CN110874845B - 图像平滑化的检测方法及装置 - Google Patents
图像平滑化的检测方法及装置 Download PDFInfo
- Publication number
- CN110874845B CN110874845B CN201811019996.5A CN201811019996A CN110874845B CN 110874845 B CN110874845 B CN 110874845B CN 201811019996 A CN201811019996 A CN 201811019996A CN 110874845 B CN110874845 B CN 110874845B
- Authority
- CN
- China
- Prior art keywords
- matrix
- edge
- image
- characteristic
- derivative
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000003706 image smoothing Methods 0.000 title claims abstract description 25
- 239000011159 matrix material Substances 0.000 claims abstract description 100
- 238000009499 grossing Methods 0.000 claims abstract description 33
- 238000001514 detection method Methods 0.000 claims abstract description 32
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 20
- 238000003708 edge detection Methods 0.000 claims abstract description 16
- 238000007635 classification algorithm Methods 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000009795 derivation Methods 0.000 claims description 17
- 238000013139 quantization Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 4
- 238000012706 support-vector machine Methods 0.000 description 6
- 230000002146 bilateral effect Effects 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 208000032544 Cicatrix Diseases 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 231100000241 scar Toxicity 0.000 description 1
- 230000037387 scars Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000037303 wrinkles Effects 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
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明适用图像处理技术领域，提供了一种图像平滑化的检测方法及装置，该方法包括：对图像进行边缘检测，确定边缘点，提取所述边缘点的像素，并建立特征矩阵，对所述特征矩阵进行求导，得到特征导数矩阵，通过分类算法对所述特征导数矩阵进行分类识别，确定对所述图像采用的平滑化算法，实现对图像的平滑化进行有效检测，提高了图像平滑化检测的准确性，进一步提高了图像取证的有效性。
Description
技术领域
本发明属于电子设备技术领域，尤其涉及图像平滑化的检测方法及装置。
背景技术
图像取证技术作为一种保证了图像安全性和完整性的技术手段，近年来在互联网以及大数据应用的普及背景下受到了广泛关注。
常见的图像取证研究涵盖了设备取证、篡改取证、编码压缩取证、图像编辑史评估等等范畴。一幅图像的可靠性往往需要经过一系列的取证操作来验证。在这个过程中，图像的成像和编辑史需要被完整地评估，任何有可能应用到的图像操作都需要被检测出来以达到此目的。目前已经有很多针对各种图像编辑方法的检测手段，这其中包括检测图像jpeg压缩、图像增强、上采样下采样、锐化等等，但是目前还没有一种比较系统的针对图像平滑化的检测手段。
图像平滑化最基本的用途之一是去除图像噪声。以中值滤波器为代表的一类平滑化操作算法具有极强地去除高频噪声的作用，而著名的高斯低通滤波器更是被作为一种重要的去噪工具而广泛地内置于各类图像编辑软件中。随着智能手机的普及和社交网络的崛起，人们乐于拍摄各种场景、美食和自拍照上传到社交网络，分享生活中的点点滴滴以此作为一种重要的娱乐手段。这些图像通常在上传前经过各种编辑而达到美化效果。而平滑化作为一种美图方式，被广泛运用于自拍照里以达到美颜效果。经过平滑化处理的自拍照可以掩盖各种皱纹、疤痕，这也恰恰会被心怀叵测的犯罪分子利用，达到遮盖面部特征，模糊真实年龄等目的。
然而，由于目前无法对图像平滑化进行有效检测，造成难以识别犯罪分子的真实身份。
发明内容
本发明的目的在于提供图像平滑化的检测方法及装置，旨在解决由于现有技术无法对图像平滑化进行有效检测的问题。
第一方面，本发明提供了一种图像平滑化的检测方法，所述方法包括下述步骤：
对图像进行边缘检测，确定边缘点；
提取所述边缘点的像素，并建立特征矩阵；
对所述特征矩阵进行求导，得到特征导数矩阵；
通过分类算法对所述特征导数矩阵进行分类识别，确定对所述图像采用的平滑化方法。
第二方面，提供了一种图像平滑化的检测装置，包括：
边缘检测模块，用于对图像进行边缘检测，确定边缘点；
特征矩阵建立模块，用于提取所述边缘点的像素，并建立特征矩阵；
求导模块，用于对所述特征矩阵进行求导，得到特征导数矩阵；
算法识别模块，用于通过分类算法对所述特征导数矩阵进行分类识别，确定对所述图像采用的平滑化算法。
本发明在进行图像的平滑化检测时，通过对图像进行边缘检测，确定边缘点，提取边缘点的像素，并建立特征矩阵，对特征矩阵进行求导，得到特征导数矩阵，通过分类算法对特征导数矩阵进行分类识别，实现对图像的平滑化进行有效检测，提高了图像平滑化检测的准确性，进一步提高了图像取证的有效性。
附图说明
图1是本发明实施例一提供的图像平滑化的检测方法的实现流程图；
图2示出了一种具体的图像平滑化检测方法的实现流程图；
图3是本发明实施例二提供的图像平滑化的检测装置的结构框图；
图4是本发明实施例三提供的图像平滑化的检测装置的结构框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
以下结合具体实施例对本发明的具体实现进行详细描述：
实施例一：
图1示出了本发明实施例一提供的图像平滑化的检测方法的实现流程，为了便于说明，仅示出了与本发明实施例相关的部分，详述如下：
步骤S110中，对图像进行边缘检测，确定边缘点。
本发明实施例适用于智能手机、电脑等电子设备，这些电子设备中设置处理器，以对图像进行平滑化检测。
在平滑化图像中，低频区域由于经过平滑处理后基本上没有任何改变，这要求我们必须着眼于包含高频信息的图像边缘处，通过对经过平滑化处理后的图像进行边缘检测操作，确定边缘点。
优选的，通过采用canny算子对图像进行边缘检测。由于canny算子具有很好的自适应功能，因此不需要进行复杂的参数调整和优化即可以获得良好的效果。
优选的，若经过平滑化处理后的图像是彩色图像，则需要对图像进行灰度转换。由于需要分析图像的纹理特征，而纹理特征通常是包含在灰度图像中。所以为了达到更好的效果，如果是彩色图像，则须对图像进行灰度变换。如果已经是灰度图像，则可以略过这一步，直接对图像进行边缘检测，确定边缘点。
步骤S120，提取边缘点的像素，并建立特征矩阵。
具体的，从边缘点中提取N个相邻的边缘点，组成边缘线，N为预设数量，然后从边缘线周边提取N-1条与边缘线平行的非边缘线，通过提取边缘线和非边缘线中边缘点的像素，建立特征矩阵。
优选的，N＝5，通过将相邻的五个边缘点构成一条边缘线。在边缘线的两侧查找到和边缘线保持平行的非边缘线，其中每一侧与边缘线最近的两条线被选取出来和边缘线共同组成一个5*5的区域块。这一区域中的像素将被用来建立一个5*5的特征矩阵P，特征矩阵P的中心点为P12。
需要说明的是，在实际应用中，可根据具体的使用环境对N进行调整。
步骤S130，对特征矩阵进行求导，得到特征导数矩阵。
由于特征矩阵中的元素是离散的，所以一次求导可以被看作求差值，二次求导可以看作是在差值的基础之上计算差值的差值。
具体地，对特征矩阵求行的一阶导数获得一个一阶特征矩阵，对一阶特征矩阵求列的二阶导数获得特征导数矩阵。
例如，沿纵向对如上的5*5的特征矩阵P求行的一阶导数可获得一个新的4*5矩阵S，并沿横向求列的二阶导数获得另一个新的5*3矩阵T。
按照此方法可对所有边缘点均求得对应特征导数矩阵。
优选的，在对特征矩阵进行求导之前，可通过预设方式对特征矩阵进行量化。
通过预先对特征矩阵进行量化，缩小特征矩阵的维度，从而提高运算效率。例如把P0-P3的所有数字一视同仁可以有效减少复杂度。
步骤S140，通过分类算法对特征导数矩阵进行分类识别，确定对图像采用的平滑化算法。
具体地，提取了特征后选取了SVM(Support Vector Machine，支持向量机)分类器进行训练，可以有效识别平滑化图像中所采用的平滑化算法。由于SVM分类器对用户更友好，易于实现，提取的特征简单有效，从而更加有利于对特征导数矩阵进行分类识别，提高确定平滑化算法的准确性。
优选的，在通过分类算法对特征导数矩阵进行分类识别之前，根据特征导数矩阵的元素建立直方图，从而将特征导数矩阵的各元素出现的数量转换成出现概率以减少误差。
优选的，在通过SVM进行分类识别前，可以对特特征导数矩阵进行简化以提高运算速度。例如，由于平滑化图像的特性，经过求导处理的特征导数矩阵中会生成大量0元素。在实际操作中可以针对性地忽略掉0元素进行运算来提高检测效率。
优选的，在对特征导数矩阵的元素建立直方图之后，通过对直方图进行归一化处理，以简化特征导数矩阵，进而在通过分类算法对特征导数矩阵进行分类识别时，大大减少了运算量，提高了进行分类识别时的运算速度。
图2示出了一种具体的图像平滑化检测方法的实现流程图。在获取到平滑化处理的图像后，预先对图像进行灰度图的检测，在图像不是灰度图时，对图像进行灰度转换，在对图像进行灰度转换或图像本身是灰度图时，则对图像进行边缘检测，提取边缘点，建立特征矩阵，并在对特征矩阵进行量化处理后，对量化处理后的特征矩阵进行求导，得到特征导数矩阵，进而根据特征导数矩阵的元素建立直方图，将特征导数矩阵的各元素出现的数量转换成出现概率以减少误差，并对直方图进行归一化处理，以简化特征导数矩阵，最终通过SVM分类器进行分类识别，确定采用的平滑化算法。
利用如上所述的方法，在进行图像的平滑化检测时，通过对图像进行边缘检测，确定边缘点，提取边缘点的像素，并建立特征矩阵，对特征矩阵进行求导，得到特征导数矩阵，通过分类算法对特征导数矩阵进行分类识别，实现对图像的平滑化进行有效检测，提高了图像平滑化检测的准确性。
实施例二：
图3示出了本发明实施例二提供的图像平滑化的检测装置的结构，为了便于说明，仅示出了与本发明实施例相关的部分，其中包括：
边缘检测模块110，用于对图像进行边缘检测，确定边缘点；
特征矩阵建立模块120，用于提取边缘点的像素，并建立特征矩阵；
求导模块130，用于对特征矩阵进行求导，得到特征导数矩阵；
算法识别模块140，用于通过分类算法对特征导数矩阵进行分类识别，确定对图像采用的平滑化算法。
优选地，特征矩阵建立模块120包括：
边缘线建立单元121，用于从边缘点中提取N个相邻的边缘点，组成边缘线，N为预设数量；
非边缘线建立单元122，用于从边缘线周边提取N-1条与边缘线平行的非边缘线；
特征矩阵建立单元123，用于通过提取边缘线和非边缘线中边缘点的像素，建立特征矩阵。
优选地，求导模块130包括：
一阶求导单元131，用于对特征矩阵求行的一阶导数获得一个一阶特征矩阵；
二阶求导单元132，用于对一阶特征矩阵求列的二阶导数获得特征导数矩阵。
在本发明实施例中，该图像平滑化的检测装置的各模块可由相应的硬件或软件单元实现，各模块可以为独立的软、硬件模块，也可以集成为一个软、硬件单元，在此不用以限制本发明。各模块的具体实施方式可参考实施例一的描述，在此不再赘述。
实施例三：
图4示出了本发明实施例三提供的图像平滑化的检测装置的结构，为了便于说明，仅示出了与本发明实施例相关的部分，除了包括实施例二所述的模块外，本实施例提供的图像平滑化的检测装置还包括：
直方图建立模块210，用于根据特征导数矩阵的元素建立直方图。
归一化模块220，用于对直方图进行归一化处理。
可选的，本实施例提供的图像平滑化的检测装置还包括量化模块，量化模块具体应用于通过预设方式对特征矩阵进行量化。
在本发明实施例中，该图像平滑化的检测装置的各模块可由相应的硬件或软件单元实现，各模块可以为独立的软、硬件模块，也可以集成为一个软、硬件单元，在此不用以限制本发明。各模块的具体实施方式可参考实施例一的描述，在此不再赘述。
实施例四：
本实施例中，将通过实际实验数据来分析本发明的有效性。
实验的图像数据库由3000幅图像组成。其中2000幅分别来自UCID和NRCS灰度图像库，另1000幅是取自互联网上各照片网站的不同尺寸的彩色图像。图像平滑化算法分别采用了均值滤波器、中值滤波器、高斯低通滤波器和双边滤波器。这些滤波器默认的窗口大小均为3*3，其中高斯低通滤波器可以通过调节来控制图像平滑化强度，双边滤波器可由δz和δd来调整平滑化范围和强度，均值滤波器和中值滤波器没有其它可供调节的参数。
在实验中，我们将经由同一种平滑化算法处理的图片作为正类，由其它各种平滑化算法处理的图片作为负类，两类图片保持数量一致，将两类图片作为输入信号，交由SVM学习分类。下表显示的是针对均值滤波器和中值滤波器的模拟仿真结果。
表1针对均值滤波器和中值滤波器的检测率
| 均值滤波器 | 中值滤波器 | |
| 准确率 | 93.75％ | 99.83％ |
高斯低通滤波器和双边滤波器，由于有可调控参数的存在，针对它们的实验是在基于不同参数的基础之上完成模拟仿真的，实验结果参见表2和表3。
表2不同标准差下高斯低通滤波器的检测率
| σ | 0.5 | 0.7 | 1.0 | 1.2 | 1.5 |
| 准确率 | 98.33％ | 96.08％ | 92.75％ | 91.17％ | 88.25％ |
表3不同参数下双边滤波器的检测率
| δr，δd | 1，10 | 1，30 | 3，10 | 3，30 |
| 准确率 | 98％ | 98％ | 98.92％ | 99.42％ |
通过以上两表可看出，本发明能够很好地辨识出高斯低通滤波器、双边滤波器这两种平滑化算法。
综合看来，本发明在分辨平滑化算法时有着不俗的表现，达到了既定目标。这些实验数据表明本发明可以被作为一种值得信赖的图像平滑化算法。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，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，均应包含在本发明的保护范围之内。
Claims (9)
1.一种图像平滑化的检测方法，其特征在于，所述方法包括下述步骤：
对图像进行边缘检测，确定边缘点；
提取所述边缘点的像素，并建立特征矩阵；
对所述特征矩阵进行求导，得到特征导数矩阵；
通过分类算法对所述特征导数矩阵进行分类识别，确定对所述图像采用的平滑化算法；
在所述通过分类算法对所述特征导数矩阵进行分类识别，确定对所述图像采用的平滑化算法的步骤之前，所述方法还包括：
根据所述特征导数矩阵的元素建立直方图。
2.如权利要求1所述的方法，其特征在于，提取所述边缘点的像素，并建立特征矩阵的步骤，包括：
从所述边缘点中提取N个相邻的边缘点，组成边缘线，所述N为预设数量；
从所述边缘线周边提取N-1条与所述边缘线平行的非边缘线；
通过提取所述边缘线和非边缘线中边缘点的像素，建立特征矩阵。
3.如权利要求1所述的方法，其特征在于，对所述特征矩阵进行求导，得到特征导数矩阵的步骤，包括：
对所述特征矩阵求行的一阶导数获得一个一阶特征矩阵；
对所述一阶特征矩阵求列的二阶导数获得特征导数矩阵。
4.如权利要求1所述的方法，其特征在于，对所述特征矩阵进行求导，得到特征导数矩阵的步骤之前，所述方法还包括：
通过预设方式对所述特征矩阵进行量化。
5.如权利要求1所述的方法，其特征在于，根据所述特征导数矩阵的元素建立直方图的步骤之后，所述方法还包括：
对所述直方图进行归一化处理。
6.一种图像平滑化的检测装置，采用如权利要求1至5任一项所述的方法，其特征在于，所述装置包括：
边缘检测模块，用于对图像进行边缘检测，确定边缘点；
特征矩阵建立模块，用于提取所述边缘点的像素，并建立特征矩阵；
求导模块，用于对所述特征矩阵进行求导，得到特征导数矩阵；
算法识别模块，用于通过分类算法对所述特征导数矩阵进行分类识别，确定对所述图像采用的平滑化算法。
7.如权利要求6所述的装置，其特征在于，所述特征矩阵建立模块包括：
边缘线建立单元，用于从所述边缘点中提取N个相邻的边缘点，组成边缘线，所述N为预设数量；
非边缘线建立单元，用于从所述边缘线周边提取N-1条与所述边缘线平行的非边缘线；
特征矩阵建立单元，用于通过提取所述边缘线和非边缘线中边缘点的像素，建立特征矩阵。
8.如权利要求6所述的装置，其特征在于，所述求导模块包括：
边缘线建立单元，用于对所述特征矩阵求行的一阶导数获得一个一阶特征矩阵；
对所述一阶特征矩阵求列的二阶导数获得特征导数矩阵。
9.如权利要求6所述的装置，其特征在于，还包括量化模块，所述量化模块具体应用于通过预设方式对所述特征矩阵进行量化。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811019996.5A CN110874845B (zh) | 2018-09-03 | 2018-09-03 | 图像平滑化的检测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811019996.5A CN110874845B (zh) | 2018-09-03 | 2018-09-03 | 图像平滑化的检测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110874845A CN110874845A (zh) | 2020-03-10 |
| CN110874845B true CN110874845B (zh) | 2022-06-21 |
Family
ID=69716846
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811019996.5A Active CN110874845B (zh) | 2018-09-03 | 2018-09-03 | 图像平滑化的检测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110874845B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2001065470A1 (de) * | 2000-02-29 | 2001-09-07 | Infineon Technologies Ag | Verfahren zur analyse von fingerabdruckbildern |
| CN101493927A (zh) * | 2009-02-27 | 2009-07-29 | 西北工业大学 | 基于边缘方向特征的图像可信度检测方法 |
| CN101493937A (zh) * | 2009-02-27 | 2009-07-29 | 西北工业大学 | 利用梯度局部熵检测数字图像内容可信度的方法 |
| CN101841642A (zh) * | 2010-04-22 | 2010-09-22 | 南京航空航天大学 | 一种基于分数阶次信号处理的边缘检测方法 |
| CN104715257A (zh) * | 2013-12-11 | 2015-06-17 | 中国科学院深圳先进技术研究院 | 一种图像中值滤波检测方法及装置 |
| CN104952055A (zh) * | 2014-03-24 | 2015-09-30 | 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 |
| KR20170011454A (ko) * | 2015-07-23 | 2017-02-02 | 부산대학교 산학협력단 | 위조 영상 검출 방법 및 그 장치 |
| CN106705850A (zh) * | 2017-02-09 | 2017-05-24 | 厦门大学 | 一种基于图像的端子质量检测方法 |
-
2018
- 2018-09-03 CN CN201811019996.5A patent/CN110874845B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2001065470A1 (de) * | 2000-02-29 | 2001-09-07 | Infineon Technologies Ag | Verfahren zur analyse von fingerabdruckbildern |
| CN101493927A (zh) * | 2009-02-27 | 2009-07-29 | 西北工业大学 | 基于边缘方向特征的图像可信度检测方法 |
| CN101493937A (zh) * | 2009-02-27 | 2009-07-29 | 西北工业大学 | 利用梯度局部熵检测数字图像内容可信度的方法 |
| CN101841642A (zh) * | 2010-04-22 | 2010-09-22 | 南京航空航天大学 | 一种基于分数阶次信号处理的边缘检测方法 |
| CN104715257A (zh) * | 2013-12-11 | 2015-06-17 | 中国科学院深圳先进技术研究院 | 一种图像中值滤波检测方法及装置 |
| CN104952055A (zh) * | 2014-03-24 | 2015-09-30 | 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 |
| KR20170011454A (ko) * | 2015-07-23 | 2017-02-02 | 부산대학교 산학협력단 | 위조 영상 검출 방법 및 그 장치 |
| CN106705850A (zh) * | 2017-02-09 | 2017-05-24 | 厦门大学 | 一种基于图像的端子质量检测方法 |
Non-Patent Citations (4)
| Title |
|---|
| Edge Perpendicular Binary Coding;Feng Ding 等;《IEEE SIGNAL PROCESSING LETTERS》;20150331;全文 * |
| 利用边缘检测算子所显示的数字图像本底噪声差异辨识伪造、变造图像;张驰等;《中国公共安全(学术版)》;20131215(第04期);全文 * |
| 基于局部灰度梯度特征的图像快速配准方法;温江涛等;《清华大学学报(自然科学版)网络.预览》;20090315(第05期);全文 * |
| 基于边缘羽化检测的虚假 图像盲识别算法;赵峰 等;《信号处理》;20091231;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110874845A (zh) | 2020-03-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Boroumand et al. | Deep learning for detecting processing history of images | |
| Chen et al. | Visual depth guided color image rain streaks removal using sparse coding | |
| Li et al. | Edge-preserving decomposition-based single image haze removal | |
| CN106530200B (zh) | 一种基于深度学习模型的隐写图像检测方法及系统 | |
| Kang et al. | A context-adaptive SPN predictor for trustworthy source camera identification | |
| Huynh-The et al. | Improving digital image watermarking by means of optimal channel selection | |
| Chen et al. | A multi-purpose image forensic method using densely connected convolutional neural networks | |
| Wu et al. | Steganalysis via deep residual network | |
| CN109255752B (zh) | 图像自适应压缩方法、装置、终端及存储介质 | |
| WO2011097936A1 (zh) | 指纹图像增强方法 | |
| Ketenci et al. | Copy-move forgery detection in images via 2D-Fourier transform | |
| Singh et al. | An improved median filtering anti-forensics with better image quality and forensic undetectability | |
| CN114022383A (zh) | 一种文字图像的摩尔纹祛除方法、装置及电子设备 | |
| Samanta et al. | Analysis of perceptual hashing algorithms in image manipulation detection | |
| Hilles et al. | Latent fingerprint enhancement and segmentation technique based on hybrid edge adaptive dtv model | |
| CN111161177A (zh) | 图像自适应降噪方法和装置 | |
| Chen et al. | Improve transmission by designing filters for image dehazing | |
| CN111259792A (zh) | 基于dwt-lbp-dct特征的人脸活体检测方法 | |
| Ravi et al. | Forensic analysis of linear and nonlinear image filtering using quantization noise | |
| Neethu et al. | Enhancement of Fingerprint using FFT×| FFT| n Filter | |
| CN110874845B (zh) | 图像平滑化的检测方法及装置 | |
| Krupiński et al. | Binarization of degraded document images with generalized Gaussian distribution | |
| CN111062272A (zh) | 基于色彩恢复的图像处理、行人识别方法、装置与可读存储介质 | |
| CN114926348B (zh) | 一种去除低照度视频噪声的装置和方法 | |
| Lawgaly et al. | PRNU estimation based on weighted averaging for source smartphone video identification |
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 |