بخشی از مقاله
در محیط رو بهرشد اینترنت، حفاظت از حقنشر و اعتبارسنجی محتواهای چندرسانهای یکی از چالشهای بزرگ است که نهاننگاری یکی از بهترین روشهای تامین آن میباشد. تبدیل موجک بهدلیل ویژگیهای منحصربهفرد آن بهوفور در نهاننگاری استفاده شده و نتایج خوبی بهواسطه آن حاصل شده است. با توجه به عملکرد خوب موجک ، انواع توسعههای موجک مانند موجکهای چندجهته که اخیرا معرفی شدهاند نیز در طرحهای نهاننگاری بهکار گرفته شدهاند. در این مقاله یک طرح ترکیبی با استفاده از تبدیلهای موجک و قیچک گسسته در کنار روش تجزیه ماتریسی مقادیر تکین ارائه شده است. بهمنظور امنیت بیشتراز نگاشت آرنولد جهت رمزگذاری استفاده میشود.
در این روش تصاویر میزبان و نهاننگاره توسط قیچک گسسته تجزیه و سپس بهترین زیرباند ازطریق آنتروپی انتخاب و توسط موجک گسسته تجزیه میشود. تجزیه مقدار تکین روی زیرباند فرکانس پایین اعمال و جاسازی نهاننگاره با افزودن مقادیر تکین نهاننگاره به مقادیر تکین میزبان انجام میگیرد. این روش روی تصاویر محک آزمایش و نتایج آن گزارش شده است. بررسی نتایج و مقایسه آن با روشهای دیگر نشان میدهد که این روش ترکیبی با بهرهگیری همزمان از ویژگیهای موجک و قیچک توانسته است علاوه بر تامین شفافیت، در برابر طیف گستردهای از انواع حملههای هندسی و پردازش تصویری مقاوم باشد.
.1 مقدمه
رشد سریع اینترنت و در دسترسبودن دادههای دیجیتالی - شامل تصویر، صوت و ویدئو - ، همچنین توسعه انواع ابزارهای ویرایش داده، موجب شده است که اعمال انتشار، ذخیره، کپی غیرمجاز، مداخله و تغییر دادن حقنشر این محتواهای چندرسانهای بهسادگی صورت پذیرد. بهمنظور حفظ امنیت محتواهای چندرسانهای، ارائه راهکارهایی برای حل این مشکلات ضروری است. یکی از راهحلهای مناسب، نهاننگاری میباشد که بهطور گسترده برای حفظ حقنشر، اعتبارسنجی محتوا، مالکیت مشروع و ارتباط امن استفاده میشود .[1] نهاننگاری دیجیتالی به فرآیند جاسازی نهاننگاره، که معمولا لوگویی به شکل امضای مالک یا لوگوی شرکت است در یک سیگنال میزبان گفته میشود.
لازم به ذکر است که در برخی متون علمی از واژه نشانهگذاری بهجای نهاننگاری استفاده میشود. عمل جاسازی باید طوری صورت گیرد که درج نهاننگاره هیچ اثر قابل مشاهدهای بر سیگنال میزبان نداشته باشد. همچنین روش نهاننگاری باید بتواند در مقابل انواع دستکاریها از نهاننگاره محافظت کند. پس از مرحله جاسازی، نهاننگاره طی فرآیند استخراج از سیگنال نهاننگاریشده بازیابی میشود. از میان نهاننگاریهای صوت، تصویر و ویدئو، نهاننگاری تصویر بهدلیل استفاده بیشتر تصاویر، رایجترین نوع نهاننگاری است که در آن سیگنال میزبان، یک تصویر میباشد. نهاننگاری بهمنظور اهداف متفاوتی مانند نظارت بر چندپخشی، اعتبارسنجی و تعیین مالکیت بهکار گرفته میشود .[2]
هر سیستم نهاننگاری باید حداقل ویژگیهای مقاومت، شفافیت، ظرفیت و امنیت را داشته باشد. مقاومت روش نهاننگاری، به توانایی تصویر نهاننگاریشده در حفظ نهاننگاره پس از اعمال انواع حملهها به آن میباشد. روشهای نهاننگاری از نظر این ویژگی به سه گروه مقاوم، شکننده و نیمهشکننده تقسیم میشوند. شباهت ادراکی میان تصویر میزبان و تصویر نشانهگذاریشده، شفافیت و یا نامرئیبودن نام دارد. نامرئیبودن بدین معنا است که درج نهاننگاره در روشهای نشانهگذاری باید بهگونهای انجام شود که اثر قابلمشاهدهای بر تصویر میزبان نداشته باشد. به تعداد بیتهای نهاننگاره که در تصویر میزبان جاسازی میشود، ظرفیت گفته میشود. این ویژگیهای اساسی در تقابل با یکدیگر هستند.
برای مثال، رابطه مقاومت و شفافیت که دو ویژگی مهم روشهای نشانهگذاری هستند، عکس یکدیگر است. بدین صورت که با افزایش شفافیت نهاننگاری، مقاومت آن در مقابل حملهها کاهش یافته و با کاهش آن، مقاومت بهبود مییابد. بنابراین روشهای نهاننگاری باید بهگونهای طراحی شوند که میان این دو ویژگی تعادل برقرار کنند. یکی از راههای برقراری این توازن استفاده از ضریبی بهنام ضریب مقیاس* است که در فرمولهای جاسازی و استخراج بهکار گرفته میشود. چالش اصلی در نشانهگذاری، ایجاد طرحی است که علاوه بر شفافیت، دربرابر انواع حملهها نیز مقاوم باشد .
روشهای نهاننگاری را میتوان باتوجه به نحوه استخراج نهاننگاره، به سه دسته کور، نیمهکور و غیرکور تقسیمبندی کرد. در روش کور برای استخراج نهاننگاره به تصویر اصلی و تصویر نهاننگاره نیازی نیست، درحالیکه در دسته نیمهکور به اطلاعات نهاننگاره و اطلاعات مکمل برای استخراج نیاز است. در روش غیرکور نیز به تصویر میزبان و گاه اطلاعات نهاننگاره نیاز است .[2] طبقهبندی دیگر روشهای نهاننگاری براساس حوزه درج نهاننگاره است که آنها را به دو حوزه تصویر و فرکانس تقسیم میکنند.
در روشهای حوزه تصویرکه طرحهای اولیه نشانهگذاری در این حوزه معرفی شدند، نهاننگاره با تغییر مقادیر پیکسلهای تصویر میزبان بهطور مستقیم جاسازی میشود. روشهای حوزه تصویر از نظر محاسباتی هزینه کمتر و پیادهسازی سادهای دارند اما ظرفیت کم و شفافیت پایینی داشته و درمقابل حملهها شکنندهاند. الگوریتمهای حوزه فرکانس، نهاننگاره را بهوسیله تغییر اندازه ضرایب تصویر در حوزه فرکانسی جاسازی میکنند. اینگونه روشها قابلیت جای دادن اطلاعات بیشتری داشته و مهمتر از آن اینکه دربرابر حملههای پردازش تصویر و دستکاریهای بدخواهانه مقاومت بیشتری دارند. تبدیل فوریه گسسته - DFT - ، تبدیل کسینوسی گسسته - DCT - ، تبدیل موجک گسسته - DWT - و تجزیه مقدار تکین - **SVD - از تبدیلهای پرکاربرد در حوزه فرکانس هستند [4]
داشتن ویژگیهای منحصربهفرد DWT مانند نمایش چندریزگی* نسبت به سایر تبدیلهای فرکانسی سبب شده است که از آن در اغلب تحقیقات نشانهگذاری و پردازش تصویر استفاده شود. نمایش چندریزگی به توانایی تجزیه یک سیگنال به جزئیات کوچک و کوچکتر است. ویژگی مهم دیگر DWT شباهت آن به سیستم بینایی انسان و درنتیجه مدلسازی بهتر آن میباشد .[3] سالهای پس از معرفی موجک، تبدیلهای مختلفی مبتنی بر آن ایجاد شد که درواقع توسعهای بر موجک کلاسیک هستند و هریک بهمنظور رفع محدودیت و بهبود تبدیل موجک طراحی شدهاند. تجزیه بسته موجک ، تبدیل چندموجکه و تبدیل موجک گسسته افزونه** نمونهای از توسعههای موجک میباشند. برای آشنایی با این تبدیلها میتوان به پژوهش [3] رجوع کرد.
تبدیل موجک چارچوب مناسبی برای تحلیل چندریزگی میباشد که در ارتباط با تکینهای نقطهای کارایی بالایی دارند. اما بهعلت داشتن محدودیت جهت در ساختار فیلترینگ آن و اینکه در ابعاد بالاتر معمولا انواع دیگر تکینها ارائه میشوند، برای نمایش دقیق اینگونه دادهها به عبارتهای زیادی توسط آن نیاز است. از اینرو در سال های اخیر توسعه جدیدی از موجکها به نام موجکهای چندجهته برای غلبه بر این محدودیت موجک ارائه شدهاند که از تبدیلهای آن میتوان به موجکهای پیچیده ، مرزک ها، تیغک ها، پیچک ***ها، قیچک ها، براشلت ها و بندلت ها اشاره این تبدیلها در کاربردهای مختلف مانند رفع نویز، فشردهسازی، قطعهبندی، بازیابی تصویر و استخراج ویژگی مورد استفاده قرار میگیرند.
تبدیل قیچک گسسته - ****DST - جهت بهبود روشهای موجود ارائه شده است و روش جدیدی از نمایش چندمقیاسه جهتی را در فضای گسسته فراهم میکند. توضیحات بیشتری در رابطه با موجکهای چندجهته در [3] بیان شده است که میتوان به آن رجوع کرد .[3] در جبر خطی فاکتورگیری یک ماتریس، به تجزیه یک ماتریس به حاصلضرب چند ماتریس گفته میشود. روشهای فاکتورگیریشُر، QR، LU، جردن و تجزیه مقدار تکین - SVD - نمونههایی از این روشها هستند. SVD یکی از روشهای تجزیه ماتریس مبتنی بر مقادیر تکین است که در فشردهسازی تصویر، کاهش نویز و نشانهگذاری تصویر بسیار مورد استفاده قرار گرفته است. SVD دید کلی روی تغییرات تصویر و اطلاعات ساختاری آن فراهم میکند که برای پیشبینی کیفیت تصویر بسیار مهم میباشد .[3]
