كشف التلاعب التضفيري في الصور الرقمية

الباحث

آمنة طه قاسم العزاوي

المشرف

سندس خليل إبراهيم

الجامعة

جامعة الموصل

الكلية / القسم

كلية علوم الحاسوب والرياضيات / علوم الحاسوب

الشهادة

ماجستير

السنة

2022

لغة الرسالة

عربي

الكلمات المفتاحية

كشف التلاعب ; التضفير ; الصور الرقمية ; معالجة الصور

التطور الحاصل في عالمنا اليوم شمل جميع مرافق الحياة، ويفضل وجود الوسائط المتعددة اصبح التعامل مع الصور والمعلومات بشكل مباشر وسريع. في الوقت الحاضر زاد الاعتماد على الصور لأنها مباشرة ويمكن أن يفهم محتواها بسهولة دون الحاجة إلى ترجمتها من لغة إلى dal أخرى ، ويفضل التقدم الحاصل في مجال التصوير الرقمي زادت المعلومات التي يمكن الحصول عليها من الصور الرقمية فضلا عن أنه أصبحت عملية التلاعب بالصور عملية سهلة وذلك من خلال استخدام العديد من برامج التحريرء وإن التزوير في الصور من نوع ريط الصورة الرقمية هو أحد أكثر الأنواع شيوعا والأصعب WES . تهدف الرسالة إلى تصميم نظام حاسوبي للكشف عن التزوير في الصور الرقمية يكون له القدرة على التعامل مع مختلف أنواع تنسيقات الصور والحصول على أفضل دقة كشف عن التزوير وتحديد موقع التزوير في الصور الرقمية والتغلب على نقاط الضعف في أنظمة الكشف عن التزوير السابقة . تم في هذه الرسالة بناء نظام الكشف عن التزوير في الصور الرقمية باستخدام( قاعدتي بيانات(0.2 77 04514, 0.1 (CASIA V تم الحصول عليها من الموقع الرسمي الرصين Kaggle وتمت البرمجة باستخدام لغة بايثون0233/00173.7) من خلال استخدام اثنين من تقنيات الكشف عن التزويرء تشمل التقنية الأولى التقنيات التقليدية للكشف عن التزوير في الصور الرقمية إذ بلغت دقة الكشف 55% مع مصنف AN دعم المتجهات SVM وذلك بالاعتماد على قاعدة بيانات0.1 CASIA V ، بينما بلغت دقة الكشف 4190 مع مصنف الغابة العشوائية RF ونظرا لقلة دقة الكشف التي تم الحصول عليها باستخدام الطرائق التقليدية لذا فقد تم استخدام التقنية الثانية بالاعتماد على طرائق التعلم العميق لأنه يؤدي دورا فعالا في جميع حقول الرؤية الحاسوبية وبخاصة في عملية كشف pag ill في الصور الرقمية إذ اندمجت في أساليب تعلم الآلة و التعلم العميق كل من مرحلة استخراج الميزات والتصنيف وذلك لقدرتها على التعلم تلقائياء إذ تبين أن الأساليب المعتمدة على التعلم العميق تعطي نتائج أكثر دقة من الطرائق التقليدية. لذا فقد تم بناء النظام باستخدام التقنيات القائمة على التعلم العميق إذ تم استخدام اثنتين من الاستراتيجيات ، تم في الاستراتيجية الأولى بناء الشبكة العصبية الالتفافية CNN ، فعند تطبيق الاستراتيجية الأولى على قاعدة بيانات 0.1 CASIA V وصلت دقة الكشف بالاعتماد على بيانات الاختبار 97% ، وعند استخدام قاعدة البيانات 0.2 CASITA V فقد cubis الاستراتيجية دقة كشف وصلت 99% وتم في الاستراتيجية الثانية لتقنيات الكشف القائمة على التعلم العميق استخدام شبكة 6 مع استخدام اثنين من المصنفات (مصنف آلة دعم المتجهات SVM ومصنف الغابة العشوائية (RF فعند تطبيق الاستراتيجية الثانية على قاعدة بيانات 5770.1 CASIA وصلت دقة الكشف 92% مع مصنف Al] دعم المتجهات SVM ، بينما بلغت دقة الكشف 89% مع مصنف الغابة العشوائية RF ، كذلك تم تطبيق الاستراتيجية الثانية على قاعدة بيانات 0.2 CASIA V وصلت دقة الكشف 94% مع مصنف آلة دعم المتجهات SVM ، بينما بلغت دقة الكشف 92% مع مصنف الغابة العشوائية RF .

The development taking place in our world today includes all aspects of life, especially multimedia, and makes dealing with images and information directly and quickly. Nowadays, reliance on images has increased because they are direct and their content can be easily understood without the need to translate them from one language to another. Thanks to the progress made in the field of digital photography, the information that can be obtained from digital images has increased, as well as the process of manipulating images has become an easy and professional process through many editing programs. . Verifying the authenticity of digital images has become so important that the need for fraud detection techniques has increased. The thesis aims to design a computer system to detect Tamper in digital images that has the ability to deal with various types of image formats and obtain the best accuracy in detecting Tamper, locating Tamper in digital images, and overcoming weaknesses in previous Tamper detection systems. In this message, a digital image Tamper detection system was built using two databases (CASIA V 0.1, CASIA V 0.2) obtained from the sober official Kaggle website, programmed using Python 3.7 through the use of two detection techniques. Counterfeiting The first technique includes traditional techniques for detecting Tamper in digital images, The CASIA V 0.1 database was relied upon, with an accuracy of 55% detection with SVM vector support machine classifier While the detection accuracy reached 41% with the RF random forest classifier, Therefore, the second technique has been used based on deep learning methods because it plays an effective role in all fields of computer vision, especially in the process of detecting fraud in digital images. As it was merged into the machine learning and deep learning methods, both the feature extraction and classification stage, due to its ability to learn automatically, as it was found that the methods based on deep learning give more accurate results than the traditional methods. Therefore, the system was built using techniques based on deep learning, where two strategies were used. In the first strategy, the convolutional neural network (CNN) was built from scratch. When applying The first strategy on the CASIA V0.1 database reached a detection accuracy of 97% based on the test data, and when using the CASIA V 0.2 database, the strategy achieved a detection accuracy of 99%. In the second strategy for detection techniques based on deep learning, , the VGG16 network model was used. In the classification stage, two classifiers were used (SVM classifier and RF random forest classifier). When applying the second strategy on CASIA V0.1 database, the detection accuracy reached 92% with the SVM classifier, while the detection accuracy reached 89% with the RF random forest classifier. The second strategy was also applied to the CASIA V 0.2 database. The detection accuracy reached 94% with the SVM classifier, while the detection accuracy reached 92% with the RF random forest classifier.

طلب نسخة من الملف

الملفات غير منشورة على الموقع. اترك بياناتك وسيتواصل معك موظفو قسم الشؤون الثقافية والفنون لإرسال النسخة مجاناً.

الاسم

رقم الهاتف

البريد الإلكتروني

الغرض من الطلب (اختياري)

إرسال الطلب