В статье рассмотрены возможности применения методов, основанных на применении математических алгоритмов обработки информации, при исследовании цифровых изображений документов. Высказаны предложения, направленные на дополнение традиционной классификации методов криминалистического исследования документов методами, применяемыми при исследовании цифровых изображений документов.Рассмотрены следующие основания классификации таких методов:По типу информации , отображающейся в документе, переведенном в цифровую форму (цифровом изображении документа): физико-оптические, частотно-статистические, структурно-геометрические, семантические (нейросетевые) методы, методы кластеризации, методы анализа метаданных.По уровню анализа изучаемой информации , отображающейся в документе, переведенном в цифровую форму (цифровом изображении документа): низкоуровневые, среднеуровневые, высокоуровневые методы.По каждому из оснований предлагаемой классификации обозначены условия, позволяющие относить тот либо иной метод к определенной группе. К этим условиям, в частности, относятся: физические свойства сенсора, показатели фоточувствительности, анализ распределения спектров, анализ границ объектов, использование нейросетей и иных инструментов искусственного интеллекта, особенности кластеризации данных, служебная информация файлов. Представленная классификация методов создает научные предпосылки криминалистического изучения документов в цифровой форме и расширяет экспертные возможности решения отдельных задач, возникающих в ходе исследования документов.
1. Моисеева Т.Ф. Естественно-научные методы судебно-экспертных исследований. Курс лекций. М.: РГУП, 2015. 196 с.
2. Технико-криминалистическая экспертиза документов: учебник / под ред. А.А. Проткина. М.: Юрлитинформ, 2015. 296 с.
3. Россинская Е.Р. Нейросети в судебной экспертологии и экспертной практике: проблемы и перспективы // Вестник Университета имени О.Е. Кутафина (МГЮА). 2024. № 3 (115). С. 21–33.
4. Чеснокова Е.В., Усов А.И., Омельянюк Г.Г., Никулина М.В. Искусственный интеллект в судебной экспертологии // Теория и практика судебной экспертизы. 2023. № 18. № 3. С. 60–77. https://doi.org/10.30764/1819-2785-2023-3-60-77
5. Россинская Е.Р. Система теории цифровизации судебно-экспертной деятельности // Теория и практика судебной экспертизы. 2024. Т. 19. № 3. С. 20–32. https://doi.org/10.30764/1819-2785-2024-3-20-32
6. Гонсалес Р., Вудс Р. Цифровая обработка изображений. 3-е изд., испр. и доп. М.: Техносфера, 2012. 1104 с.
7. Яне Б. Цифровая обработка изображений. М.: Техносфера, 2007. 584 с.
8. Визильтер Ю.В., Желтов С.Ю., Бондаренко А.В., Ососков М.В., Моржина А.В. Обработка и анализ изображений в задачах машинного зрения. Курс лекций и практических занятий. М.: Физматкнига, 2010. 672 с.
9. Визильтер Ю.В., Желтов С.Ю., Князь В.А., Ходарев А.Н., Моржин А.В. Обработка и анализ цифровых изображений с примерами на LabVIEW IMAQ Vision. М.: ДМК Пресс, 2007. 464 с.
10. Raković D. Error Level Analysis (ELA) // Tehnika. 2023. Vol. 78. P. 445–451. https://doi.org/10.5937/tehnika2304445R
11. Zhou P., Han X., Morariu V.I., Davis L.S. Learning Rich Features for Image Manipulation Detection // ArXiv. 2018. https://doi.org/10.48550/arXiv.1805.04953
12. Sun J., Seung-Wook K., Sang-Won L., Sung-Jea K. A Novel Contrast Enhancement Forensics Based on Convolutional Neural Networks // Signal Processing: Image Communication. 2018. No. 63. P. 149–160. https://doi.org/10.1016/j.image.2018.02.001
13. Мищук В.А. Использование модуля сверточного внимания для интерпретации результатов работы сиамской нейронной сети при идентификации рукописных подписей // Теория и практика судебной экспертизы. 2025. Т. 20. № 2. С. 65–81. https://doi.org/10.30764/1819-2785-2025-2-65-81
14. Купин А.Ф., Шпиндлер Ю.В. Программа идентификации записи (ПРИЗ). Свидетельство о регистрации программы для ЭВМ RU 2025617305, 25.03.2025.
15. Купин А.Ф. Программа по установлению содержания написанного (ПЕРСОНА). Свидетельство о регистрации программы для ЭВМ RU 2025661243, 05.05.2025.
