پیشرفت در دنیای دیجیتال، ما را به سمت توسعه ابزار بازجویی قانونی دیجیتال سوق می دهد. استفاده از روش های یادگیری ماشین برای شناسایی منبع چاپ یکی از زیر مجموعه های این حوزه بوده که درحال‌ توسعه است. در این مقاله، روش جدیدی برای استخراج ویژگی های ثانویه بر پایه بردار هویت (i-vector) برای شناسایی منبع چاپ ارائه ‌شده است. در روش پیشنهادی تنها با استخراج یک بردار i-vector با بعد کم به‌ازای هر صفحه بدون استفاده از روش بازشناسی نوری نویسه ها (OCR) و با حذف رأی‌گیری اکثریت فرایند طبقه‌بندی تسریع شده است. به‌این‌ ترتیب روش پیشنهادی در استخراج ویژگی ها مستقل از نوع و اندازه قلم نویسه‌ها و زبان متن است. ویژگی های ثانویه با افراز تصویر سند به تکه های کوچک‌تر و مدل سازی ویژگی‌های اولیه الگوی دودویی محلی (LBP) مربوط به ناحیه های تیره، مرز و روشن در فضاهای مجزا به دست می آید. مدل سازی ویژگی های اولیه نواحی مختلف در فضاهای مجزای متغیر کل چاپگر، امکان استخراج اطلاعات جداکننده کلاس ها از بافت چاپ باقیمانده در ناحیه روشن را برای افزایش دقت و صحت طبقه‌بندی مهیا می کند. در این مقاله تأثیر استفاده از بافت نواحی مختلف و تغییر ابعاد تکه بندی با استفاده از طبقه‌بند ماشین بردار پشتیبان (SVM) از طریق شبیه‌سازی به‌دقت بررسی ‌شده است. نتایج شبیه سازی، نشان می دهد که تنها با پالایش ویژگی های اولیه LBP به صحت 05/99 درصد دست یافته ایم که بیشتر از آخرین پژوهش های این حوزه است. تفاصيل المقالة

: با افزایش علاقه‌مندی به فشرده نمودن تصاویر با فرمت فرمت گروه مشترک متخصصان عکاسی (JPEG)، یکی از مهم‌ترین مباحث در دست‌کاری تصاویر دیجیتال، یافتن روشی مناسب جهت آشکارسازی فشرده‌سازی JPEG مضاعف است. در این مقاله با معرفی یک فیلتر تطبیقی آموزش‌دیده بر پایه خودرمزگذار پیچشی (CAE) و در حوزه مکان، به این موضوع پرداخته می‌شود تا با حذف اطلاعات تداخلی ناشی از محتوای تصویر، آشکارسازی دقیق‌تری داشته باشیم. از آنجایی که شبکه عصبی پیچشی (CNN) توانسته عملکرد موفقی در طبقه‌بندی تصاویر داشته باشد، از این شبکه‌ها در قسمت طبقه‌بندی استفاده می‌شود. مدل پیشنهادی بر اساس CAE متوالی شده با CNN است که توانسته دقت آشکارسازی و حساسیت به ضرایب کیفیت (QFs) قابل قبولی را در دو سناریوی هم‌تراز و ناهم‌تراز ارائه نماید. این مدل توانسته در برخی از حالت ها، حساسیت نسبت به ضرایب کیفیت را تا 86 در صد در مقدار کاهش خطای نسبی (RER) بهبود دهد. آزمایش‌های دیگری از جمله مکان‌یابی محل دست‌کاری بر روی مجموعه داده RAISE برای ارزیابی روش پیشنهادی انجام شده است. این نتایج نشان‌دهنده عملکرد بسیار خوب این روش نسبت به الگوریتم‌های مشابه در شرایطی است که ضریب کیفیت فشرده‌سازی دوم بزرگ‌تر از ضریب کیفیت فشرده‌سازی اول باشد. تفاصيل المقالة

یکی از مهم‌ترین کاربردهای عکس‌های هوایی، شناسایی و استخراج جاده و خودرو از تصاویر هوایی می‌باشد. در این مقاله ابتدا، با استفاده از شدت روشنایی و محتوای رنگ و فیلتر کردن تصویر در مدل‌های HSI و RGB، محدوده‌های جاده تعیین می‌گردد. سپس به منظور حذف نویز از فیلترهای متوسط‌گیر و میانه استفاده می‌شود. پس از لبه‌یابی توسط فیلتر لبه یاب مناسب، زاویه بین خط‌های مجاور جاده، توسط روش تبدیل هاف محاسبه شده و خط‌های غیر موازی زاید حذف می‌گردد. در گام بعدی، کدهای زنجیره‌ای به منظور فرموله کردن لبه‌های جاده به دست می‌آید و بازسازی جاده از فایل کدهای زنجیره‌ای صورت می‌پذیرد. مرحله آخر، تشخیص خودرو از تصاویر هوایی با استفاده از ویژگی سایه ایجاد شده از خودرو است. هدف از این مقاله ارائه روش بهینه در شناسایی جاده، انجام چندین مرحله اصلاح جاده، کد کردن آن و تشخیص خودرو می‌باشد. در این تحقیق مرجع تصاویر هوایی جاده، پایگاه Google Earth است. دقت کدهای زنجیره‌ای به منظور شناسایی جاده حدود 90% به دست آمده که نسبت به کارهای قبلی انجام شده بهبود نسبی حاصل شده است. تفاصيل المقالة