CN111507931B - 一种数据处理方法和装置 - Google Patents
一种数据处理方法和装置 Download PDFInfo
- Publication number
- CN111507931B CN111507931B CN201910032941.6A CN201910032941A CN111507931B CN 111507931 B CN111507931 B CN 111507931B CN 201910032941 A CN201910032941 A CN 201910032941A CN 111507931 B CN111507931 B CN 111507931B
- Authority
- CN
- China
- Prior art keywords
- target image
- window
- window scale
- gray level
- occurrence matrix
- 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
Images
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
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
- G06T7/45—Analysis of texture based on statistical description of texture using co-occurrence matrix computation
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Mathematical Physics (AREA)
- Computing Systems (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 Processing (AREA)
Abstract
本公开涉及一种数据处理方法和装置。该方法包括:通过窗口尺度不同的多个滑动窗口依次遍历目标图像,确定任一窗口尺度下所述目标图像的N阶导数灰度共生矩阵,其中,所述N阶导数灰度共生矩阵为根据所述目标图像的N阶导数确定的灰度共生矩阵;根据任一窗口尺度下所述目标图像的N阶导数灰度共生矩阵,确定所述窗口尺度下所述目标图像的检测概率图,其中,所述检测概率图中包括所述目标图像中任一像素点被修改的概率;根据窗口尺度从大到小,依次对不同窗口尺度下所述目标图像的检测概率图进行融合,确定所述目标图像中的被修改区域。本公开可以准确确定目标图像中的被修改区域。
Description
技术领域
本公开涉及图像处理技术领域,尤其涉及一种数据处理方法和装置。
背景技术
随着数字图像处理技术的飞速发展,利用图像篡改技术篡改一张数字图像骗过人类的眼睛已是一件相当容易的事情。另外,专业的图像处理软件(例如,Photoshop)正变得越来越大众化,篡改图片不再是专业人员才具备的能力,使得网络上充斥着大量被篡改过的图像。图像篡改操作传递错误的信息,对社会造成非常恶劣的影响。
目前,图像篡改技术中存在一种去模糊篡改方式,即将原始图像中的模糊区域提取,并对提取的模糊区域进行去模糊篡改操作,进而将去模糊篡改区域拼接回原始图像,实现对原始图像的去模糊篡改。由于去模糊篡改区域与非篡改区域来自同一图像,使得目前尚没有有效方法确定目标图像中是否存在去模糊篡改区域,即无法确定目标图像是否被去模糊篡改。因此,亟需一种有效的数据处理方法来确定目标图像中的被修改区域(去模糊篡改区域)。
发明内容
有鉴于此,本公开提出了一种数据处理方法和装置,使得可以准确确定目标图像中的被修改区域。
根据本公开的第一方面,提供了一种数据处理方法,包括:通过窗口尺度不同的多个滑动窗口依次遍历目标图像,确定任一窗口尺度下所述目标图像的N阶导数灰度共生矩阵,其中,所述N阶导数灰度共生矩阵为根据所述目标图像的N阶导数确定的灰度共生矩阵;根据任一窗口尺度下所述目标图像的N阶导数灰度共生矩阵,确定所述窗口尺度下所述目标图像的检测概率图,其中,所述检测概率图中包括所述目标图像中任一像素点被修改的概率;根据窗口尺度从大到小,依次对不同窗口尺度下所述目标图像的检测概率图进行融合,确定所述目标图像中的被修改区域。
在一种可能的实现方式中,根据任一窗口尺度下所述目标图像的N阶导数灰度共生矩阵,确定所述窗口尺度下所述目标图像的检测概率图,包括:针对任一窗口尺度,获取利用图像样本训练得到的所述窗口尺度下的决策模型,其中,所述决策模型用于根据所述窗口尺度下所述目标图像的N阶导数灰度共生矩阵,确定所述窗口尺度下所述目标图像的检测概率图。
在一种可能的实现方式中,针对任一窗口尺度,获取利用图像样本训练得到的所述窗口尺度下的决策模型,包括:对所述图像样本进行模糊处理,得到模糊图像;对所述模糊图像进行去模糊处理,得到去模糊图像;通过所述窗口尺度不同的多个滑动窗口依次遍历所述去模糊图像,确定任一窗口尺度下所述去模糊图像的N阶导数灰度共生矩阵;针对任一窗口尺度,采用LIBSVM和径向基函数核对所述窗口尺度下所述去模糊图像的N阶导数灰度共生矩阵进行训练,得到所述窗口尺度下的决策模型。
在一种可能的实现方式中,根据窗口尺度从大到小,依次对不同窗口尺度下所述目标图像的检测概率图进行融合,确定所述目标图像中的被修改区域,包括:针对任一窗口尺度,通过聚类算法对所述窗口尺度下所述目标图像的检测概率图进行聚类,确定所述窗口尺度下所述目标图像对应的第一检测结果图,其中,所述第一检测结果图中包括被修改区域和未修改区域;根据所述窗口尺度下所述目标图像对应的第一检测结果图,通过连通性检测和滤波操作,调整所述窗口尺度下所述目标图像的检测概率图;通过所述聚类算法对调整之后的所述窗口尺度下所述目标图像的检测概率图再次进行聚类,确定所述窗口尺度下所述目标图像对应的第二检测结果图,其中,所述第二检测结果图中包括被修改区域和未修改区域;根据窗口尺度从大到小,依次对不同窗口尺度下所述目标图像对应的第二检测结果图进行融合,确定所述目标图像中的被修改区域。
在一种可能的实现方式中,所述聚类算法为二质心K-means聚类。
在一种可能的实现方式中,所述滤波操作为高斯加权滤波。
在一种可能的实现方式中,所述窗口尺度不同的多个滑动窗口包括:4×4滑动窗口、8×8滑动窗口、16×16滑动窗口、32×32滑动窗口、64×64滑动窗口和128×128滑动窗口。
根据本公开的第二方面,提供了一种数据处理装置,包括:第一确定模块,用于通过窗口尺度不同的多个滑动窗口依次遍历目标图像,确定任一窗口尺度下所述目标图像的N阶导数灰度共生矩阵,其中,所述N阶导数灰度共生矩阵为根据所述目标图像的N阶导数确定的灰度共生矩阵;第二确定模块,用于根据任一窗口尺度下所述目标图像的N阶导数灰度共生矩阵,确定所述窗口尺度下所述目标图像的检测概率图,其中,所述检测概率图中包括所述目标图像中任一像素点被修改的概率;第三确定模块,用于根据窗口尺度从大到小,依次对不同窗口尺度下所述目标图像的检测概率图进行融合,确定所述目标图像中的被修改区域。
在一种可能的实现方式中,还包括:获取模块,用于针对任一窗口尺度,获取利用图像样本训练得到的所述窗口尺度下的决策模型,其中,所述决策模型用于根据所述窗口尺度下所述目标图像的N阶导数灰度共生矩阵,确定所述窗口尺度下所述目标图像的检测概率图。
在一种可能的实现方式中,所述获取模块包括:模糊处理子模块,用于对所述图像样本进行模糊处理,得到模糊图像;去模糊处理子模块,用于对所述模糊图像进行去模糊处理,得到去模糊图像;第一确定子模块,用于通过所述窗口尺度不同的多个滑动窗口依次遍历所述去模糊图像,确定任一窗口尺度下所述去模糊图像的N阶导数灰度共生矩阵;模型训练子模块,用于针对任一窗口尺度,采用LIBSVM和径向基函数核对所述窗口尺度下所述去模糊图像的N阶导数灰度共生矩阵进行训练,得到所述窗口尺度下的决策模型。
在一种可能的实现方式中,所述第三确定模块包括:聚类子模块,用于针对任一窗口尺度,通过聚类算法对所述窗口尺度下所述目标图像的检测概率图进行聚类,确定所述窗口尺度下所述目标图像对应的第一检测结果图,其中,所述第一检测结果图中包括被修改区域和未修改区域;调整子模块,用于根据所述窗口尺度下所述目标图像对应的第一检测结果图,通过连通性检测和滤波操作,调整所述窗口尺度下所述目标图像的检测概率图;所述聚类子模块,还用于通过所述聚类算法对调整之后的所述窗口尺度下所述目标图像的检测概率图再次进行聚类,确定所述窗口尺度下所述目标图像对应的第二检测结果图,其中,所述第二检测结果图中包括被修改区域和未修改区域;第二确定子模块,用于根据窗口尺度从大到小,依次对不同窗口尺度下所述目标图像对应的第二检测结果图进行融合,确定所述目标图像中的被修改区域。
在一种可能的实现方式中,所述聚类算法为二质心K-means聚类。
在一种可能的实现方式中,所述滤波操作为高斯加权滤波。
在一种可能的实现方式中,所述N阶导数灰度共生矩阵至少包括:一阶导数灰度共生矩阵和二阶导数灰度共生矩阵。
在一种可能的实现方式中,所述窗口尺度不同的多个滑动窗口包括:4×4滑动窗口、8×8滑动窗口、16×16滑动窗口、32×32滑动窗口、64×64滑动窗口和128×128滑动窗口。
根据本公开的第三方面,提供了一种数据处理装置,包括:处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为执行上述第一方面所述的数据处理方法。
根据本公开的第四方面,提供了一种非易失性计算机可读存储介质,其上存储有计算机程序指令,其中,所述计算机程序指令被处理器执行时实现上述第一方面所述的数据处理方法。
通过窗口尺度不同的多个滑动窗口依次遍历目标图像,确定任一窗口尺度下目标图像的N阶导数灰度共生矩阵,其中,N阶导数灰度共生矩阵为根据目标图像的N阶导数确定的灰度共生矩阵,根据任一窗口尺度下目标图像的N阶导数灰度共生矩阵,确定该窗口尺度下目标图像的检测概率图,其中,检测概率图中包括目标图像中任一像素点被修改的概率,根据窗口尺度从大到小,依次对不同窗口尺度下目标图像的检测概率图进行融合,从而可以准确确定目标图像中的被修改区域。
根据下面参考附图对示例性实施例的详细说明,本公开的其它特征及方面将变得清楚。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面,并且用于解释本公开的原理。
图1示出本公开一实施例的数据处理方法的流程示意图;
图2示出本公开一实施例的去模糊篡改区域确定方法的示意图;
图3示出本公开一实施例的不同窗口尺度下目标图像对应的第二检测结果图的示意图;
图4示出本公开一实施例的数据处理装置的结构示意图;
图5示出本公开一实施例的电子设备的结构示意图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。所属领域技术人员可以理解,和/或表示所连接对象的至少其中之一。
另外,为了更好的说明本公开,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本公开同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本公开的主旨。
实际应用中,通过相机、监控器等拍摄设备拍摄的图像,图像中可能会存在模糊区域,当篡改者需要利用存在模糊区域的图像来传递错误信息时,为了保持视觉上的统一协调,篡改者会对图像中的模糊区域进行去模糊篡改。
例如,相机拍摄移动的汽车而得到的图像中,汽车可能是模糊的,而周围环境是清晰的,篡改者需要对图像进行篡改以图像中的车牌号码清晰可见。若篡改者仅篡改车牌号码部分,会导致车牌号码部分与车牌号码周围部分的清晰度不一致,使得篡改后图片容易被鉴别。目前,篡改者通常先对图像中整个模糊区域进行去模糊篡改处理,进而再对车牌号码部分进行进一步篡改,使得篡改后图像的的清晰度整体上协调一致,以增加篡改后图像的鉴别难度。
目前,随着图像处理技术的发展,对图像进行去模糊篡改的场景越来越多,不局限于上述对车牌号码的篡改,凡是篡改者需要利用存在模糊区域的图像来传递错误信息时,均可能会存在对图像的去模糊篡改操作。因此,如何确定图像中的去模糊篡改区域来对图像进行篡改鉴定变得越来越重要。本公开提供的数据处理方法可以准确确定目标图像中的被修改区域,即确定目标图像中的去模糊篡改区域。
图1示出本公开一实施例的数据处理方法的流程示意图。如图1所示,该方法可以包括:
步骤S11,通过窗口尺度不同的多个滑动窗口依次遍历目标图像,确定任一窗口尺度下目标图像的N阶导数灰度共生矩阵,其中,N阶导数灰度共生矩阵为根据目标图像的N阶导数确定的灰度共生矩阵。
步骤S12,根据任一窗口尺度下目标图像的N阶导数灰度共生矩阵,确定该窗口尺度下目标图像的检测概率图,其中,检测概率图中包括目标图像中任一像素点被修改的概率。
步骤S13,根据窗口尺度从大到小,依次对不同窗口尺度下目标图像的检测概率图进行融合,确定目标图像中的被修改区域。
在一种可能的实现方式中,目标图像被修改的方式可以为去模糊篡改,确定目标图像中的被修改区域可以为确定目标图像中的去模糊篡改区域。
实际应用中,若目标图像中包括去模糊篡改区域,由于去模糊篡改区域是篡改者提取目标图像中的模糊区域,并对模糊区域进行非一致去模糊篡改操作(即非均匀去模糊篡改操作)之后,拼接回目标图像中的,也即经过非一致去模糊篡改的去模糊篡改区域和非篡改区域来自同一图像,使得去模糊篡改区域的拼接边界模糊,很难从视觉上察觉到异常。为了避免被篡改过的目标图像传递错误信息,需要有效确定出目标图像中的去模糊篡改区域。
在一种可能的实现方式中,窗口尺度不同的多个滑动窗口包括:4×4滑动窗口、8×8滑动窗口、16×16滑动窗口、32×32滑动窗口、64×64滑动窗口和128×128滑动窗口。
窗口尺度不同的多个滑动窗口除了可以包括上述六种不同窗口尺度的滑动窗口外,还可以包括其它窗口尺度的滑动窗口,本公开对此不作具体限定。
将目标图像转换为灰度图像,进而通过窗口尺度不同的多个滑动窗口依次遍历目标图像,根据目标图像的N阶导数确定任一窗口尺度下目标图像的N阶导数灰度共生矩阵。
在一种可能的实现方式中,N阶导数灰度共生矩阵至少包括:一阶导数灰度共生矩阵和二阶导数灰度共生矩阵。
图2示出本公开一实施例的去模糊篡改区域确定方法的示意图。如图2所示,通过4×4滑动窗口、8×8滑动窗口、16×16滑动窗口、32×32滑动窗口、64×64滑动窗口和128×128滑动窗口分别遍历目标图像,得到六种不同窗口尺度下目标图像的一阶导数灰度共生矩阵和二阶导数灰度共生矩阵。
针对任一窗口尺度,至少确定该窗口尺度下目标图像的一阶导数灰度共生矩阵和二阶导数灰度共生矩阵,进而根据该窗口尺度下目标图像的一阶导数灰度共生矩阵和二阶导数灰度共生矩阵,可以确定该窗口尺度下目标图像的检测概率图,即确定该窗口尺度下确定的目标图像中任一像素点被去模糊篡改的概率。
针对任一窗口尺度,在确定该窗口尺度下目标图像的一阶导数灰度共生矩阵和二阶导数灰度共生矩阵之前,可以先确定该窗口尺度下目标图像的一阶导数和二阶导数。
在一种可能的实现方式中,包括:通过下述公式确定目标图像的一阶导数D'(u,v)和二阶导数D”(u,v),D'(u,v)=f(x,y)×q,D”(u,v)=f(x,y)×q',其中,f(x,y)为目标图像,
确定目标图像的一阶导数和二阶导数,除了可以采用上述方式之外,还可以采用其它方式,本公开对此不作具体限定。
其中,当D′(u,v)=m且D′(u+du,v+dv)=n时,δ[D′(u,v)=m,D′(u+du,v+dv)=n]=1,否则,δ[D′(u,v)=m,D′(u+du,v+dv)=n]=0;根据目标图像的二阶导数D”(u,v),通过下述公式确定二阶导数灰度共生矩阵其中,当D″(u,v)=m且D″(u+du,v+dv)=n时,δ[D″(u,v)=m,D″(u+du,v+dv)=n]=1,否则,δ[D″(u,v)=m,D″(u+du,v+dv)=n]=0;其中,du∈{-1,0,1},dv∈{-1,0,1}。
在一种可能的实现方式中,根据任一窗口尺度下目标图像的N阶导数灰度共生矩阵,确定该窗口尺度下目标图像的检测概率图,包括:针对任一窗口尺度,获取利用图像样本训练得到的该窗口尺度下的决策模型,其中,决策模型用于根据该窗口尺度下目标图像的N阶导数灰度共生矩阵,确定该窗口尺度下目标图像的检测概率图。
在确定目标图像中的去模糊篡改区域之前,通过对图像样本进行模型训练,确定任一窗口尺度下的决策模型作为先验知识,进而在确定任一窗口尺度下目标图像的N阶导数灰度共生矩阵之后,可以根据该窗口尺度下的决策模型,确定该窗口尺度下目标图像中任一像素点被去模糊篡改的概率,得到该窗口尺度下目标图像的检测概率图。
在一种可能的实现方式中,针对任一窗口尺度,获取利用图像样本训练得到的所述窗口尺度下的决策模型,包括:对图像样本进行模糊处理,得到模糊图像;对模糊图像进行去模糊处理,得到去模糊图像;通过窗口尺度不同的多个滑动窗口依次遍历去模糊图像,确定任一窗口尺度下去模糊图像的N阶导数灰度共生矩阵;针对任一窗口尺度,采用静态库支持向量机(LIBSVM,Library Support Vector Machine)和径向基函数核对该窗口尺度下去模糊图像的N阶导数灰度共生矩阵进行训练,得到该窗口尺度下的决策模型。
图像样本可以来源于Dresden图像数据库,也可以来源于其它图像数据库,本公开对此不作具体限定。图像样本的样本容量可以根据实际情况确定(例如,1400),本公开对此不作具体限定。
将图像样本转换为灰度图像,以及对图像样本进行模糊处理,得到模糊图像,进而对模糊图像进行去模糊处理,得到满足去模糊篡改场景且峰值信噪比(PSNR,Peak Signalto Noise Ratio)最大化的去模糊图像。
对模糊图像进行去模糊处理的方式包括但不限于下述三种去模糊处理方法:盲去卷积中的有效边缘似然优化方法、用L0正则化强度和梯度先验去模糊方法,和具有L0正则先验的盲图像运动去模糊方法。
对模糊图像进行去模糊处理的方式除了可以包括上述三种去模糊处理方法之外,还可以包括其它去模糊处理方法,本公开对此不作具体限定。
通过窗口尺度不同的多个滑动窗口依次遍历去模糊图像,确定任一窗口尺度下去模糊图像的N阶导数灰度共生矩阵,进而针对任一窗口尺度,采用LIBSVM和径向基函数核对该窗口尺度下去模糊图像的N阶导数灰度共生矩阵进行模型训练,得到该窗口尺度下的决策模型。
在确定任一窗口尺度下去模糊图像的N阶导数灰度共生矩阵以及对任一窗口尺度下去模糊图像的N阶导数灰度共生矩阵进行模型训练的过程中,为了平衡计算性能和复杂度,对截断阈值T和降维参数n进行设置,例如,设置截断阈值T=10和降维参数n=50。截断阈值T和降维参数n的取值还可以设置为其它值,本公开对此不作具体限定。
采用LIBSVM和径向基函数核训练得到任一窗口尺度下的决策模型之后,可以根据任一窗口尺度下的决策模型,以及该窗口尺度下目标图像的N阶导数灰度共生矩阵,确定该窗口尺度下的检测概率图。
仍以上述图2为例,如图2所示:根据4×4滑动窗口下的决策模型,以及4×4滑动窗口下目标图像的一阶导数灰度共生矩阵和二阶导数灰度共生矩阵,确定4×4滑动窗口下目标图像的检测概率图C1;根据8×8滑动窗口下的决策模型,以及8×8滑动窗口下目标图像的一阶导数灰度共生矩阵和二阶导数灰度共生矩阵,确定8×8滑动窗口下目标图像的检测概率图C2;根据16×16滑动窗口下的决策模型,以及16×16滑动窗口下目标图像的一阶导数灰度共生矩阵和二阶导数灰度共生矩阵,确定16×16滑动窗口下目标图像的检测概率图C3;根据32×32滑动窗口下的决策模型,以及32×32滑动窗口下目标图像的一阶导数灰度共生矩阵和二阶导数灰度共生矩阵,确定32×32滑动窗口下目标图像的检测概率图C4;根据64×64滑动窗口下的决策模型,以及64×64滑动窗口下目标图像的一阶导数灰度共生矩阵和二阶导数灰度共生矩阵,确定64×64滑动窗口下目标图像的检测概率图C5;根据128×128滑动窗口下的决策模型,以及128×128滑动窗口下目标图像的一阶导数灰度共生矩阵和二阶导数灰度共生矩阵,确定128×128滑动窗口下目标图像的检测概率图C6。
大窗口尺度下目标图像的检测概率图的准确率较高,而小窗口尺度下目标图像的检测概率图对应的去模糊篡改区域的边界较准确,为了更准确的确定目标图像中的去模糊篡改区域,可以根据窗口尺度从大到小,依次对不同窗口尺度下目标图像的检测概率图进行融合。
在一种可能的实现方式中,根据窗口尺度从大到小,依次对不同窗口尺度下目标图像的检测概率图进行融合,确定目标图像中的被修改区域,包括:针对任一窗口尺度,通过聚类算法对该窗口尺度下目标图像的检测概率图进行聚类,确定该窗口尺度下目标图像对应的第一检测结果图,其中,第一检测结果图中包括被修改区域和未修改区域;根据该窗口尺度下目标图像对应的第一检测结果图,通过连通性检测和滤波操作,调整该窗口尺度下目标图像的检测概率图;通过聚类算法对调整之后的该窗口尺度下目标图像的检测概率图再次进行聚类,确定该窗口尺度下目标图像对应的第二检测结果图,其中,第二检测结果图中包括被修改区域和未修改区域;根据窗口尺度从大到小,依次对不同窗口尺度下目标图像对应的第二检测结果图进行融合,确定目标图像中的被修改区域。
在一种可能的实现方式中,聚类算法为二质心K-means聚类。
针对任一窗口尺度,通过二质心K-means聚类对该窗口尺度下目标图像的检测概率图进行聚类,得到该窗口尺度下目标图像对应的第一检测结果图(二值图像),第一检测结果图中包括去模糊篡改区域(被修改区域)和未篡改区域(未修改区域),即确定该窗口尺度下目标图像中去模糊篡改区域的初始边界。
在一种可能的实现方式中,滤波操作为高斯加权滤波。
仍以上述图2为例,如图2所示,为了降低噪声对去模糊篡改区域确定结果的影响,针对任一窗口尺度,根据该窗口尺度下目标图像对应的第一检测结果图,通过连通性检测和高斯滤波操作,调整该窗口尺度下目标图像的检测概率图,并通过二质心K-means聚类对调整之后的该窗口尺度下目标图像的检测概率图再次进行聚类,确定该窗口尺度下目标图像对应的第二检测结果图(二值图像),其中,第二检测结果图中包括去模糊篡改区域和未篡改区域,即确定该窗口尺度下目标图像中去模糊篡改区域的检测边界。
图3为本公开一实施例的不同窗口尺度下目标图像对应的第二检测结果图的示意图。图3中包括4×4窗口尺度下目标图像对应的第二检测结果图C1'、8×8窗口尺度下目标图像对应的第二检测结果图C2'、16×16窗口尺度下目标图像对应的第二检测结果图C3'、32×32窗口尺度下目标图像对应的第二检测结果图C4'、64×64窗口尺度下目标图像对应的第二检测结果图C5',和128×128窗口尺度下目标图像对应的第二检测结果图C6'六种不同窗口尺度下目标图像对应的第二检测结果图(二值图像)。第二检测结果图中的白色像素点为目标图像中被去模糊篡改的像素点,即第二检测结果图中的白色区域为目标图像中的去模糊篡改区域。
为了更准确的确定目标图像中的去模糊篡改区域,可以根据窗口尺度从大到小,依次对不同窗口尺度下目标图像的第二检测结果图进行融合。
对上述图3中六张第二检测结果图C1'-C6'进行融合:第一,以第二检测结果图C6'为基准,将第二检测结果图C6'与第二检测结果图C5'进行融合,得到第三检测结果图C1”;第二,以第三检测结果图C1”为基准,将第三检测结果图C1”与第二检测结果图C4'进行融合,得到第三检测结果图C2”;第二,以第三检测结果图C2”为基准,将第三检测结果图C2”与第二检测结果图C3'进行融合,得到第三检测结果图C3”;第二,以第三检测结果图C3”为基准,将第三检测结果图C3”与第二检测结果图C2'进行融合,得到第三检测结果图C4”;第二,以第三检测结果图C4”为基准,将第三检测结果图C4”与第二检测结果图C1'进行融合,得到第三检测结果图C5”。根据融合之后得到的第三检测结果图C5”,可以准确确定目标图像中的去模糊篡改区域。
通过窗口尺度不同的多个滑动窗口依次遍历目标图像,确定任一窗口尺度下目标图像的N阶导数灰度共生矩阵,其中,N阶导数灰度共生矩阵为根据目标图像的N阶导数确定的灰度共生矩阵,根据任一窗口尺度下目标图像的N阶导数灰度共生矩阵,确定该窗口尺度下目标图像的检测概率图,其中,检测概率图中包括目标图像中任一像素点被修改的概率,根据窗口尺度从大到小,依次对不同窗口尺度下目标图像的检测概率图进行融合,从而可以准确确定目标图像中的被修改区域。
图4示出本公开一实施例的数据处理装置的结构示意图。图4所示的装置40可以用于实现上述图1所示方法实施例的步骤,装置50包括:
第一确定模块41,用于通过窗口尺度不同的多个滑动窗口依次遍历目标图像,确定任一窗口尺度下目标图像的N阶导数灰度共生矩阵,其中,N阶导数灰度共生矩阵为根据目标图像的N阶导数确定的灰度共生矩阵;
第二确定模块42,用于根据任一窗口尺度下目标图像的N阶导数灰度共生矩阵,确定该窗口尺度下目标图像的检测概率图,其中,检测概率图中包括目标图像中任一像素点被修改的概率;
第三确定模块43,用于根据窗口尺度从大到小,依次对不同窗口尺度下目标图像的检测概率图进行融合,确定目标图像中的被修改区域。
在一种可能的实现方式中,装置40还包括:
获取模块,用于针对任一窗口尺度,获取利用图像样本训练得到的该窗口尺度下的决策模型,其中,决策模型用于根据该窗口尺度下目标图像的N阶导数灰度共生矩阵,确定该窗口尺度下目标图像的检测概率图。
在一种可能的实现方式中,获取模块包括:
模糊处理子模块,用于对图像样本进行模糊处理,得到模糊图像;
去模糊处理子模块,用于对模糊图像进行去模糊处理,得到去模糊图像;
第一确定子模块,用于通过窗口尺度不同的多个滑动窗口依次遍历去模糊图像,确定任一窗口尺度下去模糊图像的N阶导数灰度共生矩阵;
模型训练子模块,用于针对任一窗口尺度,采用LIBSVM和径向基函数核对该窗口尺度下去模糊图像的N阶导数灰度共生矩阵进行训练,得到该窗口尺度下的决策模型。
在一种可能的实现方式中,第三确定模块43包括:
聚类子模块,用于针对任一窗口尺度,通过聚类算法对该窗口尺度下目标图像的检测概率图进行聚类,确定该窗口尺度下目标图像对应的第一检测结果图,其中,第一检测结果图中包括被修改区域和未修改区域;
调整子模块,用于根据该窗口尺度下目标图像对应的第一检测结果图,通过连通性检测和滤波操作,调整该窗口尺度下目标图像的检测概率图;
聚类子模块,还用于通过聚类算法对调整之后的该窗口尺度下目标图像的检测概率图再次进行聚类,确定该窗口尺度下目标图像对应的第二检测结果图,其中,第二检测结果图中包括被修改区域和未修改区域;
第二确定子模块,用于根据窗口尺度从大到小,依次对不同窗口尺度下目标图像对应的第二检测结果图进行融合,确定目标图像中的被修改区域。
在一种可能的实现方式中,聚类算法为二质心K-means聚类。
在一种可能的实现方式中,滤波操作为高斯加权滤波。
在一种可能的实现方式中,N阶导数灰度共生矩阵至少包括:一阶导数灰度共生矩阵和二阶导数灰度共生矩阵。
在一种可能的实现方式中,窗口尺度不同的多个滑动窗口包括:
4×4滑动窗口、8×8滑动窗口、16×16滑动窗口、32×32滑动窗口、64×64滑动窗口和128×128滑动窗口。
本公开提供的装置40能够实现图1所示方法实施例中的各个步骤,并实现相同的技术效果,为避免重复,这里不再赘述。
图5示出本公开一实施例的电子设备的结构示意图。如图5所示,在硬件层面,该电子设备包括处理器,可选地还包括内部总线、网络接口、存储器。其中,存储器可能包含内存,例如高速随机存取存储器(Random-Access Memory,RAM),也可能还包括非易失性存储器(non-volatile memory),例如至少1个磁盘存储器等。当然,该电子设备还可能包括其他业务所需要的硬件。
处理器、网络接口和存储器可以通过内部总线相互连接,该内部总线可以是ISA(Industry Standard Architecture,工业标准体系结构)总线、PCI(PeripheralComponent Interconnect,外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture,扩展工业标准结构)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图5中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
存储器,存放程序。具体地,程序可以包括程序代码,所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器,并向处理器提供指令和数据。
处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,在逻辑层面上形成数据处理装置。处理器,执行存储器所存放的程序,并具体执行图1所示方法实施例的步骤。
上述如图1所示方法可以应用于处理器中,或者由处理器实现。处理器可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(ApplicationSpecific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable GateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本说明书实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本说明书实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。
该电子设备可执行图1所示方法实施例执行的方法,并实现上述图1所示方法实施例的功能,本说明书实施例在此不再赘述。
本说明书实施例还提出了一种计算机可读存储介质,该计算机可读存储介质存储一个或多个程序,该一个或多个程序包括指令,该指令当被包括多个应用程序的电子设备执行时,能够使该电子设备执行图1所示实施例中的数据处理方法,并具体执行图1所示方法实施例的步骤。
本公开可以是***、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(***)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (18)
1.一种数据处理方法,其特征在于,包括:
通过窗口尺度不同的多个滑动窗口依次遍历目标图像,确定任一窗口尺度下所述目标图像的N阶导数灰度共生矩阵,其中,所述N阶导数灰度共生矩阵为根据所述目标图像的N阶导数确定的灰度共生矩阵;
根据任一窗口尺度下所述目标图像的N阶导数灰度共生矩阵,确定所述窗口尺度下所述目标图像的检测概率图,其中,所述检测概率图中包括所述目标图像中任一像素点被修改的概率;
根据窗口尺度从大到小,依次对不同窗口尺度下所述目标图像的检测概率图进行融合,确定所述目标图像中的被修改区域。
2.根据权利要求1所述的方法,其特征在于,根据任一窗口尺度下所述目标图像的N阶导数灰度共生矩阵,确定所述窗口尺度下所述目标图像的检测概率图,包括:
针对任一窗口尺度,获取利用图像样本训练得到的所述窗口尺度下的决策模型,其中,所述决策模型用于根据所述窗口尺度下所述目标图像的N阶导数灰度共生矩阵,确定所述窗口尺度下所述目标图像的检测概率图。
3.根据权利要求2所述的方法,其特征在于,针对任一窗口尺度,获取利用图像样本训练得到的所述窗口尺度下的决策模型,包括:
对所述图像样本进行模糊处理,得到模糊图像;
对所述模糊图像进行去模糊处理,得到去模糊图像;
通过所述窗口尺度不同的多个滑动窗口依次遍历所述去模糊图像,确定任一窗口尺度下所述去模糊图像的N阶导数灰度共生矩阵;
针对任一窗口尺度,采用静态库支持向量机LIBSVM和径向基函数核对所述窗口尺度下所述去模糊图像的N阶导数灰度共生矩阵进行训练,得到所述窗口尺度下的决策模型。
4.根据权利要求1所述的方法,其特征在于,根据窗口尺度从大到小,依次对不同窗口尺度下所述目标图像的检测概率图进行融合,确定所述目标图像中的被修改区域,包括:
针对任一窗口尺度,通过聚类算法对所述窗口尺度下所述目标图像的检测概率图进行聚类,确定所述窗口尺度下所述目标图像对应的第一检测结果图,其中,所述第一检测结果图中包括被修改区域和未修改区域;
根据所述窗口尺度下所述目标图像对应的第一检测结果图,通过连通性检测和滤波操作,调整所述窗口尺度下所述目标图像的检测概率图;
通过所述聚类算法对调整之后的所述窗口尺度下所述目标图像的检测概率图再次进行聚类,确定所述窗口尺度下所述目标图像对应的第二检测结果图,其中,所述第二检测结果图中包括被修改区域和未修改区域;
根据窗口尺度从大到小,依次对不同窗口尺度下所述目标图像对应的第二检测结果图进行融合,确定所述目标图像中的被修改区域。
5.根据权利要求4所述的方法,其特征在于,所述聚类算法为二质心K-means聚类。
6.根据权利要求4所述的方法,其特征在于,所述滤波操作为高斯加权滤波。
7.根据权利要求1-6任一项所述的方法,其特征在于,所述N阶导数灰度共生矩阵至少包括:一阶导数灰度共生矩阵和二阶导数灰度共生矩阵。
8.根据权利要求1所述的方法,其特征在于,所述窗口尺度不同的多个滑动窗口包括:
4×4滑动窗口、8×8滑动窗口、16×16滑动窗口、32×32滑动窗口、64×64滑动窗口和128×128滑动窗口。
9.一种数据处理装置,其特征在于,包括:
第一确定模块,用于通过窗口尺度不同的多个滑动窗口依次遍历目标图像,确定任一窗口尺度下所述目标图像的N阶导数灰度共生矩阵,其中,所述N阶导数灰度共生矩阵为根据所述目标图像的N阶导数确定的灰度共生矩阵;
第二确定模块,用于根据任一窗口尺度下所述目标图像的N阶导数灰度共生矩阵,确定所述窗口尺度下所述目标图像的检测概率图,其中,所述检测概率图中包括所述目标图像中任一像素点被修改的概率;
第三确定模块,用于根据窗口尺度从大到小,依次对不同窗口尺度下所述目标图像的检测概率图进行融合,确定所述目标图像中的被修改区域。
10.根据权利要求9所述的装置,其特征在于,还包括:
获取模块,用于针对任一窗口尺度,获取利用图像样本训练得到的所述窗口尺度下的决策模型,其中,所述决策模型用于根据所述窗口尺度下所述目标图像的N阶导数灰度共生矩阵,确定所述窗口尺度下所述目标图像的检测概率图。
11.根据权利要求10所述的装置,其特征在于,所述获取模块包括:
模糊处理子模块,用于对所述图像样本进行模糊处理,得到模糊图像;
去模糊处理子模块,用于对所述模糊图像进行去模糊处理,得到去模糊图像;
第一确定子模块,用于通过所述窗口尺度不同的多个滑动窗口依次遍历所述去模糊图像,确定任一窗口尺度下所述去模糊图像的N阶导数灰度共生矩阵;
模型训练子模块,用于针对任一窗口尺度,采用LIBSVM和径向基函数核对所述窗口尺度下所述去模糊图像的N阶导数灰度共生矩阵进行训练,得到所述窗口尺度下的决策模型。
12.根据权利要求9所述的装置,其特征在于,所述第三确定模块包括:
聚类子模块,用于针对任一窗口尺度,通过聚类算法对所述窗口尺度下所述目标图像的检测概率图进行聚类,确定所述窗口尺度下所述目标图像对应的第一检测结果图,其中,所述第一检测结果图中包括被修改区域和未修改区域;
调整子模块,用于根据所述窗口尺度下所述目标图像对应的第一检测结果图,通过连通性检测和滤波操作,调整所述窗口尺度下所述目标图像的检测概率图;
所述聚类子模块,还用于通过所述聚类算法对调整之后的所述窗口尺度下所述目标图像的检测概率图再次进行聚类,确定所述窗口尺度下所述目标图像对应的第二检测结果图,其中,所述第二检测结果图中包括被修改区域和未修改区域;
第二确定子模块,用于根据窗口尺度从大到小,依次对不同窗口尺度下所述目标图像对应的第二检测结果图进行融合,确定所述目标图像中的被修改区域。
13.根据权利要求12所述的装置,其特征在于,所述聚类算法为二质心K-means聚类。
14.根据权利要求12所述的装置,其特征在于,所述滤波操作为高斯加权滤波。
15.根据权利要求9-14任一项所述的装置,其特征在于,所述N阶导数灰度共生矩阵至少包括:一阶导数灰度共生矩阵和二阶导数灰度共生矩阵。
16.根据权利要求9所述的装置,其特征在于,所述窗口尺度不同的多个滑动窗口包括:
4×4滑动窗口、8×8滑动窗口、16×16滑动窗口、32×32滑动窗口、64×64滑动窗口和128×128滑动窗口。
17.一种数据处理装置,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为执行权利要求1-8任一项所述的数据处理方法。
18.一种非易失性计算机可读存储介质,其上存储有计算机程序指令,其特征在于,所述计算机程序指令被处理器执行时实现权利要求1-8任一项所述的数据处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910032941.6A CN111507931B (zh) | 2019-01-14 | 2019-01-14 | 一种数据处理方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910032941.6A CN111507931B (zh) | 2019-01-14 | 2019-01-14 | 一种数据处理方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111507931A CN111507931A (zh) | 2020-08-07 |
CN111507931B true CN111507931B (zh) | 2023-04-18 |
Family
ID=71863772
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910032941.6A Active CN111507931B (zh) | 2019-01-14 | 2019-01-14 | 一种数据处理方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111507931B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112749668A (zh) * | 2021-01-18 | 2021-05-04 | 上海明略人工智能(集团)有限公司 | 目标图像的聚类方法、装置、电子设备和计算机可读介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011049565A1 (en) * | 2009-10-21 | 2011-04-28 | Hewlett-Packard Development Company, L.P. | Real-time video deblurring |
CN104766095A (zh) * | 2015-04-16 | 2015-07-08 | 成都汇智远景科技有限公司 | 一种移动终端图像识别方法 |
CN105046265A (zh) * | 2015-03-03 | 2015-11-11 | 沈阳工业大学 | 基于纹理差异的虹膜图像肠环区域检测方法 |
CN108269221A (zh) * | 2018-01-23 | 2018-07-10 | 中山大学 | 一种jpeg重压缩图像篡改定位方法 |
WO2018152643A1 (en) * | 2017-02-24 | 2018-08-30 | Sunnybrook Research Institute | Systems and methods for noise reduction in imaging |
CN108629743A (zh) * | 2018-04-04 | 2018-10-09 | 腾讯科技(深圳)有限公司 | 图像的处理方法、装置、存储介质和电子装置 |
CN109190456A (zh) * | 2018-07-19 | 2019-01-11 | 中国人民解放军战略支援部队信息工程大学 | 基于聚合通道特征和灰度共生矩阵的多特征融合俯视行人检测方法 |
-
2019
- 2019-01-14 CN CN201910032941.6A patent/CN111507931B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011049565A1 (en) * | 2009-10-21 | 2011-04-28 | Hewlett-Packard Development Company, L.P. | Real-time video deblurring |
CN105046265A (zh) * | 2015-03-03 | 2015-11-11 | 沈阳工业大学 | 基于纹理差异的虹膜图像肠环区域检测方法 |
CN104766095A (zh) * | 2015-04-16 | 2015-07-08 | 成都汇智远景科技有限公司 | 一种移动终端图像识别方法 |
WO2018152643A1 (en) * | 2017-02-24 | 2018-08-30 | Sunnybrook Research Institute | Systems and methods for noise reduction in imaging |
CN108269221A (zh) * | 2018-01-23 | 2018-07-10 | 中山大学 | 一种jpeg重压缩图像篡改定位方法 |
CN108629743A (zh) * | 2018-04-04 | 2018-10-09 | 腾讯科技(深圳)有限公司 | 图像的处理方法、装置、存储介质和电子装置 |
CN109190456A (zh) * | 2018-07-19 | 2019-01-11 | 中国人民解放军战略支援部队信息工程大学 | 基于聚合通道特征和灰度共生矩阵的多特征融合俯视行人检测方法 |
Non-Patent Citations (5)
Title |
---|
Median Filtering Forensics Based on Convolutional Neural Networks;Jiansheng Chen et al;《 IEEE Signal Processing Letters》;全文 * |
基于GLCM与GGM的图像复制—粘贴伪造检测算法;高皜;《中国优秀硕士学位论文全文数据库》;全文 * |
基于灰度共生矩的图像区域复制篡改检测;欧佳佳等;《计算机应用》(第06期);全文 * |
基于灰度共生矩阵的自适应图像边缘检测;赵海涛等;《微计算机信息》(第17期);全文 * |
融合LWT纹理特征的图像复制篡改检测算法;和平等;《计算机工程》(第10期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111507931A (zh) | 2020-08-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11481574B2 (en) | Image processing method and device, and storage medium | |
CN109753971B (zh) | 扭曲文字行的矫正方法及装置、字符识别方法及装置 | |
CN108337505B (zh) | 信息获取方法和装置 | |
CN108389172B (zh) | 用于生成信息的方法和装置 | |
CN109300151B (zh) | 图像处理方法和装置、电子设备 | |
CN110796649B (zh) | 目标检测方法及装置、电子设备和存储介质 | |
CN110135301B (zh) | 交通牌识别方法、装置、设备和计算机可读介质 | |
CN111126108A (zh) | 图像检测模型的训练和图像检测方法及装置 | |
CN115690765B (zh) | 车牌识别方法、装置、电子设备、可读介质和程序产品 | |
CN112330576A (zh) | 车载鱼眼摄像头畸变矫正方法、装置、设备及存储介质 | |
CN115393815A (zh) | 道路信息生成方法、装置、电子设备和计算机可读介质 | |
CN111507931B (zh) | 一种数据处理方法和装置 | |
CN111415371B (zh) | 一种稀疏光流确定方法和装置 | |
CN114202457A (zh) | 低分辨率图像的处理方法、电子设备及计算机程序产品 | |
Zeng et al. | Restoration of motion-blurred image based on border deformation detection: A traffic sign restoration model | |
CN112287905A (zh) | 车辆损伤识别方法、装置、设备及存储介质 | |
CN111860623A (zh) | 基于改进ssd神经网络的统计树木数量的方法及*** | |
CN110852250A (zh) | 一种基于最大面积法的车辆排重方法、装置及存储介质 | |
CN115393763A (zh) | 基于图像频域的行人入侵识别方法、***、介质及装置 | |
CN112528970A (zh) | 路牌检测方法、装置、设备和计算机可读介质 | |
CN112597788B (zh) | 目标测定方法、装置、电子设备和计算机可读介质 | |
CN115205553A (zh) | 图像的数据清洗方法、装置、电子设备及存储介质 | |
CN114862686A (zh) | 图像处理方法、装置及电子设备 | |
JP6623419B2 (ja) | 表示制御装置、撮像装置、スマートフォン、表示制御方法、及びプログラム | |
CN112991313A (zh) | 图像质量的评估方法及装置、电子设备和存储介质 |
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 |