CN107147909A - 基于方差的重压缩jpeg图像原始量化步长估计方法 - Google Patents
基于方差的重压缩jpeg图像原始量化步长估计方法 Download PDFInfo
- Publication number
- CN107147909A CN107147909A CN201710159675.4A CN201710159675A CN107147909A CN 107147909 A CN107147909 A CN 107147909A CN 201710159675 A CN201710159675 A CN 201710159675A CN 107147909 A CN107147909 A CN 107147909A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- histogram
- variance
- quantization
- 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
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
- H04N19/10—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding
- H04N19/102—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the element, parameter or selection affected or controlled by the adaptive coding
- H04N19/124—Quantisation
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
- H04N19/60—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using transform coding
- H04N19/625—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using transform coding using discrete cosine transform [DCT]
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Discrete Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Compression Or Coding Systems Of Tv Signals (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于方差的重压缩JPEG图像原始量化步长估计方法,首次使用了方差来估计图像的原始量化步长。直方图相隔一定周期的比值的方差序列具有周期性波动,此周期性波动与直方图的周期性波动相对比更加明显,估计原始量化步长的准确率更高。在第一次量化步长小于和大于第二次量化步长的情况下,本发明都具有很好的准确性。
Description
技术领域
本发明涉及图像数字取证技术领域,更具体地,涉及一种基于方差的重压缩JPEG图像原始量化步长估计方法。
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。
如今人们最常使用的图像格式为JPEG,而在篡改过程中,往往伴随着图像的二重压缩。估计二重压缩JPEG图像的原始量化步长,对篡改检测以及恢复图像的操作历史有重要的帮助。
现今的估计原始量化步长的方法,大多数都是基于JPEG图像的二重压缩效应(DQ效应),当第一次量化步长大于第二次量化步长时,由于DQ效应不够明显,导致算法的性能不是非常理想。大多数算法的作用范围都局限在第一次量化步长小于第二次量化步长的情况下。
发明内容
本发明为克服上述现有技术所述的至少一种缺陷,提供一种基于方差的重压缩JPEG图像原始量化步长估计方法,能够有效估计出重压缩JPEG图像的原始量化步长。在第一次量化步长小于和大于第二次量化步长的情况下,本发明都具有很好的准确性。
为解决上述技术问题,本发明的技术方案如下:
一种基于方差的重压缩JPEG图像原始量化步长估计方法,包括以下步骤:
S1:偏置直方图获取:对于待检测的JPEG图像,提取其直方图,并对提取的直方图进行偏置,将直方图分成不同的区域,不同区域给予不同的用于计算方差的权值,得到偏置直方图h2;
S2:方差计算:根据步骤S1得到的偏置后的直方图,遍历可能的值,计算得到对应的方差,形成的方差序列,所述方差序列具有周期性波动;
S3:候选值选取:对于步骤S2中计算得到的方差序列,选取其中的极小值,作为第一次量化步长q1的候选值qc,将它们加入qc候选集
S4:直方图比较:对于步骤S3中计算得到的每个候选值,进行模拟二次量化,即先用对原始直方图进行第一次量化,再用对一次量化后的直方图进行第二次量化,从而得到相对应的对照直方图,将对照直方图与待测图片提取出来的直方图进行比较,最接近的直方图对应的qc即为最终的q1估计值。
在一种优选的方案中,所述步骤S1中直方图偏置的过程如下:
用三个参数{o1,o2,M}将直方图分为四个不同的区域,分别为第一舍弃区域、轻权重区域、重权重区域和第二舍弃区域,对于不同的区域,对其中的DCT系数赋予不同的权重用于计算方差值;
由于图像DCT系数的直方图是左右对称的,所以以右半边正半轴为例。横坐标为[0,o1]和(M,+∞)的区域为分别为第一舍弃区域和第二舍弃区域,该区域的权重为0。横坐标为(o1,o2)的区域为轻权重区域,该区域的权重为(0,o2-o1)。横坐标为[o2,M]的区域为中权重区域,该区域的权重为o2-o1。
参数{o1,o2,M}的设定过程如下:M为直方图中的值不为0的DCT系数的个数,{o1,o2}根据第二次量化步长q2选取。
在一种优选的方案中,所述步骤S2中,方差计算过程如下:
对于S1中得到的偏置直方图,遍历所有可能的取值,设周期为w,计算直方图中相隔距离为周期w的直方图格子值的比值:
其中,s为比值序列S(w)中的一个比值,u2为第二次量化后的DCT系数,从而得到比值序列S(w),由比值序列的方差得到方差序列:
其中,MS为比值序列S中的元素个数。
在一种优选的方案中,所述步骤S4的模拟二次量化过程如下:
先对待测图像进行剪切,剪去其前四行和左边四列的像素,提取其直方图,得到原始未量化的DCT系数直方图;接下来分别用候选值对原始未量化的DCT系数进行第一次量化,再用q2对此进行第二次量化,得到与候选值相对应的模拟二重量化的DCT系数直方图。
在一种优选的方案中,步骤S4中,直方图比较公式如下:
其中,代表最终得到的q1估计值,n代表直方图中格子的个数,h2(i)代表测试图像的直方图中的第i个格子的值,代表候选值qc的模拟二重量化的直方图中的第i个格子的值。
与现有技术相比,本发明技术方案的有益效果是:本发明提供一种基于方差的重压缩JPEG图像原始量化步长估计方法,首次使用了方差来估计图像的原始量化步长。直方图相隔一定周期的比值的方差序列具有周期性波动,此周期性波动与直方图的周期性波动相对比更加明显,估计原始量化步长的准确率更高。在第一次量化步长小于和大于第二次量化步长的情况下,本发明都具有很好的准确性。
附图说明
图1为基于方差的重压缩JPEG图像原始量化步长估计方法的流程图。
图2为待检测的图像。
图3为区域划分示意图。
图4为本发明方法的得到的方差序列。
图5为图像真实的量化步长表。
图6为本发明对该图像的估计的量化步长表。
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,一种基于方差的重压缩JPEG图像原始量化步长估计方法,包括以下步骤:
S1:偏置直方图获取:对于待检测的JPEG图像,提取其直方图,并对提取的直方图进行偏置,将直方图分成不同的区域,不同区域给予不同的用于计算方差的权值,得到偏置直方图h2;
S2:方差计算:根据步骤S1得到的偏置后的直方图,遍历可能的值,计算得到对应的方差,形成的方差序列,所述方差序列具有周期性波动;
S3:候选值选取:对于步骤S2中计算得到的方差序列,选取其中的极小值,作为第一次量化步长q1的候选值qc,将它们加入qc候选集
S4:直方图比较:对于步骤S3中计算得到的每个候选值,进行模拟二次量化,即先用对原始直方图进行第一次量化,再用对一次量化后的直方图进行第二次量化,从而得到相对应的对照直方图,将对照直方图与待测图片提取出来的直方图进行比较,最接近的直方图对应的qc即为最终的q1估计值。
在具体实施过程中,所述步骤S1中直方图偏置的过程如下:
用三个参数{o1,o2,M}将直方图分为四个不同的区域,分别为第一舍弃区域、轻权重区域、重权重区域和第二舍弃区域,对于不同的区域,对其中的DCT系数赋予不同的权重用于计算方差值;
由于图像DCT系数的直方图是左右对称的,所以以右半边正半轴为例。横坐标为[0,o1]和(M,+oo)的区域为分别为第一舍弃区域和第二舍弃区域,该区域的权重为0。横坐标为(o1,o2)的区域为轻权重区域,该区域的权重为(0,o2-o1)。横坐标为[o2,M]的区域为中权重区域,该区域的权重为o2-o1。
参数{o1,o2,M}的设定过程如下:M为直方图中的值不为0的DCT系数的个数,{o1,o2}根据第二次量化步长q2选取,具体如表1所示:
表1
q2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | 11 | 12 | 13 | 14 |
o1 | 2 | 3 | 4 | 3 | 5 | 4 | 5 | 4 | 6 | 5 | 4 | 3 |
o2 | 3 | 4 | 5 | 6 | 7 | 8 | 6 | 9 | 7 | 7 | 5 | 4 |
在具体实施过程中,所述步骤S2中,方差计算过程如下:
对于S1中得到的偏置直方图,遍历所有可能的取值,设周期为w,计算直方图中相隔距离为周期w的直方图格子值的比值:
其中,s为比值序列S(w)中的一个比值,u2为第二次量化后的DCT系数,从而得到比值序列S(w),由比值序列的方差得到方差序列:
其中,MS为比值序列S中的元素个数。
在具体实施过程中,所述步骤S4的模拟二次量化过程如下:
先对待测图像进行剪切,剪去其前四行和左边四列的像素,提取其直方图,得到原始未量化的DCT系数直方图;接下来分别用候选值对原始未量化的DCT系数进行第一次量化,再用q2对此进行第二次量化,得到与候选值相对应的模拟二重量化的DCT系数直方图。
在具体实施过程中,步骤S4中,直方图比较公式如下:
其中,代表最终得到的q1估计值,n代表直方图中格子的个数,h2(i)代表测试图像的直方图中的第i个格子的值,代表候选值qc的模拟二重量化的直方图中的第i个格子的值。
如图2-5所示,该基于方差的重压缩JPEG图像原始量化步长估计方法的实验效果。图2为待检测的图像,该图像的第一次质量因子为80,第二次质量因子为75。在8×8的DCT频率(1,2)上的第一次量化步长为3,第二次的量化步长为3,第二次量化步长为7。区域划分示意图如图3所示。图4为本发明方法的得到的方差序列,从图中可以明显地看出该方差序列存在以3为周期的周期性波动。从而得到第一次量化步长候选集{3,6,9,12}。通过直方图比较后得到量化步长估计值为3。图5为该图像真实的量化步长表,图6为本算法对该图像的估计的量化步长表,从图中可以明显地看出本算法具有较高的估计准确性。
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语仅用于示例性说明,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 (5)
1.一种基于方差的重压缩JPEG图像原始量化步长估计方法,其特征在于,包括以下步骤:
S1:偏置直方图获取:对于待检测的JPEG图像,提取其直方图,并对提取的直方图进行偏置,将直方图分成不同的区域,不同区域给予不同的用于计算方差的权值,得到偏置直方图h2;
S2:方差计算:根据步骤S1得到的偏置后的直方图,遍历可能的值,计算得到对应的方差,形成的方差序列,所述方差序列具有周期性波动;
S3:候选值选取:对于步骤S2中计算得到的方差序列,选取其中的极小值,作为第一次量化步长q1的候选值qc,将它们加入qc候选集Cqc;
S4:直方图比较:对于步骤S3中计算得到的每个候选值,进行模拟二次量化,即先用对原始直方图进行第一次量化,再用对一次量化后的直方图进行第二次量化,从而得到相对应的对照直方图,将对照直方图与待测图片提取出来的直方图进行比较,最接近的直方图对应的qc即为最终的q1估计值。
2.根据权利要求1所述的基于方差的重压缩JPEG图像原始量化步长估计方法,其特征在于,步骤S1中,直方图偏置的过程如下:
用三个参数{o1,o2,M}将直方图分为四个不同的区域,分别为第一舍弃区域、轻权重区域、重权重区域和第二舍弃区域,对于不同的区域,对其中的DCT系数赋予不同的权重用于计算方差值;
参数{o1,o2,M}的设定过程如下:M为直方图中的值不为0的DCT系数的个数,{o1,o2}根据第二次量化步长q2选取。
3.根据权利要求1所述的基于方差的重压缩JPEG图像原始量化步长估计方法,其特征在于,步骤S2中,方差计算过程如下:
对于S1中得到的偏置直方图,遍历所有可能的取值,设周期为w,计算直方图中相隔距离为周期w的直方图格子值的比值:
<mrow>
<mi>S</mi>
<mrow>
<mo>(</mo>
<mi>w</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mo>{</mo>
<mi>s</mi>
<mo>|</mo>
<mi>s</mi>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>h</mi>
<mn>2</mn>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>u</mi>
<mn>2</mn>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>h</mi>
<mn>2</mn>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>u</mi>
<mn>2</mn>
</msub>
<mo>+</mo>
<mi>w</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>,</mo>
<msub>
<mi>u</mi>
<mn>2</mn>
</msub>
<mo>=</mo>
<mn>0</mn>
<mo>,</mo>
<msub>
<mi>q</mi>
<mn>2</mn>
</msub>
<mo>,</mo>
<mn>2</mn>
<msub>
<mi>q</mi>
<mn>2</mn>
</msub>
<mo>,</mo>
<mo>...</mo>
<mo>}</mo>
</mrow>
其中,s为比值序列S(w)中的一个比值,u2为第二次量化后的DCT系数,从而得到比值序列S(w),由比值序列的方差得到方差序列:
<mrow>
<mi>V</mi>
<mrow>
<mo>(</mo>
<mi>S</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<msub>
<mi>M</mi>
<mi>S</mi>
</msub>
</mfrac>
<munder>
<mo>&Sigma;</mo>
<mi>s</mi>
</munder>
<msup>
<mrow>
<mo>(</mo>
<mi>s</mi>
<mo>-</mo>
<mover>
<mi>s</mi>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
其中,Ms为比值序列S中的元素个数。
4.根据权利要求1所述的基于方差的重压缩JPEG图像原始量化步长估计方法,其特征在于,所述S4的模拟二次量化过程如下:
先对待测图像进行剪切,剪去其前四行和左边四列的像素,提取其直方图,得到原始未量化的DCT系数直方图;接下来分别用候选值对原始未量化的DCT系数进行第一次量化,再用q2对此进行第二次量化,得到与候选值相对应的模拟二重量化的DCT系数直方图。
5.根据权利要求1所述的基于方差的重压缩JPEG图像原始量化步长估计方法,其特征在于,步骤S4中,直方图比较公式如下:
<mrow>
<mover>
<msub>
<mi>q</mi>
<mn>1</mn>
</msub>
<mo>^</mo>
</mover>
<mo>=</mo>
<mi>arg</mi>
<mi> </mi>
<msub>
<mi>min</mi>
<mrow>
<msub>
<mi>q</mi>
<mi>C</mi>
</msub>
<mo>&Element;</mo>
<msub>
<mi>C</mi>
<msub>
<mi>q</mi>
<mi>C</mi>
</msub>
</msub>
</mrow>
</msub>
<mfrac>
<mn>1</mn>
<mi>n</mi>
</mfrac>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</msubsup>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<msubsup>
<mi>h</mi>
<mn>2</mn>
<msub>
<mi>q</mi>
<mi>C</mi>
</msub>
</msubsup>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>h</mi>
<mn>2</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>,</mo>
<mfrac>
<mrow>
<msub>
<mi>h</mi>
<mn>2</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msubsup>
<mi>h</mi>
<mn>2</mn>
<msub>
<mi>q</mi>
<mi>C</mi>
</msub>
</msubsup>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
<mo>.</mo>
</mrow>
其中,代表最终得到的q1估计值,n代表直方图中格子的个数,h2(i)代表测试图像的直方图中的第i个格子的值,代表候选值qc的模拟二重量化的直方图中的第i个格子的值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710159675.4A CN107147909B (zh) | 2017-03-17 | 2017-03-17 | 基于方差的重压缩jpeg图像原始量化步长估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710159675.4A CN107147909B (zh) | 2017-03-17 | 2017-03-17 | 基于方差的重压缩jpeg图像原始量化步长估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107147909A true CN107147909A (zh) | 2017-09-08 |
CN107147909B CN107147909B (zh) | 2020-01-21 |
Family
ID=59783576
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710159675.4A Active CN107147909B (zh) | 2017-03-17 | 2017-03-17 | 基于方差的重压缩jpeg图像原始量化步长估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107147909B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108460715A (zh) * | 2018-01-23 | 2018-08-28 | 中山大学 | 一种基于局部纹理模式的二值图像隐写分析方法 |
CN109672891A (zh) * | 2018-12-25 | 2019-04-23 | 哈尔滨工业大学 | Jpeg图像的无损二次压缩方法 |
CN111836044A (zh) * | 2019-04-15 | 2020-10-27 | 联咏科技股份有限公司 | 决定量化参数的方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102413328A (zh) * | 2011-11-11 | 2012-04-11 | 中国科学院深圳先进技术研究院 | Jpeg图像双重压缩检测方法及系统 |
CN106488250A (zh) * | 2015-08-26 | 2017-03-08 | 中国科学院深圳先进技术研究院 | 一种估计jpeg双重压缩图像首压量化步长的方法和装置 |
-
2017
- 2017-03-17 CN CN201710159675.4A patent/CN107147909B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102413328A (zh) * | 2011-11-11 | 2012-04-11 | 中国科学院深圳先进技术研究院 | Jpeg图像双重压缩检测方法及系统 |
CN106488250A (zh) * | 2015-08-26 | 2017-03-08 | 中国科学院深圳先进技术研究院 | 一种估计jpeg双重压缩图像首压量化步长的方法和装置 |
Non-Patent Citations (3)
Title |
---|
刘丽娟: "JPEG合成图像的盲篡改检测及定位", 《北京石油化工学院学报》 * |
王俊文: "一种估计JPEG双重压缩原始量化步长的新方法", 《电子与信息学报》 * |
齐宗飞: "基于JPEG双压缩的原始量化表估计算法研究", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108460715A (zh) * | 2018-01-23 | 2018-08-28 | 中山大学 | 一种基于局部纹理模式的二值图像隐写分析方法 |
CN108460715B (zh) * | 2018-01-23 | 2021-11-05 | 中山大学 | 一种基于局部纹理模式的二值图像隐写分析方法 |
CN109672891A (zh) * | 2018-12-25 | 2019-04-23 | 哈尔滨工业大学 | Jpeg图像的无损二次压缩方法 |
CN109672891B (zh) * | 2018-12-25 | 2021-03-30 | 哈尔滨工业大学 | Jpeg图像的无损二次压缩方法 |
CN111836044A (zh) * | 2019-04-15 | 2020-10-27 | 联咏科技股份有限公司 | 决定量化参数的方法 |
CN111836044B (zh) * | 2019-04-15 | 2022-06-28 | 联咏科技股份有限公司 | 决定量化参数的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107147909B (zh) | 2020-01-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108961186B (zh) | 一种基于深度学习的老旧影片修复重制方法 | |
CN107147909A (zh) | 基于方差的重压缩jpeg图像原始量化步长估计方法 | |
CN107959848A (zh) | 基于三维卷积神经网络的通用型无参考视频质量评价算法 | |
CN110751195B (zh) | 一种基于改进YOLOv3的细粒度图像分类方法 | |
CN108109147A (zh) | 一种模糊图像的无参考质量评价方法 | |
CN106709945B (zh) | 一种对于超分辨率图像的质量评价方法 | |
CN105160667A (zh) | 联合梯度和拉普拉斯-高斯信号的盲图像质量评价方法 | |
CN103606136B (zh) | 基于关键帧和非局部约束的视频超分辨方法 | |
Zhou et al. | Blind quality index for multiply distorted images using biorder structure degradation and nonlocal statistics | |
CN105007488A (zh) | 基于变换域和空间域的通用无参考图像质量评价方法 | |
Fu et al. | Blind image quality assessment for multiply distorted images via convolutional neural networks | |
CN110738128A (zh) | 一种基于深度学习的重复视频检测方法 | |
CN104091320A (zh) | 基于数据驱动局部特征转换的噪声人脸超分辨率重建方法 | |
CN103067713A (zh) | 一种位图jpeg压缩检测的方法及系统 | |
CN105279742B (zh) | 一种快速的基于分块噪声能量估计的图像去噪方法 | |
CN104408694A (zh) | 基于软阈值的非局域平均图像去噪方法 | |
CN108513132A (zh) | 一种视频质量评价方法及装置 | |
CN108269221B (zh) | 一种jpeg重压缩图像篡改定位方法 | |
CN105678718A (zh) | 图像去噪方法和装置 | |
CN106331730A (zh) | H.264视频同量化因子双重压缩检测方法 | |
Fu et al. | Screen content image quality assessment using Euclidean distance | |
CN110223273B (zh) | 一种结合离散余弦变换与神经网络的图像修复取证方法 | |
CN110059658B (zh) | 一种基于三维卷积神经网络的遥感卫星影像多时相变化检测方法 | |
CN107564013A (zh) | 融合局部信息的场景分割修正方法与系统 | |
CN101365133B (zh) | 一种dct域插值舍入误差补偿方法 |
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 |