cat filename.ZIP >> filename.GIF
توجه کنید که برای امنیت هر چه بیشتر، می‌توانید قبل از انجام این فرایند، هنگام آماده سازی فایل زیپ، آن را رمزگذاری کنید. آنگاه آن را با فایل گیف مورد نظرتان ادغام کنید. با این کار حتی اگر کسی اشتباهاً تصویر نهایی را با برنامه‌های فشرده ساز باز کند، چیزی نصیبش نخواهد شد.

(( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. ))

۲-۱۵-کاربردهای استگانوگرافی
به طورکلی کاربردهای تجاری پنهان نگاری، در دو بخش زیر خلاصه می شوند:
انتقال مالکیت اطلاعات: هدف این بخش، بیشتر احراز هویت درباره ی مالکیت اطلاعات است.
تصدیق محتوای آنها: هدف این بخش، اطمینان از اصل بودن اطلاعات و عدم تحریف آنها می باشد.
در زیر به طور خلاصه چند کاربرد جدید از پنهان نگاری معرفی می شوند [۲۷-۳۰]:
۱) مخابرات پنهان[۸۳]
مخابرات پنهان همان هدف اولیه علم پنهان نگاری از نقطه شروع تاکنون می باشد. یعنی افراد یا سازمان ها، مایلند پیامشان را بدون اینکه کشف شود، برای یکدیگر ارسال کنند. در چنین مواردی، معمولاً فرد مهاجم و رقیب، یا همان جاسوس، دشمن ماست و نباید جاسوسان بتوانند پیام مخفی ارسال شده را کشف کنند. نام دیگر مخابرات پنهان کانال پوشیده می باشد.
۲) تصدیق و اعتبار سنجی[۸۴]
در برخی موارد لازم است که اعتبار داده ی بدست آمده مورد بررسی قرار بگیرد، یعنی مشخص کنیم که آیا داده هایی که در اختیار داریم، اصلی است یا جعلی و یا نسخه ی تغییر یافته ای از نسخه ی اصلی می باشد. این مورد در کاربردهای نظامی و پزشکی درجه اهمیت بالایی دارد. به دو صورت ممکن است اطلاعات جعل شده باشند یا توسط جاسوسین بعضی از اسناد محرمانه، در معرض تغییرات عمدی آنها قرار گیرند و یا تحت تأثیر بعضی تغییرات غیرعمد (همچون فشرده سازی و …) قرار گیرد. در این صورت، اطلاعات بدست آمده مرجع مناسبی برای تصمیم گیری نیستند. برای چنین هدفی، به نظر می رسد واترمارکینگ های مقاوم دربرابر جعل با رویکرد کپی رایت راه حل مناسبی باشند.
۳) شناسایی اثبات مالکیت شخصی و وابستگی[۸۵]
مسئله به این شکل است که یک شرکت تولید و فروش قطعات صوتی تصویری یا یک شرکت فیلم سازی که محصولاتش را از طریق اینترنت به فروش می رساند، به طور معمول حق نشر ایده های مختلف خود را بر روی محصول خود ثبت می نمایند. از طرفی هکرها نیز به دنبال این هستند که بتوانند در این محصولات رخنه کرده و آنها را با قیمت ارزانتر بفروشند. در این وضعیت، تولیدکنندگان اصلی مجبورند که از نظر قانونی و به صورت معتبر، اثبات کنند که صاحبان واقعی محصولاتشان می باشند. این مسئله ها معمولاً توسط الگوریتم های واترمارکینگ های مقاوم در برابر حذف قابل حل می باشد.
۴) دنبال کردن و پیگیری مشتری[۸۶]
این کاربردها بیشتر مرتبط ناظر به مسئله ی انگشت نگاری هستند. بطور مثال یک شرکت فیلم سازی،
شماره ی شناسایی و استگانوگرافی هویت کاربران را قبل از فروش یک محصول درون آن قرار می دهد. هنگامیکه یک کاربر غیرمجاز، در حین پخش یا فروش آن محصول، توسط پلیس توقیف شود، آن فرد به همراه شرکایش به عنوان دزدان آن محصول مشخص خواهند شد. این مسئله توسط الگوریتم های واترمارکینگ های مقاوم در برابر حذف به وسیله علامت گذاری گیرندگان قابل حل می باشد.
۵) جاسازی داده در مخابرات[۸۷]
یکی از کاربردهای مخابراتی پنهان سازی، جاسازی داده در داده ی پوششی، قبل از ارسال می باشد. این کاربرد یک کاربرد غیرتهاجمی است. مثلاً در جریان یک طرح عناوین فیلم دیجیتال را از طریق جاسازی عناوین در سیگنال ویدئویی، ارسال کنیم که یا منجر به هیچ اعوجاج بصری در فیلم نشود یا در صورت وجود، این اعوجاج کم باشد و از این طریق، پهنای باند مورد نیاز برای ارسال داده، کاهش می یابد.
۶) نظارت بر پخش[۸۸]
در سال ۱۹۹۷، رسوایی بزرگی در زمینه آگهی های تبلیغاتی تلویزیون ژاپن رخ داد. به این صورت که در ایستگاه پخش، زمان های پخش برخی تبلیغات را بیش از مقدار زمان موجود برای این کار، به افراد یا شرکت ها واگذار کرده بود. در حالیکه تبلیغات دیگری بودند که صاحبان آگهی های آنها هزینه پرداخت کرده بودند ولی هرگز پخش نشدند. این عمل بیش از بیست سال، کشف نشده باقی ماند و علت آن هم تا حدی نبودن سیستم هایی بود که بر پخش حقیقی و واقعی آگهی ها نظارت کنند.
برای نظارت بر پخش می توانیم از واترمارکینگ استفاده کنیم. به این صورت که در هر قطعه ی صوتی یا ویدئویی قبل از اینکه پخش شود، یک واترمارکینگ منحصر به فرد قرار دهیم. آنگاه ایستگاه های نظارتی به طور خودکار می توانند انتشارات مدنظر را دریافت و واترمارکینگ خود را جستجو کنند و هر کجا و هر موقع که آنها را یافتند، بازشناسی نمایند.
۲-۱۵- تبدیل فوریه
با بهره گرفتن از تبدیل فوریه یک سیگنال به عوامل سینوسی یعنی فرکانسهای سازنده سیگنال تجزیه
می شود.[۳۱] اما این تبدیل دارای محدودیتهایی است. در تبدیل فوریه، اطلاعات مکانی / زمانی در فضای فرکانس از بین می رود. از طرف دیگر، برای استفاده از تبدیل فوریه باید شرط ثابت بودن سیگنال برقرار باشد. اشکال دیگر این است که تبدیل فوریه تعیین می کند که یک فرکانس خاص در سیگنال وجود دارد یا خیر و در مورد اینکه این فرکانس در کجای سیگنال واقع شده، اطلاعاتی بدست نمی دهد. [۳۲]
روش دیگر تبدیل فوریه زمان کوتاه[۸۹] یا به اختصار STFT است. در ا ین حالت سیگنال به بخشهای به اندازه کافی کوچک تقسیم می گردد، بطوری که بتوان در هر یک از این بخشها سیگنال را ثابت فرض کرد. سپس تبدیل فوریه در هر بازه (پنجره) به طور جداگانه انجام و نتایج به ترتیب مجاور هم قرار داده می شوند. مشکل اصلی تبدیل فوریه زمان کوتاه به اصل عدم قطعیت هایزنبرگ مربوط است. این اصل که در واقع برای مومنتم و مکان ذرات در حال حرکت بیان شده است، در مورد اطلاعات زمان - فرکانس یک سیگنال نیز بکار می رود. بر طبق آن، اطلاعات فرکانسی و زمانی یک سیگنال در یک نقطه در نمودار زمان - فرکانس، قابل دستیابی نمی باشد یعنی نمی توان مشخص کرد کدام جزء طیفی در کدام لحظه خاص وجود دارد و تنها
می توان باندهای فرکانسی موجود در یک فاصله زمانی را مشخص کرد. هر چه پهنای پنجره باریکتر باشد، رزولوشن زمانی بهتر است و فرض ثبات سیگنال هم بهتر برقرار می شود، اما رزولوشن فرکانسی بدتر خواهد شد. برعکس، پنجره پهن رزولوشن فرکانسی خوب و رزولوشن زمانی ضعیف بدست می دهد . علاوه بر آن، پنجره های پهن ممکن است با شرط ثبات سیگنال متناقض باشند. [۳۲]
۲-۱۶- تبدیل موجک
در تبدیل موجک یا به اختصار WTهم رزولوشن فرکانسی و هم رزولوشن زمانی در نمودار زمان - فرکانس تغییر می کند، بدون اینکه اصل عدم قطعیت هایزنبرگ نقض شود. تفاوت تبدیل موجک با تبدیل فوریه زمان کوتاه این است که پهنای پنجره برای هر یک از اجزای طیفی تغییر می کند. این روش در فرکانس های بالا، رزولوشن زمانی خوب و رزولوشن فرکانسی ضعیف و در فرکانس های پایین، رزولوشن فرکانسی خوب و رزولوشن زمانی ضعیف بدست می دهد. در تبدیل موجک گسسته، سیگنال از یک سری فیلترهای بالاگذر برای آنالیز فرکانس های بالا و از یک سری فیلترهای پایین گذر برای آنالیز فرکانسهای پایین، عبور داده می شود سیگنال به دو بخش تقسیم می شود: بخش حاصل از عبور سیگنال از فیلتر بالاگذر که شامل اطلاعات فرکانس بالا از جمله نویز می باشد و جزئیات نام دارد، و بخش حاصل از عبور سیگنال از فیلتر پایین گذر که شامل اطلاعات فرکانس پایین و در برگیرنده مشخصات هویتی در نهایت، سیگنال است و کلیات نامیده می شود. گروهی از سیگنال ها را خواهیم داشت که همان سیگنال اولیه را نشان می دهند اما هر گروه سیگنال به باند فرکانسی متفاوتی مربوط است. در این حالت می دانیم کدام سیگنال به کدام باند فرکانسی مربوط است و اگر همه آنها را با هم در یک گراف سه بعدی نمایش دهیم، زمان را در یک محور، فرکانس را در محور دوم و دامنه را در محور سوم خواهیم داشت. در اینجا نیز با توجه به اصل عدم قطعیت هایزنبرگ نمی توان مشخص کرد کدام فرکانس در کدام لحظه خاص وجود دارد، اما می دانیم کدام باند فرکانسی در کدام فاصله زمانی وجود دارد. با توجه به اینکه تصاویر دارای دو بعد می باشند، اگر یک تصویر توسط تبدیل موجک گسسته مورد تجزیه قرار گیرد، چهار تصویر بدست می آید: یک تصویر مربوط به کلیات و سه تصویر مربوط به جزئیات (جزئیات افقی، عمودی و قطری). در حال حاضر، تبدیل موجک بطور گسترده در بسیاری از موارد بکار می رود. از آن جمله می توان به فشرده سازی تصاویر، کاهش نویز، نویززدایی در سیگنالهای ECG (الکتروکاردیوگرام[۹۰])، بهبود کیفیت تصویر اشاره کرد.
۲-۱۷- تبدیل موجک گسسته (DWT)
در این تکنیک ابتدا تصاویر به چهار قسمت کلیات، جزئیات افقی، جزئیات عمودی و جزئیات قطری تجزیه و سپس با چند روش مختلف بازسازی شدند: با بهره گرفتن از الف)کلیات، ب) کلیات و جزئیات افقی، ج) کلیات و جزئیات عمودی، د) کلیات و جزئیات قطری. با توجه به اینکه بخش جزئیات که در برگیرنده اطلاعات فرکانس – بالا و مشخصات جزئی سیگنال است، می تواند در کاهش نویز موثر باشد. لازم به ذکر است که قسمت کلیات حاوی اطلاعات فرکانس پایین و مشخصات هویتی سیگنال است.
تبدیل موجک گسسته (DWT) یک ابزار ریاضی مناسب برای نمایش و پردازش تصایر دیجیتالی است. فرض کنید تصویر f(x,y) با اندازه M*N را داریم. تبدیل گسسته T(u,v,…) را می توان بصورت زیر نشان داد:
که x و y متغییرهای فضایی و u,v, … متغییرهای دامنه تبدیل هستند. با در اختیار داشتن T(u,v,…) و با بهره گرفتن از تبدیل معکوس گسسته می توان f(x,y) را بدست آورد:
و در معاملات بالا تحت عنوان هسته تبدیل مستقیم و معکوس شناخته می شوند. هسته تبدیل، طبیعت، پیچیدگی محاسباتی و کیفیت نهایی تبدیل را تعیین می کند. به ضرایب تبدیل T(u,v,…) می توان ضرایب گسترش f در ارتباط با{ } نگاه کرد. در این مورد داریم:
که، * عملگر مزدوج مختلط، v=0,1,…,N-1, U=0,1,…,M-1 متغیرهای دامنه تبدیل یعنی u و v فرکانس واقعی و عمودی را نمایش می دهند. این هسته بصورت زیر قابل تفکیک است:
همچنین و متعامد و نرمال هستند زیرا:
که عملگر ضرب داخلی می باشد. تفکیک هسته تبدیل، محاسبات تبدیل دو بعدی را تسهیل
می کند. از آنجائیکه DWT از مجموعه ای از تبدیل های منحصر بفرد اما مرتبط تشکیل می شود، ما
نمی توانیم یک معادله واحد بنویسیم که همه آنها را بطور کامل توصیف کند. در عوض ما هر یک از DWT ها را با توجه به زوج هسته ها و یا مجموعه پارامترهایی که این زوج را تعریف می کنند مشخص می سازیم. همه این هسته ها دارای خصوصیت های کلی زیر می باشند:
(۱) تفکیک پذیری، مقیاس پذیری، قابلیت انتقال. هسته را می توان با توجه به سه موجک دو بعدی زیر ارائه کرد:
که ، و تحت عنوان موجک های افقی، عمودی و قطری شناخته
می شوند. تابع یک تابع مقیاس گذاری دو بعدی تفکیک پذیر به صورت زیر می باشد:
هر یک از این توابع از ضرب یک تابع یک بعدی حقیقی و یک تابع موجک ایجاد می شوند:
K محل این توابع یک بعدی را روی محور x مشخص می کند و مقیاس j میزان عرض را تعیین کرده و در نهایت ارتفاع یا دامنه آنها را مشخص می کند.
(۲) سازگاری با وضوح چندگانه
تابع مقیاس گذاری یک بعدی که در مورد آن بحث شد، نیازمندیهای زیر را در ارتباط با تحلیل با وضوح چندگانه لحاظ می کند:

موضوعات: بدون موضوع  لینک ثابت


فرم در حال بارگذاری ...