CN108038488B - 基于sift和lbp混合的鲁棒性图像哈希方法 - Google Patents
基于sift和lbp混合的鲁棒性图像哈希方法 Download PDFInfo
- Publication number
- CN108038488B CN108038488B CN201711276212.2A CN201711276212A CN108038488B CN 108038488 B CN108038488 B CN 108038488B CN 201711276212 A CN201711276212 A CN 201711276212A CN 108038488 B CN108038488 B CN 108038488B
- Authority
- CN
- China
- Prior art keywords
- image
- lbp
- sift
- code
- hash code
- 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
Images
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
- G06V10/46—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
- 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
- G06V10/446—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 using Haar-like filters, e.g. using integral image techniques
-
- 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
- G06V10/467—Encoded features or binary features, e.g. local binary patterns [LBP]
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Editing Of Facsimile Originals (AREA)
Abstract
本发明公开了一种基于SIFT和LBP混合的鲁棒性图像哈希方法,该方法结合了SIFT和LBP两大特性,同时SIFT提取的特征描述子经过量化法则转换成二进制后,可以大大压缩它的存储空间,使之满足哈希编码的条件,根据SIFT描述子的配对可以将对接收图像的一些旋转和缩放操作进行还原,提取接收图像的LBP特征,比较接受到的LBP码和提取的LBP码,可以检测出图像被篡改的区域,同时兼顾了哈希码对内容保留操作的鲁棒性和对内容篡改攻击的敏感性。
Description
技术领域
本发明涉及一种基于SIFT(尺度不变特征变换)和LBP(局部二进制图样)混合的鲁棒性图像哈希方法,属于数字图像处理领域。
背景技术
图像哈希算法今年来在图像内容的认证、图像数据库中图像的检索、图像的伪造识别方面有着越来越重要与广泛的应用。图像哈希技术就是以图像的内容为基础,提取出一段不同图像所独有的哈希码来作为图像的身份标志。图像哈希码应具有以下性质:(1)单向性:由图像内容可以很容易提取它的哈希码,但是由哈希码不可能推出图像内容。(2)感知鲁棒性:与人眼的视觉特性相同,人眼感知上去内容相同或相似的图像所得到的哈希码应当是相同或相近的。(3)防碰撞:不同的图像提取出的哈希码应该是完全不同的,也就是说两个不同的哈希码能一下子区分出两张不同的图像。
经过哈希码拥有以上特性,但是要设计出一个对图像的内容保留性操作具有鲁棒性而对内容攻击性操作具有较高敏感性的算法是不容易的,而且哈希码应该具有相比于原图像较小的长度,而具有良好的功能的哈希码又要求较多的空间资源,所以哈希码的功能和消耗空间成了一对矛盾。尽管已经有许多的图像哈希算法,现有的图像哈希方法只针对特定图像攻击,而对图像内容保留的鲁棒性不足以及对联合的内容篡改攻击较为脆弱。
发明内容
为了解决上述技术问题,本发明提供了一种基于SIFT和LBP混合的鲁棒性图像哈希方法。
为了达到上述目的,本发明所采用的技术方案是:
基于SIFT和LBP混合的鲁棒性图像哈希方法,包括哈希码编码方法,具体步骤为,
使用SIFT方法提取图像中的所有特征点;
采用Harris角点检测准则计算出每个特征点的Harris响应值,将所有Harris响应值从大到小排列,选取前N个Harris响应值对应的特征点;
对选取的特征点描述子进行二进制量化,得到N个SIFT哈希码;
将图像分成S个无重叠的小块;
用LBP算法和DCT系数的量化结合的方法,获得S个LBP哈希码;
将N个SIFT哈希码和S个LBP哈希码按顺序拼接,得到图像哈希码。
在使用SIFT方法提取图像中的所有特征点之前,先对图像进行预处理,去除图像的毛刺噪声点。
Harris响应值的计算公式为,
其中,(x,y)表示特征点,ω(x,y)表示特征点周围的一个累加窗口,Ix和Iy表示特征点的水平和垂直方向的梯度值,M(x,y)表示一个累加的二阶方阵,H(x,y)为Harris响应值,det(M(x,y))为M(x,y)的行列式,trace(M(x,y))为M(x,y)的迹,λ1和λ2为M(x,y)的两个特征值,κ为一个数值。
对选取的特征点描述子进行二进制量化的过程为,
将128维的原始描述子的每4个维度累加合并为1个维度,得到32维的描述子;
将新描述子的数值小于阈值β的维度置0,大于等于阈值β的维度置1。
用LBP算法和DCT系数的量化结合的方法,获得LBP哈希码的过程为,
用LBP算法提取小块每个像素点的特征值;
将特征值的范围划分为n个区间,n个区间对应LBP哈希码的前n位;
根据每个区间特征值的数量,确定该区间对应的LBP哈希码位置的编码;
对该小块使用DCT,得到m个DCT系数,每个DCT系数对应LBP哈希码的后m位;
根据DCT系数的数值,确定对应的LBP哈希码位置的编码。
如果区间的特征值数量大于或等于特征值总数的1/n,则该区间对应的LBP哈希码位置的编码为1,否则为0;如果DCT系数的数值为正数,则对应的LBP哈希码位置的编码为1,否则为0。
还包括图像鉴别方法,具体包括以下步骤,
发送侧根据所述哈希码编码方法获得待发送图像的图像哈希码,发送侧向接收侧发送图像及图像哈希码;
接收侧根据接收的图像哈希码,获得发送图像的特征点描述子;
接收侧根据接收的图像,获得接收图像的特征点描述子,数量记为P1;
计算发送图像的特征点描述子和接收图像的特征点描述子的两两异或结果;
发送图像的每个特征点描述子,有P1个异或结果,将这些结果升序排序,如果前一个结果小于下一个结果的α倍,则认为发送图像的该特征点和前一个结果的接收图像的特征点匹配;
对接受图像进行几何矫正;
对几何矫正的接收图像进行分块,用LBP算法和DCT系数的量化结合的方法,获得LBP哈希码,并计算相对应小块的LBP哈希码的汉明距离,如果距离大于阈值T,则认为该小块的内容是经过篡改攻击。
在发送图像哈希码之前,会对其进行加密,加密方式为,
先取图像哈希码的长度,即为L,求一个L的适当约数Y,将图像哈希码分为L/Y段,在接收侧和发送侧设置相同的随机数字列生成器,将每段各位置的编码右移随机数序列中对应数字的位数。
本发明所达到的有益效果:SIFT提取的特征具有对旋转和缩放的图像保持不变的特性,LBP提取的特征所表示的图像局部内容与人眼的视觉特性相似,本发明结合了两大特性,同时SIFT提取的特征描述子经过量化法则转换成二进制后,可以大大压缩它的存储空间,使之满足哈希编码的条件,根据SIFT描述子的配对可以将对接收图像的一些旋转和缩放操作进行还原,提取接收图像的LBP特征,比较接受到的LBP码和提取的LBP码,可以检测出图像被篡改的区域,同时兼顾了哈希码对内容保留操作的鲁棒性和对内容篡改攻击的敏感性。
附图说明
图1为本发明的流程图;
图2为本发明涉及的哈希码中的SIFT部分编码方式说明;
图3为图像分块的图示说明;
图4为本发明涉及的哈希码的组成部分的图示说明;
图5为本发明的算法效果图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
如图1所示,基于SIFT和LBP混合的鲁棒性图像哈希方法,包括哈希码编码方法和图像鉴别方法。
哈希码编码方法,具体步骤为:
S1)先对图像进行预处理,去除图像的毛刺噪声点。
预处理可以包括低通滤波、直方图均衡化、图像大小的正则化。
S2)使用SIFT方法提取图像中的所有特征点。每个特征点的描述子代表了这个特征点周围的梯度分布情况,并且选出梯度最大的那个方向作为主方向,使之获得旋转不变性,除了特征点的描述子,SIFT还能获得每个特征点的主方向和角度数据,发送时将其加入到图像信息的尾部。
S3)采用Harris角点检测准则计算出每个特征点的Harris响应值,将所有Harris响应值从大到小排列,选取前N个Harris响应值对应的特征点,N=30。
Harris响应值的计算公式为:
其中,(x,y)表示特征点,ω(x,y)表示特征点周围的一个累加窗口,Ix和Iy表示特征点的水平和垂直方向的梯度值,M(x,y)表示一个累加的二阶方阵,H(x,y)为Harris响应值,det(M(x,y))为M(x,y)的行列式,trace(M(x,y))为M(x,y)的迹,λ1和λ2为M(x,y)的两个特征值,κ为0.04~0.15之间的一个数值。
S4)对选取的特征点描述子进行二进制量化,得到N个SIFT哈希码。
如图2所示,二进制量化的过程为:得到的原始描述子是一个128维的向量,数据类型是浮点型,首先将128维的原始描述子的每4个维度累加合并为1个维度,得到32维的描述子,然后进行浮点型到二进制的量化,即将新描述子的数值小于阈值β的维度置0,大于等于阈值β的维度置1,具体表达式如下:
其中,des(i,j)表示量化前第i个特征点描述子的第j维度的值,quades(i,j)表示量化后第i个特征点描述子的第j维度的值,β取值为0.5。
把描述子量化为二进制数(损失一定的精度),但是可以把相应的SIFT哈希码长度压缩到原来的1/32。
S5)将图像分成S个无重叠的小块。若图像的大小参考值为256×256,则将图像分成16×16个小块,分割方式如图3所示,每个小块的大小是16×16个像素点,每个块最终提取得到7位的哈希码。
S6)用LBP算法和DCT系数的量化结合的方法,获得S个LBP哈希码。
具体过程为:
61)用LBP算法提取小块每个像素点的特征值。
62)将特征值的范围划分为n个区间,n个区间对应LBP哈希码的前n位;其中,特征值的范围是0-255,n=4,即划分为4个区间[0,63]、[64,127]、[128,191]、[192,255],分别对应LBP哈希码的前4位。
63)根据每个区间特征值的数量,确定该区间对应的LBP哈希码位置的编码。
如果区间的特征值数量大于或等于特征值总数的1/4,则该区间对应的LBP哈希码位置的编码为1,否则为0;如果DCT系数的数值为正数,则对应的LBP哈希码位置的编码为1,否则为0。
64)对该小块使用DCT,得到m个DCT系数,每个DCT系数对应LBP哈希码的后m位,其中,m=3,即后3位。
对小块使用DCT,得到一个16×16大小的变换系数矩阵,左上角代表了小块内容的低频信息,也就是人眼感知的主要信息。
65)根据DCT系数的数值,确定对应的LBP哈希码位置的编码。
取(1,2),(2,1),(2,2)三个点,记为D1、D2、D3,取得他们的正负号,如(1,2)对应的数值为正数,则该块第5位哈希码为1,否则为0,如(2,1)对应的数值为正数,则该块第6位哈希码为1,否则为0,如(2,2)对应的数值为正数,则该块第7位哈希码为1,否则为0;
涉及的公式表述如下:
其中,L(j′)表示第j′个区间对应的LBP哈希码位置的编码,即LBP哈希码第j′位的编码,Nj′表示第j′个区间特征值的数量,j′为1~4的整数,P为小块的边长大小,k为5~7的整数,Dk-4表示DCT系数,L(k)表示LBP哈希码第k位的编码。
S7)将N个SIFT哈希码和S个LBP哈希码按顺序拼接,如图4所示,得到图像哈希码。
图像鉴别方法,具体包括以下步骤:
A)根据所述图像哈希方法获得待发送图像的图像哈希码,并对其进行加密。
加密方式为:先取图像哈希码的长度,即为L,求一个L的适当约数Y(100~200之间),将图像哈希码分为L/Y段,在接收侧和发送侧设置相同的随机数字列生成器,将每段各位置的编码右移随机数序列中对应数字的位数。
A)发送侧向接收侧发送图像及图像哈希码。
B)接收侧根据接收的图像哈希码,解码获得发送图像的特征点描述子。
C)接收侧根据接收的图像,提取接收图像特征点的角度和原坐标,获得接收图像的特征点描述子,数量记为P1。
D)计算发送图像的特征点描述子和接收图像的特征点描述子的两两异或结果。
E)发送图像的每个特征点描述子,有P1个异或结果,将这些结果升序排序,如果前一个结果小于下一个结果的α(建议值为0.5)倍,则认为发送图像的该特征点和前一个结果的接收图像的特征点匹配。
F)几何矫正;在取得至少两组配对的角度和坐标,可以根据仿射变换的公式计算出图像所经过的旋转、位移、缩放变换,将接受图像变换到和发送图像相同的角度位置。
G)对几何矫正的接收图像进行分块,用LBP算法和DCT系数的量化结合的方法,获得LBP哈希码(和哈希码编码方法中的相同),计算相对应小块的LBP哈希码的汉明距离,如果距离大于T,T=3,则认为该小块的内容是经过篡改攻击。
接收侧的鉴别效果如图5所示,左图是发送侧发送的图像,右图是接收侧接收到的图像,中间是经算法计算之后的效果图,红框内为内容篡改区域。
上述方法效果与之前存在的部分算法的鲁棒性和敏感性对比如表1和表2所示,PTPR代表真阳性率。由表1可知,本发明对一些内容保留的图像操作具有较好的鲁棒性,也解决了别的算法对图像的旋转具有极其不稳定的缺点。由表2可知,本算法对各种内容篡改攻击的识别率远远高于先前的算法。
表1本发明与其他已有哈希算法的鲁棒性比较表
表2本发明与其他已有哈希算法的篡改识别性能比较表
上述方法在构造哈希码的时候充分考虑了经过几何变换和内容篡改的接收图像并不能直接检测出经历内容篡改的区域,而应该将接收图像几何矫正到与原图像相同的角度和尺寸大小,这样无论原图像经过怎样的几何变换,在信息损失不过多的情况下,都能恢复出原图像的观测视角,进而将接收图像和原图像的相应区域进行比较,检测内容是否被篡改,同时兼顾了哈希码对内容保留操作的鲁棒性和对内容篡改攻击的敏感性。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (7)
1.基于SIFT和LBP混合的鲁棒性图像哈希方法,其特征在于:包括哈希码编码方法,具体步骤为,
使用SIFT方法提取图像中的所有特征点;
采用Harris角点检测准则计算出每个特征点的Harris响应值,将所有Harris响应值从大到小排列,选取前N个Harris响应值对应的特征点;
对选取的特征点描述子进行二进制量化,得到N个SIFT哈希码;其中,SIFT为尺度不变特征变换;
将图像分成S个无重叠的小块;
用LBP算法和DCT系数的量化结合的方法,获得S个LBP哈希码,具体过程为:
用LBP算法提取小块每个像素点的特征值;
将特征值的范围划分为n个区间,n个区间对应LBP哈希码的前n位,其中,LBP为局部二进制图样;
根据每个区间特征值的数量,确定该区间对应的LBP哈希码位置的编码;
对该小块使用DCT,得到m个DCT系数,每个DCT系数对应LBP哈希码的后m位;
根据DCT系数的数值,确定对应的LBP哈希码位置的编码;
将N个SIFT哈希码和S个LBP哈希码按顺序拼接,得到图像哈希码。
2.根据权利要求1所述的基于SIFT和LBP混合的鲁棒性图像哈希方法,其特征在于:在使用SIFT方法提取图像中的所有特征点之前,先对图像进行预处理,去除图像的毛刺噪声点。
4.根据权利要求1所述的基于SIFT和LBP混合的鲁棒性图像哈希方法,其特征在于:对选取的特征点描述子进行二进制量化的过程为,
将128维的原始描述子的每4个维度累加合并为1个维度,得到32维的描述子;
将新描述子的数值小于阈值β的维度置0,大于等于阈值β的维度置1。
5.根据权利要求1所述的基于SIFT和LBP混合的鲁棒性图像哈希方法,其特征在于:如果区间的特征值数量大于或等于特征值总数的1/n,则该区间对应的LBP哈希码位置的编码为1,否则为0;如果DCT系数的数值为正数,则对应的LBP哈希码位置的编码为1,否则为0。
6.根据权利要求1所述的基于SIFT和LBP混合的鲁棒性图像哈希方法,其特征在于:还包括图像鉴别方法,具体包括以下步骤,
发送侧根据所述哈希码编码方法获得待发送图像的图像哈希码,发送侧向接收侧发送图像及图像哈希码;
接收侧根据接收的图像哈希码,获得发送图像的特征点描述子;
接收侧根据接收的图像,获得接收图像的特征点描述子,数量记为P1;
计算发送图像的特征点描述子和接收图像的特征点描述子的两两异或结果;
发送图像的每个特征点描述子,有P1个异或结果,将这些结果升序排序,如果前一个结果小于下一个结果的α倍,则认为发送图像的该特征点和前一个结果的接收图像的特征点匹配;
对接受图像进行几何矫正;
对几何矫正的接收图像进行分块,用LBP算法和DCT系数的量化结合的方法,获得LBP哈希码,并计算相对应小块的LBP哈希码的汉明距离,如果距离大于阈值T,则认为该小块的内容是经过篡改攻击。
7.根据权利要求6所述的基于SIFT和LBP混合的鲁棒性图像哈希方法,其特征在于:在发送图像哈希码之前,会对其进行加密,加密方式为,
先取图像哈希码的长度,即为L,求一个L的约数Y,将图像哈希码分为L/Y段,在接收侧和发送侧设置相同的随机数字列生成器,将每段各位置的编码右移随机数序列中对应数字的位数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711276212.2A CN108038488B (zh) | 2017-12-06 | 2017-12-06 | 基于sift和lbp混合的鲁棒性图像哈希方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711276212.2A CN108038488B (zh) | 2017-12-06 | 2017-12-06 | 基于sift和lbp混合的鲁棒性图像哈希方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108038488A CN108038488A (zh) | 2018-05-15 |
CN108038488B true CN108038488B (zh) | 2021-09-17 |
Family
ID=62095444
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711276212.2A Active CN108038488B (zh) | 2017-12-06 | 2017-12-06 | 基于sift和lbp混合的鲁棒性图像哈希方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108038488B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107909076A (zh) * | 2017-12-11 | 2018-04-13 | 奕响(大连)科技有限公司 | 一种基于lbp的图片相似判定方法 |
CN109410115B (zh) * | 2018-10-31 | 2023-04-18 | 山东省计算中心(国家超级计算济南中心) | 基于sift特征点的自适应容量图像盲水印嵌入与提取方法 |
CN113160029B (zh) * | 2021-03-31 | 2022-07-05 | 海南大学 | 一种基于感知哈希和数据增强的医学图像数字水印方法 |
CN115311287B (zh) * | 2022-10-12 | 2023-04-07 | 南通欧通石油设备有限公司 | 一种共轨喷油器生产异常检测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107423768A (zh) * | 2017-08-02 | 2017-12-01 | 上海应用技术大学 | 基于surf和pca结合的图像哈希序列生成方法 |
CN107945111A (zh) * | 2017-11-17 | 2018-04-20 | 中国矿业大学 | 一种基于surf特征提取结合cs‑lbp描述符的图像拼接方法 |
-
2017
- 2017-12-06 CN CN201711276212.2A patent/CN108038488B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107423768A (zh) * | 2017-08-02 | 2017-12-01 | 上海应用技术大学 | 基于surf和pca结合的图像哈希序列生成方法 |
CN107945111A (zh) * | 2017-11-17 | 2018-04-20 | 中国矿业大学 | 一种基于surf特征提取结合cs‑lbp描述符的图像拼接方法 |
Non-Patent Citations (1)
Title |
---|
SIFT和旋转不变LBP相结合的图像匹配算法;郑永斌等;《计算机辅助设计与图形学学报》;20100215;第22卷(第2期);第286-292页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108038488A (zh) | 2018-05-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108038488B (zh) | 基于sift和lbp混合的鲁棒性图像哈希方法 | |
US8483427B2 (en) | System and method for image authentication | |
Tang et al. | Robust image hashing for tamper detection using non-negative matrix factorization | |
CN105471575B (zh) | 一种信息加密、解密方法及装置 | |
Lu et al. | Multimedia forensic hash based on visual words | |
CN102903075A (zh) | 基于图像特征点全局校正的鲁棒水印方法 | |
CN104166955A (zh) | 基于保角变换图像哈希生成及图像篡改检测定位方法 | |
Tang et al. | Structural feature-based image hashing and similarity metric for tampering detection | |
CN103414840A (zh) | 一种基于图像集的数据隐藏方法 | |
Maind et al. | Image copy move forgery detection using block representing method | |
CN114036467A (zh) | 一种基于区块链的短视频版权保护方法 | |
CN107346528B (zh) | 一种基于双图可逆脆弱水印的图像篡改检测方法 | |
CN105227964B (zh) | 视频认证方法及系统 | |
Huang et al. | Robust texture-aware local adaptive image watermarking with perceptual guarantee | |
Tzeng et al. | A new technique for authentication of image/video for multimedia applications | |
Saikia et al. | Image authentication under geometric attacks via concentric square partition based image hashing | |
Hong et al. | A color image authentication scheme with grayscale invariance | |
CN102129549B (zh) | 基于缩略图和奇异值分解的图像Hash方法 | |
Xue et al. | SSL: A novel image hashing technique using SIFT keypoints with saliency detection and LBP feature extraction against combinatorial manipulations | |
Li et al. | Protecting biometric templates using authentication watermarking | |
Chen et al. | Color image authentication and recovery via adaptive encoding | |
Sethi et al. | Video security against deepfakes and other forgeries | |
Chalamala et al. | Local binary patterns for digital image watermarking | |
Patil et al. | Image hashing using AQ-CSLBP with double bit quantization | |
CN115526282A (zh) | 水印加密方法、水印提取方法、装置及存储介质 |
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 |