Cet article fait suite aux travaux de Lubenko et Ker [7]. Nous comparons des méthodes de stéganalyse de la littérature permettant de lutter contre le cover-source mismatch avec un nombre réduit d'images d'apprentis-sage. De plus, nous proposons une méthode réduisant l'impact du cover-source mismatch sur les classieurs en partitionnant la base de données d'apprentissage en îlots. Des expérimentations sur des jeux de données réelles montrent un gain de performance non négligeable lorsque l'on cherche à traiter le problème sans utiliser des millions d'images.