| Titre : | Stéganographie d’images à l’aide de l’apprentissage automatique |
| Auteurs : | Ahmed Rahouha, Auteur ; Ahmed Tibermacine, Directeur de thèse |
| Type de document : | Monographie imprimée |
| Editeur : | Biskra [Algérie] : Faculté des Sciences Exactes et des Sciences de la Nature et de la Vie, Université Mohamed Khider, 2022 |
| Format : | 1 vol. (76 p.) / couv. ill. en coul / 30 cm |
| Langues: | Français |
| Mots-clés: | St´eganographie, St´eganalyse, Apprentissage automatique, Apprentissage en profondeur, R´eseaux de neurones `a convolution(CNN |
| Résumé : |
Avec l’évolution du domaine de la technologie de l’information, la sécurit´e d’information est devenue un enjeu majeur, La st´eganographie est une technique essentielle dans le domaine de l’information. La stéganographie est une technique d’encodage d’informations secrètes (comme un texte, une image ou un son) dans un objet (comme une image, un son, texte ou vidéo) connu sous le nom d’objet de couverture. Au fil des ans, le travail dans la stéganographie d’image a eté fait pour encoder une image de résolution inférieure dans une image de résolution supérieure par des méthodes simples comme la méthode de bit de poids faible (en anglais, Least Significant Bit, ou LSB). Des réseaux neuronaux profonds ont alors émergé, visant `a placer une image couleur dans une autre image couleur de mˆeme taille. Notre travail consiste `a implémenter une architecture encodeur-décodeur pour l’encodage et le décodage de multiples images secrètes à l’int´erieur d’une seule image de couverture de la mˆeme résolution ont utilisant l’apprentissage profond. |
| Sommaire : |
Table des matières Introduction générale 12 1 Vision par ordinateur et stéganographie 15 1.1 Introduction 15 1.2 Vision par ordinateur 15 1.2.1 D´efinition 15 1.2.2 Historique 16 1.3 Vision humaine et vision artificielle 17 1.3.1 Vision humaine 17 1.3.2 Vision artificielle 18 1.4 Traitement d’image 18 1.4.1 D´efinition de l’image 18 1.4.2 L’image numérique . 18 1.4.3 Caract´eristiques de l’image num´erique 19 1.4.3.1 Pixels : . 19 1.4.3.2 La r´esolution : 19 1.4.3.3 Voisinage : 20 1.4.3.4 Contraste20 1.4.3.5 Niveau de gris (Grayscale) : 21 1.4.3.6 Luminance : 21 1.4.3.7 Bruit : . 21 1.4.3.8 Contour :22 1.4.3.9 Histogramme : 22 1.4.4 Types d’images num´eriques 22 1.4.4.1 Images matricielles 23 1.4.4.2 Images vectorielles 23 1.4.5 Codages des couleurs 23 1.4.5.1 Image noir et blanc (binaire) 23 51.4.5.2 Niveaux de gris 24 1.4.5.3 Image couleur 24 1.4.6 Traitement d’images num´erique 25 1.4.6.1 Acquisition 25 1.4.6.2 Segmentation 25 1.4.6.3 Filtrage 26 1.4.7 Domaines D’application 27 1.4.7.1 Imagerie a´erienne et spatiale 27 1.4.7.2 Technologies biom´edicales27 1.4.7.3 La robotique 27 1.4.7.4 La t´el´esurveillance 27 1.5 St´eganographie .. 27 1.5.1 D´efinition 27 1.5.2 Types de st´eganographie 27 1.5.2.1 La st´eganographie linguistique 28 1.5.2.2 La st´eganographie technique 28 1.5.3 Les types de support 28 1.5.3.1 Le texte 28 1.5.3.2 L’audio 29 1.5.3.3 La vidéo 29 1.5.3.4 L’image 29 1.5.4 Structure d’une communication secrete. 29 1.5.5 Classification des sch´emas de st´eganographie. 30 1.5.5.1 St´eganographie pure 30 1.5.5.2 St´eganographie `a clé secrète 30 1.5.5.3 St´eganographie `a cl´e publique 31 1.5.6 Efficacit´e d’un syst´eme st´eganographique 31 1.5.7 Caract´eristique d’un processus de st´eganographie31 1.5.7.1 l’ind´etectabilité 32 1.5.7.2 La capacité 32 1.5.7.3 La robustesse 32 1.5.8 Classification des techniques des syst`emes steganographies 32 1.5.8.1 Substitution32 1.5.8.2 Transformation de domaines 32 1.5.8.3 Distorsion33 1.5.9 St´eganalyse 33 1.5.9.1 Description de la st´eganalyse 33 1.5.9.2 Processus de la st´eganalyse 33 1.5.9.3 Types de st´eganalyse34 1.6 Conclusion 34 2 Apprentissage machines 35 2.1 Introduction 35 2.2 Apprentissage machines 35 2.2.1 D´efinition 35 2.2.2 Mod´elisation 36 2.2.3 Objectif 36 2.3 Types de syst`eme d’apprentissage 37 2.3.1 Apprentissage supervisé 37 2.3.2 Apprentissage non supervisé 38 2.3.3 Apprentissage semi-supervisé 39 2.3.4 Apprentissage avec renforcement 40 2.4 G´en´eralisation 41 2.4.1 Sur-apprentissage 41 2.4.2 R´egularisation 43 2.4.3 Mal´ediction de la dimensionnalité 44 2.5 Diff´erents types de mod`eles 45 2.5.1 Mod`eles param´etriques 45 2.5.2 Model´es non param´etriques46 2.6 Algorithmes d’apprentissage 46 2.6.1 R´eseaux de neurones 46 2.6.2 Machines de Boltzmann restreintes 49 2.6.3 K-plus proches voisins50 2.6.4 Fenˆetres de Parzen 51 2.6.5 M´elanges de Gaussiennes 52 2.6.6 M´ethodes à noyau 53 2.6.7 Arbres de décision 54 2.6.8 M´ethodes Bay´esiennes 54 2.6.9 L’apprentissage en profondeur (Deep Learning) 55 2.6.9.1 Convolutional Neural Networks (CNN)56 2.6.9.2 R´ecurrent Neural Networks (RNN) 57 2.7 Conclusion 57 3 Conception et impl´ementation 58 3.1 Introduction 58 3.2 Conception g´en´erale 58 3.3 Conception d´etaillé 58 3.3.1 L’architecture du modèle propos´e 59 3.3.2 Fractionnement des donnèes 613.3.3 Apprentissage CNN (Cnn learning) 61 3.3.3.1 Optimisation de l’apprentissage CNN 62 3.3.3.2 Param`etres du modèle62 3.3.4 Pr´ediction 64 3.4 La base de donnèes 64 3.5 Cadres et outils utilis´es dans l’impl´ementation 65 3.5.1 Python 65 3.5.2 Matplotlib 66 3.5.3 Tensorflow 66 3.5.4 Keras 67 3.5.5 NumPy 67 3.5.6 Kaggle 67 3.5.7 Google Colab . 68 3.6 R´esultats 69 3.7 Conclusion 74 Conclusion 76 Bibliographie 77 |
Disponibilité (1)
| Cote | Support | Localisation | Statut |
|---|---|---|---|
| MINF/739 | Mémoire master | bibliothèque sciences exactes | Consultable |
