27079

تشخيص و حذف واترمارك با استفاده از شبكههاي يادگيري عميق

كارشناسي ارشد

مهندسي برق-گرايش مخابرات سيستم

1397

1400/12/16

دكتر سيد علي اصغر بهشتي شيرازي

مهندسي برق

واترمارك ساده ترين روش براي حفظ اعتبار، نام و نشان در دنياي وسيع اينترنتي و غير اينترنتي است. توسعه و گسترش روش‌هاي تشخيص و حذف واترمارك به دليل گوناگوني واترمارك‌ها، همچنان يك كار چالش برانگيز است. واترمارك‌‌ها مي‌توانند متون، نمادها يا گرافيك و غيره باشند كه اين امر باعث مي‌شود ويژگي‌هاي متمايزي از الگوهاي واترمارك‌ها استخراج شوند. علاوه بر اين تغييرات شكل، مكان، شفافيت و اندازه واترمارك در انواع مختلف، تخمين ناحيه وارترمارك را دشوار مي‌كند. روش كلي براي پردازش واترمارك به دو بخش تشخيص و حذف واترمارك تقسيم‌بندي مي‌شود. بخش حذف واترمارك را مي‌توان يك مسئله ترجمه تصوير به تصوير در نظر گرفت. اخيراً، روشهاي مبتني بر GAN به طور گسترده در ترجمه تصوير به تصوير مورد استفاده قرار گرفته و نتايج قابل توجه اي را به وجود آورده اند. از اين رو، معماري شبكه هاي مورد استفاده در اين پروژه متكي بر يك نوع از اين شبكه‌ها يعني شبكه مولد تخاصمي شرطي (cGAN) است. اين پروژه براي عملكرد خوب حذف واترمارك، ويژگي‌هاي منحصر به فرد واترمارك‌ها را در نظر گرفته و با استفاده از ايده‌هايي كه در اين زمينه صورت گرفته، يك راه حل مناسب براي بهبود عملكرد كلي ارائه مي‌دهد. روش اين پروژه يك مكانيسم دو مرحله‌اي است كه در آن مرحله اول شبكه ژنراتور به طور دقيق ناحيه واترمارك را مشخص كرده و در مرحله دوم ناحيه تشخيص داده شده را اصلاح مي نمايد. حال تصوير ساخته شده توسط شبكه ژنراتور به شبكه تفكيك‌كننده داده مي‌شود تا با تشخيص اصل يا جعل بودن تصوير به بازسازي بهتر شبكه ژنراتور كمك كند. در اين پايان نامه شبكه ژنراتور از دو بخش شبكه تجزيه و اصلاح تشكيل شده‌ است كه به ترتيب داراي ساختار خودرمزنگار و كانولوشني هستند. مهمترين هدف اين پروژه تشخيص و حذف متون و لوگوي فارسي به عنوان واترمارك از تصاوير است. به همين علت، مجموعـه‌ داده‌ي مورد نظر از 100 لوگوي فارسي به همراه متن‌هاي فارسي با 65 نوع فونت به عنوان واترمارك تهيه شده است. تصاوير پايه از مجموعه دادگان pascal voc2012 انتخاب شده‌اند. شبكه پيشنهادي بر روي مجموعه دادگان آماده‌سازي شده آموزش داده شده و به درصد psnr 99.47 دست يافته است.

1401/07/09

Detect and remove watermarks using deep learning networks

1/1/1900 12:00:00 AM

Watermark is the easiest way to preserve reputation, name and brand in the wide world of internet and non-internet. The development and expansion of watermark detection and removal methods is still a challenging task due to the variety of watermarks. Watermarks can be texts, symbols or graphics, etc., which makes it possible to extract distinctive features from watermark patterns. In addition, the variations in shape, location, transparency, and size of watermarks in different types make it difficult to estimate the watermark area. The general method for watermark processing is divided into two parts: watermark detection and watermark removal. The watermark removal part can be considered an image-to-image translation problem. Recently, GAN-based methods have been widely used in image-to-image translation and have produced remarkable results. Therefore, the architecture of the networks used in this project relies on one type of these networks, the conditional adversarial generative network (cGAN). For the good performance of watermark removal, this project considers the unique characteristics of watermarks and using the ideas made in this field, provides a suitable solution to improve the overall performance. The method of this project is a two-stage mechanism in which the first stage of the generator network accurately determines the watermark area and in the second stage it corrects the detected area. Now, the image created by the generator network is given to the discriminating network to help the generator network to better reconstruct the image by detecting the original or fake image. In this thesis, the generator network consists of two parts of the analysis and modification network, which have the structure of self-encryption and convolution, respectively. The most important goal of this project is to recognize and remove Persian texts and logos as watermarks from images. For this reason, the desired data set is prepared from 100 Persian logos along with Persian texts with 65 types of fonts as watermarks. The base images are selected from the Pascal voc2012 dataset. The proposed network was trained on the prepared dataset and achieved a psnr percentage of 99.47.

يادگيري ماشين , ، يادگيري عميق , شبكه مولد مقابله اي , تشخيص و حذف واترمارك

Machine Learning , Deep Learning , Generative Adversarial Network , watermark detection and removal

Elham khorami

Dr. Seyed Ali Asghar Beheshti