مقاله پنهان شکنی و کشف اطلاعات در تصاویر JPEG با استفاده از ماتریس همرخدادی و شبکه عصبی

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

  مقاله پنهان شکنی و کشف اطلاعات در تصاویر JPEG با استفاده از ماتریس همرخدادی و شبکه عصبی دارای ۸ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد مقاله پنهان شکنی و کشف اطلاعات در تصاویر JPEG با استفاده از ماتریس همرخدادی و شبکه عصبی  کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه  و مراکز دولتی می باشد.

توجه : در صورت  مشاهده  بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل ورد می باشد و در فایل اصلی مقاله پنهان شکنی و کشف اطلاعات در تصاویر JPEG با استفاده از ماتریس همرخدادی و شبکه عصبی،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن مقاله پنهان شکنی و کشف اطلاعات در تصاویر JPEG با استفاده از ماتریس همرخدادی و شبکه عصبی :

تعداد صفحات:۸

چکیده:

ماتریس هم رخدادی تصاویرGLCM ماتریسی است که در بردارنده اطلاعاتی در رابطه با ارتباط بین مقادیر پیکسهای مجاور دریک تصویر می باشد دراین مقاله بکمک بررسی و تحلیل ماتریس هم رخدادی در تصاویر پوشانه تصویری که حامل اطلاعات نباشد و گنجانه تصویری که حامل اطلاعات باشد متعدد متوجه تفاوت برخی از مقادیر ماتریس همرخدادی و همچنین کشف نظم و رابطه میان دو نوع تصویر پوشانه و گنجانه شدیم اختلاف برخی ازمقادیر ماتریس GLCM میان تصویر پوشانه و گنجانه تصویری یکسان بزرگ می باشد در حالیکه این اختلاف در دو تصویر گنجانه کوچک است در واقع با داشتن یک تصویر که اطلاعاتی در رابطه با ان نداریم یعنی نمیدانیم این تصویر حاوی اطلاعات مخفی شده می باشد یا خیر و همچنین با فرض اینکه تصویر ما یک گنجانه باشد نیز اطلاعی در رابطه با الگوریتم پنهان سازی اطلاعات و میزان اطلاعات مخفی شده نداریم برای اینکه تشخیص دهیم تصویر مورد نظر ما پوشانه است و با گنجانه ابتدا از تصویر اولیه GLCM می گیریم و سپس اطلاعاتی را در همان تصویر اولیه مخفی می کنیم و مجددا از این تصویر GLCM می گیریم سپس ویژگیهای مورد نظر که از دو ماتریس GLCM بدست امده را با هم مقایسه می کنیم در صورتیکه تفاوت انها زیاد باشد تصویر اولیه پوشانه می باشد و در صورتیکه تفاوت انها کم باشد تصویر اولیه گنجانه بوده است دربخش اول این مقاله مقدمه ای در رابطه با مطالعات و تحقیقات صورت گرفته ارائه و بررسی میشود در بخش دوم که کار اصلی انجام شده درمقاله می باشد نحوه استخراج و یژگی از ماتریس GLCM مورد بررسی قرارمی گیرد در بخش سوم شبکه عصبی که بعنوان طبقه بند مورد استفاده قرارگرفته است اموزش داده می شود در بخش چهارم نتایج حاصل از ازمیاش شبکه عصبی و تحلیل نتایج را خواهیم داشت و در بخش پنجمن نتیجه گیری از تحقیق ارائه خواهد شد.