دانلود ترجمه مقاله چارچوب واترمارکینگ دوگانه برای احراز هویت تصویر صنعتی

1. مقدمه 2. کارهای مرتبط 3. آماده سازی واترمارک 4. چارچوب پیشنهادی: DWFCAT 5. نتایج تجربی 6. یک بحث مختصر در مورد نتایج 7. نتیجه گیری

چکیده – داده های تصویری دریافت شده از طریق حسگرهای مختلف، در صنعت 4.0 از اهمیت قابل توجهی برخوردار است. متاسفانه این داده ها بهنگام انتقال به مقصد در برابر حملات مخرب مختلف بسیار آسیب پذیر می باشند. اگرچه استفاده از رایانش فراگیر (PEC) با اینترنت اشیا (IoT) مسائل مختلفی همچون تاخیر، مجاورت و پردازش بلادرنگ را حل کرده است، اما امنیت و احراز هویت داده ها بین گره ها هنوز یک مشکل قابل توجه در سناریوهای اینترنت اشیا (IIoT) صنعت مبتنی بر PEC است. در این مقاله، "DWFCAT" را ارائه می دهیم، چارچوب واترمارکینگ دوگانه برای احراز هویت محتوا، و مکان یابی دستکاری در تصاویر صنعتی. واترمارک های قوی و شکننده همراه با بیت های سربار مربوط به تصویر کاور جهت مکان یابی دستکاری در صفحات مختلف تصویر کاور تعبیه شده اند. ما از ضرایب تبدیل کسینوس گسسته (DCT) استفاده کرده و از ویژگی فشرده سازی انرژی خود برای جاسازی واترمارک قوی استفاده کردند. از همسایگی 4 نقطه ای برای پیش بینی مقدار یک پیکسل از قبل تعریف شده و از آن برای جاسازی بیت های واترمارک شکننده در حوزه فضایی استفاده می کنیم. رمزگذاری آشفته و اسید دئوکسی ریبونوکلئیک (DNA)، برای رمزگذاری واترمارک قوی قبل از تعبیه و جهت افزایش امنیت آن استفاده می شود. نتایج نشان می‌دهند که DWFCAT می‌تواند طیف وسیعی از پردازش سیگنال هیبریدی و حملات هندسی مانند نویز گاوسی، نمک و فلفل، فشرده‌سازی JPEG، چرخش، فیلتر پایین‌گذر، تغییر اندازه، برش، تیز کردن و یکنواخت سازی هیستوگرام را تحمل کند. نتایج تجربی نشان می دهند که DWFCAT در مقایسه با روش‌های مختلف پیشرفته جهت احراز هویت و مکان یابی دستکاری تصاویر صنعتی، بسیار کارآمد است.

The image data received through various sensors are of significant importance in Industry 4.0. Unfortunately, these data are highly vulnerable to various malicious attacks during its transit to the destination. Although the use of pervasive edge computing (PEC) with the Internet of Things (IoT) has solved various issues, such as latency, proximity, and real-time processing, but the security and authentication of data between the nodes is still a significant concern in PEC-based industrial-IoT scenarios. In this article, we present “DWFCAT,” a dual watermarking framework for content authentication and tamper localization for industrial images. The robust and fragile watermarks along with overhead bits related to the cover image for tamper localization are embedded in different planes of the cover image. We have used discrete cosine transform coefficients and exploited their energy compaction property for robust watermark embedding. We make use of a four-point neighborhood to predict the value of a predefined pixel and use it for embedding the fragile watermark bits in the spatial domain. Chaotic and deoxyribonucleic acid encryption is used to encrypt the robust watermark before embedding to enhance its security. The results indicate that DWFCAT can withstand a range of hybrid signal processing and geometric attacks, such as Gaussian noise, salt and pepper, joint photographic experts group (JPEG) compression, rotation, low-pass filtering, resizing, cropping, sharpening, and histogram equalization. The experimental results prove that the DWFCAT is highly efficient compared with the various state-of-the-art approaches for authentication and tamper localization of industrial images.