فهرس المقالات Feature Extract

• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  1 - Hybridization of Facial Features and Use of Multi Modal Information for 3D Face Recognition
  Nita Thakare
  Despite of achieving good performance in controlled environment, the conventional 3D face recognition systems still encounter problems in handling the large variations in lighting conditions, facial expression and head pose The humans use the hybrid approach to recogniz أکثر

  Despite of achieving good performance in controlled environment, the conventional 3D face recognition systems still encounter problems in handling the large variations in lighting conditions, facial expression and head pose The humans use the hybrid approach to recognize faces and therefore in this proposed method the human face recognition ability is incorporated by combining global and local information to develop a robust face recognition system.In this papers it is proposed that hybridization of global and local facial features and combination of 2D and 3D modality helps in improving performance of face recognition system. The main issue of existing face recognition systems is the high false accept rate which is not desirable when security is the main concern. Most of the existing face recognition techniques overcome these problems with some constraints. However, the proposed methodology has achieved better results and handled all the three issues successfully. Also the use of 2.5D images (Depth Map) and dimensionality reduced data (Eigen faces) has shown that the system is computationally reasonable. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  2 - Document Analysis And Classification Based On Passing Window
  ZAHER BAMASOOD
  In this paper we present Document analysis and classification system to segment and classify contents of Arabic document images. This system includes preprocessing, document segmentation, feature extraction and document classification. A document image is enhanced in th أکثر

  In this paper we present Document analysis and classification system to segment and classify contents of Arabic document images. This system includes preprocessing, document segmentation, feature extraction and document classification. A document image is enhanced in the preprocessing by removing noise, binarization, and detecting and correcting image skew. In document segmentation, an algorithm is proposed to segment a document image into homogenous regions. In document classification, Neural Network (Multilayer Perceptron- Back propagation) classifier is applied to classify each region to text or non text based on a number of features extracted in feature extraction. These features are collected from different other researchers’ works. Experiments were conducted on 398 document images selected randomly from printed Arabic text database (PATDB) which was selected from various printing forms which are advertisements, book chapters, magazines, newspapers, letters and reports documents. As results, the proposed segmentation algorithm achieved only 0.814% as ratio of the overlapping areas of the merged zones to the total size of zones and 1.938% as the ratio of missed areas to total size of zones. The features, that show the best accuracy individually, are Background Vertical Run Length (RL) Mean, and Standard Deviation of foreground. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  3 - خوشه‌بندی تصاویر مقیاس بالا با مدل‌سازی نشانه‌های معنایی و شبیه‌سازی مکانی
  مهدی جلالی
  10.30495/jce.2022.1968473.1173
  در سال‌های اخیر حاشیه‌نویسی تصاویر یکی از موضوعات تحقیقاتی فعال است. در این مقاله برای حاشیه‌نویسی تصاویر، تکنیک خوشه‌بندی تعاونی نیمه نظارت‌شده پیشنهاد می‌شود. روش‌های خوشه‌بندی به دلیل عدم نیاز به حاشیه‌نویسی بسیار موردتوجه هستند. برای دستیابی به بالاترین کارایی، نتای أکثر

  در سال‌های اخیر حاشیه‌نویسی تصاویر یکی از موضوعات تحقیقاتی فعال است. در این مقاله برای حاشیه‌نویسی تصاویر، تکنیک خوشه‌بندی تعاونی نیمه نظارت‌شده پیشنهاد می‌شود. روش‌های خوشه‌بندی به دلیل عدم نیاز به حاشیه‌نویسی بسیار موردتوجه هستند. برای دستیابی به بالاترین کارایی، نتایج خوشه‌بندی شش سیستم با فضای رنگ و معیار شباهت متفاوت با رأی اکثریت به‌صورت تعاونی، باهم ترکیب می‌شوند. در شرایطی که تعداد رأی‌ها برای یک تصویر کم باشد از بازخورد مرتبط برای حاشیه‌نویسی آن استفاده می‌شود. امروزه بیشتر از معیار شباهت خطی برای تعیین شباهت بین تصاویر استفاده می‌شود، ولی مدل‌های غیرخطی به دلیل نزدیکی به سیستم بینایی انسان می‌توانند کارایی بسیار بهتری داشته باشند، بدین منظور معیار شباهت غیرخطی KMRBF برای شبیه‌سازی بینایی انسان و بهبود نتایج بازیابی پیشنهاد می‌شود. آزمایش‌ها روی پایگاه داده تصاویر کورل و تصاویر ماهواره‌ای نشان می‌دهند که روش پیشنهادی دارای کارایی مناسبی است. با توجه به نتایج به‌دست‌آمده در پایگاه داده تصاویر ماهواره‌ای فضای رنگ YIQ دارای دقت بالاتری (به مقدار 5/82 درصد) است. همچنین سه فضای رنگ CIELab, HSV و YIQ دارای کارایی بالاتری هستند، چون در این فضاهای رنگی لومینانس از کرومینانس جدا بوده و این فضاهای رنگی به سیستم بینایی انسان نزدیک‌تر هستند. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  4 - استخراج ویژگی طیفی ـ مکانی با استفاده از تحلیل طیفی تکین سه بعدی برای طبقه بندی تصاویر ابرطیفی
  احسان دشتی فرد آذر محمودزاده احمد کشاورز حامد آگاهی
  10.30495/jce.2023.1972096.1176
  استخراج ویژگی دارای نقشی ارزنده در پردازش تصاویر ابرطیفی است. در سالهای اخیر روشهای گوناگونی برای استخراج ویژگیهای کارآمد تصاویر ابر طیفی ارائه شده است. اخیرا تحلیل طیفی تکین شامل ویرایش معمولی آن در حوزه طیفی و تحلیل طیفی تکین دو بعدی در حوزه مکانی با موفقیت برای استخر أکثر

  استخراج ویژگی دارای نقشی ارزنده در پردازش تصاویر ابرطیفی است. در سالهای اخیر روشهای گوناگونی برای استخراج ویژگیهای کارآمد تصاویر ابر طیفی ارائه شده است. اخیرا تحلیل طیفی تکین شامل ویرایش معمولی آن در حوزه طیفی و تحلیل طیفی تکین دو بعدی در حوزه مکانی با موفقیت برای استخراج ویژگی در تصاویر ابرطیفی بکار گرفته شده است. با این حال عدم توفیق در استخراج ویژگیهای مؤثر طیفی ـ مکانی مشترک به عنوان یکی از اشکالات این دو الگوریتم به شمار می رود. در این مقاله برای غلبه بر این اشکال، یک توسعه سه بعدی از تحلیل طیفی تکین ارائه شده است. اعمال مدل پیشنهادی به تصاویر ابرطیفی منجر به حذف مؤلفه های نویزی شده و توانایی تشخیص ویژگیها بسیار بهبود می یابد. در این پژوهش، از دو مجموعه داده در دسترس عموم برای انجام آزمایشها استفاده شده است. نتایج آزمایشگاهی نشان می دهد که روش پیشنهادی ما عملکرد امیدوار کننده ای دارد به گونه ای که روی مجموعه داده ابرطیفی ایندیانا و دانشگاه پاویا به ترتیب دقت طبقه بندی حداقل 1/93% و 1/27% را در مقایسه با سایر روشهای اخیر کسب نموده است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  5 - باز ترکیب ویژگیهای حوزه فرکانس و مکان جهت تشخیص ماشینی زبان اشاره
  سیروس تن ناز
  10.30495/jce.2023.1973676.1179
  در این مقاله، یک سیستم برای تشخیص حروف الفبای زبان اشاره فارسی ارائه شده است. این سیستم قادر است 32 حالت ساکن دست برای حروف الفبای فارسی را تشخیص داده و آن را به متن فارسی ترجمه کند. به این منظور، تصاویری از حالتهای دست برای هر یک از حروف الفبا در نظر گرفته شده است. پای أکثر

  در این مقاله، یک سیستم برای تشخیص حروف الفبای زبان اشاره فارسی ارائه شده است. این سیستم قادر است 32 حالت ساکن دست برای حروف الفبای فارسی را تشخیص داده و آن را به متن فارسی ترجمه کند. به این منظور، تصاویری از حالتهای دست برای هر یک از حروف الفبا در نظر گرفته شده است. پایگاه داده شامل 600 تصویر از افراد مختلف توسط یک دوربین دیجیتالی تهیه شده است. تمامی دادههای تصویری را به حوزه دودویی منتقل کرده و اندازه آنها را با یک مقیاس واحد تغییر دادهایم. پیشپردازش دادههای تصویری شامل برش تصویر و حذف نویز میباشد. بعد از پیش پردازش، 3 الگوریتم برای استخراج ویژگی ها پیشنهاد می شود. الگوریتمهای پیشنهادی شامل الگوریتم ناحیهبندی تصویر، الگوریتم فواصل میان نقاط کانتور مرزی و مرکز ثقل و تبدیل رادون میباشد. الگوریتم فواصل میان نقاط کانتور مرزی و مرکز ثقل، نحوه قرارگیری نقاط روی منحنی پیرامونی دست نسبت به یکدیگر و نسبت به مرکز ثقل را نشان داده و لذا اطلاعات ساختاری مناسبی را برای توصیف حالتها ارائه می کند. الگوریتم بعدی، مبتنی بر ناحیهبندی تصویر است. در این الگوریتم در هر یک از ناحیهها نسبت تعداد پیکسلهای سفید بر کل تعداد پیکسلها محاسبه میشود. در تبدیل رادون علاوه بر این که اطلاعات کلی تصویر در هر یک از حالتها را بدست آوردیم، با استفاده از روش پیشنهاد شده و با کنار گذاشتن اطلاعات اضافی در آن، دقت تشخیص را بالا بردهایم. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  6 - استفاده از مدل های طبقه بندی برای بهینه سازی پیش بینی لینک در شبکه های اجتماعی خودمحور
  سهیلا نعمتی مهدی صادق زاده مازیار گنجو
  سیستم های پیشنهاد دهنده اجتماعی، نسل جدیدی از این سیستم ها می باشند که از شبکه اجتماعی به عنوان بستر مدل سازی کاربر استفاده می کنند تا با استفاده از حجم غنی داده های تعاملی، برخی از چالش ها را مرتفع نمایند. شبکه های آنلاین اجتماعی، دوستان جدید را به کاربران ثبت شده بر م أکثر

  سیستم های پیشنهاد دهنده اجتماعی، نسل جدیدی از این سیستم ها می باشند که از شبکه اجتماعی به عنوان بستر مدل سازی کاربر استفاده می کنند تا با استفاده از حجم غنی داده های تعاملی، برخی از چالش ها را مرتفع نمایند. شبکه های آنلاین اجتماعی، دوستان جدید را به کاربران ثبت شده بر مبنای خصوصیات گراف محلی پیشنهاد می دهند. هدف اصلی مسئله پیش بینی لینک در شبکه های اجتماعی، پیشنهاد لیستی از کاربران به یک کاربر خاص می باشد که احتمالا در آینده با آنها ارتباط برقرار خواهد کرد. در این تحقیق یک روش پیش بینی لینک بر اساس خصوصیات مدل های طبقه بندی ارائه شده است. در اینجا مسئله پیش بینی لینک به یک مسئله طبقه بندی با دو کلاس مثبت و منفی تبدیل شده، جائیکه کلاس مثبت نشان دهنده ارتباط و کلاس منفی نشان دهنده عدم ارتباط دو کاربر است. سه طبقه بند کلاسیک DT، NN و NB برای کار طبقه بندی استفاده شده است. برای ایجاد مجموعه داده از ویژگی های اعتبار، خوش بینی، تعداد همسایه های مشترک، تعداد مسیر با طول های متفاوت، تعداد توئییت های مشترک، تعداد مسیرهای خود محور داخلی و خارجی بهره گرفته می شود. اگر چه شبکه های خودمحور همپوشانی زیادی در حلقه ها ندارند، اما آزمایش ها نشان می دهد که در نظر گرفتن اطلاعات مسیرهای خودمحور به طور قابل توجهی عملکرد پیش بینی را بهبود می بخشد. طبقه بندی DT بهترین عملکرد را با دقت متوسط 99.85% به ثبت رسانیده است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  7 - Reducing Image Size and Noise Removal in Fast Object Detection using Wavelet Transform Neural Network
  mahmoud jeddi Ahmad Khoogar Ali Mehdipoor Omrani
  A robot detects its surroundings through camera information and its response requires a high-speed image process. Due to the increasing application of vision systems, various algorithms have been developed to increase speed of image processing. This paper proposes a dou أکثر

  A robot detects its surroundings through camera information and its response requires a high-speed image process. Due to the increasing application of vision systems, various algorithms have been developed to increase speed of image processing. This paper proposes a double density Discrete Wavelet-based Neural Network to enhance feature extraction and classification of parts in each picture. The Discrete Wavelet-based Neural Network combines multi-scale analysis ability of the wavelet transform and the classification capability of the artificial neural network by setting the wavelet function as the transfer function of the neural network. The automatic assembly process needs to capture the image in an online process in order to recognize the parts in the image and identify the location and orientation of the parts. In this part, the two dimensional double density discrete wavelet transform have been applied to compress and remove noise from the captured Image. By applying a value for the threshold, the coefficients of the wavelet transform function are obtained using these coefficients and the characteristics of the wavelet coefficients are calculated. Subsequently, a multilayer perceptron is trained using these extracted features of the images. To find the best vector characteristics, various combinations of extracted properties have been investigated. This method has succeeded in object detection and results show that the Neural Networks and the training algorithm based on the wavelet transform function have exquisite accuracy in classification. Thus, the developed method is considered effective as compared to other state-of-the-art techniques. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  8 - Detection of Blood Vessels in Retina Images using Gray Level Grouping Method
  Majid Eskandari Shahraki Mehran Emadi
  The main part of the eye is the retina covering the entire back section of the eye. Eye disease is one of the most important cause of disability and even death in developed countries as well as in developing countries. Disorders created in the retina that occur due to s أکثر

  The main part of the eye is the retina covering the entire back section of the eye. Eye disease is one of the most important cause of disability and even death in developed countries as well as in developing countries. Disorders created in the retina that occur due to special diseases can be detected by specific retinal images. Studying the variations in retinal photos in a special time could help physicians to diagnose the associated diseases. In this paper, the detection of blood veins in retina photos was investigated. For this purpose, first a new method is proposed to promote the quality of retina photos by combining the histogram adjustment and gray level grouping. We use the feature vector to classify the pixels. Next, a method for classifying the images based on the feature extraction vector is required. The use of neural networks is one of the best and most widely used methods of machine learning for classification. We used a 3-layer Perceptron to classify pixels. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  9 - Improving the speed and accuracy of arrhythmia classification based on morphological features of ECG signal
  Kamran Dehgany habib abadi Mohammad Yousefi
  ECG cardiac signals play a crucial role in determining heart disease. Somehow, by knowing the heart rate on the ECG, one can distinguish the type of arrhythmia and the type of disease. Arrhythmias are a type of heart disease that affects the normal functioning of the he أکثر

  ECG cardiac signals play a crucial role in determining heart disease. Somehow, by knowing the heart rate on the ECG, one can distinguish the type of arrhythmia and the type of disease. Arrhythmias are a type of heart disease that affects the normal functioning of the heart. The electrical activity of the heart is shown at the peaks of P, QRS, T, and the ST and PR sections. In this study, an effective method for identifying cardiac arrhythmias based on morphological features is presented. The extracted features are classified using SVM and KNN classification and random forest RF. Accuracy, sensitivity, positive predictive rate, negative predictive rate as well as execution time were used to evaluate the proposed method. The results show the superiority of the proposed method. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  10 - Improving Image Quality Based on Feature Extraction and Gaussian Model
  Alireza Alirezaei Shahraki Mehran Emadi
  By expanding the use of digital images in various areas of everyday life, such as medicine, identification, satellite imagery, and even personal cameras and machine vision, it is felt more effective in applying quality improvements to the images used. The low-quality im أکثر

  By expanding the use of digital images in various areas of everyday life, such as medicine, identification, satellite imagery, and even personal cameras and machine vision, it is felt more effective in applying quality improvements to the images used. The low-quality images in the machine's vision can expose the efficacy of later processing, such as feature extraction, classification, and pattern recognition. In this thesis, a new method for improving the quality of images based on the extraction of Godin’s combined feature and model has been proposed. Based on the fact that each homogeneous region in the image has a Gaussian distribution histogram, this distribution can be divided into smaller histograms. For the histogram division efficacy, the image is transmitted from the RGB space to the HSV space and the histogram division is applied to the severity region, and the histogram is applied to each sub Histogram based on the statistical characteristics, and the image. Improved results are returned to the RGB color space. Several qualitative and quantitative criteria have been used to evaluate the proposed method. Qualitative comparison results show improved image quality compared to histogram equivalence methods and linear contrast traction. Quantitative evaluation criteria, such as entropy and spatial frequency, as well as signal to noise ratio, and peak signal to noise ratio, are generally proposed for superiority of the method. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  11 - ارزیابی کارایی استفاده از تغییرات خرد اقلیم در تفکیک پوشش اراضی در مقایسه ‏با برخی از روش‌های طبقه‌بندی نظارت‌شده در ‏محیط‌های شهری خشک
  نجمه ستاری ملیحه عرفانی فاطمه جهانی شکیب
  10.30495/girs.2023.689922
  تفکیک بین اراضی بایر و ساخت و ساز شده از یکی از مهم‌ترین مسائل در تهیه نقشه کاربری اراضی/ پوشش اراضی در اقلیم‌های خشک و نیمه‌خشک است. در این راستا پژوهشگران بسیاری سعی در افزایش دقت طبقه‌بندی از طریق به کارگیری روش‌های مختلف داشته‌اند که دنبال کردن برخی از روش‌ها پی أکثر

  تفکیک بین اراضی بایر و ساخت و ساز شده از یکی از مهم‌ترین مسائل در تهیه نقشه کاربری اراضی/ پوشش اراضی در اقلیم‌های خشک و نیمه‌خشک است. در این راستا پژوهشگران بسیاری سعی در افزایش دقت طبقه‌بندی از طریق به کارگیری روش‌های مختلف داشته‌اند که دنبال کردن برخی از روش‌ها پیچیده و زمانبر است. از این رو مقاله حاضر با هدف به کارگیری تغییرات خرد اقلیم از طریق اجرای الگوریتم پهنه‌بندی محلی اقلیم ( LCZ ) در شناسایی کاربری اراضی با تاکید بر تفکیک مناطق ساخت و ساز شده در یکی از شهرهای خشک ایران انجام شد و کارایی روش با بررسی صحت طبقه‌بندی در مقایسه با روش‌های مختلف نظارت شده شامل حداکثر احتمال، حداقل فاصله، فیشر، KNN، Artmapفازی، شبکه عصبی مصنوعی و ماشین بردار پشتیبان مقایسه گردید. منطقه مورد مطالعه شهر زاهدان بوده که دارای رشد مناطق ساخت و ساز شده بسیار چشمگیری در دهه‌های گذشته است. به این منظور از چهار دوره از تصاویر ماهواره لندست هشت سال 2020 استفاده شد. نمونه‌های تعلیمی از گوگل ارث استخراج شد و صحت‌سنجی نتایج طبقه‌بندی‌ها به کمک 218 نقطه تصادفی انجام شد. نتایج صحت‌سنجی نشان داد که استفاده از الگوریتم LCZ با صحت کلی و ضریب کاپای 33/96 درصد و 95/0 بالاترین و پس از آن روش‌های ماشین بردار پشتیبان و فیشر با صحت کلی 61/87 و 03/83 و ضریب کاپای 82/0 و 75/0 قرار دارند. از این‌رو برای مطالعات کاربری اراضی/پوشش اراضی روش LCZ که خرد اقلیم‌های محلی را در نظر می‌گیرد، پیشنهاد می‌شود. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  12 - بهبود کیفیت تصاویر ماموگرافی با استفاده از تکنیک‌های پردازش تصویر
  مهدی حریری حسن نجفی
  با توجه به گسترش ابتلا به سرطان سینه، تشخیص زود هنگام آن از روی تصاویر ماموگرام با استفاده از روشهای کامپیوتری، بعنوان روشی موثر در جهت کاهش میزان مرگ و میر بیماران مورد توجه قرار گرفته است. از این رو در این پژوهش روشی مبتنی بر تکنیکهای پردازش تصویر جهت بهبود کیفیت تصاو أکثر

  با توجه به گسترش ابتلا به سرطان سینه، تشخیص زود هنگام آن از روی تصاویر ماموگرام با استفاده از روشهای کامپیوتری، بعنوان روشی موثر در جهت کاهش میزان مرگ و میر بیماران مورد توجه قرار گرفته است. از این رو در این پژوهش روشی مبتنی بر تکنیکهای پردازش تصویر جهت بهبود کیفیت تصاویر ماموگرافی ارائه شده است. از این رو در این پژوهش در جهت ایجاد یک سیستم پزشکیار، سعی در بهبود کیفیت تصاویر ماموگرافی با تکنیک های پردازش تصویر داریم. این پژوهش دارای دو مرحله پیش پردازش شامل یکسان سازی ابعاد و تعدیل هیستوگرام تصاویر و مرحله‌ی استخراج ویژگی با استفاده از تبدیل‌های کانتورلت و کرولت از تصاویر ماموگرافی است که سه دسته ویژگی ریخت‌شناسی و بافت شناسی، آماری و فرکانسی را جهت بهبود تشخیص ارائه می‌نماید و سبب افزایش صحت تشخیص می‌شود. روش بهبود پیشنهادی روی مجموعه داده MIAS اجرا شد و زیر مجموعه ای از‌ ویژگی‌های استخراج شده برای ورودی طبقه‌بند انتخاب گردید. بامقایسه عملکرد روش پیشنهادی روی طبقه‌بندهای مختلف، این روش میزان صحت 86.3 را نشان می‌دهد که نسبت به بقیه روشها نتیجه بهتری می‌باشد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  13 - Reliability Measurement’s in Depression Detection Using a Data Mining Approach Based on Fuzzy-Genetics
  Mohammad Nadjafi Sepideh Jenabi Adel Najafi Ghasem Kahe
  Developing a reliable data mining method is one of the most challenging issues in the features of advanced computer-based systems. Model reliability in depression disorder detection is the determining p-value or confidence limit for accuracy score. In this regard, data أکثر

  Developing a reliable data mining method is one of the most challenging issues in the features of advanced computer-based systems. Model reliability in depression disorder detection is the determining p-value or confidence limit for accuracy score. In this regard, data mining evaluation metrics provide a path to knowledge discovery and feature extraction is an important process for discovering patterns in data by exploring and modeling big data. The present paper discussed the data mining approach about detection in depression disorder characterized by symptoms such as sadness, feeling empty, anxiety, and sleep symptoms as well as the loss of initiative and interest inactivity. In this survey, a unique dataset containing sensor data collected from patients with depression was used. For each patient, sensor data were measured over several days. In this respect, the represented dataset could be useful for a better understanding of the relationship between depression and motor activity. On the other hand, to overcome the uncertainties raised from wearable sensors (that caused a significant amount of error in similar previous studies using conventional learning methods such as SVM, LR, NB), and also to increase the efficiency and accuracy of the results and to develop a reliable decision-making framework, the evolutionary hybrid machine learning method (fuzzy-genetic algorithm) will be used. The results show the high accuracy of the proposed method compared to other existing methods. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  14 - Diagnosis of anomalies in Thyroid Gland Images Based on Feature Extraction from Capsule Network Architecture.
  Mahin Tasnimi Hamid Reza Ghaffari
  10.22094/jcr.2021.687484
  Diagnosing benign and malignant glands in thyroid ultrasound images is considered as a challenging issue. Recently, deep learning techniques have significantly resulted in extracting features from medical images and classifying them. Convolutional networks ignore the hi أکثر

  Diagnosing benign and malignant glands in thyroid ultrasound images is considered as a challenging issue. Recently, deep learning techniques have significantly resulted in extracting features from medical images and classifying them. Convolutional networks ignore the hierarchical structure of entities within images and do not pay attention to spatial information as well as the need for a large number of training samples. Capsule networks consist of different hierarchical capsules equivalent to the same layers in the CNN neural network. This study tried to extract textural features using a deep learning model based on a capsule network. Thyroid ultrasound images were given to the capsule network as input data, and finally the features learned in the capsule network were used to teach the Support Vector Machine classifier, in order to diagnose thyroid cancer. Experimental results showed that the proposed method with 98% accuracy has achieved better results compared to convolutional networks. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  15 - Contours Extraction Using Line Detection and Zernike Moment
  Vahid Rostami Mahdieh Raesi
  Most of the contour detection methods suffers from some drawbacks such as noise, occlusion of objects, shifting, scaling and rotation of objects in image which they suppress the recognition accuracy. To solve the problem, this paper utilizes Zernike Moment (ZM) and Pseu أکثر

  Most of the contour detection methods suffers from some drawbacks such as noise, occlusion of objects, shifting, scaling and rotation of objects in image which they suppress the recognition accuracy. To solve the problem, this paper utilizes Zernike Moment (ZM) and Pseudo Zernike Moment (PZM) to extract object contour features in all situations such as rotation, scaling and shifting of object inside the image. The proposed method consist of three steps: first step employs Line Detection with Contours (LDC) in order to find the object region based on the connected components objects inside the image. In the second step, PZM is applied on the detected object regions to extract feature vector. Regarding to investigate the effectiveness of classifier at the final stage, the SVM and KNN classifiers are employed to extract final object contours. Experimental results on Caltech-101 dataset shows that classification rate is improved to 96.46%. In comparison to the former contour detectors, that proves the ability of the proposed method to detect object boundary in the most of the contour’s changes such as rotation or scaling. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  16 - A New Method for Diagnosing Patients Suspected of Bone Marrow Metastasis in the Presence of Outliers
  Mahmood Shahrabi Amirhossein Amiri Hamidreza Saligheh Rad Sedigheh Ghofrani
  10.22094/joie.2021.1919440.1815
  In recent years, medical images have played an essential role in diagnosis, treatment, and training areas. Thus, any advancement in this field can help doctors in diagnosing. On the other hand, statistical process control (SPC) is now widely used in monitoring healthcar أکثر

  In recent years, medical images have played an essential role in diagnosis, treatment, and training areas. Thus, any advancement in this field can help doctors in diagnosing. On the other hand, statistical process control (SPC) is now widely used in monitoring healthcare processes. In this research, using the image processing techniques and feature extraction methods (two-dimensional discrete wavelet), we propose some multivariate control charts to diagnose the type of bone marrow of the patients suspected of bone marrow metastasis in the pelvic region with early breast tumors. For this, 76 features (energy and histogram of oriented gradient) are extracted from the image. Next, using the GA, six features are selected and constitute a feature vector. Based on the feature vector, Hotelling’s T2 multivariate control charts are developed. Moreover, considering the high sensitivity of the classic estimators to outliers and contaminated data, we provide a robust Hotelling’s T2 control chart. Finally, we compare the ARL performance of the robust and the classic Hotelling’s T2 control charts in Phase II in the presence of local outliers in the Phase I data. The results confirmed the superiority of the robust version. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  17 - Fake News Detection Using Feature Extraction, Resampling Methods, and Deep Learning
  Mirmorsal Madani Homayun Motameni Hosein Mohamadi
  The production of fake news were practiced even before the advent of the internet. However, with the development of the internet and traditional media giving way to social media, the growing and unstoppable process of making and spreading this kind of news have become a أکثر

  The production of fake news were practiced even before the advent of the internet. However, with the development of the internet and traditional media giving way to social media, the growing and unstoppable process of making and spreading this kind of news have become a widespread concern. Fake news by disrupting the proper flow of information and deluding public opinion, potentially causes serious problems in society. Therefore, it is necessary to detect such news, which is associated with some challenges. These challenges may be related to various issues such as datasets, events, or audiences. Lack of sufficient information about news samples, or an imbalance are the main problems in some of these datasets, which will be addressed in this paper. In the proposed model, firstly the key features in relevant datasets will be extracted to increase information about news samples. After that, using the K-nearest neighbors, a genetic, and TomekLink algorithms as the cleaning techniques, as well as designing a Generative Adversarial network, as a technique for generating synthetic data, three novel methods in the area of hybrid resampling will be presented to balance these datasets. The presented methods cause a significant increase in the performance of the deep learning algorithms to detect fake news. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  18 - تشخیص هوشمند سرطان سینه در تصاویر ترموگرافی با استفاده از ماشین یادگیری بیشینه و پردازش تصویر
  حمیدرضا خداداد همایون مهدوی نسب
  از آنجا که سرطان پستان به عنوان یکی از دلایل اصلی مرگ و میر زنان در سراسر جهان شناخته شده، طبیعی است که ارائه و توسعه روش‌هایی برای تشخیص زود هنگام آن، به ویژه بدون استفاده از ابزارهای تصویربرداری تهاجمی و نیز با سرعت پاسخ مناسب، از ارزش بالایی برخوردار باشد. تصویربردار أکثر

  از آنجا که سرطان پستان به عنوان یکی از دلایل اصلی مرگ و میر زنان در سراسر جهان شناخته شده، طبیعی است که ارائه و توسعه روش‌هایی برای تشخیص زود هنگام آن، به ویژه بدون استفاده از ابزارهای تصویربرداری تهاجمی و نیز با سرعت پاسخ مناسب، از ارزش بالایی برخوردار باشد. تصویربرداری ترموگرافی، در صورتی که با روشی سریع و قابل اعتماد برای طبقه‌بندی نتایج تصویربرداری همراه گردد می‌تواند گزینه‌ای مناسب در جهت تحقق این هدف باشد. در این پژوهش با استفاده از ترموگرافی پستان و بهره‌گیری از نوعی از شبکه‌های عصبی متأخر به نام ماشین یادگیری بیشینه به عنوان یک طبقه‌بند هوشمند و کارآمد به مسئله تشخیص سرطان پستان اشاره شده است. همچنین، یک توسعه این طبقه‌بند تحت عنوان ماشین یادگیری بیشینه چندلایه مبتنی بر هسته را نیز مورد بررسی قرار گرفته است. در روش پیشنهادی، ابتدا با استفاده از یک روش تقسیم بندی خودکار تصاویر پایگاه داده به پستان های چپ و راست قطعه‌بندی و تفکیک شده و سپس با استخراج ویژگی های بافت محلی، رنگ و شکل و ارائه این ویژگی ها به صورت مجزا و یا ترکیبی به شبکه، عملکرد و کارایی سیستم مورد مطالعه قرار گرفته است. با آزمایش مدل های استخراج ویژگی بافت محلی گوناگون، مانند الگوی دودویی محلی (LBP) و الگوی سه تایی محلی (LTP) و نیز ویژگی‌های رنگ RGB و YCbCr، برترین نتیجه این تحقیق از تصاویر ترموگرافی پستان در پایگاه داده برای تحقیقات ماما با تصویر مادون قرمز (DMR-IR) برای یک ویژگی ترکیبی جدید پیشنهادی LBP-Mix و ویژگی بافت LTP حاصل از استخراج بافت محلی در شعاع‌های مختلف، با صحت بیش از 96 درصد و دقت 100 درصد به دست آمده است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  19 - استخراج مؤثر نقشه برجستگی تصویر با استفاده از تقویت تباین رنگ و بافت غالب
  مسعود خزاعی فدافن ناصر مهرشاد سید محمد رضوی
  در این مطالعه، الگوریتمی موثر و کارآمد برای تشخیص نقشه برجستگی تصویر بر اساس مدل سازی پاسخ سریع سیستم بینایی انسان به تغییرات شدت روشنائی، بافت و رنگ ارائه شده است. برخی موارد مانند الهام گرفتن از عملکرد سیستم بینایی انسان، عدم نیاز به آموزش، کاهش تعداد رنگ، کاهش کانال أکثر

  در این مطالعه، الگوریتمی موثر و کارآمد برای تشخیص نقشه برجستگی تصویر بر اساس مدل سازی پاسخ سریع سیستم بینایی انسان به تغییرات شدت روشنائی، بافت و رنگ ارائه شده است. برخی موارد مانند الهام گرفتن از عملکرد سیستم بینایی انسان، عدم نیاز به آموزش، کاهش تعداد رنگ، کاهش کانال های رنگی و استفاده صحیح از حداقل اطلاعات بافت در االگوریتم باعث افزایش کارایی آن شده است. در روش پیشنهادی در مرحله اول، با توجه به حساسیت سیستم بینایی انسان به سیگنال های با کنتراست بالاتر، فقط کانال با کنتراست بالاتر برای استخراج نقشه برجستگی رنگ استفاده و سپس با استفاده از مولفه شدت روشنایی در فضای رنگ Lab و با استفاده از مدل محاسباتی سلول ساده کورتکس بینایی نقشه برجستگی شدت روشنائی و نقشه برجستگی بافت استخراج می شوند. در نهایت، با ترکیب نقشه های برجستگی رنگ، شدت روشنائی و بافت، نقشه برجستگی به دست می آید. روش پیشنهادی و روش های موجود برروی پایگاه داده های MSRA10K و ECSSD آزمایش شده است. نتایج پیاده سازی ها نشان می دهد که الگوریتم ترکیبی پیشنهادی برای تشخیص نقشه برجستگی با استفاده از ویژگی های رنگ و بافت غالب، در پایگاه داده ECSSD به ترتیب دارای میانگین خطای مطلق، امتیاز معیار F و سطح زیر منحنی ROC ، 173/0 ، 789/0 و 891/0 و در پایگاه داده MSRA10K به ترتیب 178/0، 790/0 و 919/0 است که در مقایسه با سایر مدل ها بیانگر عملکرد بهتر روش پیشنهادی نسبت به سایر روش ها است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  20 - مروری بر تأثیر اعتیاد به مواد مخدر بر روی عملکرد و ساختار مغز بر مبنای تحلیل سیگنال‌های الکتروانسفالوگرام
  عاطفه توبیها ندا بهزادفر محمد رضا یوسفی همایون مهدوی نسب
  اعتیاد به مواد مخدر سبب ایجاد تغییرات ساختاری و عملکردی در مغز انسان می گردد و می توان آن را به عنوان یک بیماری مزمن در نظر گرفت. تاکنون مطالعات مختلفی جهت بررسی اعتیاد بر روی سیگنال الکتروانسفالوگرام (EEG) انجام شده که از نظر روش، شرایط تجربی، نمونه ها و نتایج متفاوت ه أکثر

  اعتیاد به مواد مخدر سبب ایجاد تغییرات ساختاری و عملکردی در مغز انسان می گردد و می توان آن را به عنوان یک بیماری مزمن در نظر گرفت. تاکنون مطالعات مختلفی جهت بررسی اعتیاد بر روی سیگنال الکتروانسفالوگرام (EEG) انجام شده که از نظر روش، شرایط تجربی، نمونه ها و نتایج متفاوت هستند. بررسی مطالعات قبلی و روش های تجربی جهت بررسی بهتر مسائل و چالش های موجود در طراحی مطالعات اعتیاد ضروری است. سیگنال الکتروانسفالوگرام، به عنوان یک ابزار غیرتهاجمی دارای توانایی بالقوه جهت بررسی فعالیت عملکردی و شناختی مغز است. از الکتروانسفالوگرام می توان جهت بررسی ارتباط تغییرات ایجاد شده در مغز در اثر مصرف مواد مخدر استفاده کرد. در این مقاله به بررسی تغییرات ایجاد شده در سیگنال الکتروانسفالوگرام در اثر مصرف مواد و همچنین پس از ترک مواد مخدر اشاره خواهد شد. نتایج نشان می دهد که مصرف مواد مخدر سبب کاهش پردازش توجه و ایجاد اختلالات عملکردی و ناهنجاری های مغزی می گردد. در افراد معتاد افزایش فعالیت زیرباندهای بتا و دومین زیرباند آلفا، تأخیر در رخداد و کاهش دامنه P300 مشاهده شده است. همچنین نسبت توان زیرباند آلفا به تتا در T6 کاهش نشان داده و اختلاف معنا دار در زیرباند دلتا به زیرباند آلفا در نسبت توان مشاهده شده است. یافته ها نشان می دهند که ولع و سابقه مصرف مواد افراد بر توان سیگنال الکتروانسفالوگرام تأثیر می گذارد. فعالیت عصبی در زیرباند آلفای افرادی که اعتیاد را ترک کرده اند نیز به طور معنی داری در لوب پاریتال (BA3 و BA7)، لوب فرونتال (BA4 و BA6) و لوب لیمبیک (BA24) ضعیف تر است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  21 - بازشناسی حالات ایستای دست با مدل مارکف مخفی بر اساس ویژگی شیب انحنای کانتور پیرامونی
  نسیبه علیجانپورشلمانی حسین ابراهیم نژاد افشین ابراهیمی
  امروزه ارتباط انسان با رایانه از طریق صفحه کلید، ماوس و ... امکان‌پذیر می‌باشد. این گونه وسایل با محدودیت‌هایی از جمله سرعت عملکرد مواجه هستند. هدف نهایی دنیای فنآوری این است که تعامل بین انسان با کامپیوتر مانند تعامل بین انسانها با هم، طبیعی و آسان باشد. در این مقاله ر أکثر

  امروزه ارتباط انسان با رایانه از طریق صفحه کلید، ماوس و ... امکان‌پذیر می‌باشد. این گونه وسایل با محدودیت‌هایی از جمله سرعت عملکرد مواجه هستند. هدف نهایی دنیای فنآوری این است که تعامل بین انسان با کامپیوتر مانند تعامل بین انسانها با هم، طبیعی و آسان باشد. در این مقاله روشی برای بازشناسی حالات دست مبتنی بر ویژگی شیب انحنای منحنی Bspline دست ارائه می‌گردد. بدین ترتیب که ابتدا تصویر دست در فریم‌های مختلف استخراج شده و تعدادی نقطه روی کانتور پیرامونی دست به صورت متساوی الفاصله انتخاب می‌شود. سپس، منحنی Bspline مرتبه 3 برای دسته‌های 4 تایی از این نقاط محاسبه می‌گردد. در ادامه شیب انحنا برای منحنی‌های Bspline محاسبه و به عنوان بردار ویژگی برای طبقه بندی به مدل مخفی مارکف داده می‌شود. روش پیشنهادی با توجه به استفاده از ویژگی شیب انحنا، نسبت به چرخش، انتقال و تغییر اندازه حساس نمی‌باشد. نتایج آزمایش روی 15 مجموعه از دنباله‌های ویدیویی با تعداد فریم‌های متوسط 150 فریم، نرخ بازشناسی %92/21 را به دست می‌دهد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  22 - Determination of the Type of The Imagined Movement of Organs in People with Mobility Disabilities Using Corrected Common Spatial Patterns
  Alireza Pirasteh Manouchehr Shamseini Ghiyasvand Majid Pouladian
  In order to help people with disabilities, understanding presence of the coronavirus (covid-19) pandemic increasingly highlights the need for emerging technologies. As we know, brain computer interface (BCI) systems were hired to resolve the important challenges on the أکثر

  In order to help people with disabilities, understanding presence of the coronavirus (covid-19) pandemic increasingly highlights the need for emerging technologies. As we know, brain computer interface (BCI) systems were hired to resolve the important challenges on the quality of life of people with disabilities and improve disabled person independent in performing daily activities. Therefore, in this work, BCI systems were furnished to study the type of movement of a person imagines from EEG signals. Before starting to analyze data, frequency bands and brain regions were first associated with motion imaging. Then, various types of spatial and frequency filters were applied to reduce signal noise, after that features were extracted by improving CSP algorithms like CSSP. Because the appropriate frequency band is not selected, the CSP results, which depend on frequency filtering, will not have the desired results, therefore CSSP method based on FIR filters is used. It means that we apply a frequency filter and frequency optimization occurred. The used data is standard data provided on bbci.de. In this database, 9 people have undergone EEG registration. Signal recording was performed in four visual classes including left-hand movement, right-hand movement, both feet, and language. To select the feature, we used the SFS feature algorithm. This algorithm achieved high accuracy by selecting six features together and using SVM classifier. In total, while the accuracy in the CSP method was 87.5%, in the CSSP method it reached 93.6 %. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  23 - A Brief Overview on Analysis and Feature Extraction of Electroencephalogram Signals
  Neda Behzadfar
  Human brain cells are active even during sleep and communicate through electrical impulses. Electroencephalogram (EEG) signals can be used to extract the correct information from the hu-man brain and classify it with different mental functions. Non-inventiveness, high t أکثر

  Human brain cells are active even during sleep and communicate through electrical impulses. Electroencephalogram (EEG) signals can be used to extract the correct information from the hu-man brain and classify it with different mental functions. Non-inventiveness, high temporal reso-lution, and relatively low financial cost are the reasons for the use of EEG widely in medical en-gineering research. Extraction of a feature is very important and fundamental for EEG signal classification. In this paper, some of the methods used to extract the features from EEG signals are reviewed. In biomedical research, the classification of EEG signals plays an important role. According to the principles of pattern recognition, the classification process has two stages: fea-ture extraction and classification. This study explains the EEG signal classification. Features are extracted for different bands. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  24 - Diagnostic Study for Neurodegenerative Disorders Based on Handwriting Analysis
  Leila Soleimanidoust Abdalhossein Rezai Hamideh Barghamadi Iman Ahanian
  10.30495/spre.2024.1994290.1226
  One of the most frequently acknowledged personal behavioral traits in the biometric system is the handwritten exam. Numerous fields, including e-health, psychological issues, medical diag-nosis, and many more, can benefit from handwriting analysis. In this study, a hand أکثر

  One of the most frequently acknowledged personal behavioral traits in the biometric system is the handwritten exam. Numerous fields, including e-health, psychological issues, medical diag-nosis, and many more, can benefit from handwriting analysis. In this study, a handwriting-based computer diagnostic method for identifying neurodegenerative disorders is established. The sug-gested computer diagnosis system uses the SFTA feature extraction approach, and the findings are classified using SVM, kNN, and D-Tree algorithms. MATLAB R2021b and the handwritten tests gathered at Botucatu Medical School, So Paulo State University—Brazil—are used to assess the performance of the suggested computer diagnosis method. The best results were related into two models of classifier, Optimizable model of SVM and kNN. The accuracy, sensitivity and specificity are 89.2%, 88.3% and 90.0% for SVM and 89.2%,90.0% and 88.3% for kNN over Meander handwritten exam. These results indicate that the use of SFTA feature extraction method, SVM classification algorithm and handwritten database in the proposed computer diagnosis system give acceptable results. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  25 - Robot control system using SMR signals detection
  faeze asadi
  One of the important issues in designing a brain-computer interface system is to select the type of mental activity to be imagined. In some of these systems, mental activity varies with user intent and action that must be controlled by the brain-computer system, and in أکثر

  One of the important issues in designing a brain-computer interface system is to select the type of mental activity to be imagined. In some of these systems, mental activity varies with user intent and action that must be controlled by the brain-computer system, and in a number of other signals, the received signals contain the same activity-related mental activity that should be performed by the brain-computer system. Take up The purpose of this paper is to identify and distinguish between multiple movements of the hand, including lifting and lowering the whole hand, from the electromagnetic signal (EEG) signal and the control of a robot by these signals. Since the purpose of using motor signals is selected from the various channels, channels 3c and 4c are selected as the preferred channel. This set of signals in total was about six healthy people. In this paper, support vector machines (SVM), multilayer perceptron (MLP) and probabilistic neural network (PNN) were designed to extract data properties. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  26 - A Survey on botnet detection methods in the Internet of Things
  Taha Shojarazavi hamid barati Ali Barati
  10.30495/ijsee.2023.1982835.1261
  Today, the Internet of Things is expanding due to a wide range of applications and services. The variety of devices connected to the Internet has made discussing security in these networks a challenging issue. Security includes various aspects such as botnets. Botnets a أکثر

  Today, the Internet of Things is expanding due to a wide range of applications and services. The variety of devices connected to the Internet has made discussing security in these networks a challenging issue. Security includes various aspects such as botnets. Botnets are a collection of devices such as smartphones, computers, and other devices infected by a program. This program, which is a herder bot, performs many harmful operations and leads to various anomalies in the network. Identifying botnets is one of the main challenges in IoT security due to their unique complexity. In this article, we have reviewed the botnet detection methods in IoT. Since there are different botnet detection methods in IoT, we need to do detailed research on different botnet detection methods and their strengths and weaknesses. In a way that shows the evolution of these malwares. Concepts such as life cycle, command and control models, communication protocols, botnet protocols, and botnet detection methods are described in this research. In the following, the advantages and disadvantages of botnet detection methods are discussed and these methods are compared. تفاصيل المقالة