CN109784357A - 一种基于统计模型的图像重拍检测方法 - Google Patents
一种基于统计模型的图像重拍检测方法 Download PDFInfo
- Publication number
- CN109784357A CN109784357A CN201811373963.0A CN201811373963A CN109784357A CN 109784357 A CN109784357 A CN 109784357A CN 201811373963 A CN201811373963 A CN 201811373963A CN 109784357 A CN109784357 A CN 109784357A
- Authority
- CN
- China
- Prior art keywords
- image
- model
- channels
- gray level
- feature
- 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 66
- 238000013179 statistical model Methods 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims description 25
- 238000012360 testing method Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims 2
- 238000012545 processing Methods 0.000 abstract description 7
- 238000002474 experimental method Methods 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 6
- 230000006835 compression Effects 0.000 description 5
- 238000007906 compression Methods 0.000 description 5
- 241001350462 Panthera tigris amoyensis Species 0.000 description 4
- 238000012937 correction Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000013432 robust analysis Methods 0.000 description 1
- 230000016776 visual perception Effects 0.000 description 1
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于统计模型的图像重拍检测方法,包括:利用灰度共生矩阵的数字特征、Tamura特征、LBP特征和小波系数统计量构造取证特征;利用经提取的图像的取证特征建立统计模型;将得到的模型输入到LibSVM分类器,进行图像重拍摄检测,得出结果,实验结果表明所本发明的方法不仅具有较高的检测精确度,而且对于常规的图像处理操作具有鲁棒性。
Description
技术领域
本发明属于图像重拍摄检测技术领域,涉及一种基于统计模型的图像重拍检测方法。
背景技术
近年来,随着互联网和数字技术的不断发展,社交网站、微博、微信、QQ等社交工具成为生活必备品之后,数字图像作为信息载体以前所未有的速度被应用。但是随着图像编辑软件以及各种数字处理技术的发展,图像内容很容易被篡改、伪造、拷贝、翻拍、非法使用,使得图像内容的可信度大大降低。近年来一些图像篡改伪造事件的发生,在许多方面造成了不良影响。
图像重拍摄(翻拍)是指对已有的图像通过重新拍摄进行二次或多次成像,以生成虚拟的或伪造的场景。例如,图1为陕西猎人周正龙拍摄的“华南虎”照片,实际上是用华南虎图画放在真实场景中重新拍摄获得的,见图3。图像重拍摄不仅破坏了图像的原始性,而且是一种典型的反取证手段,能够使篡改伪造的图像躲避取证技术的检测。对数字图像重拍摄检测技术的研究,能够保证图像的原始性,挫败反取证技术对取证算法的干扰,对维护法律公正、新闻诚信、科学诚信等具有重要的意义。
图像重拍摄(翻拍)主要分为四大类:1.对包含有图片的真实场景的拍摄,即真实场景照片中包含有重拍摄的部分区域,如图2中周正龙拍摄的“华南虎”;2.对于打印纸张的图像重拍摄;3.对于液晶显示屏幕的重拍摄;4.对于视频的重拍摄,典型的检测方法有:基于真实场景中数码图像的图像重拍摄检测、基于打印纸张的图像重拍摄检测、基于LCD屏幕的图像重拍摄检测以及基于视频的重拍摄检测,现有的检测方式精确度低,鲁棒性小,不能满足现阶段的检测需求。
发明内容
本发明的目的是提供一种基于统计模型的图像重拍检测方法,提供了一种不仅具有较高的检测精确度,而且对于常规的图像处理操作具有鲁棒性的检测方法。
本发明所采用的技术方案是,本发明的一种基于统计模型的图像重拍检测方法,具体包括如下步骤:
步骤1,利用灰度共生矩阵的数字特征、Tamura特征、LBP特征和小波系数统计量构造图像的取证特征;
步骤2,利用经步骤1提取的图像的取证特征建立统计模型;
步骤3,将经步骤2建立的统计模型输入到LibSVM分类器,进行图像重拍摄检测,得出结果。
本发明的特点还在于:
其中所述步骤1中利用LBP特征构造取证特征包括提取图像的LBP特征以及H、S、V通道的LBP特征:对于图像I,令表示半径为1的8像素点59-D LBP特征,令H(·),S(·)和V(·)分别表示HSV图像空间的H、S、V通道,和分别表示H、S和V通道的59-D LBP特征,即
令则T1表示总的LBP特征集合;
其中所述步骤1中利用Tamura特征包括:计算图像粗糙度,首先,计算图像中大小为2k×2k活动窗口内像素灰度值的平均值,即
其中,g(i,j)为点(i,j)的像素灰度值,k=0,1,…,5;
其次,分别计算每一个像素在水平和垂直方向上不相重叠的窗口之间的平均强度差:
对于每个像素点(i,j),通过调整k值,使得Ek,h(x,y)和Ek,v(x,y)达到最大,从而设置最佳尺寸W(i,j)=2k;
最后,计算整幅图像中W(i,j)的平均值得到粗糙度:
其中m和n分别表示图像的长和宽;
其中所述步骤1中灰度共生矩阵的数字特征提取包括能量和熵:
计算图像的灰度共生矩阵Md,步长为d,方向为θ的灰度共生矩阵表示为:
其中,Md(i,j)(i,j=0,1,2,...,L-1)表示从灰度级i的点离开固定步长d=(Δx,Δy)以达到灰度为j的概率,L表示图像的灰度级,对Md进行归一化处理,如下式所示:
K是归一化常数,也就是灰度共生矩阵中的所有元素之和,即K=L×L;
灰度共生矩阵的能量和衡量信息量的熵分别表示如下:
取步长d=1,θ分别为0°,45°,90°和135°,得到4组En和Ep,表示为:
T3={En1,Ep1,En2,Ep2,En3,Ep3,En4,Ep4} (12);
其中所述步骤1中提取图像的小波系数统计量特征包括:
在RGB颜色空间中,分别对R、G、B每一通道进行三级haar小波分解,分别计算HL,LH,HH子带的均值和标准差,表示为:
其中所述步骤1中取证特征中图像的颜色特征提取包括:
(1)R、G、B三通道的平均强度值
令其中,R(xi),G(xi),B(xi)分别为R、G、B通道的像素强度,n表示像素点总数;
(2)RGB色彩分量之间的相关性
RGB构成了颜色空间,其中红色分量R、绿色分量G、蓝色分量B之间常有很高的相关性,RGB空间三通道的相关性计算,主要是通过计算两两之间的相关性完成的;
计算R和G之间的相关性R与B之间的相关性以及B与G之间的相关性
其中,和分别表示红色通道、绿色通道和蓝色通道的像素强度均值,即
(3)R、G、B通道质心
首先,分别统计R、G、B通道中0-255各像素值的个数RIi,GIi和BIi,0≤i≤255,接着,令:
RAi=(RIi-1+RIi+1)/2,1≤i≤254;当i=0时,令RA1=RI0,当i=255时,令RA255=RI255,
GAi=(GIi-1+GIi+1)/2,1≤i≤254;当i=0时,令GA1=GI0,当i=255时,令GA255=GI255,
BAi=(BIi-1+BIi+1)/2,1≤i≤254;当i=0时,令BA1=BI0,当i=255时,令BA255=BI25,
最后,RA128,GA128,BA128的值,即为质心
(4)RGB色彩分量的能量比
利用步骤1中灰度共生矩阵的数字特征提取的方法分别计算R、G、B三个颜色通道的能量和然后计算R与G的能量比率R与B的能量比率以及B与G的能量比率
令
(5)HSV空间的均值、方差和偏斜度
设H、S、V分别表示HSV空间的三通道,H(xi)表示H通道的像素值,S(xi)表示S通道的像素值,V(xi)表示V通道的像素值,
分别计算H、S、V三通道的均值如下:
分别计算H、S、V三通道的方差如下:
分别计算H、S、V三通道的偏斜度如下
其中,n表示像素点总数。
令
综合上述(1)~(5)不同类型的颜色分量得到颜色特征为:
其中所述步骤2中模型的建立为:
步骤2.1,利用经步骤1提取的图像的LBP特征和H、S、V三通道的LBP特征T1、粗糙度T2、灰度共生矩阵GLCM的能量和熵T3、小波系数统计量T4、以及图像的颜色特征T5建立以下4个统计模型:
模型1:共104维;
模型2:共105维;
模型3:共105维;
模型4:共282维;
步骤2.2,单独使用特征T2,T3,T4,T5进行图像重拍摄检测,单独把每种特征分别输入到LibSVM分类器中,在LibSVM分类器中建立联合数据库,在所建立的联合数据库上进行训练和测试并统计其检测精度,得出步骤2.1建立的的各模型的参数为:
模型1的参数:
模型2的参数:
模型3的参数:
模型4的参数:
其中所述步骤3具体包括:将经步骤2得到的模型1、模型2、模型3和模型4输入到LibSVM分类器,进行图像重拍摄检测,得出结果。
本发明的有益效果是
在本发明的一种基于统计模型的图像重拍检测方法中,利用图像的LBP特征,小波系数的统计量,Tamura特征,灰度共生矩阵的数字特征和颜色特征构造特征集,建立统计模型,利用支持向量机(SVM)对作为分类器检查重拍摄的图像与原始图像,不仅具有较高的检测精确度,而且对于常规的图像处理操作具有鲁棒性。
附图说明
图1是本发明的一种基于统计模型的图像重拍检测方法中实例图中华南虎年画图;
图2是本发明的一种基于统计模型的图像重拍检测方法中实例图中周正龙翻拍的“华南虎”图;
图3是本发明的一种基于统计模型的图像重拍检测方法中算法流程图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明提供一种基于统计模型的图像重拍检测方法具体步骤如下:
步骤1,构造特征集
对LCD屏幕重拍摄获得的图像与自然图像相比,在亮度、纹理和颜色等方面都存在着细微的差异,在选取特征的过程中,我们利用灰度共生矩阵的数字特征、Tamura特征,LBP特征和小波系数统计量,将以上特征结合起来构造取证特征。
步骤1.1,提取图像的LBP特征以及H、S、V通道的LBP特征
对于图像I,令表示半径为1的8像素点59-D LBP特征,令H(·),S(·)和V(·)分别表示HSV图像空间的H、S、V通道,和分别表示H、S和V通道的59-D LBP特征。即
令则T1表示总的LBP特征集合。
步骤1.2,提取能够反映图像纹理特性的粗糙度(Coarseness)特征
基于人类对纹理的视觉感知心理学的研究,Tamura提出了六个纹理分量对应于人类心理学角度上纹理特征的六种属性,其中,粗糙度(coarseness)对于图像检索尤其重要。粗糙度计算如下:
首先,计算图像中大小为2k×2k活动窗口内像素灰度值的平均值,即
其中,g(i,j)为点(i,j)的像素灰度值,k=0,1,…,5。
其次,分别计算每一个像素在水平和垂直方向上不相重叠的窗口之间的平均强度差。
对于每个像素点(i,j),通过调整k值,使得Ek,h(x,y)和Ek,v(x,y)达到最大,从而设置最佳尺寸W(i,j)=2k。
最后,计算整幅图像中W(i,j)的平均值得到粗糙度:
其中m和n分别表示图像的长和宽。
步骤1.3,提取图像的灰度共生矩阵(GLCM)的数字特征:能量和熵
计算图像的灰度共生矩阵Md,步长为d,方向为θ的灰度共生矩阵表示为:
其中,Md(i,j)(i,j=0,1,2,...,L-1)表示从灰度级i的点离开固定步长d=(Δx,Δy)以达到灰度为j的概率,L表示图像的灰度级。对Md进行归一化处理,如下式所示:
K是归一化常数,也就是灰度共生矩阵中的所有元素之和,即K=L×L。
灰度共生矩阵的能量和衡量信息量的熵分别表示如下:
取步长d=1,θ分别为0°,45°,90°和135°,得到4组En和Ep,表示为:
T3={En1,Ep1,En2,Ep2,En3,Ep3,En4,EP4} (12)
步骤1.4,提取图像的小波系数统计量
在RGB颜色空间中,分别对R、G、B每一通道进行三级haar小波分解,分别计算HL,LH,HH子带的均值和标准差,表示为:
步骤1.5,提取图像的颜色特征
(1)R、G、B三通道的平均强度值
令其中,R(xi),G(xi),B(xi)分别为R、G、B通道的像素强度,n表示像素点总数。
(2)RGB色彩分量之间的相关性
RGB构成了颜色空间,其中红色分量R、绿色分量G、蓝色分量B之间常有很高的相关性。RGB空间三通道的相关性计算,主要是通过计算两两之间的相关性完成的。
计算R和G之间的相关性R与B之间的相关性以及B与G之间的相关性
其中,和分别表示红色通道、绿色通道和兰色通道的像素强度均值,即
(3)R、G、B通道质心
首先,分别统计R、G、B通道中0-255各像素值的个数RIi,GIi和BIi,0≤i≤255。接着,令:
RAi=(RIi-1+RIi+1)/2,1≤i≤254;当i=0时,令RA1=RI0,当i=255时,令RA255=RI25。
GAi=(GIi-1+GIi+1)/2,1≤i≤254;当i=0时,令GA1=GI0,当i=255时,令GA255=GI255。
BAi=(BIi-1+BIi+1)/2,1≤i≤254;当i=0时,令BA1=BI0,当i=255时,令BA255=BI25。
最后,RA128,GA128,BA128的值,即为质心
(4)RGB色彩分量的能量比(RGB pairs energy ratio)
利用步骤1.3中的方法分别计算R、G、B三个颜色通道的能量和然后计算R与G的能量比率R与B的能量比率以及B与G的能量比率
令
(5)HSV空间的均值、方差和偏斜度
设H、S、V分别表示HSV空间的三通道,H(xi)表示H通道的像素值,S(xi)表示S通道的像素值,V(xi)表示V通道的像素值。
分别计算H、S、V三通道的均值如下:
分别计算H、S、V三通道的方差如下:
分别计算H、S、V三通道的偏斜度如下
其中,n表示像素点总数。
令
综合上述(1)~(5)种类型的颜色分量得到颜色特征为:
步骤2,建立统计模型
步骤2.1,建立统计模型
利用步骤1中所提取的图像的LBP特征和H、S、V三通道的LBP特征T1、粗糙度T2、灰度共生矩阵(GLCM)的能量和熵T3、小波系数统计量T4、以及图像的颜色特征T5建立以下4个统计模型:
模型1:共104维。
模型2:共105维。
模型3:共105维。
模型4:共282维。
步骤2.2,参数计算
单独使用特征T2,T3,T4,T5进行图像重拍摄检测,单独把每种特征分别输入到LibSVM分类器中,在LibSVM分类器中建立联合数据库(包括训练集和测试集),在所建立的联合数据库上进行训练和测试并统计其检测精度,假设检测精度如下表所示:
表1 每种特征所对应的检测精度
则模型1的参数:
模型2的参数:
模型3的参数:
模型4的参数:
步骤3,重拍摄图像检测
把步骤2中得到的模型1、模型2、模型3和模型4输入到LibSVM分类器,进行图像重拍摄检测。
从实验结果中解释本发明的有益效果:
1.重拍摄图像的检测结果:
本实验的主要目的是检测本发明的方法对于区分原始图像与重拍摄图像的检测率。实验所用的数据库是现有技术中的数据库和自主建立的数据库,共6000张图片,训练数据集中包含4000张图像,测试数据集中包含2000张图像,其中原始图像和重拍摄图像各占1/2。其中,检测精确度定义为检测出的重拍摄图像数量与数据库中的重拍摄图像总数量的比值。测试结果如表2所示。
表2 重拍摄图像检测的精确度
从表2中可以看出,本发明的一种基于统计模型的图像重拍检测方法检测精确度明显高于现有的检测技术。
2.鲁棒性测试:
本实验的目的是检测本发明的方法对于内容保持的图像处理操作的鲁棒性。在实验中我们进行了几种内容保持的图像处理操作,包括gamma校正、JPEG压缩、添加噪声、滤波。对于gamma校正来说,模型四的检测精度最好;对于JPEG压缩,当压缩因子为10时,所有方案的检测精度均高于对比实验,但是当压缩因子为50或者80时,方案二的检测精度略低于对比实验,其他的方案均优于对比实验;对于添加噪声的图像而言,方案四与方案五和对比实验精测精度相当,而方案二效果最差;对于滤波图像而言,方案三、方案四和方案五检测精度明显优于对比实验,而方案二的检测精度劣于对比实验;相对比直方图均衡化,方案二的检测精度交差,其他方案的检测精度明显优于对比实验。经上述分析可知,方案五和方案四的鲁棒性明显好于现有技术检测,方案二的鲁棒性劣于现有技术检测,总体来说本文方案无论是精确度或者是鲁棒性都优于现有技术检测。
表3 鲁棒性分析
本发明的一种基于统计模型的图像重拍检测方法利用图像的LBP特征、小波系数的统计量、Tamura特征、灰度共生矩阵的数字特征和颜色特征构造特征集,建立统计模型,利用支持向量机(LibSVM)作为分类器检查重拍摄的图像与原始图像,可以有效检测出LCD屏幕的重拍摄图像,检测精确度在99%以上,对于JPEG压缩,gamma校正,添加噪声与滤波等图像处理操作都具有较好的鲁棒性。
Claims (8)
1.一种基于统计模型的图像重拍检测方法,其特征在于,包括如下步骤:
步骤1,利用灰度共生矩阵的数字特征、Tamura特征、LBP特征和小波系数统计量构造图像的取证特征;
步骤2,利用经步骤1提取的图像的取证特征建立统计模型;
步骤3,将经步骤2建立的统计模型输入到LibSVM分类器,进行图像重拍摄检测,得出结果。
2.根据权利要求1所示的一种基于统计模型的图像重拍检测方法,其特征在于,所述步骤1中利用LBP特征构造图像的取证特征包括提取图像的LBP特征以及H、S、V通道的LBP特征:对于图像I,令表示半径为1的8像素点59-D LBP特征,令H(·),S(·)和V(·)分别表示HSV图像空间的H、S、V通道,和分别表示H、S和V通道的59-D LBP特征,即
令则T1表示总的LBP特征集合。
3.根据权利要求1所示的一种基于统计模型的图像重拍检测方法,其特征在于,所述步骤1中利用Tamura特征构造图像的取证特征包括:计算图像粗糙度,首先,计算图像中大小为2k×2k活动窗口内像素灰度值的平均值,即
其中,g(i,j)为点(i,j)的像素灰度值,k=0,1,…,5;
其次,分别计算每一个像素在水平和垂直方向上不相重叠的窗口之间的平均强度差;
对于每个像素点(i,j),通过调整k值,使得Ek,h(x,y)和Ek,v(x,y)达到最大,从而设置最佳尺寸W(i,j)=2k;
最后,计算整幅图像中W(i,j)的平均值得到粗糙度:
其中m和n分别表示图像的长和宽。
4.根据权利要求1所示的一种基于统计模型的图像重拍检测方法,其特征在于,所述步骤1中灰度共生矩阵的数字特征提取包括能量和熵:
计算图像的灰度共生矩阵Md,步长为d,方向为θ的灰度共生矩阵表示为:
其中,Md(i,j)(i,j=0,1,2,...,L-1)表示从灰度级i的点离开固定步长d=(Δx,Δy)以达到灰度为j的概率,L表示图像的灰度级,对Md进行归一化处理,如下式所示:
K是归一化常数,也就是灰度共生矩阵中的所有元素之和,即K=L×L;
灰度共生矩阵的能量和衡量信息量的熵分别表示如下:
取步长d=1,θ分别为0°,45°,90°和135°,得到4组En和Ep,表示为:
T3={En1,Ep1,En2,Ep2,En3,Ep3,En4,Ep4} (12)。
5.根据权利要求1所示的一种基于统计模型的图像重拍检测方法,其特征在于,所述步骤1中小波系数统计量构造图像的取证特征包括:
在RGB颜色空间中,分别对R、G、B每一通道进行三级haar小波分解,分别计算HL,LH,HH子带的均值和标准差,表示为:
6.根据权利要求1所示的一种基于统计模型的图像重拍检测方法,其特征在于,所述步骤1中图像的取证特征还包括图像的颜色特征提取:
(1)R、G、B三通道的平均强度值
令其中,R(xi),G(xi),B(xi)分别为R、G、B通道的像素强度,n表示像素点总数;
(2)RGB色彩分量之间的相关性
RGB构成了颜色空间,其中红色分量R、绿色分量G、蓝色分量B之间常有很高的相关性,RGB空间三通道的相关性计算,主要是通过计算两两之间的相关性完成的;
计算R和G之间的相关性R与B之间的相关性以及B与G之间的相关性
其中,和分别表示红色通道、绿色通道和蓝色通道的像素强度均值,即
(3)R、G、B通道质心
首先,分别统计R、G、B通道中0-255各像素值的个数RIi,GIi和BIi,0≤i≤255,令:
RAi=(RIi-1+RIi+1)/2,1≤i≤254;当i=0时,令RA1=RI0,当i=255时,令RA255=RI255;
GAi=(GIi-1+GIi+1)/2,1≤i≤254;当i=0时,令GA1=GI0,当i=255时,令GA255=GI255;
BAi=(BIi-1+BIi+1)/2,1≤i≤254;当i=0时,令BA1=BI0,当i=255时,令BA255=BI25;
最后,RA128,GA128,BA128的值,即为质心
(4)RGB色彩分量的能量比
利用步骤1中灰度共生矩阵的数字特征提取的方法分别计算R、G、B三个颜色通道的能量和然后计算R与G的能量比率R与B的能量比率以及B与G的能量比率
令
(5)HSV空间的均值、方差和偏斜度
设H、S、V分别表示HSV空间的三通道,H(xi)表示H通道的像素值,S(xi)表示S通道的像素值,V(xi)表示V通道的像素值;
分别计算H、S、V三通道的均值如下:
分别计算H、S、V三通道的方差如下:
分别计算H、S、V三通道的偏斜度如下:
其中,n表示像素点总数;
令
综合上述(1)~(5)不同类型的颜色分量得到颜色特征为:
7.根据权利要求2-6所示的一种基于统计模型的图像重拍检测方法,其特征在于,所述步骤2中模型的建立为:
步骤2.1,利用经步骤1提取构造的图像的LBP特征和H、S、V三通道的LBP特征T1、粗糙度T2、灰度共生矩阵GLCM的能量和熵T3、小波系数统计量T4、以及图像的颜色特征T5建立以下4个统计模型:
模型1:共104维;
模型2:共105维;
模型3:共105维;
模型4:共282维;
步骤2.2,单独使用特征T2,T3,T4,T5进行图像重拍摄检测,单独把每种特征分别输入到LibSVM分类器中,LibSVM分类器中建立联合数据库,在所建立的联合数据库上进行训练和测试并统计每种特征的检测精度,得出步骤2.1中建立的各模型的参数为:
模型1的参数:
模型2的参数:
模型3的参数:
模型4的参数:
8.根据权利要求7所示的一种基于统计模型的图像重拍检测方法,其特征在于,所述步骤3具体包括:将经步骤2得到的模型1、模型2、模型3和模型4输入到LibSVM分类器,进行图像重拍摄检测,得出结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811373963.0A CN109784357B (zh) | 2018-11-19 | 2018-11-19 | 一种基于统计模型的图像重拍检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811373963.0A CN109784357B (zh) | 2018-11-19 | 2018-11-19 | 一种基于统计模型的图像重拍检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109784357A true CN109784357A (zh) | 2019-05-21 |
CN109784357B CN109784357B (zh) | 2022-10-11 |
Family
ID=66496517
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811373963.0A Active CN109784357B (zh) | 2018-11-19 | 2018-11-19 | 一种基于统计模型的图像重拍检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109784357B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111046911A (zh) * | 2019-11-13 | 2020-04-21 | 泰康保险集团股份有限公司 | 一种图像处理方法和装置 |
CN112950559A (zh) * | 2021-02-19 | 2021-06-11 | 山东矩阵软件工程股份有限公司 | 一种翻拍图像检测方法、装置、电子设备及存储介质 |
CN117576425A (zh) * | 2024-01-17 | 2024-02-20 | 南京掌控网络科技有限公司 | 一种窜拍图像检测的方法和系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104598933A (zh) * | 2014-11-13 | 2015-05-06 | 上海交通大学 | 一种基于多特征融合的图像翻拍检测方法 |
CN105049790A (zh) * | 2015-06-18 | 2015-11-11 | 中国人民公安大学 | 视频监控系统图像获取方法及装置 |
WO2017092431A1 (zh) * | 2015-12-01 | 2017-06-08 | 乐视控股(北京)有限公司 | 基于肤色的人手检测方法及装置 |
-
2018
- 2018-11-19 CN CN201811373963.0A patent/CN109784357B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104598933A (zh) * | 2014-11-13 | 2015-05-06 | 上海交通大学 | 一种基于多特征融合的图像翻拍检测方法 |
CN105049790A (zh) * | 2015-06-18 | 2015-11-11 | 中国人民公安大学 | 视频监控系统图像获取方法及装置 |
WO2017092431A1 (zh) * | 2015-12-01 | 2017-06-08 | 乐视控股(北京)有限公司 | 基于肤色的人手检测方法及装置 |
Non-Patent Citations (2)
Title |
---|
姚宏宇等: "基于广义图像灰度共生矩阵的图像检索方法", 《计算机工程与应用》 * |
苏杰等: "数字图像的纹理特征提取与分类研究", 《电子测量技术》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111046911A (zh) * | 2019-11-13 | 2020-04-21 | 泰康保险集团股份有限公司 | 一种图像处理方法和装置 |
CN112950559A (zh) * | 2021-02-19 | 2021-06-11 | 山东矩阵软件工程股份有限公司 | 一种翻拍图像检测方法、装置、电子设备及存储介质 |
CN112950559B (zh) * | 2021-02-19 | 2022-07-05 | 山东矩阵软件工程股份有限公司 | 一种翻拍图像检测方法、装置、电子设备及存储介质 |
CN117576425A (zh) * | 2024-01-17 | 2024-02-20 | 南京掌控网络科技有限公司 | 一种窜拍图像检测的方法和系统 |
CN117576425B (zh) * | 2024-01-17 | 2024-04-16 | 南京掌控网络科技有限公司 | 一种窜拍图像检测的方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109784357B (zh) | 2022-10-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP4109392A1 (en) | Image processing method and image processing device | |
Li et al. | Image recapture detection with convolutional and recurrent neural networks | |
CN101729911B (zh) | 一种基于视觉感知的多视点图像颜色校正方法 | |
CN109784357B (zh) | 一种基于统计模型的图像重拍检测方法 | |
CN107888925B (zh) | 一种视频数字隐藏信息的嵌入方法和检测方法 | |
CN110675328A (zh) | 基于条件生成对抗网络的低照度图像增强方法及装置 | |
CN114066747B (zh) | 一种基于光照和反射互补性的低照度图像增强方法 | |
WO2020124873A1 (zh) | 图像处理方法 | |
JP2021531571A (ja) | 証明書画像抽出方法及び端末機器 | |
CN111612741A (zh) | 一种基于失真识别的精确无参考图像质量评价方法 | |
CN109919832B (zh) | 一种用于无人驾驶的交通图像拼接方法 | |
CN110738128A (zh) | 一种基于深度学习的重复视频检测方法 | |
Anjum et al. | Recapture detection technique based on edge-types by analysing high-frequency components in digital images acquired through LCD screens | |
Abdulrahman et al. | Color image stegananalysis using correlations between RGB channels | |
Kang et al. | Color Image Steganalysis Based on Residuals of Channel Differences. | |
EP3913572A1 (en) | Loss function for image reconstruction | |
CN112164010A (zh) | 一种多尺度融合卷积神经网络图像去雾方法 | |
CN103544692A (zh) | 基于统计学判断的双重压缩jpeg图象篡改盲检测方法 | |
Wang et al. | A new method estimating linear gaussian filter kernel by image PRNU noise | |
CN108616757B (zh) | 一种翻拍后能提取水印的视频水印嵌入与提取方法 | |
CN111027573B (zh) | 基于盲取证技术的图像真伪鉴别方法 | |
Li et al. | Distinguishing computer graphics from photographic images using a multiresolution approach based on local binary patterns | |
CN116579940A (zh) | 一种基于卷积神经网络的实时低照度图像增强方法 | |
CN110766597A (zh) | 一种图片伪装方法、装置、电子设备和存储介质 | |
Yakushev et al. | Docmarking: Real-Time Screen-Cam Robust Document Image Watermarking |
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 |