CN106373115B - 一种平滑滤波操作类型及参数识别方法 - Google Patents
一种平滑滤波操作类型及参数识别方法 Download PDFInfo
- Publication number
- CN106373115B CN106373115B CN201610705191.0A CN201610705191A CN106373115B CN 106373115 B CN106373115 B CN 106373115B CN 201610705191 A CN201610705191 A CN 201610705191A CN 106373115 B CN106373115 B CN 106373115B
- Authority
- CN
- China
- Prior art keywords
- frequency domain
- filtering operation
- testing image
- image
- value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2201/00—General purpose image data processing
- G06T2201/005—Image watermarking
- G06T2201/0201—Image watermarking whereby only tamper or origin are detected and no embedding takes place
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
一种平滑滤波操作类型及参数识别方法,包括:对获取的待测图像进行离散傅里叶变换得到与待测图像同样尺寸的频谱响应,对频谱响应中的所有值进行取模处理得到待测图像的频域幅值图;将频域幅值图进行处理,得到能够反映待测图像频域分布特性的二值化频域图,然后利用统计方法从二值化频域图中提取N维检测特征;将提取到的N维检测特征,输入支持向量机进行训练,得到多分类检测器,用于检测待测图像是否经历了平滑滤波,以及对经历的平滑滤波操作类型及参数进行识别。本发明通过对图像进行有效表征,实现对以均值滤波、高斯滤波和中值滤波为代表的平滑滤波操作的有效检测与分类,进而实现对特定滤波操作的参数识别。本发明方法的检测特征维度低,检测准确率。
Description
技术领域
本发明涉及一种篡改检测方法。特别是涉及一种平滑滤波操作类型及参数识别方法。
背景技术
随着数字图像被广泛地应用,类似Photoshop等图像编辑软件也越来越普及。这使得篡改图像操作变得更加容易。无论是司法、医学等专业领域,还是摄影、美术等娱乐领域,图像的真实性和完整性都受到了越来越多的重视,由此也带来了越来越多的挑战。为了确保数字信息的真实性和完整性,数字图像被动取证技术应运而生。有别于以数字签名和数字水印为代表的主动取证技术,被动取证技术是仅根据获取的数字图像,寻找是否存在篡改后可能留下的各种痕迹,从而区分出自然图像与被篡改图像。
以均值滤波、高斯滤波和中值滤波为代表的平滑滤波操作被广泛应用于篡改操作之后的处理,能够在一定程度起到掩盖篡改痕迹的作用。因此,实现对平滑滤波操作的检测能够间接反映图像是否经历了篡改操作,这对揭露篡改操作过程具有十分重要的辅助意义。同时,对特定滤波操作的参数进行判断,能够更深入地回溯具体的滤波操作。
现存的平滑滤波检测研究大都针对中值滤波,且基于图像空域来进行特征的构建。Fridrich等人基于图像一阶差分域的联合分布,提出了一种686维SPAM特征来进行中值滤波检测,然而并没有涉及其他类型的滤波操作。Yuan等人开发出一种基于图像直方图统计特性的44维MFF特征,减少了检测过程所需的时间。Kang等人提出中值滤波残差(MFR)概念,并通过10阶自回归模型系数(AR)或者卷积神经网络(CNNs)构建特征进行中值滤波检测。Zhang等人提出了一种220维的中值滤波检测特征,也具有很好地检测准确率。上述几种方法均能有效地检测中值滤波图像,但都没有全面涉及平滑滤波操作类型及参数的识别。
因此提出一种省时有效的平滑滤波操作类型及参数识别方法是非常有必要的。
发明内容
本发明所要解决的技术问题是,提供一种平滑滤波操作类型及参数识别方法。
本发明所采用的技术方案是:一种平滑滤波操作类型及参数识别方法,包括如下步骤:
1)对获取的待测图像进行离散傅里叶变换得到与待测图像同样尺寸的频谱响应Y(i,j),对所述频谱响应Y(i,j)中的所有值进行取模处理得到待测图像的频域幅值图|Y(i,j)|,其中(i,j)表示图像的坐标索引;
2)将频域幅值图进行处理,得到能够反映待测图像频域分布特性的二值化频域图,然后利用统计方法从二值化频域图中提取N维检测特征;
3)将提取到的N维检测特征,输入支持向量机进行训练,得到多分类检测器,用于检测待测图像是否经历了平滑滤波,以及对经历的平滑滤波操作类型及参数进行识别。
步骤2)包括:
(1)将步骤1)得到的频域幅值图|Y(i,j)|进行如下变换:
Y'(i,j)=log10(|Y(i,j)|+1),
得到log尺度下的频域图Y'(i,j),并将低频区域转换到图像中心;
(2)利用判决函数F(u)将log尺度下的频域图Y'(i,j)小于阈值T的值置为1,反之置为0,形成对应的二值化频域图;所述的判决函数F(u)定义如下:
其中T是一个自适应阈值,取值由待测图像决定,具体是基于尺寸为H×W的待测图像对应的log尺度下的频域图Y'(i,j)中心H/4×W/4的区域R中点的平均值计算得到的,公式如下:
其中系数k取值范围为0.65~0.75;
(3)利用改进的雷登变换作为统计方法,构建特征向量V,所述的改进的雷登变换公式如下:
其中ρ为自变量,表示一个以二值化频域图中心为圆心,半径为r的圆,D表示整个二值化频域图图像区域,而且
对于尺寸为H×W的待测图像,得到特征向量V,表示如下:
V=(Rc(1),Rc(2),...,Rc(ρ)),
其中ρ∈{1,2,...,min(H/2,W/2)},Rc(ρ)为累计值;
(4)构建N维检测特征
通过从集合{1,2,...,min(H/2,W/2)}中选择N个关键点{ρ'1,ρ'2,...,ρ'N},把特征向量V分成N个部分,并确保ρ'1≠1并且ρ'N=min(H/2,W/2),累加每两个相邻关键点之间对应的累计值Rc(ρ),最终得到一个N维检测特征,并且为了保证数据归一化,两个相邻关键点对应的圆形所围成的环形区域面积保持相同。
第(2)步所述的系数k最优值为2/3。
步骤3)所述的输入支持向量机进行训练是:
将提取的N维检测特征输入采用C-SVM分类器的支持向量机,所述支持向量机的内核为高斯函数:
K(xi,yj)=exp(-γ||xi-yj||2,γ>0
通过四层交叉验证在参数网格(C,γ)∈{(2i,2j)|i,j∈Z}中,搜索得到最优参数C和γ的值。
本发明的一种平滑滤波操作类型及参数识别方法,通过对比不同平滑滤波操作后的图像在频域幅值二值化后的分布特性差异,对图像进行有效表征,实现对以均值滤波、高斯滤波和中值滤波为代表的平滑滤波操作的有效检测与分类,进而实现对特定滤波操作的参数识别。本发明方法的检测特征维度低,能够有效减少用于支持向量机(SVM)分类器的训练时间,且具有优秀的检测准确率,同时填补了相关研究在平滑滤波操作类型及参数识别方面的空白。
附图说明
图1是本发明一种平滑滤波操作类型及参数识别方法的整体流程图。
具体实施方式
下面结合实施例和附图对本发明的一种平滑滤波操作类型及参数识别方法做出详细说明。
如图1所示,本发明的一种平滑滤波操作类型及参数识别方法,包括如下步骤:
1)对获取的待测图像进行离散傅里叶变换得到与待测图像同样尺寸的频谱响应Y(i,j),对所述频谱响应Y(i,j)中的所有值进行取模处理得到待测图像的频域幅值图|Y(i,j)|,其中(i,j)表示图像的坐标索引;
2)将频域幅值图进行处理,得到能够反映待测图像频域分布特性的二值化频域图,然后利用统计方法从二值化频域图中提取N维检测特征;包括:
(1)将步骤1)得到的频域幅值图|Y(i,j)|进行如下变换:
Y'(i,j)=log10(|Y(i,j)|+1),
得到log尺度下的频域图Y'(i,j),并将低频区域转换到图像中心;
(2)利用判决函数F(u)将log尺度下的频域图Y'(i,j)小于阈值T的值置为1,反之置为0,形成对应的二值化频域图;所述的判决函数F(u)定义如下:
其中T是一个自适应阈值,取值由待测图像决定,具体是基于尺寸为H×W的待测图像对应的log尺度下的频域图Y'(i,j)中心H/4×W/4的区域R中点的平均值计算得到的,公式如下:
其中系数k取值为0.65~0.75,系数k最优值为2/3;
(3)利用改进的雷登变换作为统计方法,构建特征向量V,所述的改进的雷登变换公式如下:
其中ρ为自变量,表示一个以二值化频域图中心为圆心,半径为r的圆,D表示整个二值化频域图图像区域,而且
对于尺寸为H×W的待测图像,得到特征向量V,表示如下:
V=(Rc(1),Rc(2),...,Rc(ρ)),
其中ρ∈{1,2,...,min(H/2,W/2)},Rc(ρ)为累计值;
(4)构建N维检测特征
通过从集合{1,2,...,min(H/2,W/2)}中选择N个关键点{ρ'1,ρ'2,...,ρ'N},把特征向量V分成N个部分,并确保ρ'1≠1并且ρ'N=min(H/2,W/2),累加每两个相邻关键点之间对应的累计值Rc(ρ),最终得到一个N维检测特征,并且为了保证数据归一化,两个相邻关键点对应的圆形所围成的环形区域面积保持相同。
3)将提取到的N维检测特征,输入支持向量机进行训练,得到多分类检测器,用于检测待测图像是否经历了平滑滤波,以及对经历的平滑滤波操作类型及参数进行识别;
所述的输入支持向量机进行训练是:将提取的N维检测特征输入采用C-SVM分类器的支持向量机,所述支持向量机的内核为高斯函数:
K(xi,yj)=exp(-γ||xi-yj||2),γ>0
通过四层交叉验证在参数网格(C,γ)∈{(2i,2j)|i,j∈Z}中,搜索得到最优参数C和γ的值。
对本发明一种平滑滤波操作类型及参数识别方法的验证实验如下:
本实验中的检测特征维度N取默认值20。本发明方法的检测性能通过准确率来衡量,定义如下:
其中PTP和PTN分别表示正确的正例和负例概率。
对从UCID图像数据库获取到的待测图像处理为例:
(1)来自UCID图像数据库的所有待测图像未经处理,形成测试数据集BORI;
(2)对测试数据集BORI分别实施3×3,5×5,7×7均值滤波操作,依次得到测试数据集BAVE3,BAVE5,BAVE7;分别实施3×3,5×5,7×7中值滤波操作,依次得到测试数据集BMF3,BMF5,BMF7;分别实施σ=0.5的3×3,σ=1的5×5,σ=1.5的7×7高斯滤波操作,依次得到测试数据集BGAU3,BGAU5,BGAU7,总计十个数据集。分别从BAVE3,BAVE5,BAVE7中抽取三分之一形成BAVE,分别从BMF3,BMF5,BMF7中抽取三分之一形成BMF,分别从BGAU3,BGAU5,BGAU7中抽取三分之一形成BGAU。
(3)将从待测图像提取的N维检测特征,输入到由BORI,BAVE,BMF和BGAU训练得到的多分类检测器中,完成对图像是否经历了滤波操作,经历了何种滤波操作的判断;
(4)如果判断出待测图像经历了均值滤波操作,则将从待测图像提取的N维检测特征输入到由BAVE3,BAVE5和BAVE7训练得到的多分类检测器中,进行滤波参数识别;如果判断出待测图像经历了中值均值滤波操作,则将从待测图像提取的N维检测特征,输入到由BMF3,BMF5和BMF7训练得到的多分类检测器中,进行滤波参数识别;如果判断出待测图像经历了高斯滤波操作,则将从待测图像提取的N维检测特征,输入到由BGAU3,BGAU5和BGAU7训练得到的多分类检测器中,进行滤波参数识别。实验结果如表1至表4所示,其中,表1是未经处理图像与经历了中值滤波、均值滤波和高斯滤波后的图像的分类结果;表2是经历了三种不同参数均值滤波的分类结果;表3是经历了三种不同参数高斯滤波的分类结果;表4是经历了三种不同参数中值滤波的分类结果。
表1
准确率(%) | 未处理 | 中值滤波 | 高斯滤波 | 均值滤波 |
未处理 | 98.97 | 0.73 | 0.30 | 0 |
中值滤波 | 0.90 | 98.50 | 0.60 | 0 |
高斯滤波 | 0 | 0 | 100 | 0 |
均值滤波 | 0 | 0.28 | 0 | 99.72 |
表2
准确率(%) | 7×7 | 5×5 | 3×3 |
7×7 | 100 | 0 | 0 |
5×5 | 0 | 99.77 | 0.23 |
3×3 | 0 | 0 | 100 |
表3
准确率(%) | 7×7(σ=1.5) | 5×5(σ=1) | 3×3(σ=0.5) |
7×7(σ=1.5) | 98.86 | 0.92 | 0.22 |
5×5(σ=1) | 0.51 | 98.41 | 1.08 |
3×3(σ=0.5) | 0 | 0.23 | 99.77 |
表4
准确率(%) | 7×7 | 5×5 | 3×3 |
7×7 | 94.37 | 4.60 | 1.03 |
5×5 | 3.48 | 94.65 | 1.87 |
3×3 | 0.92 | 2.85 | 96.23 |
可以看出本发明方法在检测待测图像是否经历了滤波操作,经历了何种滤波操作,和具体的滤波参数识别方面都有很高的准确率。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明设计的技术范围内,可以做出很多变形或替换,这些都应该涵盖在本发明的保护范围之内。
Claims (3)
1.一种平滑滤波操作类型及参数识别方法,其特征在于,包括如下步骤:
1)对获取的待测图像进行离散傅里叶变换得到与待测图像同样尺寸的频谱响应Y(i,j),对所述频谱响应Y(i,j)中的所有值进行取模处理得到待测图像的频域幅值图|Y(i,j)|,其中(i,j)表示图像的坐标索引;
2)将频域幅值图进行处理,得到能够反映待测图像频域分布特性的二值化频域图,然后利用统计方法从二值化频域图中提取N维检测特征;包括:
(1)将步骤1)得到的频域幅值图|Y(i,j)|进行如下变换:
Y'(i,j)=log10(|Y(i,j)|+1),
得到log尺度下的频域图Y'(i,j),并将低频区域转换到图像中心;
(2)利用判决函数F(u)将log尺度下的频域图Y'(i,j)小于阈值T的值置为1,反之置为0,形成对应的二值化频域图;所述的判决函数F(u)定义如下:
其中T是一个自适应阈值,取值由待测图像决定,具体是基于尺寸为H×W的待测图像对应的log尺度下的频域图Y'(i,j)中心H/4×W/4的区域R中点的平均值计算得到的,公式如下:
其中系数k取值范围为0.65~0.75;
(3)利用改进的雷登变换作为统计方法,构建特征向量V,所述的改进的雷登变换公式如下:
其中ρ为自变量,表示一个以二值化频域图中心为圆心,半径为r的圆,D表示整个二值化频域图图像区域,而且
对于尺寸为H×W的待测图像,得到特征向量V,表示如下:
V=(Rc(1),Rc(2),...,Rc(ρ)),
其中ρ∈{1,2,...,min(H/2,W/2)},Rc(ρ)为累计值;
(4)构建N维检测特征
通过从集合{1,2,...,min(H/2,W/2)}中选择N个关键点{ρ'1,ρ'2,...,ρ'N},把特征向量V分成N个部分,并确保ρ'1≠1并且ρ'N=min(H/2,W/2),累加每两个相邻关键点之间对应的累计值Rc(ρ),最终得到一个N维检测特征,并且为了保证数据归一化,两个相邻关键点对应的圆形所围成的环形区域面积保持相同;
3)将提取到的N维检测特征,输入支持向量机进行训练,得到多分类检测器,用于检测待测图像是否经历了平滑滤波,以及对经历的平滑滤波操作类型及参数进行识别,所述的对经历的平滑滤波操作类型及参数进行识别,是通过对比不同平滑滤波操作后的图像在频域幅值二值化后的分布特性差异,对图像进行有效表征,实现对以均值滤波、高斯滤波和中值滤波为代表的平滑滤波操作的有效检测与分类,进而实现对特定滤波操作的参数识别。
2.根据权利要求1所述的一种平滑滤波操作类型及参数识别方法,其特征在于,步骤2)第(2)步所述的系数k最优值为2/3。
3.根据权利要求1所述的一种平滑滤波操作类型及参数识别方法,其特征在于,步骤3)所述的输入支持向量机进行训练是:
将提取的N维检测特征输入采用C-SVM分类器的支持向量机,所述支持向量机的内核为高斯函数:
K(xi,yj)=exp(-γ||xi-yj||2),γ>0
通过四层交叉验证在参数网格(C,γ)∈{(2i,2j)|i,j∈Z}中,搜索得到最优参数C和γ的值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610705191.0A CN106373115B (zh) | 2016-08-22 | 2016-08-22 | 一种平滑滤波操作类型及参数识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610705191.0A CN106373115B (zh) | 2016-08-22 | 2016-08-22 | 一种平滑滤波操作类型及参数识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106373115A CN106373115A (zh) | 2017-02-01 |
CN106373115B true CN106373115B (zh) | 2019-02-05 |
Family
ID=57878764
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610705191.0A Active CN106373115B (zh) | 2016-08-22 | 2016-08-22 | 一种平滑滤波操作类型及参数识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106373115B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110428402B (zh) * | 2019-07-18 | 2022-05-10 | 数字广东网络建设有限公司 | 图像篡改识别方法、装置、计算机设备及存储介质 |
CN110727714A (zh) * | 2019-10-21 | 2020-01-24 | 西南交通大学 | 融合时空聚类和支持向量机的居民出行特征提取方法 |
CN111127407B (zh) * | 2019-12-11 | 2022-06-28 | 北京航空航天大学 | 一种基于傅里叶变换的风格迁移伪造图像检测装置及方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101452568A (zh) * | 2008-12-04 | 2009-06-10 | 上海大学 | 基于反卷积的篡改图像盲检测方法 |
CN102254293A (zh) * | 2011-06-17 | 2011-11-23 | 北京航空航天大学 | 一种基于数学建模的证件防伪数字水印处理方法 |
CN105868778A (zh) * | 2016-03-28 | 2016-08-17 | 天津大学 | 一种基于频域波动特征的中值滤波检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7483175B2 (en) * | 2005-09-16 | 2009-01-27 | Pitney Bowes Inc. | Method and system for printing secure value documents and non-secure documents utilizing the same printing device |
-
2016
- 2016-08-22 CN CN201610705191.0A patent/CN106373115B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101452568A (zh) * | 2008-12-04 | 2009-06-10 | 上海大学 | 基于反卷积的篡改图像盲检测方法 |
CN102254293A (zh) * | 2011-06-17 | 2011-11-23 | 北京航空航天大学 | 一种基于数学建模的证件防伪数字水印处理方法 |
CN105868778A (zh) * | 2016-03-28 | 2016-08-17 | 天津大学 | 一种基于频域波动特征的中值滤波检测方法 |
Non-Patent Citations (3)
Title |
---|
An Efficient Blind Detection Algorithm of Median Filtered Image;Yongzhen Ke 等;《International Journal of Hybrid Information Technology》;20150131;第8卷(第1期);181-192 |
Blind Authentication Using Periodic Properties of Interpolation;Babak Mahdian 等;《IEEE TRANSACTIONS ON INFORMATION FORENSICS AND SECURITY》;20080613;第3卷(第3期);1-10 |
典型平滑滤波的数字图像被动取证;徐俊瑜 等;《电子与信息学报》;20131031;第35卷(第10期);2287-2293 |
Also Published As
Publication number | Publication date |
---|---|
CN106373115A (zh) | 2017-02-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kim et al. | Median filtered image restoration and anti-forensics using adversarial networks | |
Kang et al. | Robust median filtering forensics using an autoregressive model | |
Zhao et al. | Passive image-splicing detection by a 2-D noncausal Markov model | |
CN103941131B (zh) | 基于精简集约简不均衡svm变压器故障检测方法 | |
CN106373115B (zh) | 一种平滑滤波操作类型及参数识别方法 | |
CN102722858B (zh) | 基于对称邻域信息的盲隐写分析方法 | |
Wu et al. | Steganalysis via deep residual network | |
CN106056122B (zh) | 一种基于kaze特征点的图像区域复制粘贴篡改检测方法 | |
CN103839083B (zh) | 一种jpeg图片量化表篡改的检测方法 | |
CN111814990B (zh) | 阈值确定方法、***、存储介质及终端 | |
CN114091661B (zh) | 一种基于生成对抗网络和k-近邻算法提高入侵检测性能的过采样方法 | |
CN107038432B (zh) | 基于频率信息的指纹图像方向场提取方法 | |
WO2020173252A1 (zh) | 运用自锁机制保护深度神经网络的方法、***及终端 | |
Chaki et al. | Recognition of whole and deformed plant leaves using statistical shape features and neuro-fuzzy classifier | |
CN105868778B (zh) | 一种基于频域波动特征的中值滤波检测方法 | |
CN110516526A (zh) | 一种基于特征原型度量学习的小样本目标识别方法 | |
CN104361339B (zh) | 掌形图形提取及识别方法 | |
Tariang et al. | A robust residual dense neural network for countering antiforensic attack on median filtered images | |
An et al. | Benchmarking the robustness of image watermarks | |
CN113378620B (zh) | 监控视频噪声环境下跨摄像头行人重识别方法 | |
CN106709915A (zh) | 一种图像重采样操作检测方法 | |
Dixit et al. | Utilization of edge operators for localization of copy-move image forgery using WLD-HOG features with connected component labeling | |
CN107480628B (zh) | 一种人脸识别方法及装置 | |
CN107993230A (zh) | 基于三角网格综合特征的图像篡改检测方法 | |
Yohannan et al. | Detection of copy-move forgery based on Gabor filter |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |