CN110490789A - 一种基于颜色与结构特征的图像摘要获取方法 - Google Patents
一种基于颜色与结构特征的图像摘要获取方法 Download PDFInfo
- Publication number
- CN110490789A CN110490789A CN201910635392.1A CN201910635392A CN110490789A CN 110490789 A CN110490789 A CN 110490789A CN 201910635392 A CN201910635392 A CN 201910635392A CN 110490789 A CN110490789 A CN 110490789A
- Authority
- CN
- China
- Prior art keywords
- color
- image
- matrix
- structure feature
- hashing
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T1/00—General purpose image data processing
- G06T1/0021—Image watermarking
-
- 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
- G06T9/00—Image coding
- G06T9/40—Tree coding, e.g. quadtree, octree
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2201/00—General purpose image data processing
- G06T2201/005—Image watermarking
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于颜色与结构特征的图像摘要获取方法,该方法包括如下步骤:1)图像预处理;2)颜色特征提取:对预处理后的图像进行分块处理,基于颜色向量角和颜色欧式距离提取颜色特征;3)结构特征提取:对预处理后的图像提取亮度分量,对亮度分量应用四叉树分解提取结构特征;4)联合颜色特征和结构特征,并将其扰乱得到图像哈希序列,获得图像摘要。与现有技术相比,本发明具有较好的鲁棒性,且具有很低的碰撞率,可用于图像篡改检测,同时可以利用结构特征定位篡改区域。
Description
技术领域
本发明涉及一种图像处理方法,尤其是涉及一种基于颜色与结构特征的图像摘要获取方法。
背景技术
近年来,互联网技术快速发展,图像的内容安全问题受到了人们的广泛关注。图像编辑软件的更新换代,人们能够轻松的对图像内容进行篡改,因此需要专门的技术方式来保证图像内容的可信程度。图像摘要又称为图像Hash,将图像单向映射为简短的一串数字或者序列。图像哈希通常应具备以下基本性质:1)鲁棒性,图像经过保持内容的图像处理如亮度调整、对比度调整、压缩等操作后,图像摘要不会有很大改变;2)唯一性,不同图像具有不同的图像摘要;3)安全性,不知道正确的密钥下,无法获得正确的图像摘要。
当前已经有许多技术被用来获取图像摘要:
唐振军等人将图像分块后重构为二次图像,然后通过PCA降维压缩来构建哈希,此方法对大部分的常规处理具有鲁棒性,但运算耗时长。
Kozat S等人对图像分块然后进行奇异值分解操作,然后通过奇异值分解系数构建二次图像,再对二次图像应用奇异值分解得到哈希序列,该方法的唯一性有待提升。
Tang等人提出一种基于局部线性嵌入进行降维的图像哈希算法,该算法首先对图像通过分块并计算平均值来获得一个二次图像,然后利用局部线性嵌入降维,用降维后的方差来构建哈希算法。
Qin等人提出一种基于双交叉模式纹理和显著结构的哈希算法,该算法首先通过双交叉模式编码得到纹理特征,然后通过丰富的角点探测得到显著区域的结构特征,联合纹理与结构特征得到最终的哈希虚了,算法对JPEG压缩、高斯低通滤波和图像缩放具有较好的鲁棒性。
李伟新等人利用Gabor变换构建图像结构图,然后利用极坐标变换使算法对旋转具有鲁棒性,最后进行加权求和并量化哈希序列,该算法在保证较好的鲁棒性和区别性的同时还实现了紧凑性。
Tang等人设计了基于主要DCT系数的哈希方法,该方法首先对图像分块,然后对图像块做DCT变换,对每个图像块的DCT变换矩阵的第一行和第一列进行二范数距离计算来构建哈希,由于DCT变换后图像信息主要集中于低频部分,只提取第一行和第一列会丢失图像信息特征,导致图像分类性能有待提高。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于颜色与结构特征的图像摘要获取方法。
本发明的目的可以通过以下技术方案来实现:
一种基于颜色与结构特征的图像摘要获取方法,该方法包括如下步骤:
1)图像预处理;
2)颜色特征提取:对预处理后的图像进行分块处理,基于颜色向量角和颜色欧式距离提取颜色特征;
3)结构特征提取:对预处理后的图像提取亮度分量,对亮度分量应用四叉树分解提取结构特征;
4)联合颜色特征和结构特征,并将其扰乱得到图像哈希序列,获得图像摘要。
步骤1)图像预处理具体为:对输入的图像进行高斯低通滤波处理并调整为相同尺寸:N×N。
步骤2)具体为:
21)将预处理后图像分割为L×L的图像块,并对每一个图像块中的所有像素求均值处理得到矩阵M,矩阵M中的每个元素表示相应图像块所有像素的平均像素值;
22)计算矩阵M的颜色向量角矩阵C1,提取颜色向量角矩阵C1的横向变化矩阵FH1与纵向变化矩阵FZ1;
23)计算矩阵M的颜色欧式距离矩阵C2,提取颜色欧式距离矩阵C2的横向变化矩阵FH2与纵向变化矩阵FZ2;
24)联合FH1、FZ1、FH2和FZ2获取图像的颜色特征向量FC。
步骤22)颜色向量角矩阵C1通过如下方式获得:
(22a)对于矩阵M中的元素P1=[R1,G1,B1],分别求取其与参考点P2=[Rm,Gm,Bm]的向量角θ,R1,G1和B1分别为RGB颜色空间的红色、绿色和蓝色通道,Rm,Gm和Bm分别为RGB颜色空间三个通道的参考值:
(22b)将sinθ作为颜色向量角矩阵C1中对应位置处的颜色向量角;
进而,
FH1=C1(·,1:end-1)-C1(·,2:end),
FZ1=C1(1:end-1,·)-C1(2:end,·),
其中,C1(·,·)表示所有行与所有列,end表示矩阵最后一行或最后一列,end-1表示矩阵倒数第二行或倒数第二列。
步骤23)颜色欧式距离矩阵C2通过如下方式获得:
(23a)对于矩阵M中的元素P1=[R1,G1,B1],分别求取其与参考点P2=[Rm,Gm,Bm]的欧式距离d,R1,G1和B1分别为RGB颜色空间的红色、绿色和蓝色通道,Rm,Gm和Bm分别为RGB颜色空间三个通道的参考值:
(23b)将d作为颜色欧式距离矩阵C2中对应位置处的颜色欧式距离;
进而,
FH2=C2(·,1:end-1)-C2(·,2:end),
FZ2=C2(1:end-1,·)-C2(2:end,·),
其中,C2(·,·)表示所有行与所有列,end表示矩阵最后一行或最后一列,end-1表示矩阵倒数第二行或倒数第二列。
步骤24)具体为:
24a)将FH1、FZ1按行展开为FH′1和FZ′1并将其联合起来量化处理得到颜色向量角变化矩阵FC1:FC1=round(1000×[FH′1,FZ′1]),round(·)表示四舍五入操作;
24b)将FH2、FZ2按行展开为FH′2和FZ′2并将其联合起来量化处理得到颜色欧式距离变化矩阵FC2:FC2=round(1000×[FH′2,FZ′2]),round(·)表示四舍五入操作;
24c)确定颜色特征FC,其中,FC中第j个元素为:FC(j)=FC1(j)+FC2(j),j=1,2,...,M,M为FC1中元素个数,也即为FC2中元素个数。
步骤3)具体为:
31)将预处理后的图像转换为L*a*b颜色空间,并提取L分量作为图像的亮度分量;
32)对亮度分量采用四叉树分解技术获得亮度分量的四叉树结构图;
33)将四叉树结构图分割为L×L个小块,按照光栅扫描顺序统计每个小块中所包含的不同大小的区域总数量作为该小块的结构特征,进而得到图像的结构特征向量FS=[N(1),N(2),N(3),...,N(k),...,N(L2)],N(k)为第k个小块中所包含的不同大小的区域总数量,k=1,2,...,L2。
步骤4)具体为:
41)联合颜色特征向量FC和结构特征向量FS得到特征序列FCS:FCS=[FC,FS];
42)利用伪随机数生成器产生与特征序列FCS相同长度的数组G;
43)根据下式将FS扰乱获得图像摘要:H(i)=FCS(G(i)),G(i)为数组G中第i个数。
与现有技术相比,本发明具有如下优点:
(1)本发明基于颜色与结构特征的图像摘要获取方法,具有较好的鲁棒性和唯一性,能够检测篡改图像,可以应用于图像认证、图像拷贝检测和图像篡改检测等领域。
(2)本发明方法结合了颜色信息与结构特征,具有较好的分类性能,具有很低的碰撞率,具有较高的识别率。
附图说明
图1为本发明基于颜色与结构特征的图像摘要获取方法的流程框图;
图2为本发明常规图像处理对Hash的影响示意图;
图3为本发明唯一性分析结果图;
图4为本发明原始图像、篡改图像、定位结果以及Hash距离实例图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。注意,以下的实施方式的说明只是实质上的例示,本发明并不意在对其适用物或其用途进行限定,且本发明并不限定于以下的实施方式。
实施例
如图1所示,一种基于颜色与结构特征的图像摘要获取方法,该方法包括如下步骤:
1)图像预处理;
2)颜色特征提取:对预处理后的图像进行分块处理,基于颜色向量角和颜色欧式距离提取颜色特征;
3)结构特征提取:对预处理后的图像提取亮度分量,对亮度分量应用四叉树分解提取结构特征;
4)联合颜色特征和结构特征,并将其扰乱得到图像哈希序列,获得图像摘要。
步骤1)图像预处理具体为:对输入的图像进行高斯低通滤波处理并调整为相同尺寸:N×N。
步骤2)具体为:
21)将预处理后图像分割为L×L的图像块,并对每一个图像块中的所有像素求均值处理得到矩阵M,矩阵M中的每个元素表示相应图像块所有像素的平均像素值;
22)计算矩阵M的颜色向量角矩阵C1,提取颜色向量角矩阵C1的横向变化矩阵FH1与纵向变化矩阵FZ1;
23)计算矩阵M的颜色欧式距离矩阵C2,提取颜色欧式距离矩阵C2的横向变化矩阵FH2与纵向变化矩阵FZ2;
24)联合FH1、FZ1、FH2和FZ2获取图像的颜色特征向量FC。
步骤22)颜色向量角矩阵C1通过如下方式获得:
(22a)对于矩阵M中的元素P1=[R1,G1,B1],分别求取其与参考点P2=[Rm,Gm,Bm]的向量角θ,R1,G1和B1分别为RGB颜色空间的红色、绿色和蓝色通道,Rm,Gm和Bm分别为RGB颜色空间三个通道的参考值:
(22b)将sinθ作为颜色向量角矩阵C1中对应位置处的颜色向量角;
进而,
FH1=C1(·,1:end-1)-C1(·,2:end),
FZ1=C1(1:end-1,·)-C1(2:end,·),
其中,C1(·,·)表示所有行与所有列,end表示矩阵最后一行或最后一列,end-1表示矩阵倒数第二行或倒数第二列,此处运算可通俗解释为:FH1由C1逐列作差得到,即C1第一列元素减去C1第二列对应位置处的元素得到FH1第一列元素,C1第二列元素减去C1第三列对应位置处的元素得到FH1第二列元素,以此类推;FZ1由C1逐行作差得到,即C1第一行元素减去C1第二行对应位置处的元素得到FZ1第一行元素,C1第二行元素减去C1第三行对应位置处的元素得到FZ1第二行元素,以此类推。
步骤23)颜色欧式距离矩阵C2通过如下方式获得:
(23a)对于矩阵M中的元素P1=[R1,G1,B1],分别求取其与参考点P2=[Rm,Gm,Bm]的欧式距离d,R1,G1和B1分别为RGB颜色空间的红色、绿色和蓝色通道,Rm,Gm和Bm分别为RGB颜色空间三个通道的参考值:
(23b)将d作为颜色欧式距离矩阵C2中对应位置处的颜色欧式距离;
进而,
FH2=C2(·,1:end-1)-C2(·,2:end),
FZ2=C2(1:end-1,·)-C2(2:end,·),
其中,C2(·,·)表示所有行与所有列,end表示矩阵最后一行或最后一列,end-1表示矩阵倒数第二行或倒数第二列,此处运算可通俗解释为:FH2由C2逐列作差得到,即C2第一列元素减去C2第二列对应位置处的元素得到FH2第一列元素,C2第二列元素减去C2第三列对应位置处的元素得到FH2第二列元素,以此类推;FZ2由C2逐行作差得到,即C2第一行元素减去C2第二行对应位置处的元素得到FZ2第一行元素,C2第二行元素减去C2第三行对应位置处的元素得到FZ2第二行元素,以此类推。
步骤24)具体为:
24a)将FH1、FZ1按行展开为FH′1和FZ′1并将其联合起来量化处理得到颜色向量角变化矩阵FC1:FC1=round(1000×[FH′1,FZ′1]),round(·)表示四舍五入操作;
24b)将FH2、FZ2按行展开为FH′2和FZ′2并将其联合起来量化处理得到颜色欧式距离变化矩阵FC2:FC2=round(1000×[FH′2,FZ′2]),round(·)表示四舍五入操作;
24c)确定颜色特征FC,其中,FC中第j个元素为:FC(j)=FC1(j)+FC2(j),j=1,2,...,M,M为FC1中元素个数,也即为FC2中元素个数。
步骤3)具体为:
31)将预处理后的图像转换为L*a*b颜色空间,并提取L分量作为图像的亮度分量;
32)对亮度分量采用四叉树分解技术获得亮度分量的四叉树结构图;
33)将四叉树结构图分割为L×L个小块,按照光栅扫描顺序统计每个小块中所包含的不同大小的区域总数量作为该小块的结构特征,进而得到图像的结构特征向量FS=[N(1),N(2),N(3),...,N(k),...,N(L2)],N(k)为第k个小块中所包含的不同大小的区域总数量,k=1,2,...,L2。
步骤4)具体为:
41)联合颜色特征向量FC和结构特征向量FS得到特征序列FCS:FCS=[FC,FS];
42)利用伪随机数生成器产生与特征序列FCS相同长度的数组G;
43)根据下式将FS扰乱获得图像摘要:H(i)=FCS(G(i)),G(i)为数组G中第i个数。
接收方具有和发送方相同的密钥。接收方收到可能经过攻击后的图像以及正确的图像摘要H1。图像认证包括以下几个步骤:
(1)首先对接收图像通过正确密钥按照图像摘要生成方法求出摘要H2。
(2)图像摘要H1和H2之间的欧氏距离即为两个图像Hash的距离。若距离小于阈值,则认为收到的图像与发送的图像是相似图像,否则图像是被攻击的图像。
(3)如果图像被判断为篡改图像,利用密钥恢复图像摘要H2的原始排序,取结构特征序列FS来定位篡改区域。
具体实施方案及性能分析:
在实施方案中对参数做如下设置:图像规格化大小N=256,图像块大小L=8,因此图像块的总个数为8×8=64,颜色特征序列为112个十进制数,结构特征序列长度为64个十进制数,因此最终图像Hash是长度为112+64=176个十进制数。
稳健性分析:
在稳健性分析中,对5幅512×512的测试图像Airplane,House,Lena,Baboon和Peppers进行各种常规处理,包括用光影魔术手进行嵌入水印;用Photoshop进行JPEG压缩编码、亮度调整和对比度调整;用MATLAB进行图像缩放、Gamma校正、添加高斯噪音、椒盐噪音、乘性噪音、旋转和3×3高斯低通滤波。表1列出了稳健性性能分析中各种保持内容的图像处理所用参数。
表1
对原始图像的Hash与经过不同处理后图像的Hash计算距离,如图2所示,图中横轴的序号对应于表1列出的各种处理序号,纵轴表示Hash距离,可以看出,随着旋转角度的增加,哈希距离急剧增加,这是因为采用了分块方案,旋转使图形块内容发生重大变化。可见本发明方法对图像旋转以外的常规图像处理具有良好的鲁棒性。
唯一性性能分析:
图像Hash的唯一性又称为抗碰撞性,即两幅内容不同的图像应具有完全不同的图像Hash。图3给出1000幅不同图像生成的C2 1000=499500个图像对的Hash距离的概率分布图。均值和标准差分别为1525.1和326,可以看出哈希距离基本都大于500。
阈值确定:
首先建立Hash距离数据集,其中包括499500个不同图像对Hash距离和20000个相似图像对Hash距离。相似图像对包括JPEG压缩、Gamma校正、乘性噪音、亮度调整、对比度调整、椒盐噪音、水印、图像缩放、高斯滤波和高斯噪音。经过鲁棒性实验和唯一性实验可以知道阈值范围在460至660。方便起见将阈值定为500。
检错率和碰撞率:
定义检错率和碰撞率如下:
表2为本发明方法在阈值取500时的检错率和碰撞率。在图像Hash的性能指标中,碰撞率和检错率都很重要。从表2中可以看出本方法碰撞率较低。
表2
篡改检测分析:
图4为原图像与篡改图像以及Hash距离实例图,此为篡改检测的一些实例。可以看出所有图像对的距离都大于确定的阈值T(500)。总之,本专利提出的方法具有较好的稳健性和唯一性,能够检测篡改图像。它可以广泛应用于图像认证和图像检索领域。
上述实施方式仅为例举,不表示对本发明范围的限定。这些实施方式还能以其它各种方式来实施,且能在不脱离本发明技术思想的范围内作各种省略、置换、变更。
Claims (8)
1.一种基于颜色与结构特征的图像摘要获取方法,其特征在于,该方法包括如下步骤:
1)图像预处理;
2)颜色特征提取:对预处理后的图像进行分块处理,基于颜色向量角和颜色欧式距离提取颜色特征;
3)结构特征提取:对预处理后的图像提取亮度分量,对亮度分量应用四叉树分解提取结构特征;
4)联合颜色特征和结构特征,并将其扰乱得到图像哈希序列,获得图像摘要。
2.根据权利要求1所述的一种基于颜色与结构特征的图像摘要获取方法,其特征在于,步骤1)图像预处理具体为:对输入的图像进行高斯低通滤波处理并调整为相同尺寸:N×N。
3.根据权利要求1所述的一种基于颜色与结构特征的图像摘要获取方法,其特征在于,步骤2)具体为:
21)将预处理后图像分割为L×L的图像块,并对每一个图像块中的所有像素求均值处理得到矩阵M,矩阵M中的每个元素表示相应图像块所有像素的平均像素值;
22)计算矩阵M的颜色向量角矩阵C1,提取颜色向量角矩阵C1的横向变化矩阵FH1与纵向变化矩阵FZ1;
23)计算矩阵M的颜色欧式距离矩阵C2,提取颜色欧式距离矩阵C2的横向变化矩阵FH2与纵向变化矩阵FZ2;
24)联合FH1、FZ1、FH2和FZ2获取图像的颜色特征向量FC。
4.根据权利要求3所述的一种基于颜色与结构特征的图像摘要获取方法,其特征在于,步骤22)颜色向量角矩阵C1通过如下方式获得:
(22a)对于矩阵M中的元素P1=[R1,G1,B1],分别求取其与参考点P2=[Rm,Gm,Bm]的向量角θ,R1,G1和B1分别为RGB颜色空间的红色、绿色和蓝色通道,Rm,Gm和Bm分别为RGB颜色空间三个通道的参考值:
(22b)将sinθ作为颜色向量角矩阵C1中对应位置处的颜色向量角;
进而,
FH1=C1(·,1:end-1)-C1(·,2:end),
FZ1=C1(1:end-1,·)-C1(2:end,·),
其中,C1(·,·)表示所有行与所有列,end表示矩阵最后一行或最后一列,end-1表示矩阵倒数第二行或倒数第二列。
5.根据权利要求3所述的一种基于颜色与结构特征的图像摘要获取方法,其特征在于,步骤23)颜色欧式距离矩阵C2通过如下方式获得:
(23a)对于矩阵M中的元素P1=[R1,G1,B1],分别求取其与参考点P2=[Rm,Gm,Bm]的欧式距离d,R1,G1和B1分别为RGB颜色空间的红色、绿色和蓝色通道,Rm,Gm和Bm分别为RGB颜色空间三个通道的参考值:
(23b)将d作为颜色欧式距离矩阵C2中对应位置处的颜色欧式距离;
进而,
FH2=C2(·,1:end-1)-C2(·,2:end),
FZ2=C2(1:end-1,·)-C2(2:end,·),
其中,C2(·,·)表示所有行与所有列,end表示矩阵最后一行或最后一列,end-1表示矩阵倒数第二行或倒数第二列。
6.根据权利要求3所述的一种基于颜色与结构特征的图像摘要获取方法,其特征在于,步骤24)具体为:
24a)将FH1、FZ1按行展开为FH′1和FZ′1并将其联合起来量化处理得到颜色向量角变化矩阵FC1:FC1=round(1000×[FH′1,FZ′1]),round(·)表示四舍五入操作;
24b)将FH2、FZ2按行展开为FH′2和FZ′2并将其联合起来量化处理得到颜色欧式距离变化矩阵FC2:FC2=round(1000×[FH′2,FZ′2]),round(·)表示四舍五入操作;
24c)确定颜色特征FC,其中,FC中第j个元素为:FC(j)=FC1(j)+FC2(j),j=1,2,...,M,M为FC1中元素个数,也即为FC2中元素个数。
7.根据权利要求3所述的一种基于颜色与结构特征的图像摘要获取方法,其特征在于,步骤3)具体为:
31)将预处理后的图像转换为L*a*b颜色空间,并提取L分量作为图像的亮度分量;
32)对亮度分量采用四叉树分解技术获得亮度分量的四叉树结构图;
33)将四叉树结构图分割为L×L个小块,按照光栅扫描顺序统计每个小块中所包含的不同大小的区域总数量作为该小块的结构特征,进而得到图像的结构特征向量FS=[N(1),N(2),N(3),...,N(k),...,N(L2)],N(k)为第k个小块中所包含的不同大小的区域总数量,k=1,2,...,L2。
8.根据权利要求7所述的一种基于颜色与结构特征的图像摘要获取方法,其特征在于,步骤4)具体为:
41)联合颜色特征向量FC和结构特征向量FS得到特征序列FCS:FCS=[FC,FS];
42)利用伪随机数生成器产生与特征序列FCS相同长度的数组G;
43)根据下式将FS扰乱获得图像摘要:H(i)=FCS(G(i)),G(i)为数组G中第i个数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910635392.1A CN110490789B (zh) | 2019-07-15 | 2019-07-15 | 一种基于颜色与结构特征的图像摘要获取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910635392.1A CN110490789B (zh) | 2019-07-15 | 2019-07-15 | 一种基于颜色与结构特征的图像摘要获取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110490789A true CN110490789A (zh) | 2019-11-22 |
CN110490789B CN110490789B (zh) | 2023-03-28 |
Family
ID=68547272
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910635392.1A Active CN110490789B (zh) | 2019-07-15 | 2019-07-15 | 一种基于颜色与结构特征的图像摘要获取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110490789B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112802189A (zh) * | 2021-02-04 | 2021-05-14 | 上海电力大学 | 一种基于颜色分量三维空间距离特征的图像哈希方法 |
CN113095380A (zh) * | 2021-03-26 | 2021-07-09 | 上海电力大学 | 一种基于临近梯度和结构特征的图像哈希处理方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106528662A (zh) * | 2016-10-20 | 2017-03-22 | 中山大学 | 一种基于特征几何约束的车辆图像快速检索方法与系统 |
CN106776856A (zh) * | 2016-11-29 | 2017-05-31 | 江南大学 | 一种融合颜色特征与词汇树的车辆图像检索方法 |
CN108647605A (zh) * | 2018-04-28 | 2018-10-12 | 南京邮电大学 | 一种结合全局颜色与局部结构特征的人眼凝视点提取方法 |
-
2019
- 2019-07-15 CN CN201910635392.1A patent/CN110490789B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106528662A (zh) * | 2016-10-20 | 2017-03-22 | 中山大学 | 一种基于特征几何约束的车辆图像快速检索方法与系统 |
CN106776856A (zh) * | 2016-11-29 | 2017-05-31 | 江南大学 | 一种融合颜色特征与词汇树的车辆图像检索方法 |
CN108647605A (zh) * | 2018-04-28 | 2018-10-12 | 南京邮电大学 | 一种结合全局颜色与局部结构特征的人眼凝视点提取方法 |
Non-Patent Citations (4)
Title |
---|
QIN C,SUN MH AND CHANG CC: "Perceptual hashing for color images based on hybrid extraction of structural features", 《SIGNAL PROCESSING》 * |
TANG ZJ,LI XL,ZHANG XQ,ET AL: "Image hashing with color vector angle", 《NEUROCOMPUTING》 * |
万兵,李威: "基于颜色矢量角度直方图与DCT压缩的鲁棒哈希算法", 《包装工程》 * |
金晓民,张丽萍: "混合特征与颜色矢量角度的图像哈希认证算法", 《计算机科学与探索》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112802189A (zh) * | 2021-02-04 | 2021-05-14 | 上海电力大学 | 一种基于颜色分量三维空间距离特征的图像哈希方法 |
CN113095380A (zh) * | 2021-03-26 | 2021-07-09 | 上海电力大学 | 一种基于临近梯度和结构特征的图像哈希处理方法 |
CN113095380B (zh) * | 2021-03-26 | 2023-03-31 | 上海电力大学 | 一种基于临近梯度和结构特征的图像哈希处理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110490789B (zh) | 2023-03-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Marra et al. | Do gans leave artificial fingerprints? | |
Park et al. | Double JPEG detection in mixed JPEG quality factors using deep convolutional neural network | |
CN103345758B (zh) | 基于dct统计特征的jpeg图像区域复制篡改盲检测方法 | |
US20030016841A1 (en) | Watermark detection using adaptive color projections | |
Singh et al. | Fast and efficient region duplication detection in digital images using sub-blocking method | |
US8582875B2 (en) | Method for skin tone detection | |
WO2018076138A1 (zh) | 基于大尺度高分辨率高光谱图像的目标探测方法及装置 | |
US9384519B1 (en) | Finding similar images based on extracting keys from images | |
CN111179202B (zh) | 一种基于生成对抗网络的单幅图像去雾增强方法和系统 | |
CN104933721A (zh) | 基于颜色滤波阵列特性的拼接图像篡改检测方法 | |
CN107423768A (zh) | 基于surf和pca结合的图像哈希序列生成方法 | |
CN108875623B (zh) | 一种基于图像特征融合对比技术的人脸识别方法 | |
CN110766708B (zh) | 基于轮廓相似度的图像比较方法 | |
Wu et al. | Detection of digital doctoring in exemplar-based inpainted images | |
CN101493939A (zh) | 基于小波域同态滤波的检测伪造图像的方法 | |
CN110490789A (zh) | 一种基于颜色与结构特征的图像摘要获取方法 | |
Fattah et al. | A scheme for copy-move forgery detection in digital images based on 2D-DWT | |
CN102547477B (zh) | 一种基于轮廓波变换模型的视频指纹方法 | |
CN102956025B (zh) | 一种图像水印检测方法及其系统 | |
CN109376719B (zh) | 一种基于组合特征表示的相机光响应非均匀性指纹提取及比对方法 | |
CN114677722A (zh) | 一种融合多尺度特征的多监督人脸活体检测方法 | |
CN109118419B (zh) | 基于局部空域和频域的图像拷贝检测方法 | |
CN112200075B (zh) | 一种基于异常检测的人脸防伪方法 | |
CN111510297B (zh) | 全局与局部特征结合的高分辨率遥感影像完整性认证方法 | |
CN106815852A (zh) | 基于四元数极谐变换的彩色图像取证方法 |
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 |