واترمارکینگ برگشت‌پذیر تصویر مبتنی بر حوزه دوگانه عصبی-موجکی با پنهان‌سازی داده‌های پرظرفیت و پیش‌بینی عصبی موجک-راهبر

واترمارکینگ برگشت‌پذیر تصویر مبتنی بر حوزه دوگانه عصبی-موجکی با پنهان‌سازی داده‌های پرظرفیت و پیش‌بینی عصبی موجک-راهبر

سیمین منصوری بروجنی1 ایوب طاهری2

1) گروه آمار، دانشگاه پيام نور، صندوق پستي 4697-19395، تهران، ايران،
2) گروه مهندسي کامپيوتر، دانشکده فناوري اطلاعات، دانشگاه پيام نور، صندوق پستي 4697-19395، تهران، ايران،

کد IOI مقاله : ACCA-ACAZGK
محل انتشار : چهارمین کنگره بین المللی علوم، مهندسی و فن آوری های نو(secongress.com)
چکیده :
    این مقاله واترمارکینگ برگشت‌پذیر دوگانه‌حوزه‌ای عصبی-موجکی (DDN-RW) را معرفی می‌کند؛ چارچوبی ترکیبی که تحلیل موجکی چندتفکیکی و پیش‌بینی مکانی مبتنی بر یادگیری عمیق را به‌هم پیوند می‌زند. رویکرد ما با تلفیق تجزیه تبدیل موجک گسسته دوسطحی (2-Level DWT) و شبکه عصبی مصنوعی پس‌انتشار (ANN)، نقشه‌های پیش‌بینی بسیار دقیقی را بر تقریب‌های ساختاری کم‌فرکانس (LL2) تولید می‌کند و در همان حال، نوفه باقی‌مانده را در زیرباندهای جهت‌دار پرفرکانس (LH، HL، HH) جدا می‌سازد. اعتبارسنجی تجربی نشان می‌دهد که DDN-RW به‌طور چشمگیری از روش‌های ANN صرفاً مکانی و واترمارکینگ DWT صرفاً فرکانسی پیشی می‌گیرد و به نسبت اوج سیگنال به نوفه (PSNR) بیش از ۴۸ دسی‌بل در ظرفیت بار ۰٫۵ بیت بر پیکسل (bpp)، همراه با برگشت‌پذیری کامل و بیت-دقیق، دست می‌یابد.

کلمات کلیدی : عصبی موجکی دوگانه‌حوزه‌ای واترمارکینگ تصویر دیجیتال پنهان‌سازی داده‌های پرظرفیت پیش‌بینی عصبی موجک راهبر