احراز هویت اوراق امتحانی با استفاده از تکنیک نهان نگاری و بهینه سازی با استفاده از الگوریتمهای فرا مکاشفهای
کلمات کلیدی:
احراز هویت اوراق امتحانی, تکنیک نهان نگاری, بهینه سازی, الگوریتم های فرا مکاشفه ایچکیده
هدف اصلی این پژوهش، طراحی یک روش نهاننگاری کارآمد برای احراز هویت اوراق امتحانی است؛ بهگونهای که کیفیت تصویر اصلی تا حد امکان حفظ شده و کمترین میزان تحریف در آن ایجاد شود. این پژوهش یک روش نهاننگاری تصویر در سه مرحله را پیشنهاد میدهد که ترکیبی از بهینهسازی، نهاننگاری و تبدیلهای حوزه فرکانس است. برای جلوگیری از تخریب نواحی حساس تصویر، جاسازی دادهها در لبهها و گوشهها انجام نمیشود؛ بلکه بخشهایی از تصویر استخراج و انتخاب میشوند که دارای پیکسلهای پرانرژی بوده اما فاقد لبه یا گوشه هستند. این روش از تبدیل موجک، تبدیل کسینوسی گسسته (DCT)، کدگذاری هافمن و الگوریتم بهینهسازی کرکس آفریقایی (AVOA) بهره میبرد. شبیهسازیها در محیط نرمافزار متلب (MATLAB) انجام شده و عملکرد روش پیشنهادی با سه طرح پایه مورد ارزیابی و مقایسه قرار گرفته است. نتایج ارزیابیها نشان داد که روش پیشنهادی با دستیابی به مقادیر حداقلی در معیار خطای میانگین مربعات (MSE)، کیفیت نهاننگاری تصاویر را بهطور قابلتوجهی بهبود بخشیده است. در مقایسه با روشهای پایه، میزان بهبود معیار MSE در تصویر اول بین ۳ تا ۴ درصد، در تصویر دوم بین ۲۵ تا ۳۹ درصد و در تصویر سوم بین ۳ تا ۲۵ درصد بوده است. در نتیجه مقدار MSE برای هر سه تصویرِ مورد بررسی، نسبت به سه طرح پایه وضعیت بهتری داشته است. ترکیب تبدیل موجک، روش بهینهسازی کرکس آفریقایی و کدگذاری هافمن، یک راهکار امن و مؤثر برای نهاننگاری، احراز هویت اوراق امتحانی و حفاظت از مالکیت معنوی فراهم میکند که با کاهش چشمگیر خطا و حفظ کیفیت تصویر، نسبت به روشهای موجود برتری دارد.
دانلودها
مراجع
Abdulhammed, O. Y., Karim, P. J., Arif, D. R., Ali, T. S., Abdalrahman, A. O., & Saffer, A. A. (2022). A Secure Image Steganography Using Shark Smell Optimization and Edge Detection Technique. Kurdistan Journal of Applied Research, 7(2), 11-25.
Abdulrahman, A. K., & Ozturk, S. J. M. (2019). A novel hybrid DCT and DWT based robust watermarking algorithm for color images. Multimedia Tools and Applications, 78(12), 17027-17049.
Aberna, P., & Agilandeeswari, L. (2024). Digital image and video watermarking: methodologies, attacks, applications, and future directions. Multimedia Tools and Applications, 83(2), 5531-5591.
Chakraborty, S., & Mali, K. (2023). An overview of biomedical image analysis from the deep learning perspective. In Research Anthology on Improving Medical Imaging Techniques for Analysis and Intervention (pp. 43-59).
Dong, F., Li, J., Bhatti, U. A., Liu, J., Chen, Y. W., & Li, D. (2023). Robust zero watermarking algorithm for medical images based on improved NasNet-mobile and DCT. Electronics, 12(16), 3444.
Gull, S., & Parah, S. A. (2024). Advances in medical image watermarking: A state of the art review. Multimedia Tools and Applications, 83(1), 1407-1447.
Hassaballah, M., Hameed, M. A., Awad, A. I., & Muhammad, K. (2021). A novel image steganography method for industrial internet of things security. IEEE Transactions on Industrial Informatics, 17(11), 7743-7751.
Hosny, K. M., Magdi, A., ElKomy, O., & Hamza, H. M. (2024). Digital image watermarking using deep learning: A survey. Computer Science Review, 53, 100662.
Huang, C., Li, J., & Gao, G. (2023). Review of Quaternion-Based Color Image Processing Methods. Mathematics, 11(9), 2056.
Lin, S. D., Shie, S. C., & Guo, J. Y. (2010). Improving the robustness of DCT-based image watermarking against JPEG compression. Computer Standards and Interfaces, 32(1-2), 54-60.
Mahto, D. K., & Singh, A. (2021). A survey of color image watermarking: State-of-the-art and research directions. Computers and Electrical Engineering, 93, 107255.
Ren, N., Pang, X., Zhu, C., Guo, S., & Xiong, Y. (2023). Blind and Robust Watermarking Algorithm for Remote Sensing Images Resistant to Geometric Attacks. Photogrammetric Engineering and Remote Sensing, 89(5), 60-71.
Shaliyar, M., & Mustafa, K. (2024). Watermarking approach for source authentication of web content in online social media: A systematic literature review. Multimedia Tools and Applications, 83(18), 54027-54079.
Sharma, S., Choudhary, S., Sharma, V. K., Goyal, A., & Balihar, M. M. (2022). Image Watermarking in Frequency Domain using Hu’s Invariant Moments and Firefly Algorithm.
Sharma, S., Zou, J. J., Fang, G., Shukla, P., & Cai, W. (2024). A review of image watermarking for identity protection and verification. Multimedia Tools and Applications, 83(11), 31829-31891.
Singh, B., & Kasana, G. (2024). A review of digital watermarking techniques: Current trends, challenges and opportunities. Web Intelligence, 22(4), 523-553.
Sudar, K. M., Vaissnave, V., & Nagaraj, P. (2025). Integrating Blockchain With Watermarking Systems for Tamper-Proof Attribution in Digital Media. 195-216. https://doi.org/10.4018/979-8-3373-6481-0.ch007
Wan, W., Wang, J., Zhang, Y., Li, J., Yu, H., & Sun, J. J. N. (2022). A comprehensive survey on robust image watermarking.
Wang, X. Y., Shen, X., Tian, J. L., Niu, P. P., & Yang, H. Y. (2022). Locally optimum image watermark detector based on statistical modeling of SWT-EFMs magnitudes. Journal of Information Security and Applications, 65, 103105.
Wang, Z., Bovik, A. C., Sheikh, H. R., & Simoncelli, E. P. (2004). Image quality assessment: From error visibility to structural similarity. IEEE Transactions on Image Processing, 13(4), 600-612.
Xu, M., Yoon, S., Fuentes, A., & Park, D. S. (2023). A comprehensive survey of image augmentation techniques for deep learning. Pattern Recognition, 109347.
Zhou, Z., Zhu, J., Su, Y., Wang, M., & Sun, X. (2023). Geometric correction code‐based robust image watermarking. IET Image Processing, 17(13), 3660-3669.
Zhu, L., Wen, X., Mo, L., Ma, J., & Wang, D. (2021). Robust location-secured high-definition image watermarking based on key-point detection and deep learning. Optik, 248, 168194.
