Sadržaj

Detekcija izmjena u digitalnim slikama pomoću neuronskih mreža

Sažetak

Digitalne slike se mogu izmijeniti tako da promjene nisu vidljive ljudskom oku nego samo programskim alatima. Neuronske mreže mogu biti korištene u mnoge svrhe, jedna od njih je i analiza razlika između slika. Zbog toga su neuronske mreže idealno rješenje problema. U ovom radu se pobliže opisuju konvolucijske neuronske mreže koje se koriste za klasifikaciju slika.

Ključne riječi: detekcija; izmjena slika; neuronske mreže; konvolucijske neuronske mreže

Uvod

Već od davnih vremena ljudi su upoznati s fizičkom steganografijom, npr. korištenje tinte koja je vidljiva samo u određenom svjetlu. U današnje doba sve više je prisutna digitalna steganografija, a jedna od popularnih metoda je izmjena slika [1]. Moguće je izmijeniti sliku tako da promjene nisu vidljive ljudskom oku nego samo programskim alatima. Osoba koja zna na koji način tražiti poruku lako će je pronaći, ali ona koja ne zna neće ni posumnjati da je nešto promijenjeno. Jedan od mogućih načina otkrivanja promjena je korištenje neuronskih mreža te će ta metoda biti detaljnije opisana u nastavku.

Primjer tehnike izmjene digitalnih slika

Jedna od najčešće korištenih tehnika za skrivanje podataka je tehnika najmanjeg bita, poznata kao LSB. Ova tehnika mijenja posljednjih nekoliko bitova u bajtu za kodiranje poruke, što je posebno korisno u nečemu poput slike, gdje su crvene, zelene i plave vrijednosti svakog piksela predstavljene s osam bitova (jedan bajt) u rasponu od 0 do 255 u decimalnom ili 00000000 do 11111111 u binarnom. Promjena posljednja dva bita u potpuno crvenom pikselu s 11111111 na 11111101 mijenja samo crvenu vrijednost s 255 na 253, što golim okom stvara gotovo neprimjetnu promjenu boje, ali nam još uvijek omogućuje kodiranje podataka unutar slike(Slika 1). [2]

Slika 1. LSB [2]

Umjetne neuronske mreže

Umjetna neuronska mreža (Slika 2) napravljena je po uzoru na ljudski mozak. Ona je skup umjetnih neurona koji su međusobno povezani vezama kroz koje prolazi signal. Aktiviraju se ako je zadovoljen uvjet postavljen aktivacijskom funkcijom. Može se sastojati od više ili jednog ulaza i jednog izlaza, između kojih se nalaze skriveni slojevi. Glavna primjena umjetnih mreža je kod traženja ovisnosti između podataka koji nisu u isključivo linearnoj vezi, a mogu se ujediniti u jedan složeni ulazni skup. U tom slučaju neuronske mreže su uspješnije nego drugi pristupi obradi podataka. [3] Razlika među mrežama je u arhitekturi, u načinu učenja i signalima.

Slika 2. Umjetna neuronska mreža[3]

Konvolucijske neuronske mreže

Konvolucijske neuronske mreže (CNN) su vrsta neuronskih mreža koja se najčešće koristi za analizu vizualnih podataka. Dizajnirane su za obradu podataka koji imaju topologiju sličnu mreži što ih čini idealnim za klasifikaciju slika. CNN sadrži više vrsta slojeva: konvolucijske, objedinjujuće i potpuno povezane. Konvolucijski slojevi odgovorni su za otkrivanje uzoraka u ulaznim podacima, poput rubova ili oblika. Objedinjujući slojevi smanjuju dimenziju podataka, dok potpuno povezani slojevi povezuju svaki neuron u jednom sloju sa svakim neuronom u drugom sloju. [4]

Detekcija izmjena

Konvolucijske neuronske mreže mogu se istrenirati za razlikovanje slika. Mreža se trenira uz pomoć parova slika: originalna slika i slika nakon izmjene. Nakon što je istrenirana na puno parova može uspješno uočiti promjene između neviđenih slika. CNN uspijeva pronaći razlike koje su ljudskom oku nevidljive. Izvor [5] odličan je primjer korištenja CNN-a za detekciju promjena satelitskih snimki . Predloženi model koristi konvolucijsku neuronsku mrežu (CNN) za izdvajanje značajki iz slika daljinskog očitavanja, a zatim se koristi klasifikator potpornog vektorskog stroja (SVM) za klasifikaciju slika u različite kategorije, kao što su “promijenjene” ili “nepromijenjene”. Model se pokazao dosta precizan u otkrivanju promjena na slikama.

Zaključak

Korištenje neuronskih mreža, pogotovo konvolucijskih, se pokazalo dosta učinkovito za prepoznavanje izmjena u digitalnim slikama. Iako se izmjene čine neprimjetne ljudskom oku, dobro istrenirana mreža će bez problema pronaći razlike. S obzirom na dobre rezultate očekuje se da će se s vremenom ove metode primjenjivati sve više.

Literatura

[1] P. Pale, Ž. Deljkić, F. Karačić: Steganografija

[2] B. Slash: How to Hide Secret Data Inside an Image or Audio File in Seconds

[3] https://hr.wikipedia.org/wiki/Umjetna_neuronska_mre%C5%BEa

[4] https://en.wikipedia.org/wiki/Convolutional_neural_network

[5] A. Shafique,G. Cao ,Z. Khan ,M. Asad, M. Aslam: Deep Learning-Based Change Detection in Remote Sensing Images: A Review

[6] Prezentacija