سمینار کارشناسی ارشد برق کاربرد شبکه های عصبی در پنهان شکنی تصاویر

اختصاصی از فی ژوو سمینار کارشناسی ارشد برق کاربرد شبکه های عصبی در پنهان شکنی تصاویر دانلود با لینک مستقیم و پر سرعت .

این محصول در قالب پی دی اف و 54 صفحه می باشد.

این سمینار جهت ارائه در مقطع کارشناسی ارشد رشته مهندسی برق-الکترونیک طراحی و تدوین گردیده است . و شامل کلیه مباحث مورد نیاز سمینار ارشد این رشته می باشد.نمونه های مشابه این عنوان با قیمت های بسیار بالایی در اینترنت به فروش می رسد.گروه تخصصی ما این سمینار را با قیمت ناچیزی جهت استفاده دانشجویان عزیز در رابطه با منبع اطلاعاتی در اختیار شما قرار می دهند. حق مالکیت معنوی این اثر مربوط به نگارنده است. و فقط جهت استفاده ازمنابع اطلاعاتی و بالابردن سطح علمی شما در این سایت ارائه گردیده است.

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 روشهای 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 روشهای 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 5%، 10% و 25% 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:

امروزه مبحث امنیت انتقال اطلاعات، ازمسائل مهم در تبادل اطلاعات محرمانه است. دراین راستا، روش های رمزنگاری و پنهان نگاری و همچنین شیوه های نفوذ مختلف به طور گسترده توجه پژوهشگران را جلب نموده است. اگرچه استفاده از روش های رمزنگاری توانسته تا حدی جوابگوی نیازها در زمینه ی امنیت اطلاعات باشد ولی وضوح این ارتباط زمینه ساز مشکلات دیگری است. هدف پنهان نگاری، مخفی کردن پیام به گونه ای است که حتی وجود پیام نیز محسوس نبوده و تشخیص وجود آن خود مستلزم بکارگیری روشهای علمی میباشد. به عبارت دیگر شکست روش پنهان نگاری در مشخص شدن وجود پیام در رسانه ی پوششی میباشد که این موضوع، هدف اصلی پنهان کاوی است. پنهان کاوی هنر کشف حضور اطلاعات پنهان است.

اگرچه از تمام فرمتهای دیجیتالی میتوان جهت پنهان نگاری استفاده نمود، اما فرمتهایی برای این کار مناسب به نظر می رسند که درجه افزونگی آنها بالاتر باشد. منظور از درجه افزونگی تعداد بیت هایی است که دقتی بیش از حد لازم و غیر ضروری را برای نمایش ارائه میکنند. با توجه به این نکته، تصاویر JPEG بیشتر از سایر فرمتها برای این امر مورد استفاده قرار میگیرند. در حال حاضر بیشترین فرمت تصویری که برای ارتباطات بخصوص در اینترنت استفاده میشود فرمت JPEG است و بیشتر روش های پنهان نگاری تصاویر نیز برای این دسته تصاویر طراحی شده اند.

به طورکلی شیوه های پنهان کاوی به دو دسته تقسیم میشوند: پنهان کاوی کور که مستقل از روش پنهان نگاری است و پنهان کاوی اختصاصی که که فقط به روش پنهان نگاری مشخصی اعمال میشود. الگوریتم های پنهان نگاری به دو دسته ی کلی الگوریتم های فضای مکانی یا فضای تبدیل تقسیم می شوند. روشهای پنهان سازی درفضای تبدیل پایداری بیشتری دارند. درمقابل، روشهای پنهانکاوی نیز از استخراج ویژگی از حوزه های مکان و تبدیل استفاده میکنند. در بسیاری از مقالات از تبدیل های کسینوسی و تبدیل موجک استفاده شده است. به تازگی نیز مراجع محدودی از تبدیل Contourlet استفاده کرده اند. تبدیل موجک بدلیل داشتن تنها سه جهت عمودی، افقی و مورب در تشخیص لبه های نرم و ناهمواری ها محدودیت دارد که تبدیل Contourlet بدلیل چند جهته بودن (بیشتر از سه جهت) در سطح های مختلف تا حدودی این مشکل را حل کرده است. در این پایان نامه ویژگی های استخراج شده از حوزه های مختلف مقایسه شده اند.

در این پژوهش به پنهان کاوی کور تصاویر JPEG میپردازیم. پس از بررسی ویژگی های سیستم های پنهان نگاری در فصل اول، در فصل دوم روشهای متداول پنهان کاوی تصویر به اختصار بررسی می شوند. در فصل سوم حوزه های مختلف تبدیل معرفی میشوند. در فصل چهارم تکنیک های یادگیری ماشین بیان شده اند و روش پیشنهادی نیز در فصل پنجم معرفی شده است.