Andere Kunden interessierten sich auch für
![Detección de información oculta en imágenes JPEG]( "Detección de información oculta en imágenes JPEG")
Detección de información oculta en imágenes JPEG33,99 €![Algoritmo SPIHT mejorado con DWT para la compresión de imágenes]( "Algoritmo SPIHT mejorado con DWT para la compresión de imágenes")
Algoritmo SPIHT mejorado con DWT para la compresión de imágenes36,99 €![Enfoque de aprendizaje automático para la detección de voz]( "Enfoque de aprendizaje automático para la detección de voz")
Enfoque de aprendizaje automático para la detección de voz34,99 €![Aplicación de la inteligencia artificial a la superresolución de imágenes]( "Aplicación de la inteligencia artificial a la superresolución de imágenes")
Aplicación de la inteligencia artificial a la superresolución de imágenes57,99 €![Coloración de imágenes mediante la técnica de coincidencia de parches a escala cruzada]( "Coloración de imágenes mediante la técnica de coincidencia de parches a escala cruzada")
Coloración de imágenes mediante la técnica de coincidencia de parches a escala cruzada27,99 €![Aspectos de los elementos estructurantes en la segmentación morfológica de imágenes]( "Aspectos de los elementos estructurantes en la segmentación morfológica de imágenes")
Aspectos de los elementos estructurantes en la segmentación morfológica de imágenes36,99 €![Detección de bordes de objetos mediante la magnitud del gradiente]( "Detección de bordes de objetos mediante la magnitud del gradiente")
Detección de bordes de objetos mediante la magnitud del gradiente27,99 €
Esta tesis explora el uso de patrones binarios locales (LBP) y redes neuronales convolucionales (CNN) para detectar la manipulación de imágenes, un problema cada vez más frecuente en el panorama digital actual. Mediante un análisis comparativo de cuatro variantes de LBP utilizando el conjunto de datos CASIA-2.0, combina los descriptores de textura de LBP con CNN para mejorar la precisión y la robustez. La metodología consiste en generar descriptores de textura locales con LBP e introducirlos en una arquitectura CNN entrenada para clasificar las imágenes como manipuladas o auténticas. A pesar de dificultades como la complejidad computacional, la investigación pretende contribuir a la creación de un sistema fiable de detección de manipulaciones aplicable en diversos escenarios del mundo real. En particular, Uniform LBP demuestra un rendimiento superior tanto en el tiempo de entrenamiento como en el de prueba, logrando una precisión y una puntuación F1 superiores al 97% en la detección de manipulación de imágenes, lo que valida la eficacia del enfoque.