Récemment, les images numériques sont devenues utilisées dans de nombreuses applications, où elles sont devenues le centre des chercheurs en traitement d'images numériques. La contrefaçon d'images représente un sujet brûlant sur lequel les chercheurs priorisent leurs études. Nous nous concentrons sur le sujet de la contrefaçon d'images par mouvement de copie en tant que type de contrefaçon trompeuse. Dans la contrefaçon d'images par mouvement de copie, une partie d'une image est copiée et placée dans la même image pour produire l'image contrefaite. Cet article propose une architecture de réseau neuronal convolutionnel (CNN) précise pour la détection efficace de la contrefaçon d'images par mouvement de copie. L'architecture proposée est computationnellement légère avec un nombre approprié de couches convolutionnelles et de mise en commun maximale. Nous présentons également un processus de test rapide et précis avec 0,83 seconde pour chaque test. De nombreuses expériences empiriques ont été menées pour assurer l'efficacité du modèle proposé en termes de précision et de temps. Ces expériences ont été réalisées sur des ensembles de données de référence et ont atteint une précision de 100 %.

Recientemente, las imágenes digitales se han utilizado en muchas aplicaciones, donde se han convertido en el foco de los investigadores de procesamiento de imágenes digitales. La falsificación de imágenes representa un tema candente en el que los investigadores priorizan sus estudios. Nos concentramos en el tema de la falsificación de imágenes de copia y movimiento como un tipo de falsificación engañosa. En la falsificación de imágenes de copia y movimiento, una parte de una imagen se copia y se coloca en la misma imagen para producir la imagen falsificada. Este documento propone una arquitectura de red neuronal convolucional (CNN) precisa para la detección efectiva de la falsificación de imágenes de copia y movimiento. La arquitectura propuesta es computacionalmente ligera con un número adecuado de capas convolucionales y de combinación máxima. También presentamos un proceso de prueba rápido y preciso con 0,83 segundos para cada prueba. Se han realizado muchos experimentos empíricos para garantizar la eficiencia del modelo propuesto en términos de precisión y tiempo. Estos experimentos se realizaron en conjuntos de datos de referencia y han logrado una precisión del 100%.

Recently, digital images have become used in many applications, where they have become the focus of digital image processing researchers.Image forgery represents one hot topic on which researchers prioritize their studies.We concentrate on the copy-move image forgery topic as a deceptive forgery type.In copy-move image forgery, a part of an image is copied and placed in the same image to produce the forgery image.This paper proposes an accurate convolutional neural network(CNN) architecture for the effective detection of copy-move image forgery.The proposed architecture is computationally lightweight with a suitable number of convolutional and max-pooling layers.We also present a fast and accurate testing process with 0.83 seconds for every test.Many empirical experiments have been conducted to ensure the efficiency of the proposed model in terms of accuracy and time.These experiments were done on benchmark datasets and have achieved 100% accuracy.

في الآونة الأخيرة، أصبحت الصور الرقمية مستخدمة في العديد من التطبيقات، حيث أصبحت محورًا للباحثين في معالجة الصور الرقمية. يمثل تزوير الصور موضوعًا ساخنًا يعطي فيه الباحثون الأولوية لدراساتهم. نركز على موضوع تزوير صورة نقل النسخ كنوع تزوير خادع. في تزوير صورة نقل النسخ، يتم نسخ جزء من الصورة ووضعه في نفس الصورة لإنتاج صورة التزوير. تقترح هذه الورقة بنية شبكة عصبية التفافية دقيقة (CNN) للكشف الفعال عن تزوير صورة نقل النسخ. تتميز البنية المقترحة بخفة وزنها من الناحية الحسابية مع عدد مناسب من طبقات الالتفاف والتجميع الأقصى. نقدم أيضًا عملية اختبار سريعة ودقيقة مع 0.83 ثانية لكل اختبار. تم إجراء العديد من التجارب التجريبية لضمان كفاءة النموذج المقترح من حيث الدقة والوقت. تم إجراء هذه التجارب على مجموعات البيانات المرجعية وحققت دقة 100 ٪.