شبیه سازی آموزشی مقاله افزایش امنیت برای نهان نگاری تصویر مبتنی بر ویژگی با متلب

توضیحات

شبیه سازی مقاله افزایش امنیت برای نهان نگاری تصویر مبتنی بر ویژگی با متلب

الگوریتم پیاده‌سازی واترمارک:

نقاط ویژگی (Feature Points) تصویر ورودی را با استفاده از عملگرهای تشخیص‌دهنده Harris-Laplace و Laplacian-of-Gaussian استخراج می‌کنیم. نقاط ویژگی را برای مقیاس‌های  محاسبه می‌کنیم.  برای هر یک از نقاط ویژگی (x,y) یک ناحیه دایره‌ای محلی (Local Circle Region)  LCR از تصویر استخراج می‌کنیم. مرکز دایره نقطه (x,y) و شعاع دایره از رابطه    به دست می‌آید. در این رابطه   مقیاس ویژگی و ɑ یک عدد صحیح مثبت است. هرچقدر شعاع ناحیه‌های دایره‌ای LCR بزرگ‌تر باشد ظرفیت واترمارک افزایش می‌یابد.  از میان این ناحیه‌های دایره‌ای باید تعداد مشخصی ناحیه را انتخاب کنیم به‌گونه‌ای که ناحیه‌های دایره‌ای هم‌پوشان نباشند و همچنین حداکثر مقادیر ممکن شعاع‌ها را داشته باشند.

بیان مسئله کوله‌پشتی:
در این برنامه هدف به دست آوردن ناحیه‌های دایره‌ای (LCR) نا هم‌پوشان مناسب برای جایگذاری بیت‌های واترمارکینگ می‌باشد. ناحیه‌های دایره‌ای انتخاب‌شده باید بیشترین میزان توزیع پوشش را بر روی تصویر داشته باشند تا واترمارکینگ انجام‌شده بر روی تصویر نسبت به حمله برش (cropping) مقاوم باشد. ما مسئله انتخاب ناحیه‌های دایره مناسب را به یک مسئله بهینه‌سازی تبدیل می‌کنیم که شرایط زیر را داشته باشند. 1- ناحیه‌های دایره‌ای انتخاب‌شده باید بیشترین میزان توزیع پوشش را بر روی تصویر داشته باشند 2-ناحیه‌های دایره‌ای انتخاب‌شده نباید هم‌پوشانی داشته باشند.

برای حل این مسئله بهینه‌سازی ترکیبیاتی ما این مسئله را به یک مسئله کوله‌پشتی تبدیل می‌کنیم.

چکیده مقاله:

ویژگی های محلی تصویر شده اند به طور گسترده ای در طرح های مبتنی بر ویژگی های مبتنی بر watermarking استفاده می شود. تغییرات ویژگی برای دستیابی به قابلیت اطمینان در برابر حملات مورد سوء استفاده قرار میگیرند، اما نشت اطلاعات در مورد ابعاد پنهان از مکانها و اندازههای عمومی شناخته شده، اغلب در امنیت بررسی نشده است. بنابراین، این مقاله یک رویکرد رویکرد علامت گذاری بر روی تصویر جدید را پیشنهاد می کند که در آن مناطق مجتمع غیر قابل تغییر را به طور مشترک بهبود می بخشد و امنیت آن را بهبود می بخشد. ابتدا مناطق ویژگی دایره ای توسط ماتریس خودکار همبستگی مقیاس پذیرفته شده و عملیات لاپلایس گاوسی تعیین می شود. نشت اطلاعات مخفی نیز با دقت در طی روش شناسایی ویژگی کنترل می شود. یک فرآیند انتخاب بهینه که به عنوان یک مسئله کوله پشتی چند بعدی صورت گرفته است، پیشنهاد می شود که مناطق قوی غیر غوطه ور از آن مناطق مشخص کننده دایره ای برای مقاومت در برابر حملات مختلف انتخاب شوند. این فرآیند با استفاده از رویکرد مبتنی بر الگوریتم ژنتیک انجام می شود و تصادفی برای کاهش خطر امنیتی استفاده می شود. در نهایت، هر منطقه انتخاب شده برای به دست آوردن یک منطقه ویژگی غیر هندسی هندسی، و با یک علامت متناظر با منطقه تعبیه شده برای غلبه بر ضعف علامت های چند منظوره بیش از حد عادی است. نتایج ارزیابی بر اساس معیار StirMark ارائه طرح پیشنهادی می تواند تحمل حملات مختلف، از جمله پردازش سیگنال مثل نویز و اعوجاج هندسی. تجزیه و تحلیل امنیتی از نظر انطباق دیفرانسیل نیز بهبود امنیت روش پیشنهادی را تایید می کند.

شبیه سازی مقاله افزایش امنیت برای نهان نگاری تصویر مبتنی بر ویژگی با متلب توسط کارشناسان گروه ۱.۲.۳ پروژه پیاده سازی گردیده و به تعداد محدودی قابل فروش می باشد.

• فایلهای پروژه به صورت کامل پس از خرید فایل بلافاصله در اختیار شما قرار خواهد گرفت.