CN109934836B - 一种图像锐化的检测方法 - Google Patents

一种图像锐化的检测方法 Download PDF

Info

Publication number
CN109934836B
CN109934836B CN201711347023.XA CN201711347023A CN109934836B CN 109934836 B CN109934836 B CN 109934836B CN 201711347023 A CN201711347023 A CN 201711347023A CN 109934836 B CN109934836 B CN 109934836B
Authority
CN
China
Prior art keywords
matrix
image
vector
detected
edge
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
Application number
CN201711347023.XA
Other languages
English (en)
Other versions
CN109934836A (zh
Inventor
杨建权
朱国普
王员根
黄晓霞
张云
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.)
Shenzhen Institute of Advanced Technology of CAS
Original Assignee
Shenzhen Institute of Advanced Technology of CAS
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 Shenzhen Institute of Advanced Technology of CAS filed Critical Shenzhen Institute of Advanced Technology of CAS
Priority to CN201711347023.XA priority Critical patent/CN109934836B/zh
Publication of CN109934836A publication Critical patent/CN109934836A/zh
Application granted granted Critical
Publication of CN109934836B publication Critical patent/CN109934836B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

一种图像锐化的检测方法，包括以下步骤：输入待检测图像，使用边缘检测算子计算待检测图像的边缘点；对第i个边缘点为中心，沿着边缘点的垂直方向对称地抽取长度为N的像素序列，记为Ci；M个边缘点对应的像素序列Ci可构成一个矩阵，记为矩阵C；初始化一个N*K的权值矩阵W和一个1*K的偏置向量b，利用权值矩阵W和偏置向量b对矩阵C进行变换，得到M行K列的矩阵D；对矩阵D的每一行进行运算，得到M行K列的矩阵
Figure DDA0001509521280000011
；对矩阵
Figure DDA0001509521280000012
求平均值，得到一个长度为K的分布特征向量F；计算判决值g；g是一个0到1之间的浮点数，如果g≥0.5，则判决待检测图像经过锐化；如果g<0.5，则判决待检测图像没有经过锐化。本发明可以更细致地描述判别信息，可以更好地进行锐化检测。

Description

一种图像锐化的检测方法
技术领域
本发明涉及图像处理技术领域，特别是涉及一种图像锐化的检测方法。
背景技术
图像锐化是常见的图像处理操作，在某些应用场景中需要将图像进行锐化以获得特定效果的图像。在图像合成时，如果参与合成的素材图像有些经过锐化处理，有些没有经过锐化处理，那么合成得到的图像的不同区域将具有不同的锐化痕迹。通过逐块检测图像各区域的锐化痕迹，可以判明图像是否为合成图像。这在一些如身份验证等对图像真实性、安全性要求很高的场合，具有重要意义。在Feng Ding,Guopu Zhu,Jianquan Yang,JinXieand Yun-Qing Shi,"Edge Perpendicular Binary Coding for USM SharpeningDetection,"IEEE Signal Processing Letters,vol.22,no.3,2015的一篇关于判断图像锐化的方法的论文中，该论文基于图像锐化在图像上造成的过冲(overshoot)效应来实现锐化检测。首先使用边缘检测算子把图像的边缘检测出来；对每一个边缘点，沿着边缘的垂直方向，以边缘点为中心抽取一个像素序列，记为P＝[P0,P1,...,PN-1]；计算像素序列的差分序列，记为C＝[P0-P1,P1-P2,...,PN-2-PN-1]；对C进行二值编码，即如果Pi-Pi-1>＝0，则编码为1，否则编码为0，得到一个二进制序列T＝[A0,A1,...,AN-2]；将T转换成十进制；统计所有边缘点对应的十进制数出现的次数，得到归一化直方图特征，将特征送入支持向量分类器，就可对待检测图像进行分类，判断其是否经过锐化。然而上述方法具有以下缺点：(1)只从像素序列P的差分序列中抽取特征，未对P进行多种变换，这些变换能够更多地挖掘P的判别性；(2)对差分序列进行二值编码。本质上讲，二值编码只保留了一个数的符号信息(非负数编码为1，负数编码为0)，对特征刻画得不够细致。
发明内容
基于此，有必要针对上述问题，提供一种挖掘更多的判决特征用于锐化检测、更细致地描述判别信息且有利于更好地进行的一种图像锐化的检测方法。
一种图像锐化的检测方法，包括以下步骤：
输入待检测图像，使用边缘检测算子计算待检测图像的边缘点，设一共检测到M个边缘点；
对第i(0≤i≤M-1)个边缘点，以第i个边缘点为中心，沿着边缘点的垂直方向对称地抽取长度为N的像素序列，记为Ci＝[Pi,0,Pi,1,…,Pi,N-1]；M个边缘点对应的像素序列Ci可构成一个矩阵，记为矩阵C；
初始化一个N*K的权值矩阵W和一个1*K的偏置向量b，利用权值矩阵W和偏置向量b对矩阵C进行变换，得到M行K列的矩阵D；
对矩阵D的每一行进行softmax运算，得到M行K列的矩阵
Figure BDA0001509521260000021
对矩阵
Figure BDA0001509521260000022
求平均值，得到一个长度为K的分布特征向量F；
初始化长度为K的权值列向量V和偏置值e，根据权值列向量V、偏置值e以及分布特征向量F计算判决值g；g是一个0到1之间的浮点数，如果g≥0.5，则判决待检测图像经过锐化；如果g<0.5，则判决待检测图像没有经过锐化。
本发明可以通过设置较大的K值，来产生包括差分序列在内的多种特征，有利于挖掘更多的判决特征用于锐化检测；另外本发明生成的判决特征的每一个元素都是浮点数，可以更细致地描述判别信息，有利于更好地进行锐化检测。
附图说明
图1为一实施例中图像锐化的检测方法的流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人士在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在一个实施例中，一种图像锐化的检测方法，如图1所示，包括以下步骤：
步骤S10：输入待检测图像，使用边缘检测算子计算待检测图像的边缘点，设一共检测到M个边缘点；其中M为自然数。
步骤S20：对第i(0≤i≤M-1)个边缘点，以第i个边缘点为中心，沿着边缘点的垂直方向对称地抽取长度为N的像素序列，记为Ci＝[Pi,0,Pi,1,…,Pi,N-1]；M个边缘点对应的像素序列Ci可构成一个矩阵，记为矩阵C；
其中矩阵C的每一行对应一个Ci，所得到的像素序列的矩阵C的维度是M*N。N为自然数且为可设定的参数。
步骤S30：初始化一个N*K的权值矩阵W和一个1*K的偏置向量b，利用权值矩阵W和偏置向量b对矩阵C进行变换，得到M行K列的矩阵D；
其中矩阵D第i行的向量可表示为以下方程式(1)：
Di＝Ci*W+b (1)。
这里的K值是人为设定的参数，K取较小值时，好处是计算量较小，但不利于挖掘矩阵C的信息，会影响锐化检测准确率；K取较大值时则计算量大，但有利于挖掘矩阵C的信息。K的选择需要根据应用场景需要，权衡利弊后确定。
需要说明的是，权值矩阵W用均值为0，标准差为1/√N的高斯分布随机数进行初始化，然后通过批量随机梯度下降法进行迭代更新；偏置向量b初始化为0，同样使用批量随机梯度下降法进行更新。批量随机梯度下降法是神经网络的常用训练方法，具备本领域基础知识的技术人员都应已熟知，这里不再赘述。
步骤S40：对矩阵D的每一行进行softmax运算，得到M行K列的矩阵
Figure BDA0001509521260000041
其中，矩阵
Figure BDA0001509521260000042
的第i行
Figure BDA0001509521260000043
可表示为以下方程式(2)：
Figure BDA0001509521260000044
矩阵
Figure BDA0001509521260000045
为一个概率分布，每一项的元素都非负而且所有元素加起来和为1。
步骤S50：对矩阵
Figure BDA0001509521260000046
求平均值，得到一个长度为K的分布特征向量F；
其中，分布特征向量F根据以下方程式(3)计算：
Figure BDA0001509521260000047
步骤S60：初始化长度为K的权值列向量V和偏置值e，根据权值列向量V、偏置值e分布特征向量F计算判决值g；g是一个0到1之间的浮点数，如果g≥0.5，则判决待检测图像经过锐化；如果g<0.5，则判决待检测图像没有经过锐化。
通过以下方程式(4)使用sigmoid函数σ(·)计算判决值g：
Figure BDA0001509521260000048
其中，权值列向量V用均值为0，标准差为
Figure BDA0001509521260000049
的高斯分布随机数进行初始化；偏置值e可以初始化为0；然后进一步使用批量随机梯度下降法对权值列向量V和偏置值e进行迭代更新。
上述步骤S30中的权值矩阵W和偏置向量b，以及步骤S60中的权值列向量V和偏置值e，都可以使用批量随机梯度下降法进行迭代更新。使用批量随机梯度下降法需要设定损失函数，本发明使用的损失函数是交叉熵，即：
Figure BDA00015095212600000410
式中，y(i)表示第i幅图像是否经过锐化的真实标记，H表示批量随机梯度下降法使用的训练图像个数。y(i)＝1表示第i幅图像经过锐化，y(i)＝0表示第i幅图像没有经过锐化。g(i)是本发明对第i幅图像的判决结果，g(i)越接近于1，表明本发明系统认为待检测图像越可能经过锐化；g(i)越接近于0，表明本发明系统认为待检测图像越不可能经过锐化。损失函数是本领域技术人员在训练神经网络参数时应已熟知的知识，本发明不再赘述。
在其他实施方式中，步骤S50中，分布特征向量F根据以下方程式：
Figure BDA0001509521260000051
其中I是一个长度为M的全1行向量；全1行向量是所有元素都为1的向量，比如，[1,1,1,1,1]是5个元素的全1行向量。
本发明使用的矩阵乘法，加法，softmax函数，sigmoid函数是构建神经网络的常用运算，相对于现有技术，本发明的优点如下：(1)现有技术只使用垂直于边缘的像素序列的差分序列来产生判决特征，而本发明可以通过设置较大的K值，来产生包括差分序列在内的多种特征，有利于挖掘更多的判决特征用于锐化检测；(2)现有技术对差分序列进行了二值编码，本质上只保留了正负性符号信息。而本发明生成的判决特征的每一个元素都是浮点数，可以更细致地描述判别信息，有利于更好地进行锐化检测。
以上所述实施例仅表达了本发明的一种或几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (9)

1.一种图像锐化的检测方法，其特征在于，包括以下步骤：
步骤S10：输入待检测图像，使用边缘检测算子计算待检测图像的边缘点，设一共检测到M个边缘点；
步骤S20：对第i个边缘点，以第i个边缘点为中心，沿着边缘点的垂直方向对称地抽取长度为N的像素序列，记为Ci＝[Pi,0,Pi,1,…,Pi,N-1]；M个边缘点对应的像素序列Ci可构成一个矩阵，记为矩阵C；其中，0≤i≤M-1；
步骤S30：初始化一个N*K的权值矩阵W和一个1*K的偏置向量b，利用权值矩阵W和偏置向量b对矩阵C进行变换，得到M行K列的矩阵D；
步骤S40：对矩阵D的每一行进行softmax运算，得到M行K列的矩阵
步骤S50：对矩阵求平均值，得到一个长度为K的分布特征向量F；
步骤S60：初始化长度为K的权值列向量V和偏置值e，根据权值列向量V、偏置值e以及分布特征向量F计算判决值g；g是一个0到1之间的浮点数，如果g≥0.5，则判决待检测图像经过锐化；如果g<0.5，则判决待检测图像没有经过锐化。
2.根据权利要求1所述的方法，其特征在于，步骤S20中：矩阵C的每一行对应一个Ci，所得到的像素序列的矩阵C的维度是M*N。
3.根据权利要求2所述的方法，其特征在于，步骤S30中：矩阵D第i行的向量表示为以下方程式(1)：
Di＝Ci*W+b (1)。
4.根据权利要求3所述的方法，其特征在于，步骤S40中：矩阵的第i行由以下方式程(2)获得：
为一个概率分布，每一项的元素都非负而且所有元素加起来和为1。
5.根据权利要求4所述的方法，其特征在于，步骤S50中：分布特征向量F根据以下方程式(3)计算获得：
6.根据权利要求5所述的方法，其特征在于，步骤S60中，通过以下方程式(4)使用sigmoid函数σ(·)计算判决值g：
7.根据权利要求4所述的方法，其特征在于，步骤S50中，分布特征向量F根据以下方程式：
其中I是一个长度为M的全1行向量。
8.根据权利要求1所述的方法，其特征在于，权值矩阵W用均值为0，标准差为的高斯分布随机数进行初始化，然后通过批量随机梯度下降法进行迭代更新；偏置向量b初始化为0，同样使用批量随机梯度下降法进行更新。
9.根据权利要求1所述的方法，其特征在于，权值列向量V用均值为0，标准差为的高斯分布随机数进行初始化；偏置值e初始化为0；然后进一步使用批量随机梯度下降法对权值列向量V和偏置值e进行迭代更新。
CN201711347023.XA 2017-12-15 2017-12-15 一种图像锐化的检测方法 Active CN109934836B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711347023.XA CN109934836B (zh) 2017-12-15 2017-12-15 一种图像锐化的检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711347023.XA CN109934836B (zh) 2017-12-15 2017-12-15 一种图像锐化的检测方法

Publications (2)

Publication Number Publication Date
CN109934836A CN109934836A (zh) 2019-06-25
CN109934836B true CN109934836B (zh) 2023-04-18

Family

ID=66979579

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711347023.XA Active CN109934836B (zh) 2017-12-15 2017-12-15 一种图像锐化的检测方法

Country Status (1)

Country Link
CN (1) CN109934836B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117496225A (zh) * 2023-10-17 2024-02-02 南昌大学 一种图像数据取证方法及其系统

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003317095A (ja) * 2002-02-25 2003-11-07 Noritsu Koki Co Ltd 画像鮮鋭化処理方法、画像鮮鋭化処理プログラム、画像鮮鋭化処理プログラムを記録した記録媒体、ならびに画像出力装置
CN102135503B (zh) * 2011-01-04 2014-04-02 复旦大学 一种利用图像边缘信息的彩色套印偏差的检测方法
US8693771B2 (en) * 2011-11-18 2014-04-08 Mitsubishi Electric Research Laboratories, Inc. Method for pan-sharpening panchromatic and multispectral images using dictionaries
CN103530878B (zh) * 2013-10-12 2016-01-13 北京工业大学 一种基于融合策略的边缘提取方法
CN103679706B (zh) * 2013-11-26 2018-02-02 中国人民解放军第四军医大学 一种基于图像各向异性边缘检测的ct稀疏角度重建方法
CN104952055B (zh) * 2014-03-24 2018-02-09 中国科学院深圳先进技术研究院 一种图像掩模锐化检测方法及系统
CN106156807B (zh) * 2015-04-02 2020-06-02 华中科技大学 卷积神经网络模型的训练方法及装置
CN105469358B (zh) * 2015-12-02 2018-08-21 成都信息工程大学 一种图像处理方法
CN106408569B (zh) * 2016-08-29 2018-12-04 北京航空航天大学 基于改进模糊c均值聚类算法的脑部mri图像分割方法

Also Published As

Publication number Publication date
CN109934836A (zh) 2019-06-25

Similar Documents

Publication Publication Date Title
Li et al. Collaborative-representation-based nearest neighbor classifier for hyperspectral imagery
Ghamisi et al. Feature selection based on hybridization of genetic algorithm and particle swarm optimization
CN112232241B (zh) 一种行人重识别方法、装置、电子设备和可读存储介质
CN103268481B (zh) 一种复杂背景图像中的文本提取方法
CN109903296B (zh) 一种基于LBP-Adaboost算法的数字PCR液滴检测方法
US11586863B2 (en) Image classification method and device
US20160078632A1 (en) Document image compression method and its application in document authentication
CN110619274A (zh) 基于印章和签名的身份验证方法、装置和计算机设备
US9779329B2 (en) Image processing apparatus, image processing method and program
EP3214577A1 (en) Image text recognition method and device
JP2015099559A (ja) 画像処理装置、画像処理方法及びプログラム
CN110533119B (zh) 标识识别方法及其模型的训练方法、装置及电子系统
CN112669298A (zh) 一种基于模型自训练的地基云图像云检测方法
CN109934836B (zh) 一种图像锐化的检测方法
CN108875727A (zh) 图文标识的检测方法及装置、存储介质、处理器
Lee et al. Robust registration of cloudy satellite images using two-step segmentation
CN112949706B (zh) Ocr训练数据生成方法、装置、计算机设备及存储介质
WO2007026951A1 (ja) 画像検索方法及び装置
CN116883611A (zh) 一种结合gis航道信息的航道淤泥分布主动探测识别方法
US20160358039A1 (en) Apparatus and method for detecting object
CN108197663B (zh) 基于对偶集合多标记学习的书法作品图像分类方法
CN113392814B (zh) 一种字符识别模型的更新方法、装置及存储介质
CN111027325B (zh) 一种模型生成方法、实体识别方法、装置及电子设备
CN117152140B (zh) 基于图像处理的钢绞线质量检测方法
Estevez et al. Gamma-filter self-organising neural networks for unsupervised sequence processing

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