📄Работа №212160
Тема: Разработка алгоритма стеганографии для изображений в формате JPEG
Характеристики работы
Тип работы
Дипломные работы, ВКР
Предмет
Математика
Объем:
53 листов
Год:
2021
Просмотров:
55
4750
руб.
🛒 Купить работу
Не подходит эта работа?
Закажите новую по вашим требованиям
Узнать цену на написание
Закажите новую по вашим требованиям
Представленный материал является образцом учебного исследования, примером структуры и содержания учебного исследования по заявленной теме. Размещён исключительно в информационных и ознакомительных целях.
Workspay.ru оказывает информационные услуги по сбору, обработке и структурированию материалов в соответствии с требованиями заказчика.
Размещение материала не означает публикацию произведения впервые и не предполагает передачу исключительных авторских прав третьим лицам.
Материал не предназначен для дословной сдачи в образовательные организации и требует самостоятельной переработки с соблюдением законодательства Российской Федерации об авторском праве и принципов академической добросовестности.
Авторские права на исходные материалы принадлежат их законным правообладателям. В случае возникновения вопросов, связанных с размещённым материалом, просим направить обращение через форму обратной связи.
Настоящий учебно-методический информационный материал размещён в ознакомительных и исследовательских целях и представляет собой пример учебного исследования. Не является готовым научным трудом и требует самостоятельной переработки.
📋 Содержание
Аннотация
ВВЕДЕНИЕ 5
1 ТЕХНОЛОГИИ СТЕГАНОГРАФИИ ИЗОБРАЖЕНИЙ 7
1.1 Цель и задачи 7
1.2 Методы, основанные на избыточности визуальной информации 8
1.3 Методы использующие матрицы промежуточных вычислений
процесса сжатия графической информации 15
1.3.1 Метод сокрытия, основанный на вейвлет преобразовании 15
1.3.2 Метод сокрытия, основанный на косинусном преобразовании . 16
1.4 Нейросетевые подходы внедрения водяных знаков 17
1.4.1 Общее сравнение 17
1.4.2 Метод на основе глубоких нейронных сетей 18
1.5 Выбор среды разработки 19
1.6 Выводы по разделу 20
2 МАТЕМАТИЧЕСКАЯ МОДЕЛЬ НЕЙРОННОЙ СЕТИ ДЛЯ
ВСТРАИВАНИЯ ВОДЯНОГО ЗНАКА 21
2.1 Математическая постановка задачи 21
2.2 Кодирование JPEG-изображений 23
2.3 Структура нейронной сети 24
2.3.1 Общая архитектура 24
2.3.2 Слой инвариантности 25
2.3.3 Структура сети кодировщика и декодера 27
2.3.4 Структура сети встраивателя и экстрактора 28
2.3.5 Функция потерь 29
2.4 Выводы по разделу 30
3 РАЗРАБОТКА И ИССЛЕДОВАНИЕ АЛГОРИТМОВ СТЕГАНОГРАФИИ
JPEG-ИЗОБРАЖЕНИЙ 31
3.1 Подготовка наборов данных 31
3.2 Встраивание в коэффициенты DCT 31
3.3 Схемы алгоритмов 34
3.3.1 Алгоритм обучения нейронной сети 34
3.3.2 Алгоритм встраивания водяного знака 36
3.3.3 Алгоритм экстрактора 37
3.3.4 Обучение и тестирование предлагаемой модели 38
3.4 Выводы по разделу 49
ЗАКЛЮЧЕНИЕ 50
БИБЛИОГРАФИЧЕСКИЙ СПИСОК 51
ПРИЛОЖЕНИЯ
ПРИЛОЖЕНИЕ 1. Модуль «my_jpeg»
ПРИЛОЖЕНИЕ 2. Модуль «embed»
ПРИЛОЖЕНИЕ 3. Модуль «extract»
ВВЕДЕНИЕ 5
1 ТЕХНОЛОГИИ СТЕГАНОГРАФИИ ИЗОБРАЖЕНИЙ 7
1.1 Цель и задачи 7
1.2 Методы, основанные на избыточности визуальной информации 8
1.3 Методы использующие матрицы промежуточных вычислений
процесса сжатия графической информации 15
1.3.1 Метод сокрытия, основанный на вейвлет преобразовании 15
1.3.2 Метод сокрытия, основанный на косинусном преобразовании . 16
1.4 Нейросетевые подходы внедрения водяных знаков 17
1.4.1 Общее сравнение 17
1.4.2 Метод на основе глубоких нейронных сетей 18
1.5 Выбор среды разработки 19
1.6 Выводы по разделу 20
2 МАТЕМАТИЧЕСКАЯ МОДЕЛЬ НЕЙРОННОЙ СЕТИ ДЛЯ
ВСТРАИВАНИЯ ВОДЯНОГО ЗНАКА 21
2.1 Математическая постановка задачи 21
2.2 Кодирование JPEG-изображений 23
2.3 Структура нейронной сети 24
2.3.1 Общая архитектура 24
2.3.2 Слой инвариантности 25
2.3.3 Структура сети кодировщика и декодера 27
2.3.4 Структура сети встраивателя и экстрактора 28
2.3.5 Функция потерь 29
2.4 Выводы по разделу 30
3 РАЗРАБОТКА И ИССЛЕДОВАНИЕ АЛГОРИТМОВ СТЕГАНОГРАФИИ
JPEG-ИЗОБРАЖЕНИЙ 31
3.1 Подготовка наборов данных 31
3.2 Встраивание в коэффициенты DCT 31
3.3 Схемы алгоритмов 34
3.3.1 Алгоритм обучения нейронной сети 34
3.3.2 Алгоритм встраивания водяного знака 36
3.3.3 Алгоритм экстрактора 37
3.3.4 Обучение и тестирование предлагаемой модели 38
3.4 Выводы по разделу 49
ЗАКЛЮЧЕНИЕ 50
БИБЛИОГРАФИЧЕСКИЙ СПИСОК 51
ПРИЛОЖЕНИЯ
ПРИЛОЖЕНИЕ 1. Модуль «my_jpeg»
ПРИЛОЖЕНИЕ 2. Модуль «embed»
ПРИЛОЖЕНИЕ 3. Модуль «extract»
📖 Аннотация
В данной работе разработан алгоритм стеганографии на основе глубоких нейронных сетей для скрытого встраивания цифровых водяных знаков в изображения формата JPEG. Актуальность исследования обусловлена необходимостью защиты авторских прав и интеллектуальной собственности в цифровой среде, где широко распространено несанкционированное копирование и распространение графического контента. В качестве основных результатов представлены оригинальная архитектура сверточной нейронной сети, а также алгоритмы обучения, встраивания и извлечения водяного знака, демонстрирующие устойчивость к JPEG-сжатию с уровнем качества 85%, при котором ошибка извлечения (BER) составляет 3,2%. Научная значимость работы заключается в адаптации нейросетевого подхода к особенностям JPEG-формата, а практическая — в создании инструмента для скрытой маркировки изображений. В обзоре литературы анализируются фундаментальные труды по цифровой стеганографии (Ши, Грибунин), методы, устойчивые к аффинным преобразованиям и сжатию (Канг и др.), а также нейросетевые модели встраивания информации.
📖 Введение
В настоящее время интернет располагает огромным количеством информации, представленной в виде изображений, достаточно большая доля которых защищена авторским правом. По этой причине задача защиты изображений от несанкционированного использования является актуальной.
К числу эффективных современных методов защиты информации относятся методы компьютерной стеганографии, использование которых позволяет обеспечить скрытое хранение и передачу информации. Стеганографические системы активно используются для защиты конфиденциальной информации от несанкционированного доступа, преодоления систем мониторинга и управления сетевыми ресурсами, защиты авторских прав на различные виды интеллектуальной собственности. Применение компьютерной стеганографии является одним из возможных путей защиты авторских прав и противодействия пиратству.
В то время как основная концентрация стеганографической системы - это незаметность для человеческого зрения, а также неразличимость для компьютерного анализа, система водяных знаков изображения часто контролирует надежность в качестве своего приоритета. Однако на практике надежные системы водяных знаков изображений часто извлекают водяной знак приблизительно при злонамеренных атаках и применяют различные методы кодирования для восстановления [1, 2]. Традиционные схемы
водяных знаков изображений вручную разрабатывают алгоритмы встраивания и извлечения водяных знаков. Например, стратегии, основанные на «наименьших значащих битах» Least Significant Bits (LSB), помещают водяной знак на обложку изображения с помощью подстановок битов или других математических операций [1, 3]. Хотя тривиальная замена
обеспечивает невидимость, методы, основанные на LSB, менее надежны и могут быть легко выявлены статистическим анализом.
В данной работе мы разрабатываем автоматизированную систему встраивания водяных знаков в JPEG-изображения, основанную на использовании моделей глубокого обучения при изучении правил встраивания водяных знаков, с учетом особенностей кодирования самого изображения.
В первой главе описаны цели и задачи, сгруппированы существующие стеганографические методы встраивания водяных знаков в изображения. Во второй главе описывается математическая постановка задачи, структура нейронной сети, функции активации, целевая функция, разбор этапов JPEG- кодирования. В третьей главе представлены результаты проделанной работы, а именно: схемы алгоритмов разработанных программ, алгоритм обучения нейронной сети, описание и примеры проведенных экспериментов.
К числу эффективных современных методов защиты информации относятся методы компьютерной стеганографии, использование которых позволяет обеспечить скрытое хранение и передачу информации. Стеганографические системы активно используются для защиты конфиденциальной информации от несанкционированного доступа, преодоления систем мониторинга и управления сетевыми ресурсами, защиты авторских прав на различные виды интеллектуальной собственности. Применение компьютерной стеганографии является одним из возможных путей защиты авторских прав и противодействия пиратству.
В то время как основная концентрация стеганографической системы - это незаметность для человеческого зрения, а также неразличимость для компьютерного анализа, система водяных знаков изображения часто контролирует надежность в качестве своего приоритета. Однако на практике надежные системы водяных знаков изображений часто извлекают водяной знак приблизительно при злонамеренных атаках и применяют различные методы кодирования для восстановления [1, 2]. Традиционные схемы
водяных знаков изображений вручную разрабатывают алгоритмы встраивания и извлечения водяных знаков. Например, стратегии, основанные на «наименьших значащих битах» Least Significant Bits (LSB), помещают водяной знак на обложку изображения с помощью подстановок битов или других математических операций [1, 3]. Хотя тривиальная замена
обеспечивает невидимость, методы, основанные на LSB, менее надежны и могут быть легко выявлены статистическим анализом.
В данной работе мы разрабатываем автоматизированную систему встраивания водяных знаков в JPEG-изображения, основанную на использовании моделей глубокого обучения при изучении правил встраивания водяных знаков, с учетом особенностей кодирования самого изображения.
В первой главе описаны цели и задачи, сгруппированы существующие стеганографические методы встраивания водяных знаков в изображения. Во второй главе описывается математическая постановка задачи, структура нейронной сети, функции активации, целевая функция, разбор этапов JPEG- кодирования. В третьей главе представлены результаты проделанной работы, а именно: схемы алгоритмов разработанных программ, алгоритм обучения нейронной сети, описание и примеры проведенных экспериментов.
✅ Заключение
Цель данной работы состояла в разработке системы, позволяющей встраивать водяные знаки в изображения формата JPEG, а также извлекать их.
В соответствии с целью, в первой главе данной работы проведен обзор существующих решений в области внедрения водяных знаков. Выявлены достоинства и недостатки методов в рамках поставленной задачи и на основании этого был сделан выбор подходящей модели.
Во второй главе сформулирована постановка задачи, описана архитектура нейронной сети. Рассмотрен метод обучения нейронной сети, ее функции активации и функция потерь. Выбраны и описаны метрики для оценки качества работы нейронной сети.
В третьей главе представлены алгоритмы обучения нейронной сети. Была обучена нейронная сеть и получены значения метрик качества. Также программа была успешно протестирована на тестовой выборке.
В ходе данной работы были разработаны:
1) структура нейронной сети;
2) архитектура сверточных слоев;
3) алгоритм обучений нейронной сети;
4) алгоритмы внедрения и извлечения водяного знака;
5) методика проведения экспериментов.
Проведены эксперименты для выявления воздействий различных искажений на качество извлечения водяного знака. Приоритетным было изучение воздействия JPEG-кодирования, выявлено что метод при JPEG- сжатии на 15% процентов BEER-ошибка извлечения водяного знака составила 3,2%.
В соответствии с целью, в первой главе данной работы проведен обзор существующих решений в области внедрения водяных знаков. Выявлены достоинства и недостатки методов в рамках поставленной задачи и на основании этого был сделан выбор подходящей модели.
Во второй главе сформулирована постановка задачи, описана архитектура нейронной сети. Рассмотрен метод обучения нейронной сети, ее функции активации и функция потерь. Выбраны и описаны метрики для оценки качества работы нейронной сети.
В третьей главе представлены алгоритмы обучения нейронной сети. Была обучена нейронная сеть и получены значения метрик качества. Также программа была успешно протестирована на тестовой выборке.
В ходе данной работы были разработаны:
1) структура нейронной сети;
2) архитектура сверточных слоев;
3) алгоритм обучений нейронной сети;
4) алгоритмы внедрения и извлечения водяного знака;
5) методика проведения экспериментов.
Проведены эксперименты для выявления воздействий различных искажений на качество извлечения водяного знака. Приоритетным было изучение воздействия JPEG-кодирования, выявлено что метод при JPEG- сжатии на 15% процентов BEER-ошибка извлечения водяного знака составила 3,2%.
ИЛИ
Поиск аналога
📕 Список литературы
🖼 Скриншоты
🛒 Оформить заказ
⚡ Работу высылаем в течении 5 минут после оплаты.