نهان‌نگاری مقاوم تصویر در برابر حملات هندسی با استفاده از بهینه‌سازی فاکتور مقیاس مبتنی بر مدل جانشین و جاسازی تطبیقی مبتنی بر یادگیری عمیق

مسعود پورمرادی; حمیدرضا  غفاری

نویسندگان

مسعود پورمرادی گروه مهندسی کامپیوتر، واحد فردوس، دانشگاه آزاد اسلامی، فردوس، ایران نویسنده https://orcid.org/0009-0009-1706-539X
حمیدرضا غفاری گروه مهندسی کامپیوتر، واحد فردوس، دانشگاه آزاد اسلامی، فردوس، ایران نویسنده مسئول https://orcid.org/0000-0003-0627-4080

کلمات کلیدی:

نهان‌نگاری تصویر, حملات هندسی, بهینه‌سازی فاکتور مقیاس, مدل جانشین, یادگیری عمیق, شبکه عصبی کانولوشنی

چکیده

نهان‌نگاری دیجیتال به‌عنوان راهکاری بنیادین برای حفاظت از حق نشر، همواره با چالش ذاتی برقراری تعادل میان شفافیت و مقاومت، به‌ویژه در برابر حملات هندسی، روبرو است. این تعادل حساس به‌شدت تحت تأثیر دو عامل کلیدی قرار دارد: انتخاب بهینه‌ی فاکتور مقیاس (قدرت جاسازی) و انتخاب هوشمندانه‌ی نواحی جاسازی. این مقاله یک چارچوب نهان‌نگاری ترکیبی و مقاوم برای تصاویر رنگی ارائه می‌دهد که با تلفیق راهبردی تحلیل هوشمند تصویر و بهینه‌سازی تسریع‌شده، به طور خاص برای مقابله با حملات چرخش طراحی شده است. روش پیشنهادی دو نوآوری اصلی را در خود ادغام می‌کند. نخست، یک شبکه‌ی عصبی کانولوشنی عمیق با معماری U-Net برای تولید یک نقشه‌ی وزن تطبیقی آموزش داده می‌شود. این شبکه، مستقل از فرآیند جاسازی، محتوای تصویر میزبان را تحلیل کرده و به‌طور خودکار نواحی با پیچیدگی بصری بالا (لبه‌ها و بافت‌ها) را شناسایی می‌کند. دوم، یک الگوریتم بهینه‌سازی ازدحام ذرات (PSO) که توسط یک مدل جانشین مبتنی بر درخت رگرسیون هدایت می‌شود، برای یافتن مقدار بهینه‌ی فاکتور مقیاس به‌کار می‌رود. این رویکرد با جایگزینی ارزیابی‌های پرهزینه‌ی تابع واقعی با یک تخمین‌گر سریع، شتاب چشمگیری به فرآیند بهینه‌سازی می‌بخشد. در نهایت، یک جاسازی کاملاً تطبیقی با تلفیق نقطه‌ای فاکتور مقیاس بهینه و نقشه‌ی وزن محلی در زیرباند تقریبی تبدیل موجک گسسته (DWT) انجام می‌شود. نتایج تجربی بر روی تصاویر استاندارد، کارایی برجسته‌ی روش را تأیید می‌کنند. این روش با دستیابی به میانگین PSNR بالای 38 دسی‌بل و ضریب همبستگی نرمال‌شده (NC) بالای 98% پس از اعمال هم‌زمان حمله‌ی چرخش و فشرده‌سازیJPEG ، پیشرفت قابل‌توجهی را نسبت به روش‌های پیشین به نمایش گذاشته و تعادل میان شفافیت و مقاومت را به نحوی مؤثر برقرار می‌سازد.

مراجع

[1] D. K. Mahto, A. J. C. Singh, and E. Engineering, A survey of color image watermarking: State-of-the-art and research directions, vol. 93, p. 107255, 2021.

[2] W. Wan, J. Wang, Y. Zhang, J. Li, H. Yu, and J. J. N. Sun, A comprehensive survey on robust image watermarking, 2022.

[3] N. Zermi, A. Khaldi, R. Kafi, F. Kahlessenane, and S. J. F. S. I. Euschi, A DWT-SVD based robust digital watermarking for medical image security, vol. 320, p. 110691, 2021.

[4] M. Begum and M. S. J. I. Uddin, Digital image watermarking techniques: a review, vol. 11, no. 2, p. 110, 2020.

[5] S. D. Degadwala, M. Kulkarni, D. Vyas, and A. J. P. C. S. Mahajan, Novel image watermarking approach against noise and RST attacks, vol. 167, pp. 213-223, 2020.

[6] A. M. Cheema, S. M. Adnan, and Z. J. I. A. Mehmood, A novel optimized semi-blind scheme for color image watermarking, vol. 8, pp. 169525-169547, 2020.

[7] A. K. Abdulrahman, S. J. M. T. Ozturk, and Applications, A novel hybrid DCT and DWT based robust watermarking algorithm for color images, vol. 78, no. 12, pp. 17027-17049, 2019.

[8] K. Fares, A. Khaldi, K. Redouane, E. J. B. S. P. Salah, and Control, DCT & DWT based watermarking scheme for medical information security, vol. 66, p. 102403, 2021.

[9] L. Zhu, X. Wen, L. Mo, J. Ma, and D. J. O. Wang, Robust location-secured high-definition image watermarking based on key-point detection and deep learning, vol. 248, p. 168194, 2021.

[10] S. Sharma, S. Choudhary, V. K. Sharma, A. Goyal, and M. M. Balihar, Image Watermarking in Frequency Domain using Hu’s Invariant Moments and Firefly Algorithm, 2022.

[11] T. J. a. p. a. Bartz-Beielstein, Surrogate Model Based Hyperparameter Tuning for Deep Learning with SPOT, 2021.

[12] I. J. Cox, Kilian, J., Leighton, F. T., & Shamoon, T, Secure spread spectrum watermarking for multimedia, IEEE Transactions on Image Processing, vol. 6 pp. 1673-1687 1997.

[13] S. D. Lin, Shie, S. C., & Guo, J. Y, Improving the robustness of DCT-based image watermarking against JPEG compression, Computer Standards & Interfaces, vol. 32 pp. 54-60 2010.

[14] Q. Su, Wang, G., Jia, S., Zhang, X., Liu, Q., & Liu, X, Embedding color image watermark in color image based on two-level DCT. , Signal, Image and Video Processing,, vol. 9, pp. 991-1007, 2015.

[15] M. Gupta, Parmar, G., Gupta, R., & Saraswat, M Discrete wavelet transform-based color image watermarking using uncorrelated color space and artificial bee colony., International Journal of Computational Intelligence Systems, vol. 8, pp. 364-380 2015.

[16] K. J. Giri, Bashir, R., & Peer, M. A A block based watermarking approach for color images using discrete wavelet transformation, International Journal of Information Technology, vol. 10 pp. 139-146, 2018.

[17] N. Zermi, A. Khaldi, M. R. Kafi, F. Kahlessenane, S. J. M. Euschi, and Microsystems, Robust SVD-based schemes for medical image watermarking, vol. 84, p. 104134, 2021.

[18] A. Karmakar, A. Phadikar, B. S. Phadikar, G. K. J. J. o. k. s. u.-c. Maity, and i. sciences, A blind video watermarking scheme resistant to rotation and collusion attacks, vol. 28, no. 2, pp. 199-210, 2016.

[19] M. K. Pandey, Parmar, G., Gupta, R., & Sikander Non-blind Arnold scrambled hybrid image watermarking in YCbCr color space, Microsystem Technologies, 1-11. doi:10.1007/s00542-018-4162-1, 2018.

[20] S. Roy, & Pal, A. K A blind DCT based color watermarking algorithm for embedding multiple watermarks, AEU-International Journal of Electronics and Communications, vol. 72 pp. 149-161 2017.

[21] N. C. Sy, H. H. Kha, and N. M. J. I. J. M. L. C. Hoang, An efficient robust blind watermarking method based on convolution neural networks in wavelet transform domain, vol. 10, pp. 675-684, 2020.