CN105138984B - 基于多分辨率过冲效应度量的锐化图像识别方法 - Google Patents
基于多分辨率过冲效应度量的锐化图像识别方法 Download PDFInfo
- Publication number
- CN105138984B CN105138984B CN201510523083.7A CN201510523083A CN105138984B CN 105138984 B CN105138984 B CN 105138984B CN 201510523083 A CN201510523083 A CN 201510523083A CN 105138984 B CN105138984 B CN 105138984B
- Authority
- CN
- China
- Prior art keywords
- image
- msub
- point
- sharpening
- marginal
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/80—Recognising image objects characterised by unique random patterns
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于多分辨率过冲效应度量的锐化图像识别方法。主要解决现有的方法中无法识别纹理过于复杂的锐化图像，对轻度锐化图像存在漏判的问题。本发明可有效的识别经历过锐化操作的数字图像，可用于对互联网、法庭、新闻传媒等场合中的图像的真实性进行检测。其实现步骤是：(1)提取图像边缘；(2)非下采样轮廓波变换；(3)图像边缘点分类；(4)度量过冲效应；(5)决策融合锐化判定。本发明具有识别准确率高，空间复杂度低的优点。
Description
技术领域
本发明属于图像处理技术领域，更进一步涉及图像识别技术领域中的一种基于多分辨率过冲效应度量的锐化图像识别方法。本发明可有效的识别经历过锐化操作的数字图像，可用于对互联网、法庭、新闻传媒等场合中的图像的真实性进行检测。
背景技术
数字图像广泛应用于日常生活和工作当中，随着数字图像编辑软件的快速发展,越来越多的篡改图像出现在互联网传媒甚至法庭物证之中，严重影响了社会舆论的走向及司法的公正。这些问题促进了数字图像鉴别技术的发展，目前有三种技术手段可供使用：数字签名、数字水印以及数字图像盲取证技术。前两种方法要求内容的提供方必须对图像进行预处理，如插入数字水印或数字签名等。然而，在实际应用中，我们常常需要对没有预嵌入信息的图像进行真伪和来源的鉴别，这就是图像盲取证技术，它是一种新的图像篡改鉴别思路。为了判断一幅图像是否是经历过人为的篡改，各种类型的图像操作都必须经受检测。图像锐化作为一种常用的图像润饰手段，通常被篡改者用来减少甚至抹去之前篡改时所遗留的痕迹，因此对锐化图像的识别可以为图像篡改的鉴定提供间接证据。
G.Cao,Y.Zhao,R.Ni,和A.C.Kot在文献“Unsharp masking sharpeningdetection via overshoot artifacts analysis”(IEEE Signal Processing Letters,vol.18,no.10,pp.603–606,2011)中提出了一种基于图像边缘单像素带过冲强度度量的方法。该方法通过将整幅图像中所有边缘的过冲效应的平均强度与人为预设定阈值进行比较来判定一幅图像是否是锐化图像。该方法存在的不足之处是：没有考虑到过冲效应强度与图像边缘梯度之间的关系，只是简单的使用过冲效应的平均值来表征一幅图像的锐化程度，因而会对锐化程度较轻的锐化图像出现漏检，导致识别率不高。
F.Ding,G.Zhu,和Y.Shi在文献“A novel method for detecting imagesharpening based on local binary pattern”(in:Proceedings of InternationalWorkshop on Digital-Forensics and Watermarking,2013,pp.180–191)中提出了一种基于旋转不变LBP(local binary pattern)特征的锐化图像识别方法。该方法通过提取整幅图像的边缘点的旋转不变LBP特征来训练分类器并将之用于分类。该方法的不足之处是：对于纹理过于复杂的锐化图像来说，因为存在较多的边缘交叉点，导致旋转不变LBP特征无法有效的表征其过冲效应，因而会出现漏检，从而导致识别率不高。
F.Ding,G.Zhu,J.Yan,J.Xie,和Y.Shi在文献“Edge perpendicular binarycoding for USM sharpening detection”(IEEE Signal Processing Letters,vol.22,no.3,pp.327–331,2015)中提出了一种基于边缘垂直方向二进制编码特征(EPBC)的锐化识别方法。该方法通过提取整幅图像的边缘的EPBC特征来训练分类器并将之用于分类。该方法的不足之处是：EPBC特征无法很好的表征轻度的锐化操作，导致该方法对于锐化程度较轻的锐化图像有一定的漏检率。
发明内容
本发明的目的在于克服上述现有技术的不足，提出一种基于多分辨率过冲效应度量的锐化图像识别方法，以达到提高识别准确率，降低空间复杂度的目的。
实现本发明的技术思路是，使用非下采样轮廓波变换将图像已提取的边缘点分类为强边缘、次强边缘以及弱边缘点三类，分别计算三类图像边缘点的过冲效应的强度，最终通过决策融合来判定一幅测试图像是否是锐化图像，从而达到提高识别准确率的目的。
为实现上述目的，本发明包括如下主要步骤：
(1)提取图像边缘点：
(1a)对于待测试图像是彩色图像的，提取该待测试图像的亮度通道作为单通道图像，对于待测试图像是灰度图像的，对该单通道图像不进行任何处理；
(1b)利用卡尼Canny算子，对单通道图像进行边缘检测，得到该单通道图像的边缘图像；
(1c)在边缘图像中，以0°为起点，以45°为间隔选取8个方向的边缘，删除其中存在交叉点的边缘，得到图像边缘点集合；
(2)非下采样轮廓波变换：
使用非下采样轮廓波变换NSCT工具包，对单通道图像进行3层、每层8个方向的非下采样轮廓波变换，得到该图像在3层、每层8个方向上的分解系数；
(3)图像边缘点分类：
对于每一个图像边缘点，按照以下规则进行分类：
如果则将ei,j加入集合W；
如果则将ei,j加入集合M；
如果则将ei,j加入集合S；
其中，Φt(i,j)表示图像边缘点ei,j在第t层中的8个方向子带系数中的最大值，t表示分解系数所在的层，t的取值范围为{1,2,3}，(i,j)表示图像边缘点对应的坐标，i的取值范围为[1,M]，M表示边缘图像的长度，j的取值范围为[1,N]，N表示边缘图像的宽度，max表示取最大值操作，S、M、W分别表示初始化为空集的强、次强、弱图像边缘点集合；
(4)度量过冲效应：
(4a)抽取边际阶跃型边缘点；
(4b)计算边际阶跃型边缘点的过冲效应强度；
(4c)度量图像边缘点集合的过冲效应强度；
(5)对于每一个单通道图像，按照以下规则进行决策融合锐化判定：
(5a)如果fS＞τ1，判定为锐化图像，完成决策融合锐化判定，否则，执行步骤(5b)；
(5b)如果τ2＜fS≤τ1并且rW＞r0，判定为锐化图像，完成决策融合锐化判定，否则，执行步骤(5c)；
(5c)如果τ2＜fS≤τ1并且rW≤r0，判定为非锐化图像，完成决策融合锐化判定，否则，执行步骤(5d)；
(5d)如果fS≤τ2，判定为非锐化图像，完成决策融合锐化判定；
其中，fS表示图像边缘点集合S的过冲效应的强度，τ1表示强锐化阈值，τ1的取值范围为[17,20]中的实数，τ2表示弱锐化阈值，τ2的取值范围为[13,15]中的实数，rW表示图像边缘点集合W的维数与总图像边缘点数的比值，r0表示弱锐化点比例阈值，r0的取值范围为[0.25,0.35]中的实数。
本发明与现有技术相比具有如下优点：
第一，本发明由于在计算过程中删除了存在交叉的边缘点以及过冲效应过于弱的边缘点，克服了现有技术无法识别纹理过于复杂的锐化图像的问题，使得本发明对图像边缘点的过冲效应的度量更加精确，提高了识别锐化图像的准确率。
第二，本发明由于分别对每一类图像边缘点集合的过冲效应进行度量，并通过决策融合来判定图像是否经历过锐化操作，克服了过冲效应强度较低的边缘像素点不能被识别的问题，解决了轻度锐化图像的漏检问题。
第三，本发明不需要进行特征提取以及分类器训练，从而降低了时间以及空间复杂度。
附图说明
图1为本发明的流程图。
具体实施方式
下面结合附图1，对本发明实现的步骤作进一步的详细描述。
步骤1，提取图像边缘点。
对于待测试图像是彩色图像的，提取该待测试图像的亮度通道作为单通道图像，对于待测试图像是灰度图像的，对该单通道图像将不进行任何处理。
利用卡尼Canny算子，对单通道图像进行边缘检测，得到该单通道图像的边缘图像。
在边缘图像中，以0°为起点，以45°为间隔选取8个方向的边缘，删除其中存在交叉点的边缘，得到图像边缘点集合。
步骤2，非下采样轮廓波变换。
使用非下采样轮廓波变换NSCT工具包，对单通道图像进行3层、每层8个方向的非下采样轮廓波变换，得到该图像在3层、每层8个方向上的分解系数。
步骤3，图像边缘点分类。
在图像处理中，我们一般将图像边缘点分为三类：阶跃型、房顶型、凸圆型。三类边缘点处的灰度变化程度依次递减，阶跃性点灰度变化大，凸圆型点的灰度变化小，按照这个分类，对于每一个图像边缘点，按照以下规则进行分类：
如果则将ei,j加入集合W；
如果则将ei,j加入集合M；
如果则将ei,j加入集合S；
其中，Φt(i,j)表示图像边缘点ei,j在第t层中的8个方向子带系数中的最大值，t表示分解系数所在的层，t的取值范围为{1,2,3}，(i,j)表示图像边缘点对应的坐标，i的取值范围为[1,M]，M表示边缘图像的长度，j的取值范围为[1,N]，N表示边缘图像的宽度，max表示取最大值操作，S、M、W分别表示初始化为空集的强、次强、弱图像边缘点集合。
步骤4，度量过冲效应。
以每一个图像边缘点为中心原点，提取与其所在边缘方向垂直的单像素带。
按照以下约束条件，从图像边缘点集合中抽取边际阶跃型边缘点：
其中，μl和μr分别表示位于单像素带中[-7,-1]和[1,7]区间内的像素点的灰度值的均值，σl和σr分别表示位于单像素带中[-7,-1]和[1,7]区间内的像素点的灰度值的方差，|·|表示取绝对值操作，or表示或操作。
按照以下公式，计算边际阶跃型边缘点的过冲效应强度：
其中，di表示边际阶跃型边缘点的过冲效应强度，i表示边际阶跃型边缘点的序号，max表示取最大值操作，n表示单像素中的像素点的序号，n1和n2分别表示沿着单像素带搜索式检测到的第一次和第二次一阶微分极性改变的位置，∈表示属于符号，yi(n)表示边际阶跃型边缘点i所在的单像素带的灰度值序列，w表示单像素带的单侧长度。
删除图像边缘点集合S、M、W中所有过冲效应的强度小于11的边际阶跃型边缘点。
分别计算图像边缘点集合S、M、W中剩余的边际阶跃型边缘点的过冲效应强度的平均值，作为图像边缘点集合S、M、W的过冲效应的强度。
步骤5，对于每一个单通道图像，按照以下规则进行决策融合锐化判定。
对于一些内容过于单一的锐化图像，图像边缘点集合W的维度较高且过冲效应的强度较弱，为了兼顾这些图像，本发明最终提出的决策融合锐化判定方法如下所示。
第1步，如果fS＞τ1，判定为锐化图像，完成决策融合锐化判定，否则，执行第2步；
第2步，如果τ2＜fS≤τ1并且rW＞r0，判定为锐化图像，完成决策融合锐化判定，否则，执行第3步；
第3步，如果τ2＜fS≤τ1并且rW≤r0，判定为非锐化图像，完成决策融合锐化判定，否则，执行第4步；
第4步，如果fS≤τ2，判定为非锐化图像，完成决策融合锐化判定；
其中，fS表示图像边缘点集合S的过冲效应的强度，τ1表示强锐化阈值，τ1的取值范围为[17,20]中的实数，τ2表示弱锐化阈值，τ2的取值范围为[13,15]中的实数，rW表示图像边缘点集合W的维数与总图像边缘点数的比值，r0表示弱锐化点比例阈值，r0的取值范围为[0.25,0.35]中的实数。
本发明的效果可以通过以下仿真实验做进一步的说明。
1.仿真条件：
本发明的仿真实验是在中央处理器为Intel(R)Core i3-530 2.93GHZ、内存4G、WINDOWS 7操作系统上，运用MATLAB软件进行的。
2.仿真内容：
为评估所提出的锐化图像识别方法，本发明的仿真实验采用以下UCID数据库、NRCS数据库、BOWS2数据库。
UCID数据库：Uncompressed Color Image Database(UCID)数据库包含1338幅未经压缩的TIFF格式彩色图像，图像大小为512×384，图像内容涉及室外自然图像和室内人工物体。
NRCS数据库：Natural resource conservation service photo gallery(NRCS)数据库由美国农业部提供，主要内容为室外自然图像，格式为CMYK TIFF无压缩格式，我们随机下载1338张图像，图像大小为2100×1500。我们裁剪图像中心512×512大小的区域作为测试图像。
BOWS2数据库：Break Our Watermarking System database(BOWS2)包含10000张大小为512×512的灰度图像，内容包含室外自然图像和室内人工物体。本发明随机选择1338张作为测试图像。
由于所设计的锐化图像识别方法适用于单通道图像，对于上述的UCID数据库和NRCS数据库，本发明提取库中图像的亮度通道作为单通道图像。实验参数经过统计性实验进行选取，相关参数可以设置为：弱锐化点比例阈值r0＝0.31，强锐化阈值τ1＝18，弱锐化阈值τ2＝14.5。本发明分别测试两种图像锐化方式，其中第一种为反锐化掩模锐化：
其中，M表示锐化核，eo(x)表示图像边缘，表示卷积操作，g(x,σb)表示低通高斯核。另一种锐化方式为高通滤波锐化：
其中，M表示锐化核，eo(x)表示图像边缘，hsharp(x,σs)为高通滤波核。
锐化操作可以表示为：
es(x)＝eo(x)+λM.
其中，λ表示增益因子，es(x)表示锐化后的信号。在本发明的仿真实验中，对于反锐化掩模锐化本发明采用0均值高斯核，测试不同的λ与σb对结果的影响。对于高通滤波锐化本发明采用拉普拉斯Laplician核[-1,-1,-1；-1,8,-1；-1,-1,-1]，测试不同λ对结果的影响。
评测标准：本发明使用识别准确率Accuracy为指标对性能进行评测，通过以下公式计算：
其中，P表示锐化图像，N表示原始图像，真阳率TP表示将锐化图像识别正确识别为锐化图像的数目，真阴率TN表示将原始图像正确识别为原始图像的数目，对比实验结果如下述的三个表所示。
表1 UCID数据库上四种方法的识别准确率比较表
表2 NRCS数据库上四种方法的识别准确率比较表
表3 BOWS2数据库上四种方法的识别准确率比较表
其中，表1、2、3分别表示UCID、NRCS、BOWS2数据库上四种方法的识别正确率。表中的OSAA表示采用本发明背景技术中所描述的由G.Cao等人提出的基于图像边缘单像素带过冲强度度量的锐化图像识别方法，RILBP表示采用本发明背景技术中所描述的由F.Ding等人提出的基于旋转不变LBP特征的锐化图像识别方法，EPBC表示采用本发明背景技术中所描述的由F.Ding等人提出的基于边缘垂直方向二进制编码特征的锐化图像识别方法，MSOA表示本发明提出的锐化图像识别方法。λ与σb表示反锐化掩模锐化的参数，Laplician表示高通滤波锐化，λ表示高通滤波锐化的参数。
由表1、2、3可见，在UCID数据库、NRCS数据库、BOWS2数据库上进行锐化图像识别实验，在不同的锐化方式下，本发明的识别准确率较三个对比方法更加接近于1，所以本发明是四种方法中效果最好的。这是因为本发明充分考虑了图像锐化操作对图像不同强度边缘所产生的过冲效应的强度不同，所以克服了轻度锐化图像的漏检问题，由此获得在识别准确率上优于其他图像锐化识别方法的效果，进一步验证了本发明的先进性。
Claims (4)
1.一种基于多分辨率过冲效应度量的锐化图像识别方法，包括如下步骤：
(1)提取图像边缘点：
(1a)对于待测试图像是彩色图像的，提取该待测试图像的亮度通道作为单通道图像，对于待测试图像是灰度图像的，对该单通道图像不进行任何处理；
(1b)利用卡尼Canny算子，对单通道图像进行边缘检测，得到该单通道图像的边缘图像；
(1c)在边缘图像中，以0°为起点，以45°为间隔选取8个方向的边缘，删除其中存在交叉点的边缘，得到图像边缘点集合；
(2)非下采样轮廓波变换：
使用非下采样轮廓波变换NSCT工具包，对单通道图像进行3层、每层8个方向的非下采样轮廓波变换，得到该图像在3层、每层8个方向上的分解系数；
(3)图像边缘点分类：
对于每一个图像边缘点，按照以下规则进行分类：
如果则将ei,j加入集合W；
如果则将ei,j加入集合M；
如果则将ei,j加入集合S；
其中，Φt(i,j)表示图像边缘点ei,j在第t层中的8个方向子带系数中的最大值，t表示分解系数所在的层，t的取值范围为{1,2,3}，(i,j)表示图像边缘点对应的坐标，i的取值范围为[1,M]，M表示边缘图像的长度，j的取值范围为[1,N]，N表示边缘图像的宽度，max表示取最大值操作，S、M、W分别表示初始化为空集的强、次强、弱图像边缘点集合；
(4)度量过冲效应：
(4a)抽取边际阶跃型边缘点；
(4b)计算边际阶跃型边缘点的过冲效应强度；
(4c)度量图像边缘点集合的过冲效应强度；
(5)对于每一个单通道图像，按照以下规则进行决策融合锐化判定：
(5a)如果fS＞τ1，判定为锐化图像，完成决策融合锐化判定，否则，执行步骤(5b)；
(5b)如果τ2＜fS≤τ1并且rW＞r0，判定为锐化图像，完成决策融合锐化判定，否则，执行步骤(5c)；
(5c)如果τ2＜fS≤τ1并且rW≤r0，判定为非锐化图像，完成决策融合锐化判定，否则，执行步骤(5d)；
(5d)如果fS≤τ2，判定为非锐化图像，完成决策融合锐化判定；
其中，fS表示图像边缘点集合S的过冲效应的强度，τ1表示强锐化阈值，τ1的取值范围为[17,20]中的实数，τ2表示弱锐化阈值，τ2的取值范围为[13,15]中的实数，rW表示图像边缘点集合W的维数与总图像边缘点数的比值，r0表示弱锐化点比例阈值，r0的取值范围为[0.25,0.35]中的实数。
2.根据权利要求1所述的基于多分辨率过冲效应度量的锐化图像识别方法，其特征在于，步骤(4a)所述抽取边际阶跃型边缘点的步骤如下：
第1步，以每一个图像边缘点为中心原点，提取与其所在边缘方向垂直的单像素带；
第2步，按照以下约束条件，从图像边缘点集合中抽取边际阶跃型边缘点：
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mo>|</mo>
<msub>
<mi>&mu;</mi>
<mi>l</mi>
</msub>
<mo>-</mo>
<msub>
<mi>&mu;</mi>
<mi>r</mi>
</msub>
<mo>|</mo>
<mo>></mo>
<mn>100</mn>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>&sigma;</mi>
<mi>l</mi>
</msub>
<mo><</mo>
<mn>10</mn>
<mi> </mi>
<mi>o</mi>
<mi>r</mi>
<mi> </mi>
<msub>
<mi>&sigma;</mi>
<mi>r</mi>
</msub>
<mo><</mo>
<mn>10</mn>
</mtd>
</mtr>
</mtable>
</mfenced>
其中，μl和μr分别表示位于单像素带中[-7,-1]和[1,7]区间内的像素点的灰度值的均值，σl和σr分别表示位于单像素带中[-7,-1]和[1,7]区间内的像素点的灰度值的方差，|·|表示取绝对值操作，or表示或操作。
3.根据权利要求1所述的基于多分辨率过冲效应度量的锐化图像识别方法，其特征在于，步骤(4b)所述边际阶跃型边缘点的过冲效应强度是根据如下公式计算得到：
<mrow>
<msub>
<mi>d</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<munder>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
<mrow>
<mi>n</mi>
<mo>&Element;</mo>
<mo>&lsqb;</mo>
<msub>
<mi>n</mi>
<mn>2</mn>
</msub>
<mo>,</mo>
<msub>
<mi>n</mi>
<mn>1</mn>
</msub>
<mo>&rsqb;</mo>
</mrow>
</munder>
<mo>{</mo>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>}</mo>
<mo>-</mo>
<munder>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
<mrow>
<mi>n</mi>
<mo>&Element;</mo>
<mo>&lsqb;</mo>
<mo>-</mo>
<mi>w</mi>
<mo>,</mo>
<msub>
<mi>n</mi>
<mn>2</mn>
</msub>
<mo>&rsqb;</mo>
</mrow>
</munder>
<mo>{</mo>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>}</mo>
</mrow>
其中，di表示边际阶跃型边缘点的过冲效应强度，i表示边际阶跃型边缘点的序号，max表示取最大值操作，n表示单像素中的像素点的序号，n1和n2分别表示沿着单像素带搜索式检测到的第一次和第二次一阶微分极性改变的位置，∈表示属于符号，yi(n)表示边际阶跃型边缘点i所在的单像素带的灰度值序列，w表示单像素带的单侧长度。
4.根据权利要求1所述的基于多分辨率过冲效应度量的锐化图像识别方法，其特征在于，步骤(4c)所述度量图像边缘点集合的过冲效应强度的步骤如下：
第1步，删除图像边缘点集合S、M、W中所有过冲效应的强度小于11的边际阶跃型边缘点；
第2步，分别计算图像边缘点集合S、M、W中剩余的边际阶跃型边缘点的过冲效应强度的平均值，作为图像边缘点集合S、M、W的过冲效应的强度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510523083.7A CN105138984B (zh) | 2015-08-24 | 2015-08-24 | 基于多分辨率过冲效应度量的锐化图像识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510523083.7A CN105138984B (zh) | 2015-08-24 | 2015-08-24 | 基于多分辨率过冲效应度量的锐化图像识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105138984A CN105138984A (zh) | 2015-12-09 |
| CN105138984B true CN105138984B (zh) | 2018-05-15 |
Family
ID=54724328
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510523083.7A Active CN105138984B (zh) | 2015-08-24 | 2015-08-24 | 基于多分辨率过冲效应度量的锐化图像识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105138984B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110298834B (zh) * | 2019-07-01 | 2021-03-23 | 中国电子科技集团公司第十三研究所 | 像素级边缘效应的修正方法及终端设备 |
| CN112862851B (zh) * | 2021-01-18 | 2021-10-15 | 网娱互动科技(北京)股份有限公司 | 一种基于图像识别技术的自动抠图方法及系统 |
| CN116935200B (zh) * | 2023-09-19 | 2023-12-19 | 南京信息工程大学 | 面向审计的图像篡改检测方法、系统、设备及存储介质 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103079038A (zh) * | 2013-01-07 | 2013-05-01 | 华为终端有限公司 | 图像锐化处理方法、装置和拍摄终端 |
-
2015
- 2015-08-24 CN CN201510523083.7A patent/CN105138984B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103079038A (zh) * | 2013-01-07 | 2013-05-01 | 华为终端有限公司 | 图像锐化处理方法、装置和拍摄终端 |
Non-Patent Citations (2)
| Title |
|---|
| Adaptive Sharpening with Overshoot Control;A Buemi 等;《Image Analysis & Processing-iciap, International Conference Vietri Sul Mare, Italy, September》;20080930;第5716卷(第6812期);全文 * |
| 基于仿射协变区域的抗几何攻击图像水印算法;邓成 等;《自动化学报》;20100228;第36卷(第2期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105138984A (zh) | 2015-12-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Iakovidou et al. | Content-aware detection of JPEG grid inconsistencies for intuitive image forensics | |
| Kang et al. | Robust median filtering forensics using an autoregressive model | |
| CN105608456B (zh) | 一种基于全卷积网络的多方向文本检测方法 | |
| CN101142584B (zh) | 面部特征检测的方法 | |
| Bu et al. | Crack detection using a texture analysis-based technique for visual bridge inspection | |
| CN108268867B (zh) | 一种车牌定位方法及装置 | |
| CN108875600A (zh) | 一种基于yolo的车辆信息检测和跟踪方法、装置及计算机存储介质 | |
| CN106778788A (zh) | 对图像进行美学评价的多特征融合方法 | |
| Sulaiman et al. | Development of automatic vehicle plate detection system | |
| CN106228129A (zh) | 一种基于matv特征的人脸活体检测方法 | |
| CN106991421A (zh) | 一种身份证信息提取系统 | |
| CN103116763A (zh) | 一种基于hsv 颜色空间统计特征的活体人脸检测方法 | |
| CN101702197A (zh) | 一种道路交通标志的检测方法 | |
| CN107818321A (zh) | 一种用于车辆年检的水印日期识别方法 | |
| CN101916442A (zh) | 一种利用glcm特征的篡改图像鲁棒定位方法 | |
| CN104244016B (zh) | 一种h264视频内容篡改检测方法 | |
| CN105138984B (zh) | 基于多分辨率过冲效应度量的锐化图像识别方法 | |
| CN106557740A (zh) | 一种遥感图像中油库目标的识别方法 | |
| CN103886319A (zh) | 一种基于机器视觉的举牌智能识别方法 | |
| CN113393454A (zh) | 活检组织中病理目标实例分割方法和装置 | |
| CN105512622A (zh) | 一种基于图分割和监督学习的可见光遥感图像海陆分割方法 | |
| CN107392115B (zh) | 一种基于分层特征提取的交通标志识别方法 | |
| Thomas et al. | Smart car parking system using convolutional neural network | |
| CN115100656A (zh) | 空白答题卡识别方法、系统、存储介质及计算机设备 | |
| CN104268509A (zh) | 泥头车车牌检测的方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |