مدل های غنی برای استخراج اطلاعات از تصاویر دیجیتالی

150,000 ریال

دانلود رایگان اصل مقاله


    مشخصات کلی

  • سال انتشار سال 2012
  • کد 26078
  • فرمت فایل Word
  • تعداد صفحات ترجمه 27
  • اصل مقاله لاتین رایگان است
  • منبع IEEE
  • نام مجله IEEE
  • وضعیت مدل مقاله مقاله فاقد مدل می باشد
  • مترجم یا مترجمان خانم محمودی
  • حق ترجمه و تالیف سایت خانه مقالات ISI ایران

چکیده فارسی

ما یک استراتژی جدید را برای توصیف آشکارسازی پنهان نگاری در تصاویر دیجیتال ارائه می کنیم.این روند با یک مدل غنی از سیگنال ها شروع می شود. به عنوان یک مدل اصلی تشکیل شده توسط توزیع مشترک نمونه،همسایه های کوانتیزه شده از باقیمانده تصاویر بدست آمده با استفاده از فیلترهای بالاگذر خطی  و غیرخطی است. در مقابل روش قبلی،ما یک مدل بازی از یک بخش از روند آموزشی  ارائه شده توسط نمونه از پرسش نمونه و منابع پنهان ارائه می کنیم. طبقه بندی استفاده جمعیت جمع آوری به عنوان مدل برای  استخراج نهایی اطلاعات است که به دلیل پیچیدگی  کم محاسبات و توانایی  موثر آن در فضاهای با ویژگی بالا بوده است. چهارچوب ارائه شده بر سه الگوریتم پنهان نگاری برای مخفی کردن پیام در تصاویر ارائه شده است که شامل HUGO و الگوریتم لو و همکاران و کدگذاری مطلوب سه تایی است که اعمال یک روش در مدل اصلی را به صورت ساده برای افزایش دقت در ابعاد مدل را داشته و نشان می دهد که چگونه تشخیص اشباع با افزایش پیچیدگی مدل غنی شده است. با مشاهده تفاوت بین مدل های اصلی مختلف  که در این تشخیص شرکت کرده اند،واکنش های جالب بین آنها تعبیه شده است. استخراج اطلاعات در مدلهای تصویری غنی هوا با طبقه بندی گروهی امیدوار کننده برای اتوماتیک کردن اطلاعات برای طیف گسترده ای از طرح پنهان نگاری می باشد.


 

مدل های غنی برای استخراج اطلاعات مدرن مبتنی بر ویژگی ها، با اتخاذ مدل تصویری است، که در استخراج اطلاعات از ابزار یادگیری ماشین استفاده شده است. این مدل نه تنها با ویژگی های مشخص منبع پوششی است، بلکه اثرات جاسازی نیز در آن دیده می شود. مثلا بردار ویژه هرزنامه که به ظاهر پیشنهاد مدل نهایی خالص را دارد اما در حقیقت توسط مدل خاص از پنهان نگاری ارائه شده انتخاب سفارش براساس فرایند مارکو و همین مقدمه آستانه T و پیش بینی محلی تنظیم شده است، که با رعایت تشخیص عملکرد به مقدار t ± جایابی شده است. به طور خاص براساس تحقیقات اخیر،پیش بینی شده که احتمالا تفاوت بین پیکسل با مرتبه بالا استفاده نشده است. ما یک روش کلی برای استخراج اطلاعات از تصاویر دیجیتال را برای مفهوم غنی از تعداد زیادی از مدلهای اصلی متنوع را ارائه می کنیم. درمدل اصلی، انواع مختلفی براساس روابط خود در میان انواع مختلف نمونه همسایه را از باقی مانده سیگنال بدست آمده توسط خطی و غیرخطی پشتیبانی می کند. مدل غنی به عنوان بخشی از فرایند مونتاژ ، از نمونه های موجود در تصاویر پنهان می باشد. طراحی ها به روش توسعه یافته برای HUGO الهام گرفته شد. عنصرکلیدی شامل یک مدل پیچیده متشکل از مدل اصلی متعدد است و هرکدام به صورت تفاوت کم جاسازی شده اند. در اینجا ما این فلسفه را در سطح بعدی با طراحی مدل اصلی به صورت سیستماتیک تر و شیوه های جامع داریم. و اجازه می دهد داده های آموزشی را طوری انتخاب کنیم که چنین ترکیبی از مدل اصلی به ارتباط بین ابعاد مدل و دقت در تشخیص پرهیز بی انجامد. از انجا که رویکرد ما نیاز به یادگیری سریع حمایتی دارد،ما با استفاده از طبقه بندی گروه به توصیف محاسباتی با پیچیدگی کم وتوانایی موثر با ویژگی ابعادی بالا و آموزش بزرگ از مجموعه داده ها را می پردازیم. مدل غنی با انتخاب هریک از مدلهای اصلی در برآورد خطا، تشخیص خود را در قالب برآوردهای آموزش محاسبه شده تنظیم می کند. استخراج اطلاعات نهایی برای هر روش نهان کاوی ساخته شده به عنوان طبقه بندی گروه شناخته می شود. علاوه براین هدف آشکار در بهبود استخراج اطلاعات روش پیشنهادی می تواند مشاهده ای را به عنوان یک گام در راستای اتوماتیک سازی استخراج اطلاعات برای تسهیل توسعه سریع برای استقراء طرح داشته باشد و ما نشان می دهیم که چهارچوب پیشنهادی در سه الگوریتم پنهان نگاری عاملی در یک منبع ثابت بوده است. الگوریتم ارائه شده توسط لو و همکارانش به عنوان مثال در نظر گرفته می شود. با توجه به بهترین دانش ها از یک سیستم نهان بوده و هنوز موقعیت در مورد آن بدست نیامده است. یکی دیگر از جنبه های امیدوارکننده از مدلهای غنی بالقوه،ارائه مدل برای برنامه های کاربردی مختلف به صورت قانونی بوده و برای استخراج اطلاعات در جهان می باشد.
در حالی که در حالت دوم به نظر می رسد که دسترسی به خارج با توجه با این واقعیت است که پنهان نگاری را می توان برای به حداقل رساندن اختلال در فضای مدل ثابت با استفاده از روش ویژگی تصحیح FCM ارائه نمود یا براساس چهارچوب شرح داده شده در منبع 10 و12 خواهد بود که در آن حفظ مدل به طور فزاینده ای برای حالت غنی تر ،سخت تر خواهد بود. در واقع همانطور که در بخش5 نشان داده شده است،هنگامی که به اندازه کافی بسیاری از مدل های اصلی متنوع ساخته شده باشند،تفاوت ها بین پیکسل های همسایه ای که در مدل های غنی ترکیب شده اند به وجود خواهد آمد . GUGO با وجود شرایط قابل تشخیص آن برای به حداکثر رساندن اعوجاج طراحی شده برای آمار چند متغیره محاسبه شده در تفاوت های پیکسل های بعدی است. در این مقاله به شرح زیر اقدام می شود. در بخش دوم،ما توصیف مدل های اصلی را به عنوان توزیع احتمال مشترک از نمونه های باقیمانده مجاور را ارائه می کنیم.استخراج اطلاعات و راه اندازی آزمایشی آن مورد استفاده در بخش 3 خواهد بود. این روش برای مونتاژ مدل غنی از یک نمونه از پوشش وتصاویر نهان است. در حالی که با توجه به عملکرد ابعاد تجاری آن در بخش 5 اقدام می کنیم. سه روش برای این تصاویر نهان در بخش 5 توصیف شده است که با دو آزمایش تحقیقاتی بوده وبا هدف تجزیه و تحلیل عملکرد مدل های اصلی و فرعی بوده و چگونگی تحت تاثیر قرار دادن آن مورد نظر می باشد.
بخش ششم شامل نتایج آزمایش اصلی است که در آن چهارچوب کاملی برای سه نوع پنهان نگاری ارائه شده است. سرانجام،این مقاله در بخش 7 به نتیجه گیری در مورد چگونگی استراتژی پیشنهادی که تحت تاثیر استادانه در پنهان نگاری قرار گرفته می رسد و بحث در مورد کاربرد مدلهای غنی در خارج از زمینه استخراج اطلاعات خواهد بود. در همه جا در این مقاله ،حروف و علائمی به صورت برجسته استفاده شده اند که برای ماتریس ها و آرایه ها می باشند.


چکیده لاتین

We describe a novel general strategy for building steganography detectors for digital images. The process starts with assembling a rich model of the noise component as a union of many diverse submodels formed by joint distributions of neighboring samples from quantized image noise residuals obtained using linear and nonlinear high-pass filters. In contrast to previous approaches, we make the model assembly a part of the training process driven by samples drawn from the corresponding cover- and stego-sources. Ensemble classifiers are used to assemble the model as well as the final steganalyzer due to their low computational complexity and ability to efficiently work with high-dimensional feature spaces and large training sets. We demonstrate the proposed framework on three steganographic algorithms designed to hide messages in images represented in the spatial domain: HUGO, edge-adaptive algorithm by Luo , and optimally coded ternary ±1 embedding. For each algorithm, we apply a simple submodel-selection technique to increase the detection accuracy per model dimensionality and show how the detection saturates with increasing complexity of the rich model. By observing the differences between how different submodels engage in detection, an interesting interplay between the embedding and detection is revealed. Steganalysis built around rich image models combined with ensemble classifiers is a promising direction towards automatizing steganalysis for a wide spectrum of steganographic schemes.

لطفا متن زیرا به دقت بخوانید سپس اقدام به خرید نمایید:

  • روی دکمه افزودن به سبد خرید کلیک و چند ثانیه تحمل فرمایید تا محصول به سبد خرید شما افزوده گردد و پس از ورود به صفحه سبد خرید تعداد اضافه شده به سبد خرید را کنترل نمایید تا اشتباها دوبار فایل مورد نظر به حساب شما لحاظ نشده باشد در صورت اضافه شدن بیش از یکبار فایل لطفا با کمک فلش هایی که به سمت بالا و یا پایین است مقدار آن را اصلاح فرمایید.
  •  در صفحه سبد سفارش حتما یک ایمیل معتبر و پسورد دلخواه وارد نمایید تا گزینه پرداخت بانکی برای شما نمایان شود شایان ذکر است پس از پرداخت آنلاین فایل قابل دانلود بوده و بلافاصله به صورت اتوماتیک لینک دانلود برای ایمیل شما ارسال خواهد شد .
  • شایان ذکر است استفاده از خدمات و خرید فایل از سایت خانه مقالات ایران به منزله پذیرش قوانین و مقررات حاکم برسایت از طرف شما می باشد در صورتیکه هنوز قوانین را مطالعه نکرده اید لطفا ابتدا مطالعه نموده و سپس خرید نمایید.

free webpage hit counter