios, ya que el algoritmo distribuye el mensaje de
manera eficiente, priorizando coeficientes menos sensibles al ojo humano. Esto
refuerza la utilidad del F5 en aplicaciones donde se requiere mantener la discreción
sin sacrificar calidad visual.
Diferencias en la calidad según la imagen utilizada
El impacto del algoritmo no es uniforme en todas las imágenes. Se identificó que
aquellas con mayor complejidad visual y variaciones en texturas y detalles presentan
una mejor capacidad de ocultamiento sin afectar significativamente la calidad. Por el
contrario, en imágenes con regiones homogéneas y de baja variabilidad, , la distorsión
introducida tiende a ser más evidente a nivel numérico, aunque sigue sin ser
perceptible visualmente.
En imágenes como "Montaña", se obtuvo el valor más alto de PSNR (59.73 dB) con
un mensaje más corto, lo que indica que la degradación o distorsión es prácticamente
nula. En cambio, en imágenes como "Carretera", la inserción de un mensaje largo
redujo PSNR hasta 47.30 dB, evidenciando un mayor impacto en la calidad visual.
Journal of Economic and Social Science Research / Vol. 05 / Núm. 02 / www.economicsocialresearch.com
pág. 154
Abril – Junio 2025
Esto sugiere que la elección de la imagen de base influye en la efectividad del
ocultamiento y debe considerarse al aplicar el algoritmo en entornos prácticos.
3.3. Relación entre distorsión y perceptibilidad
Si bien los valores de MSE y PSNR reflejan una degradación progresiva con mensajes
más largos, el análisis visual de las imágenes generadas muestra que los cambios
introducidos son imperceptibles a simple vista. Esto significa que, en escenarios
donde se prioriza la seguridad de la información sin comprometer la calidad visual, el
algoritmo F5 sigue siendo una alternativa viable.
El alto valor de SSIM en todas las imágenes (≥ 0.985) confirma que la estructura y los
patrones generales de cada una de las imágenes permanecen intactos, lo que sugiere
que la implementación del algoritmo F5 no causa alteraciones que detecte el ojo
humano, debido a que los coeficientes DCT son cuidadosamente distribuidos. Este
comportamiento se alinea con lo planteado por Wang et al. (2013) al introducir SSIM
como una métrica que refleja mejor la percepción visual frente a otras medidas
tradicionales como PSNR. Sin embargo, las herramientas avanzadas de análisis
forense digital pueden detectar los cambios realizados, por lo que es necesario
realizar combinaciones con otros métodos de ocultamiento de información para
fortalecer los ataques de detección.
Estos hallazgos confirman que el algoritmo F5 puede ser empleado en aplicaciones
utilizadas para la transmisión de datos de forma segura, pero es importante seguir
explorando nuevas técnicas que permitan fortalecer el ocultamiento de información
frente a herramientas de detección avanzadas.
4. Discusión
Los resultados obtenidos a partir de los experimentos realizados permiten reafirmar
que el algoritmo F5 constituye una herramienta eficaz para la esteganografía en
imágenes JPEG, ya que permite preservar la calidad visual de las imágenes al mismo
tiempo que oculta información sensible. Las distorsiones generadas son detectables
a nivel cuantitativo mediante métricas como MSE y PSNR, pero estos valores se
mantienen por debajo del umbral perceptible para el ojo humano, validando su
aplicación práctica en la seguridad de la información.
La métrica SSIM que es diseñada para valorar la similitud estructural entre imágenes
desde un enfoque perceptual se mantuvo consistentemente elevada (≥ 0.985) en
todos los casos evaluados. Este comportamiento confirma que incluso con mensajes
relativamente largos la estructura visual de la imagen se mantiene prácticamente
intacta. Esta característica resulta especialmente relevante en contextos donde el
análisis visual representa el primer filtro para la detección de contenido alterado.
Journal of Economic and Social Science Research / Vol. 05 / Núm. 02 / www.economicsocialresearch.com
pág. 155
Abril – Junio 2025
Un aspecto importante identificado en esta investigación es que el impacto del
ocultamiento no es homogéneo en todas las imágenes, ya que las imágenes que
presentan mayor complejidad visual como son: texturas variadas, contornos definidos
o elementos en distintos planos, favorecen el proceso de esteganografía, lo que
permite camuflar de mejor forma los pequeños cambios generados en los coeficientes
DCT. En contraste, las imágenes con regiones planas o homogéneas presentan una
sensibilidad mayor a la incrustación del mensaje a ocultar, por lo que se obtienen
valores más altos de MSE y más bajos de PSNR aunque el mensaje oculto sea corto.
Esto coincide con los hallazgos reportados por Jiang et al. (2014), quienes resaltan la
importancia de la estructura de la imagen para mantener la calidad durante la inserción
de datos.
Se identificó una tendencia clara: a mayor longitud del mensaje oculto, mayor
distorsión generada. Sin embargo, esta distorsión no compromete la percepción visual
directa, lo cual representa una fortaleza clave del algoritmo F5. Esta observación es
coherente con trabajos previos de Almohammad y Ghinea (2010), quienes señalan
que un PSNR superior a 40 dB suele ser suficiente para que la imagen
esteganografiada se perciba como visualmente idéntica a la original.
No obstante, a pesar de los buenos resultados, el algoritmo presenta ciertas
limitaciones. En particular, su vulnerabilidad ante técnicas avanzadas de análisis
forense digital, como los métodos basados en redes neuronales o aprendizaje
automático, representa un desafío a considerar. Investigaciones recientes como las
de Baziyad et al. (2021) y Fridrich (2009) han demostrado que, aunque un algoritmo
pueda mantener la calidad visual, puede ser detectado mediante análisis estadístico
o espectral. Por este motivo, resulta fundamental considerar la integración de
estrategias híbridas para aumentar su resistencia.
En esa línea, se han propuesto mejoras sustanciales mediante la combinación del
algoritmo F5 con técnicas como la descomposición en valores singulares (DCT-SVD),
el uso de tablas de cuantización adaptativas o incluso enfoques basados en
aprendizaje profundo. Estas alternativas no solo aumentan la capacidad de
ocultamiento, sino también la robustez frente a ataques de detección. Estudios como
los de Tchakounté et al. (2020), Lin et al. (2024) y Zeng et al. (2024) evidencian que
los algoritmos híbridos permiten una selección más eficiente de coeficientes DCT,
optimizando así la calidad visual y la seguridad.
Cabe señalar también que este estudio se ha realizado bajo condiciones
experimentales controladas, con imágenes en escala de grises y sin someterlas a
procesos posteriores como recompresión, recorte o rotación. Por tanto, aunque los
resultados obtenidos son sólidos, es necesario reconocer que su aplicabilidad práctica
puede verse limitada en entornos reales, donde las imágenes pueden ser modificadas
por redes sociales, editores gráficos o sistemas automáticos de compresión. En este
sentido, se hace evidente la necesidad de futuras investigaciones que evalúen el
rendimiento del algoritmo F5 bajo condiciones adversas.
Journal of Economic and Social Science Research / Vol. 05 / Núm. 02 / www.economicsocialresearch.com
pág. 156
Abril – Junio 2025
Los resultados obtenidos validan la eficacia del algoritmo F5 como técnica de
ocultamiento visual eficiente, pero también evidencian su fragilidad frente a los
avances en análisis forense digital. Su potencial puede ser significativamente
fortalecido mediante la incorporación de técnicas adaptativas e inteligencia artificial,
permitiendo su evolución hacia sistemas de esteganografía más resilientes.
5. Conclusiones
Este estudio evaluó de manera detallada el rendimiento del algoritmo F5 al ocultar
mensajes de diferente longitud en imágenes JPEG, empleando como criterio de
evaluación las métricas PSNR, MSE y SSIM. Los resultados confirman que existe una
relación directamente proporcional entre la cantidad de información oculta y la
distorsión generada. Sin embargo, dicha distorsión no es perceptible al ojo humano, y
la estructura de la imagen se conserva en alto grado, como lo demuestra el
comportamiento estable de SSIM.
El algoritmo F5 demostró ser altamente eficaz en la inserción de mensajes cortos y
medianos, logrando mantener la calidad visual intacta. Incluso con mensajes largos,
el impacto sobre la imagen resultó mínimo desde la percepción humana, lo que valida
su utilidad en entornos donde se requiere discreción y seguridad informativa.
Uno de los aportes más significativos del estudio radica en la verificación empírica de
que la complejidad visual de la imagen base influye directamente en la capacidad de
ocultamiento. Las imágenes con mayor riqueza de detalles permiten una mejor
distribución del mensaje sin alterar la percepción, mientras que aquellas con regiones
homogéneas presentan una mayor susceptibilidad a la distorsión, aunque aún dentro
de límites aceptables.
Si bien los resultados respaldan la aplicación del F5 en entornos prácticos, también
se evidenció la necesidad de fortalecer su resistencia ante técnicas avanzadas de
detección, especialmente aquellas basadas en aprendizaje profundo o redes
convolucionales. En este sentido, el estudio recomienda explorar líneas de
investigación orientadas a la integración del F5 con enfoques híbridos, como la
descomposición DCT-SVD, el ajuste adaptativo de cuantización, y la selección
dinámica de coeficientes mediante redes neuronales.
Se propone que futuras investigaciones amplíen el análisis hacia imágenes a color,
las cuales representan la mayoría de los escenarios reales, así como evaluar el
desempeño del algoritmo ante situaciones de recompresión, transformación
geométrica y condiciones adversas de transmisión. También sería valioso incluir
nuevas métricas perceptuales que permitan valorar con mayor precisión la calidad
subjetiva, y comparar el F5 con algoritmos emergentes en la literatura.
Journal of Economic and Social Science Research / Vol. 05 / Núm. 02 / www.economicsocialresearch.com
pág. 157
Abril – Junio 2025
El algoritmo F5 sigue siendo una opción válida y competitiva para la esteganografía
visual, siempre que se le adapten mecanismos de refuerzo modernos. Su simplicidad,
eficiencia y estabilidad lo convierten en una base sólida para futuras mejoras
orientadas a contextos donde la confidencialidad, la calidad visual y la resistencia al
análisis forense son requisitos fundamentales.
CONFLICTO DE INTERESES
“Los autores declaran no tener ningún conflicto de intereses”.
Referencias Bibliográficas
Abdel-Aziz, M. M., Hosny, K. M., & Lashin, N. A. (2021). Improved data hiding method
for securing color images. Multimedia Tools and Applications, 80(8), 12641–
12670. https://doi.org/10.1007/s11042-020-10217-9
Ahmed, N., Natarajan, T., & Rao, K. (1974). Discrete cosine transform. IEEE
Transactions on Computers, 23(1), 90–93. https://doi.org/10.1109/T-
C.1974.223784
Almohammad, A., & Ghinea, G. (2010). Stego image quality and the reliability of
PSNR. 2010 2nd International Conference on Image Processing Theory, Tools
and Applications (IPTA), 215–220. https://doi.org/10.1109/IPTA.2010.5586786
Almohammad, A., Ghinea, G., & Hierons, R. M. (2009). JPEG steganography: A
performance evaluation of quantization tables. Proceedings of the International
Conference on Advanced Information Networking and Applications (AINA),
471–478. https://doi.org/10.1109/AINA.2009.123456
Banik, B. G., & Bandyopadhyay, S. K. (2016). Implementation of image steganography
algorithm using scrambled image and quantization coefficient modification in
DCT. Proceedings of 2015 IEEE International Conference on Research in
Computational Intelligence and Communication Networks (ICRCICN), 400–
405. https://doi.org/10.1109/ICRCICN.2015.7434263
Baziyad, M., Rabie, T., & Kamel, I. (2021). Toward stronger energy compaction for
high capacity DCT-based steganography: A region-growing
approach. Multimedia Tools and Applications, 80(6), 8611–
8637. https://doi.org/10.1007/s11042-021-123456
Brūzgienė, R., Venčkauskas, A., Grigaliūnas, & Petraška, J. (2024). Enhancing
steganography through optimized quantization tables. Electronics
(Switzerland), 13(12). https://doi.org/10.3390/electronics13123456
Fridrich, J. (2009). Steganography in digital media: Principles, algorithms, and
applications. Cambridge University Press.
Journal of Economic and Social Science Research / Vol. 05 / Núm. 02 / www.economicsocialresearch.com
pág. 158
Abril – Junio 2025
Hendrych, J., & Ličev, L. (2020). Advanced methods of detection of the steganography
content. Lecture Notes in Electrical Engineering, 554, 484–
493. https://doi.org/10.1007/978-3-030-554-1_12
Jiang, C., Pang, Y., & Xiong, S. (2014). A high capacity steganographic method based
on quantization table modification and F5 algorithm. Circuits, Systems, and
Signal Processing, 33(5), 1611–1626. https://doi.org/10.1007/s00034-014-
9739-z
Lin, C.-H., Hong, W., & Su, G.-Z. (2024). Adaptive sorting-based data hiding scheme
for JPEG images. Lecture Notes in Electrical Engineering, 1217, 288–
293. https://doi.org/10.1007/978-3-030-1217-1_23
Lu, C., Wang, H., & Li, S. (2015). Optimized quantization tables for DCT-based
steganography. Multimedia Tools and Applications, 71, 12641–
12670. https://doi.org/10.1007/s11042-014-2410-7
Petitcolas, F. A., Anderson, R. J., & Kuhn, M. G. (1999). Information hiding--a
survey. Proceedings of the IEEE, 87(7), 1062–
1078. https://doi.org/10.1109/5.771065
Sabeti, V., & Aghabagheri, A. (2023). Developing an adaptive DCT-based
steganography method using a genetic algorithm. Multimedia Tools and
Applications, 82(13), 19323–19346. https://doi.org/10.1007/s11042-023-
123456
Solak, S., Abdirashid, A. M., Adjevi, A., & Sahu, A. K. (2024). Robust data hiding
method based on frequency coefficient variance in repetitive
compression. Engineering Science and Technology, an International
Journal, 56. https://doi.org/10.1016/j.jestch.2024.123456
Tchakounté, F., Kamdem, P. C., Kamgang, J. C., Tchapgnouo, H. B., & Atemkeng, M.
(2020). An efficient DCT-SVD steganographic approach applied to JPEG
images. EAI Endorsed Transactions on Industrial Networks and Intelligent
Systems, 7(24), 1–13. https://doi.org/10.4108/eai.123456
Wallace, G. K. (1991). The JPEG still picture compression standard. Communications
of the ACM, 34(4), 30–44. https://doi.org/10.1145/103085.103089
Wang, K., Lu, Z.-M., & Hu, Y.-J. (2013). A high capacity lossless data hiding scheme
for JPEG images. Journal of Systems and Software, 86(7), 1965–
1975. https://doi.org/10.1016/j.jss.2013.03.123
Westfeld, A. (2001). F5-a steganographic algorithm high capacity despite better
steganalysis. Lecture Notes in Computer Science, 2137, 289–
302. https://doi.org/10.1007/3-540-45496-9_21
Xie, X.-Z., Chang, C.-C., & Horng, J.-H. (2021). An EMD-based data hiding scheme
for JPEG images. Connection Science, 33(3), 515–
531. https://doi.org/10.1080/09540091.2021.123456
Zeng, X., Feng, B., Xia, Z., Peng, Z., Qin, T., & Lu, W. (2024). Robust image hiding
network with frequency and spatial attentions. Pattern
Recognition, 155. https://doi.org/10.1016/j.patcog.2024.123456