Cet article aborde le problème de détection fiable d'informations cachées dans les images naturelles non-compressées. L'objectif est de définir un test dont les probabilités d'erreurs sont analytiquement prédictibles afin de satisfaire une contrainte de faibles taux de fausses alarmes. Dans ce but, la détection d'information cachées est étudiée dans le cadre de la théorie des tests statistiques. Si la moyenne théorique des pixels est connue, le test optimal au sens de Neyman-Pearson est explicité sous une forme simple et ses performances statistiques sont établies. Dans la pratique, un modèle local non-linéaire des images est développé pour estimer précisément et rapidement cette moyenne. Une linéarisation de ce modèle est proposée et permet d'obtenir un test quasi-optimal, i.e. dont la perte d'optimalité est bornée et faible. Enfin, des expérimentations sur 9 000 images montrent la pertinence et la qualité de l'approche par rapport à l'état de l'art.