CN107993230A - 基于三角网格综合特征的图像篡改检测方法 - Google Patents
基于三角网格综合特征的图像篡改检测方法 Download PDFInfo
- Publication number
- CN107993230A CN107993230A CN201711365663.3A CN201711365663A CN107993230A CN 107993230 A CN107993230 A CN 107993230A CN 201711365663 A CN201711365663 A CN 201711365663A CN 107993230 A CN107993230 A CN 107993230A
- Authority
- CN
- China
- Prior art keywords
- image
- feature
- triangular mesh
- entropy
- vector
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 28
- 238000000034 method Methods 0.000 claims abstract description 29
- 230000000877 morphologic effect Effects 0.000 claims abstract description 5
- 239000013598 vector Substances 0.000 claims description 24
- 238000005516 engineering process Methods 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 239000011718 vitamin C Substances 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000005192 partition Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 abstract description 2
- 230000011218 segmentation Effects 0.000 abstract description 2
- 230000003044 adaptive effect Effects 0.000 abstract 1
- 238000005457 optimization Methods 0.000 abstract 1
- 238000012805 post-processing Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification 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
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于三角网格综合特征的图像篡改检测方法,首先对输入的图像实施高斯滤波预处理;其次,采用SLIC算法进行超像素分割,结合超像素内容,利用SIFER检测器在颜色不变量图像上进行自适应均匀性提点,根据DT算法在特征点上构造三角网格,并计算三角网格的两个特征,即三角网格内接圆部分的局部快速四元数圆谐傅里叶矩幅值和其他部分的平均梯度熵;然后,采用CSH方法进行三角网格的特征匹配;最后,利用DLF、优化的ZNCC、形态学方法等进行后处理。
Description
技术领域
本发明属于数字图像被动(盲)取证技术领域,涉及图像的复制粘贴篡改检测方法,特别涉及一种基于三角网格综合特征的图像篡改检测方法。
背景技术
近年来,随着计算机和网络技术的发展,数字图像的应用越来越广泛。然而,由于数字图像易于传播、修改的特点,造成大量虚假的伪造图像,降低了数字图像的可靠性。目前,图像篡改检测技术分为主动和被动(盲)取证方法:主动取证通过数字图像额外的信息取证,例如数字水印、数字签名;相反,被动(盲)取证,不需要通过额外信息就可以取证。
复制粘贴图像篡改检测一直是盲取证技术的热点。复制粘贴图像篡改是在同一幅图像中,对一处或多处区域进行复制粘贴篡改。目的是隐藏对象(例如:信息隐藏),或者是强调特定的对象(例如:一群示威者)。复制粘贴伪造操作起来很容易,因为复制源和篡改区域均来源于同一幅图像。而同一幅图像中的色温度、噪声、光照条件无明显差别,因此,很难用肉眼找出篡改位置。同时,伪造过程也会加入一些额外的操作,像缩放、旋转、平移、压缩、模糊噪声等。通常情况下,复制粘贴篡改检测方法可归纳为基于分块和基于特征点的方法。基于分块的方法首先对图像实施预处理,将处理对象分为方形或圆形的块,这些块彼此间重叠或不重叠,然后提取块特征并进行匹配。基于块的方法与各种特征提取技术兼容,并且在匹配性能方面表现良好,但该方法仍存在一些局限性。当图像尺寸变大时,分块的数量急剧增加,会花费大量时间在块间进行比较,从而增加了整体的处理时间。此外,基于块的方法一般很难精确地标记篡改区域。基于点的方法在预处理阶段没有分块操作,首先对图像的角落、边缘等区域提取特征点,然后使用一组优秀的特征描述符来表示点,最后根据对特征点和其描述符的分类与匹配,找到图像中的重复区域。基于点的方法在处理时间和存储量方面具有优势,但在平滑、小面积以及高度相同区域表现不理想。
发明内容
本发明是为了解决现有篡改检测技术所存在的上述技术问题,提供一种基于三角网格综合特征的图像篡改检测方法。
本发明的技术解决方案是:一种基于三角网格综合特征的图像篡改检测方法,其特征在于按如下步骤进行:
约定:I指待检测的图像;I1为去噪后的图像;表示超像素块; 是像素在中的概率;是的熵;I2为构造的颜色不变量图像;表示分区编码,编码值0、1分别对应非纹理、纹理区域;为第k个三角形,n为三角形的个数;指的内接圆;是的圆心、半径;为的外拓正方形;表示除了外的其余部分;分别代表的R、G、B三通道下的梯度熵;指的平均梯度熵;是由GCK技术提取WH内核生成的维度投影向量;p是特征向量;是添加到随机投影的偏移量,范围在,是固设阈值;表示CSH算法的散列函数;由维向量串联得到;为生成的散列表;表示patch的最近邻域集;a、b为patch中的元素;
a. 初始设置
读取待检测图像I,将其与高斯平滑滤波器做卷积运算,去除噪声后得到图像I1;
b. 超像素生成
结合图像I1的内容,利用SLIC方法生成紧凑且近似均匀的超像素块;
c. 图像特征点提取
c.1 根据下式计算每个超像素块的熵:
;
c.2 根据图像I1的色彩特征与几何结构特征,构造颜色不变量图像I2;
c.3 统计熵分布量,按照如下规则将图像I2划分非纹理、纹理区域:
其中,,;
c.4 针对两种区域,利用SIFER检测器在加和响应的尺度空间内,设置两种不同的窗口尺寸,实施特征点的提取;
d. 三角网格构造
在上步得到的特征点上,使用DT技术快速构造三角网格;
e. 三角网格特征构造
e.1 特征一:内接圆部分
e.1.1 根据的三个顶点,求出内接圆的圆心、半径;
e.1.2 通过、可以求出的外拓正方形,并在的四周“补0”;
e.1.3 计算的局部快速四元数圆谐傅里叶矩幅值;
e.1.4 通过对矩值进行几何攻击,从而选取8个稳定的值,将其作为三角网格的第一个特征;
e.2 特征二:其他部分
e.2.1 利用下式,得到三角网格的剩余部分内容:
;
e.2.2 对的R、G、B三通道通过如下公式,分别计算其梯度熵:
,
其中,中共有个梯度级,是第个梯度级出现的概率;
e.2.3 计算的平均梯度熵,将其作为三角网格的第二个特征:
;
e.3 重复步骤e.1~e.2,直到计算出所有的三角网格的特征,每个三角网格特征向量表示为8个稳定的快速四元数圆谐傅里叶矩幅值和1个平均梯度熵;
f. 三角网格特征匹配
f.1 利用SVD技术对三角网格特征向量进行降维,使其从9维稀疏向量变成3维稠密向量,更好地体现数据核心特征;
f.2 对三角网格特征建立索引,将CSH算法的散列函数定义为:
;
f. 3 将维向量串联得到:
;
f.4 生成散列表;
f.5 初始化ANNF,在中循环搜索每个patch的相应候选匹配,产生一个最近邻域集,如果来自中的与最相似,且满足下式,那么更新
;
f.6 对近似候选集中的各个元素进行再次投影,使用WH内核以欧氏距离为衡量标准排列元素,与当前patch的欧氏距离最小的patch为最近匹配,最终得到个最近匹配;
g. 后处理
g.1 采用DLF技术来调整偏移量,消除错误匹配,以增加正确检测的概率;
g.2 最后使用优化后的ZNCC算法和形态学操作等对匹配的区域进行标记。
本发明首先对输入的图像实施高斯滤波预处理;其次,采用SLIC算法进行超像素分割,结合超像素内容,利用SIFER检测器在颜色不变量图像上进行自适应均匀性提点,通过DT算法在特征点上构造三角网格,并计算三角网格的两个特征,即三角网格内接圆部分的局部快速四元数圆谐傅里叶矩幅值和其他部分的平均梯度熵;然后,采用CSH方法进行三角网格的特征匹配;最后,利用DLF、优化的ZNCC、形态学方法等进行后处理。实验结果表明,本发明的方法由于使用了有效的三角网格特征表示、较快的匹配方法以及优化的后处理,具有了较高的检测精度以及较快的检测速度。
与现有技术相比,本发明具有以下有益效果:
第一,提出了超像素级图像特征点提取,结合超像素内容,利用SIFER检测器在颜色不变量图像上提取特征点,使得特征点在分布上更均匀;
第二,三角网格特征通过局部快速四元数圆谐傅立叶矩的幅值与平均梯度熵表示,使得图像对旋转、平移、缩放等几何攻击具有良好的鲁棒性;
第三,使用CSH算法达到了快速匹配图像篡改区域的效果,同时有效的后处理亦加快了图像检测速度;
第四,基于三角网格综合特征的篡改检测方法,与基于块的方法相比,在处理速度上快于块方法;与基于特征点方法相比,在检测精度上更具有优势。
附图说明
图1为本发明实施例未篡改图像、篡改图像以及复制区域示意图。
图2为本发明实施例篡改检测过程的结果图。
图3为本发明实施例来自FAU库检测结果图。
图4为本发明实施例来自GRIP库检测结果图。
图5为本发明实施例来自Ard库检测结果图。
图6为本发明实施例与FAU库的检测精度对比结果分析图。
图7为本发明实施例的流程图。
具体实施方式
本发明的方法共包括六个阶段:超像素生成、图像特征点提取、三角网格构造、三角网格特征构造、三角网格特征匹配以及后处理。
约定:I指待检测的图像;I1为去噪后的图像;表示超像素块;是像素在中的概率;是的熵;I2为构造的颜色不变量图像;表示分区编码,编码值0、1分别对应非纹理、纹理区域;为第k个三角形,n为三角形的个数;指的内接圆;是的圆心、半径;为的外拓正方形;表示除了外的其余部分;分别代表的R、G、B三通道下的梯度熵;指的平均梯度熵;是由GCK技术提取WH内核生成的维度投影向量;p是特征向量;是添加到随机投影的偏移量,范围在,是固设阈值;表示CSH算法的散列函数;由维向量串联得到;为生成的散列表;表示patch的最近邻域集;a、b为patch中的元素。
具体步骤如图7所示:
a. 初始设置
读取待检测图像I,将其与高斯平滑滤波器做卷积运算,去除噪声后得到图像I1;
b. 超像素生成
结合图像I1的内容,利用SLIC方法生成紧凑且近似均匀的超像素块;
c. 图像特征点提取
c.1 根据下式计算每个超像素块的熵:
;
c.2 根据图像I1的色彩特征与几何结构特征,构造颜色不变量图像I2;
c.3 统计熵分布量,按照如下规则将图像I2划分非纹理、纹理区域:
其中,,;
c.4 针对两种区域,利用SIFER检测器在加和响应的尺度空间内,设置两种不同的窗口尺寸,实施特征点的提取;
d. 三角网格构造
在上步得到的特征点上,使用DT技术快速构造三角网格;
e. 三角网格特征构造
e.1 特征一:内接圆部分
e.1.1 根据的三个顶点,求出内接圆的圆心、半径;
e.1.2 通过、可以求出的外拓正方形,并在的四周“补0”;
e.1.3 计算的局部快速四元数圆谐傅里叶矩幅值;
e.1.4 通过对矩值进行几何攻击,从而选取8个稳定的值,将其作为三角网格的第一个特征;
e.2 特征二:其他部分
e.2.1 利用下式,得到三角网格的剩余部分内容:
;
e.2.2 对的R、G、B三通道通过如下公式,分别计算其梯度熵:
,
其中,中共有个梯度级,是第个梯度级出现的概率;
e.2.3 计算的平均梯度熵,将其作为三角网格的第二个特征:
;
e.3 重复步骤e.1~e.2,直到计算出所有的三角网格的特征,每个三角网格特征向量表示为8个稳定的快速四元数圆谐傅里叶矩幅值和1个平均梯度熵;
f. 三角网格特征匹配
f.1 利用SVD技术对三角网格特征向量进行降维,使其从9维稀疏向量变成3维稠密向量,更好地体现数据核心特征;
f.2 对三角网格特征建立索引,将CSH算法的散列函数定义为:
;
f. 3 将维向量串联得到:
;
f.4 生成散列表;
f.5 初始化ANNF,在中循环搜索每个patch的相应候选匹配,产生一个最近邻域集,如果来自中的与最相似,且满足下式,那么更新
;
f.6 对近似候选集中的各个元素进行再次投影,使用WH内核以欧氏距离为衡量标准排列元素,与当前patch的欧氏距离最小的patch为最近匹配,最终得到个最近匹配;
g. 后处理
g.1 采用DLF技术来调整偏移量,消除错误匹配,以增加正确检测的概率;
g.2 最后使用优化后的ZNCC算法和形态学操作等对匹配的区域进行标记。
实验测试和参数设置:
实验是在MATLAB R2011a环境下执行的,实验所涉及到的图像来自三个图像库,分别为FAU、GRIP和Ard,它们均已公开,可在网上自行搜索下载。
图1为本发明实施例未篡改图像、篡改图像以及复制区域示意图。
图2为本发明实施例篡改检测过程的结果图。
图3为本发明实施例来自FAU库检测结果图。
图4为本发明实施例来自GRIP库检测结果图。
图5为本发明实施例来自Ard库检测结果图。
图6为本发明实施例与FAU库的检测精度对比结果分析图。
实验结果表明,本发明的方法由于使用了有效的三角网格特征表示、较快的匹配方法以及优化的后处理,具有了较高的检测精度以及较快的检测速度。
Claims (1)
1.一种基于三角网格综合特征的图像篡改检测方法,其特征在于按如下步骤进行:
约定:I指待检测的图像;I1为去噪后的图像;表示超像素块;是像素在中的概率;是的熵;I2为构造的颜色不变量图像;表示分区编码,编码值0、1分别对应非纹理、纹理区域;为第k个三角形,n为三角形的个数;指的内接圆;是的圆心、半径;为的外拓正方形;表示除了外的其余部分;分别代表的R、G、B三通道下的梯度熵;指的平均梯度熵;是由GCK技术提取WH内核生成的维度投影向量;p是特征向量;是添加到随机投影的偏移量,范围在,是固设阈值;表示CSH算法的散列函数;由维向量串联得到;为生成的散列表;表示patch的最近邻域集;a、b为patch中的元素;
a. 初始设置
读取待检测图像I,将其与高斯平滑滤波器做卷积运算,去除噪声后得到图像I1;
b. 超像素生成
结合图像I1的内容,利用SLIC方法生成紧凑且近似均匀的超像素块;
c. 图像特征点提取
c.1 根据下式计算每个超像素块的熵:
;
c.2 根据图像I1的色彩特征与几何结构特征,构造颜色不变量图像I2;
c.3 统计熵分布量,按照如下规则将图像I2划分非纹理、纹理区域:
其中,,;
c.4 针对两种区域,利用SIFER检测器在加和响应的尺度空间内,设置两种不同的窗口尺寸,实施特征点的提取;
d. 三角网格构造
在上步得到的特征点上,使用DT技术快速构造三角网格;
e. 三角网格特征构造
e.1 特征一:内接圆部分
e.1.1 根据的三个顶点,求出内接圆的圆心、半径;
e.1.2 通过、可以求出的外拓正方形,并在的四周“补0”;
e.1.3 计算的局部快速四元数圆谐傅里叶矩幅值;
e.1.4 通过对矩值进行几何攻击,从而选取8个稳定的值,将其作为三角网格的第一个特征;
e.2 特征二:其他部分
e.2.1 利用下式,得到三角网格的剩余部分内容:
;
e.2.2 对的R、G、B三通道通过如下公式,分别计算其梯度熵:
,
其中,中共有个梯度级,是第个梯度级出现的概率;
e.2.3 计算的平均梯度熵,将其作为三角网格的第二个特征:
;
e.3 重复步骤e.1~e.2,直到计算出所有的三角网格的特征,每个三角网格特征向量表示为8个稳定的快速四元数圆谐傅里叶矩幅值和1个平均梯度熵;
f. 三角网格特征匹配
f.1 利用SVD技术对三角网格特征向量进行降维,使其从9维稀疏向量变成3维稠密向量,更好地体现数据核心特征;
f.2 对三角网格特征建立索引,将CSH算法的散列函数定义为:
;
f. 3 将维向量串联得到:
;
f.4 生成散列表;
f.5 初始化ANNF,在中循环搜索每个patch的相应候选匹配,产生一个最近邻域集,如果来自中的与最相似,且满足下式,那么更新
;
f.6 对近似候选集中的各个元素进行再次投影,使用WH内核以欧氏距离为衡量标准排列元素,与当前patch的欧氏距离最小的patch为最近匹配,最终得到个最近匹配;
g. 后处理
g.1 采用DLF技术来调整偏移量,消除错误匹配,以增加正确检测的概率;
g.2 最后使用优化后的ZNCC算法和形态学操作等对匹配的区域进行标记。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711365663.3A CN107993230B (zh) | 2017-12-18 | 2017-12-18 | 基于三角网格综合特征的图像篡改检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711365663.3A CN107993230B (zh) | 2017-12-18 | 2017-12-18 | 基于三角网格综合特征的图像篡改检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107993230A true CN107993230A (zh) | 2018-05-04 |
CN107993230B CN107993230B (zh) | 2021-11-19 |
Family
ID=62039041
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711365663.3A Expired - Fee Related CN107993230B (zh) | 2017-12-18 | 2017-12-18 | 基于三角网格综合特征的图像篡改检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107993230B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111008955A (zh) * | 2019-11-06 | 2020-04-14 | 重庆邮电大学 | 多尺度图像块匹配的快速复制粘贴篡改检测方法 |
CN111754441A (zh) * | 2020-06-29 | 2020-10-09 | 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 |
CN113012270A (zh) * | 2021-03-24 | 2021-06-22 | 纵深视觉科技(南京)有限责任公司 | 一种立体显示的方法、装置、电子设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105427350A (zh) * | 2015-12-28 | 2016-03-23 | 辽宁师范大学 | 基于局部四元数指数矩的彩色图像复制篡改检测方法 |
CN106600598A (zh) * | 2016-12-22 | 2017-04-26 | 辽宁师范大学 | 基于局部网格匹配的彩色图像篡改检测方法 |
WO2017107867A1 (zh) * | 2015-12-22 | 2017-06-29 | 成都理想境界科技有限公司 | 一种图像质量评估方法及装置 |
-
2017
- 2017-12-18 CN CN201711365663.3A patent/CN107993230B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017107867A1 (zh) * | 2015-12-22 | 2017-06-29 | 成都理想境界科技有限公司 | 一种图像质量评估方法及装置 |
CN105427350A (zh) * | 2015-12-28 | 2016-03-23 | 辽宁师范大学 | 基于局部四元数指数矩的彩色图像复制篡改检测方法 |
CN106600598A (zh) * | 2016-12-22 | 2017-04-26 | 辽宁师范大学 | 基于局部网格匹配的彩色图像篡改检测方法 |
Non-Patent Citations (3)
Title |
---|
EDOARDO ARDIZZONE等: "Copy–Move Forgery Detection by Matching Triangles of Keypoints", 《IEEE TRANSACTIONS ON INFORMATION FORENSICS AND SECURITY》 * |
曹青媚等: "基于圆谐-傅里叶矩结合形态学滤波的数字图像篡改检测算法", 《科技通报》 * |
王浩明等: "一种基于三角形区域生长的图像篡改检测方法", 《武汉大学学报(理学版)》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111008955A (zh) * | 2019-11-06 | 2020-04-14 | 重庆邮电大学 | 多尺度图像块匹配的快速复制粘贴篡改检测方法 |
CN111754441A (zh) * | 2020-06-29 | 2020-10-09 | 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 |
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 |
CN113012270A (zh) * | 2021-03-24 | 2021-06-22 | 纵深视觉科技(南京)有限责任公司 | 一种立体显示的方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN107993230B (zh) | 2021-11-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bi et al. | Multi-level dense descriptor and hierarchical feature matching for copy–move forgery detection | |
Singh et al. | Svm-bdt pnn and fourier moment technique for classification of leaf shape | |
Raju et al. | Copy-move forgery detection using binary discriminant features | |
CN110334762B (zh) | 一种基于四叉树结合orb和sift的特征匹配方法 | |
Prakash et al. | Detection of copy-move forgery using AKAZE and SIFT keypoint extraction | |
Tinnathi et al. | An efficient copy move forgery detection using adaptive watershed segmentation with AGSO and hybrid feature extraction | |
Niu et al. | Fast and effective Keypoint-based image copy-move forgery detection using complex-valued moment invariants | |
CN107180436A (zh) | 一种改进的kaze图像匹配算法 | |
CN107993230B (zh) | 基于三角网格综合特征的图像篡改检测方法 | |
Chen et al. | Fast defocus map estimation | |
CN111199558A (zh) | 一种基于深度学习的图像匹配方法 | |
US20200005078A1 (en) | Content aware forensic detection of image manipulations | |
Tahaoglu et al. | Improved copy move forgery detection method via L* a* b* color space and enhanced localization technique | |
Adak | Gabor filter and rough clustering based edge detection | |
CN106600598B (zh) | 基于局部网格匹配的彩色图像篡改检测方法 | |
Zhang et al. | Infrared small target detection based on singularity analysis and constrained random walker | |
Rathi et al. | Copy move forgery detection by using integration of SLIC and SIFT | |
Wang et al. | Unified detection of skewed rotation, reflection and translation symmetries from affine invariant contour features | |
Zheng et al. | Copy-Move forgery detection algorithm based on feature point clustering | |
Wang et al. | Global contrast of superpixels based salient region detection | |
Ikhlayel et al. | A study of copy-move forgery detection scheme based on segmentation | |
CN109447957B (zh) | 一种基于关键点传递匹配的图像复制粘贴检测方法 | |
Zahra | Image duplication forgery detection using two robust features | |
Makandar et al. | Spliced Image Forgery Detection Using Adaptive Over-Segmentation Combined With AKAZE, ORB, and SIFT Feature Descriptors | |
Gupta et al. | A novel unsupervised thresholding technique for landsat image change detection |
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: 20211119 |
|
CF01 | Termination of patent right due to non-payment of annual fee |