: با افزایش علاقهمندی به فشرده نمودن تصاویر با فرمت فرمت گروه مشترک متخصصان عکاسی (JPEG)، یکی از مهمترین مباحث در دستکاری تصاویر دیجیتال، یافتن روشی مناسب جهت آشکارسازی فشردهسازی JPEG مضاعف است. در این مقاله با معرفی یک فیلتر تطبیقی آموزشدیده بر پایه خودرمزگذار پیچ چکیده کامل
: با افزایش علاقهمندی به فشرده نمودن تصاویر با فرمت فرمت گروه مشترک متخصصان عکاسی (JPEG)، یکی از مهمترین مباحث در دستکاری تصاویر دیجیتال، یافتن روشی مناسب جهت آشکارسازی فشردهسازی JPEG مضاعف است. در این مقاله با معرفی یک فیلتر تطبیقی آموزشدیده بر پایه خودرمزگذار پیچشی (CAE) و در حوزه مکان، به این موضوع پرداخته میشود تا با حذف اطلاعات تداخلی ناشی از محتوای تصویر، آشکارسازی دقیقتری داشته باشیم. از آنجایی که شبکه عصبی پیچشی (CNN) توانسته عملکرد موفقی در طبقهبندی تصاویر داشته باشد، از این شبکهها در قسمت طبقهبندی استفاده میشود. مدل پیشنهادی بر اساس CAE متوالی شده با CNN است که توانسته دقت آشکارسازی و حساسیت به ضرایب کیفیت (QFs) قابل قبولی را در دو سناریوی همتراز و ناهمتراز ارائه نماید. این مدل توانسته در برخی از حالت ها، حساسیت نسبت به ضرایب کیفیت را تا 86 در صد در مقدار کاهش خطای نسبی (RER) بهبود دهد. آزمایشهای دیگری از جمله مکانیابی محل دستکاری بر روی مجموعه داده RAISE برای ارزیابی روش پیشنهادی انجام شده است. این نتایج نشاندهنده عملکرد بسیار خوب این روش نسبت به الگوریتمهای مشابه در شرایطی است که ضریب کیفیت فشردهسازی دوم بزرگتر از ضریب کیفیت فشردهسازی اول باشد.
پرونده مقاله