CN110555792B - 基于归一化直方图综合特征向量的图像篡改盲检测方法 - Google Patents
基于归一化直方图综合特征向量的图像篡改盲检测方法 Download PDFInfo
- Publication number
- CN110555792B CN110555792B CN201910758062.1A CN201910758062A CN110555792B CN 110555792 B CN110555792 B CN 110555792B CN 201910758062 A CN201910758062 A CN 201910758062A CN 110555792 B CN110555792 B CN 110555792B
- Authority
- CN
- China
- Prior art keywords
- image
- matrix
- feature vector
- blocks
- follows
- 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
- 239000013598 vector Substances 0.000 title claims abstract description 33
- 238000001514 detection method Methods 0.000 title claims abstract description 27
- 239000011159 matrix material Substances 0.000 claims abstract description 26
- 238000001914 filtration Methods 0.000 claims abstract description 10
- 238000000034 method Methods 0.000 claims description 8
- 230000015572 biosynthetic process Effects 0.000 claims description 6
- 238000003786 synthesis reaction Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 4
- 230000000717 retained effect Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 2
- 230000009466 transformation Effects 0.000 abstract description 4
- 238000000513 principal component analysis Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 4
- 239000000654 additive Substances 0.000 description 2
- 230000000996 additive effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000003472 neutralizing effect Effects 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- DDUHZTYCFQRHIY-RBHXEPJQSA-N griseofulvin Chemical compound COC1=CC(=O)C[C@@H](C)[C@@]11C(=O)C(C(OC)=CC(OC)=C2Cl)=C2O1 DDUHZTYCFQRHIY-RBHXEPJQSA-N 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- WABPQHHGFIMREM-UHFFFAOYSA-N lead(0) Chemical compound [Pb] WABPQHHGFIMREM-UHFFFAOYSA-N 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T1/00—General purpose image data processing
- G06T1/0021—Image watermarking
- G06T1/0042—Fragile watermarking, e.g. so as to detect tampering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T1/00—General purpose image data processing
- G06T1/0021—Image watermarking
- G06T1/005—Robust watermarking, e.g. average attack or collusion attack resistant
- G06T1/0064—Geometric transfor invariant watermarking, e.g. affine transform invariant
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了基于归一化直方图综合特征向量的图像篡改盲检测方法,包括步骤:输入M×N图像;使用离散小波变换对灰度图像进行滤波;使用直径为d的圆形滑动窗口将图像S分割成相互重叠的圆形图像块;对每个图像块都提取6个特征;对特征向量E进行归一化;将所有图像块的特征向量T组成矩阵K;对矩阵K进行字典排序;使用匹配函数来比较矩阵Kl中相邻两组特征向量来寻找相似图像对;使用欧几里得距离制定过滤规则;匹配的图像块所对应的中心为匹配点的位置,对应的区域是潜在的复制篡改区域,并把其标识出来。本发明缩小了图像尺寸,大大地提高了算法的效率;有效地检测出经过几何变换后的篡改区域,提高检测的准确度。
Description
技术领域
本发明涉及图像信息安全领域,尤其涉及基于归一化直方图综合特征向量的图像篡改盲检测方法。
背景技术
图像伪造的方法有多种。美国达特茅斯学院的Hany Farid教授将图像篡改手段划分为六类:加强、合成、变体、润饰、绘制、计算机生成。
图像合成操作是最常见的一种数字图像篡改操作,也称复制-粘贴操作,即将图中某部分内容复制粘贴到图中的另外一个位置,这样可以达到掩盖图中人或物体的目的,而达到合成目标效果。针对这种图像篡改方法,Fridrich J.,Soukal D.,Lukas J,2003.Detection of copy–move forgery in digital images.In Proceedings ofDigital Forensic Research Workshop,Cleveland,OH,USA,August,pp:55-61提出一种基于离散余弦变换(DCT)块匹配检测方法,提高了穷举搜索算法的效率。
A.C.Popescu,H.Farid,2004.Exposing digital forgeries by detectingduplicated image regions,Technical Report,TR2004-515,Department of ComputerScience,Dartmouth college提出了使用主成分分析(PCA)而不是离散余弦变换把特征向量进行降维,有效降低运算的维数。
此后,吴琼,李国辉,,孙韶杰,涂丹,2008,基于小波和奇异值分解的图像复制伪造区域检测,小型微型计算机***,Vol.29,No.4,pp:730-733利用离散小波将原图像提取低频部分图像后再进行分块,利用奇异值分解进行降维,最后通过字典排序查找,进一步减少了运算量。
赵俊红,2012。基于投影数据主成分分析的图像复制伪造检测,计算机工程。Vol.38.No.10,pp:203-205也针对Posucue传统算法检测慢的问题,提出一种基于投影数据主成分分析(PCA)的图像篡改检测算法。利用分块图像的行、列投影构建图像块投影特征矩阵,通过PCA对其降维,并使用字典排序法进行排序,结合图像块偏移置信距离判断图像复制-粘贴区域,完成被动取证。
申铉京,朱叶,吕颖达,陈海鹏,2014,基于SIFT和HSI模型的彩色图像复制-粘贴盲鉴别算法,吉林大学学报(工程和技术版)Vol.44,No.19,July.pp:171-176提出基于SIFT和HIS的算法能够降低错误的匹配率和对于被高斯模糊,白噪声和JPEG压缩的篡改后的图像具有更高的鲁棒性。
以上方法可以检测出图像的复制-粘贴篡改区域,但是均存在运算量大,耗时较多,准确率不高的特点,而且对于经过几何变换后的篡改区域,检测的准确度不高。
发明内容
为克服现有技术的不足,本发明提出基于归一化直方图综合特征向量的图像篡改盲检测方法。
本发明的技术方案是这样实现的:基于归一化直方图综合特征向量的图像篡改盲检测方法,包括步骤:
步骤1、输入M×N图像,如果其为彩色图像,则利用PAL-D电视制式的亮度公式Y=0.222R+0.707G+0.071B将其转换成灰度图像,其中,R为红色,G为绿色,B为蓝色;
步骤2、使用离散小波变换对灰度图像进行滤波,提取低频部分的图像S,其中图像S的尺寸为M/2×N/2;
步骤3、使用直径为d的圆形滑动窗口将图像S分割成相互重叠的圆形图像块,其中图像块的个数为L=[M/2-d+1]×[N/2-d+1];
步骤4、对每个图像块都提取6个特征,构成特征向量E=[f1,f2,f3,f4,f5,f6];
步骤5、对特征向量E进行归一化,归一化的向量形式如下:
步骤6、将所有图像块的特征向量T组成矩阵K,其中矩阵K的尺寸为L×6的矩阵K,其中L为图像块的个数,6为图像块的特征数;
步骤7、对矩阵K进行字典排序,得到矩阵Kl,矩阵K和Kl的尺寸一致;
步骤8、使用匹配函数来比较矩阵Kl中相邻两组特征向量来寻找相似图像对,匹配函数的公式如下:
其中,ej,k为第k个图像块的第j个特征,k=1,2,…,L。由匹配函数公式可知,当第k个图像块匹配函数的值为最小时,可以将两个相似的图像块匹配起来;
步骤9、使用欧几里得距离制定过滤规则,设两个相似图像块的中心坐标为:(x1,y1)和(x2,y2),则两个相似图像块的欧几里得距离D如下所示:
如果D满足阈值设定,则将该两个图像块保留下来,否则,将该两个图像块过滤;
步骤10、匹配的图像块所对应的中心为匹配点的位置,对应的区域是潜在的复制篡改区域,并把其标识出来。
进一步地,步骤4包括步骤:
步骤4a、提取直方图不变矩特征,设图像块f(x,y),其灰度值范围为r0,r1…rt-1,,其中rt-1为图像最大灰度值,其直方图定义为:
P(ri)=ni/n (1)
k阶中心矩定义为:
其中μ=(m1/m0)为图像的平均灰度值,k阶中心矩的归一化定义为:
由公式(1),(2)和(3)可得,μ0=1,η0=1,所以μk=ηk,为了使提取特征具有几何不变性,将中心矩做归一化处理,如下所示:
f1=η5/η2η3 (4)
f3=η7/η3η4 (6);
步骤4b、提取峰度、偏度、能量特征。度量峰度、偏度、能量的公式分别为:
f4=η3/η1η2 (7)
进一步地,步骤9中所述过滤规则的制定过程包括步骤:
设两个相似图像块的中心坐标为:(x1,y1)和(x2,y2),则两个相似图像块的欧几里得距离D如下所示:
如果D满足阈值设定,则将该两个图像块保留下来,否则,将该两个图像过滤,阈值设定如下所示:
本发明的有益效果在于,与现有技术相比,本发明使用了离散小波变换来提取图像的低频信息,并且缩小了图像尺寸,大大地提高了算法的效率;而且归一化直方图中和特征向量具有几何不变性,可以有效地检测出经过几何变换后的篡改区域,提高检测的准确度。
附图说明
图1是本发明基于归一化直方图综合特征向量的图像篡改盲检测方法模型图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参见图1,针对现有技术存在的运算量大、准确率不高、对旋转和缩放鲁棒性不高的问题,本发明提出一种基于归一化直方图综合特征向量的图像篡改盲检测算法,可以自动检测和定位出图像的复制-粘贴篡改区域。
为了解决上述问题,本发明基于归一化直方图综合特征向量的图像篡改盲检测算法,包括
步骤1、输入为M×N图像,如果其为彩色图像,则利用PAL-D电视制式的亮度公式Y=0.222R+0.707G+0.071B将其转换成灰度图像。其中,R为红色,G为绿色,B为蓝色;
步骤2、使用离散小波变换(Discrete Wavelet Transform,DWT)对灰度图像进行滤波,提取低频部分的图像S,其中图像S的尺寸为M/2×N/2;
步骤3、使用直径为d的圆形滑动窗口将图像S分割成相互重叠的圆形图像块,其中图像块的个数为L=[M/2-d+1]×[N/2-d+1];
步骤4、对每个图像块都提取6个特征,构成特征向量E=[f1,f2,f3,f4,f5,f6],具体包括:
步骤4a、提取直方图不变矩特征。设图像块f(x,y),其灰度值范围为r0,r1…rt-1,,其中t-1为图像最大灰度值,其直方图定义为:
P(ri)=ni/n (1)
k阶中心矩定义为:
其中μ=(m1/m0)为图像的平均灰度值。k阶中心矩的归一化定义为:
由公式(1),(2)和(3)可得,μ0=1,η0=1,所以μk=ηk。为了使提取特征具有几何不变性,将中心矩做归一化处理。如下所示:
f1=η5/η2η3 (4)
f3=η7/η3η4 (6)
步骤4b、提取峰度、偏度、能量特征。度量峰度、偏度、能量的公式分别为:
f4=η3/η1η2 (7)
步骤5、对特征向量E进行归一化。归一化的向量形式如下:
步骤6、将所有图像块的特征向量T组成矩阵K,其中矩阵K的尺寸为L×6的矩阵K,其中L为图像块的个数,6为图像块的特征数。
步骤7、对矩阵K进行字典排序,得到矩阵Kl。矩阵K和Kl的尺寸一致。
步骤8、使用匹配函数来比较矩阵Kl中相邻两组特征向量来寻找相似图像对。匹配函数的公式如下:
其中,ej,k为第k个图像块的第j个特征,k=1,2,…,L。由匹配函数公式可知,当第k个图像块匹配函数的值为最小时,可以将两个相似的图像块匹配起来。
步骤9、使用欧几里得距离制定过滤规则。设两个相似图像块的中心坐标为:(x1,y1)和(x2,y2),则两个相似图像块的欧几里得距离D如下所示:
如果D满足阈值设定,则将该两个图像块保留下来,否则,将该两个图像过滤。阈值设定如下所示:
步骤10、匹配的图像块所对应的中心为匹配点的位置,对应的区域是潜在的复制篡改区域,并把其标识出来。
步骤11、通过实验论证本发明的性能。
实验使用图像检测准确率作为评价标准。根据本发明提出的算法对样本进行测试,测试结果如表1所示。根据测试结果,本发明提出的算法对复制-粘贴伪造操作具有较高的检测率,包括在0°到90°之间小角度旋转、一定程度的尺度缩放和添加高斯噪声类型的篡改。
表.1本发明提出算法的图像检测准确率
测试图片总数 | 准确率 | |
在在0°到90°间旋转 | 100 | 80% |
缩小1/5 | 100 | 83% |
放大1/5 | 100 | 85% |
加性高斯噪声 | 100 | 86% |
表1是本发明提出的算法和三个不同的算法进行比较鲁棒性,分别是:
赵俊红,2012,基于投影数据主成分分析的图像复制伪造检测,计算机工程,Vol.38,No.10,pp:203-205;赵伟,汪涛,吕皖丽等,2014,基于Tamura纹理特征的Copy-Move图像篡改盲检测,计算机工程与应用,50(3):177-180;申铉京,朱叶,吕颖达,陈海鹏,2014,基于SIFT和HSI模型的彩色图像复制-粘贴盲鉴别算法,吉林大学学报(工程和技术版)Vol.44,No.19,July.pp:171-176.
测试结果如表2所示。(赵俊红,2012)算法在区域复制粘贴检测算法中具有较差的鲁棒性。(张伟等,2014)算法是在(赵俊红,2012)算法上进行改进的,因此有较好的鲁棒性。(申铉京等,2014)的算法能检测缩放,但是不能检测小角度旋转。本发明提出的算法不仅有着很好的鲁棒性,而且能检测经过小角度旋转和缩放的伪造区域。
表.2几种复制-粘贴篡改检测算法比较
赵俊红 | 赵伟 | 申铉京 | 本算法 | |
平移 | √ | √ | √ | √ |
缩放 | √ | √ | ||
小角度旋转 | √ | √ | ||
加性高斯噪声 | √ | √ | √ |
本发明的技术方案有如下效果:上述方案提出了一种基于归一化直方图综合特征向量的图像篡改盲检测算法。相比于以往的传统方法,本文提出的算法使用了离散小波变换来提取图像的低频信息,并且缩小了图像尺寸,大大地提高了算法的效率。而且归一化直方图中和特征向量具有几何不变性,可以有效地检测出经过几何变换后的篡改区域,提高检测的准确度。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (2)
1.基于归一化直方图综合特征向量的图像篡改盲检测方法,其特征在于,包括步骤:
步骤1、输入M×N图像,如果其为彩色图像,则利用PAL-D电视制式的亮度公式Y=0.222R+0.707G+0.071B将其转换成灰度图像,其中,R为红色,G为绿色,B为蓝色;
步骤2、使用离散小波变换对灰度图像进行滤波,提取低频部分的图像S,其中图像S的尺寸为M/2×N/2;
步骤3、使用直径为d的圆形滑动窗口将图像S分割成相互重叠的圆形图像块,其中图像块的个数为L=[M/2-d+1]×[N/2-d+1];
步骤4、对每个图像块都提取6个特征,构成特征向量E=[f1,f2,f3,f4,f5,f6];
步骤5、对特征向量E进行归一化,归一化的向量形式如下:
步骤6、将所有图像块的特征向量T组成矩阵K,其中矩阵K的尺寸为L×6的矩阵,其中L为图像块的个数,6为图像块的特征数;
步骤7、对矩阵K进行字典排序,得到矩阵Kl,矩阵K和Kl的尺寸一致;
步骤8、使用匹配函数来比较矩阵Kl中相邻两组特征向量来寻找相似图像对,匹配函数的公式如下:
其中,ej,k为第k个图像块的第j个特征,k=1,2,…,L,由匹配函数公式可知,当第k个图像块匹配函数的值为最小时,可以将两个相似的图像块匹配起来;
步骤9、使用欧几里得距离制定过滤规则,所述过滤规则的制定过程包括步骤:
设两个相似图像块的中心坐标为:(x1,y1)和(x2,y2),则两个相似图像块的欧几里得距离D如下所示:
如果D满足阈值设定,则将该两个图像块保留下来,否则,将该两个图像过滤,阈值设定如下所示:
步骤10、匹配的图像块所对应的中心为匹配点的位置,对应的区域是潜在的复制篡改区域,并把其标识出来。
2.如权利要求1所述的基于归一化直方图综合特征向量的图像篡改盲检测方法,其特征在于,步骤4包括步骤:
步骤4a、提取直方图不变矩特征,设图像块f(x,y),其灰度值范围为r0,r1…rt-1,其中rt-1为图像最大灰度值,其直方图定义为:
P(ri)=ni/n (1)
k阶中心矩定义为:
其中μ=(m1/m0)为图像的平均灰度值,k阶中心矩的归一化定义为:
由公式(1),(2)和(3)可得,μ0=1,η0=1,所以μk=ηk,为了使提取特征具有几何不变性,将中心矩做归一化处理,如下所示:
f1=η5/η2η3 (4)
f3=η7/η3η4 (6);
步骤4b、提取峰度、偏度、能量特征,度量峰度、偏度、能量的公式分别为:
f4=η3/η1η2 (7)
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910758062.1A CN110555792B (zh) | 2019-08-16 | 2019-08-16 | 基于归一化直方图综合特征向量的图像篡改盲检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910758062.1A CN110555792B (zh) | 2019-08-16 | 2019-08-16 | 基于归一化直方图综合特征向量的图像篡改盲检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110555792A CN110555792A (zh) | 2019-12-10 |
CN110555792B true CN110555792B (zh) | 2022-05-17 |
Family
ID=68737445
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910758062.1A Active CN110555792B (zh) | 2019-08-16 | 2019-08-16 | 基于归一化直方图综合特征向量的图像篡改盲检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110555792B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111915582B (zh) * | 2020-07-28 | 2024-03-08 | 南京工业大学浦江学院 | 基于亮度特征耦合信息量制约的图像篡改检测方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102184537A (zh) * | 2011-04-22 | 2011-09-14 | 西安理工大学 | 基于小波变换和主成分分析的图像区域篡改检测方法 |
CN102609948A (zh) * | 2012-02-10 | 2012-07-25 | 浙江理工大学 | 一种针对复制粘贴篡改的数码照片伪造检测方法 |
CN102609891A (zh) * | 2012-01-12 | 2012-07-25 | 合肥工业大学 | 一种基于纹理特征的数字图像被动盲取证方法 |
CN103903271A (zh) * | 2014-04-11 | 2014-07-02 | 北京航空航天大学 | 一种针对自然图像和基于dwt压缩篡改图像的图像的取证方法 |
CN104182973A (zh) * | 2014-08-11 | 2014-12-03 | 福州大学 | 基于圆形描述算子csift的图像复制粘贴检测方法 |
CN105631871A (zh) * | 2015-12-28 | 2016-06-01 | 辽宁师范大学 | 基于四元数指数矩的彩色图像复制篡改检测方法 |
CN106327481A (zh) * | 2016-08-10 | 2017-01-11 | 东方网力科技股份有限公司 | 基于大数据的图像篡改检测方法及装置 |
CN107622489A (zh) * | 2017-10-11 | 2018-01-23 | 广东工业大学 | 一种图像篡改检测方法及装置 |
CN108648130A (zh) * | 2018-04-04 | 2018-10-12 | 宁波大学 | 一种具有版权保护和篡改定位功能的全盲数字水印方法 |
CN109360199A (zh) * | 2018-10-15 | 2019-02-19 | 南京工业大学 | 基于沃瑟斯坦直方图欧氏度量的图像重复区域的盲检测方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7778461B2 (en) * | 2006-05-05 | 2010-08-17 | New Jersey Institute Of Technology | System and/or method for image tamper detection |
US7991185B2 (en) * | 2006-06-30 | 2011-08-02 | New Jersey Institute Of Technology | Method and apparatus for image splicing/tampering detection using moments of wavelet characteristic functions and statistics of 2-D phase congruency arrays |
US8023747B2 (en) * | 2007-02-09 | 2011-09-20 | New Jersey Institute Of Technology | Method and apparatus for a natural image model based approach to image/splicing/tampering detection |
-
2019
- 2019-08-16 CN CN201910758062.1A patent/CN110555792B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102184537A (zh) * | 2011-04-22 | 2011-09-14 | 西安理工大学 | 基于小波变换和主成分分析的图像区域篡改检测方法 |
CN102609891A (zh) * | 2012-01-12 | 2012-07-25 | 合肥工业大学 | 一种基于纹理特征的数字图像被动盲取证方法 |
CN102609948A (zh) * | 2012-02-10 | 2012-07-25 | 浙江理工大学 | 一种针对复制粘贴篡改的数码照片伪造检测方法 |
CN103903271A (zh) * | 2014-04-11 | 2014-07-02 | 北京航空航天大学 | 一种针对自然图像和基于dwt压缩篡改图像的图像的取证方法 |
CN104182973A (zh) * | 2014-08-11 | 2014-12-03 | 福州大学 | 基于圆形描述算子csift的图像复制粘贴检测方法 |
CN105631871A (zh) * | 2015-12-28 | 2016-06-01 | 辽宁师范大学 | 基于四元数指数矩的彩色图像复制篡改检测方法 |
CN106327481A (zh) * | 2016-08-10 | 2017-01-11 | 东方网力科技股份有限公司 | 基于大数据的图像篡改检测方法及装置 |
CN107622489A (zh) * | 2017-10-11 | 2018-01-23 | 广东工业大学 | 一种图像篡改检测方法及装置 |
CN108648130A (zh) * | 2018-04-04 | 2018-10-12 | 宁波大学 | 一种具有版权保护和篡改定位功能的全盲数字水印方法 |
CN109360199A (zh) * | 2018-10-15 | 2019-02-19 | 南京工业大学 | 基于沃瑟斯坦直方图欧氏度量的图像重复区域的盲检测方法 |
Non-Patent Citations (8)
Title |
---|
Copy-move forgery detection robust to various transformation and degradation attacks;Jiehang Deng et al.;《KSII Transactions on Internet and Information Systems》;20180915;第4467-4486页 * |
Detection of copy–move forgery in digital images;Fridrich J et al.;《In Proceedings of Digital Forensic Research Workshop》;20030815;第55-61页 * |
Exposing digital forgeries by detectingduplicated image regions;A.C.Popescu et al.;《Technical Report》;20040515;第1-5页 * |
基于SIFT和HSI模型的彩色图像复制-粘贴盲鉴别算法;申铉京 等;《吉林大学学报(工程和技术版)》;20141215;第44卷(第19期);第171-176页 * |
基于同幅图像的复制粘贴篡改的盲检测;闫旭;《中国优秀硕士学位论文全文数据库信息科技I辑》;20180115;第1-83页 * |
基于小波和奇异值分解的图像复制伪造区域检测;吴琼 等;《小型微型计算机***》;20080415;第29卷(第4期);第730-733页 * |
基于投影数据主成分分析的图像复制伪造检测;赵俊红;《计算机工程》;20121015;第38卷(第10期);第203-205页 * |
数字图像篡改检测关键技术研究综述;甘艳芬 等;《赤峰学院学报(自然科学版)》;20171215;第17-19页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110555792A (zh) | 2019-12-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109145915B (zh) | 一种复杂场景下车牌快速畸变矫正方法 | |
CN103116763B (zh) | 一种基于hsv颜色空间统计特征的活体人脸检测方法 | |
CN111639558B (zh) | 一种基于ArcFace Loss和改进残差网络的指静脉身份验证方法 | |
CN107316031A (zh) | 用于行人重识别的图像特征提取方法 | |
CN103824091B (zh) | 一种用于智能交通***的车牌识别方法 | |
CN110232387B (zh) | 一种基于kaze-hog算法的异源图像匹配方法 | |
CN107067389A (zh) | 一种基于Sobel边缘检测与图像块亮度特征的图像篡改盲取证方法 | |
CN107103266B (zh) | 二维人脸欺诈检测分类器的训练及人脸欺诈检测方法 | |
CN109687382B (zh) | 一种基于颜色模版匹配的继电保护压板投退状态识别方法 | |
Abidin et al. | Copy-move image forgery detection using deep learning methods: a review | |
CN106327534A (zh) | 一种基于定位块的轮胎内壁纹理识别方法 | |
Shen et al. | Adaptive pedestrian tracking via patch-based features and spatial–temporal similarity measurement | |
CN111860393A (zh) | 一种安防***上的人脸检测识别方法 | |
CN113592923A (zh) | 一种基于深度局部特征匹配的批图像配准方法 | |
Emam et al. | A robust detection algorithm for image Copy-Move forgery in smooth regions | |
CN110188646B (zh) | 基于梯度方向直方图与局部二值模式融合的人耳识别方法 | |
Lian | Pedestrian detection using quaternion histograms of oriented gradients | |
CN110555792B (zh) | 基于归一化直方图综合特征向量的图像篡改盲检测方法 | |
Wang et al. | Lane detection algorithm based on density clustering and RANSAC | |
CN109657544B (zh) | 一种人脸检测方法和装置 | |
CN116823940A (zh) | 一种三维场景移动物体检测方法 | |
CN109360199A (zh) | 基于沃瑟斯坦直方图欧氏度量的图像重复区域的盲检测方法 | |
Yu et al. | Research on video face detection based on AdaBoost algorithm training classifier | |
Tahaoğlu et al. | Copy-move forgery detection and localization with hybrid neural network approach | |
Aksakallı et al. | A novel approach for copy-move forgery detection using bilateral filtering |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | 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 |