CN106056122B - 一种基于kaze特征点的图像区域复制粘贴篡改检测方法 - Google Patents
一种基于kaze特征点的图像区域复制粘贴篡改检测方法 Download PDFInfo
- Publication number
- CN106056122B CN106056122B CN201610364999.7A CN201610364999A CN106056122B CN 106056122 B CN106056122 B CN 106056122B CN 201610364999 A CN201610364999 A CN 201610364999A CN 106056122 B CN106056122 B CN 106056122B
- Authority
- CN
- China
- Prior art keywords
- point
- image
- matrix
- characteristic point
- feature
- 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
- 238000000034 method Methods 0.000 title claims abstract description 30
- 239000011159 matrix material Substances 0.000 claims abstract description 43
- 239000013598 vector Substances 0.000 claims abstract description 25
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims abstract description 24
- 230000009466 transformation Effects 0.000 claims abstract description 18
- 238000000605 extraction Methods 0.000 claims abstract description 7
- 230000011218 segmentation Effects 0.000 claims abstract description 4
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 230000004044 response Effects 0.000 claims description 6
- 239000000654 additive Substances 0.000 claims description 5
- 230000000996 additive effect Effects 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 5
- 238000013100 final test Methods 0.000 claims description 5
- 230000000877 morphologic effect Effects 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- HUTDUHSNJYTCAR-UHFFFAOYSA-N ancymidol Chemical compound C1=CC(OC)=CC=C1C(O)(C=1C=NC=NC=1)C1CC1 HUTDUHSNJYTCAR-UHFFFAOYSA-N 0.000 claims description 3
- 238000009792 diffusion process Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 13
- 238000005516 engineering process Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 5
- 230000010076 replication Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于KAZE特征点的图像区域复制粘贴篡改检测方法。首先对彩色图像提取KAZE特征点,然后将这些特征点用64维特征向量描述。接下来计算每个特征向量和剩下特征向量之间的欧式距离,利用最近邻距离和次近邻距离之间的比值,找到相似的特征向量,作为匹配对。然后使用SLIC算法对图像进行语义分割,滤除错误的匹配对。通过匹配对在图像中的位置关系,使用迭代的思想,估计篡改区域之间的仿射变换关系,得到仿射矩阵。最后通过仿射矩阵,计算原始图像和变换后图像之间的相关系数图,并且定位篡改区域。本发明使用了一种新型的特征点提取算法,并且使用迭代的方法求仿射矩阵,具有很好的检测准确率。
Description
技术领域
本发明涉及图像数字取证技术领域,更具体地,涉及一种基于KAZE特征点的图像复制粘贴篡改检测方法。
背景技术
近年来,计算机网络、多媒体技术发展迅速,高清数码相机、智能手机等广泛普及。大量的图像编辑软件,如Photoshop等,使得人们可以越来越容易的编辑、修改图像。而在许多场合,例如司法、新闻出版、科学研究中,我们又急需保证图像的完整性、真实性和可靠性,于是数字取证技术应运而生。
数字取证技术分为主动取证技术和被动取证技术。主动取证技术需要事先在图像中添加验证信息,包括两种主要的研究方向,第一种是基于数字水印的认证,第二种是基于数字签名的认证。而被动取证技术无需添加任何的辅助信息,如水印或摘要等,只需要根据待检测图像本身所具有的性质,便可以实现篡改认证,因此实用性很强。
图像复制粘贴篡改检测是被动取证中的一个重要分支,主要用于检测图像中是否存在区域复制行为,即将图像中的一部分拷贝出来,然后粘贴到该幅图像的另外一部分区域。该篡改操作可以隐藏图像中的重要目标或者伪造不存在的目标,操作简单,因此被很多人士用来实现图像篡改。图像篡改的过程中往往包括旋转、缩放、模糊、加噪等操作,人们很难通过肉眼判断一幅图像是否经过了复制粘贴篡改。因此,一个好的检测算法应能够考虑到这些干扰措施,并能够精确定位篡改区域。
现有的复制粘贴检测技术主要分为两种:基于块方法和基于特征点方法。基于块方法由于对旋转、缩放等情况适用性不强,计算复杂度高等缺点,在实际应用中逐渐不再被使用。目前主流的是基于特征点的检测方法,它们之间最主要的差别是图像特征点的选取、匹配和定位过程。
发明内容
本发明提供一种基于KAZE特征点的图像复制粘贴篡改检测方法,能够有效检测图像中的复制粘贴行为,并能够精确定位篡改区域。在应对复制区域旋转、缩放等几何变换情况下,本发明依旧具有很好的检测效果。
为了达到上述技术效果,本发明的技术方案如下:
一种基于KAZE特征点的图像区域复制粘贴篡改检测方法,包括以下步骤:
S1:KAZE特征点提取:对于待检测的图像,采用加性算子分裂算法(AdditiveOperator Splitting,AOS)算法和可变传导扩散方法来构造非线性尺度空间。然后检测感兴趣特征点,这些特征点在非线性尺度空间上经过尺度归一化后的Hessian矩阵行列式是局部极大值(3×3邻域)。
S2:特征点描述:根据S1得到的特征点,若特征点的尺度参数为σi,则搜索半径设为6σi。对搜索圈内所有邻点的一阶微分值Lx和Ly通过高斯加权,使得靠近特征点的响应贡献大,而远离特征点的响应贡献小。将这些微分值视作向量空间中的点集,在一个角度为π/3的扇形滑动窗口内对点集进行向量叠加,遍历整个圆形区域。获得最长向量的角度就是主方向。在梯度图像上以特征点为中心取24σi×24σi的窗口,并将窗口划分为4×4子区域,在每个子区域上进行高斯核加权,然后计算出长度为4的子区域描述向量dv=(∑Lx,∑Ly,∑|Lx|,∑|Ly|),再通过另一个大小为4×4的高斯窗口对每个子区域的向量dv进行加权,最后进行归一化处理,得到4×4×4=64维的描述向量;
S3:特征匹配:对于S2中提取出来的每个特征,计算其与其它所有特征向量之间的欧式距离,并按照从小到大排序。计算最近邻d1和次近邻d2之间的比值,如果比值小于0.5,则认为距离为d1的两个特征匹配;
S4:错误匹配对滤除:使用SLIC算法对输入的彩色图像进行语义分割,得到有意义的图像块。统计每个块中匹配特征点的个数Npoint,如果Npoint小于3,则将块中的特征点连同其匹配点判断为离异点并删除;
S5:仿射矩阵估计:任取三对不共线的匹配对,计算它们之间的仿射变换矩阵Ti,并将剩下的匹配点根据Ti进行变换,计算变换前后匹配点对之间的误差。如果误差小于β,则这个矩阵Ti获得一票。将前述步骤迭代多次,每次选出得票数最多的矩阵,直到最后剩下的矩阵票数不超过5为止。
S6:可疑区域定位:对于原始图像I,使用S5得到的仿射矩阵进行坐标变换,得到变换后的图像M。计算原始图像与变换后图像相应位置之间的相关系数,得到代表相似度的相关系数图。相关系数的取值范围在[0,1]之间,值越大代表越相似。对于得到的相关系数图进行二值化处理,二值化阈值为0.55。如果相关系数值大于0.55,则认为本位置的点为可疑点,其二值图相应位置的值设为1,否则设为0。最后将得到的二值图进行形态学操作以滤除杂乱点,生成最终的检测结果图。
本发明中,首次使用了KAZE特征作为图像特征点的提取方法来进行复制粘贴篡改检测。KAZE特征是在彩色图像中提取的,而实际中的篡改图像也基本上都是彩色的。提取出来的KAZE特征具有很好的旋转和尺度不变性,能够应对一定程度的噪声干扰和模糊处理,且稳定、可重复检测,提取时间也比较快。
进一步地,所述步骤S1中非线性尺度空间构造过程如下:
将图像金字塔分为O组,每组有S层,不同的组和层通过序号o和s来标记,并且通过下面的公式来计算尺度参数σ:
公式(1)中,σ0是初始尺度,N=O*S是整个尺度空间包含的图像总数。然后将以像素为单位的尺度参数σi转换至时间单位,为了简便,将σi(o,s)写成σi,转换映射公式如下:
其中ti为进化时间。对于一幅输入图像,KAZE算法首先对其进行高斯滤波;然后计算图像的梯度直方图,从而获取对比度参数K;根据一组进化时间,利用AOS算法即可得到非线性尺度空间的所有图像:
在公式(3)中,Al表示图像在各个维度l上传导性的矩阵,Li表示在尺度i上的图像亮度,I表示单位矩阵。
进一步地,所述步骤S5的仿射矩阵估计过程如下:
对于匹配的两个点,X=(x,y)和它们之间的仿射变换关系表示成下面的形式:
在公式(4)中,a,b,c,d,tx,ty是待定系数,T是要求的仿射矩阵。使用三对非共线的匹配对,代入到公式(4)中即可求得T。在实际的求解时,对于给定的一系列点(X1,X2,…,Xn)和它对应的匹配点寻找满足要求的T,使得总误差最小,误差计算公式如下:
每次计算都会得到一个仿射变换矩阵Ti,并将剩下的匹配点根据Ti进行变换,计算变换前后匹配点对之间的误差。如果误差小于β,则这个矩阵Ti获得一票。将前述步骤迭代多次,每次选出得票数最多的矩阵,直到最后剩下的矩阵票数不超过5为止。
进一步地,所述步骤S6的可疑区域定位过程如下:
根据S5得到的仿射矩阵T,将原始图像I的每一个坐标位置进行仿射变换,新坐标位置的像素值由原始图像相应的像素值代替,这样得到变换后的图像M。计算它们对应位置x之间的相关系数c(x),计算公式如下:
公式(6)中,Ω(x)是以x为中心的7×7区域,I(u)和M(μ)是相应位置的像素值,和是7×7区域的平均像素值。相关系数c(x)的取值范围在[0,1]之间,值越大代表越相似。然后对于得到的相关系数图进行二值化处理,二值化的阈值为0.55。如果相关系数值大于0.55,则认为本位置的点为可疑点,其二值图相应位置的值设为1,否则设为0。最后将得到的二值图进行形态学操作以滤除杂乱点,生成最终的检测结果图。
与现有技术相比,本发明技术方案的有益效果是:
本发明选取KAZE特征作为图像特征提取算法,相比于传统的特征提取,能够更好地应对旋转、缩放、JPEG压缩、添加噪声等情况,鲁棒性更高。由于匹配时只需要对有限个特征点进行相似匹配,相比于传统的基于块检测算法,速度更快,实用性更强。本发明利用迭代的思想求取仿射变换矩阵,能够应对多重复制的篡改操作。
附图说明
图1为本发明方法的步骤流程图;
图2为本发明方法的复制粘贴篡改检测实际效果图。
具体实施方式
附图仅用于示例性说明,不能理解为对本专利的限制;
为了更好说明本实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;
对于本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
如图1所示,一种基于KAZE特征点的图像区域复制粘贴篡改检测方法,包括以下步骤:
S1:KAZE特征点提取:对于待检测的图像,采用加性算子分裂算法(AdditiveOperator Splitting,AOS)算法和可变传导扩散方法来构造非线性尺度空间。然后检测感兴趣特征点,这些特征点在非线性尺度空间上经过尺度归一化后的Hessian矩阵行列式是局部极大值(3×3邻域)。
S2:特征点描述:根据S1得到的特征点,若特征点的尺度参数为σi,则搜索半径设为6σi。对搜索圈内所有邻点的一阶微分值Lx和Ly通过高斯加权,使得靠近特征点的响应贡献大,而远离特征点的响应贡献小。将这些微分值视作向量空间中的点集,在一个角度为π/3的扇形滑动窗口内对点集进行向量叠加,遍历整个圆形区域。获得最长向量的角度就是主方向。在梯度图像上以特征点为中心取24σi×24σi的窗口,并将窗口划分为4×4子区域,在每个子区域上进行高斯核加权,然后计算出长度为4的子区域描述向量dv=(∑Lx,∑Ly,∑|Lx|,∑|Ly|),再通过另一个大小为4×4的高斯窗口对每个子区域的向量dv进行加权,最后进行归一化处理,得到4×4×4=64维的描述向量;
S3:特征匹配:对于S2中提取出来的每个特征,计算其与其它所有特征向量之间的欧式距离,并按照从小到大排序。计算最近邻d1和次近邻d2之间的比值,如果比值小于0.5,则认为距离为d1的两个特征匹配;
S4:错误匹配对滤除:使用SLIC算法对输入的彩色图像进行语义分割,得到有意义的图像块。统计每个块中匹配特征点的个数Npoint,如果Npoint小于3,则将块中的特征点连同其匹配点判断为离异点并删除;
S5:仿射矩阵估计:任取三对不共线的匹配对,计算它们之间的仿射变换矩阵Ti,并将剩下的匹配点根据Ti进行变换,计算变换前后匹配点对之间的误差。如果误差小于β,则这个矩阵Ti获得一票。将前述步骤迭代多次,每次选出得票数最多的矩阵,直到最后剩下的矩阵票数不超过5为止。
S6:可疑区域定位:对于原始图像I,使用S5得到的仿射矩阵进行坐标变换,得到变换后的图像M。计算原始图像与变换后图像相应位置之间的相关系数,得到代表相似度的相关系数图。相关系数的取值范围在[0,1]之间,值越大代表越相似。对于得到的相关系数图进行二值化处理,二值化阈值为0.55。如果相关系数值大于0.55,则认为本位置的点为可疑点,其二值图相应位置的值设为1,否则设为0。最后将得到的二值图进行形态学操作以滤除杂乱点,生成最终的检测结果图。
如图2所示,该基于KAZE特征点的图像区域复制粘贴篡改检测方法的实验效果。图2(a)为待检测的图像,篡改区域在图中用粗线标出;图2(b)为本发明算法的实际检测效果图,从图中可以明显地看出篡改区域被精确地标定出。
相同或相似的标号对应相同或相似的部件;
附图中描述位置关系的用于仅用于示例性说明,不能理解为对本专利的限制;
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (4)
1.一种基于KAZE特征点的图像区域复制粘贴篡改检测方法,其特征在于,包括以下步骤:
S1:KAZE特征点提取:对于待检测的图像,采用加性算子分裂算法AOS算法和可变传导扩散方法来构造非线性尺度空间,然后检测感兴趣特征点,这些特征点在非线性尺度空间上经过尺度归一化后的Hessian矩阵行列式是局部极大值;
S2:特征点描述:根据步骤S1得到的特征点,若特征点的尺度参数为σi,则搜索半径设为6σi;对搜索圈内所有邻点的一阶微分值Lx和Ly通过高斯加权,使得靠近特征点的响应贡献大,而远离特征点的响应贡献小;将这些微分值视作向量空间中的点集,在一个角度为π/3的扇形滑动窗口内对点集进行向量叠加,遍历整个圆形区域;获得最长向量的角度就是主方向;在梯度图像上以特征点为中心取24σi×24σi的窗口,并将窗口划分为4×4子区域,在每个子区域上进行高斯核加权,然后计算出长度为4的子区域描述向量dv=(∑Lx,∑Ly,∑|Lx|,∑|Ly|),再通过另一个大小为4×4的高斯窗口对每个子区域的向量dv进行加权,最后进行归一化处理,得到4×4×4=64维的描述向量;
S3:特征匹配:对于步骤S2中提取出来的每个特征,计算其与其它所有特征向量之间的欧式距离,并按照从小到大排序;计算最近邻d1和次近邻d2之间的比值,如果比值小于0.5,则认为距离为d1的两个特征匹配;
S4:错误匹配对滤除:使用SLIC算法对输入的彩色图像进行语义分割,得到有意义的图像块;统计每个块中匹配特征点的个数Npoint,如果Npoint小于3,则将块中的特征点连同其匹配点判断为离异点并删除;
S5:仿射矩阵估计:任取三对不共线的匹配对,计算它们之间的仿射变换矩阵Ti,并将剩下的匹配点根据Ti进行变换,计算变换前后匹配点对之间的误差;如果误差小于β,则这个矩阵Ti获得一票;将前述步骤迭代多次,每次选出得票数最多的矩阵,直到最后剩下的矩阵票数不超过5为止;
S6:可疑区域定位:对于原始图像I,使用步骤S5得到的仿射矩阵进行坐标变换,得到变换后的图像M;计算原始图像与变换后图像相应位置之间的相关系数,得到代表相似度的相关系数图;相关系数的取值范围在[0,1]之间,值越大代表越相似;对于得到的相关系数图进行二值化处理,二值化阈值为0.55;如果相关系数值大于0.55,则认为本位置的点为可疑点,其二值图相应位置的值设为1,否则设为0;最后将得到的二值图进行形态学操作以滤除杂乱点,生成最终的检测结果图。
2.根据权利要求1所述的基于KAZE特征点的图像区域复制粘贴篡改检测方法,其特征在于,所述步骤S1中非线性尺度空间构造过程如下:
将图像金字塔分为O组,每组有S层,不同的组和层通过序号o和s来标记,并且通过下面的公式来计算尺度参数σi(o,s):
公式(1)中,σ0是初始尺度,N=O*S是整个尺度空间包含的图像总数;然后将以像素为单位的尺度参数σi转换至时间单位,为了简便,将σi(o,s)写成σi,转换映射公式如下:
其中ti为进化时间;对于一幅输入图像,KAZE算法首先对其进行高斯滤波;然后计算图像的梯度直方图,从而获取对比度参数K;根据一组进化时间,利用AOS算法即可得到非线性尺度空间的所有图像:
其中,m代表空间的维数,Al表示图像在各个维度l上传导性的矩阵,Li表示在尺度i上的图像亮度,I表示单位矩阵。
3.根据权利要求1所述的基于KAZE特征点的图像区域复制粘贴篡改检测方法,其特征在于,所述步骤S5的仿射矩阵估计过程如下:
对于匹配的两个点,X=(x,y)和它们之间的仿射变换关系表示成下面的形式:
在公式(4)中,a,b,c,d,tx,ty是待定系数,T是要求的仿射矩阵;使用三对非共线的匹配对,代入到公式(4)中即可求得T;在实际的求解时,对于给定的一系列点(X1,X2,...,Xn)和它对应的匹配点寻找满足要求的T,使得总误差最小,误差计算公式如下:
其中,n表示特征点匹配对的数量,每次计算都会得到一个仿射变换矩阵Ti,并将剩下的匹配点根据Ti进行变换,计算变换前后匹配点对之间的误差;如果误差小于β,则这个矩阵Ti获得一票;将前述步骤迭代多次,每次选出得票数最多的矩阵,直到最后剩下的矩阵票数不超过5为止。
4.根据权利要求1所述的基于KAZE特征点的图像区域复制粘贴篡改检测方法,其特征在于,所述步骤S6的可疑区域定位过程如下:
根据步骤S5得到的仿射矩阵T,将原始图像I的每一个坐标位置进行仿射变换,新坐标位置的像素值由原始图像相应的像素值代替,这样得到变换后的图像M;计算它们对应位置x之间的相关系数c(x),计算公式如下:
公式(6)中,Ω(x)是以x为中心的7×7区域,I(μ)和M(μ)是相应位置的像素值,和是7×7区域的平均像素值;相关系数c(x)的取值范围在[0,1]之间,值越大代表越相似;然后对于得到的相关系数图进行二值化处理,二值化的阈值为0.55;如果相关系数值大于0.55,则认为本位置的点为可疑点,其二值图相应位置的值设为1,否则设为0;最后将得到的二值图进行形态学操作以滤除杂乱点,生成最终的检测结果图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610364999.7A CN106056122B (zh) | 2016-05-26 | 2016-05-26 | 一种基于kaze特征点的图像区域复制粘贴篡改检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610364999.7A CN106056122B (zh) | 2016-05-26 | 2016-05-26 | 一种基于kaze特征点的图像区域复制粘贴篡改检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106056122A CN106056122A (zh) | 2016-10-26 |
CN106056122B true CN106056122B (zh) | 2019-05-17 |
Family
ID=57176049
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610364999.7A Active CN106056122B (zh) | 2016-05-26 | 2016-05-26 | 一种基于kaze特征点的图像区域复制粘贴篡改检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106056122B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107180436A (zh) * | 2017-04-14 | 2017-09-19 | 西安电子科技大学 | 一种改进的kaze图像匹配算法 |
CN106982380A (zh) * | 2017-04-20 | 2017-07-25 | 上海极链网络科技有限公司 | 互联网视频内虚拟互动广告的植入方法 |
CN107944471A (zh) * | 2017-11-03 | 2018-04-20 | 安徽工程大学 | 一种基于非线性尺度空间的orb特征点匹配方法 |
CN108346152A (zh) * | 2018-03-19 | 2018-07-31 | 北京大学口腔医院 | 基于牙根尖周片自动评价牙科临床诊疗效果的方法 |
CN109345514A (zh) * | 2018-09-12 | 2019-02-15 | 河南理工大学 | 一种基于PatchMatch的数字图像盲取证技术 |
CN109447957B (zh) * | 2018-10-15 | 2020-11-10 | 广东财经大学 | 一种基于关键点传递匹配的图像复制粘贴检测方法 |
CN109949348B (zh) * | 2019-01-22 | 2023-04-18 | 天津大学 | 一种基于超像素运动统计的误匹配去除方法 |
CN112085117B (zh) * | 2020-09-16 | 2022-08-30 | 北京邮电大学 | 一种基于MTLBP-Li-KAZE-R-RANSAC的机器人运动监测视觉信息融合方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1900970A (zh) * | 2006-07-20 | 2007-01-24 | 中山大学 | 一种鲁棒的图像区域复制篡改检测方法 |
CN102693522A (zh) * | 2012-04-28 | 2012-09-26 | 中国矿业大学 | 一种彩色图像区域复制篡改检测方法 |
CN104192873A (zh) * | 2014-09-23 | 2014-12-10 | 中国科学院青海盐湖研究所 | 一种通过控制物料浓度提高碳酸锂碳化效率的方法 |
-
2016
- 2016-05-26 CN CN201610364999.7A patent/CN106056122B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1900970A (zh) * | 2006-07-20 | 2007-01-24 | 中山大学 | 一种鲁棒的图像区域复制篡改检测方法 |
CN102693522A (zh) * | 2012-04-28 | 2012-09-26 | 中国矿业大学 | 一种彩色图像区域复制篡改检测方法 |
CN104192873A (zh) * | 2014-09-23 | 2014-12-10 | 中国科学院青海盐湖研究所 | 一种通过控制物料浓度提高碳酸锂碳化效率的方法 |
Non-Patent Citations (7)
Title |
---|
An Evaluation of Popular Copy-Move Forgery Detection Approaches;Vincent Christlein et al.;《IEEE TRANSACTIONS ON INFORMATION FORENSICS AND SECURITY》;20121231;第7卷(第6期);第1841-1854页 |
Improved DCT-based detection of copy-move forgery in images;Yanping Huang et al.;《Forensic Science International》;20100915;第178-184页 |
KAZE Features;Pablo Fernández Alcantarilla et al.;《 Computer Vision-ECCV 2012》;20121231;第214-227页 |
Region duplication detection based on Harris corner points and step sector statistics;Likai Chen et al.;《J. Vis. Commun. Image R.》;20130118;第244-254页 |
SLIC superpixels compared to state-of-the-art superpixel methods;R Achanta et al.;《IEEE transactions on pattern analysis and machine intelligence, 2012》;20121130;第34卷(第11期);第2274-2281页 |
一种改进的KAZE特征检测算法;李丹等;《四川大学学报(自然科学版)》;20150531;第52卷(第3期);第523-528页 |
基于SURF的copy-move篡改检测方法研究;金媛媛;《中国优秀硕士学位论文数据库 信息科技辑》;20110815(第08期);第I138-526页 |
Also Published As
Publication number | Publication date |
---|---|
CN106056122A (zh) | 2016-10-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106056122B (zh) | 一种基于kaze特征点的图像区域复制粘贴篡改检测方法 | |
Warif et al. | SIFT-symmetry: a robust detection method for copy-move forgery with reflection attack | |
Lee | Copy-move image forgery detection based on Gabor magnitude | |
Guo et al. | Fingerprint classification based on decision tree from singular points and orientation field | |
CN107622489B (zh) | 一种图像篡改检测方法及装置 | |
Bi et al. | Fast reflective offset-guided searching method for copy-move forgery detection | |
Gottschlich et al. | Oriented diffusion filtering for enhancing low-quality fingerprint images | |
Raju et al. | Copy-move forgery detection using binary discriminant features | |
Zhu et al. | Walking to singular points of fingerprints | |
Jaberi et al. | Improving the detection and localization of duplicated regions in copy-move image forgery | |
Roy et al. | Fractional poisson enhancement model for text detection and recognition in video frames | |
CN104616297A (zh) | 一种用于图像篡改取证的改进型sift算法 | |
Rhee | Generation of novelty ground truth image using image classification and semantic segmentation for copy-move forgery detection | |
Selvaraj et al. | Enhanced copy–paste forgery detection in digital images using scale‐invariant feature transform | |
Chen et al. | Image splicing localization using residual image and residual-based fully convolutional network | |
Trung et al. | Blind inpainting forgery detection | |
Thajeel et al. | Detection copy-move forgery in image via quaternion polar harmonic transforms | |
Isaac et al. | Copy-Move forgery detection based on Harris Corner points and BRISK | |
Hajialilu et al. | Image copy‐move forgery detection using sparse recovery and keypoint matching | |
Isaac et al. | Image forgery detection using region–based Rotation Invariant Co-occurrences among adjacent LBPs | |
CN107993230B (zh) | 基于三角网格综合特征的图像篡改检测方法 | |
Sedik et al. | AI-enabled digital forgery analysis and crucial interactions monitoring in smart communities | |
Kumar et al. | A robust copy move forgery classification using end to end convolution neural network | |
Jin et al. | Registration of UAV images using improved structural shape similarity based on mathematical morphology and phase congruency | |
Dixit et al. | Utilization of edge operators for localization of copy-move image forgery using WLD-HOG features with connected component labeling |
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 |