پیش‌بینی عملکرد پروتئین‌ها (PFP) یکی از مسائل محاسباتی پیچیده به حساب می‌آید که در آن، هر پروتئین می‌تواند همزمان به بیش از یک کلاس عملکردی تعلق داشته باشد، هم‌چنین، کلاس‌ها در یک ساختار سلسله‌مراتبی به فرم درخت یا گراف جهت‌دار بدون دور سازماندهی می‌شوند. بنابراین، الگوریتم‌های مورد استفاده برای حل این مسأله، باید قادر به شناسایی همه‌ی کلاس‌های عملکردی یک پروتئین باشند و از طرفی سازگاری بین کلاس‌های عملکردی را حفظ کنند. بسیاری از الگوریتم‌های پیشنهادی، به منظور حفظ سازگاری کلاس‌های پیش‌بینی شده، به سادگی طی یک مرحله پیش‌پردازش، ناسازگاری‌های موجود بین کلاس‌های نمونه‌های آموزشی را رفع کرده و با فرض سازگار بودن مجموعه‌داده آموزشی، سازگاری کلاس‌های پیش‌بینی شده را تضمین می‌کنند. این راه‌حل، احتمال انتشار خطا را افزایش می‌دهد. این مقاله برای حل مسأله PFP، یک راه‌حل دو لایه‌ای ترکیبی را پیشنهاد می‌کند که با فرض ناسازگار بودن کلاس‌های عملکردی نمونه‌های آموزشی، سعی در پیش‌بینی کلاس‌های عملکردی سازگار برای یک نمونه جدید دارد. نتایج ارزیابی الگوریتم بر روی دو مجموعه‌داده چند برچسبی و سلسله‌مراتبی CellCycle و Derisi که با استفاده از اطلاعات داده‌های بیان ژن، عملکرد پروتئین‌ها را در دو نسخه FunCat و GO بیان می‌کنند، برتری روش پیشنهادی را نسبت به روش‌های موجود، به وضوح نشان می‌دهد.

دسته بندی‌کننده بیزساده یکی از روش‌های دسته‌بندی متداول مبتنی برنظریه بیزین می‌باشد که در حوزه داده‌کاوی و یادگیری ماشین بطورکارآمد مورد استفاده قرارگرفته است. با این وجود، فرض پایه این دسته بندی‌کننده که استقلال مشروط بر دسته ویژگی‌ها می‌باشد، اغلب در مسائل کاربردی مطرح در دنیای واقعی نقض و منجر به کاهش کارایی دسته بندی‌کننده می‌شود. دراین مقاله یک روش جدید انتخاب ویژگی مبتنی بر الگوریتم جستجوی هارمونی باینری که از روش‌های فرا اکتشافی نوظهور می باشد برای غلبه بر این مشکل و بهبود عملکرد این دسته بندی کننده پیشنهاد شده است. نتایج پیاده‌سازی‌ها در خصوص سه مساله دسته بندی «مجموعه داده بیماری دیابت»، «مجموعه داده یونسفر» و «مجموعه داده سونار» به عنوان مسائل متداول تشخیص الگو با ابعاد ویژگی کم، متوسط و بالا نشان می‌دهد که دقت دسته‌بندی‌کننده بیز پیشنهادی از دسته‌بندی‌کننده بیز ساده و دسته بندی کننده‌های بیز وزن‌دار مبتنی بر گسسته سازی ویژگی‌ها بهتر می‌باشد. همچنین نتایج آزمایشات از غلبه روش پیشنهادی بردسته بندی‌کننده بیز مبتنی بر الگوریتم ژنتیک از نظر زمان لازم برای آموزش مدل و دقت دسته بندی در مسائل با ابعاد متوسط و بالا حکایت می‌نماید.

پيش‌بيني صحيح بار علاوه بر صرفه جويي در هزينه هاي سرمايه گذاري ، امكان برنامه ريزي بهتر براي توسعه نيروگاه‌ها و شبکه‌های انتقال و توزيع را فراهم مي آورد. در ایران بدلیل وجود دو تقویم شمسی و قمری در موارد خاصی همچون روزهای بین تعطیل ، تعطیلی های پیاپی بارمصرفی متفاوت دارند .در فصل بهار و پائیز که درجه حرارت محیط در اغلب نقاط کشور معتدل می باشد بار شبکه نسبت به فصول تابستان و زمستان به مراتب پایین‌تر است، به همین دلیل در این 2 فصل، توزیع بار اغلب دارای خطای زیاد خواهد بود. خطای زیاد در پیش‌بینی بار ،نیاز به روشهای دیگر برای افزایش دقت و بهبود خطا را نشان می دهد. بررسی روش‌های قبل نشان می دهد که دسته بندی بار با توجه به تقویم شمسی و قمری در بهینه سازی مسئله ازاهمیت بالایی برخوردار است. در این تحقیق پس از دسته بندی داده‌های بارمصرفی، بردار ورودی مناسب برای سری زمانی انتخاب گردید وخروجی سری زمانی به ورودی شبکه عصبی که توسط بیزین آموزش داده شده اعمال میگردد. توانسته است با استفاده از بار روزهاي قبل در آموزش شبكه، در مقایسه با سایر روش‌ها دقت پيش‌بيني را تا حد زيادي بهبود بخشد.

در برنامه‌ريزي آينده يك سيستم قدرت، پيش‌بيني بار از اهميت ويژ ه‌اي برخوردار بوده و بايد ميزان خطاي آن تا حد امكان كاهش يابد. دقت نتايج اين پيش‌بيني بر هزينه توليد و همچنين ميزان خاموشي در سيستم قدرت تأثيرگذار مي باشد. در ایران بدلیل وجود دو تقویم شمسی و قمری در موارد خاصی همچون روزهای بین تعطیل، تعطیلی‌های پیاپی بار مصرفی متفاوت دارند به همین دلیل، توزیع بار اغلب دارای خطای زیاد خواهد بود. با توجه به حساس بودن پیش‌بینی بار استفاده از ابزاری مانند سری‌زمانی برای افزایش دقت و بهبود خطا مناسب است. انتخاب مناسب بردار ورودی برای سری زمانی از اهمیت بالایی برخوردار است، در این مقاله مدلی برای پیش‌بینی بار کوتاه مدت به کمک سری زمانی و آموزش شبکه عصبی توسط بیزین ارائه شد. این مدل پیشنهادی در مقایسه با سایر روش‌های مختلف تجزیه و تحلیل سری‌های زمانی از جمله AR، ARMA ، ARIMA ،GARCH دقت پيش‌بيني را تا حد زيادي بهبود بخشد.

امروزه شبکه‌های عصبی مصنوعی کاربرد وسیعی در زمینه‌های مختلفی از جمله تشخیص الگو و تقریب تابع دارند. آموزش شبکه‌های عصبی فرآیند پیچیده‌ای می‌باشد و تاکنون الگوریتم‌های مختلفی برای آموزش شبکه‌های عصبی ارائه شده است. یکی از روش‌های متداول برای آموزش شبکه‌های عصبی استفاده از الگوریتم‌های مبتنی بر گرادیان مانند الگوریتم پس انتشار است. از مهمترين مشکلات الگوریتم‌های مبتنی بر گرادیان، توقف اين الگوریتم‌ها در نقاط بهینه محلی و کند بودن روند همگرایی مي‌باشد. برای رفع مشکلات الگوریتم‌های مبتنی بر گرادیان از الگوریتم‌های تکاملی برای آموزش شبکه‌های عصبی استفاده شده است. در این مقاله یک روش جهش جدید برای بهبود کارایی الگوریتم تکامل تفاضلی ارائه شده است و از این الگوریتم، برای آموزش شبکه‌های عصبی استفاده شده است. مقایسه نتایج روش پیشنهادی و الگوریتم‌های دیگر نشان می‌دهد که روش پیشنهادی، دارای سرعت و دقت همگرایی بهتری نسبت به روش‌های دیگر است.

سلامت بیماران در بخش مراقبت‌های ویژه «آی سی یو» بیمارستان یکی از جنبه‌های مهم در پزشکی است. فاکتور‌های متفاوت همچون ساعت‌های کاری طولانی، اضطراب، کمبود نیروی انسانی اعم از پزشک و پرستار، وضعیت پیچیده‌ی بیماران و حجم زیاد اطلاعات باعث بروز خطا در زمینه‌ی تشخیص بیماری، درمان و مراقبت از بیمار در این بخش می‌شود. به همین دلیل، تصمیم‌گیری در مورد بهترین روش تأمین سلامتی بیماران که تشخیص درست بیماری جزء اولین ملزومات آن می‌باشد، به امری دشوار تبدیل شده است. یکی از مؤثرترین روش‌های تشخیص بیماری در بخش مراقبت‌های ویژه، تشخیص افتراقی است. تشخیص افتراقی به معنای تشخیص یکی از علل (بیماری‌ها) از بین تمامی علل مطرح برای یک علامت مشاهده شده در بیمار می‌باشد. در این مقاله، یک سیستم خبره به منظور تشخیص افتراقی پیاده‌سازی شده است. روش پیشنهادی مبتنی بر یکپارچه‌سازی سیستم خبره با الگوریتم کاوش قوانین و نیز استفاده از الگوریتم ژنتیک جهت بهینه‌سازی قوانین استخراج شده می‌باشد. سیستم با توجه به تجارب قبلی موجود در پایگاه داده، بیماری‌هایی که احتمال آنها وجود دارد را به پزشک پیشنهاد می‌دهد و در تصمیم‌گیری سریع در مورد تشخیص بیماری‌ها یاری می‌رساند. نتایج آزمایش‌ها نشان داده است که دقت تشخیص بیماری‌ها توسط سیستم طراحی شده 92% می‌باشد.

در اين پژوهش، هوش به عنوان يک نوع نيازمندي جديد در سيستمهاي نرم‌افزاري درنظر گرفته شده و چارچوبي براي توصيف نيازمنديهاي هوشمندي، مشابه با ساير نيازمنديها در سيستمهاي نرم‌افزاري ارائه شده است. تمرکز اصلي اين مقاله، بر روش ارزيابي اين ايده اصلي است که ويژکيهاي هوشمندي در قالب نيازمنديهاي نرم‌افزار قابل توصيف هستند. بدين منظور از رويکرد ارزيابي تجربي، به عنوان رويکرد غالب براي ارزيابي در مهندسي نرم‌افزاري استفاده شده است. در اين ارزيابي، که بر اساس استانداردهاي ارزيابي تجربي طراحي شده، بررسي مقايسه‌اي نيازمنديها در سه بعد کارکردي، کيفي و هوشمندي صورت گرفته است. در اين بررسي، شباهتها و تفاوتهاي انواع مختلف نيازمنديها (شامل نيازمنديهاي کارکردي، کيفي و هوشمندي) از نظر ويژگيهاي اعتبار، کامل‌بودن، ارتباط ميان نيازمنديها، تغييرپذيري نيازمنديها، قابليت پياده‌سازي و قابليت تست به صورت کمي اندازه‌گيري شده است. نتايج اين ارزيابي نشان مي‌دهد، شفافيت نيازمنديهاي هوشمندي (با استفاده از چارچوب معرفي شده) از نظر ويژگيهاي ذکر شده به اندازه شفافيت نيازمنديهاي کارکردي و کيفي نرم‌افزار مي باشد. نتايج اين آزمايش، ايده اصلي اين پژوهش را تاييد مي‌کنند که ويژگيهاي هوشمندي نرم‌افزار را می‌توان به صورت نيازمنديهاي نرم‌افزاري قابل درک، توصيف نمود.

پسوریازیس بیماری پوستی التهابی است. در این بیماری سیستم ایمنی مختل شده و سطح پوست با پلاک‌های قرمز پوشیده می‌شود. این بیماری درمان قطعی ندارد و تنها امکان کنترل با دارو وجود دارد. برای اندازه‌گیری میزان تاثیر داروها از شاخص PASI (Psoriasis Area and Severity Index) استفاده می‌شود که شامل چهار پارامتر وسعت، قرمزی (اریتم)، پوسته‌ریزی و ضخامت پلاک است. پزشکان پارامتر اریتم را به صورت تجربی و با چشم تخمین می‌زنند که نتایج آن در بین پزشکان متفاوت است. در مطالعات پیشین مدلی برای اندازه‌گیری خودکار پارامتر اریتم در استاندارد PASI (پاسی) ارائه شده که توسط پردازش کل پیکسل‌های پلاک تصویر انجام می‌شود. ولی پردازش کل پیکسل‌های پلاک کاری زمان‌بر است. هدف از این مقاله ارائه روشی جهت پردازش سریع پلاک تصویر با حفظ دقت اندازه‌گیری مطالعات پیشین است. برای این منظور با استفاده از نمونه‌گیری سیستماتیک، حجم بسیار کمی از پیکسل‌های پلاک انتخاب و پارامتر اریتم براساس آنها اندازه‌گیری شده است. نتایج نشان داده‌اند که تنها پردازش حدود 59 پیکسل پلاک برای اندازه‌گیری پارامتر اریتم در تصاویر با کیفیت‌های متفاوت کافی است و در دقت محاسبه خودکار درجه اریتم نسبت به الگوریتم پیشین تغییری ایجاد نمی‌شود.

ارزیابی و امکان‌سنجی استفاده از سیگنال قلبی (ECG: Electrocardiogram) به عنوان یک راهکار زیستسنجی، از جنبه های مختلف در مطالعات گذشته مورد بررسی قرار گرفته است. تغییرات درون سیگنالی و عدم تکرارپذیری در ضربان‌های قلبی، یک مشکل اساسی سیستمهای تصدیق هویت مبتنی بر ECG است. در این مقاله به منظور دستیابی به مشخصه های اساسی، کاهش تغییرات سطحی و افزایش کارایی سیستم، یک روش جدید استخراج ضربانهای قلبی و تقطیع آنها به مولفههای اصلی ارائه شده است. 30 ویژگی مکانی و زمانی از ضربان‌ها استخراج و بر اساس روش انتخاب ویژگی مستقیم در شش دسته 5 الی30 تایی دسته بندی شده اند. برای طبقه‌بندی الگوها از چهار روش نزدیک‌ترین همسایگی K، مدلهای گوسی، ترکیب مدل‌های گوسی و ماشین بردار پشتیبان استفاده شده است. آزمایشها بر روی پایگاه دادگان MIT-BIH نشان می دهد که با استفاده از طبقه‌بندی‌کننده نزدیک‌ترین همسایگی K، دستیابی به معیار نرخ خطای برابر (EER: Equal Error Rate) برابر 25/0± 70/2% با لحاظ شاخص سطح زیر منحنی مشخصه (AUC: Area Under the ROC Curve) برابر با 03/0±73/99% میسر است.

رتینوپاتی دیابتی یکی از دلایل شایع نابینایی در جهان محسوب می‌شود. انجام معاینات دوره‌ای و تشخیص به موقع بیماری می‌تواند مانع از بروز نابینایی در فرد شود. معاینات دوره‌ای شامل تصویربرداری از ته چشم و تحلیل تصاویر توسط افراد متخصص برای مشاهده تغییرات سریع در الگوی عروق خونی و بروز ضایعات مختلف می‌باشد. این روش معاینه بسیار زمانبر، پرهزینه و نیازمند افراد متخصص می‌باشد. بنابراین طراحی سیستمی خودکار برای جداکردن تصاویر سالم از تصاویر بیمار و تشخیص رتینوپاتی دیابتی ضروری بنظر می‌رسد. در این مقاله روشی خودکار برای غربالگری رتینوپاتی دیابتی ارائه شده است که مبتنی بر اطلاعات ساختاری و مورفولوژیکی تصویر می‌باشد. با توجه به اینکه اجزای سالم و بیمار در تصاویر شبکیه از لحاظ ساختاری و مورفولوژیکی با یکدیگر متفاوت هستند، می‌توان با استفاده از تبدیلات مناسب و با بکارگیری الگوریتم تفکیک محتوای تصویر، تصاویر شبکیه را به اجزاء سالم و بیمار جدا کرد. پس از جداسازی ضایعات از عروق، رتینوپاتی دیابتی با استخراج ویژگی‌های ناهمگنی، آنتروپی و انحراف از معیار تشخیص داده می‌شود. به منظور ارزیابی الگوریتم پیشنهادی از بانک استاندارد تصاویر شبکیه MESSIDOR و طبقه‌بند ماشین بردار پشتیبان و شبکیه عصبی استفاده شده است. نتایج حاصل از ارزیابی نشان می‌دهد که الگوریتم پیشنهادی توانسته است به مقدار sensitivity برابر با 99.13% و مقدار specificity برابر با 94.59% دست یابد.

بیماری پارکینسون از جمله بیماری‌های عصبی و عضلانی است که با گذشت زمان نشانه‌های مختلفی در رفتار حرکتی افراد مبتلا ظاهر می‌شود. این نشانه‌ها و الگوهای خاص حرکتی بیشتر در نحوه راه رفتن افراد بروز می‌کند. شناسایی خودکار الگوهای مختص به بیماری پارکینسون نقش بسزایی در تشخیص افراد بیمار پارکینسونی ایفا می‌نماید. این مطالعه، کاربرد پردازش تصاویر ویدیویی را در تشخیص خودکار بیماری پارکینسون نشان می‌دهد. روش پیشنهادی مبتنی‌بر استخراج الگوهای حرکتی توأم با ویژگی‌های فرکانسی حرکت و کاهش بعد در جهت تشخیص خودکار بیماری می‌باشد. الگوهای حرکتی با محاسبه زاویه بین دوپا در هر فریم از تصاویر ویدیویی محاسبه شده‌است. سپس، سیگنال حرکتی بر حسب زمان با کنار هم قراردادن الگوی هر فریم بدست آمده‌است. مولفه‌های فرکانسی سیگنال به عنوان ویژگی استخراج شده و افزایش سرعت و دقت سامانه‌ی تشخیص بیماری پارکینسون با استفاده‌از روش‌های کاهش‌بعد محقق شده‌است. کارایی روش پیشنهادی روی داده‌های جمع‌آوری شده در بیمارستان حضرت رسول اکرم (ص) بررسی گردید. نتایج حاصل بیانگر تفکیک گروه افراد سالم از بیماران پارکینسونی مبتنی‌بر دو طبقه‌بند ماشین‌ بردار پشتیبان و 5 همسایه نزدیکتر با دقت 93% می‌باشد.

حس بینایی به عنوان یکی از حواس اصلی انسان، بیشترین تاثیر را در یادگیری و زندگی روزمره‌ دارد. بسیاری از افراد جهت انجام کارهای روزمره مجبور به استفاده از عینک یا لنز می باشند. اخیرا با توسعه وسایل دیجیتال، محققان به دنبال راه حلی جهت رفع نیاز به استفاده از عینک یا لنز برای رفع عیوب انکساری چشم جهت تشخیص صحیح تصویر می باشند. در این خصوص با فرض دانستن مشخصات چشم شخص، تصویر قبل از نمایش در نمایشگر به کمک این مشخصات جبران‌سازی می‌گردد. در نتیجه پس از مشاهده توسط شخص به صورت تصویر اولیه دیده می‌شود. در این مقاله ابتدا به بیان روش مدلسازی تصویر تشکیل شده در شبکیه می‌پردازیم. سپس با استفاده از چند الگوریتم دکانولوشن اقدام به جبران سازی تصویر بر اساس مشخصات چشم شخص می‌کنیم. در نهایت با استفاده از معیارهای PSNR، SSIM، IWSSIM و همچنین از لحاظ ظاهری تصاویر بدست آمده از هر روش را با هم مقایسه می‌کنیم. در عمل کنتراست تصاویر جبران‌سازی شده‌ی بدست آمده بسیار پایین است. در نتیجه برای افزایش کنتراست، اصلاحی روی مقادیر تصاویر بدست آمده از الگوریتم‌های دکانولوشن انجام می‌شود.

نویز اسپکل به طورکلی بر کیفیت تصاویر سونوگرافی تاثیر می گذارد و باعث کاهش وضوح و کنتراست در این تصاویر می‌شود، در نتیجه، دقت تشخیص را پایین می‌آورد. در این مقاله، فیلترمیانگین غیرمحلی بیزی بهبود یافته (EBNLM) بمنظور حذف نویز اسپکل در تصاویر سونوگرافی پستان پیشنهاد شده است. میانگین غیرمحلی (NLM) یک فیلترموثر در حذف نویز است. فیلتر(EBNLM) توسعه یافته الگوریتم (NLM) است، که یک چارچوب کلی احتمالی برای حذف نویزتصویر فراهم می‌کند که می ‌تواند با نویز غیرگوسی مطابقت کند، و همچنین پارامترسازی آن بهتر از فیلتر (NLM) است. علت استفاده از فیلتر میانگین غیرمحلی بیزی بهبود یافته محافظت بیشتر از جزئیات تصویرمی‌باشد، که این کار را با اضافه کردن طیف سیگما به عملیات پیشین تصویر انجام می‌دهد. نتایج برروی تصاویر سونوگرافی پستان نشان می‌دهد که روش پیشنهادی در فرآیند حذف نویز بطور موثر نویزاسپکل رابدون مات کردن لبه‌ها از بین می‌برد، و همچنین قادر به حفظ دقیق لبه ها وجزئیات ساختاری تصویر است.

در اين مقاله، يك روش مرزي جديد با استفاده از روش ترمیم تصویر بر اساس محتواي آن در مسائل مات زدايي تصاوير ارائه مي گردد. در روش هاي مات زدايي تصاوير تعيين مرزهاي خارج از دامنه تصوير تاثير بسزايي در كيفيت تصوير بازسازي شده دارند. در روش هاي كلاسيك از مرزهاي مصنوعي مانند صفر، تكرارشونده،‌ بازتابي و پادبازتابي براي بازسازي مرز استفاده مي¬گردد كه ضعف عمده آنها، مستقل بودن مرزهاي در نظر گرفته شده از تصوير است. تكنيك پيشنهادي ما با استفاده از ترميم تصوير، يك روش بر اساس محتوا براي بازسازي مرز و گسترش تصوير،‌ براي مات زدايي آن ارائه مي دهد. نتايج عددي حاصل از تكنيك پيشنهادي نشان مي¬دهد كه كيفيت مات زدايي از تصوير در مقايسه با روش هاي موجود بهتر است.

امروزه حجم داده‌های چندرسانه‌ای در وب به‌طور چشمگیری در حال افزایش است. بنابراین نیاز به طراحی سیستم‌های جست‌وجو و بازیابی تصاویر به شدت احساس می‌شود. در این مقاله یک روش جدید و کارآمد برای بازیابی محتوا محور تصاویر(CBIR) پیشنهاد می‌شود. برای این منظور تصاویر از فضای رنگ RGB به فضای رنگ YCbCr تبدیل می‌شوند. سپس هر تصویر به کانال‌های خود یعنی Y، CbوCr تجزیه می‌شود. پس از آن تبدیل موجک روی هر کدام از کانال‌ها اعمال می‌شود و ضرایب موجک آن‌ها به عنوان ویژگی‌های تصویر استخراج می‌شود. روش پیشنهادی به مقابله با یکی از مهم‌ترین محدودیت‌ها در بازیابی محتوا محور تصویر، یعنی چالش بین دقت بازیابی و پیچیدگی زمانی آن می‌پردازد. نتایج تجربی روی پایگاه داده Wang که شامل ۲۳۶۳ تصویراست بسیار امیدوار کننده است.

در این مقاله، یک روش جدید نهان نگاری مقاوم و کور در حوزه تبدیل موجک ارائه می شود. در روش های نهان نگاری هر چه قدرت جاسازی بالاتر باشد، مقاومت در برابر حملات بیشتر خواهد بود. در این روش به منظور رسیدن به مقاومت بالا، چهار نسخه از واترمارک داخل ضرایب تقریب تصویر اصلی به صورت بلوکی جاسازی می شود. در مرحله جاسازی، تصویر اصلی به چهار زیر تصویر در حوزه مکان تقسیم می شود. یک تصویر واترمارک باینری با استفاده از تبدیل آرنولد به هم ریخته می شود، سپس به طور متناظر در هر چهار زیر تصویر جاسازی می شود. برای جاسازی واترمارک در هر زیر تصویر، تبدیل موجک گسسته بر روی هر بلوک زیر تصویر اعمال شده و باند تقریب برای جاسازی واترمارک انتخاب می شود. روش پیشنهادی یک روش کور است و نیازی به استفاده از واترمارک در مرحله آشکارسازی نیست. نتایج شبیه سازی نشان می دهد که این روش، امنیت و شفافیت تصویر واترمارک شده را افزایش می دهد. بعلاوه، در برابر حملات مختلف از جمله برش مقاوم است.

این مقاله یک روش جدید را برای تشخیص جعل تصویر مبتنی بر تبدیل کانتورلت که زیر مجموعه‌ای از روشهای مبتنی بر حوزه تبدیل می‌باشد، را ارائه کرده است. در این روش تصاویر دیجیتال ابتدا با استفاده از تبدیل کانتورلت به حوزه تبدیل برده می‌شوند، با این کار تصویر به زیر باندهای مختلف تجزیه می‌گردد که یکی از این زیر باندها از تصویر اصلی با استفاده از تکنیک‌های واترمارکینگ درون خود تصویر درج می‌گردد. در این روش برای بهبود عملکرد تشخیص ناحیه جعل شده از آتوماتای سلولی دو بعدی نیز بهره گرفته شده است. برای ایجاد امنیت در فرآیند درج نیز از مولد اعداد شبه تصادفی مبتنی بر آتوماتای سلولی استفاده شده است. نتایج عملی نشان می‌دهد که این روش در مقابل اکثر تخریب‌های انجام یافته بر روی تصاویر دیجیتال حساس بوده و عمل تشخیص ناحیه جعل شده را به خوبی انجام می‌دهد. دقت و صحت تشخیص و موقعیت یابی خوب از ویژگی‌های روش ارائه شده می‌باشد.

در اين تحقیق، روشی ترکیبی برای استخراج ویژگی در نهان‌کاوی تصاویر JPEG پیشنهاد شده است. بردار ویژگی پیشنهادی، ویژگی‌های آماری ماتریس همرخدادی زنجیرة مارکوف می‌باشند که ازتصاویر زیرباند تبدیل کانتورلت به دست آمده‌اند. به منظور ارزیابی روش فوق از طبقه‌بند ترکیبی استفاده شده است. طبقه‌بندهای ترکیبی، در واقع آزادی بیشتری به تحلیل‌گر می‌دهند که بتواند ویژگی‌ها را بدون محدودیت در ابعاد ویژگی و تعداد دسته‌های مورد یادگیری طراحی کند و آشکارسازهایی با سرعت بالاتر بسازد. نتایج تجربی دقت مناسب این ویژگی‌های ترکیبی را نشان می‌دهد.

در این مقاله روش تازه‌ای برای تشخیص لبه در تصاویر دیجیتال معرفی‌شده است. برای این منظور مسأله‌ی تشخیص لبه به عنوان یک مسأله‌ی بهینه‌سازی در نظر گرفته شده است که در آن به هر تصویر از لبه‌ها یک مقدار هزینه اختصاص می‌یابد. در واقع در این روش ما با تابع هزینه‌ای روبرو هستیم که می‌بایست کمینه شود. این تابع هزینه با توجه به معیار‌های موجود برای یک لبه‌ی ایده‌آل تعریف شده است. پیکر‌بندی تصویر لبه‌ها به صورت یک ماتریس دو بعدی است که به هر پیکربندی یک کشور در فضای راه حل مسأله اطلاق می‌‌شود و هر کشور هزینه‌ی متناظر با پیکربندی خود را دارد. با استفاده از سازو‌کار‌های موجود در الگوریتم رقابت استعماری یعنی Assimilation و Revolution که در ادامه توضیح داده می‌‌شوند، تابع هزینه کاهش داده شده و بهترین جواب مسأله‌ که بهترین تصویر لبه‌های تصویر اصلی‌است به دست آورده می‌شود. تصاویر لبه به دست آمده از این روش نشان دهنده‌ی کیفیت لبه‌های به دست آمده می‌‌باشد. در واقع این موضوع بیانگر این است که الگوریتم رقابت استعماری، ابزار قدرت‌مندی برای جستجو در فضای راه حل مسائلی‌با پیچیدگی ‌و گستردگی زیاد می‌‌باشد.

در اين مقاله، یک الگوریتم افزایشی بر مبنای فاکتورگیری نامنفی ماتریس به‌منظور حاشیه‌نویسی چندبرچسبی تصویر به صورت نیمه‌نظارتی پیشنهاد شده است. الگوریتم پیشنهادی، با استفاده از روش فاکتورگیری افزایشی نامنفی ماتریس به-جای روش عادی فاکتورگیری نامنفی ماتریس، می‌تواند یک زیرفضای مبتنی بر بخش را به صورت خطی در یک شمای برخط یاد بگیرد. این روش افزایشی قابلیت کاهش بُعد فاکتورگیری نامنفی ماتریس را بدون افزایش بار محاسباتی حفظ کرده و همچنین پیچیدگی مکانی را بدون مقیم کردن داده‌ی ورودی جدید در حافظه، ثابت نگه می‌دارد؛ بنابراین می‌توان به کمک این روش مجموعه داده‌های بزرگ را نیز حاشیه‌نویسی کرد. نتایج آزمایشات بر روی سه مجموعه داده‌ی استاندارد نشان می‌دهد که روش پیشنهادی دقت حاشیه‌نویسی را بهبود بخشیده و مهم‌تر از آن پیچیدگی زمانی را مستقل از تعداد نمونه‌ها کاهش داده است.