CN112418348A - 一种基于包络优化的图像来源鉴别方法 - Google Patents

一种基于包络优化的图像来源鉴别方法 Download PDF

Info

Publication number
CN112418348A
CN112418348A CN202011453425.XA CN202011453425A CN112418348A CN 112418348 A CN112418348 A CN 112418348A CN 202011453425 A CN202011453425 A CN 202011453425A CN 112418348 A CN112418348 A CN 112418348A
Authority
CN
China
Prior art keywords
sample
envelope
class
samples
image
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.)
Pending
Application number
CN202011453425.XA
Other languages
English (en)
Inventor
王悦
王波
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Dalian University of Technology
Original Assignee
Dalian University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Dalian University of Technology filed Critical Dalian University of Technology
Priority to CN202011453425.XA priority Critical patent/CN112418348A/zh
Publication of CN112418348A publication Critical patent/CN112418348A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)

Abstract

一种基于包络优化的图像来源鉴别方法，属于计算机图像处理技术领域。技术方案步骤如下：提取所有样本的CFA特征，利用CFA特征对每个类别的样本进行K‑Means聚类，则形成关于该类别的K个子类集合，并给予伪标签，将每个带有伪标签的子类集合分别进行SVDD，则在特征空间中对于每个原始类别会形成K个子超曲面包络，随后将K个子超曲面包络进行融合，形成特征空间更具细节特征的类别整体超曲面包络，采用距离判决准则，得到分类结果。有益效果是:本发明所述的基于包络优化的图像来源鉴别方法可以有效解决在开放环境下的相机型号来源鉴别问题。

Description

一种基于包络优化的图像来源鉴别方法
技术领域
本发明属于计算机图像处理技术领域，尤其涉及一种基于包络优化的图像来源鉴别方法。
背景技术
自1975年柯达公司的工程师Sasson将数字图像带入人类社会以来，数字图像获得了持久而飞速的发展。随着数码相机的普及和数字图像处理技术的进步，“人人都是摄影师”的时代已经到来。人们借助便捷易用的图像处理软件(如Photoshop,Photo-Paint等)随心所欲地对数字图像进行修改，并且利用网络社交平台(如Facebook，Instagram等)轻而易举地将这些数字图像进行发布和传播，从而产生广泛的影响。图像来源取证技术在提高数字图像安全性、解决版权争议、防止虚假宣传、维护司法公正、打击网络犯罪等方面具有非常重要的意义。例如，在传播违法图像的案件判决中，证明该违法图像是由被告所拍摄；某些手机产商被曝光用单反照片充当手机样张，涉嫌虚假宣传；图像作品侵权随处可见，图像版权争议日益严重。在数字图像泛滥的时代，如何准确鉴别数字图像的来源已经成为了信息安全领域的热点问题。相机来源鉴别(SCI，Source Camera Identification)属于图像来源取证技术中的一种，其目的是借助数码相机在生成图像中残留的痕迹，鉴别出该图像的相机来源。
在传统的封闭环境下的相机来源鉴别方法中，通常认为测试图像来自已知数据集中的模型。但是，随着相机硬件制造水平的提高，市面上新出现的品牌、型号的相机更新速度越来越快，而此时司法部门所掌握的数据集想要囊括所有市面上的所有新型相机几乎是不可能的。通常情况下，相机来源鉴别被认为是特征域中的分类问题，而传统的取证方法往往将来自数据集之外的未知来源相机模型错误地与用于训练的已知相机模型相关联，见附图1。因此，识别未知来源的相机模型成为当今数字图像取证技术中最严峻的挑战之一。
开放环境下的相机模型来源检测问题可以追溯到2009年，王波等人提出了一种联合OC-SVM与MC-SVM的方法，这是首次在相机来源鉴别领引入开放环境这一问题。尽管王波等人的工作可以一定程度上区分了已知模型和未知模型，但是分类精度并不高。Costa等人提出了一种基于决策边界雕刻(DBC)的方法，该方法首先将来自已知模型的图像视为正样本，将其他已知模型的图像视为负样本。然后，通过调整决策边界以最小化未来的假阳性匹配，对二进制SVM进行训练，以区分正样本和负样本。由于缺乏有关未知模型的信息，DBC的决策边界在实际情况下可能无法很好地塑造。Huang等人提出了带有未知模型的源相机识别(SCIU)方案来解决开放集问题。他们首先使用基于KNN的未知检测方法从未标记的训练数据集中识别未知模型的一些样本图像。然后采用自训练方法从未标记的训练数据集中提取更多未知模型的样本图像以扩充未知样本集合。由于KNN的算法特性，当样本不平衡时，已知模型的预测精度较低，并且计算复杂度和空间复杂度也较高。
随着计算机图形学和计算机视觉的快速发展，Bondi等人在2017年首次展示了在相机模型识别中使用CNN的可能性。Bayer和Stamm等人提出了一种在最大置信度得分上的阈值协议以识别未知相机。他们首先使用受约束的CNN提取相机模型识别特征，然后将学习到的深度特征映射到置信度分数上，该置信度分数指示两个图像斑块是由相同还是不同的相机模型捕获的。如果置信度分数低于阈值，则查询图像将被识别为未知图像。
Mayer等人提出了一个***，用于比较两个图像斑块是否来自相同的相机模型。首先，对基于CNN的特征提取器进行训练，以输出通用的高级特征，这些特征对有关图像补丁的源相机模型的信息进行编码。此外，他们学习一种相似性度量，该度量将这些特征对映射到与每个已知相机模型相关联的分数。最后，该分数将用作确定两个图像是否属于同一源相机模型的标准。但是，基于相似度网络的方法只能一次确定两个输入图像的来源，在训练过程中也需要大量的数据和时间。
综上所述，在现实的取证场景中开放环境对相机模型来源鉴别的影响是不可避免的，且现有方法均在一定程度上具有缺陷性。尤其是当已知来源相机模型与未知来源相机模型数量相差较大的极限状态时，以上方法的分类的准确率均很低。故如何在非理想条件下准确的识别出未知来源相机模型是目前亟需解决的问题。
发明内容
为了提高在开放环境情况下的相机型号来源鉴别的准确率，本发明提出一种基于包络优化的图像来源鉴别方法，该方法通过对已知来源样本的特征空间包络的优化，进而提升了开放环境下对于未知来源样本的拒绝能力，同时对已知来源样本溯源，从而提升了相机型号来源鉴别准确率。
技术方案如下：
一种基于包络优化的图像来源鉴别方法，步骤如下：
S1、将N类已知来源的训练样本提取CFA特征；
S2、将每一类训练样本分别进行K-Means聚类(本发明中K值为2)，可得到N×K个子类；
S3、将所有子类别分别进行支持向量数据描述(SVDD)，从而得到关于N×K个子类别的特征空间超曲面包络，分别对应N个原始类别给予伪标签；
S4、将属于同一原始类别的子类包络进行融合，形成关于该类别样本在特征空间中新的超曲面包络。利用上述得到的包络作为该类别样本的判决模型，将每一类判决模型进行整合，进而形成最终的***判决模型。
进一步的，步骤S1具体步骤如下：
提取训练集中所有的训练样本和测试样本的CFA特征，
得到:
训练特征样本集：
Figure BDA0002832098720000031
为样本所属的类别，n为每类训练样本数，
Figure BDA0002832098720000032
为维度为480的行向量，这些行向量即是图像的特征；
测试样本集：
Figure BDA0002832098720000033
为样本所属的类别，n为每类测试样本数，
Figure BDA0002832098720000034
为维度为480的行向量，同上，这些行向量即是图像特征；
采用彩色图像的CFA特征，对于图像的绿色通道，令邻域的大小为(2k+1)×(2k+1)，然后N插值像素表示为：
Figure BDA0002832098720000035
其中
Figure BDA0002832098720000041
和
Figure BDA0002832098720000042
分别表示彩色图像红、绿、蓝通道的CFA插值权重系数，
Figure BDA0002832098720000043
是绿色通道中的第k个插值像素点领域的第α个插值系，
Figure BDA0002832098720000044
是红色通道中的第k个插值像素点领域的第α个插值系，
Figure BDA0002832098720000045
是蓝色通道中的第k个插值像素点领域的第α个插值系；将公式(1)写成向量形式：
Figure BDA0002832098720000046
然后将协方差矩阵引入方程式：
Figure BDA0002832098720000047
插值系数可以通过求解方程(3)获得，
Figure BDA0002832098720000048
根据上述方式分别计算红色通道和蓝色通道的插值系数，对于给定的数字图像；设置k＝3，将240维CFA插值系数的均值和方差组合起来以形成480维CFA特征。
进一步的，步骤S2具体步骤如下：
T1、随机选择K个样本作为初始簇类的均值向量(考虑数据集中样本规模，本发明中K值为2)；
T2、将每个样本数据集划分离它距离最近的簇；
T3、根据每个样本所属的簇，更新簇类的均值向量；
T4、重复T2、T3，当达到设置的迭代次数或簇类的均值向量不再改变时，模型构建完成，输出聚类算法结果；
T5、将每一类别样本均重复上述过程，输出结果可得到N×K个子类。
进一步的，步骤S3具体步骤如下：
T1、通过非线性映射将原始训练样本映射到高维的特征空间；
T2、在特征空间中寻找一个包含全部或大部分被映射到特征空间的训练样本且体积最小的超球体(最优超球体)；
T3、通过非线性映射，如果新样本点在特征空间中的像落入最优超球体内，则该样本被视为一个正常点；否则，如果新样本在特征空间中的像落入到最优超球体外，则该新样本被视为一个异常点；
T4、最优超球体由其球心和半径决定，则输出N×K个子类超曲面包络判决模型。
进一步的，步骤S4中，将属于同一原始类别的子类包络进行融合，形成关于该类别样本在特征空间中新的超曲面包络，输出N个融合后的超曲面包络判决模型。综合每类样本的判决模型形成最终的判决***，从而有效拒绝未知来源样本并对已知来源样本进行溯源，达到开放环境下相机来源鉴别的目的。
本发明的有益效果是：
本发明所述的是基于包络优化的图像来源鉴别方法，该方法通过对已知来源样本的特征空间包络的优化，进而提升了开放环境下对于未知来源样本的拒绝能力，同时对已知来源样本溯源，从而提升了相机型号来源鉴别准确率。
附图说明
图1是本发明所解决的开放环境下相机来源鉴别示意图；
图2是本发明***框图；
图3是本发明特征空间样本分布示意图；
图4是本发明对比特征空间超曲面包络半径过小情况示意图；
图5是本发明对比特征空间超曲面包络半径过大情况示意图；
图6是本发明单类别样本特征空间包络融合示意图。
具体实施方式
下面结合附图1-6对基于包络优化的图像来源鉴别方法做进一步说明。
实施例1
一种基于包络优化的图像来源鉴别方法，步骤如下：
S1、对于每一类相机模型分别提取CFA特征；
S2、将每一类相机模型的训练样本分别进行K-Means聚类(本例中K值为2)，可得到N×K个子类(实际为N大类)；
S3、将所有子类别分别进行支持向量数据描述(SVDD)，从而得到关于N×K个子类别的特征空间超曲面包络，分别对应N个原始类别给予伪标签，例如：针对相机模型A进行2-Means聚类，形成2类子类，分别对其标注伪标签A1，A2；
S4、将属于同一原始相机模型类别的子类包络进行融合，形成关于该类别样本在特征空间中新的超曲面包络。利用上述得到的包络作为该类别样本的判决模型，将每一类判决模型进行整合，进而形成如附图2所示的最终的***判决模型。
进一步的，步骤S1-S4具体步骤如下：
T1、提取训练集中所有的训练样本和测试样本的CFA特征，得到:
训练特征样本集：
Figure BDA0002832098720000061
为样本所属的类别，n为每类训练样本数，
Figure BDA0002832098720000062
为维度为480的行向量；
测试样本集：
Figure BDA0002832098720000063
为样本所属的类别，n为每类测试样本数，
Figure BDA0002832098720000064
为维度为480的行向量；
CFA插值算法是相机内部最重要的特性之一，并且在不同型号上各有不同。故我们也采用了彩色图像的CFA特征。对于图像的绿色通道，令邻域的大小为(2k+1)×(2k+1)，然后N插值像素表示为：
Figure BDA0002832098720000065
其中
Figure BDA0002832098720000066
和
Figure BDA0002832098720000067
分别表示彩色图像红绿蓝通道的CFA插值权重系数。
Figure BDA0002832098720000068
是绿色通道中的第k个插值像素点领域的第α个插值系数。类似的，
Figure BDA0002832098720000069
和
Figure BDA00028320987200000610
分别是红色通道和蓝色通道的系数。将公式(1)写成向量形式：
Figure BDA0002832098720000071
然后将协方差矩阵引入方程式：
Figure BDA0002832098720000072
插值系数可以通过求解方程(3)获得，
Figure BDA0002832098720000073
可以类似地计算其他两个颜色通道的插值系数。对于给定的数字图像，设置k＝3，将240维CFA插值系数的均值和方差组合起来以形成480维CFA特征；
T2、考虑每类相机模型数据集规模，因此随机选择2个样本作为初始簇类的均值向量；
T3、将每个样本数据集划分离它距离最近的簇，根据每个样本所属的簇，更新簇类的均值向量；
T4、重复上述过程，当达到设置的迭代次数或簇类的均值向量不再改变时，模型构建完成，输出聚类算法结果；
T5、将每一类别样本均重复上述过程，输出结果可得到N×K个子类；
T6、通过非线性映射将原始训练样本映射到高维的特征空间，在特征空间中寻找一个包含全部或大部分被映射到特征空间的训练样本且体积最小的超球体(最优超球体)；
T7、通过非线性映射，如果新样本点在特征空间中的像落入最优超球体内，则该样本被视为一个正常点；否则，如果新样本在特征空间中的像落入到最优超球体外，则该新样本被视为一个异常点；
T8、最优超球体由其球心和半径决定，输出N×K个子类超曲面包络判决模型；
T9、将上述所说的T个矩阵块对应的图像分别作为训练样本再次训练SVM分类器，随后将样本依次通过这T个分类器得到对应的映射向量；
T10、将属于同一原始类别的子类包络进行融合，形成关于该类别样本在特征空间中新的超曲面包络，输出N个融合后的超曲面包络判决模型。
实施例2
本申请针对在开放环境下对未知来源样本被错误分类成数据集中的已知类样本问题，以及现有方法在排除未知来源样本同时对于已知来源样本召回率低的现状，提出了一种包络优化的图像来源鉴别方法。该方法对所有数字图像样本，提取了它们的CFA特征，并充分利用了已知来源样本的特征信息，经过对于每一类别样本数据再划分的方式得到子类数据，然后再分别描述其子类在特征空间的超曲面包络，接下来对于每类样本对应的子包络进行融合以形成新的类别超曲面包络，并在最后应用距离判决思想整合了所有类别的判决模型以形成完整的识别***，进而得到最终的来源鉴别结果。
实施例子——针对开放环境下的未知图像来源鉴别
为了构建数量小的标签样本集的图像来源鉴别可靠模型，本申请提出了一种基于特征空间包络优化的方法，该方法主要由以下三步组成：对于每类训练集样本重新划分形成子类别，基于支持向量数据描述(SVDD)对子类别包络进行刻画，包络融合形成最终判决模型。首先提取训练样本的CFA特征，随后进行数据划分及包络优化，具体方案如下：
1.数据再划分的方法概述
考虑到原样本在特征空间中分布一般不是规律集中在同一区域，对于此类别样本数据进行包络刻画时可能会导致超曲面边界信息不明确，进而导致该包络不能很好地描述此类样本的数据特征，从而造成测试样本的误分类问题。
如附图3-1所示，假设在特征空间中分布着四类样本的数据，绿色表示数据集中的已知来源样本数据的特征分布，其他三个颜色分别表示三类未知来源类别的样本数据特征分布。如附图3-2所示，对已知来源数据进行包络刻画，由于想要尽可能的排除未知来源样本对于判决模型的影响，通常会将超曲面包络的半径设置的尽可能小，但是此时形成的判决模型会导致属于原已知类别的测试样本被误认为是来自未知模型的样本；而当如附图3-3所示,若扩大超曲面包络半径，此时对与已知样本的召回率会有所增加，但是同时对于未知来源样本的拒绝率会降低，导致大量来自未知来源的样本被误认为是已知数据集中的数据；因此，本发明提出一种对于原始类别数据进行再划分的方法以提升特征空间超曲面包络的信息描述能力。
假设具有给定的数据库D包含N类样本，我们首先从所有样本中提取CFA特征。然后，随机选择K个样本作为初始簇类的均值向量。接下来，将每个样本数据集划分离它距离最近的簇，根据每个样本所属的簇，更新簇类的均值向量。重复上述过程，当达到设置的迭代次数或簇类的均值向量不再改变时，模型构建完成，输出聚类算法结果。接着分别对这些子类标注伪标签，比如：原始类别标签为A，则数据划分后的子类标签分别为A1,A2,…,AK。将每一类别样本均重复上述过程，输出结果可得到N×K个子类。
2.子包络刻画的方法概述
本发明选用支持向量数据描述(SVDD)的方法对于划分后的子类数据进行特征空间的超曲面包络刻画。1992年到1995年期间，Vapnik等在SLT理论的基础上提出了支持向量机(Support Vector Machine，SVM)。支持向量机建立在统计学***衡的问题，支持向量数据描述(Support Vector Data Description，SVDD)方法只需要一类数据样本即可建立超分界面。单值分类与传统的二值分类不同，二值分类是把某给定的样本X分类为类别Ⅰ或类别Ⅱ，而单值分类的目标是要将X分类为属于该类或不属于该类。在单值分类问题中只有一个类别，这样在构成单值分类器时也只需要一个类别样本的信息，把这种类别的样本称为目标样本，而不需要目标样本以外的其他样本称为非目标样本。本发明基于以上原理，以排除非目标样本(即未知来源样本)同时准确识别目标样本(已知来源样本)为目标，对于数据再划分后得到的每个子类别数据集合进行SVDD，进而得到关于N个原始类别的N×K个子类超曲面包络。
3.子包络融合及判决模型构成的方法描述
通过子类别包络刻画的方法可以得到关于N个原始类别的N×K个子类超曲面子包络，根据原始类别标签信息对每个原始类别下属的子类别进行子包络融合，形成新的超曲面包络，利用新的包络作为判断测试样本是否属于该类别样本的依据，即如果测试样本在特征空间落入该超曲面内部，则被判断成该类别样本；否则，认为该测试样本来自未知类别。
当测试样本只被一类样本的超曲面包络接受，则***判断该样本为此类；若测试样本同时落入超过两个以上类别的超曲面包络中，则需要更加复杂的判断法则，因此本发明提出一种超曲面半径归一化欧氏距离的计算方法作为距离判决指标，该方法的具体计算过程如下：
首先，我们需要计算测试样本距离每个子类别质心的欧式距离。欧氏距离也称欧几里得距离或欧几里得度量，是一个通常采用的距离定义，它是在m维空间中两个点之间的真实距离。在本发明中使用CFA作为特征，则需要计算480维空间中的欧氏距离，其计算公式为
Figure BDA0002832098720000101
接下来，我们将此欧式距离与每个子类别超曲面的半径作比，求其比值作为该测试样本关于该类别关联的置信度衡量指标。此比值越小，则越有属于该子类的可能性越大，进而属于此子类别对应原始类别的可能性越大。若比值相同时，则观察该测试样本被接受的子类是否属于同一原始类别。被同一原始类别接受的子类别数量越多，则属于该原始类别的可能性越大。综上所述，本发明基于距离原理，以所提出的超曲面半径归一化算法为衡量指标，得到***的判决准则用来识别开放环境下的相机模型来源检测。
以上所述，仅为本发明较佳的具体实施方式，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披露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (5)

1.一种基于包络优化的图像来源鉴别方法，其特征在于，步骤如下：
S1、将N类已知来源的训练样本提取CFA特征；
S2、将每一类训练样本分别进行K-Means聚类，得到N×K个子类；
S3、将所有子类分别进行支持向量数据描述，从而得到关于N×K个子类别的特征空间超曲面包络，分别对应N个原始类别给予伪标签；
S4、将属于同一原始类别的子类包络进行融合，形成关于该类别样本在特征空间中新的超曲面包络；利用上述得到的包络作为该类别样本的判决模型，将每一类判决模型进行整合，进而形成最终的***判决模型。
2.如权利要求1所述的基于包络优化的图像来源鉴别方法，其特征在于，步骤S1具体步骤如下：
提取训练集中所有的训练样本和测试样本的CFA特征，
得到:
训练特征样本集：
Figure FDA0002832098710000011
N为样本所属的类别，n为每类训练样本数，
Figure FDA0002832098710000012
为维度为480的行向量；
测试样本集：
Figure FDA0002832098710000013
N为样本所属的类别，n为每类测试样本数，
Figure FDA0002832098710000014
为维度为480的行向量；
采用彩色图像的CFA特征，对于图像的绿色通道，令邻域的大小为(2k+1)×(2k+1)，然后N插值像素表示为：
Figure FDA0002832098710000015
其中
Figure FDA0002832098710000016
和
Figure FDA0002832098710000017
分别表示彩色图像红、绿、蓝通道的CFA插值权重系数，
Figure FDA0002832098710000018
是绿色通道中的第k个插值像素点领域的第α个插值系，
Figure FDA0002832098710000019
是红色通道中的第k个插值像素点领域的第α个插值系，
Figure FDA00028320987100000110
是蓝色通道中的第k个插值像素点领域的第α个插值系；
将公式(1)写成向量形式：
Figure FDA0002832098710000021
然后将协方差矩阵引入方程式：
Figure FDA0002832098710000022
插值系数可以通过求解方程(3)获得，
Figure FDA0002832098710000023
根据上述方式分别计算红色通道和蓝色通道的插值系数，对于给定的数字图像；设置k＝3，将240维CFA插值系数的均值和方差组合起来以形成480维CFA特征。
3.如权利要求1所述的基于包络优化的图像来源鉴别方法，其特征在于，在CFA特征空间中随机选择K个样本作为初始簇类的均值向量，将每个样本数据集划分离它距离最近的簇，根据每个样本所属的簇，更新簇类的均值向量，重复迭代，当达到设置的迭代次数或簇类的均值向量不再改变时，模型构建完成，输出聚类算法结果。
4.如权利要求1所述的基于包络优化的图像来源鉴别方法，其特征在于，通过非线性映射将原始训练样本映射到高维的特征空间，在特征空间中寻找一个包含全部或大部分被映射到特征空间的训练样本且体积最小的超球体，定义为最优超球体，通过非线性映射，如果新样本点在特征空间中的像落入最优超球体内，则该样本被视为一个正常点；否则，如果新样本在特征空间中的像落入到最优超球体外，则该新样本被视为一个异常点。
5.如权利要求1所述的基于包络优化的图像来源鉴别方法，其特征在于，将属于同一原始类别的子类包络进行融合，形成关于该类别样本在特征空间中新的超曲面包络，输出融合后的超曲面包络判决模型，综合每类样本的判决模型形成最终的判决***。
CN202011453425.XA 2020-12-11 2020-12-11 一种基于包络优化的图像来源鉴别方法 Pending CN112418348A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011453425.XA CN112418348A (zh) 2020-12-11 2020-12-11 一种基于包络优化的图像来源鉴别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011453425.XA CN112418348A (zh) 2020-12-11 2020-12-11 一种基于包络优化的图像来源鉴别方法

Publications (1)

Publication Number Publication Date
CN112418348A true CN112418348A (zh) 2021-02-26

Family

ID=74776570

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011453425.XA Pending CN112418348A (zh) 2020-12-11 2020-12-11 一种基于包络优化的图像来源鉴别方法

Country Status (1)

Country Link
CN (1) CN112418348A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113111969A (zh) * 2021-05-03 2021-07-13 齐齐哈尔大学 一种基于混合度量的高光谱图像分类方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104680183A (zh) * 2015-03-14 2015-06-03 西安电子科技大学 基于散射点和k中心一类分类器的sar目标鉴别方法
CN107272655A (zh) * 2017-07-21 2017-10-20 江南大学 基于多阶段ica‑svdd的间歇过程故障监测方法
CN109978068A (zh) * 2019-04-02 2019-07-05 广东电网有限责任公司 一种基于多元模糊支持向量数据描述的高压电缆缺陷识别方法
CN111160423A (zh) * 2019-12-12 2020-05-15 大连理工大学 一种基于集成映射的图像来源鉴别方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104680183A (zh) * 2015-03-14 2015-06-03 西安电子科技大学 基于散射点和k中心一类分类器的sar目标鉴别方法
CN107272655A (zh) * 2017-07-21 2017-10-20 江南大学 基于多阶段ica‑svdd的间歇过程故障监测方法
CN109978068A (zh) * 2019-04-02 2019-07-05 广东电网有限责任公司 一种基于多元模糊支持向量数据描述的高压电缆缺陷识别方法
CN111160423A (zh) * 2019-12-12 2020-05-15 大连理工大学 一种基于集成映射的图像来源鉴别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
鲍蕾;黄曙光;李永成;: "一种K-means聚类和超球结合的多类分类算法", 计算机应用研究, no. 05, pages 1 - 3 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113111969A (zh) * 2021-05-03 2021-07-13 齐齐哈尔大学 一种基于混合度量的高光谱图像分类方法

Similar Documents

Publication Publication Date Title
CN109949317B (zh) 基于逐步对抗学习的半监督图像实例分割方法
CN109670528B (zh) 面向行人重识别任务的基于成对样本随机遮挡策略的数据扩充方法
CN107679078B (zh) 一种基于深度学习的卡口图像车辆快速检索方法及***
CN109241317B (zh) 基于深度学习网络中度量损失的行人哈希检索方法
Li et al. SAR image change detection using PCANet guided by saliency detection
CN107506703B (zh) 一种基于无监督局部度量学习和重排序的行人再识别方法
Hernandez-Juarez et al. A multi-hypothesis approach to color constancy
CN111652293B (zh) 一种多任务联合判别学习的车辆重识别方法
CN110378324B (zh) 一种基于质量维度的人脸识别算法评估方法
CN111310662B (zh) 一种基于集成深度网络的火焰检测识别方法及***
CN109785366B (zh) 一种针对遮挡的相关滤波目标跟踪方法
CN107169417B (zh) 基于多核增强和显著性融合的rgbd图像协同显著性检测方法
CN111598004B (zh) 一种渐进增强自学习的无监督跨领域行人再识别方法
CN111709313B (zh) 基于局部和通道组合特征的行人重识别方法
CN104182973A (zh) 基于圆形描述算子csift的图像复制粘贴检测方法
WO2021000829A1 (zh) 多维度身份信息识别方法、装置、计算机设备及存储介质
CN112926403A (zh) 基于层次聚类与困难样本三元组的无监督行人重识别方法
CN110188828A (zh) 一种基于虚拟样本集成学习的图像来源鉴别方法
CN110633727A (zh) 基于选择性搜索的深度神经网络舰船目标细粒度识别方法
CN111488760A (zh) 基于深度多示例学习的少样本行人重识别方法
Huo et al. Semisupervised learning based on a novel iterative optimization model for saliency detection
CN110188864B (zh) 基于分布表示和分布度量的小样本学习方法
CN112418348A (zh) 一种基于包络优化的图像来源鉴别方法
CN113343123B (zh) 一种生成对抗多关系图网络的训练方法和检测方法
KR101672814B1 (ko) 랜덤 포레스트를 이용한 성별인식 방법

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