مقاله نهان کاوي در تصاوير JPEG بر مبناي دسته بندي ويژگي هاي آماري و تصميم گيري دو مرحله اي که چکیده‌ی آن در زیر آورده شده است، در ۱۳۸۸ در پردازش علايم و داده ها از صفحه ۵۳ تا ۷۰ منتشر شده است.
نام: نهان کاوي در تصاوير JPEG بر مبناي دسته بندي ويژگي هاي آماري و تصميم گيري دو مرحله اي
این مقاله دارای ۱۸ صفحه می‌باشد، که برای تهیه‌ی آن می‌توانید بر روی گزینه‌ی خرید مقاله کلیک کنید.
کلمات مرتبط / کلیدی:
مقاله نهان کاوي تصاوير JPEG
مقاله حمله به پنهان نگاري
مقاله جاي گذاري در LSB
مقاله تطبيق LSB
مقاله دسته بندي ويژگي ها

نویسنده(ها):
جناب آقای / سرکار خانم: بيگ زاده مريم
جناب آقای / سرکار خانم: رضايي محمد
جناب آقای / سرکار خانم: جمالي دينان فاطمه السادات

چکیده و خلاصه‌ای از مقاله:
در اين مقاله روش جامعي براي نهان کاوي در تصاوير JPEG معرفي مي شود. در اين روش پس از بررسي دقيق اثر فرآيندهاي پنهان نگاري گوناگون بر مشخصات آماري تصوير، ويژگي هاي بهينه اي از تصوير استخراج مي شود که توانايي بالايي در ايجاد تمايز بين دو گروه تصاوير طبيعي و پنهان نگار دارند. علاوه بر استخراج ويژگي هاي بهينه، در يک تصميم گيري سلسله مراتبي دقت تشخيص به شکل قابل توجهي افزايش يافته است. در اين مقاله نشان مي دهيم که آمارگان مرتبه اول ضرايب DCT (مانند هيستوگرام) بيشتر در حمله به روش هاي پنهان نگاري جاي گذاري در LSB (مانند JSTEG، OUTGUESS،JPHide & Seek  وStegHide ) موفق تر از آمارگان مرتبه دوم (مانند انواع همبستگي ها) عمل مي کنند. همچنين مشخصات آماري مرتبه دوم در تشخيص ساير روش هاي پنهان نگاري در حوزه ضرايب DCT (بالاخص روش هاي تطبيق LSB، روش MB1،SSIS  و روش مبتني بر کوانتيزيشن) عملکرد بهتري از مشخصات آماري مرتبه اول دارند. علاوه بر آن، روش نهان کاوي معرفي شده با نگاه جامع به انواع روش هاي پنهان نگاري موجود، مشخص مي کند که نقاط ضعف هر يک در مقابل حملات آماري گوناگون چيست و چگونه مي توان به روش هاي جاسازي امن تر دست پيدا کرد. نتايج تجربي نشان مي دهد که دقت اين روش در مقايسه با روش هاي رقيب، بهتر بوده و در عين حال از جامعيت و تعميم پذيري بالاتري برخوردار است. آزمايش ها روي مجموعه دوهزارتايي از تصاوير JPEG با ضرايب کيفيت متنوع انجام شده و روش معرفي شده، قادر بوده است که شش روش پنهان نگاري معمول (JSteg، OutGuess، F5، MB1،Sequential LSB matching  وRandom LSB Matching ) را با دقت بيش از ۸۰% در نرخ هاي جاسازي بيش از ۲۰% تشخيص دهد. طبقه بندي کننده هاي مورد استفاده براي طبقه بندي از نوع SVM هستند.