دانلود ترجمه مقاله مدل های غنی برای استخراج اطلاعات از تصاویر دیجیتالی
ترجمه در قالب فایل Word و قابل ویرایش میباشد
سال انتشار:2010
تعداد صفحه ترجمه:28
تعداد صفحه فایل انگلیسی:16
موضوع انگلیسی :Rich Models for Steganalysis of Digital Images
موضوع فارسی:دانلود ترجمه مقاله مدل های غنی برای استخراج اطلاعات از تصاویر دیجیتالی
چکیده انگلیسی:Abstract—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 non-linear 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, edgeadaptive
algorithm by Luo et al. [32], and optimallycoded
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.
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.
