مهندسی برق

سمینار ارشد مهندسی برق الکترونیک: پنهان شکنی تصاویر با استفاده از شبکه های عصبی

دانشگاه آزاد اسلامی

واحد تهران جنوب

دانشکده تحصیلات تکمیلی

“M.Sc” پایان نامه برای دریافت درجه کارشناسی ارشد

دانلود مقاله و پایان نامه

مهندسی برق – الکترونیک

عنوان :

پنهان شکنی تصاویر با بهره گرفتن از شبکه های عصبی

متن پایان نامه :

چکیده:
پنهان نگاری هنر ارتباط پنهانی به وسیله قرار دادن پیام در یک رسانه پوششی با کمترین تغییر قابل درک و در مقابل، پنهانکاوی هنر کشف حضور اطلاعات است. به طور کلی شیوه های پنهان کاوی به دو دسته تقسیم میشوند: پنهان کاوی کور که مستقل از روش نهان نگاری است و پنهان کاوی اختصاصی که که فقط به روش نهان نگاری مشخصی اعمال میشود. سه قسمت اصلی در سیستم پنهان کاوی عبارتند از: استخراج ویژگی، انتخاب ویژگیهای کارا و طبقه بندی. در این راستا، استخراج ویژگیهای حساس به پنهاننگاری مهم ترین بخش میباشد.
ویژگیها معمولا از حوزهی مکان و یا حوزه های تبدیل (مانند DCT، DWT و.) استخراج می شوند. مبحث استخراج ویژگی ها از تبدیل Contourlet نیز به تازگی در شیوه های پنهان کاوی استفاده شده و تعداد مقالات محدودی در این زمینه منتشر شده است. در این پژوهش، سیستم پنهان کاوی (Steganalysis) کور در تصاویر رنگی با فرمت JPEG بررسی میشود. در حال حاضر بیشترین فرمت تصویری که برای ارتباطات بخصوص در اینترنت استفاده میشود فرمت JPEG است و اغلب روش های پنهان نگاری تصاویر نیز برای این دسته تصاویر طراحی شده اند.

روش پیشنهادی بر اساس کنارهم قرار دادن ویژگیهای آماری و ماتریس هم رخداد بدست آمده از تبدیل های کسینوسی، موجک و Contourlet میباشد. همچنین از تکنیکهای آنالیز تغییرات (ANOVA) و بهینه سازی باینری جستجوی ذرات (BPSO) به منظور انتخاب دسته ویژگی بهینه استفاده شده است. در ادامه، برای طبقه بندی از روش های یادگیری ماشین برای پنهان کاوی میتوان استفاده کرد. در این پژوهش روش های مبتنی بر شبکه های عصبی و ماشینهای بردار پشتیبان بکار گرفته شده و نتایج عملکرد آنها با یکدیگر مقایسه شده است.
سیستم پیشنهادی بر روی چهار روش پنهانکاوی معمول برای تصاویر JPEG (روش های Jsteg ،Outguess، Model-based و JPHS) با نرخ پنهان سازی ۵%، ۱۰% و ۲۵% از بیشینه ظرفیت این روش ها آزمایش شده است. نتایج حاصل نشان دهنده  کاراتر بودن ویژگی های حاصل از تبدیل Contourlet نسبت به تبدیل های دیگر و همچنین عملکرد موفق روش پیشنهادی از نظر انتخاب بهترین ویژگی ها و کاهش پیچیدگی محاسباتی در بخش طبقه بندی کننده به دلیل کاهش تعداد ویژگی ها است.
مقدمه:

99