CN111951254A - 基于边缘引导加权平均的源相机识别方法及*** - Google Patents
基于边缘引导加权平均的源相机识别方法及*** Download PDFInfo
- Publication number
- CN111951254A CN111951254A CN202010832394.2A CN202010832394A CN111951254A CN 111951254 A CN111951254 A CN 111951254A CN 202010832394 A CN202010832394 A CN 202010832394A CN 111951254 A CN111951254 A CN 111951254A
- Authority
- CN
- China
- Prior art keywords
- camera
- image
- edge
- fingerprint
- weighted
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000012935 Averaging Methods 0.000 claims abstract description 25
- 238000005520 cutting process Methods 0.000 claims abstract description 12
- 238000007476 Maximum Likelihood Methods 0.000 claims abstract description 11
- 238000012360 testing method Methods 0.000 claims description 32
- 238000007500 overflow downdraw method Methods 0.000 claims description 2
- 238000000638 solvent extraction Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 4
- 238000002474 experimental method Methods 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000003860 storage Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000003708 edge detection Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Collating Specific Patterns (AREA)
Abstract
本公开提供了一种基于边缘引导加权平均的源相机识别方法及***，属于源相机识别技术领域，所述方法包括以下步骤：获取相机拍摄得到的图像数据；将获取的图像数据裁剪为预设尺寸的图像块；获取图像块的残差图像，构建残差图像的边缘加权权重图；将获取的残差图像以及对应的边缘加权权重图进行融合后估计得到相机指纹；计算待识别图像数据的残差图像与相机指纹之间的加权相关值，根据加权相关值进行源相机识别；本公开通过给定边缘区域和非边缘区分不同的权重从而有效降低了图像边缘区域对相机指纹的影响，通过最大似然估计在统计层面进一步融合残差图像，极大的提高了源相机识别效果。
Description
技术领域
本公开涉及源相机识别技术领域，特别涉及一种基于边缘引导加权平均的源相机识别方法及***。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术，并不必然构成现有技术。
数字图像作为一种信息载体，并且可以作为在法庭中使用的有效证据。然而，随着数字图像被恶意的篡改，使得人们对于图像的信任度降低。因此，数字图像取证技术中的源相机识别课题受到广泛关注。传感器模式噪声(SPN)一直是解决SCI(source cameraidentification，源相机识别)问题的有效方法，因为它是识别相同品牌和相机型号的特定设备的唯一指纹。目前获取指纹的方法是：给定一组来自同一相机设备的图像，通过从原始图像中减去去噪后的版本来获得其残差，而后采用不同的策略汇总残差以估计相机设备的指纹。
本公开发明人发现，由于当前图像去噪算法的不完善，残差图像中遗留了大量与图像内容相关的结构，通过对比原始图像与其残图像差，可以发现残差图像与原始图像的边缘/纹理区域高度相关，平滑区域有利于相机指纹的估计，而纹理/边缘区域会干扰相机指纹的估计，从而降低了源相机识别的结果准确度。
发明内容
为了解决现有技术的不足，本公开提供了一种基于边缘引导加权平均的源相机识别方法及***，通过给定边缘区域和非边缘区分不同的权重从而有效降低了图像边缘区域对相机指纹的影响，通过最大似然估计在统计层面进一步融合残差以获得相机指纹，极大的提高了源相机识别效果。
为了实现上述目的，本公开采用如下技术方案：
本公开第一方面提供了一种基于边缘引导加权平均的源相机识别方法。
一种基于边缘引导加权平均的源相机识别方法，包括以下步骤：
获取相机拍摄得到的图像数据；
将获取的图像数据裁剪为预设尺寸的图像块；
获取图像块的残差图像，构建残差图像的边缘加权权重图；
将获取的残差图像以及对应的边缘加权权重图进行融合后估计得到相机指纹；
计算待识别图像数据的残差图像与相机指纹之间的加权相关值，根据加权相关值进行源相机识别。
作为可能的一些实现方式，采用拉普拉斯边缘检测算子检测残差图像的边缘区域与非边缘区域，分配边缘区域的权重和非边缘区域的权重。
作为可能的一些实现方式，相机指纹的获取方法为：
将数据库图像原始图像裁剪成预设尺寸的图像块，并划分为指纹集和测试集；
利用指纹集获取相机的一组残差图像，构建每张残差图像的边缘加权权重图；
利用相机指纹融合方法，将获取的残差图像以及对应的边缘加权权重图进行融合后估计得到相机指纹。
作为进一步的限定，采用最大似然估计逐像素融合残差图像，得到最终的相机指纹。
作为进一步的限定，通过计算某相机测试集中被正确分类的测试图像数量与该测试集中所有测试图像数量的总数之比作为此相机的识别准确度。
作为进一步的限定，采用两种方式设置实验数据库，一种为对于所有相机模型，随机选择每种相机模型的一个相机组成第一实验数据库；另一种为选择多部来源于同一相机模型的相机作为第二实验数据库。
作为更进一步的限定，对于两个实验数据库中所有的相机的图像，采用两种方式进行划分数据集；
一种是随机选择所有相机的第一数量的图像作为指纹集，剩余第二数量的图像作为测试集；另一种是随机选择所有相机的第三数量的图像作为指纹集，剩余的第四数量的图像作为测试集。
作为可能的一些实现方式，残差图像与相机指纹之间的加权相关值最大时的相机为待识别图像对应的源相机。
作为可能的一些实现方式，对待识别的原图像去噪以获得其去噪版本，并使用原图像与去噪版本之间的差值作为残差图像。
作为可能的一些实现方式，将待识别图像从中心区域裁剪为64×64或128×128的图像块。
本公开第二方面提供了一种基于边缘引导加权平均的源相机识别***。
一种基于边缘引导加权平均的源相机识别***，包括：
数据获取模块，被配置为：获取相机拍摄得到的图像数据；
图像裁剪模块，被配置为：将获取的图像数据裁剪为预设尺寸的图像块；
权重分配模块，被配置为：获取图像块的残差图像，构建残差图像的边缘加权权重图；
指纹获取模块，被配置为：将获取的残差图像以及对应的边缘加权权重图进行融合后估计得到相机指纹；
识别模块，被配置为：计算待识别图像数据的残差图像与相机指纹之间的加权相关值，根据加权相关值进行源相机识别。
本公开第三方面提供了一种介质，其上存储有程序，该程序被处理器执行时实现如本公开第一方面所述的基于边缘引导加权平均的源相机识别方法中的步骤。
本公开第四方面提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本公开第一方面所述的基于边缘引导加权平均的源相机识别方法中的步骤。
与现有技术相比，本公开的有益效果是：
1、本公开所述的方法、***、介质及电子设备，通过给定边缘区域和非边缘区分不同的权重从而有效降低了图像边缘区域对相机指纹的影响，并通过最大似然估计在统计层面进一步融合残差以获得相机指纹，最终提升了源相机识别效果。
2、本公开所述的方法、***、介质及电子设备，在获取指纹阶段，在残差图像中逐像素点按照可靠性分配不同的边缘加权权重，降低了边缘区域的残差对相机指纹的贡献，同时结合最大似然估计方法，进一步估计出了更为准确的相机指纹。
3、本公开所述的方法、***、介质及电子设备，在测试阶段进行加权相关，极大地降低了单张测试图像因去噪算法在边缘区域降低了图像内容对源相机识别的影响；抑制了因去噪算法引入的伪影，得到较好的结果。
4、本公开所述的方法、***、介质及电子设备，能够与不同的去噪算法以及SPN增强方法结合，以进一步的提高估算精度；同时本公开所设计的实验数据库以及划分的数据集，可以更加公平的比较算法的有效性。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。
图1为本公开实施例1提供的基于边缘引导加权平均的源相机识别方法的流程示意图。
图2为本公开实施例1提供的边缘区域对相机指纹估计的影响。
图3为本公开实施例1提供的指纹提取流程示意图。
具体实施方式
下面结合附图与实施例对本公开作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
实施例1：
如图1所示，本公开实施例1提供了一种基于边缘引导加权平均的源相机识别方法，包括以下步骤：
获取待识别图像数据；
获取相机拍摄得到的图像数据；
将获取的图像数据裁剪为预设尺寸的图像块；
获取图像块的残差图像，构建残差图像的边缘加权权重图；
将获取的残差图像以及对应的边缘加权权重图进行融合后估计得到相机指纹；
计算待识别图像数据的残差图像与相机指纹之间的加权相关值，根据加权相关值进行源相机识别。
详细的，包括边缘引导加权平均、最大似然估计残差融合、加权相关等部分，从而可以获得更好的识别性能。
在提取指纹阶段，首先，根获取图像的边缘/非边缘区域，通过分配不同的权重系数，使得可靠的区域对指纹估计有更大的贡献；其次，利用残差的统计信息，使用最大似然估计进行残差融合，以获得更准确地的相机指纹；最后，将加权相关应用到候选相机指纹与测试图像残差计算相关值。相比估计指纹时多张图像聚合，测试阶段的单张测试图像更易受到图像内容的影响，因此在计算相关值阶段使用测试图像的边缘引导加权图进行加权相关。
具体过程包括：
S1：设置实验数据库及数据集
在最大的数字图像取证Dresden数据库中，采用两种方式设置实验数据库。采用的第一种是对于数据库中所有的相机模型，随机选择其中一个相机设备的组成实验数据库，Dresden数据库中一共有26种相机模型，因此得到包含26个相机设备的实验数据库，称其为实验数据库A；采用的第二种是选择Dresden数据中包含5部相机设备的相机模型，共5个相机模型25部相机设备，称其为实验数据B。
对于实验数据库A和B中所有的相机设备的图像，采用两种方式进行划分数据集。一种是随机选择所有相机设备的25张图像作为指纹集，剩余130张作为测试集；另一种是随机选择所有相机设备的50张图像作为指纹集，剩余的100张作为测试集。由于Dresden数据库中每部相机设备的图像总数不一致，这样设置的数据集更为公平。
S2：指纹估计
对于数据集的图像，将其从中间区域裁剪成64×64或128×128大小的图像块。小图像块相较于原始图像，包含的指纹信息更少，所以基于图像块的源相机识别方法难度更大。在下文中‘图像块’表示从原始图像中裁剪下来用于实验的部分。
对于指纹集的图像块执行BM3D去噪滤波器，将图像块与其去噪后的版本之间的差值称作残差：
R＝I-FBM3D(I) (1)
使用拉普拉斯边缘检测算子检测图像块的边缘区域与非边缘区域：
设定边缘加权权重图W，分配边缘区域的边缘权重为0.475，非边缘区域的边缘权重为1。图2展示了边缘区域对相机指纹估计的影响。
图2中的(a)为平均多张图像块残差图像后估计的相机指纹。图2中的(b)为裁剪原始图像得到的图像块的。图2中的(c)为GBWA方法从图2中的(b)中提取的残差图像。图2中的(d)为图2中的(b)的边缘图。
使用边缘加权平均算法与最大似然估计算法融合残差，以获得最终的相机指纹：
本实施例的指纹提取流程图如图3所示。
S3：加权相关
对于测试集的图像，同样将其从中间区域裁剪成64×64或128×128大小的图像块。将图像块执行BM3D去噪滤波器，并获得其残差。使用拉普拉斯边缘检测算子检测图像块的边缘区域与非边缘区域，设定边缘加权权重图Wt，分配边缘区域的边缘权重为0.475，非边缘区域的边缘权重为1。对候选相机指纹与测试图像残差执行加权相关的操作，获得其归一化相关系数：
S4：源相机识别性能评价
利用归一化相关系数对实验数据库A进行26分类，对实验数据库B进行5分类，由于实验数据库B的相机来源于同一相机模型，因此它们之前的指纹更易混淆，难度更大。
测试时，遵循的判定条件是将测试图像判定给产生最大相关值的候选相机。通过计算某相机设备测试集中被正确分类的测试图像数量与该测试集中所有测试图像数量的总数之比，作为该相机识别准确度：
由于两个实验数据库中的相机设备数量较大，因此采用所有相机设备的平均源相机识别准确率作为评价准则。
下面，结合具体实施例对本实施例做进一步说明。
首先，下载Dresden数据库中的数字图像，然后按照上述数据集划分准则，将数据库中的图像分成指纹集和测试集。其次，将整幅图像从图像中心裁剪成64×64或128×128的图像块，利用边缘加权平均和最大似然估计融合残差以得到相机指纹。最后，将测试图像的残差与候选相机的指纹进行加权相关，得到归一化相关系数进行源相机识别。
针对实验数据库A，在同样的设计之下，将本实施例方法与其他几种成功的源相机识别方法进行比较。
比较结果在表1中给出，单个相机设备的准确率都均通过以公式(5)计算得到。
从表1给出的实验结果来看，得益于边缘引导加权、最大似然估计融合残差及加权相关，本实施例源相机识别方法均给出最高的识别准确率。基于本实施例的实验设置，分别改变了用于提取指纹的数量及识别图像块的大小。已知的事实是，用于估计相机指纹的图像的数量越大，估计的相机指纹越准确；随着图像块的缩小，识别准确率会大幅度下降。而本实施例的方法在这两种变量组合方式下的四种情况，均达到了最高的识别准确度，广泛的体现了算法的有效性。
一般来说，基于BM3D的方法由于其强大的降噪能力而通常表现出最佳性能。同时本实施例可以使性能的持续提升，针对四种情况分别平均提高了1.54％，1.1％，1.69％，0.38％。相较于知名度最高的MLE方法四种情况的识别准确率分别提升26.06％，18.97％，24.65％，17.27％。
表1：不同源相机识别方法平均识别准确率的比较
本实施例方法在26分类实验中，相较于MLE方法有很大改善，可以有效的提升识别精度。
对实验数据库B，按照上述操作可以得到5种相机模型的平均识别准确度，为更好的展示实验结果，下面计算了所有相机模型下的整体平均识别准确度。
将本实施例方法与其他几种成功的源相机识别方法进行比较。比较结果在表2中给出，单个相机设备的准确率均通过以下公式计算得到：
针对四种情况，本实施例相较基于BM3D的方法[3]的识别准确率提高了3.36％，1.51％，3.99％，1.27％。相较于知名度最高的MLE方法四种情况的识别准确率分别提升14.06％，11.28％，20.76％，15.14％。
表2：不同源相机识别方法平均识别准确率的比较
针对BM3D方法，本实施例方法在区分来自于相同相机模型的相机设备上有更高的提升，这对于实际取证有十分重要的意义。
实施例2：
本公开实施例2提供了一种基于边缘引导加权平均的源相机识别***，包括：
数据获取模块，被配置为：获取相机拍摄得到的图像数据；
图像裁剪模块，被配置为：将获取的图像数据裁剪为预设尺寸的图像块；
权重分配模块，被配置为：获取图像块的残差图像，构建残差图像的边缘加权权重图；
指纹获取模块，被配置为：将获取的残差图像以及对应的边缘加权权重图进行融合后估计得到相机指纹；
识别模块，被配置为：计算待识别图像数据的残差图像与相机指纹之间的加权相关值，根据加权相关值进行源相机识别。
所述***的工作方法与实施例1提供的基于边缘引导加权平均的源相机识别方法相同，这里不再赘述。
实施例3：
本公开实施例3提供了一种介质，其上存储有程序，该程序被处理器执行时实现如本公开实施例1所述的基于边缘引导加权平均的源相机识别方法中的步骤，所述步骤为：
获取相机拍摄得到的图像数据；
将获取的图像数据裁剪为预设尺寸的图像块；
获取图像块的残差图像，构建残差图像的边缘加权权重图；
将获取的残差图像以及对应的边缘加权权重图进行融合后估计得到相机指纹；
计算待识别图像数据的残差图像与相机指纹之间的加权相关值，根据加权相关值进行源相机识别。
详细步骤与实施例1提供的基于边缘引导加权平均的源相机识别方法相同，这里不再赘述。
实施例4：
本公开实施例4提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本公开实施例1所述的基于边缘引导加权平均的源相机识别方法中的步骤，所述步骤为：
获取相机拍摄得到的图像数据；
将获取的图像数据裁剪为预设尺寸的图像块；
获取图像块的残差图像，构建残差图像的边缘加权权重图；
将获取的残差图像以及对应的边缘加权权重图进行融合后估计得到相机指纹；
计算待识别图像数据的残差图像与相机指纹之间的加权相关值，根据加权相关值进行源相机识别。
详细步骤与实施例1提供的基于边缘引导加权平均的源相机识别方法相同，这里不再赘述。
本领域内的技术人员应明白，本公开的实施例可提供为方法、***、或计算机程序产品。因此，本公开可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本公开是参照根据本公开实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。
以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。
Claims (10)
1.一种基于边缘引导加权平均的源相机识别方法，其特征在于，包括以下步骤：
获取相机拍摄得到的图像数据；
将获取的图像数据裁剪为预设尺寸的图像块；
获取图像块的残差图像，构建残差图像的边缘加权权重图；
将获取的残差图像以及对应的边缘加权权重图进行融合后估计得到相机指纹；
计算待识别图像数据的残差图像与相机指纹之间的加权相关值，根据加权相关值进行源相机识别。
2.如权利要求1所述的基于边缘引导加权平均的源相机识别方法，其特征在于，采用拉普拉斯边缘检测算子检测残差图像的边缘区域与非边缘区域，分配边缘区域的权重和非边缘区域的权重。
3.如权利要求1所述的基于边缘引导加权平均的源相机识别方法，其特征在于，相机指纹的获取方法为：
将数据库图像原始图像裁剪成预设尺寸的图像块，并划分为指纹集和测试集；
利用指纹集获取相机的一组残差图像，构建每张残差图像的边缘加权权重图；
利用相机指纹融合方法，将获取的残差图像以及对应的边缘加权权重图进行融合后估计得到相机指纹。
4.如权利要求3所述的基于边缘引导加权平均的源相机识别方法，其特征在于，采用最大似然估计逐像素融合残差图像，得到最终的相机指纹；
或者，
通过计算某相机测试集中被正确分类的测试图像数量与该测试集中所有测试图像数量的总数之比作为此相机的识别准确度。
5.如权利要求3所述的基于边缘引导加权平均的源相机识别方法，其特征在于，采用两种方式设置实验数据库，一种为对于所有相机模型，随机选择每种相机模型的一个相机组成第一实验数据库；另一种为选择多部来源于同一相机模型的相机作为第二实验数据库。
6.如权利要求5所述的基于边缘引导加权平均的源相机识别方法，其特征在于，对于两个实验数据库中所有的相机的图像，采用两种方式进行划分数据集；
一种是随机选择所有相机的第一数量的图像作为指纹集，剩余第二数量的图像作为测试集；另一种是随机选择所有相机的第三数量的图像作为指纹集，剩余的第四数量的图像作为测试集。
7.如权利要求1所述的基于边缘引导加权平均的源相机识别方法，其特征在于，残差图像与相机指纹之间的加权相关值最大时的相机为待识别图像对应的源相机；
或者，
对待识别的原图像去噪以获得其去噪版本，并使用原图像与去噪版本之间的差值作为残差图像；
或者，
将待识别图像从中心区域裁剪为64×64或128×128的图像块。
8.一种基于边缘引导加权平均的源相机识别***，其特征在于，包括：
数据获取模块，被配置为：获取相机拍摄得到的图像数据；
图像裁剪模块，被配置为：将获取的图像数据裁剪为预设尺寸的图像块；
权重分配模块，被配置为：获取图像块的残差图像，构建残差图像的边缘加权权重图；
指纹获取模块，被配置为：将获取的残差图像以及对应的边缘加权权重图进行融合后估计得到相机指纹；
识别模块，被配置为：计算待识别图像数据的残差图像与相机指纹之间的加权相关值，根据加权相关值进行源相机识别。
9.一种介质，其上存储有程序，其特征在于，该程序被处理器执行时实现如权利要求1-7任一项所述的基于边缘引导加权平均的源相机识别方法中的步骤。
10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7任一项所述的基于边缘引导加权平均的源相机识别方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010832394.2A CN111951254B (zh) | 2020-08-18 | 2020-08-18 | 基于边缘引导加权平均的源相机识别方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010832394.2A CN111951254B (zh) | 2020-08-18 | 2020-08-18 | 基于边缘引导加权平均的源相机识别方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111951254A true CN111951254A (zh) | 2020-11-17 |
| CN111951254B CN111951254B (zh) | 2024-05-10 |
Family
ID=73343161
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010832394.2A Active CN111951254B (zh) | 2020-08-18 | 2020-08-18 | 基于边缘引导加权平均的源相机识别方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111951254B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114025073A (zh) * | 2021-11-18 | 2022-02-08 | 支付宝(杭州)信息技术有限公司 | 提取摄像头的硬件指纹的方法及装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000175046A (ja) * | 1998-09-30 | 2000-06-23 | Fuji Photo Film Co Ltd | 画像処理方法および装置 |
| US20100183240A1 (en) * | 2008-12-31 | 2010-07-22 | Masaki Hiraga | Image processing method and imaging apparatus |
| CN102819831A (zh) * | 2012-08-16 | 2012-12-12 | 江南大学 | 基于模式噪声大分量的相机来源取证方法 |
| CN107451990A (zh) * | 2017-06-13 | 2017-12-08 | 宁波大学 | 一种使用非线性引导滤波的照片图像篡改检测方法 |
| CN111178166A (zh) * | 2019-12-12 | 2020-05-19 | 中国科学院深圳先进技术研究院 | 一种基于图像内容自适应的相机源识别方法 |
-
2020
- 2020-08-18 CN CN202010832394.2A patent/CN111951254B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000175046A (ja) * | 1998-09-30 | 2000-06-23 | Fuji Photo Film Co Ltd | 画像処理方法および装置 |
| US20100183240A1 (en) * | 2008-12-31 | 2010-07-22 | Masaki Hiraga | Image processing method and imaging apparatus |
| CN102819831A (zh) * | 2012-08-16 | 2012-12-12 | 江南大学 | 基于模式噪声大分量的相机来源取证方法 |
| CN107451990A (zh) * | 2017-06-13 | 2017-12-08 | 宁波大学 | 一种使用非线性引导滤波的照片图像篡改检测方法 |
| CN111178166A (zh) * | 2019-12-12 | 2020-05-19 | 中国科学院深圳先进技术研究院 | 一种基于图像内容自适应的相机源识别方法 |
Non-Patent Citations (4)
| Title |
|---|
| RICCARDO SATTA 等: "Sensor Pattern Noise Matching Based on Reliability Map for SourceCamera Identification", IN PROCEEDINGS OF THE 10TH INTERNATIONAL CONFERENCE ON COMPUTER VISION THEORY AND APPLICATIONS (VISAPP-2015), pages 222 - 226 * |
| WEN-NA ZHANG 等: "An Improved Sensor Pattern Noise Estimation Method Based on Edge Guided Weighted Averaging", PROCEEDINGS OF THE INTERNATIONAL CONFERENCE ON MACHINE LEARNING FOR CYBER SECURITY, pages 405 - 415 * |
| WEN-NA ZHANG: "Effective Source Camera Identification based on MSEPLL Denoising Applied to Small Image Patches", PROCEEDINGS OF APSIPA ANNUAL SUMMIT AND CONFERENCE 2019, pages 18 - 21 * |
| XIN WANG 等: "Laplacian Operator-Based Edge Detectors", IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE, vol. 29, no. 5, pages 886 - 890, XP011175350, DOI: 10.1109/TPAMI.2007.1027 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114025073A (zh) * | 2021-11-18 | 2022-02-08 | 支付宝(杭州)信息技术有限公司 | 提取摄像头的硬件指纹的方法及装置 |
| CN114025073B (zh) * | 2021-11-18 | 2023-09-29 | 支付宝(杭州)信息技术有限公司 | 提取摄像头的硬件指纹的方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111951254B (zh) | 2024-05-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US8385630B2 (en) | System and method of processing stereo images | |
| CN108416789A (zh) | 图像边缘检测方法及*** | |
| CN113109368B (zh) | 玻璃裂纹检测方法、装置、设备及介质 | |
| CN111027546B (zh) | 一种字符分割方法、装置以及计算机可读存储介质 | |
| JP2002288658A (ja) | 領域分割された映像の領域特徴値整合に基づいた客体抽出装置およびその方法 | |
| US20170344846A1 (en) | Image processing apparatus, image processing method and program | |
| CN109858438B (zh) | 一种基于模型拟合的车道线检测方法 | |
| CN109255792B (zh) | 一种视频图像的分割方法、装置、终端设备及存储介质 | |
| CN111179295A (zh) | 改进的二维Otsu阈值图像分割方法和*** | |
| CN110889817B (zh) | 图像融合质量评价方法及装置 | |
| CN113538263A (zh) | 基于改进DeblurGAN模型的去运动模糊方法、介质及设备 | |
| CN116129195A (zh) | 图像质量评价装置、方法、电子设备和存储介质 | |
| CN112926695B (zh) | 基于模板匹配的图像识别方法和*** | |
| KR100691855B1 (ko) | 영상정보의 특징 추출장치 및 그 방법 | |
| CN112204957A (zh) | 白平衡处理方法和设备、可移动平台、相机 | |
| CN111951254B (zh) | 基于边缘引导加权平均的源相机识别方法及*** | |
| CN117115117B (zh) | 基于小样本下的病理图像识别方法、电子设备及存储介质 | |
| CN106778822B (zh) | 基于漏斗变换的图像直线检测方法 | |
| CN117853510A (zh) | 基于双边滤波和自适应阈值的Canny边缘检测方法 | |
| CN108269264B (zh) | 豆籽粒图像的去噪及分形方法 | |
| CN111062954B (zh) | 一种基于差分信息统计的红外图像分割方法、装置及设备 | |
| CN107680083B (zh) | 视差确定方法和视差确定装置 | |
| CN115984178A (zh) | 伪造图像检测方法、电子设备和计算机可读存储介质 | |
| CN109902749A (zh) | 一种鞋印识别方法及*** | |
| CN115578594A (zh) | 基于计算机视觉的边缘定位方法、装置及相关设备 |
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 |