In dieser Arbeit wird der Einsatz von Local Binary Patterns (LBP) und Convolutional Neural Networks (CNN) zur Erkennung von Bildmanipulationen untersucht, einem zunehmend verbreiteten Problem in der heutigen digitalen Landschaft. Durch eine vergleichende Analyse von vier LBP-Varianten unter Verwendung des CASIA-2.

0-Datensatzes werden die Texturdeskriptoren von LBP mit CNN kombiniert, um die Genauigkeit und Robustheit zu verbessern. Die Methode umfasst die Erzeugung lokaler Texturdeskriptoren mit LBP und deren Einspeisung in eine CNN-Architektur, die darauf trainiert ist, Bilder als manipuliert oder authentisch zu klassifizieren.

Trotz der Herausforderungen, wie z. B.

der Rechenkomplexität, zielt die Forschung darauf ab, einen Beitrag zu einem zuverlässigen Manipulationserkennungssystem zu leisten, das in verschiedenen realen Szenarien eingesetzt werden kann. Besonders hervorzuheben ist, dass Uniform LBP sowohl in der Trainings- als auch in der Testzeit eine überragende Leistung zeigt und bei der Erkennung von Bildmanipulationen eine Genauigkeit und einen F1-Score von über 97 % erreicht, was die Wirksamkeit des Ansatzes bestätigt.

. .