CN108109141B - 基于超像素多特征匹配的同源局部复制检测方法 - Google Patents

基于超像素多特征匹配的同源局部复制检测方法 Download PDF

Info

Publication number
CN108109141B
CN108109141B CN201711365742.4A CN201711365742A CN108109141B CN 108109141 B CN108109141 B CN 108109141B CN 201711365742 A CN201711365742 A CN 201711365742A CN 108109141 B CN108109141 B CN 108109141B
Authority
CN
China
Prior art keywords
super
algorithm
image
pixel
color
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
Application number
CN201711365742.4A
Other languages
English (en)
Other versions
CN108109141A (zh
Inventor
杨红颖
牛影
牛盼盼
王向阳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Liaoning Normal University
Original Assignee
Liaoning Normal University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Liaoning Normal University filed Critical Liaoning Normal University
Priority to CN201711365742.4A priority Critical patent/CN108109141B/zh
Publication of CN108109141A publication Critical patent/CN108109141A/zh
Application granted granted Critical
Publication of CN108109141B publication Critical patent/CN108109141B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06T3/14—Transformations for image registration, e.g. adjusting or mapping for alignment of images
    • G06T3/147—Transformations for image registration, e.g. adjusting or mapping for alignment of images using affine transformations
    • 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
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G06T7/41—Analysis of texture based on statistical description of texture
    • G06T7/45—Analysis of texture based on statistical description of texture using co-occurrence matrix computation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30168—Image quality inspection

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于超像素多特征匹配的同源局部复制篡改检测方法，首先对待检测图像进行高斯平滑滤波预处理，使用BEMD算法求取图像纹理程度比例，自适应初始化超像素分块个数；其次，利用基于SLIC超像素分割算法获取图像超像素分块，使用查色表颜色量化技术和纹理矩分析方法得到超像素分块的特征信息；然后，利用Rg2NN算法和BBF算法进行超像素分块的特征匹配；最后，利用SIFT特征点提取算法、RANSAC方法、ZNCC算法、形态学方法等进行后处理。

Description

基于超像素多特征匹配的同源局部复制检测方法
技术领域
本发明属于数字图像取证技术领域，涉及针对复制粘贴的图像篡改检测方法，特别涉及一种基于超像素多特征匹配的同源局部复制篡改检测方法。
背景技术
近年来，图像已经成为人们生活中必不可少的一部分，尤其是在新闻、医学、军事、情报等领域中，图像作为信息的载体和数字证据发挥着不可或缺的重要作用。随着计算机网络技术和便携式数码设备的高速发展以及应用范围的不断扩大，给人们的生活和工作带来效率的同时，也使得图像的篡改变得更为容易。图像处理软件的飞速增长更是催生了大量没有明显痕迹的篡改图像，篡改图像出现的频率越来越高，人们不依靠技术手段，仅仅凭借肉眼去辨认的可能性愈发降低。大多数篡改图像往往会被篡改者用于不良的用途，对整个社会造成极大影响，特别是同源局部复制的篡改，近几年来泛滥出现于各种场合之中，因此急需可靠的篡改检测方法来确定候选图像的可信度，图像篡改检测技术便由此应运而生。
同源局部复制篡改是一种十分常见的图像篡改技术，篡改者往往将图像中的一部分内容进行复制后再粘贴到原图像上的另一部分，用以达到掩盖特定对象的目的。为了使这种篡改更难被检测，篡改者通常会对复制部分进行一系列诸如压缩、旋转、缩放的操作后再进行粘贴。目前，针对同源局部复制篡改的检测方法可以分为两大类：基于块的检测方法和基于特征点的检测方法。其中基于块的检测方法具有定位精度高的优势，且对经过噪声、压缩等处理过的图像检测效果好，但该类方法检测的时间复杂度极高；而基于特征点的检测方法通过提取待检测图像的特征点，并使用相应的局部特征描述子进行特征点之间的匹配，使得该方法的检测时间复杂度得到了大幅度的降低，但该类方法对于平滑的篡改区域检测效果并不理想。因此，现有的大多数篡改检测方法仍然存在检测精度提高，而时间复杂度也随之提高，或是时间复杂度降低，但检测精度也随之降低的问题。
发明内容
本发明是为了解决现有的复制粘贴篡改检测技术所存在的上述技术问题，提供一种基于超像素多特征匹配的同源局部复制篡改检测方法。
本发明的技术解决方案是：一种基于超像素多特征匹配的同源局部复制篡改检测方法，其特征在于按照如下步骤进行：
约定：I指待检测图像；I1指经过高斯平滑滤波预处理的图像；BEMD是指二维经验模式分解算法；SLIC是指超像素分割算法；矩阵superMatrix用于存放所有超像素分块的特征信息；Rg2NN是指逆序广义2近邻算法；BBF为优化查找算法；RANSAC是指去除错误匹配的参数估计方法；ZNCC是立体匹配算法；
a.初始设置
读取待检测图像I，对I进行高斯平滑滤波预处理得到图像I1；
b.自适应初始化超像素分块个数
b.1对图像I进行BEMD分解，得到4个固有模式函数IMF1、IMF2、IMF3、IMF4和残差r4；
b.2按照下式计算残差能量ELF和固有模式函数能量EHF以及固有模式函数能量占总能量比例PLF，设置PLF近似表示为纹理程度比例S：
ELF＝∑|r4|，
Figure GDA0003252084300000021
Figure GDA0003252084300000022
b.3求取超像素个数Num：Num＝a/S，其中，a表示分块相关系数；
c.图像超像素分块
利用SLIC算法，按照b步骤所得到的超像素分块个数对图像I1进行分割，标记每个超像素分块；
d.超像素分块特征计算
d.1选择一超像素分块，采用查色表颜色量化技术对超像素分块做量化，计算查色表中颜色Ct与超像素块颜色P之间的欧拉距离Ctd(t＝0,1,…,24)：
Figure GDA0003252084300000023
具有最小欧拉距离Cd＝min(Ctd)的颜色即为P的量化颜色，统计超像素每一分块的量化颜色，并将最多的前3种主要颜色作为该分块的颜色特征；
d.2然后使用纹理矩分析方法，求得均值、方差、扭曲度、峰度和熵5个纹理特征如下：
Figure GDA0003252084300000031
Figure GDA0003252084300000032
Figure GDA0003252084300000033
Figure GDA0003252084300000034
Figure GDA0003252084300000035
其中，k＝1,2,3,…N为不同的图像灰度级；
d.3每一超像素分块的特征由3个颜色特征与5个纹理特征组成，重复d.1～d.2，将所有超像素分块的特征信息放入矩阵superMatrix中；
e.Rg2NN快速匹配
e.1使用BBF算法计算每个分块的近邻特征块；
e.2计算每一超像素分块和其他分块的欧氏距离并按照从小到大的顺序排列，得到D＝{d1,d2,…dn-1}；
e.3依次逆序计算特征描述子欧氏距离之间的比值Tl＝dl/dl+1(l＝1,2,…n-2)，若Tw<Tg2NN(1≤w≤n-2)，且Tw+1≥Tg2NN，则说明待检测超像素分块和距其{d1,d2,…dw}的w个分块均特征相似，Tg2NN取值为0.7；
f.后处理
f.1使用SIFT算法进行特征点提取，若一对匹配块中一个块的特征点数为p，另一个块的特征点数为q，则得到点对M＝p×q；
f.2对每一对匹配块上的匹配点对M进行RANSAC操作；
f.3将所有具有相同仿射变化的匹配点对放到同一矩阵中，再次利用RANSAC方法来消除错误匹配；
f.4最后使用ZNCC算法及形态学方法对匹配的区域进行标记。
本发明首先对待检测图像进行高斯平滑滤波预处理，使用BEMD算法求取图像纹理程度比例，自适应初始化超像素分块个数；其次，利用基于SLIC超像素分割算法获取图像超像素分块，使用查色表颜色量化技术和纹理矩分析方法得到超像素分块的特征信息；然后，利用Rg2NN算法和BBF算法进行超像素分块的特征匹配；最后，利用SIFT特征点提取算法、RANSAC方法、ZNCC算法、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SLIC算法、颜色特征、纹理特征以及Rg2NN快速匹配算法，并结合了SIFT算法解决了图像不规则分块的后处理问题，能够在保证分块检测精确度的同时大幅度降低时间复杂度。
与现有技术相比，本发明具有以下有益效果：
第一，使用基于SLIC超像素的图分割算法对待检测图像进行分块，具有运行速度、生成超像素的紧凑度、轮廓保持方面的优势；
第二，结合图像的颜色特征与纹理特征，很好的刻画描述了超像素块的特征信息，在抵抗攻击方面更具有鲁棒性；
第三，使用Rg2NN和BBF快速匹配算法，提高了特征匹配速度以及篡改检测精度；
第四，结合SIFT特征点提取算法与RANSAC方法，有效地解决了不规则分块的后处理问题。
附图说明
图1为本发明实施例篡改区域标记图。
图2为本发明实施例中间具体步骤结果图。
图3为本发明实施例FUA库的部分篡改检测结果图。
图4为本发明实施例GRIP库的部分篡改检测结果图。
图5为本发明实施例Ard库的部分篡改检测结果图。
图6为本发明实施例的流程图。
具体实施方式
本发明的方法如图6所示共包括五个阶段：自适应初始化超像素分块个数、图像超像素分块、超像素分块特征计算、Rg2NN快速匹配和后处理。
约定：I指待检测图像；I1指经过高斯平滑滤波预处理的图像；BEMD是指二维经验模式分解算法；SLIC是指超像素分割算法；矩阵superMatrix用于存放所有超像素分块的特征信息；Rg2NN是指逆序广义2近邻算法；BBF为优化查找算法；RANSAC是指去除错误匹配的参数估计方法；ZNCC是立体匹配算法；
a.初始设置
读取待检测图像I，对I进行高斯平滑滤波预处理得到图像I1；
b.自适应初始化超像素分块个数
b.1对图像I进行BEMD分解，得到4个固有模式函数IMF1、IMF2、IMF3、IMF4和残差r4；
b.2按照下式计算残差能量ELF和固有模式函数能量EHF以及固有模式函数能量占总能量比例PLF，设置PLF近似表示为纹理程度比例S：
ELF＝∑|r4|，
Figure GDA0003252084300000051
Figure GDA0003252084300000052
b.3求取超像素个数Num：Num＝a/S，其中，a表示分块相关系数；
c.图像超像素分块
利用SLIC算法，按照b步骤所得到的超像素分块个数对图像I1进行分割，标记每个超像素分块；
d.超像素分块特征计算
d.1选择一超像素分块，采用查色表颜色量化技术对超像素分块做量化，计算查色表中颜色Ct与超像素块颜色P之间的欧拉距离Ctd(t＝0,1,…,24)：
Figure GDA0003252084300000053
具有最小欧拉距离Cd＝min(Ctd)的颜色即为P的量化颜色，统计超像素每一分块的量化颜色，并将最多的前3种主要颜色作为该分块的颜色特征；
d.2然后使用纹理矩分析方法，求得均值、方差、扭曲度、峰度和熵5个纹理特征如下：
Figure GDA0003252084300000054
Figure GDA0003252084300000055
Figure GDA0003252084300000056
Figure GDA0003252084300000057
Figure GDA0003252084300000058
其中，k＝1,2,3,…N为不同的图像灰度级；
d.3每一超像素分块的特征由3个颜色特征与5个纹理特征组成，重复d.1～d.2，将所有超像素分块的特征信息放入矩阵superMatrix中；
e.Rg2NN快速匹配
e.1使用BBF算法计算每个分块的近邻特征块；
e.2计算每一超像素分块和其他分块的欧氏距离并按照从小到大的顺序排列，得到D＝{d1,d2,…dn-1}；
e.3依次逆序计算特征描述子欧氏距离之间的比值Tl＝dl/dl+1(l＝1,2,…n-2)，若Tw<Tg2NN(1≤w≤n-2)，且Tw+1≥Tg2NN，则说明待检测超像素分块和距其{d1,d2,…dw}的w个分块均特征相似，Tg2NN取值为0.7；
f.后处理
f.1使用SIFT算法进行特征点提取，若一对匹配块中一个块的特征点数为p，另一个块的特征点数为q，则得到点对M＝p×q；
f.2对每一对匹配块上的匹配点对M进行RANSAC操作；
f.3将所有具有相同仿射变化的匹配点对放到同一矩阵中，再次利用RANSAC方法来消除错误匹配；
f.4最后使用ZNCC算法及形态学方法对匹配的区域进行标记。
实验测试和参数设置：
实验是在Windows10×64位环境下，使用Matlab7.12.0执行的，实验所涉及到的三个图像库分别为FAU、GRIP和Ard，均已公开，可以在网上自行搜索下载。
图1为本发明实施例篡改区域标记图。
图2为本发明实施例中间具体步骤结果图。
图3为本发明实施例FUA库的部分篡改检测结果图。
图4为本发明实施例GRIP库的部分篡改检测结果图。
图5为本发明实施例Ard库的部分篡改检测结果图。
图6为本发明实施例流程图。
实验结果表明，本发明的方法由于使用SLIC算法、颜色特征、纹理特征以及Rg2NN快速匹配算法，并结合了SIFT算法解决了图像不规则分块的后处理问题，能够在保证分块检测精确度的同时大幅度降低时间复杂度。

Claims (1)

1.一种基于超像素多特征匹配的同源局部复制篡改检测方法，其特征在于按如下步骤进行：
约定：I指待检测图像；I1指经过高斯平滑滤波预处理的图像；BEMD是指二维经验模式分解算法；SLIC是指超像素分割算法；矩阵superMatrix用于存放所有超像素分块的特征信息；Rg2NN是指逆序广义2近邻算法；BBF为优化查找算法；RANSAC是指去除错误匹配的参数估计方法；ZNCC是立体匹配算法；
a.初始设置
读取待检测图像I，对I进行高斯平滑滤波预处理得到图像I1；
b.自适应初始化超像素分块个数
b.1对图像I进行BEMD分解，得到4个固有模式函数IMF1、IMF2、IMF3、IMF4和残差r4；
b.2按照下式计算残差能量ELF和固有模式函数能量EHF以及固有模式函数能量占总能量比例PLF，设置PLF近似表示为纹理程度比例S：
ELF＝∑|r4|，
Figure FDA0003252084290000011
Figure FDA0003252084290000012
b.3求取超像素个数Num：Num＝a/S，其中，a表示分块相关系数；
c.图像超像素分块
利用SLIC算法，按照b步骤所得到的超像素分块个数对图像I1进行分割，标记每个超像素分块；
d.超像素分块特征计算
d.1选择一超像素分块，采用查色表颜色量化技术对超像素分块做量化，计算查色表中颜色Ct与超像素块颜色P之间的欧拉距离Ctd(t＝0,1,…,24)：
Figure FDA0003252084290000013
具有最小欧拉距离Cd＝min(Ctd)的颜色即为P的量化颜色，统计超像素每一分块的量化颜色，并将最多的前3种主要颜色作为该分块的颜色特征；
d.2然后使用纹理矩分析方法，求得均值、方差、扭曲度、峰度和熵5个纹理特征如下：
Figure FDA0003252084290000021
Figure FDA0003252084290000022
Figure FDA0003252084290000023
Figure FDA0003252084290000024
Figure FDA0003252084290000025
其中，k＝1,2,3,…N为不同的图像灰度级；
d.3每一超像素分块的特征由3个颜色特征与5个纹理特征组成，重复d.1～d.2，将所有超像素分块的特征信息放入矩阵superMatrix中；
e.Rg2NN快速匹配
e.1使用BBF算法计算每个分块的近邻特征块；
e.2计算每一超像素分块和其他分块的欧氏距离并按照从小到大的顺序排列，得到D＝{d1,d2,…dn-1}；
e.3依次逆序计算特征描述子欧氏距离之间的比值Tl＝dl/dl+1(l＝1,2,…n-2)，若Tw<Tg2NN(1≤w≤n-2)，且Tw+1≥Tg2NN，则说明待检测超像素分块和距其{d1,d2,…dw}的w个分块均特征相似，Tg2NN取值为0.7；
f.后处理
f.1使用SIFT算法进行特征点提取，若一对匹配块中一个块的特征点数为p，另一个块的特征点数为q，则得到点对M＝p×q；
f.2对每一对匹配块上的匹配点对M进行RANSAC操作；
f.3将所有具有相同仿射变化的匹配点对放到同一矩阵中，再次利用RANSAC方法来消除错误匹配；
f.4最后使用ZNCC算法及形态学方法对匹配的区域进行标记。
CN201711365742.4A 2017-12-18 2017-12-18 基于超像素多特征匹配的同源局部复制检测方法 Expired - Fee Related CN108109141B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711365742.4A CN108109141B (zh) 2017-12-18 2017-12-18 基于超像素多特征匹配的同源局部复制检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711365742.4A CN108109141B (zh) 2017-12-18 2017-12-18 基于超像素多特征匹配的同源局部复制检测方法

Publications (2)

Publication Number Publication Date
CN108109141A CN108109141A (zh) 2018-06-01
CN108109141B true CN108109141B (zh) 2021-11-19

Family

ID=62209871

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711365742.4A Expired - Fee Related CN108109141B (zh) 2017-12-18 2017-12-18 基于超像素多特征匹配的同源局部复制检测方法

Country Status (1)

Country Link
CN (1) CN108109141B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112991408B (zh) * 2021-04-19 2021-07-30 湖南大学 大场景高分辨率遥感图像自适应区域多特征配准方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
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
CN101707711A (zh) * 2009-11-03 2010-05-12 上海大学 一种基于压缩域的视频序列Copy-Move篡改检测方法
CN102521821A (zh) * 2011-10-24 2012-06-27 南开大学 数字图像中一种自动识别和定位篡改区域的方法
CN102956026A (zh) * 2011-08-26 2013-03-06 鲍丽燕 基于不变矩的Copy-Move型篡改图像盲检测方法
CN106683074A (zh) * 2016-11-03 2017-05-17 中国科学院信息工程研究所 一种基于雾霾特性的图像篡改检测方法
KR101755980B1 (ko) * 2016-01-29 2017-07-10 세종대학교산학협력단 스케일 스페이스 표현에 기반한 유사 영역 검출 방법 및 그 장치

Patent Citations (6)

* Cited by examiner, † Cited by third party
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
CN101707711A (zh) * 2009-11-03 2010-05-12 上海大学 一种基于压缩域的视频序列Copy-Move篡改检测方法
CN102956026A (zh) * 2011-08-26 2013-03-06 鲍丽燕 基于不变矩的Copy-Move型篡改图像盲检测方法
CN102521821A (zh) * 2011-10-24 2012-06-27 南开大学 数字图像中一种自动识别和定位篡改区域的方法
KR101755980B1 (ko) * 2016-01-29 2017-07-10 세종대학교산학협력단 스케일 스페이스 표현에 기반한 유사 영역 검출 방법 및 그 장치
CN106683074A (zh) * 2016-11-03 2017-05-17 中国科学院信息工程研究所 一种基于雾霾特性的图像篡改检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
A new keypoint-based copy-move forgery detection for small smooth regions;Wang, Xiang-Yang等;《Multimedia Tools & Applications》;20161118;第76卷(第22期);全文 *
一种基于逆序广义2近邻的图像多重复制粘贴篡改检测算法;李岩等;《电子与信息学报》;20150731;全文 *

Also Published As

Publication number Publication date
CN108109141A (zh) 2018-06-01

Similar Documents

Publication Publication Date Title
Ye et al. Dynamic texture based smoke detection using Surfacelet transform and HMT model
Kakar et al. Exposing postprocessed copy–paste forgeries through transform-invariant features
Wang et al. Nonconvex Weighted $\ell _p $ Minimization Based Group Sparse Representation Framework for Image Denoising
CN108830279B (zh) 一种图像特征提取与匹配方法
Choudhary et al. Signature Recognition & Verification System Using Back Propagation Neural Network
Diwan et al. Unveiling copy-move forgeries: Enhancing detection with SuperPoint keypoint architecture
Pallavi et al. A novel approach for generating composite sketches from mugshot photographs
CN107993230B (zh) 基于三角网格综合特征的图像篡改检测方法
CN108109141B (zh) 基于超像素多特征匹配的同源局部复制检测方法
Zhang et al. Image inpainting for object removal based on adaptive two-round search strategy
CN114529742A (zh) 图像相似度确定方法、装置、设备及计算机可读存储介质
Ustubioglu et al. A novel keypoint based forgery detection method based on local phase quantization and SIFT
Yu et al. Real-time non-local means image denoising algorithm based on local binary descriptor
Tan et al. Image Manipulation Detection Using the Attention Mechanism and Faster R-CNN [J]
CN113989205A (zh) 基于梯度余弦相似的orb误匹配剔除算法
CN111738274B (zh) 基于局部光滑投影的抗对抗攻击相机源识别方法
CN111695526B (zh) 网络模型生成方法、行人重识别方法及装置
CN106952211B (zh) 基于特征点投影的紧凑型图像哈希方法
CN114926348A (zh) 一种去除低照度视频噪声的装置和方法
Shahi et al. High Capacity Reversible Steganography on CMY and HSI Color Images Using Image Interpolation
Kale et al. Copy Move Forgery Detection-A Robust Technique
Patil et al. Image hashing by SDQ-CSLBP
Wang et al. A wavelet energy decomposition signature for robust non-rigid shape matching
Chen et al. A novel digital watermarking approach under the DCT and SVM
Joseph et al. A Novel Denoising Algorithm Based on Superpixel Clustering and Dictionary Learning Approach.

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