CN107067389B - 一种图像篡改盲取证方法 - Google Patents
一种图像篡改盲取证方法 Download PDFInfo
- Publication number
- CN107067389B CN107067389B CN201710006365.9A CN201710006365A CN107067389B CN 107067389 B CN107067389 B CN 107067389B CN 201710006365 A CN201710006365 A CN 201710006365A CN 107067389 B CN107067389 B CN 107067389B
- Authority
- CN
- China
- Prior art keywords
- image
- subgraph
- value
- image set
- gradient
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 12
- 238000006243 chemical reaction Methods 0.000 claims abstract description 4
- 230000011218 segmentation Effects 0.000 claims description 8
- 230000001629 suppression Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 4
- 238000003708 edge detection Methods 0.000 abstract description 2
- 238000001514 detection method Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 239000000284 extract Substances 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000012847 principal component analysis method Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010367 cloning Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/92—Dynamic range modification of images or parts thereof based on global image properties
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
一种基于Sobel边缘检测与图像块亮度特征的图像篡改盲取证方法,其特征在于,包括以下步骤:对待检测的可疑图像转换为灰度图像,对灰度图像I(i,j)进行卷积处理,获得该图像的梯度图像G(i,j),对G(i,j)进行阙值分割得到梯度图像G(i,j),对梯度图像G(i,j)进行二值化处理得到二值化图像W(i,j),对二值化图像W(i,j)进行1像素化,通过判断两子图像集的相似度,本发明通过对图像集进行分块处理,通过亮度均值排序能够有效提高取证算法效率,而且通过比较图像块的相似亮度值,进一步提高了准确率,而且进一步提高了图像取证的效率;本发明解决了由于大比例的缩放的克隆篡改行为而导致不能准确检测篡改图片的问题,通过归一化处理后的图像块亮度值,从而进一步提高了不同亮度值的克隆图像的检测结果。
Description
技术领域
本发明涉及一种信息安全与信息处理技术领域,尤其是一种图像篡改盲取证方法。
背景技术
图像被动取证技术,也称为图像盲取证技术,是一个近年来快速发展的研究领域。它仅通过图像本身的特征鉴别其真伪,而不需要任何的数字签名或数字水印等先验知识,也不需要往相机设备中添加入水印生成程序,因此有着应用范围较广的优点;同时,由于不需要在图像中嵌入任何信息,因此也不会带来图像质量的降低。自然图像在生成时会受到成像设备内部软硬件或自然图像本身统计规律等因素的影响,输出的图像会存在某些自然图像独有的一致性和连续性固有特征,而篡改行为往往会打破这些图像固有特征的一致性和连续性。
图像盲取证技术通过曝光这些被破坏的自然图像特征即可鉴别出图像的真伪,甚至定位出篡改的位置,逼真的篡改图像在视觉上虽然让人们不易察觉,但是使用各种相应技术来检测图像受到的篡改类型,甚至可以定位出篡改的具体位置。
在数字图像篡改中最常用到的手段之一是图像克隆,它通过复制拷贝同一幅图像中的某些区域以清除或者添加一些重要目标。由于在同一幅图像中克隆区域间的亮度、色彩度都较为相近,进行复制粘贴不会引起明显的视觉变化,因此比较难于准确检测出来。近十年来,大部分数字图像取证研究都针对克隆类型的篡改。
Fridrich等人首先提出了一种通过对图像进行图像块分割的方法来进行图像克隆盲取证的技术,并被作为了一类经典算法。他们首先对图像进行分块操作;然后提取每个图像块的离散余弦变换(Discrete Cosine Transform,简称DCT)特征系数,并组成特征向量;最后通过对特征向量进行排序找出相似的图像块;
AC.Popescu和H.Farid随后提出了一种跟Fridrich等人类似的算法,其主要改进在于每个分割后的图像块的特征提取方面,他们使用主成份分析法(PCA)代替了DCT,以得到一个维数更小的特征系数,从而提高特征向量匹配的效率。
但上述方法无法检测一些经过旋转操作的克隆物体,这也影响了该方法的推广应用前景。
随后的基于图像块匹配的取证技术形成了两个研究分支,一部分学者着重提高对图像几何变换攻击的鲁棒性,而另一部分文献则针对效率的改进进行研究。
在提高克隆检测算法的鲁棒性方面,B.Mahdian和S.Saic首先研究数字图像在经过模糊卷积后的特征不变性问题,从数学角度建立了一个模糊不变性等式:B(f)=B(D(f)),其中D表示模糊,f表示图像,模糊不变性问题就是找到一个函数B,能够满足以上等式,通过数学推导和实验分析,他们最终确定了一个24维的模糊不变特征,该特征可以较好的减少模糊,噪点或镜像变换等后期操作带来的影响。他们对图像块进行模糊不变量运算,根据模糊不变特征的相似性鉴别出克隆的图像块;
Wu等提出了一种能抵御90°和270°的普通旋转攻击的克隆图像取证算法,他们首先将图像转换为YUV色彩模式并提取Y分量得到灰度图像;然后对图像分块并计算每个图像块的平均亮度值;最后根据每个图像块的平均亮度与其相邻8个图像块的平均亮度的之间的关系来判断图像块是否被克隆。
Ryu等人则通过对图像块进行傅立叶-梅林变化(FMT)及一维对数投影的方法来得到一个较鲁棒的特征向量,以此来提高克隆图像块检测的鲁棒性。
但是,上述基于图像块的克隆盲取证方法会产生大量的图像块,特别是在检测高分辨率图像时,图像块的数量是非常巨大的,增加了取证算法的运算时间。
Khan等人首先对检测图像进行离散小波变换(Discrete Wavelet Transform,简称DWT),然后提取低频子频带信息再进行克隆检测。类似的方法还有Li等人的DWT-SVD方法,Ghorbani等人的DWT-DCT(QCD)方法,Huang等人在Fridrich等人算法的基础上提出了一种改进的基于离散余弦变换的方法,他们通过引入一个阈值p,来控制图像块特征向量的维数,上述方法平均能减少p%的匹配时间,但是随着p值的增加,越来越多的特征维被舍弃,算法的准确率也随之降低。
发明内容
针对现有技术的不足,本发明提供一种基于Sobel边缘检测与图像块亮度特征的图像篡改盲取证方法。
本发明的技术方案为:一种图像篡改盲取证方法,其特征在于,包括以下步骤:
S1)、对待检测的可疑图像进行灰度判决,如果为非灰度图像,则转换为灰度图像,其表达式为:Gray=0.299R+0.587G+0.114B;
S2)、通过垂直和水平方向的两个3×3的滤波器分别与待检测灰度图像I(i,j)进行卷积处理,获得该图像的梯度图像G(i,j);对梯度图像G(i,j)进行阈值分割,其计算表达式为:其中,k1取值为4,m(G(i,j)为梯度图像G(i,j)所有像素点灰度的平均值;以遍历图像中的像素点,灰度大于阈值的置为白点,灰度小于阈值的则置为黑点的方式对梯度图像G(i,j)进行二值化处理,得到二值化图像W(i,j);
S3)、利用非极大值抑制算法对二值化图像W(i,j)进行1像素化,对于二值化图像W(i,j)内的任意一点p(i,j)采用从左至右、从上至下的顺序遍历二值化图像W(i,j),二值化图像W(i,j)中的任意一点p(i,j)竖直边缘的梯度值大于该点左边和右边的点的梯度值或水平边缘的梯度值大于该点上端和下端的点的梯度值,则设为白点,反之则设为黑点,从而得到非极大值抑制后的二值图像P(i,j);
S4)、按边缘闭合区域分割图像P(i,j),形成图像集A=(A1,A2,A3,…Ai);
S5)、将待检测灰度图像I(i,j)进行分块处理,采用从左至右,从上到下的顺序对每块图像进行标号,每一个图像块标记为Mi,j;
S6)、将所有图像块Mi,j与图像集A=(A1,A2,A3,…Ai)的子图像集进行相应置换,其中,子图像集Ai=(Mi,1,Mi,2,…Mi,j);
S6)、计算得到每个子图像集Ai的亮度均值Ci,并按照亮度均值Ci从大到小的顺序对图像集A的子图像集进行排序;
S7)、对每个子图像集Ai的每个图像块Mi,j的亮度值Ci,j进行归一化处理,每个图像块Mi,j归一化处理后的亮度值为Di,j,其计算式为:其中,为子图像集Ai的最大亮度值,为子图像集Ai的最小亮度值;
S8)、将每个图像块Mi,j归一化处理后的亮度值Di,j按照从左至右、从上至下的顺序排列;
S9)、循环选取排序后的亮度均值Ci相近的子图像集Aq和Ap,计算子图像集Aq和Ap的相似度Sp,q,其表达式为:假设子图像集Aq包含的图像块数量小于子图像集Ap包含的图像块数量,其中,nq为子图像集Aq的图像块的数量,qi为子图像集Aq的第i个图像块归一化后的亮度值,为子图像集Aq包含图像块的数量nq和子图像集Ap图像块的数量np的比值;
S10)、如果子图像集Aq和Ap的相似度Sp,q≤δ,则子图像集Aq和Ap不相似,按照步骤S9)继续处理;如果子图像集Aq和Ap的相似度Sp,q>δ,则子图像集Aq和Ap相似,将相似的图像集Aq和Ap标记为克隆图像,输出取证结果。
上述技术方案中,步骤S10)中δ取值0.1。
本发明的有益效果为:通过对图像集进行分块处理,通过亮度均值排序能够有效提高取证算法效率,而且通过比较图像块的相似亮度值,进一步提高了准确率,而且进一步提高了图像取证的效率;本发明解决了由于大比例的缩放的克隆篡改行为而导致不能准确检测篡改图片的问题,通过归一化处理后的图像块亮度值,从而进一步提高了不同亮度值的克隆图像的检测结果。
附图说明
图1为本发明的流程示意图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步说明:
如图1所示,一种图像篡改盲取证方法,其特征在于,包括以下步骤:
S1)、对待检测的可疑图像进行灰度判决,如果为非灰度图像,则转换为灰度图像,其表达式为:Gray=0.299R+0.587G+0.114B;
S2)、通过垂直和水平方向的两个3×3的滤波器分别与待检测灰度图像I(i,j)进行卷积处理,获得该图像的梯度图像G(i,j);对梯度图像G(i,j)进行阈值分割,其计算表达式为:其中,k1取值为4,m(G(i,j)为梯度图像G(i,j)所有像点灰度的平均值;以遍历图像中的像素点,灰度大于阈值的置为白点,灰度小于阈值的则置为黑点的方式对梯度图像G(i,j)进行二值化处理,得到二值化图像W(i,j);
S3)、利用非极大值抑制算法对二值化图像W(i,j)进行1像素化,对于二值化图像W(i,j)内的任意一点p(i,j)采用从左至右、从上至下的顺序遍历二值化图像W(i,j),二值化图像W(i,j)中的任意一点p(i,j)竖直边缘的梯度值大于该点左边和右边的点的梯度值或水平边缘的梯度值大于该点上端和下端的点的梯度值,则设为白点,反之则设为黑点,从而得到非极大值抑制后的二值图像P(i,j);
S4)、按边缘闭合区域分割图像P(i,j),形成图像集A=(A1,A2,A3,…Ai);
S5)、将待检测灰度图像I(i,j)进行分块处理,采用从左至右,从上到下的顺序对每块图像进行标号,每一个图像块标记为Mi,j;
S6)、将所有图像块Mi,j与图像集A=(A1,A2,A3,…Ai)的子图像集进行相应置换,其中,子图像集Ai=(Mi,1,Mi,2,…Mi,j);
S6)、计算得到每个子图像集Ai的亮度均值Ci,并按照亮度均值Ci从大到小的顺序对图像集A的子图像集进行排序;
S7)、对每个子图像集Ai的每个图像块Mi,j的亮度值Ci,j进行归一化处理,每个图像块Mi,j归一化处理后的亮度值为Di,j,其计算式为:其中,为子图像集Ai的最大亮度值,为子图像集Ai的最小亮度值;
S8)、将每个图像块Mi,j归一化处理后的亮度值Di,j按照从左至右、从上至下的顺序排列;
S9)、循环选取排序后的亮度均值Ci相近的子图像集Aq和Ap,计算子图像集Aq和Ap的相似度Sp,q,其表达式为:假设子图像集Aq包含的图像块数量小于子图像集Ap包含的图像块数量,其中,nq为子图像集Aq的图像块的数量,qi为子图像集Aq的第i个图像块归一化后的亮度值,为子图像集Aq包含图像块的数量nq和子图像集Ap图像块的数量np的比值;
S10)、如果子图像集Aq和Ap的相似度Sp,q≤δ,则子图像集Aq和Ap不相似,按照步骤S9)继续处理;如果子图像集Aq和Ap的相似度Sp,q>δ,则子图像集Aq和Ap相似,将相似的图像集Aq和Ap标记为克隆图像,输出取证结果。
上述技术方案中,步骤S10)中δ取值0.1。
上述实施例和说明书中描述的只是说明本发明的原理和最佳实施例,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。
Claims (2)
1.一种图像篡改盲取证方法,其特征在于,包括以下步骤:
S1)、对待检测的可疑图像进行灰度判决,如果为非灰度图像,则转换为灰度图像;
S2)、通过垂直和水平方向的两个3×3的滤波器分别与待检测灰度图像I(i,j)进行卷积处理,获得该图像的梯度图像G(i,j);对梯度图像G(i,j)进行阈值分割,其计算表达式为:其中,k1取值为4,m(G(i,j)为梯度图像G(i,j)所有像素点灰度的平均值;以遍历图像中的像素点,灰度大于阈值的置为白点,灰度小于阈值的则置为黑点的方式对梯度图像G(i,j)进行二值化处理,得到二值化图像W(i,j);
S3)、利用非极大值抑制算法对二值化图像W(i,j)进行1像素化,对于二值化图像W(i,j)内的任意一点p(i,j)采用从左至右、从上至下的顺序遍历二值化图像W(i,j),二值化图像W(i,j)中的任意一点p(i,j)竖直边缘的梯度值大于该点左边和右边的点的梯度值或水平边缘的梯度值大于该点上端和下端的点的梯度值,则设为白点,反之则设为黑点,从而得到非极大值抑制后的二值化图像P(i,j);
S4)、按边缘闭合区域分割图像P(i,j),形成图像集A=(A1,A2,A3,…Ai);
S5)、将待检测灰度图像I(i,j)进行分块处理,采用从左至右,从上到下的顺序对每块图像进行标号,每一个图像块标记为Mi,j;
S6)、将所有图像块Mi,j与图像集A=(A1,A2,A3,…Ai)的子图像集进行相应置换,其中,子图像集Ai=(Mi,1,Mi,2,…Mi,j);
S6)、计算得到每个子图像集Ai的亮度均值Ci,并按照亮度均值Ci从大到小的顺序对图像集A的子图像集进行排序;
S7)、对每个子图像集Ai的每个图像块Mi,j的亮度值Ci,j进行归一化处理,每个图像块Mi,j归一化处理后的亮度值为Di,j,其计算式为:其中,为子图像集Ai的最大亮度值,为子图像集Ai的最小亮度值;
S8)、将每个图像块Mi,j归一化处理后的亮度值Di,j按照从左至右、从上至下的顺序排列;
S9)、循环选取排序后的亮度均值Ci相近的子图像集Aq和Ap,计算子图像集Aq和Ap的相似度Sp,q,其表达式为:假设子图像集Aq包含的图像块数量小于子图像集Ap包含的图像块数量,其中,nq为子图像集Aq的图像块的数量,qi为子图像集Aq的第i个图像块归一化后的亮度值,为子图像集Aq包含图像块的数量nq和子图像集Ap图像块的数量np的比值,pi×r为子图像集Ap的第[i*r]个图像块归一化后的亮度值;
S10)、如果子图像集Aq和Ap的相似度Sp,q≤δ,则子图像集Aq和Ap不相似,按照步骤S9)继续处理;如果子图像集Aq和Ap的相似度Sp,q>δ,则子图像集Aq和Ap相似,将相似的图像集Aq和Ap标记为克隆图像,输出取证结果。
2.根据权利要求1所述的图像篡改盲取证方法,其特征在于:步骤S10)中δ取值0.1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710006365.9A CN107067389B (zh) | 2017-01-05 | 2017-01-05 | 一种图像篡改盲取证方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710006365.9A CN107067389B (zh) | 2017-01-05 | 2017-01-05 | 一种图像篡改盲取证方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107067389A CN107067389A (zh) | 2017-08-18 |
CN107067389B true CN107067389B (zh) | 2019-09-17 |
Family
ID=59624482
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710006365.9A Expired - Fee Related CN107067389B (zh) | 2017-01-05 | 2017-01-05 | 一种图像篡改盲取证方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107067389B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210042885A1 (en) * | 2018-02-08 | 2021-02-11 | Kowa Company, Ltd. | Image processing device, image processing method, and image processing program |
CN108519676B (zh) * | 2018-04-09 | 2020-04-28 | 杭州瑞杰珑科技有限公司 | 一种头戴式助视装置 |
CN110084298B (zh) * | 2019-04-23 | 2021-09-28 | 北京百度网讯科技有限公司 | 用于检测图像相似度的方法及装置 |
CN110660122A (zh) * | 2019-09-19 | 2020-01-07 | 西北工业大学 | 一种基于pca的体绘制多光源设计方法 |
CN111260645B (zh) * | 2020-02-20 | 2023-10-13 | 中国科学院自动化研究所 | 基于分块分类深度学习的篡改图像检测方法及系统 |
CN111353994B (zh) * | 2020-03-30 | 2023-06-30 | 南京工程学院 | 一种面向目标检测的图像无参考亮度质量检测方法 |
CN111754441B (zh) * | 2020-06-29 | 2023-11-21 | 国网甘肃省电力公司电力科学研究院 | 一种图像复制粘贴伪造被动检测方法 |
CN111932646B (zh) * | 2020-07-16 | 2022-06-21 | 电子科技大学 | 一种用于对抗攻击的图像处理方法 |
CN112547536B (zh) * | 2020-11-20 | 2022-12-16 | 广东工业大学 | 一种led芯片分拣系统和方法 |
CN112884675B (zh) * | 2021-03-18 | 2023-04-18 | 国家海洋信息中心 | 一种批量遥感影像调色工程化实现方法 |
CN113132705A (zh) * | 2021-04-20 | 2021-07-16 | Oppo广东移动通信有限公司 | 图像色边的校正方法、校正装置、电子设备及存储介质 |
CN114387192B (zh) * | 2021-12-22 | 2024-05-03 | 广东中星电子有限公司 | 图像滤波方法、装置、电子设备和计算机可读介质 |
CN116551701B (zh) * | 2023-07-10 | 2023-10-10 | 珠海格力电器股份有限公司 | 机器人控制方法、装置、电子设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1862598A (zh) * | 2006-06-21 | 2006-11-15 | 大连理工大学 | 图像伪造中模糊操作的异常色调率取证方法 |
CN102819842A (zh) * | 2012-07-30 | 2012-12-12 | 桂林电子科技大学 | 基于条件共生概率矩阵的移位jpeg双压缩篡改盲检测方法 |
CN106203511A (zh) * | 2016-06-12 | 2016-12-07 | 湘潭大学 | 一种图像相似块评估方法 |
-
2017
- 2017-01-05 CN CN201710006365.9A patent/CN107067389B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1862598A (zh) * | 2006-06-21 | 2006-11-15 | 大连理工大学 | 图像伪造中模糊操作的异常色调率取证方法 |
CN102819842A (zh) * | 2012-07-30 | 2012-12-12 | 桂林电子科技大学 | 基于条件共生概率矩阵的移位jpeg双压缩篡改盲检测方法 |
CN106203511A (zh) * | 2016-06-12 | 2016-12-07 | 湘潭大学 | 一种图像相似块评估方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107067389A (zh) | 2017-08-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107067389B (zh) | 一种图像篡改盲取证方法 | |
Xia et al. | Infrared small target detection based on multiscale local contrast measure using local energy factor | |
Qureshi et al. | A bibliography of pixel-based blind image forgery detection techniques | |
Kumar et al. | A fast DCT based method for copy move forgery detection | |
Younus et al. | Effective and fast deepfake detection method based on haar wavelet transform | |
Muhammad et al. | Copy-move forgery detection using dyadic wavelet transform | |
CN109447073B (zh) | 一种基于张量鲁棒主成分分析的红外弱小目标检测方法 | |
Dixit et al. | Image texture analysis-survey | |
Shen et al. | Adaptive pedestrian tracking via patch-based features and spatial–temporal similarity measurement | |
Hou et al. | Detection of hue modification using photo response nonuniformity | |
CN110782442B (zh) | 一种基于多域耦合的图像人工模糊检测方法 | |
İmamoğlu et al. | Detection of copy-move forgery using krawtchouk moment | |
Muhammad et al. | A non-intrusive method for copy-move forgery detection | |
Feng et al. | An energy-based method for the forensic detection of re-sampled images | |
Hu et al. | Effective composite image detection method based on feature inconsistency of image components | |
Sharma et al. | Spliced Image Classification and Tampered Region Localization Using Local Directional Pattern. | |
Rhee | Detection of spliced image forensics using texture analysis of median filter residual | |
Jayan et al. | Image quality measures based face spoofing detection algorithm for online social media | |
CN106021610B (zh) | 一种基于显著区域的视频指纹提取方法 | |
Dixit et al. | Copy-move image forgery detection a review | |
Fadl et al. | Copy-rotate-move forgery detection based on spatial domain | |
JP2004272801A (ja) | データ分析装置およびデータ認識装置 | |
Lecca et al. | On image enhancement for unsupervised image description and matching | |
CN112085683B (zh) | 一种显著性检测中的深度图可信度检测方法 | |
Zhu et al. | Recaptured image forensics based on local ternary count of high order prediction error |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190917 Termination date: 20210105 |
|
CF01 | Termination of patent right due to non-payment of annual fee |