30242

پنهان نگاري تصوير در تصوير مبتني بر يادگيري عميق

كارشناسي ارشد

مهندسي برق - مخابرات امن و رمزنگاري

1398

1402/8/22

دكتر حميد بهنام

دكتر علي اصغر بهشتي شيرازي

مهندسي برق

پنهاننگاري تصوير ديجيتا ل 1 به فرآين د پنها نكردن اطلاعات اعم از متن، صدا، تصوير و غيره در يك تصويربه رو شي امن، نامحسوس و قابل بازيابي گفته ميشود. سه روش پنهاننگاري تصوير ديجيتال، عبارتاند از: فضايي )حوزه مكان(، تب ديل )حوزه فركانس( و يادگيري عميق )شبكه عصبي(. روش فضايي از تغيير مقا دي ر پيكسل يك تصوي ر پوش ش براي پنها ننگاري اطلاعات و روش دوم ا ز نگاشت اطلاعات به حوزه فركان س استفاده ميكند، اما رو شهاي نوين و فراابتكار ي جهت فرآين د پنهانسازي و پيادهسازي عمل ي از الگوريت مها و تكني كهاي يادگيري عميق بهره م يگيرن د كه تمركز بسياري از مطالعات امروزي بر روي اين رو شها است. اين پژوه ش ب ه برر س ي استفاده يك نوع شبك ه عصبي GAN2 در پنهاننگار ي تصاو ير خاكستري، بنام شبكه BEGAN3 دركنار شبك ههاي خودكدگذا ر 4 و NET-U م يپردازد. اين مطالعه يك پياد هسازي جديد را ارائه م يده د كه از چن د شبكه عصبي بر اي انجام مراحل آماد هسازي، پنهان كردن و استخراج اطلاعات فرآين د پنهاننگاري، استفاده ميكن د. روش پيشنها د شد ه اي ن پاياننامه ، تغييرات ي را در ساختار شبكه عصبي ايجا د ميكن د و براساس چن دين م عيار تشابه تصوير ، حداكثر ظرفيت اطلاعات ذخيره شونده برروي تصاوير پوششي، يعني يك تصوير محرمانه هماندازه با تصوير پوشش را ذخيره م يكند. عملكرد روش اين پاياننامه با مهمترين م عيارهاي پردازش تصوي ر مانند انداز هگيري شاخص تشابه ساختاري ) SSIM ( برابر 0.99 ، ميان گين مربعات خطا ) MSE ( برابر 0.001 ، نسبت حداكث ر س يگنال به نوي ز ) PSNR ( برابر db 43 و مقايسه نمودارهاي هيستوگرام محاسبه و اندازهگيري شده است. نتايج شبي هسازي نشا ندادهاست كه تصاو ير پنهان- نگاري شده توسط روش پيشنهادي از نهايت ظرفيت تصوير پوشش استفاده م يكند و تصاوير بطور مؤثري قابل بازيابي هستن د و با نتاي ج بروز ساير پژوه شهاي پنهاننگاري تصوير در تصوي ر قابل مقايسه است.

1402/09/27

Image steganography with deep learning

11/12/2024 12:00:00 AM

Digital image steganography is the process of hiding information such as text, sound, image in an image in a safe, imperceptible and recoverable way. The three main methods of digital image steganography are: spatial domain, transformation (frequency domain) and deep learning (neural network). The spatial method uses changing the pixel values of an cover image to hide information, and the second method uses information mapping to the frequency domain, but modern and heuristic methods use algorithms and deep learning techniques that are used for the hiding process and practical implementation. , the focus of many studies today is on this method. This research examines the implementation of a type of GAN neural network in steganography of gray digital images, called BEGAN network, with the Autoencoder and U-NET network. This study presents a new implementation that uses multiple neural networks to perform the preparation, hiding, and information extraction steps of the steganography process. The proposed method of this thesis makes changes in the structure of the neural network and based on several criteria of image similarity, it stores the maximum capacity of information stored on cover images, i.e. a secret image of the same size as the cover image. The performance of this thesis method has been calculated and measured using some frequently used image criteria such as Structural Similarity Index (SSIM), Mean Square Error (MSE) and Peak Signal to Noise Ratio (PSNR). The simulation results have shown that the hidden images by the proposed method use the maximum capacity of the cover image and the images can be effectively recovered. The results of the proposed method are comparable with the results of other image-in-image steganography schemes

پنهان نگاري تصوير، , شبكه مولد تخاصمي , شبكه خود كدگذار U-net

Image steganography , Deep learning , Generative adversarial net , Boundary Equilibrium GAN , Auto encoder, U-net

Shahram Omidian

Dr. Behnam