حملات خصمانه با اتصال نشانگرهای نویز بر روی چهره در برابر تشخیص عمیق چهره

Adversarial attacks by attaching noise markers on the face against deep face recognition

چکیده

1. مقدمه

2. پیش زمینه

1.2. تشخیص چهره عمیق

2.2. طبقه بندی حمله در مقابل تشخیص چهره عمیق

3. مطالعات مربوط

1.3. حملات تهاجمی برای دسته بندی تصاویر

2.3. حملات رقابتی علیه تشخیص چهره عمیق

4. روش فنی

1.4. تعریف چالش

2.4. انتخاب مکان نشانگر پارازیت تصویر

3.4. تنطیم رنگ و مکان

5. ارزیابی

1.5. مقدمه آزمایش

2.5. گزینش مکان نشانگر پارازیت تصویر

3.5. آزمایش ها در محیط دیجیتالی

4.5. آزمایش در دنیای واقعی

5.5. حملات انتقال پذیر

6. بحث و گفتگو

7. نتیجه گیری

منابع

چکیده

شبکه های عصبی عمیق هوش مصنوعی(DNNS) به طور فزاینده ای در فعالیت های آموزشی ماشینی موثر بوده اندکه این فعالیت ها شامل طبقه بندی تصاویر، تشخیص صدا، و پردازش زبان طبیعی است. تشخیص چهره با استفاده از DNNS کارایی بالایی دارد و به طور قابل ملاحظه در زمینه های گسترده ای از قبیل سیستم های مالی و بازرسی مهاجرتی مورد استفاده قرار می گیرد. با این حال شبکه عصبی یا همان DNNS نسبت به نمونه های تهاجمی که با اضافه کردن مقدار کمی پارازیت تصویر به نمونه اصلی به وجود می آید آسیب پذیر است که به طبقه بندی اشتباه در این سیستم می انجامد. در این مطالعه قصد داریم که پیشرفته ترین نرم افزار تشخیص چهره را با اتصال نشانگرهای پارازیت تصویر بر روی چهره در دنیای واقعی دچار خطا کنیم. به منظور به اشتباه انداختن یک مدل تشخیص چهره در دنیای واقعی، چالش های موجود در فرآیند حمله را مورد بررسی قرار می دهیم که این فرآیندها شامل تعیین مکان نشانگرهای پارازیت تصویر، تفاوت میان رنگ های نشانگرهای پارازیت دیجیتالی و رنگهای نشانگرهای پارازیت پس از پرینت، تفاوت های میان رنگ های نشانگرهای پارازیت که به چهره متصل شده اند و رنگ های نشانگرهای پارازیت پس از عکس برداری و تفاوت میان مکان های نشانگرهای دیجیتالی پارازیت و مکان های نشانگرهای پارازیت که به چهره متصل اند می باشد. در آزمایشات، ما نشانگرهای پارازیت را با در نظر گرفتن این چالش ها ایجاد کرده و نشان خواهیم داد که پیشرفته ترین مدل تشخیص چهره با اتصال حداکثر 10 نشانگر پارازیت به چهره دچار خطا می شود. این می تواند مدل های تشخیص چهره در شبکه های عصبی عمیق یا همان (DNNS) را با ریسک امنیتی مواجه کند.

7. نتیجه گیری  

در این مطالعه چالش هایی که باید در فریب دادن مدل های تشخیص چهره با اتصال نشانگرهای پارازیت تصویر بر روی چهره ها در دنیای واقعی حل شوند را تعریف کرده و روش های فنی برای کاهش تفاوت های رنگ و تفاوت های مکان نشانگرهای پارازیت تصویر ارائه دادیم. به علاوه، سه روش برای انتخاب مکان های نشانگرهای پارازیت تصویر ارزیابی کرده و نشان دادیم که سیستم تشخیص چهره عمیق به وسیله اتصال حداکثر 10 نشانگر پارازیت تصویر 5 ×5 پیکسلی بر روی چهره در دنیای واقعی را می توان فریب داد. در تحقیقات آینده، از شرکت کنندگان بیش تری استفاده کرده و با استفاده از گروه داده جمع آوری شده با فیلمبرداری از مناطق مختلف و با تجهیزات متفاوت به انجام مطالعه می پردازیم. هم چنین، سعی خواهیم کرد که مدل های تشخیص چهره را با استفاده از استیکرهای نقاشی چهره که طبیعی تر بوده و ناحیه تغییر وسیع تری نسبت به نشانگرهای پارازیت تصویر دارند، فریب دهیم و تلاش می کنیم که به سیستم های تشخیص چهره بازرگانی مانند Face++[43] و Rekognition[44] حمله کنیم.

Abstract

Deep neural networks (DNNs) have become increasingly effective in difficult machine learning tasks, such as image classification, speech recognition, and natural language processing. Face recognition (FR) using DNNs shows high performance and is widely used in various domains such as payment systems and immigration inspection. However, DNNs are vulnerable to adversarial examples generated by adding a small amount of noise to an original sample, resulting in misclassification by the DNNs. In this study, we attempt to deceive state-of-the-art FR by attaching noise markers on a face in the real world. To deceive an FR model in the real world, we address challenges in the attack process, including selection of locations of noise markers, the differences between colors of digital noise markers and those of noise markers after printing, the differences between the colors of noise markers that are attached to the face and those of noise markers after a picture is taken, and the differences between the locations of digital noise markers and those of noise markers that are attached to the face. In experiments, we generate noise markers considering these challenges and show that state-of-the-art FR can be deceived by attaching a maximum of 10 noise markers to a face. This can cause a security risk for FR models using DNNs.

7. Conclusion

In this study, we defined the challenges that must be solved when deceiving deep FR models by attaching noise markers on faces in the real world and demonstrated technical approaches to minimize color differences and location differences of the noise markers. In addition, we evaluated three methods for selecting the locations of the noise markers and showed that the deep FR system could be deceived by attaching a maximum of 10 noise markers of 5 × 5 pixels on the face in the real world. In future research, we will recruit more participants and conduct the study with face datasets collected under various shooting environments using different devices. In addition, we will attempt to deceive FR models using face painting stickers that are more natural and have a wider modulation area than noise markers, and will try to attack commercial FR systems such as Face++ [43] and Amazon Rekognition [44].

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

حملات خصمانه با اتصال نشانگرهای نویز بر روی چهره در برابر تشخیص عمیق چهره

Adversarial attacks by attaching noise markers on the face against deep face recognition

تشخیص حرکت دست با استفاده از تکنیک های پردازش تصویر و استخراج خصوصیات

Hand Gesture Recognition using Image Processing and Feature Extraction Techniques

چکیده

1- مقدمه

2- کار مرتبط

3- پیش زمینه

1. الگوهای دودوئی موضعی (LBP)

3-1- هیستوگرام گرادیانها

3-2- تحلیل مؤلفه اصلی (PCA)

3-3- الگوی دودوئی موضعی (LBP)

4- متودولوژی

4-1- قسمت بندی

4-2- استخراج خصیصه

4-3- ایجاد هیستوگرام مجموعه واژگان بصری

4-4- دسته بندی

5- نتیجه و بحث

6- نتیجه گیری و چشم انداز آینده

چکیده

شناسایی تصویر در حال تبدیل شدن به یک مرحله بسیار مهم در اکثر سیستمهای حل مسئله دنیای مدرن میباشد. روشهای دریافت، آنالیز و دسته بندی تصویر به تعداد فراوان در دسترس هستند، اما تفاوت میان این قبیل روشها هنوز نامعلوم است. لازم است که بین این تکنیکها تمییزگذاریهای مناسبی انجام شده و آنالیز شوند. تصاویر زبان اشاره آمریکایی استاندارد (ASL) از دست یک فرد که تحت شرایط محیطی مختلف عکسبرداری شده اند بعنوان مجموعه داده ها در نظر گرفته شده اند. هدف اصلی، شناسایی و دسته بندی حرکات دست برحسب معنی صحیح آنها و با حداکثر صحت ممکن میباشد. یک روش جدید برای همین کار ارائه شده و چند مدل پرطرفدار دیگر با آن مقایسه شده اند. تکنیکهای پیش پردازش متفاوتی که استفاده شده اند، هیستوگرام گرادیانها ، تحلیل مؤلفه اصلی ، و الگوهای دودوئی موضعی یا محلی  هستند. مدل جدید با استفاده از آشکارسازی لبه کنی ، ORB   و تکنیک کوله کلمات  ساخته شده است. داده پیش پردازش شده از میان چندین دسته کننده (جنگل تصادفی ، ماشینهای بردار پشتیبان ، نیو بیس ، رگرسیون لجستیک ، نزدیکترین همسایگیهای K ، پرسپترون چندلایه ای ) عبور داده میشود تا نتایج موثری دریافت شود. مشخص شد که صحت مدل جدید بطور چشمگیری بالاتر از مدلهای موجود است. 

1- مقدمه

فهم زبان اشاره یک کار دشوار بوده و مهارتی است که باید با تمرین کردن فرا گرفته شود. ولی ما میخواهیم در این مقاله چندین نقشه و رویه برای شناسایی و فهم این حروف، بدون یاد گرفتن زبان اشاره، فراهم آوریم. ما در وهله اول روی توسعه رویه های جدید برای فهم زبان اشاره، و یافتن تفاوتهای بین روشها و بهترین روش تشخیص زبان اشاره متمرکز میشویم. دشواریهای متعددی در توسعه یک روش بهتر برای تشخیص اشاره وجود دارد. مثلا، در زندگی واقعی عکسهایی که گرفته میشوند بیش از حد نویزی و خش دار بوده و نیاز به سطوح پیش پردازش زیادی دارند؛ مجموعه داده هایی که بصورت آنلاین در دسترسند معمولا چنان فاقد خش هستند که کار کردن روی آنها سبب توسعه مدلهایی میشود که فقط برای سر و کار داشتن با تصاویر کم یا تقریبا بدون خش آموزش دیده اند، لذا برای کاربری در زندگی واقعی بیهوده اند. بدین ترتیب، لازم است مدلی خلق نمود که بتواند با تصاویر پر خش کار کرده و همچنین نتایج مثبتی تولید کند. 

6- نتیجه گیری و چشم انداز آینده

در مقاله حاضر، تکنیک استخراج خصیصه ORB پیشنهادی در مقابل تعداد زیاد و متفاوتی از تکنیکهای پیش پردازش نظیر هیستوگرام گرادیانها، LBP و PCA، روی مجموعه داده های یکسان مورد آزمون قرار گرفته است. این روشها بطور موفقیت آمیزی از دسته کننده های برجسته مختلفی مانند KNN، SVM، جنگل تصادفی، نیو بیز، رگرسیون لجستیک و پرسپترون چندلایه عبور کرده اند. روش پیشنهادی عملکرد بهتری نسبت به تمام تکنیک های پیش پردازش دیگر برای دسته کننده های نیو بیز، رگرسیون لجستیک و KNN دارد، درحالیکه PCA بهترین عملکرد را نسبت به سایر تکنیکها برای دسته کننده های MLP، جنگل تصادفی و SVM دارد. گرچه این روش اساسا صحت بالایی در شناسایی حرکات ارائه میدهد. 

Abstract

Image identification is becoming a crucial step in most of the modern world problem-solving systems. Approaches for image detection, analysis and classification are available in glut, but the difference between such approaches is still arcane. It essential that proper distinctions between such techniques should be interpreted and they should be analyzed. Standard American Sign Language (ASL) images of a person’s hand photographed under several different environmental conditions are taken as the dataset. The main aim is to recognize and classify such hand gestures to their correct meaning with the maximum accuracy possible. A novel approach for the same has been proposed and some other widely popular models have compared with it. The different preprocessing techniques used are Histogram of Gradients, Principal Component Analysis, Local Binary Patterns. The novel model is made using canny edge detection, ORB and bag of word technique. The preprocessed data is passed through several classifiers (Random Forests, Support Vector Machines, Naïve Bayes, Logistic Regression, K-Nearest Neighbours, Multilayer Perceptron) to draw effective results. The accuracy of the new models has been found significantly higher than the existing model.

1. Introduction

Understanding sign language is an arduous task and it is a skill that has to be learned with practice. But with this paper, we aim to provide several schemes of identifying and understanding such letters without learning the sign language. We focus primarily on the development of new procedures to understand sign language, and to find differences between the approaches and best method of recognition of the sign language. There are several difficulties in developing a better method for sign recognition such as, in real life the images captured are so excessively noisy that high level of pre-processing is required, the datasets available online are generally so noiseless, that working on them leads to the development of models trained only to handle images with less or nearly no noise, hence being impractical for real-life application. Thus, it is imperative to create a model that can handle noisy images and also be able to produce positive results.

Conclusion and Future

ScopeIn the presented paper, the proposed technique of ORB feature extraction has been tested against many different pre-processing techniques such as Histogram of Gradients, LBP and PCA on the same dataset. These approaches have been successfully passed through various prominent classifiers such as KNN, SVM, Random Forest, Naïve Bayes, Logistic Regression and Multi-Layer Perceptron. The proposed technique outperforms all the other pre-processing techniques for Naïve Bayes, Logistic Regression and KNN classifiers while PCA outperforms all the other techniques for MLP, Random Forest and SVM classifiers. Although the approach gives substantially high accuracy for recognition of gestures.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

تشخیص حرکت دست با استفاده از تکنیک های پردازش تصویر و استخراج خصوصیات

Hand Gesture Recognition using Image Processing and Feature Extraction Techniques

تشخیص بدافزار هوشمند قوی با استفاده از یادگیری عمیق

Robust Intelligent Malware Detection Using Deep Learning

چکیده

1. مقدمه

A. پیشینه تحقیق

B. نیاز برای تحقیق

C. سهم اصلی تحقیق

2. مدلهای طبقه بندی بدافزار

a. طبقه بندی بدافزار با استفاده از تحلیل استاتیک

b. طبقه بندی بدافزار با استفاده از تحلیل دینامیک

c. طبقه بندی بدافزار با استفاده از روشهای پردازش تصویر

3. معماری های یادگیری عمیق

A. شبکه عصبی عمیق (DNN)

B. شبکه عصبی کانولوشن (CNN)

C. ساختارهای بازگشتی

4. معماری پیاده سازی و اقدامات آماری

5. تشخیص بدافزار با استفاده از یادگیری عمیق براساس تحلیل استاتیک

A. توصیف مجموعه داده

B. تحلیل داده ها و نتایج

6. تشخیص بدافزار با استفاده از یادگیری عمیق براساس تحلیل دینامیک

A. توصیف مجموعه داده

B. تحلیل داده ها و نتایج

7. طبقه بندی خانواده بدافزار با استفاده از یادگیری عمیق براساس پردازش تصویر

A. توصیف مجموعه داده

B. تحلیل داده ها و نتایج

C. DEEPIMAGEMALDETECT (DIMD

8. معماری پیشنهادی- SCALEMALNET

9. نتیجه گیری

منابع

چکیده

نقص های امنیتی که به علت حملات نرم افزاری مخرب (بد افزار) بوجود می آیند، نگرانی های امنیتی اصلی در عصر دیجیتال را افزایش می دهند. از آنجا که بسیاری از کاربران کامپیوتر، شرکت ها، و دولت ها، تحت تاثیر رشد چشمگیر حملات بدافزاری هستند، تشخیص بدافزار همچنان بعنوان یک موضوع تحقیقاتی داغ است. راه حل های فعلی تشخیص بدافزار که تحلیل پویا و استاتیک امضاهای مخرب و الگوهای رفتاری را در نظر می گیرند، زمان زیادی را صرف می کنند و ثابت شده که در شناسایی بدافزارهای ناشناخته در زمان واقعی، بی تاثیر هستند. بدافزارهای فعلی از پلی مورف ، متامورف ، و دیگر روش های اجتناب ناپذیر برای تغییر سریع رفتارهای بدافزار استفاده می کنند و تعداد زیادی بدافزار جدید ایجاد می کنند. چنین بدافزارهای جدیدی، عمدتا از انواع بدافزارهای موجود هستند، و الگوریتم های یادگیری ماشینی (MLA) برای انجام یک تحلیل بدافزاری موثر استفاده می شوند. با این حال، چنین روش هایی وقت گیر هستند، زیرا نیاز به مهندسی ویژگی وسیع ، یادگیری ویژگی، و نمایش ویژگی دارند. با استفاده از الگوریتم های یادگیری ماشینی (MLA) پیشرفته مانند یادگیری عمیق، می توان از فاز مهندسی ویژگی به صورت کامل اجتناب کرد. اخیرا مطالعات تحقیقاتی در این زمینه گزارش شده که عملکرد الگوریتم های آنها را با داده های آموزشی جانبدارانه نشان می دهد، که استفاده عملی از آنها را در موقعیت های زمان واقعی، محدود می کند. نیاز فوری برای کاهش تعصب و ارزیابی این روشها به صورت مستقل وجود دارد تا به یک روش جدید بهبود یافته برای تشخیص بدافزار موثر روز-صفر  دست یافت. برای پر کردن شکاف در ادبیات این موضوع، در ابتدا این مقاله، الگوریتم های یادگیری ماشینی (MLA) کلاسیک و معماری های یادگیری عمیق را برای تشخیص بدافزار، طبقه بندی، و طبقه بندی با استفاده از مجموعه داده های عمومی و خصوصی مختلف ارزیابی می کند. دوما، تمام گرایش های مجموعه داده حذف شده در این تحلیل تجربی را با تقسیم به مجموعه داده های عمومی و خصوصی، حذف می کنیم تا مدل را با استفاده از روشهای متناوب با استفاده از زمانبندی های مختلف آموزش دهیم و آزمایش کنیم. سوما، سهم اصلی ما در پیشنهاد یک روش پردازش تصویر جدید با پارامترهای بهینه برای MLAها و معماری های یادگیری عمیق، یک مدل موثر تشخیص بدافزار  صفر-روز  است. مطالعه تحقیقاتی جامع از مدل نشان می دهد که معماری های یادگیری عمیق پیشنهادی ، فراتر از الگوریتم های یادگیری ماشینی (MLA) کلاسیک هستند. نوظهوری در ترکیب معماری های تجسم و معماری های یادگیری عمیق برای روش ترکیبی استاتیک، دینامیک و مبتنی بر پردازش تصویر استفاده شده در یک محیط داده  بزرگ ، اولین نوع دستیابی به تشخیص هوشمند بدافزار روز-صفر استوار است. به طور کلی، این مقاله، روشی را برای تشخیص بصری موثر از بدافزار با استفاده از چارچوب یادگیری عمیق ترکیبی و مقیاس پذیر برای استقرارهای زمان-واقعی در اختیار قرار می دهد. 

IX. نتیجه گیری

این مقاله، الگوریتم های یادگیری ماشینی کلاسیک (MLAها) و معماری های یادگیری عمیق مبتنی بر تحلیل استاتیک ، روشهای پردازش تصویر و تحلیل دینامیک برای تشخیص بدافزار را مورد ارزیابی قرار داد و چارچوب به شدت مقیاس پذیر را با نام ScaleMalNet طراحی کرد تا بدافزارهای روز-صفر را تشخیص دهد، طبقه بندی و دسته بندی کند. این چارچوب از یادگیری عمیق در بدافزارهای جمع آوری شده از هاست های نهایی کاربر استفاده می کند و یک فرایند دو مرحله ای را برای تحلیل بدافزار دنبال می کند. در اولین مرحله، ترکیبی از تحلیل دینامیک و استاتیک برای طبقه بندی بدافزار استفاده می شود. در دومین مرحله، بدافزارها به دسته های بدافزار مربوطه با استفاده از روشهای پردازش تصویر، گروه بندی می شوند. تحلیل تجربی مختلف با استفاده از انواع مدلهای مختلف در هر دو مجموعه داده بنچمارک موجود عمومی و مجموعه داده جمع آوری شده خصوصی در این تحقیق، نشان داد که یادگیری عمیق مبتنی بر روش شناسی نسبت به الگوریتم های یادگیری ماشینی (MLA) کلاسیک بهتر اجرا می شود. چارچوب توسعه یافته قادر به تحلیل تعداد زیادی از بدافزارها در زمان واقعی می باشد، و برای تحلیل تعداد بیشتری از بدافزارها با پشته سازی  لایه های کمتری از معماری های موجود، مقیاس می شود. پژوهش های آینده نیازمند بررسی این تغییرات با ویژگی های جدید است که می تواند به داده های موجود اضافه شود. 

Abstract

Security breaches due to attacks by malicious software (malware) continue to escalate posing a major security concern in this digital age. With many computer users, corporations, and governments affected due to an exponential growth in malware attacks, malware detection continues to be a hot research topic. Current malware detection solutions that adopt the static and dynamic analysis of malware signatures and behavior patterns are time consuming and have proven to be ineffective in identifying unknown malwares in real-time. Recent malwares use polymorphic, metamorphic, and other evasive techniques to change the malware behaviors quickly and to generate a large number of new malwares. Such new malwares are predominantly variants of existing malwares, and machine learning algorithms (MLAs) are being employed recently to conduct an effective malware analysis. However, such approaches are time consuming as they require extensive feature engineering, feature learning, and feature representation. By using the advanced MLAs such as deep learning, the feature engineering phase can be completely avoided. Recently reported research studies in this direction show the performance of their algorithms with a biased training data, which limits their practical use in real-time situations. There is a compelling need to mitigate bias and evaluate these methods independently in order to arrive at a new enhanced method for effective zero-day malware detection. To fill the gap in the literature, this paper, first, evaluates the classical MLAs and deep learning architectures for malware detection, classification, and categorization using different public and private datasets. Second, we remove all the dataset bias removed in the experimental analysis by having different splits of the public and private datasets to train and test the model in a disjoint way using different timescales. Third, our major contribution is in proposing a novel image processing technique with optimal parameters for MLAs and deep learning architectures to arrive at an effective zero-day malware detection model. A comprehensive comparative study of our model demonstrates that our proposed deep learning architectures outperform classical MLAs. Our novelty in combining visualization and deep learning architectures for static, dynamic, and image processing-based hybrid approach applied in a big data environment is the first of its kind toward achieving robust intelligent zero-day malware detection. Overall, this paper paves way for an effective visual detection of malware using a scalable and hybrid deep learning framework for real-time deployments.

IX. CONCLUSION

This paper evaluated classical machine learning algorithms (MLAs) and deep learning architectures based on Static analysis, Dynamic analysis and image processing techniques for malware detection and designed a highly scalable framework called ScaleMalNet to detect, classify and categorize zero-day malwares. This framework applies deep learning on the collected malwares from end user hosts and follows a two-stage process for malware analysis. In the first stage, a hybrid of Static and Dynamic analysis was applied for malware classification. In the second stage, malwares were grouped into corresponding malware categories using image processing approaches. Various experimental analysis conducted by applying variations in the models on both the publically available benchmark datasets and privately collected datasets in this study indicated that deep learning based methodologies outperformed classical MLAs. The developed framework is capable of analyzing large number of malwares in real-time, and scaled out to analyze even larger number of malwares by stacking a few more layers to the existing architectures. Future research entails exploration of these variations with new features that could be added to the existing data.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

تشخیص بدافزار هوشمند قوی با استفاده از یادگیری عمیق

Robust Intelligent Malware Detection Using Deep Learning

مروری بر الگوریتم های رمزگذاری در تصاویر رنگی

An overview of encryption algorithms in color images

چکیده

1. مقدمه

2. رمزگذاری تصویر: یک بررسی اجمالی

3. طرح های رمزگذاری تصاویر رنگی

4. معیارهای ارزیابی عملکرد

5. بحث

6. نتیجه گیری و جهت های آتی

منابع

چکیده

     این روزها امنیت در امر انتقال داده ها از اهمیت ویژه ای برخوردار است. تصاویر جزو جذاب ترین داده ها در حوزه رمزگذاری می باشند. تصاویر رنگی از جذابیت بیشتری نسبت به تصاویر خاکستری برخوردار هستند زیرا اطلاعات بیشتری را ارائه می دهند. در این مقاله، چندین طرح رمزگذاری برای تصاویر رنگی (حالت RGB) بر اساس حوزه های بکارگیری بصورت گسترده مورد بررسی قرار گرفته شده است، بعلاوه در این زمینه بالغ بر 50 مقاله که بیشترشان سال پیش منتشر شده اند در اینجا خلاصه شده اند. همچنین، در این مقاله رمزگذاری تصاویر رنگی به ده طرح دسته بندی شده اند، و سپس طرح های پیشنهادی مقایسه شده و مزایا و محدودیت هایشان مشخص شده است. بعلاوه، لیست کاملی از تکنیک های آنالیز امنیتی متداول برای رمزگذاری تصاویر (خاکستری یا رنگی) که توانایی ارزیابی مقاومت بالقوه این روش در مقابل حملات احتمالی مختلف را دارند مورد بحث قرار گرفته اند. هدف از این مقاله ارائه اطلاعات دقیق در مورد طرح های رمزگذاری فعلی در حوزه تصاویر RGB می باشد. و در آخر، در این مقاله چندین مسئاله و مسیر تحقیقاتی به منظور اکتشاف در حوزه های امیدوار کننده برای پیشرفت های آتی در نظر گرفته شده اند.

رمزگذاری تصویر: یک بررسی اجمالی

     رمزگذاری تصویر فرایند پنهان کردن تصویر از دسترسی بدون اجازه با استفاده از یک کلید محرمانه می باشد. داده های دیجیتالی تصویری بصورت آرایه های مستطیلی شکل سازماندهی می شوند. اعضای یک آرایه بصورت پیکسلی می باشند، هر پیکسل دارای یک مقدار عددی می باشد. با توسعه علم اطلاعات (IT)، تصاویر دیجیتالی، که یک فرم از اطلاعات مانند تصاویر پزشکی، تصاویر خاکستری، تصاویر رنگی، تصاویر دوگانه، و غیره می باشند، بیشتر مورد استفاده قرار گرفته و ذخیره و ارسال می شوند. بر این اساس حفاظت از این نوع اطلاعات چالشی مهم به شمار می آید (19). با در نظر گرفتن مشخصات داده های تصویری، الگوریتم های رمزگذاری متعددی بر پایه تکنولوژی های مختلف مانند SCAN (20,21)، شبکه های تصادفی دایره ای (22,23)، منحنی بیضوی الگامال (24)، کد خاکستری (25)، ارسال موج (26)، اندازه گیری بردار (27)، تبدیل موجک های کسری (7,28,29)، تبدیل فیبوناچی – P (30)، و بی نظمی (1,19,31-33)، ارائه شدند.

     مقالات ارائه شده در زمینه رمزگذاری تصویر در ادامه توضیح داده شده اند. جدول 2 نشانگر مقایسه ای میان تکنیک های مختلف رمزگذاری و عملکرد آنها با در نظر گرفتن پارامترهای مختلف می باشد. امنیت الگوریتم رمزنگاری به سه سطح پایین (L)، متوسط (M)، و بالا (H) تقسیم می شود. اگر طرح رمزنگاری در مقابل حملات رمزگشایی ایمن نباشد، امنیت ارزیابی شده پایین خواهد بود. اگر طرح رمزنگاری در مقابل برخی از حملات رمزگشایی ایمن باشد سطح امنیت متوسط ارزیابی خواهد شد، و اگر در مقابل تمامی حملات رمزگشایی و مخصوص مقاوم باشد بسیار ایمن ارزیابی خواهد شد.

طرح های رمزگذاری تصاویر رنگی
     با توسعه تکنیک های کارآمد رمزگذاری تصاویر رنگی، بررسی و انتخاب الگوریتم های مورد استفاده در شرایط خاص به امری ضروری تبدیل شده است. الگوریتم های رمزگذاری تصاویر رنگی بر حسب حوزه های مختلف به دو دسته تقسیم می شوند: یکی از آنها حوزه فضایی و دیگری حوزه تبدیل شده می باشد. الگوریتم های رمزگذاری در حوزه فضایی اکثرا بر پایه ترکیب پیکسلها و یا بلوکهای تصویر استوار می باشد (79). اما الگوریتم های رمزگذاری در حوزه تبدیل شده بر پایه ترکیب و یا رمزگذاری ضریب های تبدیل و یا بلوک ها استوار هستند (79). با وجود اینکه اکثر تکنیک های رمزگذاری پیشنهادی بر پایه حوزه های تبدیل شده می تواند با سرعت بالای رمزگذاری توسط راه اندازی بصری اجرا شود، به دلیل خطی بودن ذاتیشان در سیستم کلی دارای ایمنی کامل نیستند. در عین حال، طبقه بندی این تکنیک ها تحت برخی از ضوابط امری دشوار محسوب می شود.

تشخیص خودکار توزیع اندازه ذرات از طریق آنالیز تصویر بر اساس آشکارسازی لبه تطبیقی محلی کنی و تغییر شکل دایره ای هاف

Automatic detection of particle size distribution by image analysis based on local adaptive canny edge detection and modified circular Hough transform

چکیده

1. مقدمه

2. روش پیشنهادی

2.2 آشکارسازی لبه کنی تطبیقی و محلی

2.3 تبدیل دایره‌ای اصلاح شده هاف

2.4 پسا پردازش

3. بحث و گفتگو و نتایج

4. نتیجه‌گیری

چکیده

برای به دست آوردن اندازه نانوذرات، میکروسکوپ الکترونی روبشی (SEM) و میکروسکوپ الکترونی عبوری (TEM) به طور گسترده‌ای مورد استفاده قرار گرفتند، اما اندازه‌گیری دستی توزیع اندازه آماری از تصاویر میکروسکوپ الکترونی روبشی به میکروسکوپ الکترونی عبوری وقت گیر بوده و نیاز به کار زیادی دارد. بنابراین، روش‌های آشکارسازی خودکار در اینجا مطلوب هستند. این مقاله یک الگوریتم پردازش تصویر که عمدتاً بر اساس آشکارسازی کنی و تغییر دایره‌ای اصلاح شده هاف است، پیشنهاد می‌کند. الگوریتم پیشنهادی می‌تواند آستانه‌های محلی را برای تشخیص ذرات از تصاویر با درجات پیچیدگی مختلف به کار بگیرد/ در مقایسه با نتایج به دست آمده از اعمال آستانه‌های جهانی، الگوریتم ما عملکرد بسیار بهتری دارد. استحکام و اعتبار این روش با مقایسه نتایج آن با اندازه‌گیری دستی تأیید شده است و توافق بسیار عالی به دست آمد. روش پیشنهادی می‌تواند ذرات با راندمان بالا را به دقت تشخیص دهد.

1- مقدمه

نانوذرات به دلیل ویژگی‌های خاص خود، مانند اثر اندازه کوچک، اثر سطحی، اثر کوانتومی و اثر تونل ماکرو-کوانتومی که خواص شیمیایی (بودوین و همکاران ، 2013؛ رسک و همکاران ، 2014) و فیزیکی (هوشیار و همکاران، 2014؛ محمدی و همکاران، 2013) منحصر به فردی به آنها می‌دهد، توجهات بسیاری به خود جلب کرده‌اند. می‌توان آن‌ها را در زمینه‌هایی از جمله تولید مواد (پاندی و همکاران ، 2013، تنهایی و همکاران ، 2015)، تحویل دارو (بلانکو و همکاران ، 2015؛ کوورو ، 2013)، تشخیص ژن (چینن و همکاران ، 2015؛ شی و همکاران ، 2015) و غیره مورد استفاده قرار بگیرند. توزیع اندازه نانو ذرات برای تحقیق و مسائل کاربردی در اولویت است و نانو ذرات با توزیع اندازه کم بسیار مطلوب هستند.

4- نتیجه‌گیری

برای دستیابی دستی به توزیع اندازه ذرات از تصاویر SEM به TEM ناکارآمد است و می‌تواند خطاهای احتمالی ایجاد کند. برای حل این مشکل، یک الگوریتم پردازش تصویر که می‌تواند به صورت خودکار اندازه ذرات در نویزهای مختلف، ذرات همپوشانی و پس زمینه ناهموار را اندازه‌گیری کند در این مقاله توسعه یافته است. جدای از برخی فرآیندهای پیش و پسا پردازشی، فرآیند اصلی الگوریتم پیشنهادی بر اساس ACED محلی و CHT اصلاح شده است. ACED محلی می‌تواند از مقادیر آستانه محلی، به ویژهT_h وT_l درون هر ریز تصویر استفاده کند تا نتایج آشکارسازی لبه باینری دقیق به دست آورد. پس از آن CHT اصلاح شده که پیچیدگی محاسبات را ساده می‌کند برای سرعت بخشیدن به شناسایی ذرات دایره‌ای به کار می‌گیرد. نتایج به دست آمده از الگوریتم پیشنهادی در با اندازه‌گیری دستی تشابهات زیادی دارند. تنها خطاهای کوچکی در رابطه با تعداد شناسایی شده و میانگین قطر مشاهده شد است. الگوریتم قوی و کارآمد می‌تواند ذرات را با دقت بالا اندازه‌گیری کند و در تجزیه و تحلیل آماری اعداد بزرگ ریزنگارها به ویژه برای ریزنگار با پس زمینه پیچیده مورد استفاده قرار بگیرد.

Abstract

To obtain size distribution of nanoparticles, scanning electron microscope (SEM) and transmission electron microscopy (TEM) have been widely adopted, but manual measurement of statistical size distributions from the SEM or TEM images is time-consuming and labor-intensive. Therefore, automatic detection methods are desirable. This paper proposes an automatic image processing algorithm which is mainly based on local adaptive Canny edge detection and modified circular Hough transform. The proposed algorithm can utilize the local thresholds to detect particles from the images with different degrees of complexity. Compared with the results produced by applying global thresholds, our algorithm performs much better. The robustness and reliability of this method have been verified by comparing its results with manual measurement, and an excellent agreement has been found. The proposed method can accurately recognize the particles with high efficiency.

1-Introduction

Nanoparticles have gained a lot of attention because of their special characteristics, such as small size effect, surface effect, quantum effect and macro-quantum tunnel effect, which enables them unique chemical (Baudouin et al., 2013; Reske et al., 2014) and physical (Houshiar et al., 2014; Mohammadi et al., 2013) properties. They can be applied in various fields including material fabrication (Pandey et al., 2013; Tanhaei et al., 2015), drug delivery (Blanco et al., 2015; Couvreur, 2013), gene detection (Chinen et al., 2015; Shi et al., 2015) and so on. The size distribution of the nanoparticles is a primary concern both for research and for application, and nanoparticles with narrow size distribution are highly desired.

4- Conclusions

To manually obtain the particle size distribution from SEM or TEM images is inefficient and can bring some potential subjective errors. To address this problem, an image processing algorithm which can automatically measure the particle size in different noises, overlapped particles and uneven backgrounds has been developed in this paper. Apart from some pre and post processing procedures, the main process of the proposed algorithm is based on local ACED and modified CHT. The local ACED can utilize the local threshold values, specifically Th and Tl, within each sub-image to get the detailed binary edge detection results. Afterwards, the modified CHT which simplifies the computation complexity is adopted to speed up the recognition of circular particles. Results generated by the proposed algorithm are in good agreement with the manual measurements. Only small errors are observed in regards of the detected number and mean diameter. The robust and efficient algorithm can measure the particles with high precision, and it can be applied in the statistical analysis of large numbers of micrographs, especially for the micrographs with complex backgrounds.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

تشخیص خودکار توزیع اندازه ذرات از طریق آنالیز تصویر بر اساس آشکارسازی لبه تطبیقی محلی کنی و تغییر شکل دایره ای هاف

Automatic detection of particle size distribution by image analysis based on local adaptive canny edge detection and modified circular Hough transform

امنیت با استفاده از پردازش تصویر و شبکه‌های عصبی کانولوشنال عمیق

Security using image processing and deep convolutional neural networks

چکیده

1 مقدمه

2 انگیزه

3 بررسی مقالات

4 کار پیشنهادی

5 پیاده سازی و تحلیل سیستم پیشنهادی

6 نتایج و بحث

7 نتیجه گیری و کار آتی

منابع

چکیده

     ایمنی از مواردی است که تمامی افراد نگران آن هستند. نقض امنیت مکان های خصوصی به تهدیدی تبدیل شده است که هر فردی تمایل دارد آن را از بین ببرد. سیستم های سنتی امنیتی هنگامی که یک نقض امنیتی را شناسایی می کنند، زنگ های هشداردهنده خود را فعال می کنند. با این حال، به کارگیری پردازش تصویر همراه با یادگیری عمیق  با استفاده از شبکه های عصبی پیچشی (کانولوشنی)  برای تشخیص و دسته بندی تصویر در شناسایی یک نقض به روشی ارتقاء یافته کمک می کند و در نتیجه سبب افزایش امنیت به میزان بسیار زیادی می شود. این به دلیل قابلیت آن در استخراج ویژگی های پیچیده از تصاویر با استفاده الگوریتم های دقیق و پیچیده تشخیص چهره و بدن است. نرخی که در آن یادگیری ماشین و به ویژه یادگیری عمیق تبدیل می شود، بسیار زیاد است. با استفاده از چنین فناوری، انتقال سیستم ها و مدل های موجود به سطح بعدی گام عظیمی در راستای پیشرفت ها در هر حوزه علم و فناوری است. چنین روندی در حوزه رایانه نیز وجود دارد. این دو به یکدیگر پیوسته و در حوزه امنیت مورد استفاده قرار می گیرند که منجر به دستیابی به نتایج بهتری نسبت به آنچه که تصور می گردید می شود که هدف این مقاله نیز می باشد.

2- انگیزه
     فناوری در حال تکامل است و پیشرفت های بسیاری در حوزه اینترنت اشیا (IoT) همانند حوزه امنیت ایجاد شده است. هدف این سیستم ارائه امنیت بهتر و بسیار قدرتمندتری است. استفاده از نمایش رایانه ای و یادگیری ماشین کمک زیادی به ارتقاء این سیستم کرده است. این کمک منجر به کاهش تعداد حسگرهای نصب شده در محل برای ایجاد امنیت شده است و بنابراین راه اندازی سخت افزاری را با حداقل تجهیزات امکان پذیر ساخته است. این سیستم توسط الگوریتم های بهینه پردازش تصویر و یادگیری ماشین که در دو سطح متوالی از معماری نرم افزاری سیستم قرار می گیرند پشتیبانی می شود؛ در این سطح فریم های متوالی از یک فایل ویدیویی به عنوان ورودی گرفته می شود و پس از پردازش به یک داده فرمت شده تبدیل می شود که حاوی اطلاعات نفوذ در سیستم است (البته در صورت وجود).

     هوش ماشینی (مصنوعی) یکی از داغ ترین موضوعات در این حوزه فناوری است که به رایانه ها توانایی یادگیری را می دهد که ورودی را از محیط اطراف خود دریافته کنند و اقداماتی برای حداکثر کردن احتمال خروجی موفق به کار گیرند. این فرآیند شمابه با روش اجرا شده در داده کاوی است. داده کاوی داده ها را استخراج می کند در حالی که یادگیری ماشین سعی می کند تا الگوهایی را در داده پیدا کند. در اینجا تصاویر کاربرانی که امکان دسترسی مجاز به داده های امن فراهم شده است، به عنوان مجموعه داده اولیه در آموزش مدل های شبکه عصبی مورد استفاده در شناسایی یک چهره به کار گرفته می شود. سپس این سیستم می تواند چهره افراد مورد نظر را شناسایی کند که در تصمیم گیری ها به ما کمک می کند و به نوبه خود سبب افزایش اثربخشی سیستم امنیتی می شود. در نتیجه، افزودن کاربران جدید به سیستم نیازمند آموزش شبکه عصبی است تا به قابلیت شناسایی چهره های اضافه شده جدید دست یابد. این کار مقادیر جدیدی را برای پارامترهای مورد استفاده در مدل شبکه عصبی تعیین می کند.

     استفاده از نمایش رایانه ای اخیراً به دست آمده است و الگوریتم های مورد استفاده در این حوزه با گذشت زمان بهتر و بهتر می شوند و در دستیابی به نتایج بهتر کمک می کنند. همچنین این مقاله بر پردازش تصویر تمرکز می کند به طوری که قصد داریم چهره ها را از فریم های به دست آمده با استفاده از ماژول های سخت افزاری دوربین که داده ها را به ماژول های کنترل کننده می فرستند، شناسایی کنیم. الگوریتم های پردازش تصویر به نوبه خود تصاویری که از نظر ویژگی غنی هستند را برای پردازش توسط مدل شبکه عصبی در لایه بعدی انتقال می دهد. این سیستم از یک معماری سه لایه ای تبعیت می کند که هر لایه دارای اهمیت خاص خود است؛ لایه اول لایه گیرنده سخت افزاری است، لایه دوم لایه پردازش تصویر است و در نهایت لایه شبکه عصبی قرار دارد.

یک رمزگذاری تصویری رنگی جدید با ترکیبی از نگاشت های آشفته 1D

A new color image encryption using combination of the 1D chaotic map

چکیده

1.    مقدمه

2.    پیش زمینه

2.1    نگاشت لجستیک

2.2    نگاشت ساین

3.    یک سیستم آشوبی جدید

3.1    ساختار سیستم

3.2    تایید سیستم جدید آشوب

4.    الگوریتم های رمز نگاری تصویر

4.1    فرایند رمز نگاری

4.2    فرایند رمز گشایی

5.    نتایج و مباحث آزمایشی

5.1    فضای کلید امنیتی

5.2    تحلیل های آماری

6.    جمع بندی

چکیده

این مقاله یک روش برای ایجاد کردن سیستم های آشوبی ساده و موثر با استفاده از یک تفاوت از توالی های خروجی دو نگاشت آشوبی یک بعدی (1D) مشابه موجود را ارائه می کند. ارزیابی های شبیه سازی ها و عملکرد نشان می دهد که سیستم پیشنهاد شده می تواند سیستم های آشوبی یک بعدی را با عملکرد آشوبی بهتر و بازه های آشوبی بیشتر در مقایسه با نگاشت های آشوب قبلی ایجاد کند. برای ارزیابی کردن کاربر این روش در رمز نگاری تصویر، یک سیستم رمز نگاری جدید از ساختار های خطی – غیر خطی- خطی بر اساس جابجایی های کلی در تصاویر، پیشنهاد شده است. این آزمایش نشان دهنده صحت الگوریتم های رمز نگاری شده می باشد. آزمایش ها و تحلیل های امنیتی نشان می دهد که این الگوریتم دارای عملکرد بسیار خوب در رمز نگاری تصویر و حمله های مختلف می باشد.

1. مقدمه

این روز ها امنیت اطلاعات یکی از مهم ترین مسائل در ارتباطات و اطلاعات می باشد. با پیشرفت تکنولوژی های اطلاعات، بسیاری از محتوای دیجیتال به صورت های مختلف ذخیره سازی و منتقل می شود. در نتیجه، حفاظت از داده های محتویات دیجیتال علیه پدیده های غیر عادی مانند کپی های غیر قانونی و تضمین امنیت آن ها تبدیل به یکی از موضوعات بسیار مهم شده است. به صورت خاص، در مقایسه با داده های متنی، بعضی از ویژگی های ذاتی داده های تصویری مانند سایز بزرگ، فراوانی بالا از داده ها و همبستگی وی بین پیکسل های همسایه، ویژگی هایی هستند که نسبت به داده های عادی، متفاوت هستند. علاوه بر این، داده های تصویری نیازمند یک ویژگی زمان واقعی قوی هستند ازین رو یک روش رمز نگاری با سرعت بالا و امنیت بالا مورد نیاز می باشد. اما سیستم های رمز نگاری بلوکی متداول که به صورت گسترده مورد استفاده قرار می گیرند، از نظر ارتباطات زمان واقعی عملکرد خوبی ندارند [1]. 

6. جمع بندی

در این مقاله، نخست ما یک روش ایجاد سیستم های آشوب ساده و موثر را با استفاده از توالی های خروجی مختلف از دو نگاشت آشوب یک بعدی موجود، ارائه کردیم. شبیه سازی ها و ارزیابی های عملکردی نشان می دهد که سیستم پیشنهاد شده می تواند سیستم های آشوب یک بعدی را با عملکرد آشوب بهتر و   بازه های آشوب بزرگتری را در مقایسه با نگاشت های نگاشت های قبلی ایجاد کند. سپس ما یک سیستم رمز نگاری جدید از ساختار های خطی – غیر خطی – خطی را ارائه کردیم که بر اساس جابجایی های کلی می باشد و سپس کاربرد آن برای رمز نگاری تصویری را نشان دادیم. آزمایش ها و تحلیل های امنیتی ، نشان می دهد که این الگوریتم عملکرد بسیار خوبی در رمز نگاری تصاویر و مقاومت نسبت به حمله های مختلف دارد.

Abstract

This paper introduces a method of making a simple and effective chaotic system by using a difference of the output sequences of two same existing one-dimension (1D) chaotic maps. Simulations and performance evaluations show that the proposed system is able to produce a one-dimension (1D) chaotic system with better chaotic performances and larger chaotic ranges compared with the previous chaotic maps. To investigate its applications in image encryption, a novel encryption system of linear-nonlinear-linear structure based on total shuffling is proposed. The experiment demonstrated the accuracy of the encryption algorithm. Experiments and security analysis prove that the algorithm has an excellent performance in image encryption and various attacks.

1. Introduction

Nowadays information security is a vital problem in information communication. With the advancements of information technology, lots of digital contents are being stored and transmitted in various forms. As a result, the protection of digital contents data against irregular phenomena, such as illegal copying, and guarantee of their secure utility has become an important issue. In particular, compared to text data, some intrinsic features of image data, such as big size, high redundancy of data and strong correlation among neighbouring pixels are different with ordinary information. Furthermore, image data requires the strong real-time property in communication, therefore, an encryption method with fast speed and high security is needed. But the traditional block encryption being widely used now is found to be inefficient for real-time communication[1].

6. Conclusion

In this paper, firstly, we proposed a method of making a simple and effective chaotic system by using a difference of the output sequences of two same existing one-dimension (1D) chaotic maps. Simulations and performance evaluations showed that the proposed system is able to produce a one-dimension (1D) chaotic system with better chaotic performances and larger chaotic ranges compared with the previous chaotic maps. Secondly, we proposed a novel encryption system of linear-nonlinear-linear structure based on total shuffling to confirm its applications in image encryption. Experiments and security analysis proved that the algorithm has an excellent performance in image encryption and various attacks.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

یک رمزگذاری تصویری رنگی جدید با ترکیبی از نگاشت های آشفته 1D

A new color image encryption using combination of the 1D chaotic map

خواندن خودکار سنجه های عقربه ای در محیط های ترکیبی با استفاده از برجستگی بصری

Pointer-type meter automatic reading from complex environment based on visual saliency

چکیده

۱- مقدمه

۲- روش

۲-۱- پیش‌پردازش تصویر

۲-۲- مکان دایره‌ی عقربه‌دار

۲-۳- تشخیص عقربه

۲-۴- محاسبه‌ درجه

۳- نتایج آزمایش

۴- نتیجه‌گیری

چکیده

این مقاله یک روش تفسیر خودکار را براساس برجستگی‌ بصری برای خواندن سنجه‌های عقربه‌ای در محیط‌های ترکیبی معرفی می‌کند. درمقایسه با روش‌های دستی، این روش از پردازش تصویر و تکنیک‌های خودکار استفاده می‌کند که مشکلات ناشی از قضاوت انسانی مانند کارآمدی پایین، فردزدگی و همچنین دقت نامناسب را ندارد. نخست، یک مدل عامل ناهمگونی پیکسل موضعی (LPIF) ایجاد می‌شود تا برجستگی بصری مکان سنجه‌ی عقربه‌ای را در تصویر بهتر کند. پس از دودویی‌کرن تصویر ، برای تشخیص مکان تقریبی عقربه از آشکارگر هاف دایره‌ای استفاده می‌شود. در ناحیه‌ی منتخب تصویر، عقربه‌ی واقعی سنجه‌ی عقربه‌ای، خطی راست است که بیشترین طول را دارد. درنتیجه، از تبدیل هاف خطی استفاده می‌شود تا مکان دقیق عقربه‌ی سنجه‌ به‌دست بیاید. در گام آخر، درجه‌‌ای که سنجه نشان می‌دهد از روی زاویه‌ی عقربه‌ی آن محاسبه می‌شود. آزمایش‌ها نشان می‌دهند که این روش روی هر نوع سنجه‌ی عقربه‌ای به‌خوبی جواب می‌دهد. و رویه‌ي خودکار پیشنهادشده نه‌تنها در هزینه‌ي کار باعث صرفه‌جویی می‌شود، راه‌حل خوبی برای تهدید‌های جانی در محیط‌های خطرناک است.

۱- مقدمه

امروزه، سنجه‌های عقربه‌ای به‌صورت گسترده‌ای در صنایع تست و کنترل استفاده می‌شوند. سنجه‌ی تراکم بار یا فشارسنج، سنجه‌ی خاموش‌گر روشنایی، سنجه‌ی سطح روغن، دماسنج روغن، ادوات خودرو و… مثال‌هایی از آن هستند. سنجه‌های عقربه‌ای مزیت‌های فراوانی دارند، ازجمله: ساختار ساده، هزینه‌های نگهداری کم، مقاومت در برابر تداخل‌های الکترومغناطیسی، دقت بالا و…. بااین‌حال، سنجه‌های عقربه‌ای هیچ رابط کابلی ندارد. بنابراین، شمار بسیاری از سنجه‌های عقربه‌ی نیاز دارند که انسان بر آن‌ها نظارت داشته باشد. چنین فعالیت دستی، پس از یک روز کاری بلند و خستگی فیزیکی زیاد اغلب به بهره‌وری پایین، فردزدگی و تشخیص نامناسب منتهی می‌شود. علاوه‌براین، موارد خطرناکی هست که نمی‌توان برای خواندن سنجه‌ی عقربه‌ای از مشاهده‌ی انسان استفاده کرد. بنابراین ایجاد کردن سیستمی برای خواندن سنجه‌ی عقربه‌ای به‌صورت خودکار بسیار مهم است.

۴- نتیجه‌گیری

این مقاله روشی برای خوانده سنجه‌های عقربه‌ای به‌صورت خودکار معرفی می‌کند. روش پیشنهاد‌شده به‌وسیله‌ی LPFI مشکلات پس‌زمینه‌ي پیچیده و درخشندگی متعادل را برطرف می‌کند. از آشکارساز هاف دایره‌ای برای تشخیص مکان تقریبی دایره‌ي عقربه‌دار استفاده می‌شود سپس آشکارساز هاف خطی عقربه را تشخیص می‌دهد. و در گام آخر، از روی مکان عقربه، درجه‌ی سنجه محاسبه می‌شود. نتایج‌ آزمایش‌ها صحت روش پیشنهادی برای خواندن سنجه‌ی عقربه‌ای را تأیید می‌کند. در آینده می‌توانیم برای افزایش سرعت و بهره‌وری، از روش تحلیل چند مقیاسی استفاده کنیم.

Abstract

This paper presents an automatic interpretation method for pointer-type meter reading from complex environment based on visual saliency. Compared with the manually based methods, the proposed approach is based on image processing and automatic technique, avoiding the problems of low efficiency, high subjective, as well as inaccurate precision that are caused by manual judgement. Firstly, a localized pixel inhomogeneity factor (LPIF) model is developed to improve the visual saliency of the pointer-type meter region. After binarization, the Hough circle detector is utilized to locate the approximate pointer region. In the candidate image region, the true pointer-type metre indicator is considered as the straight line with maximum length. Therefore, the Hough line transform is used to locate the precise pointer-type metre indicator. In the final step, the scale of metre-type meter reading is obtained by calculating the angle of pointer indicator. Experiments demonstrate that the proposed method is very effective on all kinds of pointer-type meter readings. And the proposed automatic scheme not only greatly economizes the labor cost, but also deals with life-threatening issues in dangerous environment.

1- Introduction

Nowadays, pointer-type meter has been widely used in test and control industries. Typical examples include pressure density meter, lightning arrester meter, oil level gauge, oil temperature gauge, and automobile instrument, etc. Pointer-type meter has many advantages, such as simple structure, low maintenance cost, strong resistance to electromagnetic interference, and high precision, etc. However, pointer-type meter generally has no cable interface. Hence, quite a large number of pointertype meters data heavily depend on human observation. After a long labouring time, such manual work often lead to low efficiency, high subjectivity and unfair calibration bias that are caused by heavily physical exhaustion. Moreover, there are some dangerous occasions that cannot use human observation for pointer-type meter reading. Thus, it is of great significance to develop an automatic reading scheme for pointer-type meter.

4- Conclusions

This paper proposes a method of reading pointer-type meter automatically. Through the improved LPIF model, the proposed method settles the problems of complicated background and unequal illumination. The Hough circle detector is used to locate the approximate region of the pointer dial, then the Hough line detector is utilized to find out the pointer indicator. And at the final step, we calculate the reading numbers from the point scale. The experimental results validate that the proposed algorithm is adequate for the reading of pointer-type meter in terms of accuracies. In the future, we can use the multi-scale analysis method to improve the speed and efficiency.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

خواندن خودکار سنجه های عقربه ای در محیط های ترکیبی با استفاده از برجستگی بصری

Pointer-type meter automatic reading from complex environment based on visual saliency

پردازش و انتقال طرح و تصویر مبتنی بر مخلوط گاوسی عمومی با شبکه های فرصت طلب برای شبکه های حسگر بی سیم

Image processing and transmission scheme based on generalized Gaussian mixture with opportunistic networking for wireless sensor networks

چکیده
1- مقدمه
2- کار های مربوطه
3- انتقال تصاویر بر اساس شبکه سازی های فرصت طلبانه
4- پردازش تصویر بر اساس مدل ترکیب گاوسی
5- پردازش تصویر تطبیقی و طرح انتقال
6- نتایج آزمایش ها و ارزیابی ها
7- جمع بندی

چکیده

برای تضمین الزام های کیفیت سرویس (QoS) ، و سرویس های حذف نویز از تصویر در شبکه های سنسور بی سیم (WSN ها) ، بر اساس تکنولوژی های شبکه های فرصت طلب و الگوریتم های ترکیب گاوسی عمومی، یک پردازش تصویر تطبیقی و طرح انتقال در این مقاله ارائه شده است. بر اساس ماتریس های ثبت وضعیت زمان واقعی، طرح های بهینه سازی چند هدفه با ضریب های متعادل کننده و طرح های همکاری فرصت طلبانه در ارزیابی انرژی و توانایی محاسبه در این مقاله بررسی شده است. سپس، الگوریتم های ترکیب گاوسی در این مقاله مورد استفاده قرار گرفته است تا بتوان داده های تصویر را کاهش داده و تداخل نویز را از محیط های WSN کاهش داد. در نهایت، نتایج شبیه سازی ها نشان می دهد که طرح پیشنهاد شده دارای نتایج ظرفیت پشتیبانی QoS بهتری می باشد مانند ویژگی های قابلیت اعتماد، عملکرد زمان واقعی و کارایی های انرژی همراه با صحت رمز نگاری تصاویر شامل بیشترین مقدار سیگنال به نویز.

7- جمع بندی

پردازش تصویر و انتقال در WSN ها به صورت گسترده مورد تحقیق قرار گرفته است و در کاربرد های مختلف شامل نظارت بر جریان ترافیک، شناسایی پلاک خودرو و غیره مورد استفاده قرار گرفته است. برای جمع آوری، پردازش و انتقال تصویر های بزرگ داده ها، ما انتقال داده ها را با شبکه سازی های فرصت طلبانه بررسی کردیم که سنسور های رله بهینه را مبتنی بر وضعیت زمان واقعی از انرژی باقی مانده و توانایی محاسباتی، انتخاب می کند. سپس، ما پردازش تصویر را با الگوریتم های ترکیب گاوسی عمومی بررسی می کنیم که می تواند داده های تصویر بزرگ را به صورت موثر فشرده کند و نویز تداخل داده های تصویر که در شبکه ایجاد می شود را حذف می کند. در کار ما، ما پردازش تصویر تطبیقی و طرح های انتقال را بر اساس ترکیب تکنولوژی های بالا ایجاد کردیم که با نام GGMON شناخته می شود. هدف ما با استفاده از این طرح بهبود عملکرد QoS انتقال تصویر در WSN ها و حفظ کیفیت بالای تصویر در گره های دریافت کننده می باشد. نتایج آزمایش ها بر اساس تحلیل های ریاضی و شبیه سازی ها نشان می دهد که طرح پیشنهاد شده می تواند عملکرد بهتری برای پردازش تصویر و انتقال در WSN ها ایجاد کند.

Abstract

For satisfying the quality of service (QoS) requirements and image denoising services in wireless sensor network (WSN) applications, based on opportunistic networking technology and generalized Gaussian mixture algorithm, an adaptive image processing and transmission scheme is proposed in this paper. According to the real-time state record matrix, the multi-objective optimization scheme with equalizer coefficients and the opportunistic cooperative scheme in view of energy and computing ability are studied, respectively. Then, the generalized Gaussian mixture algorithm is used to reduce the image data and eliminate the noise interference from the WSN environment. Finally, Simulation results show that the proposed scheme has better QoS support capability results such as reliability, real-time performance, and energy efficiency, as well as the image decoding accuracy including peak signal to noise ratio.

7- Conclusions

Image processing and transmission in WSNs has been extensively researched and developed in various application services, including traffic flow monitoring system, vehicle license plate recognition, etc. For gathering, processing, and transporting the image big data, we study the image transmission with opportunistic networking technology, which select the optimal relay sensors based on the real-time status including remaining energy and computing ability. Then, we research the image processing with generalized Gaussian mixture algorithm, which could compress the big image data effectively and eliminate the interference noise of image data caused in network transmission progress. In our work, we have proposed the adaptive image processing and transmission scheme based on the combination of the above technology, called GGMON. It aims to improve the QoS performance of image transmission in WSNs while maintaining the high quality of image at receiving sensor. Experimental results on mathematical analysis and simulation show that the proposed scheme could obtain the better performance for image processing and transmission in WSNs.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

پردازش و انتقال طرح و تصویر مبتنی بر مخلوط گاوسی عمومی با شبکه های فرصت طلب برای شبکه های حسگر بی سیم

Image processing and transmission scheme based on generalized Gaussian mixture with opportunistic networking for wireless sensor networks

مروری بر متدهای پردازش تصویر مبتنی بر موجک برای فشرده سازی اثر انگشت در کاربردهای بیومتریک

A Review of Wavelet-Based Image Processing Methods for Fingerprint Compression in Biometric Application

چکیده

1. معرفی

1.1 مفهوم کلی سیستم فشرده سازی تصویر

1.2 بررسی اجمالی سیستم های کاربردی بیومتریک

1.3 ویژگی های تصویر اثر انگشت

1.4 مروری بر تکنیک ها و استاندارد های فشرده سازی تصویر اثر انگشت

2 مروری بر مفاهیم پایه

2.1 موجک پایه یا نمونه اولیه

2.2 تبدیل موجک گسسته (DWT)

2.3 تبدیل موجک در دو بعد

2.4 بررسی آثار مشابه

3 نتیجه

چکیده

یک الگوریتم فشرده سازی داده یک تکنیک پردازش سیگنال است که برای تبدیل داده از یک قالب بزرگ به یک قالب بهینه شده متراکم مورد استفاده قرار میگیرد. حجم عظیم تصاویر اثر انگشت که نیاز به انتقال روی شبکه ای از پایگاه داده های بیومتریک دارند، یک نمونه عالی از اهمیت فشرده سازی داده است. هدف اصلی از فشرده سازی تصویر به دست آوردن بهترین کیفیت ممکن در یک دستگاه ذخیره سازی و هزینه پهنای باند انتقال کاهش یافته است. در این مقاله، یک بررسی روی رویکردهای روش شناختی مختلف در فشرده سازی تصویر اثر انگشت بر اساس الگوریتم موجک انجام شده است. از بررسی روش های فشرده سازی تصویر مبتنی بر موجک موجود، مشکلاتی شناسایی شده اند که عبارتند از: محدودیت استاندارد WSQ در یک نسبت تراکم 15:1 که می تواند با الگوریتم بهتری بهبود یابد. پیچیدگی بالای فرایند رمز گذاری تصویر از تکنیک های موجود نیز یک مشکل است. اکثر روش های موجود نیاز به تولید کتاب کد یا جداول جستجو دارند که هزینه های محاسباتی اضافی برای پیاده سازی در برمیگیرند. علاوه بر این، تنزل قابل توجه در ویژگی های بیومتریک اثر انگشت در نسبت تراکم بالاتر از 15:1 نیز یک چالش بزرگ است. بنابراین، تحقیق درمورد یک روش فشرده سازی کارآمد که به طور قابل توجه بتواند اندازه تصویر اثر انگشت را کاهش دهد و خواص بیومتریک خود را حفظ کند (هسته، انتهای خط الراس و شاخه ها) توجیه میشود.

1. معرفی

تصاویر حاوی مقدار زیادی اطلاعات هستند که نیازمند فضای ذخیره سازی بزرگ و پهنای باند انتقال زیاد است. پردازش تصویر و ذخیره سازی داده هزینه دارد و این هزینه به طور مستقیم متناسب با حجم داده هاست. با وجود پیشرفت های بعمل آمده در ظرفیت های ذخیره سازی انبوه و پردازش، همچنان زیر خط ظرفیت مورد نیاز سیستم های کاربردی قرار می گیرند [1]. بنابراین، فشرده سازی یک تصویر با ذخیره سازی تنها اطلاعات ضروری مورد نیاز برای بازسازی آن بسیار سودمند است. یک تصویر را می توان به عنوان ماتریسی از مقادیر پیکسل ها (یا شدت) تصور نمود و به منظور فشرده سازی آن باید از افزونگی استفاده شود. فشرده سازی تصویر یک عبارت کلی برای الگوریتم های مختلفی ست که برای رسیدگی به این مشکلات توسعه یافته اند.

3 نتیجه

در این مقاله، یک بررسی از روش های مختلف برای فشرده سازی تصویر اثر انگشت بر اساس الگوریتم موجک انجام شده است. از بررسی روش های فشرده سازی تصویر مبتنی بر موجک موجود، مشکلاتی شناسایی شده اند که عبارتند از: محدودیت استاندارد WSQ به نرخ تراکم 15:1 که می تواند با الگوریتم بهتر بهبود یابد. پیچیدگی بالای فرایند کدگذاری تصویر در تکنیک های موجود نیز یک مشکل است. بسیاری از روش های موجود نیاز به تولید کتابهای کد یا جداول راهنما دارند که هزینه های محاسباتی اضافی برای پیاده سازی طلب میکنند. علاوه بر این، تخریب قابل توجهی در ویژگی های بیومتریک اثر انگشت در نسبت تراکم بالاتر از 15:1 یک چالش بزرگ است. بنابراین، قابلیت پردازش سیگنال در پردازش موثر تصاویر اثر انگشت در حوزه تبدیل، کوانتیزه و رمزگذاری برای فشرده سازی بهینه جهت رسیدن به ذخیره سازی مقرون به صرفه داده ها و انتقال در سیستم های بیومتریک به یک اولویت تبدیل شده است. استفاده از موج coiflet  بایومتعامد برای دستیابی به عملکرد بهتر از نظر نرخ-اعوجاج، کیفیت ادراکی بهتر و پیچیدگی محاسباتی پایین تر روی استاندارد موجک CDF 9/7 نیز توصیه می شود.

Abstract

A data compression algorithm is a signal processing technique used to convert data from a large format to one optimized for compactness. Huge volumes of fingerprint images that need to be transmitted over a network of biometric databases are an excellent example of why data compression is important. The cardinal goal of image compression is to obtain the best possible image quality at a reduced storage and transmission bandwidth costs. In this paper, a review of different methodological approaches to fingerprint image compression based on the wavelet algorithm is conducted. From the survey of the existing wavelet-based image compression methods, the problems that have been identified include: the limitation of WSQ standard to a compression ratio of 15:1 which could be improved with better algorithm. High complexity of image encoding process of the existing techniques is also a problem. Most of the existing methods require the generation of codebooks or lookup tables which require additional computational cost for implementation. Additionally, significant degradation in the biometric features of fingerprint at compression ratio higher than 15:1 remains a major challenge. Therefore, the investigation of an efficient compression method that can significantly reduce fingerprint image size while preserving its biometric properties (the core, ridge endings and bifurcations) is justified.

1 Introduction

Images contain large amount of information that requires huge storage space and large transmission bandwidth. Image data processing and storage attract cost and the cost is directly proportional to the size of data. In spite of the advancements made in mass storage and processing capacities, these have continued to fall below capacity requirements of application systems [1]. Therefore, it is advantageous to compress an image by storing only the essential information needed to reconstruct the image. An image can be thought of as a matrix of pixel (or intensity) values and in order to compress it, redundancies must be exploited. Image compression is the general term for the various algorithms that have been developed to address these problems.

3 Conclusion

In this paper, a review of different methodological approaches to fingerprint image compression based on the wavelet algorithm is conducted. From the survey of the existing wavelet-based image compression methods, the problems that have been identified include: the limitation of WSQ standard to a compression ratio of 15:1 which could be improved with better algorithm. High complexity of image encoding process of the existing techniques is also a problem. Most of the existing methods require the generation of codebooks or lookup tables which require additional computational cost for implementation. Additionally, significant degradation in the biometric features of fingerprint at compression ratio higher than 15:1 remains a major challenge. Therefore, the signal processing capability to efficiently process fingerprint images in transform domain, quantize and encode them for optimized compression to achieve cost-effective data storage and transmission in biometric systems has become a priority. The use of biorthogonal coiflet wavelets to achieve superior performance in terms of better rate-distortion, better perceptual quality and lower computational complexity over the standard CDF 9/7 wavelet is therefore recommended.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

مروری بر متدهای پردازش تصویر مبتنی بر موجک برای فشرده سازی اثر انگشت در کاربردهای بیومتریک

A Review of Wavelet-Based Image Processing Methods for Fingerprint Compression in Biometric Application