CN110782442A - 一种基于多域耦合的图像人工模糊检测方法 - Google Patents
一种基于多域耦合的图像人工模糊检测方法 Download PDFInfo
- Publication number
- CN110782442A CN110782442A CN201911009712.9A CN201911009712A CN110782442A CN 110782442 A CN110782442 A CN 110782442A CN 201911009712 A CN201911009712 A CN 201911009712A CN 110782442 A CN110782442 A CN 110782442A
- Authority
- CN
- China
- Prior art keywords
- image
- dct
- artificial
- domain
- candidate
- 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 19
- 230000008878 coupling Effects 0.000 title claims abstract description 9
- 238000010168 coupling process Methods 0.000 title claims abstract description 9
- 238000005859 coupling reaction Methods 0.000 title claims abstract description 9
- 238000013507 mapping Methods 0.000 claims abstract description 9
- 238000012360 testing method Methods 0.000 claims abstract description 6
- 238000001035 drying Methods 0.000 claims abstract description 4
- 230000002159 abnormal effect Effects 0.000 claims description 15
- 230000000875 corresponding effect Effects 0.000 claims description 15
- 238000000034 method Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 230000002596 correlated effect Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 150000001875 compounds Chemical class 0.000 claims 1
- 230000009466 transformation Effects 0.000 abstract description 3
- 238000012216 screening Methods 0.000 abstract description 2
- 230000011218 segmentation Effects 0.000 abstract description 2
- 230000000903 blocking effect Effects 0.000 abstract 1
- 238000000691 measurement method Methods 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20048—Transform domain processing
- G06T2207/20052—Discrete cosine transform [DCT]
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20076—Probabilistic image processing
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种基于多域耦合的图像人工模糊检测方法，首先对图像进行分块DCT变换，计算每个像素在二次模糊前后DCT系数的相似度，得到测试图像在DCT域对应的人工模糊度估计映射图。然后对该映射图进行二值分割，利用图像形态学进行去燥和填充孔洞，得到人工模糊的候选区域。最后在图像的空域内，利用图像的纹理描述子包括灰度统计，平滑度和信息熵综合对候选的人工模糊区域进行筛选，得到最终的定位结果。本发明综合利用了图像DCT域和空域特征的优势，得到新的人工模糊的度量方法，具有很好的检测效率和定位的准确率。
Description
技术领域
本发明涉及数字图像信息技术领域，具体涉及一种基于多域耦合的图像人工模糊检测方法。
背景技术
随着网络和智能设备的普及，多媒体信息的传输变得无处不在。数字图像作为传输信息其中重要的一种载体，更是成为重中之重。但如今，数字图像内容的篡改变得越来越容易，人们不在需要专业的技术都可以几乎不留痕迹的对图像进行编辑修改，这为数字图像的真实性和安全性带来了挑战。因此对数字图像取证的研究对维护网络信息的安全具有重要的意义。
图像的人工模糊篡改检测作为数字图像取证技术的一个重要分支，其目的是为了检测数字图像中是否存在人工模糊的痕迹并定位出篡改的区域。在图像中人工模糊的目的通常是为了掩饰原始图像中一些敏感的信息内容，或者作为后处理的润饰功能掩饰图像中拼接等篡改的痕迹。通过这种精心巧妙的模糊设计，在图像中几乎很难通过人眼观察看到图像中篡改的痕迹。即使在图像中仍留有一些可以辨别的痕迹，也需要有力的方法去证明篡改的存在。因此有效的数字图像人工模糊检测可以在信息安全保障体系中可以发挥非常重要的作用。图像人工模糊检测技术被广泛的应用在司法取证、新闻纪实、媒体娱乐等领域中。
现有的图像人工模糊检测技术主要分为两种：一种是基于图像模糊的边缘检测，人工模糊区域和原始区域的交界边缘作为图像中特殊的存在不同于图像中正常的纹理边缘，通过滤波等方式可以强化提取到这个边缘，从而实现人工模糊的定位；另一种是基于图像像素的统计特征，对图像的每一个像素点进行特征的求取，并利用机器学习的方法对统计特征进行分类识别，这类方法之间的区别主要在于图像变换域和统计特征选取。
发明内容
本发明的目的在于提供一种基于多域耦合的图像人工模糊检测方法，能够有效地检测定位出图像中是否存在人工模糊的操作，具有检测效率快、定位准确率高、不需要人为判断的优点。
为了达到上述技术目的，本发明的技术方案如下：
一种基于多域耦合的图像人工模糊检测方法，包括以下步骤：
S1：灰度转化：对于输入的原始测试图像首先转换成单通道的灰度图像I；
S2：二次模糊：对步骤S1中的灰度图像I使用高斯模糊进行全局模糊操作得到二次模糊后的图像Ib，用于之后在各个域上I和Ib相似度的比较，用公式表示为Ib＝I*G
其中，G是高斯模糊核，*是卷积操作；
S3：提取DCT域内特征：对于灰度图像I上每一个像素点p，找到它在二次模糊后的图像Ib上的对应点p′，分别截取它们n*n邻域的图像块b和bb，并进行DCT操作，得到DCT域内特征B＝DCT(b)，Bb＝DCT(bb)；
S4：DCT域内相似度比较：利用相对差异计算步骤S3得到的B和Bb的相似度，得到图像在DCT域内的人工模糊度估计，有
其中，B(i,j)和Bb(i,j)分别表示在坐标(i,j)上对应的DCT系数值；TF是在DCT上得到计算相似度的距离，用来表示DCT域内的人工模糊程度；
S5：对于步骤S4中比值当分母接近或者为0时会出现异常，将比值利用Sigmoid映射到[0,0.5]的范围内，具体的有，
其中，r表示比值
和
S6：获得候选的可疑人工模糊区域：利用步骤S4求得图像中每个像素点对应的人工模糊度估计值TF，即可得到图像DCT域内的人工模糊度估计映射图；
而后使用阈值T1对该映射图进行分割，利用图像形态学的开闭操作进行去燥和填充孔洞，即可在二值图中提取出候选的可疑人工模糊区域其中Rb是候选的可疑人工模糊区域的集合；
S7：在步骤S6中得到的每一个可疑候选区域在二次模糊后的图像Ib中找到其对应的区域
其中Rg是二次模糊后的图像Ib中对应
的集合，在空域内利用空域纹理的描述子包括异常灰度级统计、平滑度以及信息熵作为特征f计算
和
的相似度S，有
其中fb和fg分别是
和
计算特征f所得到的结果，然后以T2为阈值进行最终的判断得到人工模糊区域的定位结果，有
其中
是求出的最终人工模糊区域的集合，
表示对
求出的S值。
进一步，所述步骤S7中特征f计算的处理过程如下：
S701：计算候选区域的图像梯度：对于每一个候选区域上的像素点计算它的梯度幅值，有
其中[.]表示取整操作；
S702：异常灰度级统计：利用灰度共生矩阵对
提取特征，有
其中M为利用灰度共生矩阵提取到的矩阵，δ(·)为脉冲函数，用来对像素对进行计数，写为
式子中分别当di＝0，dj＝1和di＝1，dj＝0时可以得到M在水平和垂直方向上相邻梯度幅值的统计，分别用MH和MV来表示；
将统计中较大幅值的统计对视为异常的点对，异常元素表示为
则对异常点对的统计有,
S703：平滑度估计：首先求得梯度值的方差σ，
其中n是
中点的个数，是
的均值，L是梯度幅值的变化范围；根据σ求得候选区域的平滑度，用f2表示有
S704：纹理信息熵估计：候选图像区域梯度的纹理信息熵可以表示为
其中
是
所出现的概率，通过计算直方图的频数求得，
其中
指的是
所对应直方图的统计数，因为f1、f2以及f3取值都正相关与S，采用如下式子将三种描述子结合起来，
得到候选区域在图像空域内的特征值。
与现有技术相比，本发明技术方案的有益效果是：
本发明联合了DCT域和图像空域的提取的特征，能够更好的对图像中的细节信息进行表征，对人工模糊区域更加的敏感。首先是在DCT内采用相对差异的方式和二次模糊后的图像进行相似度的比较，能够抓住图像高频分量在人工模糊和原始图像中的不同；在空域中利用三种纹理的描述子对图像的候选人工模糊区域进行筛选甄别，有效利用了人工模糊区域在空域上的一些内容的先验知识，进一步提高了定位的准确率。相比于传统的基于特征的检测算法，速度更快，实用性更强，能够准确的给出人工模糊区域的轮廓。
本发明首次联合DCT域和空域对图像的人工模糊进行检测定位，能够充分利用两个域的优势，在和二次模糊的相似度比较中得到准确的检测定位结果，避免了人工按照经验来判断的操作，具有很好的检测效率和定位的准确率。
附图说明
图1为本发明方法流程图
图2为本发明实施例中待处理的人工模糊篡改后的图像
图3为本发明实施例中待处理篡改图像的掩膜
图4为本发明实施例中得到的DCT域内的人工模糊度映射图
图5为本发明实施例定位结果图
具体实施方式
下面结合附图对本发明作进一步的说明。
为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；
对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
实施例1
如图1所示，一种基于多域耦合的图像人工模糊检测方法，包括以下步骤：
S1：灰度转化：对于输入的原始测试图像首先转换成单通道的灰度图像I，转化公式为，
I＝0.299*R+0.587*G+0.114*B (1)
其中，R，G，B分别为图像在彩色三通道上的像素值。
S2：二次模糊操作：对步骤S1中的灰度图像I使用高斯模糊进行全局模糊操作得到二次模糊后的图像Ib用于之后在各个域上I和Ib相似度的比较，用公式表示为
Ib＝I*G (2)
其中*是卷积操作，G是高斯模糊核，本实施例中G的参数模糊核大小为n＝25，标准差σ＝1。
S3：提取DCT域内特征：对于I上像素点p，它在DCT域上表现出的人工模糊程度由它所在的图像块的人工模糊程度所决定。截取出它n*n邻域的图像块b和该图像块在二次模糊图像Ib上所对应的图像块bb，分别进行DCT操作，B＝DCT(b)，Bb＝DCT(bb)。本实施例中参数n＝25。
S4：DCT域内相似度比较：为了突出表现高频分量的作用，利用相对差异计算S3得到的B和Bb的相似度，得到像素点p在DCT域内的人工模糊度估计值，有
其中，B(i,j)和Bb(i,j)分别表示在坐标(i,j)上对应的DCT系数值，TF是在DCT上得到计算相似度的距离，可以用来表示像素点p在DCT域内的人工模糊程度。
S5：对于步骤S4中比值当分母接近或者为0时会出现异常，在计算公式(3)中的比值时，利用Sigmoid函数将比值映射到[0,0.5]的范围内，具体的有，
其中，r表示比值
和则在公式(3)中求解的两个比值中最大值转化为映射后数值的最大值。
S6：获得候选的可疑人工模糊区域：通过步骤S3、S4以及S5可以得到像素点p在DCT域内的人工模糊程度的距离表示TF。对图像中所有的像素点进行该操作即可得到测试图像在DCT域内的人工模糊度估计映射图m，而后使用阈值T1对该映射图进行分割，
其中T′F代表TF二值分割后的结果，标记为‘1’所组成的区域就是当前检测出的人工模糊的区域。而后利用图像形态学的开闭操作进行去燥和填充孔洞，即可在二值图中提取出标记为‘1’候选的可疑人工模糊区域
其中Rb是候选的可疑人工模糊区域的集合。本实施例中参数T1＝0.3989。
S7：图像空域中候选区域的筛选：在步骤S6中得到的每一个可疑候选区域
在二次模糊后的图像Ib中找到其对应的区域
其中Rg是二次模糊后的图像Ib中对应
的集合。在空域内利用空域纹理的描述子包括异常灰度级统计、平滑度以及信息熵作为特征f计算
和
的相似度S，有
其中fb和fg分别是
和
计算特征f所得到的结果。然后以T2为阈值进行最终的判断得到人工模糊区域的定位结果，有
其中
是求出的最终人工模糊区域的集合，
表示对
求出的S值。在二值的篡改定位图中将
所对应的区域标记为‘1’，其他区域标记为‘0’，即可得到最终的检测定位图。本实施例中参数T2＝1.333。
进一步地，所述步骤S7中特征f计算的处理过程如下：
S701：计算给定区域的图像梯度：对于区域上每一个像素点计算它的梯度幅值，有
其中[.]表示取整操作。
S702：异常灰度级统计：利用灰度共生矩阵对
提取特征，有
其中δ(·)为脉冲函数，用来对像素对进行计数，可写为
式子中分别当di＝0，dj＝1和di＝1，dj＝0时可以得到M在水平和垂直方向上相邻梯度幅值的统计，分别用MH和MV来表示。将统计中较大幅值的统计对视为异常的点对，M中的异常元素可以表示为
则对异常点对的统计有,
本实施例中参数τ＝3。
S703：给定区域整体平滑度估计：对于给定图像区域内的所有点，首先求得梯度值的标准差σ，
其中n是中点的个数由给定图像区域的大小决定，是
的均值，L是梯度幅值的变化范围。根据σ求得候选区域的平滑度，用f2表示有
S704：纹理信息熵估计：给定图像区域梯度的纹理信息熵可以表示为
其中
是
所出现的概率，可以通过计算直方图的频数求得，
其中
指的是
所对应直方图的统计数。直方图的统计间隔为1。因为f1、f2以及f3取值都正相关与S，采用如下式子将三种描述子结合起来，
得到候选区域在图像空域内的特征值。
如图2至5所示，是基于多域耦合人工模糊检测方法的实验效果。图2为人工模糊后的待检测的篡改试图像，图3为该篡改图像的掩膜图，图4是在DCT域上得到人工模糊度估计的映射图，图5是最终的篡改定位的结果，从图中可以明显地看出定位效果比较理想。
相同或相似的标号对应相同或相似的部件；
附图中描述位置关系的用于仅用于示例性说明，不能理解为对本专利的限制；
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。
Claims (2)
1.一种基于多域耦合的图像人工模糊检测方法，其特征在于包括以下步骤：
S1：灰度转化：对于输入的原始测试图像首先转换成单通道的灰度图像I；
S2：二次模糊：对步骤S1中的灰度图像I使用高斯模糊进行全局模糊操作得到二次模糊后的图像Ib，用于之后在各个域上I和Ib相似度的比较，用公式表示为
Ib＝I*G
其中，G是高斯模糊核，*是卷积操作；
S3：提取DCT域内特征：对于灰度图像I上每一个像素点p，找到它在二次模糊后的图像Ib上的对应点p′，分别截取它们n*n邻域的图像块b和bb，并进行DCT操作，得到DCT域内特征B＝DCT(b)，Bb＝DCT(bb)；
S4：DCT域内相似度比较：利用相对差异计算步骤S3得到的B和Bb的相似度，得到图像在DCT域内的人工模糊度估计，有
其中，B(i，j)和Bb(i，j)分别表示在坐标(i，j)上对应的DCT系数值；TF是在DCT上得到计算相似度的距离，用来表示DCT域内的人工模糊程度；
S5：对于步骤S4中比值当分母接近或者为0时会出现异常，将比值利用Sigmoid映射到[0，0.5]的范围内，具体的有，
其中，r表示比值
和
S6：获得候选的可疑人工模糊区域：利用步骤S4求得图像中每个像素点对应的人工模糊度估计值TF，即可得到图像DCT域内的人工模糊度估计映射图；
而后使用阈值T1对该映射图进行分割，利用图像形态学的开闭操作进行去燥和填充孔洞，即可在二值图中提取出候选的可疑人工模糊区域其中Rb是候选的可疑人工模糊区域的集合；
S7：在步骤S6中得到的每一个可疑候选区域
在二次模糊后的图像Ib中找到其对应的区域
其中Rg是二次模糊后的图像Ib中对应的集合，在空域内利用空域纹理的描述子包括异常灰度级统计、平滑度以及信息熵作为特征f计算
和的相似度S，有
其中fb和fg分别是和
计算特征f所得到的结果，然后以T2为阈值进行最终的判断得到人工模糊区域的定位结果，有
其中是求出的最终人工模糊区域的集合，表示对求出的S值。
2.根据权利要求1所述的一种基于多域耦合的图像人工模糊检测方法，其特征在于：所述步骤S7中特征f计算的处理过程如下：
S701：计算候选区域的图像梯度：对于每一个候选区域上的像素点计算它的梯度幅值，有
其中[.]表示取整操作；
S702：异常灰度级统计：利用灰度共生矩阵对
提取特征，有
其中M为利用灰度共生矩阵提取到的矩阵，δ(·)为脉冲函数，用来对像素对进行计数，写为
式子中分别当di＝0，dj＝1和di＝1，dj＝0时可以得到M在水平和垂直方向上相邻梯度幅值的统计，分别用MH和Mv来表示；
将统计中较大幅值的统计对视为异常的点对，异常元素表示为M(x，y)，
则对异常点对的统计有，
S703：平滑度估计：首先求得梯度值的方差σ，
其中n是中点的个数，
是
的均值，L是梯度幅值的变化范围；根据σ求得候选区域的平滑度，用f2表示有
S704：纹理信息熵估计：候选图像区域梯度的纹理信息熵可以表示为
其中
是所出现的概率，通过计算直方图的频数求得，
其中
指的是
所对应直方图的统计数，因为f1、f2以及f3取值都正相关与S，采用如下式子将三种描述子结合起来，
得到候选区域在图像空域内的特征值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911009712.9A CN110782442B (zh) | 2019-10-23 | 2019-10-23 | 一种基于多域耦合的图像人工模糊检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911009712.9A CN110782442B (zh) | 2019-10-23 | 2019-10-23 | 一种基于多域耦合的图像人工模糊检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110782442A true CN110782442A (zh) | 2020-02-11 |
| CN110782442B CN110782442B (zh) | 2023-03-24 |
Family
ID=69386510
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911009712.9A Active CN110782442B (zh) | 2019-10-23 | 2019-10-23 | 一种基于多域耦合的图像人工模糊检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110782442B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113643257A (zh) * | 2021-08-12 | 2021-11-12 | 北京百度网讯科技有限公司 | 图像噪点检测方法、装置、设备、存储介质及程序产品 |
| WO2022148180A1 (zh) * | 2021-01-07 | 2022-07-14 | 苏州浪潮智能科技有限公司 | 图像输出方法、装置、计算机设备及计算机可读存储介质 |
| CN115272303A (zh) * | 2022-09-26 | 2022-11-01 | 睿贸恒诚(山东)科技发展有限责任公司 | 基于高斯模糊的纺织物缺陷程度评估方法、装置及系统 |
| CN116363160A (zh) * | 2023-05-30 | 2023-06-30 | 杭州脉流科技有限公司 | 基于水平集的ct灌注影像脑组织分割方法和计算机设备 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140003734A1 (en) * | 2012-03-26 | 2014-01-02 | Viewdle Inc. | Image blur detection |
| CN106446872A (zh) * | 2016-11-07 | 2017-02-22 | 湖南源信光电科技有限公司 | 一种低照度下的视频人脸检测识别方法 |
| CN106485703A (zh) * | 2016-09-30 | 2017-03-08 | 杭州电子科技大学 | 基于图像梯度dct变换的模糊检测方法 |
| CN108510496A (zh) * | 2018-04-09 | 2018-09-07 | 杭州电子科技大学 | 基于图像dct域的svd分解的模糊检测方法 |
-
2019
- 2019-10-23 CN CN201911009712.9A patent/CN110782442B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140003734A1 (en) * | 2012-03-26 | 2014-01-02 | Viewdle Inc. | Image blur detection |
| CN106485703A (zh) * | 2016-09-30 | 2017-03-08 | 杭州电子科技大学 | 基于图像梯度dct变换的模糊检测方法 |
| CN106446872A (zh) * | 2016-11-07 | 2017-02-22 | 湖南源信光电科技有限公司 | 一种低照度下的视频人脸检测识别方法 |
| CN108510496A (zh) * | 2018-04-09 | 2018-09-07 | 杭州电子科技大学 | 基于图像dct域的svd分解的模糊检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 耿振民等: "图像模糊检测方法", 《信息安全与通信保密》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022148180A1 (zh) * | 2021-01-07 | 2022-07-14 | 苏州浪潮智能科技有限公司 | 图像输出方法、装置、计算机设备及计算机可读存储介质 |
| CN113643257A (zh) * | 2021-08-12 | 2021-11-12 | 北京百度网讯科技有限公司 | 图像噪点检测方法、装置、设备、存储介质及程序产品 |
| CN113643257B (zh) * | 2021-08-12 | 2023-09-22 | 北京百度网讯科技有限公司 | 图像噪点检测方法、装置、设备、存储介质及程序产品 |
| CN115272303A (zh) * | 2022-09-26 | 2022-11-01 | 睿贸恒诚(山东)科技发展有限责任公司 | 基于高斯模糊的纺织物缺陷程度评估方法、装置及系统 |
| CN115272303B (zh) * | 2022-09-26 | 2023-03-10 | 睿贸恒诚(山东)科技发展有限责任公司 | 基于高斯模糊的纺织物缺陷程度评估方法、装置及系统 |
| CN116363160A (zh) * | 2023-05-30 | 2023-06-30 | 杭州脉流科技有限公司 | 基于水平集的ct灌注影像脑组织分割方法和计算机设备 |
| CN116363160B (zh) * | 2023-05-30 | 2023-08-29 | 杭州脉流科技有限公司 | 基于水平集的ct灌注影像脑组织分割方法和计算机设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110782442B (zh) | 2023-03-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110782442B (zh) | 一种基于多域耦合的图像人工模糊检测方法 | |
| CN107067389B (zh) | 一种图像篡改盲取证方法 | |
| CN106875395B (zh) | 基于深度神经网络的超像素级sar图像变化检测方法 | |
| CN104933721B (zh) | 基于颜色滤波阵列特性的拼接图像篡改检测方法 | |
| CN104504669B (zh) | 一种基于局部二值模式的中值滤波检测方法 | |
| CN109918971B (zh) | 监控视频中人数检测方法及装置 | |
| Su et al. | A novel forgery detection algorithm for video foreground removal | |
| CN103020965A (zh) | 一种基于显著性检测的前景分割方法 | |
| CN108446690B (zh) | 一种基于多视角动态特征的人脸活体检测方法 | |
| CN104463911A (zh) | 基于复杂背景估计的红外运动小目标检测方法 | |
| CN110415208A (zh) | 一种自适应目标检测方法及其装置、设备、存储介质 | |
| WO2019172172A1 (ja) | 物体追跡装置、物体追跡方法、及びコンピュータプログラム | |
| CN104036250A (zh) | 视频行人检测与跟踪方法 | |
| CN115937237A (zh) | 一种基于边缘变换域的局部特征提取方法 | |
| Rhee | Detection of spliced image forensics using texture analysis of median filter residual | |
| CN101655912A (zh) | 小波变换的计算机生成图像与自然图像的检测方法 | |
| Liu et al. | Splicing forgery exposure in digital image by detecting noise discrepancies | |
| Gupta et al. | Fast single image haze removal method for inhomogeneous environment using variable scattering coefficient | |
| CN108269221B (zh) | 一种jpeg重压缩图像篡改定位方法 | |
| CN106778822B (zh) | 基于漏斗变换的图像直线检测方法 | |
| CN107704864B (zh) | 基于图像对象性语义检测的显著目标检测方法 | |
| CN106021610B (zh) | 一种基于显著区域的视频指纹提取方法 | |
| Bi et al. | A versatile detection method for various contrast enhancement manipulations | |
| CN104268861A (zh) | 人工模糊图像边缘的盲检测方法 | |
| CN115578629A (zh) | 一种公路护栏提取方法 |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240327 Address after: No. 125 Daqing Road, Jintai District, Baoji City, Shaanxi Province 721001 Patentee after: State Grid Shaanxi Electric Power Co., Ltd. Baoji Power Supply Co. Country or region after: China Patentee after: National Network (Xi'an) Environmental Protection Technology Center Co.,Ltd. Address before: 721004 No.125 Daqing Road, Jintai District, Baoji City, Shaanxi Province Patentee before: BAOJI POWER SUPPLY COMPANY OF STATE GRID SHAANXI ELECTRIC POWER Co. Country or region before: China |
|
| TR01 | Transfer of patent right |