انجمن کامپیوتر ایران

نهان¬کاوی فراگیر تصاویر، کشف پیام مخفی در تصویر، مستقل از روش تزریق پیام مخفی است. محتوی تصویر به کار گرفته شده می¬تواند نقش مهمی در موفقیت نهان¬کاوی داشته باشد که تاکنون در تحقیقات انجام شده توجه چندانی به آن نشده است. اساسی¬ترین ویژگی هر تصویر بافت¬نگار آن است. اگر برای هر تصویر، یک تصویر معادل با تعداد رنگ کاهش یافته m ایجاد شود، بافت¬نگار آن بافت¬نگار کوانتیزه شده به m رنگ نامیده می¬شود. مقایسه بافت¬نگارهای کوانتیزه شده به تعداد رنگ مختلف می-تواند تغییرات جزئی حاصل از تزریق پیام به تصویر را آشکار سازد. در این مقاله اثر اختلاف واریانس جفت بافت¬نگارهای کوانتیزه بر نهان¬کاوی فراگیر بررسی شده است. نتایج نشان می¬دهد که در تصاویری که اختلاف واریانس بافت¬نگارهای اصلی و کوانتیزه آنها بیشتر است، احتمال شکست نهان¬کاوی فراگیر افزایش می¬یابد. این شکست در تصاویر حامل پیام مخفی مشهودتر است. با افزایش این اختلاف واریانس، مقادیر معیارهای ارزیابی نهان¬کاوی نسبت به یکدیگر واگراتر خواهد شد. این بدین معنی است که تأثیر عوامل دیگر مستقل از اختلاف واریانس در تصاویری که اختلاف واریانس زیاد است، بیشتر است. این تحقیق روی تصاویر خاکستری JPEG صورت گرفته است.

در جامعه کنونی به کارگیری کامپیوتر جهت آموزش امری ضروری است و در این میان سیستم¬های آموزشی هوشمند توجه محققان را به خود جلب کرده است. مدلسازی دانشجو نقطه تمرکز اصلی و یکی از اجزاء سیستم آموزشی هوشمند و نمایشی از رفتار و وضعیت دانشجو است. در هنگام استفاده دانشجو از سیستم، دنباله¬ای از اعمال انجام شده او ثبت می¬شود و سیستم تلاش می¬کند تا بر اساس آن، مدل یادگیری دانشجو را تعیین کند. این مقاله یک دیدگاه جدید برای مدل کردن رفتار دانشجو در سیستم شبه¬آموزشی با استفاده از ترکیب آتوماتای یادگیر و یادگیری تقویتی بیان می¬کند. در مدل پیشنهادی، مدل دانشجو توسط عامل تعیین¬کننده¬سطح به نام LDA -QLA که مدل یادگیری دانشجو را مشخص می¬کند، تعیین می¬شود. LDA-QLA در حقیقت الگوریتم یادگیری Qرا به عنوان مکانیزم یادگیری برای تعیین اینکه دانشجو یادگیرنده کند، نرمال یا سریع می¬باشد، بکار می¬¬گیرد و نشان داده شد با بکارگیری الگوریتم یادگیری Q سرعت تعیین مدل یادگیری دانشجو افزایش یافته است.

اخيراً، تحقيقات در زمينه بازشناسي چهره روي نمايشی از چهره متمركز شده است كه قادر باشد اطلاعات مناسب را كه نسبت به تغيير روشنايي و حالت چهره ثابت باشد، بدست آورد. كه سبب ايجاد يك توصيفگر قدرتمند بافتي كه الگوي باينري محلي (LBP) ناميده مي¬شود شده است. ما در اين مقاله روش کارآمد جديدی مبتنی بر توصيفگر الگوی باينری محلی، برای تشخيص چهره معرفی کرديم. در اين روش ابتدا انواع عملگرهای LBP با مقياس¬های مختلف (تعداد پيکسلهای همسايه مرکزی، شعاع همسايگی) را بر روی تصوير نرمال شده چهره اعمال می¬کنيم. سپس با توجه به عملکرد کلي سيستم بازشناسی، بر مبنای الگوريتم ژنتيک ضريبی برای هر LBP بدست مي¬آيدکه بر اساس آن ضرايب از نتايج LBPها در عمل بازشناسي استفاده مي¬کنيم. روش جديد MLBP GA based ناميده می¬شود. روش پيشنهادی بر روی پايگاه داده ESSEX و ORLبا روش¬های LBP, Gabor, KPCA, PCA وHierarchical Multi-scale LBP موردمقايسه قرار گرفت. نتايج بدست آمده برتری الگوريتم پيشنهادی را نسبت به الگوريتم¬های ديگر نشان داد. بخصوص هنگامی که فقط يک نمونه از هر فرد برای آموزش استفاده شد، روش ما عملکرد شناسايی چهره بهتری را نسبت به ساير روشهای موجود نشان داد.