Uma análise comparativa das variantes LBP para a deteção de adulteração de imagens

Esta tese explora a utilização de Padrões Binários Locais (LBP) e Redes Neuronais Convolucionais (CNN) para a deteção de adulteração de imagens, um problema cada vez mais prevalecente na paisagem digital atual. Através de uma análise comparativa de quatro variantes do LBP utilizando o conjunto de dados CASIA-2.0, combina os descritores de textura do LBP com a CNN para aumentar a precisão e a robustez. A metodologia envolve a geração de descritores de textura locais com LBP e a sua introdução numa arquitetura CNN treinada para classificar imagens como adulteradas ou autênticas. Apesar de desafios como a complexidade computacional, a investigação visa contribuir para um sistema fiável de deteção de adulterações aplicável em vários cenários do mundo real. Em particular, o LBP uniforme demonstra um desempenho superior tanto no tempo de treino como no tempo de teste, alcançando uma precisão e uma pontuação F1 superior a 97% na deteção de adulteração de imagens, validando a eficácia da abordagem.