هیستوگرام LBP

الگوی باینری محلی نوعی مشخصه ی استفاده شده برای طبقه بندی در بینایی کامپیوتر است. همچنین عملگر آنالیز بافت LBP بصورت ارزیابی بافت نامتغیر سیاه و سفید به دست آمده از تعریف کلی بافت در همسایگی محلی تعریف می شود. فرم کنونی عملگر LBP کاملا متفاوت از نسخه پایه اش است. تعریف اصلی به همسایگی های مدور اختیاری بسط می شود و تعدادی بسط توسعه یافته است. عملگر LBP اصلی، برچسب ها برای پیکسل های تصویر را با آستانه بندی همسایگی 3*3 هر پیکسل با مقدار مرکزی و در نظر گرفتن نتیجه به عنوان عدد باینری تشکیل می دهد. هیستوگرام این 2⁸=256 برچسب مختلف می تواند به عنوان توصیفگر بافت مورد استفاده قرار گیرد. در اصل، با در نظر گرفتن  پیکسل در LBP حاصل می تواند به فرم دسیمال به صورت زیر بیان شود:

که در آن i_{c و} i_p به ترتیب مقادیر سطح خاکستری پیکسل مرکزی می باشند  و p پیکسل های اطراف در همسایگی دایره با شعاع R در مورد اصلی P=8 و R=1 است.

طبق گفته های قبل مقدار پیکسل مرکزی از هر از هشت همسایه اش کسر می شود اگر نتیجه تفریق مثبت یا برابر صفر باشد با 1 رمزگذاری می شود در غیر اینصورت با صفر رمزگذاری می شود. هشت مقدار باینری در جهت عقربه های ساعت به منظور تشکیل عدد باینری 8 بیتی الحاق می شوند. مقدار دسیمال متناظر عدد باینری تولید شده به عنوان برچسبی برای پیکسل مورد نظر استفاده می شود. محدودیت عملگر lbp پایه این است که همسایگی 3*3 کوچکش نمی تواند به ویژگی های غالب با ساختارهای مقیاس بزرگ دست یابد. بنابراین، عملگر به استفاده از همسایگی با اندازه های مختلف بسط یافته است. استفاده از همسایگی های دایره ای و درون یابی دو سویه ی مقادیر پیکسل به هر شعاع و تعداد پیکسل در همسایگی اجازه می دهد. توجه داشته باشید که از معادله ی بالا استفاده می کنیم که همان معادله ی  استفاده شده در حالت اصلی است ولی با مقادیر p و R متفاوت. شکل زیر چندمثال از عملگر LBP بسط یافته را نشان می دهد.

محاسبه LBP اصلی

مثالهایی از عملگر LBP بسط یافته

هیستوگرام LBP نرمال سازی شده به عنوان بردار مشخصه برای بلوک متناظر استفاده می شود. هیستوگرام دارای 256bin متناظر با 256 رنگ خاکستری می باشد. علت استفاده از lbp این است که ما به بافت علاقمند هستیم  که در ناحیه ی کپی و پیست شده بطور مشابه باقی می ماند، حتی مقدار پس پردازش بعد از جعل اعمال می شود.

بنابراین الگوی بافت می تواند شاخص خوبی از تشخیص جعل باشد.

الگوی یکنواخت، بسط دیگر عملگر LBP اصلی است. نشان داده شده است که الگوهای ویژه حاوی اطلاعات بیشتری نسبت به بقیه می باشند، بنابراین استفاده از زیر مجموعه ی کوچکی از کل تعداد الگوها (2P) برای توصیف هر بافت امکان پذیر است. این زیر مجموعه از الگوها، الگوهای یکنواخت نامیده می شود و با LBP^U2_P,R نمایش داده می شود. برای هر الگوی باینری محلی می تواند به صورت یکنواخت در نظر گرفته شود در صورتیکه حاوی حداکثر دو انتقال بیتی از 0 به 1 یا برعکس باشد.

به عنوان مثال 00000000 (0 انتقال)، 11001111(2 انتقال)، 0111000(2 انتقال) یکنواخت می باشد. در حالیکه 11001001(4 انتقال) و 01010010(6 انتقال) یکنواخت نمی باشند. مشاهده می شود که در تصاویر بافت، الگوهای یکنواخت به میزان تقریبا %90.6، %85،%70  از تمام الگوها هستند. زمانیکه همسایه های (8،1)، (8،2)، (16،2)  به ترتیب استفاده می شوند.

در محاسبه ی هیستوگرام LBP تمام الگوهای یکنواخت دارای binهای مجزا در هیستوگرام هستند در حالیکه تمام الگوهای یکنواخت به یک bin تخصیص می یابند.  شکل زیر مثالی از هیستوگرام های LBP  چهار بلوک را نشان می دهد که سه مورد از آنها نشان دهنده ی copy-move هستند و یک مورد copy-move در سه مولفه رنگی نیست. برای سهولت بلوکها به صورت غیر همپوشانی رسم می شوند. طبق شکل مشاهده میکنیم که بلوکهای copy-move (شماره بلوکهای 28،23و 63) دارای هیستوگرام LBP مشابه در مولفه رنگی متناظر می باشند، در حالیکه هیستوگرام شماره بلوک 79 کاملا غیر مشابه است.

در واقع هیستوگرام LBP^U2 شامل اطلاعاتی درباره ریزالگوهای محلی از قبیل لبه، نقطه، نواحی صاف و غیره روی تصویر است. شکل زیر نمونه هایی از ریزالگوهای توصیف شده در هیستوگرام LBP^U2 را به خوبی نشان میدهد؛ در این شکل دایره های مشکی نشان دهنده عدد 0 و دایره های سفید نشان دهنده عدد 1 هستند.

تصاویر مختلف میتواند ترکیبی از ریزالگوها باشد که توسط هیستوگرام LBP مشخص می شوند اما عملگر LBP به کل تصویر یکجا اعمال شده و اطلاعاتی از محل ریزالگوهای شناسایی شده نمیدهد. بدین منظور، ابتدا تصویر را بهM قسمت تقسیم نموده وهیستوگرام هربخش جداگانه محاسبه میشود. درنهایت برای هر تصویر این هیستوگرامها مطابق شکل زیر درکنار هم ذخیره شده است.

نحوه تقسیمبندی و انتخاب تعداد ناحیه ها در یک تصویر بسیار مهم است؛ به نحوی که با انتخاب تعداد نواحی مختلف تاثیرمستقیم بر دقت شناسایی نهایی میگذارد. همچنین، هرچقدر تعداد نواحی بیشتر باشد، بردار ویژگی با ابعاد بزرگتریخواهیم داشت که همیشه بردار ویژگی بزرگتر به معنای افزایش دقت شناسایی نهایی نخواهد بود. بنابراین انتخاب تعدادنواحی بهینه یکی از مسائلی است که در انتخاب آن باید دقت شود.

منبع

دانلود مقاله Automatic Detection of Copy-Move

دانلود مقاله الگوی باینری محلی

الگوی باینری محلی ( LPB )

  الگوی دودویی محلی:

الگوریتم الگوی باینری محلی  (LBP) در سال 1994 ابداع گردید. الگوی دودویی محلی یکی از روش هایی است که در عین سادگی می تواند ویژگی های مناسبی برای طبقه بندی بافتی با دقت بالا تولید کند. در روش معمول الگوی محلی باینری، از هیستوگرام برای استخراج ویژگی ها استفاده می کند. از آنجایی که الگوی دودویی محلی هم از مشخصه های آماری و هم ساختاری بافت استفاده می کند یک ابزار قدرتمند برای تحلیل بافت می باشد. در اپراتور الگوی دودویی محلی، الگوهای بافت محلی بوسیله مقایسه مقدار پیکسل های مجاور با مقدار پیکسل مرکزی استخراج می شوند و با کدهای دودویی نشان داده می شوند.

الگوی دودویی محلی که ابتدا توسط اوجالا و همکارانش در سال1996  پیشنهاد شد بعلت مقاومتش نسبت به تغییرات روشنایی، پیچیدگی محاسباتی کم و توانایی کدگذاری جزئیات یکی از رایجترین توصیفگرها می باشد. دیگر نوع جالب توسط تان و تریگس به منظور حل مشکل حساسیت به نویز در فضای تصویر یکنواخت پیشنهاد شده است، این روش که الگوهای سه تایی محلی (LTP) نامیده می شود یک رمزگذاری سه مقداری پیشنهاد می کند که شامل آستانه حول صفر برای ارزیابی تفاوت مقیاس خاکستری محلی می شود. انواع دیگری از توصیفگرهای الگوهای محلی باینری وجود دارد.

الگوی باینری محلی مستقل از چرخش، توسعه ای دیگر از الگوی محلی باینری است. زمانی که یک تصویر در صفحه می چرخد تمام همسایه ها حول پیکسل مرکزی در یک جهت خواهند چرخید. این اثر چرخش منجر به مقادیر متفاوتی برای الگوی باینری محلی می شود. برای این منظور محققین توسعه ی جدیدی از الگوی محلی باینری که مستقل از  چرخش می باشد را معرفی کرده اند.( الگوی باینری محلی با  چرخش ثابت). عبارت مستقل از چرخش در اینجا مربوط به تغییرات مکانی وابسته به تغییرات نور و یا اشیا متفاوت نمی باشد. مستقل از چرخش برای برطرف کردن اثر نامطلوب چرخش، از عملگر چرخشی بیتی دایره ای به سمت راست استفاده می شود تا با چندین تکرار تمامی کدهای دودویی که با این بیت ها میس تواند تولید کرد را بدست آورد و سپس کمترین مقدار دهدهی را از الگوی باینری بدست آورد.

پایه ی این روش به صورت زیر است:

آنگونه که در شکل زیر توضیح داده شده است یک ماتریس سه در سه داریم. هر کدام از پیکسل ها با هشت پیکسل همسایه  در مجاورت سه در سه با کمکردن مقادیر پیکسل مرکزی مقایسه شده است و هر کدام از خانه ها مقدارش کمتر از مقدار صفر مرکزی باشد صفر نشان میدهد و موارد دیگر (اگر بزرگتر از صفر و یا برابر یک باشد) با یک همراه هستند. برای هر کدام از پیکسل های مشخص، یک عدد دودویی با استفاده از تمامی این مقادیر دودویی در یک جهت بلوکی ارائه می گردد که از قسمت های مجاور بالا-سمت چپ شروع شده است. مقادیر دهدهی مربوط به آن در زمینه عدد دودویی ایجاد شده در ادامه برای مشخص نمودن یک پیکسل مشخص استفاده شده است.  اععداد دودویی حاصل بصورت کدهای الگوی باینری محلی لحاظ می گردند.

شکل زیر نمونه ای از شکل توسعه یافته اپراتور الگوی دودویی محلی یعنی الگوی دودویی محلی طویل شده (ELBP) را نشان می دهد که در آن علامت P و R نشان دهنده P نمونه گیری  مجاور به صورت نقاطی بر روی یک دایره با شعاع r می باشد.

با توجه به یک پیکسل مرکزی در تصویر، کد الگوی دودویی محلی با مقایسه آن پیکسل با پیکسل های مجاور محاسبه می شود.

یک الگوی دودویی در صورتی تحت عنوان یکنواخت خوانده می شود که حداکثر محتوی دو گذار بیتی از صفر به یک و یا برعکس در شرایطی باشد که رشته بیت مربوطه به صورت مدور در نظر گرفته می شود. برای (11110111) دو گذار دارد پس یکنواخت است در حالیکه (11001001) با چهار گذار چنین شرایطی ندارد.

در مقاله ای دیگر lbp اینگونه توضیح داده شده است:

الگوریتم LBP ، یک الگوریتم محلی استخراج ویژگی از تصویر است. الگوریتم LBP یکی از قویترین الگوریتمهای است خراج ویژگی در علمبینایی ماشین است و توسعه های بسیاری مبتنی بر این الگوریتم ارایه شده است.

عملگر LBP اصلی به عنوان توصیفگری قدرتمند برای بافت تصویر در  معرفی شده است. این عملگر برای هر پیکسل با  توجه به برچسب پیکسلهای همسایگی 3 × 3 یک عدد دودویی تولید میکند. برچسبها با آستانهسازی مقدار پیکسلهای همسایه با مقدار پیکسل مرکزی به دست می آیند. به این صورت که برای پیکسلهای با مقدار بزرگتر یا مساوی مقدار پیکسل مرکزی برچسب 1 و برای پیکسلهای با مقادیر کوچکتر از مقدار پیکسل مرکزی برچسب 0 قرار میگیرد. سپس این برچسبها به صورت چرخشی در کنار هم قرار گرفته و یک عدد 8 بیتی تشکیل میدهند. نحوه کار این عملگر درشکل  آمده است.

محدودیت عملگر LBP پایه همسایگی کوچک آن  3 × 3  است که باعث میشود بر تصاویر با مقیاس بزرگ تسلط نداشته باشد. بدین منظور بعداً این عملگر با توسعهای بر اندازه همسایگی مطرح شد؛ که به صورت یک دایره با با شعاع R پیکسل بر رویP پیکسل نشان داده می شود.

این عملگر به صورت LBP_P,R نشان داده می شود و حداکثر می تواند 2^P مقدار مختلف، مطابق با 2^P  الگوی باینری تولید شده توسط P پیکسل موجود بر روی شعاع همسایگی تولید کند. برای مثال می توانید به شکل زیر مراجعه کنید که نحوه ی انتخاب پیکسل های همسایه در این نوع الگوی باینری محلی را به ازای سه شعاع مختلف نشان می دهد.

بعد از برچسبگذاری یک تصویر توسط عملگر LBP ، هیستوگرامی از برچسبها به صورت رابطه زیر تعریف میشود:

       

که n تعداد برچسبهای تولید شده توسط عملگر LBP و تابع I به صورت رابطه زیر تعریف شده است:

در [2] الگوهایی که در آنها با چرخش بیتها حداکثر دو تغییر 0 به 1 یا برعکس وجود داشته باشد به عنوان مثال 00000000 ، 00111110 و 11100001 الگوهای یکنواخت 1 نامگذاری شده اند. ذخیره الگوهای یکنواخت عملگرجدیدی ایجاد میکند که برای همسایگی 8 پیکسل 5۹ الگو خواهد داشت؛ بطوریکه 58 خانه اول هیستوگرام مربوط به الگوهای یکنواخت و خانه 5۹ ام مربوط به مجموع الگوهای غیریکنواخت است.

تعداد الگوهای LBP استاندارد برابر 256 است. 58 الگوی مختلف تولید شده توسط عملگر پایه LBP در شکل زیر نشان داده شده است.

منبع

دانلود مقاله بکارگیری الگوی دودویی محلی در استخراج ویژگی

دانلود مقاله Detection Based on Local Texture

دانلود مقاله الگوی باینری محلی

هیستوگرام

هیستوگرام چیست؟

هیستوگرام یا همان بافت نگار چیزیست که اکثر عکاسان با آن سروکار دارند اما متاسفانه اکثر آنها از آن سر در نمی آورند. در این مطلب به تعریف هیستوگرام و شرح کارایی های مختلف آن می پردازیم و سعی می کنیم با ذکر مثال هایی زمینه آشنایی بیشتررا برایتان فراهم کنیم.

هیستوگرام یک ابزار بسیار کارآمد است که بسیاری از دوربین ها آن را در اختیار کاربران خود می گذارند تا به آنها کمک کند و خلاصه ای از وضعیت نوری عکس را در اختیار کاربران بگذارد و آنها بتوانند با یک نگاه متوجه  میزان نور و کمیت آن در عکس خود بشوند. هیستوگرام تون های نوری در عکس شما را از رنگ سیاه (در سمت چپ)  به سمت رنگ سفید (در سمت راست) به نمایش در می آورد. در هر قسمت از هیستوگرام که ارتفاع بیشتری داشته باشد به این معناست که پیکسل هایی که آن تون رنگی در عکس شما دارند بیشتر از بقیه رنگ ها هستند. بنابراین هیستوگرام عکسی که نقاط تاریک بسیاری دارد به سمت چپ نامتوازن خواهد بود هیستوگرام عکسی که نقاط روشن بسیاری دارد به سمت راست نامتوازن خواهد بود. همانطور که می دانید دوربی ن شما به دلیل اندازه ی کوچکش نمی تواند وسیله ی خوبی برای سنجش عکس شما باشد و معمولا عکاس ها پس از مراجعه به منزل و بازبینی عکس ها در کامپیوتر شخصی متوجه می شوند که اشتباهاتو نقص هایی در عکس های آنها موجود بوده که در دوربین غیرقابل رویت بود. زیبایی کار هیستوگرام این است که شما می توانید در lcd به راحتی متوجه وضعیت نوری عکس خود بشوید و بدانید که عکس شما زیاد نوردهی شده، کم نوردهی شده، و یا متعادل است.
کوچک و یا بزرگ بودن صفحه نمایش هیچ تاثیری در عملکرد هیستوگرام ندارد و شما را به اشتباه نمی اندازد. در همان محل عکاسی اگر با مشاهده هیستوگرام عکس متوجه اشتباهی در نوردهی شدید می توانید با گرفتن یک عکس جدید با تنظیمات بهتر اشتباهتان را جبران کنید.
هر پیکسل از هر عکسی، دارای رنگیست که از تلفیق سه رنگ اصلی قرمز، سبز و آبی تشکیل شده است. هر کدام از این رنگها می توانند درخشندگی و روشنایی (RGB) به میزان 0 تا 255 داشته باشند. البته این میزان درخشندگی مربوط به عکس های 8بیتی می باشد.همانطور که در عکس زیر می بینید هیستوگرام رنگها را در عکس نشان می دهد.

نمودار هیستوگرام تصویر نموداری است که توسط آن تعداد پیکسل های هرسطح روشنایی در تصویر ورودی مشخص می شود. فرض کنید تصویر ورودی یک تصویر Grayscale با 252 سطح روشنایی باشد ، بنابراین هریک از پیکسل های تصویر مقداری در بازه ی 0 تا 255 می  توانند داشته باشند.برای به دست آوردن هیستوگرام تصویر ،کافی است با پیمایش کل پیکسل های تصویر ، تعداد پیکسل های هر سطح روشنایی رامحاسبه می کنیم .

هیستوگرام نرمال نیز از تقسیم کردن مقادیرهیستوگرام به تعداد کل پیکسل های تصویر به دست می آید. نرمالسازی هیستوگرام موجب می شود که مقادیر هیستوگرام در بازه 0 و 1  قرار گیرند. شکل زیر تصویری را به همراه هیستوگرام نرمال آن نشان می دهد .

                                               

یکی از کاربردهای هیستوگرام در فوکوس خودکار دوربین های دیجیتالی است. بدین صورتکه لنز دوربین از ابتدا تا انتها حرکت کرده و در هر گام از حرکت خود تصویری از صحنه می گیرد. سپس کنتراست تصویر گرفته شده را با استفاده از هیستوگرام آن محاسبه می کند. پس از آن که لنز به انتهای حرکتی خود رسید، محلی از حرکت لنز که در آن تصویر دارای بیشترین کنتراست خود بوده است، به عنوان محل لنز تعیین می گردد. روش مذکور یکی از ساده ترین روش های فوکوس خودکار دوربین می باشد و همانطور که می توان حدس زد این الگوریتم در صحنه هایی که رنگ تیره و روشن باهم  وجود داشته باشد، دچار اشکالاتی خواهد بود و باید تغییراتی در آن اعمال کرد مفهوم کنتراست درادامه بیان شده است.
تعدیل هیستوگرام:
یکی دیگر از کاربردهای هیستورگرام در افزایش کنتراست تصاویر با کنتراست پایین است. زمانی که میگوییم کنتراست تصویری کم است این بدان معنا است که اختلاف بین کمترین و بیشتری شدت روشنایی تصویر کم است. هم تعدیل سازی هیستوگرام موجب می شود که کنتراست تصویر ورودی تا حد ممکنافزایش یابد. به عنوان مثال شکل زیر تصویری را قبل(تصویر سمت چپ) و بعد(تصویر سمت راست) از تعدیل سازی هیستوگرام نشان می دهد:

الگوریتم زیر روش تعدیل سازی هیستوگرام را نشان می دهد :
1 )  هیستوگرام تصویر را محاسبه می کنیم. فرض کنید مقادیر هیستوگرام در آرایه hist قرار گیرد.
2 ) با استفاده از فرمول زیر فراوانی هیستوگرام را محاسبه می کنیم :

histCum[ i ] = histCum[ i-1 ] + hist[ i ]

3 ) از فرمول زیر استفاده کرده و هیستوگرام تعدیل شده را محاسبه می کنیم :

eqHist[i] = Truncate( [(L * histCum[i]) – N]/N )

4 ) در مرحله نهایی مقادیر جدید پیکسل ها را به صورت زیر مقدار دهی می کنیم :

Result[ i , j ] = eqHist[ input[ i , j ] ]

که در این فرمول L تعداد سطوح خاکستری و N تعداد کل پیکسل ها، Result تصویر خروجی و input تصویر ورودی را نشان می دهند.
چند مثال از هیستوگرام و کارکرد آن:
حالا به عکس های زیر و هیستوگرام آنها توجه کنید تا بهتر متوجه نوع عملکرد آن بشوید.

عکس بالا نقاط روشن بسیاری در خود دارد همانطور که می بینید بالاترین نقطه ی هیستوگرام که در اصطلاح رایج عکاسان به آن کوه هیستوگرام گفته می شود کمی به سمت راست کشیده شده و این بدین معناست  که نوردهی عکس کمی زیاد بوده است.

عکس بالا برخلاف عکس نخست نقاط تیره و تاریک بسیاری دارد. البته این نقاط تاریک دو دلیل دارد اولی لباس های تیره ای که سوژه های عکس بر تن دارند و دلیل دوم اینکه این عکس به میزان کمی دچار کمبود نوردهی شده است. هیستوگرام این عکس کاملا برخلاف عکس اول است و در آن کوه هیستوگرام به میزان زیادی به سمت چپ منحرف شده است. عکس

عکس بالا دارای محدوده ی نوری گسترده ای می باشد. همانطور که مشاهده می کنید برای فهم ساده تر، هر بخش از عکس به بخش مربوط به خودش در هیستوگرام وصل شده است به دلیل اینکه نقاط تاریک و تیره ی عکس بیشتر می باشدکوه هیستوگرام در سمت چپ قرار دارد.

در این مثال همانطور که می بینید کوه هیستوگرام تقریبا در میانه قرار دارد و این یعنی نوردهی این عکس به شکل صحیح و نرمال انجام شده است.
کنتراست و هیستوگرام:
هیستوگرام همچنین می تواند میزان کنتراست یک تصویر را به نمایش بگذارد.  کنتراست در حقیقت همان تفاوت درخشندگی بین نقاط تیره و روشن هر عکس است.  اگر کوه هیستوگرام باریک و تنگ باشد نشان دهنده ی کمبود کنتراست و اگر کوه پهن و عریض باشد نشان دهنده ی کنتراست بیشتر است.کنتراست در حقیقت بر اثر تلفیقی از وضعیت سوژه و وضعیت نوری محیط به وجود می آید. به طور مثال عکس هایی که در مه گرفته می شود دارای کنتراست کمی است و عکس هایی که در نور شدید روز گرفته می شوند کنتراست زیادی دارند. در تصاویر زیر نمونه ای از تصویر با کنتراست بالا و پایین را همراه با هیستوگرام مربوط به هر یک مشاهده می نمایید.

هیستوگرام درحقیقت ابزاری است که که اطلاعات بیشتری از عکس به شما می دهد و به شما کمک می کند تاثیری که مد نظرتان هست را در عکس بگذارید. یادگیری خواندن هیستوگرام می تواند به شما کمک کند تا اولین عکسی که می گیرید همان عکس مورد نظر باشد و اشتباهی در نوردهی رخ ندهد.

منبع
دانلود مقاله پردازش تصویر
دانلودمطلب مربوط به هیستوگرام
دانلود مطلب فارسی مربوط به هیستوگرام

نمونه ای از اپلیکیشن ها برای تشخیص جعل کپی-انتقال

نرم افزارهای متعددی در این زمینه تا کنون ساخته شده اند، در زیر چند نمونه را معرفی می کنیم.

1) در حال حاضر شما می توانید احراز هویت هر سند ارائه شده به عنوان تصویر JPEG را در چند کلیک تأیید کنید! فقط یک تصویر را آپلود کنید و Detector Forgery Image پاسخی را ارائه می دهد که آیا تصویر شما جعلی است یا نه. علاوه بر این، شما نمره تقلب برای تصویر و نظرات خاص در مورد تجزیه و تحلیل با اطلاعات دقیق دریافت خواهید کرد.

آشکارساز جعلی تصویر ما برای عکس سند، خطر فعالیت های جعلی را کاهش می دهد، در حالی که به طور قابل توجهی کاهش زمان مرتبط با روند تأیید را می دهد. علاوه بر آن، هزینه های مرتبط با نیازهای مشتری برای انجام فرایند کسب مشتری را کاهش دهید.
IFD از انواع چک ها برای اطمینان از یک عکس سند، متصل به یک فرم درخواست استفاده می کند، مشروع است و با هیچ نرم افزار پردازش تصویر تغییری نکرده است. به طور متوسط، این تشخیص تقلبی در کمتر از 60 ثانیه اتفاق می افتد و امنیت شما را برای تهیه وام های پولی آنلاین، بیمه ها و محصولات مخابراتی و خدمات مخابراتی فراهم می کند.
تکنولوژی IFD به صورت یکپارچه به وب سایت ها، برنامه های وام و یا فرایند ثبت نام مشتری برای تایید عدم وجود دستکاری سند در اسناد مشتری، از جمله گواهی های تولد، کارت شناسایی، گذرنامه، گواهینامه رانندگی، بیانیه حساب بانکی، مجوز، صورتحساب برق و غیره متصل می شود.

به طور خلاصه IFD :

عکس های سند ویرایش شده دیجیتالی را شناسایی می کند،  قطعات (جاسازی شده) را در عکس ها شناسایی می کند،یک امتیاز دقیق جعل و شناسایی دوربین فراهم می کند.

مراحل کار به این صورت است که :

• ابتدا تصویر را آپلود می کنیم می توانید تا 3 عکس را آپلود کنید.

• در مرحله ی دوم هنگامی که فایل ها آپلود می شوند، شما می توانید نوع تصویر آپلود را مشخص کنید. فایل های غیر ضروری را می توان حذف کرد.
• در مرحله ی بعد شما 5 فیلد برای هر تصویر / سند دریافت خواهید کرد:
  امتیاز: ارزش بین 0-100. بالاترین نمره احتمال بیشتر عکس تغییر می کند.
  طبقه بندی: جعلی / مشکوک / معتبر. طبقه بندی اصلی سیستم IFD.
  نظر: نظر در مورد نتایج تجزیه و تحلیل و اطلاعات اضافی.
  اطلاعات دوربین: سازنده دوربین و مدل (در صورت لزوم).
  اطلاعات موقعیت مکانی: عرض و طول و عرض جغرافیایی از ابرداده تصویر (در صورت وجود).

برای استفاده از این اپلیکیشن روی اینجا کلیک کنید.

2)  این برنامه تشخیص جعل تصویر دیجیتال را  از طریق جاسازی اطلاعات در دامنه فضایی و ماشین خودکارسلولی انجام می دهد. تصاویر ورودی باید در هر اندازه خاکستری باشند. این فرمت PNG را به عنوان یک تصویر خروجی تولید می کند. این برنامه توسط محمد ملکوتی ساخته شده است.

برای دریافت  این برنامه اینجا را کلیک کنید.

مقاله ی روشی مبتنی بر SIFT برای کشف جعل کپی-انتقال

One of the principal problems in image forensics is determining if a particular image is authentic or not. This can be a crucial task when images are used as basic evidence to influence judgment like, for example, in a court of law. To carry out such forensic analysis, various technological instruments have been developed in the literature. In this paper the problem of detecting if an image has been forged is investigated; in particular, attention has been paid to the case in which an area of an image is copied and then pasted onto another zone to create a duplication or to cancel something that was awkward. Generally, to adapt the image patch to the new context a geometric transformation is needed. To detect such modifications, a novel methodology based on Scale Invariant Features Transform (SIFT) is proposed

یکی از مشکلات اصلی در زمینه پزشکی قانونی تعیین این است که آیا یک تصویر خاص معتبر است یا خیر. این امر می تواند یک وظیفه حیاتی باشد که تصاویر به عنوان شواهد اساسی برای تأثیرگذاری بر قضاوت مانند دادگاه مورد استفاده قرار می گیرند.
در این مقاله مسئله تشخیص اینکه آیا یک تصویر جعلی شده است بررسی شده. به ویژه توجه به موردی است که در آن یک منطقه از یک تصویر کپی می شود و سپس در یک منطقه دیگر قرار می گیرد تا یک تکرار ایجاد شود یا چیزی که ناخوشایند است را لغو کند. به طور کلی، برای تطبیق تکه تصویر به زمینه جدید، یک تبدیل هندسی لازم است. برای شناسایی چنین تغییراتی، یک روش جدید بر مبنای تبدیل ویژگی های مقیاس پذیر (SIFT) پیشنهاد شده است.

در این مقاله روش پیشنهادی میتواند دستیابی پیدا کند به مناطقی که دستکاری کپی-انتقال شده اند، و همچنین پارامترهای استفاده شده تبدیلات افقی و عمودی، مقیاس بزرگنمایی، زاویه چرخش را برآورد کند. هنگامی که این نقطه های کلیدی شناسایی می شوند و جهت های کانونی تعیین می شوند، توصیفگرهای SIFT در مکان های خود در هر دو تصویر و مقیاس فضا محاسبه می شوند.

الگوریتم SIFT دو گام دارد اولین گام تشخیص است که،  در آن نقاط مورد نظر محلی می شوند،  در حالی که در مرحله دوم، توصیفگرهای محلی قوی به گونه ای ساخته می شوند که با توجه به جهت گیری، مقیاس و تحولات وابسته غیر قابل تغییر باشد.
این روش می تواند تقریبا به عنوان چهار مرحله زیر خلاصه شود:

• تشخیص مقیاس فضا
• محلی سازی نقاط کلیدی
• تخصیص یک (یا بیشتر) جهت گیری های کانونی
• تولید توصیفگرهای نقاط کلیدی

منبع:

دانلود مقاله ی A SIFT-Based Forensic Method for Copy–Move