CN102592151A - 一种数字图像中值滤波的盲检测方法 - Google Patents

一种数字图像中值滤波的盲检测方法 Download PDF

Info

Publication number
CN102592151A
CN102592151A CN2012100121685A CN201210012168A CN102592151A CN 102592151 A CN102592151 A CN 102592151A CN 2012100121685 A CN2012100121685 A CN 2012100121685A CN 201210012168 A CN201210012168 A CN 201210012168A CN 102592151 A CN102592151 A CN 102592151A
Authority
CN
China
Prior art keywords
image
sub
medium filtering
piece
characteristic
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
Application number
CN2012100121685A
Other languages
English (en)
Other versions
CN102592151B (zh
Inventor
陈成龙
倪江群
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.)
Sun Yat Sen University
National Sun Yat Sen University
Original Assignee
National Sun Yat Sen University
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 National Sun Yat Sen University filed Critical National Sun Yat Sen University
Priority to CN201210012168.5A priority Critical patent/CN102592151B/zh
Publication of CN102592151A publication Critical patent/CN102592151A/zh
Application granted granted Critical
Publication of CN102592151B publication Critical patent/CN102592151B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Image Processing (AREA)
  • Image Analysis (AREA)
  • Compression Or Coding Systems Of Tv Signals (AREA)

Abstract

本发明提出一种数字图像中值滤波的盲检测方法,分析了中值滤波对图像边缘良好的保持特性,结合中值滤波处理对相邻像素相关性的影响以及对噪声的抑制,将边缘区域的统计特征用于检测图像是否经过中值滤波。本发明将图像分割成互不重叠的子块,并根据各子块的梯度特征将子块划分为不同类型;对子块应用邻域线性预测模型处理,提取子块的预测系数形成边缘预测矩阵EBPM;然后将EBPM特征作为支持向量机的输入,训练得到图像中值滤波检测器,从而通过检测器来检测图像是否经过中值滤波。本发明能够准确地检测出经过中值滤波的图像,具有良好的鲁棒性,能有效抵抗JPEG压缩处理,属于图像认证领域。

Description

一种数字图像中值滤波的盲检测方法
技术领域
本发明属于图像认证领域,特别涉及到数字图像中值滤波的盲检测方法。
背景技术
近十几年来,由于多媒体技术和设备的发展,数字图像在新闻媒体、法庭证据和军事上被广泛应用。而同时,随着数字图像编辑软件的流行和广泛使用,个人很容易对数字图像进行处理甚至是恶意伪造、窜改,破坏了图像的原始性、真实性和可靠性。因此,我们需要对图像进行认证,以判断其原始性和真实性。图像盲取证技术是近年来图像认证领域的热点,区别于传统的数字水印和数字签名等主动取证技术,图像盲取证技术不需要对图像进行如水印嵌入等预处理,而是根据待检测图像本身的统计特性进行取证,以判断其原始性和真实性。
在图像取证领域,检测图像的处理历史,即判断图像经过何种处理,具有很大的挑战性。从图像处理效果来看,图像处理技术主要分为图像恶意窜改和基于内容保持的图像处理。相应的图像取证技术也分为两大类。第一类,检测图像恶意窜改,如图像复制和粘贴(copy & move)以及图像拼接(splicing)等;第二类,检测内容保持的图像处理,如图像重采样,JPEG压缩,对比度增强和中值滤波等。
现有的大部分取证技术,像检测重采样和CFA插值的取证技术都依赖于某种线性假设,非线性的中值滤波能够有效地攻击这些取证技术,使其失效。但同时,由于中值滤波处理会在图像中留下自己的痕迹,因而通过检测图像是否经过中值滤波也能为图像认证提供新的证据。目前检测中值滤波的主要依赖于一阶差分的统计特性,而由于一阶差分对量化和取整处理敏感,故无法有效抵抗JPEG压缩。因此需要具有良好鲁棒性的中值滤波检测方法。
发明内容
本发明的目的是提出一种易实现、准确率高的数字图像中值滤波的盲检测方法,具有良好的鲁棒性,能有效抵抗JPEG压缩处理。
本发明提供一种数字图像中值滤波的盲检测方法,包括以下步骤:
步骤一:图像分块,即将图像分割成互不重叠的子块,根据各子块的梯度特征,将子块划分为三种类型;
步骤二:特征提取,即对每种类型的子块用邻域线性预测模型处理,用最小二乘法估计预测系数,并将各类型的系数重新排列形成边缘预测矩阵;
步骤三:支持向量机训练,即将边缘预测矩阵作为支持向量机的输入进行训练;
步骤四:检测图像,即通过训练得到中值滤波检测器,来检测待测图像是否经过中值滤波。
进一步地,所述步骤一中的梯度特征包括水平梯度特征和垂直梯度特征,水平梯度特征是子块水平方向二阶梯度绝对值的线性求和,垂直梯度特征是子块垂直方向二阶梯度绝对值的线性求和。
进一步地,所述步骤一中的子块分类方法如下:垂直梯度特征减去水平梯度特征得到的差值大于某一阈值                                                
Figure 37073DEST_PATH_IMAGE001
的子块,归为水平类型
Figure 321424DEST_PATH_IMAGE002
;水平梯度特征减去垂直梯度特征得到的差值大于阈值
Figure 920902DEST_PATH_IMAGE001
的子块,归为垂直类型
Figure 683321DEST_PATH_IMAGE003
;余下的子块归为其他类型
Figure 802587DEST_PATH_IMAGE004
进一步地,所述步骤二中邻域线性预测模型为:列向量
Figure 257839DEST_PATH_IMAGE005
包含所有子块中点的灰度值,矩阵的每一行是每个子块中点的邻域像素值,列向量
Figure 910723DEST_PATH_IMAGE007
代表预测系数,则邻域线性预测模型由
Figure 946812DEST_PATH_IMAGE008
描述。通过最小二乘法得出的估计预测系数为
Figure 510649DEST_PATH_IMAGE009
进一步地,所述步骤二中的边缘预测矩阵为:
Figure 897768DEST_PATH_IMAGE010
,其中
Figure 345116DEST_PATH_IMAGE012
分别为用最小二乘算法估计出来的三个类型子块的预测系数,
Figure 688689DEST_PATH_IMAGE014
为边缘预测矩阵,简称EBPM(Edge Based Prediction Matrix)。
进一步地,所述步骤四中的中值滤波检测器是通过训练大量图像得到的。
本发明与现有技术相比:
1)具有良好的鲁棒性,能有效抵抗JPEG压缩处理。
2)采用邻域线性预测模型,具有可行性和有效性,能较好地区分中值滤波图像和原图像,区分中值滤波和其它线性滤波。
3)采用支持向量机分类器,容易实现,具有可靠性。
附图说明
图1为本发明提出的中值滤波盲检测方法中的图像的一个子块的示意图;
图2为本发明提出的检测方法在图像Lena上计算得到的预测系数:(a)为原图像水平子块对应的邻域预测系数,(b)为图像经过3×3中值滤波后水平子块对应的邻域预测系数,(c)为图像经过3×3平移均值滤波后水平子块对应的邻域预测系数,(d)为图像经过delta值为0.5的3×3高斯滤波后水平子块对应的邻域预测系数;
图3为本发明提出的检测方法所采用的EBPM特征的PCA投影,只投影到PCA的前两维方向,测试图库为UCID:(a)为原图像和中值滤波后的图像的PCA投影,滤波窗口分别为3×3,5×5,7×7和9×9,(b)为均值滤波后的图像和中值滤波后的图像的PCA投影,(c)为高斯滤波后的图像和中值滤波后的图像的PCA投影,delta为0.5和1.5,(d)为线性缩放后的图像和中值滤波后的图像的PCA投影,缩放因子分别为0.8和1.2;
图4为本发明提出的检测方法对中值滤波图像和原图像的检测实验结果;(a)为图像没有经过其它处理情况下的实验结果,(b)为图像在中值滤波之前经过其它处理情况下的实验结果,(c)为图像在中值滤波之后经过JPEG压缩的情况下的实验结果;
图5为本发明提出的检测方法对中值滤波图像和经过其他操作的图像的检测实验结果;(a)为图像在没有经过JPEG压缩的情况的实验结果,(b)为图像在经过JPEG压缩的情况下的实验结果。
具体实施方式
下面结合附图及实例对本发明作进一步描述。
本发明包括以下步骤:
步骤一:图像分块
首先,把图像分割成
Figure 862182DEST_PATH_IMAGE015
个互不重叠的,大小为的子块,得到一个集合
Figure 51207DEST_PATH_IMAGE017
(在此实施例中
Figure 85022DEST_PATH_IMAGE018
)。然后根据每个子块的梯度特征将集合分为三种类型。
说明书附图1所示的
Figure 848765DEST_PATH_IMAGE019
子块
Figure 987622DEST_PATH_IMAGE020
为该子块的中心点灰度值,
Figure 758449DEST_PATH_IMAGE022
是邻近点
Figure 930673DEST_PATH_IMAGE023
的灰度值。
定义水平和垂直方向上的梯度特征为二阶梯度绝对值的线性求和,即:
Figure 240432DEST_PATH_IMAGE024
(1)
(2)
然后,将根据梯度特征将子块
Figure 302246DEST_PATH_IMAGE020
分为水平类型
Figure 328977DEST_PATH_IMAGE002
、垂直类型
Figure 809636DEST_PATH_IMAGE003
和其它类型
Figure 102078DEST_PATH_IMAGE004
三种之一,子块分类方式如下:
1)             垂直梯度特征减去水平梯度特征得到的差值大于某一阈值
Figure 896858DEST_PATH_IMAGE001
的子块,则
Figure 591145DEST_PATH_IMAGE020
归为水平类型
Figure 429657DEST_PATH_IMAGE002
,即满足
Figure 724241DEST_PATH_IMAGE026
2)             水平梯度特征减去垂直梯度特征得到的差值大于阈值的子块,则
Figure 792877DEST_PATH_IMAGE020
归为垂直类型
Figure 880918DEST_PATH_IMAGE003
,即满足
3)             余下的子块归为其他类型
Figure 205906DEST_PATH_IMAGE004
为了保证每个类型中子块数量足够,我们取
Figure 874785DEST_PATH_IMAGE028
步骤二:特征提取
为了得到不同类型子块的统计特征,我们将邻域线性预测模型分别应用到水平类型子块
Figure 133728DEST_PATH_IMAGE002
、垂直类型子块
Figure 871746DEST_PATH_IMAGE003
和其它类型子块
以水平类型子块
Figure 335405DEST_PATH_IMAGE002
为例,说明特征提取的过程。
记一幅图像中水平类型子块
Figure 811255DEST_PATH_IMAGE002
的数目为
Figure 52880DEST_PATH_IMAGE029
 ,对于这种类型的子块,用
Figure 718217DEST_PATH_IMAGE030
个邻近像素的灰度值对中心点灰度值进行线性预测,表示如下:     
Figure 96109DEST_PATH_IMAGE031
.
(3)
其中 
Figure 883805DEST_PATH_IMAGE022
是说明书附图1所示中所示的邻近点
Figure 347147DEST_PATH_IMAGE023
的灰度值,
Figure 878492DEST_PATH_IMAGE032
是相应的预测系数。将该邻域线性预测模型应用到同一类型的所有子块,将N H 个中心点灰度值和预测系数分别表示为列向量
Figure 376469DEST_PATH_IMAGE033
Figure 820220DEST_PATH_IMAGE034
,将所有子块中心点的
Figure 36438DEST_PATH_IMAGE030
个邻近像素灰度值作为行向量,构成一个尺寸为的矩阵
Figure 458378DEST_PATH_IMAGE006
,则邻域线性预测模型可以用以下矩阵形式表示:
. (4)
为了估计预测系数,我们考虑以下误差
Figure 321794DEST_PATH_IMAGE038
.
(5)
则的估计问题可以描述为上述方程关于
Figure 528785DEST_PATH_IMAGE039
的最小二乘问题,也即最小化以下二次代价函数
Figure 829185DEST_PATH_IMAGE040
.
(6)
其中是误差
Figure 103357DEST_PATH_IMAGE039
的协方差,在这里我们假定
Figure 430433DEST_PATH_IMAGE041
为单位阵,则
Figure 652467DEST_PATH_IMAGE042
Figure 986366DEST_PATH_IMAGE037
的微分为
Figure 952048DEST_PATH_IMAGE043
.
(7)
令上式微分为0,得到 
Figure 320581DEST_PATH_IMAGE044
.
(8)
     根据以上所描述的特征提取过程,容易知道,本发明的检测性能很大程度上取决于子块的大小
Figure 775833DEST_PATH_IMAGE045
。虽然较大尺寸的子块能获得更多的细节特征,从而提高检测性能,但当待检测图像尺寸较小时,不足以保证
Figure 800290DEST_PATH_IMAGE046
存在逆矩阵。因此,应该根据图像的大小以及所能接受的误检率来选择子块的大小
Figure 366400DEST_PATH_IMAGE045
对图像中三种类型的子块分别应用邻域线性预测模型,可以得到水平子块、垂直子块和其它子块对应的预测系数,分别为
Figure 966326DEST_PATH_IMAGE012
Figure 274816DEST_PATH_IMAGE013
。将这些预测系数重新排列如下,构成一个大小为
Figure 582301DEST_PATH_IMAGE047
的预测系数矩阵,即基于边缘的预测矩阵,简称为EBPM(Edge Based Prediction Matrix)。
Figure 738476DEST_PATH_IMAGE048
.
(9)
 
步骤三:支持向量机训练
在提取大量图像的EBPM特征后,我们将其作为支持向量机SVM的输入,通过训练得到中值滤波检测器。一般而言,为了使SVM训练时不出现计算溢出,我们首先将特征值向量按特征值线性变换到[-1,1]的范围,再将其输入支持向量机。
本发明中,我们采用支持向量机分类器和非线性的RBF核函数
Figure 331317DEST_PATH_IMAGE050
.
(10)
其中,错误惩罚参数和RBF核函数的参数
Figure 374545DEST_PATH_IMAGE052
必须适当选取以避免过训练为此,我们在如下定义的二维格点上,采用五叠交叉验证(five-fold cross-validation)来选择参数对
Figure 342501DEST_PATH_IMAGE053
Figure 376316DEST_PATH_IMAGE054
.
(11)
其中为具有最高平均交叉验证精度的参数对,利用训练支持向量机分类器,即可得到最终的中值滤波检测器。
步骤四:检测图像
通过训练得到中值滤波检测器来检测待测图像是否经过中值滤波。
具体实施例如附图3所示,是Lena原图像和经过不同滤波处理后的图像中水平类子块
Figure 482179DEST_PATH_IMAGE055
的预测系数,其中
Figure 502273DEST_PATH_IMAGE028
,并假定中心点的系数为0。从(a)可以看到,水平方向上的预测系数(0.419和0.415)比垂直方向上的预测系数(0.308和0.379)要大,这表明水平方向上的像素对预测中心像素所做的贡献比垂直方向上的像素点要大。而从(b)中可以看出,对于中值滤波后的图像,水平方向上的预测系数要明显大于垂直方向上的预测系数,其原因是中值滤波具有良好的边缘保持特性。相对而言,如(c)和(d)所示的均值滤波和高斯滤波后图像上,水平、垂直两个方向预测系数的差值要小得多,这是由于线性滤波具有低通性,会模糊图像的边缘。以上说明,本发明所采用的邻域线性预测模型能够有效地描述中值滤波后图像的统计特性,所提取的EBPM特征能够有效地区分原图像、中值滤波后的图像以及线性滤波后的图像。
为了进一步说明EBPM特征对原图像、中值滤波后的图像以及线性滤波后的图像的有效区分性,我们利用UCID图库。UCID图像数据库包含1338幅没有经过压缩的TIFF图像,大小为512×384或者384×512。这些图像是在各种的光照条件下拍摄的,具有各种不同的纹理特征。在实验之前将它们转换成了灰度图像。在我们的实验中,子块的大小为,进行子块归类时的阈值设定为
Figure 734988DEST_PATH_IMAGE028
。对于每一幅输入的图像,提取出了一个包含个特征值的边缘预测矩阵特征EBPM。我们UCID图库不同图像样本(原图像、中值滤波后的图像以及线性滤波后的图像)的EBPM特征,然后对EBPM特征进行PCA变换,并将其投影到前两维方向,如图4所示。从(a)-(d)可以看出,即使在这样低维的情况下,中值滤波后的图像的EBPM特征与其他样本的特征也具有良好的区分性。
为了说明本发明所提出的中值滤波检测方法的性能,图5和图6给出了利用上述UCID图像数据库的测试结果。其中40%的图像用于训练中值滤波检测器,剩下60%的图像用于评价检测器的性能。实验有两个部分:1)中值滤波图像和原图像的检测,2)中值滤波图像和经过其他操作的图像的检测。
其中中值滤波图像和原图像的检测又包含三种情况:1)图像没有经过其它处理;2)图像在中值滤波之前经过其它处理;3)图像在中值滤波之后经过JPEG压缩。
如附图5(a)所示为图像没有经过其它处理情况下的实验结果。原图像为阴性样本(N),中值滤波后图像为阳性样本(P)。在3×3,5×5,7×7和9×9这四种滤波窗口大小下,ROC曲线都展示出良好的性能。可以看到,即使在较小的滤波窗口,如3×3的情况下,对于所有的假阳性率(False Positive Rate,FP),真阳性率(True Positive Rate,TP)都保持在0.95以上。
如附图5(b)所示为图像在中值滤波之前经过其它处理情况下的实验结果。原图像经过均值滤波等处理后的版本为阴性样本(N),这些图像再经过5×5中值滤波后的版本为阳性样本(P)。由图可知,ROC曲线展示出了良好的性能。
如附图5(c)所示为图像在中值滤波之后经过JPEG压缩情况下的实验结果。原图像经过JPEG压缩后的版本为阴性样本(N),5×5中值滤波后的图像再经过JPEG压缩后的版本为阳性样本(P)。对于所有FP>0.05,TP都保持在0.9以上,说明本发明提出的中值滤波检测方法能够有效抵抗常见的JPEG压缩处理。
中值滤波图像和经过其他操作的图像的检测又包含两种情况:1)没有经过JPEG压缩的情况;2)经过JPEG压缩的情况。
如附图6(a)所示为图像在没有经过JPEG压缩的情况的实验结果。原图像经过均值滤波等处理后的版本为阴性样本(N),5×5中值滤波后的版本为阳性样本(P)。可以看出,本发明所提出的方法能够较好地区分中值滤波和线性滤波。
如附图6(b)所示为图像在经过JPEG压缩的情况下的实验结果。原图像经过均值滤波或者高斯滤波处理,再经JPEG压缩后的版本为阴性样本(N),原图像经过5×5中值滤波,再经JPEG压缩后的版本为阳性样本(P)。可以看出,在JPEG压缩后,本发明所提出的方法依然能够较好地区分中值滤波和线性滤波。 

Claims (6)

1.一种数字图像中值滤波的盲检测方法,其特征是,包括以下步骤:
步骤一:图像分块,即将图像分割成互不重叠的子块,根据各子块的梯度特征,将子块划分为三种类型;
步骤二:特征提取,即对每种类型的子块用邻域线性预测模型处理,用最小二乘法估计预测系数,并将各类型的系数重新排列形成边缘预测矩阵;
步骤三:支持向量机训练,即将边缘预测矩阵作为支持向量机的输入进行训练;
步骤四:检测图像,即通过训练得到中值滤波检测器来检测待测图像是否经过中值滤波。
2.如权利要求1所述的数字图像中值滤波的盲检测方法,其特征是,所述步骤一中的梯度特征包括水平梯度特征和垂直梯度特征,水平梯度特征是子块水平方向二阶梯度绝对值的线性求和,垂直梯度特征是子块垂直方向二阶梯度绝对值的线性求和。
3.如权利要求1所述的数字图像中值滤波的盲检测方法,其特征是,所述步骤一中的子块分类方法如下:垂直梯度特征减去水平梯度特征得到的差值大于某一阈值                                                
Figure 2012100121685100001DEST_PATH_IMAGE001
的子块,归为水平类型
Figure 450623DEST_PATH_IMAGE002
;水平梯度特征减去垂直梯度特征得到的差值大于阈值
Figure 868966DEST_PATH_IMAGE001
的子块,归为垂直类型;余下的子块归为其他类型
Figure 613937DEST_PATH_IMAGE004
4.如权利要求1所述的数字图像中值滤波的盲检测方法,其特征是,所述步骤二中的邻域线性预测模型为:列向量
Figure 2012100121685100001DEST_PATH_IMAGE005
包含所有子块中点的灰度值,矩阵
Figure 330090DEST_PATH_IMAGE006
的每一行是每个子块中点的邻域像素值,列向量代表预测系数,则邻域线性预测模型由
Figure 2012100121685100001DEST_PATH_IMAGE007
描述,所述最小二乘法得出的估计预测系数为
Figure 227638DEST_PATH_IMAGE008
5.如权利要求1所述的数字图像中值滤波的盲检测方法,其特征是,所述步骤二中的边缘预测矩阵为:
Figure DEST_PATH_IMAGE009
,其中
Figure 66150DEST_PATH_IMAGE010
Figure DEST_PATH_IMAGE011
Figure 783571DEST_PATH_IMAGE012
分别为用最小二乘算法估计出来的三个类型子块的预测系数,
Figure DEST_PATH_IMAGE013
为边缘预测矩阵。
6.如权利要求1所述的数字图像中值滤波的盲检测方法,其特征是,所述步骤四中的中值滤波检测器是通过训练大量图像得到的。
CN201210012168.5A 2012-01-13 2012-01-13 一种数字图像中值滤波的盲检测方法 Expired - Fee Related CN102592151B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201210012168.5A CN102592151B (zh) 2012-01-13 2012-01-13 一种数字图像中值滤波的盲检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201210012168.5A CN102592151B (zh) 2012-01-13 2012-01-13 一种数字图像中值滤波的盲检测方法

Publications (2)

Publication Number Publication Date
CN102592151A true CN102592151A (zh) 2012-07-18
CN102592151B CN102592151B (zh) 2014-08-06

Family

ID=46480761

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201210012168.5A Expired - Fee Related CN102592151B (zh) 2012-01-13 2012-01-13 一种数字图像中值滤波的盲检测方法

Country Status (1)

Country Link
CN (1) CN102592151B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104504669A (zh) * 2014-12-12 2015-04-08 天津大学 一种基于局部二值模式的中值滤波检测方法
CN109506810A (zh) * 2018-11-29 2019-03-22 哈尔滨工业大学 一种火焰二维温度场的多色测温装置及方法
CN109829865A (zh) * 2019-01-31 2019-05-31 浙江工业大学 一种通过减少重复计算进行的加速滤波方法
CN111383226A (zh) * 2020-03-30 2020-07-07 西安理工大学 基于局部二值模式的图像中值滤波区分方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102013101A (zh) * 2010-11-27 2011-04-13 上海大学 一种经过模糊后处理的置换篡改图像盲检测方法
CN102194208A (zh) * 2011-05-26 2011-09-21 西安理工大学 一种基于图像签名的图像篡改检测与篡改定位方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102013101A (zh) * 2010-11-27 2011-04-13 上海大学 一种经过模糊后处理的置换篡改图像盲检测方法
CN102194208A (zh) * 2011-05-26 2011-09-21 西安理工大学 一种基于图像签名的图像篡改检测与篡改定位方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张震,康吉全,平西建,任远: "用统计特征量实现的图像拼接盲检测", 《计算机应用》, 31 December 2008 (2008-12-31) *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104504669A (zh) * 2014-12-12 2015-04-08 天津大学 一种基于局部二值模式的中值滤波检测方法
CN109506810A (zh) * 2018-11-29 2019-03-22 哈尔滨工业大学 一种火焰二维温度场的多色测温装置及方法
CN109829865A (zh) * 2019-01-31 2019-05-31 浙江工业大学 一种通过减少重复计算进行的加速滤波方法
CN111383226A (zh) * 2020-03-30 2020-07-07 西安理工大学 基于局部二值模式的图像中值滤波区分方法

Also Published As

Publication number Publication date
CN102592151B (zh) 2014-08-06

Similar Documents

Publication Publication Date Title
Kang et al. Robust median filtering forensics using an autoregressive model
Kirchner et al. On detection of median filtering in digital images
Qureshi et al. A bibliography of pixel-based blind image forgery detection techniques
Cao et al. Forensic detection of median filtering in digital images
Birajdar et al. Digital image forgery detection using passive techniques: A survey
Lin et al. An integrated technique for splicing and copy-move forgery image detection
Ravi et al. Compression noise based video forgery detection
Qu et al. A convolutive mixing model for shifted double JPEG compression with application to passive image authentication
Hussain et al. Image forgery detection using multi-resolution Weber local descriptors
Fontani et al. Hiding traces of median filtering in digital images
US9349237B2 (en) Method of authenticating a printed document
JP5706647B2 (ja) 情報処理装置、およびその処理方法
Saleh et al. Evaluation of image forgery detection using multi-scale weber local descriptors
Chen et al. Detection of operation chain: JPEG-resampling-JPEG
Thajeel et al. A Novel Approach for Detection of Copy Move Forgery using Completed Robust Local Binary Pattern.
Hussain et al. Copy-move image forgery detection using multi-resolution weber descriptors
KR20140058643A (ko) 강건한 낮은 복잡도 비디오 핑거프린팅을 위한 장치 및 방법
CN102592151B (zh) 一种数字图像中值滤波的盲检测方法
Hakimi et al. Image-splicing forgery detection based on improved lbp and k-nearest neighbors algorithm
Böhme et al. Media forensics
Jarusek et al. Photomontage detection using steganography technique based on a neural network
CN103985078A (zh) 一种抗打印扫描图文混合的数字水印嵌入与提取方法
CN102819842A (zh) 基于条件共生概率矩阵的移位jpeg双压缩篡改盲检测方法
Celiktutan et al. Blind identification of cellular phone cameras
Cozzolino et al. PRNU-based forgery localization in a blind scenario

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20140806

Termination date: 20150113

EXPY Termination of patent right or utility model