CN101661610A - 具有主被动鉴别功能的数字图像防伪检测系统 - Google Patents
具有主被动鉴别功能的数字图像防伪检测系统 Download PDFInfo
- Publication number
- CN101661610A CN101661610A CN200910195776A CN200910195776A CN101661610A CN 101661610 A CN101661610 A CN 101661610A CN 200910195776 A CN200910195776 A CN 200910195776A CN 200910195776 A CN200910195776 A CN 200910195776A CN 101661610 A CN101661610 A CN 101661610A
- Authority
- CN
- China
- Prior art keywords
- image
- unit
- service
- layer
- detecting unit
- 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
Links
Images
Landscapes
- Editing Of Facsimile Originals (AREA)
- Image Processing (AREA)
Abstract
一种图像识别技术领域的具有主被动鉴别功能的数字图像防伪检测系统,包括:基础服务层,系统功能层和应用层,其中:基础服务层通过服务提供接口与系统功能层相连接以提供底层基础服务,系统功能层通过用户交互接口与应用层相连以传输该层相关模块返回的鉴定结果信息,应用层通过用户交互接口接收待检测图像并输出鉴定检测结果,所述的底层基础服务包括面向主动鉴定服务和面向被动鉴定服务。本发明解决了日益突出的数字图像内容不真实、不可靠以及来源不确定等问题,可用于解决版权保护、司法鉴定、防伪等诸多领域的数字图像来源及真伪的鉴别问题。
Description
技术领域
本发明涉及的是一种数字图像识别技术领域的系统,具体是一种具有主被动鉴别功能的数字图像防伪检测系统。
背景技术
数字图像防伪检测是用来检测图像内容真实性、确定图像来源的一种信息防伪技术。针对数字图像防伪检测的核心技术研究集中在两大类:主动图像鉴别和被动图像鉴别技术。主动图像鉴别的主要思想是事先在图像中嵌入水印或数字签名,鉴别时通过检测水印或者比较数字签名,得出鉴别结果。被动图像鉴别技术是在不需要事先对图像进行签名或者嵌入水印等信息嵌入处理的情况下,直接对内容真实性可疑或来源不确定的图像进行检测和取证。目前,国内外针对数字图像防伪检测研发出的相应系统还非常少,且性能也有待提升。最具代表性的是美国哥伦比亚大学研发的TrustFoto系统,其用于自然图像篡改检测以及计算机生成图像检测,然而这一系统没有考虑主动图像鉴别情形。功能完善的数字图像防伪检测系统应该既能够对图像的真实性及来源进行鉴定,也能够检测图像中的数字水印信息,因此该系统仍不能作为一个完善的数字图像防伪检测系统。
经过进一步检索,国内外尚未出现同时具有主动图像鉴别和被动图像鉴别功能的综合性系统。
发明内容
本发明针对现有技术存在的上述不足,提供一种具有主被动鉴别功能的数字图像防伪检测系统,解决日益突出的数字图像内容不真实、不可靠以及来源不确定等问题,可用于解决版权保护、司法鉴定、防伪等诸多领域的数字图像来源及真伪的鉴别问题。
本发明是通过以下技术方案实现的,本发明包括:基础服务层、系统功能层和应用层,其中:基础服务层通过服务提供接口与系统功能层相连接以提供底层基础服务,系统功能层通过用户交互接口与应用层相连以传输鉴定结果信息,应用层通过用户交互接口接收待检测图像并输出鉴定检测结果。
所述的底层基础服务包括面向主动鉴定服务和面向被动鉴定服务。
所述的基础服务层包括:HSB(最高比特位)和LSB(最低比特位)可恢复半脆弱水印检测单元、沃尔什和卷积编码嵌入法检测单元、Logistic混沌序列和奇异值分解法检测单元、复制粘贴块匹配检测单元、纹理特征和马尔科夫模型检测单元、广义高斯小波法检测单元、HSV空间小波法检测单元、噪声模式法检测单元和小波统计法检测单元,其中:HSB和LSB可恢复半脆弱水印检测单元、沃尔什和卷积编码嵌入法检测单元、Logistic混沌序列和奇异值分解法检测单元为面向主动鉴定服务单元;复制粘贴块匹配检测单元、纹理特征和马尔科夫模型检测单元、广义高斯小波法检测单元、HSV空间小波法检测单元、噪声模式法检测单元和小波统计法检测单元为面向被动鉴定服务单元。
所述的HSB和LSB可恢复半脆弱水印检测单元利用LSB所含水印信息容量大的特点,以及在图像篡改和水印攻击下HSB具有相对稳定性,将HSB编码成水印信息嵌入到LSB中,利用置乱算法产生水印嵌入位置,结合混沌序列,可对图像内容的恶意篡改进行精确地检测与定位,而且能较精确地恢复被篡改的原图像信息。
所述的沃尔什和卷积编码嵌入法检测单元基于能量域和卷积编码,利用卷积码误码来实现水印篡改检测,该算法对有损压缩具有良好的鲁棒性,可以精确地检测和定位被篡改的图像区域,并且可以大致恢复原始图像内容。
所述的Logistic混沌序列和奇异值分解法检测单元基于能量域的奇异值分解,利用最大奇异值的压缩鲁棒性,作为嵌入水印的载体,兼顾基于DCT域的JPEG格式和基于小波域的JPEG2000格式的水印图像篡改检测算法。
所述的复制粘贴块匹配检测单元是针对同幅图片的复制粘贴篡改类型,利用图片块匹配算法,检测图片中是否存在相同或近似的图片块,若存在,则认为该图片存在复制粘贴篡改,反之亦然。
所述的纹理特征和马尔科夫模型检测单元是利用篡改操作在改变图像相邻像素相关性的同时,也改变了空间上不同位置分布的像素相关性的事实提取统计特征,运用分类器的训练与预测实现自然图像篡改的检测,该检测算法较适用于纹理特征较为明显的情形。
所述的广义高斯小波法检测单元是利用真实图片和篡改图片在小波系数分布与广义高斯分布在拟合程度上的差异,提取统计特征,运用分类器训练与预测实现自然图像篡改检测。
所述的HSV空间小波法检测单元是利用HSV空间更加接近人眼视觉特性,首先将图像从RGB空间转换到HSV空间,然后在小波域提取图像的统计特征,利用分类器训练与预测实现计算机生成图像的检测。
所述的噪声模式法检测单元是利用自然图像与计算机生成图像二者在统计噪声模式上的差异,实现自然图像和计算机生成图像的分类的检测算法。
所述的小波统计法检测单元在小波域对图像提取统计特征,利用分类器训练与预测实现计算机生成图像的检测。
所述的系统功能层包括:水印图像篡改检测模块、自然图像篡改检测模块、计算机生成图像检测模块,其中:水印图像篡改检测模块分别与基础服务层和应用层相连接以提供水印图像篡改检测服务,自然图像篡改检测模块分别与基础服务层和应用层相连接以提供自然图像篡改检测服务,计算机生成图像检测模块分别与基础服务层和应用层相连接以提供计算机生成图像检测服务。
所述的水印图像篡改检测模块提供面向主动鉴定服务,该模块包括:图像输入单元、水印嵌入单元、防伪检测单元和输出单元,其中:图像输入单元与应用层相连接以接收待检测图像,水印嵌入单元完成输入图像的水印嵌入,防伪检测单元提供传输后水印图像的篡改检测服务,输出单元与应用层相连接以传输水印图像防伪检测的结果信息。
所述的自然图像篡改检测模块提供面向被动鉴定服务,该模块包括:图像输入单元、图像块匹配单元、特征提取单元、分类器和输出单元,其中:图像输入单元与应用层相连接以接收待检测图像,图像块匹配单元通过运行图像块匹配算法,以判断输入图像是否存在同幅图片篡改情形,特征提取单元完成对测试图片库中的图像及输入待测图像的特征提取,分类器执行对测试图片库中的图像及待测图像的分类、预测功能,输出单元通过用户交互接口与应用层连接以传输自然图像篡改检测的结果信息。
该自然图像篡改检测模块先进行同幅图片篡改检测,判断图片中是否存在复制粘贴块,若存在,则返回鉴定结果并定位篡改区域;若不存在,则进行非同幅图片的篡改检测,提取图片的特征,利用预先训练好的分类器进行预测分类,判断图片是否为篡改图片。
所述的计算机生成图像检测模块提供面向被动鉴定服务,该模块包括:图像输入单元、特征提取单元、分类器和输出单元,其中:图像输入单元与应用层相连接以接收待检测的未知来源图像,特征提取单元完成对测试图片库中的图像及输入图像的特征提取,分类器完成对图片库中的图像及输入待测图像的分类及预测,输出单元通过用户交互接口与应用层连接以传输图像的来源检测结果信息。
该计算机生成图像检测模块首先对自然图片库及计算机图片库中的图像分别提取特征,对分类器进行训练;鉴别图像来源时,先对输入的测试图像进行特征提取,再将提取的特征输入预先训练好的分类器进行预测,以判断图片来源是否为计算机生成图像。
所述的应用层包括:图像输入单元和鉴定结果输出单元,其中:图像输入单元通过用户交互接口与系统功能层相连接以传输待鉴定的原始图像信息,鉴定结果输出单元通过用户交互接口与系统功能层相连接以传输图像经鉴定后返回的结果信息。
与现有技术相比,本发明克服了现有数字图像防伪检测系统功能不全、技术保密等局限性,很好地解决了数字图像篡改手段越趋多样、图像内容安全问题日益严重,而较完善的数字图像防伪检测系统缺乏的矛盾。本发明在数字图像防伪检测方面尚属首创。使用本发明可以对数字图像进行主动/被动防伪检测,实现含有水印的数字图像的篡改检测与恢复、自然图像篡改检测以及数字图像来源鉴别,即判定图像是否由计算机生成。因此本发明具有很好的应用前景。
附图说明
图1为本发明结构示意图。
图2为水印图像篡改检测模块结构示意图。
图3为自然图像篡改检测模块结构示意图。
图4为计算机生成图像检测模块结构示意图。
图5为实施例的工作流程示意图。
具体实施方式
下面对本发明的实施例作详细说明,本实施例在以本发明技术方案为前提下进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
如图1所示,本实施例包括:基础服务层,系统功能层和应用层,其中:基础服务层通过服务提供接口与系统功能层相连接以提供底层基础服务,系统功能层通过用户交互接口与应用层相连以传输鉴定结果信息,应用层通过用户交互接口接收待检测图像并输出鉴定检测结果。
所述的底层基础服务包括面向主动鉴定服务和面向被动鉴定服务。
所述的基础服务层包括:HSB(最高比特位)和LSB(最低比特位)可恢复半脆弱水印检测单元、沃尔什和卷积编码嵌入法检测单元、Logistic混沌序列和奇异值分解法检测单元、复制粘贴块匹配检测单元、纹理特征和马尔科夫模型检测单元、广义高斯小波法检测单元、HSV空间小波法检测单元、噪声模式法检测单元和小波统计法检测单元,其中:HSB和LSB可恢复半脆弱水印检测单元、沃尔什和卷积编码嵌入法检测单元、Logistic混沌序列和奇异值分解法检测单元为面向主动鉴定服务单元;复制粘贴块匹配检测单元、纹理特征和马尔科夫模型检测单元、广义高斯小波法检测单元、HSV空间小波法检测单元、噪声模式法检测单元和小波统计法检测单元为面向被动鉴定服务单元。
所述的HSB和LSB可恢复半脆弱水印检测单元是一种能够精确定位并能恢复原图像的半脆弱数字水印算法单元,利用LSB(最低比特位)所含水印信息容量大的特点,以及在图像篡改和水印攻击下HSB(最高比特位)具有相对稳定性,将HSB编码成水印信息嵌入到LSB中,利用置乱算法产生水印嵌入位置,结合混沌序列,可对图像内容的恶意篡改进行精确地检测与定位,而且能较精确地恢复被篡改的原图像信息。
所述的沃尔什和卷积编码嵌入法检测单元基于能量域和卷积编码,利用卷积码误码来实现水印篡改检测,该算法对有损压缩具有良好的鲁棒性,可以精确地检测和定位被篡改的图像区域,并且可以大致恢复原始图像内容。
所述的Logistic混沌序列和奇异值分解法检测单元基于能量域的奇异值分解,利用最大奇异值的压缩鲁棒性,作为嵌入水印的载体,兼顾基于DCT域的JPEG格式和基于小波域的JPEG2000格式的水印图像篡改检测算法。
所述的复制粘贴块匹配检测单元是针对同幅图片的复制粘贴篡改类型,利用图片块匹配算法,检测图片中是否存在相同或近似的图片块,若存在,则认为该图片存在复制粘贴篡改,反之亦然。
所述的纹理特征和马尔科夫模型检测单元是利用篡改操作在改变图像相邻像素相关性的同时,也改变了空间上不同位置分布的像素相关性的事实提取统计特征,运用分类器的训练与预测实现自然图像篡改的检测,该检测算法较适用于纹理特征较为明显的情形。
所述的广义高斯小波法检测单元是利用真实图片和篡改图片在小波系数分布与广义高斯分布在拟合程度上的差异,提取统计特征,运用分类器训练与预测实现自然图像篡改检测。
所述的HSV空间小波法检测单元是利用HSV空间更加接近人眼视觉特性,首先将图像从RGB空间转换到HSV空间,然后在小波域提取图像的统计特征,利用分类器训练与预测实现计算机生成图像的检测。
所述的噪声模式法检测单元是利用自然图像与计算机生成图像二者在统计噪声模式上的差异,实现自然图像和计算机生成图像的分类的检测算法。
所述的小波统计法检测单元在小波域对图像提取统计特征,利用分类器训练与预测实现计算机生成图像的检测。
所述的系统功能层包括:水印图像篡改检测模块、自然图像篡改检测模块、计算机生成图像检测模块,其中:
如图2所示,所述的水印图像篡改检测模块提供面向主动鉴定服务,该模块包括:图像输入单元、水印嵌入单元、防伪检测单元和输出单元,其中:图像输入单元与应用层相连接以接收待检测图像,水印嵌入单元完成输入图像的水印嵌入,防伪检测单元提供传输后水印图像的篡改检测服务,输出单元与应用层相连接以传输水印图像防伪检测的结果信息。
如图3所示,所述的自然图像篡改检测模块提供面向被动鉴定服务,该模块包括:图像输入单元、图像块匹配单元、特征提取单元、分类器和输出单元,其中:图像输入单元与应用层相连接以接收待检测图像,图像块匹配单元通过运行图像块匹配算法,以判断输入图像是否存在同幅图片篡改情形,特征提取单元完成对测试图片库中的图像及输入待测图像的特征提取,分类器执行对测试图片库中的图像及待测图像的分类、预测功能,输出单元通过用户交互接口与应用层连接以传输自然图像篡改检测的结果信息。
该自然图像篡改检测模块首先进行同幅图片篡改检测,判定图片中是否存在复制粘贴块,若存在,则返回鉴定结果并定位篡改区域;若不存在,则进行非同幅图片的篡改检测,提取图片的特征,利用预先训练好的分类器进行预测分类,判断图片是否为篡改图片。
如图4所示,所述的计算机生成图像检测模块提供面向被动鉴定服务,该模块包括:图像输入单元、特征提取单元、分类器和输出单元,其中:图像输入单元与应用层相连接以接收待检测的未知来源图像,特征提取单元完成对测试图片库中的图像及输入图像的特征提取,分类器完成对图片库中的图像及输入待测图像的分类及预测,输出单元通过用户交互接口与应用层连接以传输图像的来源检测结果信息。
该计算机生成图像检测模块首先对自然图片库及计算机图片库中的图像分别提取特征,对分类器进行训练;鉴别图像来源时,先对输入的测试图像进行特征提取,再将提取的特征输入预先训练好的分类器进行预测,以判断图片来源是否为计算机生成图像。
所述的应用层包括:图像输入单元和鉴定结果输出单元,其中:图像输入单元通过用户交互接口与系统功能层相连接以传输待鉴定的原始图像信息,鉴定结果输出单元通过用户交互接口与系统功能层相连接以传输图像经鉴定后返回的结果信息。
如图5所示,本实施例的工作流程包括以下步骤:
(1)当输入一幅待鉴定的图像时,如果已知图片含有系统已有水印,则首先通过系统功能层中的水印图像篡改检测模块,提取其水印信息并加以判决,返回图像是否被篡改;若判决为篡改,同时返回被篡改的区域,并判定原始图像改动与否的可信度(可信度是对系统的鉴定结果可信程度的一种度量,以下同)为100%。
(2)如果已知图片不含有系统已有水印,则进行如下处理:当图像生成来源不确定时,则利用系统功能层中的面向被动鉴定部分的自然图像篡改检测模块和计算机生成图像检测模块进行检测鉴定。由于不确定图像来源,为此,两个模块都对图像进行检测,最后根据各自的检测结果进行加权综合判决,得出鉴定结果,该结果主要说明图片是否为自然图像篡改图片或者是否为计算机生成图片,并得出0-100%之间的一个分析结果可信度数值,以作为相关人员的参考依据。
(3)当图像生成来源确定时,如果图像是自然图像,则转到下一步处理,否则不属于系统的鉴定范围。
(4)当已知图像为自然图像且来源于不带有系统已有水印的相机,则直接将图像送入自然图像篡改检测模块,进行检测鉴定,并获得鉴定结果,该结果主要说明图片是否为自然图像篡改图片,并得出0-100%之间的一个分析结果可信度值。
本实施例实现了数字图像主被动防伪检测与友好的交互界面,适用于版权保护、司法鉴定、防伪等诸多领域的数字图像真伪及来源的鉴别问题,解决了现有技术中存在的系统功能不全、技术保密等问题,具有功能全面、结构分层、可扩展及交互友好等特点,具有很好的推广前景。
Claims (7)
1、一种具有主被动鉴别功能的数字图像防伪检测系统,其特征在于,包括:基础服务层,系统功能层和应用层,其中:基础服务层提供接口与系统功能层相连接以提供底层基础服务,系统功能层通过用户交互接口与应用层相连以传输鉴定结果信息,应用层通过用户交互接口接收待检测图像并输出鉴定检测结果,所述的底层基础服务包括面向主动鉴定服务和面向被动鉴定服务。
2、根据权利要求1所述的具有主被动鉴别功能的数字图像防伪检测系统,其特征是,所述的基础服务层包括:最高比特位和最低比特位可恢复半脆弱水印检测单元、沃尔什和卷积编码嵌入法检测单元、Logistic混沌序列和奇异值分解法检测单元、复制粘贴块匹配检测单元、纹理特征和马尔科夫模型检测单元、广义高斯小波法检测单元、HSV空间小波法检测单元、噪声模式法检测单元和小波统计法检测单元,其中:HSB和LSB可恢复半脆弱水印检测单元、沃尔什和卷积编码嵌入法检测单元、Logistic混沌序列和奇异值分解法检测单元为面向主动鉴定服务单元;复制粘贴块匹配检测单元、纹理特征和马尔科夫模型检测单元、广义高斯小波法检测单元、HSV空间小波法检测单元、噪声模式法检测单元和小波统计法检测单元为面向被动鉴定服务单元。
3、根据权利要求1所述的具有主被动鉴别功能的数字图像防伪检测系统,其特征是,所述的系统功能层包括:水印图像篡改检测模块、自然图像篡改检测模块、计算机生成图像检测模块,其中:水印图像篡改检测模块分别与基础服务层和应用层相连接以提供水印图像篡改检测服务,自然图像篡改检测模块分别与基础服务层和应用层相连接以提供自然图像篡改检测服务,计算机生成图像检测模块分别与基础服务层和应用层相连接以提供计算机生成图像检测服务。
4、根据权利要求3所述的具有主被动鉴别功能的数字图像防伪检测系统,其特征是,所述的水印图像篡改检测模块提供面向主动鉴定服务,该模块包括:图像输入单元、水印嵌入单元、防伪检测单元和输出单元,其中:图像输入单元与应用层相连接以接收待检测图像,水印嵌入单元完成输入图像的水印嵌入,防伪检测单元提供传输后水印图像的篡改检测服务,输出单元与应用层相连接以传输水印图像防伪检测的结果信息。
5、根据权利要求3所述的具有主被动鉴别功能的数字图像防伪检测系统,其特征是,所述的自然图像篡改检测模块提供面向被动鉴定服务,该模块包括:图像输入单元、图像块匹配单元、特征提取单元、分类器和输出单元,其中:图像输入单元与应用层相连接以接收待检测图像,图像块匹配单元通过运行图像块匹配算法,以判断输入图像是否存在同幅图片篡改情形,特征提取单元完成对测试图片库中的图像及输入待测图像的特征提取,分类器执行对测试图片库中的图像及待测图像的分类、预测功能,输出单元通过用户交互接口与应用层连接以传输自然图像篡改检测的结果信息。
6、根据权利要求3所述的具有主被动鉴别功能的数字图像防伪检测系统,其特征是,所述的计算机生成图像检测模块提供面向被动鉴定服务,该模块包括:图像输入单元、特征提取单元、分类器和输出单元,其中:图像输入单元与应用层相连接以接收待检测的未知来源图像,特征提取单元完成对测试图片库中的图像及输入图像的特征提取,分类器完成对图片库中的图像及输入待测图像的分类及预测,输出单元通过用户交互接口与应用层连接以传输图像的来源检测结果信息。
7、根据权利要求1所述的具有主被动鉴别功能的数字图像防伪检测系统,其特征是,所述的应用层包括:图像输入单元和鉴定结果输出单元,其中:图像输入单元通过用户交互接口与系统功能层相连接以传输待鉴定的原始图像信息,鉴定结果输出单元通过用户交互接口与系统功能层相连接以传输图像经鉴定后返回的结果信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN200910195776A CN101661610A (zh) | 2009-09-17 | 2009-09-17 | 具有主被动鉴别功能的数字图像防伪检测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN200910195776A CN101661610A (zh) | 2009-09-17 | 2009-09-17 | 具有主被动鉴别功能的数字图像防伪检测系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN101661610A true CN101661610A (zh) | 2010-03-03 |
Family
ID=41789615
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN200910195776A Pending CN101661610A (zh) | 2009-09-17 | 2009-09-17 | 具有主被动鉴别功能的数字图像防伪检测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101661610A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107977964A (zh) * | 2017-12-01 | 2018-05-01 | 天津大学 | 基于lbp和扩展马尔科夫特征的细缝裁剪取证方法 |
US20200050962A1 (en) * | 2018-08-10 | 2020-02-13 | Deeping Source Inc. | Method for training and testing data embedding network to generate marked data by integrating original data with mark data, and training device and testing device using the same |
CN112579994A (zh) * | 2020-12-23 | 2021-03-30 | 陈子祺 | 一种基于人工智能的数字产品内容保护系统和方法 |
CN112313645B (zh) * | 2018-08-10 | 2024-06-07 | 深度来源公司 | 数据嵌入网络的学习方法和装置及其测试方法和装置 |
-
2009
- 2009-09-17 CN CN200910195776A patent/CN101661610A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107977964A (zh) * | 2017-12-01 | 2018-05-01 | 天津大学 | 基于lbp和扩展马尔科夫特征的细缝裁剪取证方法 |
US20200050962A1 (en) * | 2018-08-10 | 2020-02-13 | Deeping Source Inc. | Method for training and testing data embedding network to generate marked data by integrating original data with mark data, and training device and testing device using the same |
US10789551B2 (en) * | 2018-08-10 | 2020-09-29 | Deeping Source Inc. | Method for training and testing data embedding network to generate marked data by integrating original data with mark data, and training device and testing device using the same |
CN112313645A (zh) * | 2018-08-10 | 2021-02-02 | 深度来源公司 | 通过合成原始数据和标记数据来生成已标记数据的数据嵌入网络的学习方法和测试方法以及用其的学习装置和测试装置 |
CN112313645B (zh) * | 2018-08-10 | 2024-06-07 | 深度来源公司 | 数据嵌入网络的学习方法和装置及其测试方法和装置 |
CN112579994A (zh) * | 2020-12-23 | 2021-03-30 | 陈子祺 | 一种基于人工智能的数字产品内容保护系统和方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103294667B (zh) | 通过水印进行同源图片追踪的方法及系统 | |
Mushtaq et al. | Digital image forgeries and passive image authentication techniques: a survey | |
CN103238159B (zh) | 用于图像认证的系统和方法 | |
Saber et al. | A survey on image forgery detection using different forensic approaches | |
CN102542660B (zh) | 基于票据水印分布特征的票据防伪鉴别方法 | |
Kang et al. | Copy-move forgery detection in digital image | |
CN110766598B (zh) | 基于卷积神经网络的智能模型水印嵌入和提取方法及系统 | |
CN101610408A (zh) | 视频保护置乱方法和结构 | |
CN102682298B (zh) | 基于图建模的视频指纹方法 | |
CN100452823C (zh) | 抗打印扫描大容量有意义数字水印实现方法 | |
CN116664961B (zh) | 基于信码的防伪标签智能识别方法及系统 | |
CN101923733B (zh) | 电子门票处理方法及装置 | |
Zhao et al. | Tampered region detection of inpainting JPEG images | |
CN108268889B (zh) | 对雕刻凹印真伪检测方法、检测平台及检测系统 | |
CN101661610A (zh) | 具有主被动鉴别功能的数字图像防伪检测系统 | |
CN102073978B (zh) | 利用不规则区域分割的数字图像认证与恢复方法及系统 | |
Zhang et al. | Multi-scale segmentation strategies in PRNU-based image tampering localization | |
CN106485234A (zh) | 一种基于智能交通系统中车辆识别方法 | |
CN101673390A (zh) | 基于hsb和lsb的可恢复的半脆弱水印方法 | |
CN1996381A (zh) | 一种用于数字图像的数字水印方法及装置 | |
Waleed et al. | Comprehensive display of digital image copy-move forensics techniques | |
CN104156909A (zh) | 基于图像内容的鲁棒可逆水印嵌入与检测方法 | |
CN115147703B (zh) | 一种基于GinTrans网络的垃圾分割方法及系统 | |
CN104050434B (zh) | 印刷打印数字水印手机识读方法 | |
Jun et al. | Locating car license plate under various illumination conditions using genetic algorithm |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C12 | Rejection of a patent application after its publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20100303 |