CN111008651B - 一种基于多特征融合的图像翻拍检测方法 - Google Patents
一种基于多特征融合的图像翻拍检测方法 Download PDFInfo
- Publication number
- CN111008651B CN111008651B CN201911108985.9A CN201911108985A CN111008651B CN 111008651 B CN111008651 B CN 111008651B CN 201911108985 A CN201911108985 A CN 201911108985A CN 111008651 B CN111008651 B CN 111008651B
- Authority
- CN
- China
- Prior art keywords
- image
- classification
- noise
- classification model
- flip
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 30
- 230000004927 fusion Effects 0.000 title claims abstract description 23
- 238000013145 classification model Methods 0.000 claims abstract description 66
- 238000000034 method Methods 0.000 claims abstract description 16
- 230000009466 transformation Effects 0.000 claims description 21
- 239000011159 matrix material Substances 0.000 claims description 18
- 238000000605 extraction Methods 0.000 claims description 10
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 description 7
- 238000005457 optimization Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- 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
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/20064—Wavelet transform [DWT]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于多特征融合的图像翻拍检测方法，包括：采集图像，包括原始自然图像和翻拍图像；对训练图像提取多组特征；获取多个分类模型，采用每组特征分别得到对应的一个分类模型；多种分类结果融合，采用加权投票法对多个分类模型的分类结果融合；待测图像翻拍检测，将待测图像提取多组特征后输入到对应的分类模型，获取分类结果，并融合多种分类结果得到最终检测结果。本发明采用多种特征融合进行翻拍检测，避免单一特征造成的结果误差；采用多个分类模型训练，通过加权投票法对多个分类结果融合，降低了检测结果的错误率；每个分类模型采用不同方法，综合了多种分类模型的优点，增加了分类结果的准确性。
Description
技术领域
本发明涉及图像翻拍检测技术，更具体的说，涉及一种基于多特征融合的图像翻拍检测方法。
背景技术
随着家庭宽带走进千家万户，装维工作质量成为了影响用户网络使用体验的重要因素之一。宽带装维场景的核心问题在于如何对装维过程进行合理高效的质检，从而让装维人员符合施工规范，保证施工准确性，同时降低在装维质检上的人工人本，提高质检效率。
在电信装维业务中，每天都会对上传的生产作业照片进行质检，质检照片是否合格，如对照片是否翻拍进行检测。在装机或挂测时，需要要求装维人员上传完成作业后的图片，图片中包含分光器设备及设备上的唯一标识标签。但在上传的图片中，发现部分照片不是现场拍照，而是翻拍手机上照片或者是电脑照片。为了防止装维人员造假，需要对上传的图片进行翻拍检测。由于每天都会上传大量的图片，人工质检耗费大量的人力。
发明内容
针对上述现有技术存在的问题，本发明提供了一种基于多特征融合的图像翻拍检测方法，提取图像多组特征值通过多个分类模型进行分类检测，并融合多种分类结果，对翻拍的图片进行智能检测，提高质检准确性。包括：
采集图像，包括原始自然图像和翻拍图像，并将采集图像人工标注作为训练图像；
对训练图像提取多组特征，所述多组特征包括图像的梯度特征、图像的噪声特征和图像的DCT变换系数统计特征；
获取多个分类模型，采用每组特征分别得到对应的一个分类模型；
多种分类结果融合，采用加权投票法对多个分类模型的分类结果融合；
待测图像翻拍检测，将待测图像提取多组特征后输入到对应的分类模型，获取分类结果，并融合多种分类结果得到最终检测结果。
作为上述方案的进一步优化，所述获取多个分类模型，具体包括：
获取第一分类模型，将训练图像的梯度特征输入到LibSVM分类模型训练，通过LibSVM分类模型输出图像是否属于翻拍的结果；
获取第三分类模型，将训练图像的DCT变换系数统计特征输入到卷积神经网络训练，通过卷积神经网络输出图像是否属于翻拍的结果；
获取第二分类模型，将训练图像的噪声特征输入到第二分类模型存储，所述第二分类模型通过分别计算待测图像噪声特征和原始自然图像噪声特征的相似度S1、待测图像噪声特征和翻拍图像噪声特征的相似度S2，输出待测图像是否属于翻拍的结果。
作为上述方案的进一步优化，第二分类模型中，若相似度S1大于预设原始自然图像噪声特征隶属度阈值，则输出待测图像为原始自然图像，若相似度S2大于预设翻拍图像噪声特征隶属度阈值，则输出待测图像为翻拍图像。
作为上述方案的进一步优化，所述梯度特征提取方法为：
4.1、通过图片获取R，G，B三个通道下的图像分量像素矩阵和图片的灰度图像素矩阵；
4.2、对步骤4.1中的四幅图通过sobelxy算子获取四张梯度图；
4.3、对每张梯度图上的像素点的值分别进行统计，将频率、均值和方差特征，得到每张梯度图的图片特征，四张梯度图获得的同一张图像的图片特征集合；
步骤4.2中获取梯度图的公式为：
其中，A是图像的像素矩阵，I是通过sobelxy算子获取的梯度图。
作为上述方案的进一步优化，所述步骤4.3中对每张梯度图上的像素点的值进行统计，先将每张梯度图的256分量处理成32分量，再统计32分量的频率及其均值和方差，得到每张梯度图的34个特征值。
作为上述方案的进一步优化，所述噪声特征提取方法，对图片采用小波函数进行小波分解后，经过阈值过滤函数过滤噪声后，再通过小波逆变换重构去噪后的图像数据，将去噪前图像与去噪后图像的差值作为噪声数据，对噪声数据统计，以均值，方差，偏斜度，峰值作为特征数据，其中同一张图片采用多种小波函数获取多种去噪结果。
作为上述方案的进一步优化，所述图像的DCT变换系数统计特征提取方法为：
7.1、将m*m的图像分成8*8的小块，m是8的整数倍，将每块图像的像素值数据f(x,y)通过DCT变换公式得到DCT系数F(u，v)，所述DCT变换公式为：
其中，u∈[0,7]，v∈[0,7]，x∈[0,7]，y∈[0,7]；
7.2、将整张图像的每个像素点经过DCT变换后的DCT系数F(u，v)组成m*m的表格，按照zig-zag顺序对每块的DCT系数F(u，v)扫描，将不同块的同一个位置的DCT系数F(u，v)组合在一个特征矩阵中，矩阵的行数和列数均为m/8,每张图像按zig-zag顺序扫描取前20个特征矩阵作为特征数据。
作为上述方案的进一步优化，所述多种分类结果融合，具体为将分类模型分类结果的原始自然图像记为1，翻拍图像记为0，三个分类模型结果分别记为W1，W2，W3，若W1+W2+W3大于1，则融合结果记为1，若W1+W2+W3小于等于1，则融合结果记为0.
本发明的一种基于图像多特征的图像翻拍检测方法，具备如下有益效果：
1.本发明的一种基于图像多特征的图像翻拍检测方法，通过对图像提取多种特征，包括图像的梯度特征、图像的噪声特征和图像的DCT变换系数统计特征，避免单一特征造成的结果偏差；采用多个分类模型训练，通过加权投票法对多个分类结果融合，降低了检测结果的错误率；每个分类模型采用不同方法，综合多种分类模型的优点，增加了分类结果的准确性。
2.本发明的一种基于图像多特征的图像翻拍检测方法，在第二分类模型中，通过计算待测图像噪声特征和原始自然图像噪声特征的相似度S1、待测图像噪声特征和翻拍图像噪声特征的相似度S2，比较S1和预设原始自然图像噪声特征隶属度阈值的大小，S2和预设翻拍图像噪声特征隶属度阈值的大小，输出判断结果，避免了深度神经网络模型的训练时间长和过拟合等弊端。
3.本发明的一种基于图像多特征的图像翻拍检测方法，图像的梯度特征提取用时较短，相比于LBP(局部二值模式)，特征提取用时平均提升1-2倍，从10s降到5s，有效缩短翻拍检测效率。
附图说明
图1为本发明一种基于图像多特征的图像翻拍检测方法的提取噪声特征的流程框图；
图2为本发明一种基于图像多特征的图像翻拍检测方法的提取DCT变换系数特征的流程框图；
图3为本发明一种基于图像多特征的图像翻拍检测方法的整体流程框图。
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。
参照附图1-3，本发明提供了一种基于图像多特征的图像翻拍检测方法，包括：
采集图像，包括原始自然图像和翻拍图像，并将采集图像人工标注作为训练图像；
对训练图像提取多组特征，所述多组特征包括图像的梯度特征、图像的噪声特征和图像的DCT变换系数统计特征；
获取多个分类模型，采用每组特征分别得到对应的一个分类模型；
多种分类结果融合，采用加权投票法对多个分类模型的分类结果融合；
待测图像翻拍检测，将待测图像提取多组特征后输入到对应的分类模型，获取分类结果，并融合多种分类结果得到最终检测结果。
获取多个分类模型，具体包括：
获取第一分类模型，将训练图像的梯度特征输入到LibSVM分类模型训练，通过LibSVM分类模型输出图像是否属于翻拍的结果；
获取第三分类模型，将训练图像的DCT变换系数统计特征输入到卷积神经网络训练，通过卷积神经网络输出图像是否属于翻拍的结果；
获取第二分类模型，将训练图像的噪声特征输入到第二分类模型存储，所述第二分类模型通过分别计算待测图像噪声特征和原始自然图像噪声特征的相似度S1、待测图像噪声特征和翻拍图像噪声特征的相似度S2，输出待测图像是否属于翻拍的结果。
在第二分类模型中，若相似度S1大于预设原始自然图像噪声特征隶属度阈值，则输出待测图像为原始自然图像，若相似度S2大于预设翻拍图像噪声特征隶属度阈值，则输出待测图像为翻拍图像。
上述预设的噪声特征隶属度阈值的确定方法，可以采用先取几个不同的阈值，在不同阈值情况下，对待测图像噪声特征计算相似度S1和S2，对第二分类模型的输出结果的正确错误情况进行统计，通过分类准确率判断最佳阈值作为预设的噪声特征隶属度阈值，分类准确率的计算公式为：
其中，TP为被第二分类模型正确分为原始自然图像的数目；TP为被第二分类模型错误分为原始自然图像的数目；FN为被第二分类模型正确分为翻拍图像的数目；TN为被第二分类模型错误分为翻拍图像的数目。
从色彩还原与翻拍场景角度出发，考虑到翻拍图像的光度特性以及翻拍过程中可能携带的背景信息，对图像进行梯度特征提取分析，所述梯度特征提取方法为：
4.1、通过图片获取R，G，B三个通道下的图像分量像素矩阵和图片的灰度图像素矩阵；
4.2、对步骤4.1中的四幅图通过sobelxy算子获取四张梯度图；
4.3、对每张梯度图上的像素点的值分别进行统计，将频率、均值和方差特征，得到每张梯度图的图片特征，四张梯度图获得的同一张图像的图片特征集合；
步骤4.2中获取梯度图的公式为：
其中，A是图像的像素矩阵，I是通过sobelxy算子获取的梯度图。
在上述步骤4.3中对每张梯度图上的像素点的值进行统计，先将每张梯度图的256分量处理成32分量，再统计32分量的频率及其均值和方差，得到每张梯度图的34个特征值。
本实施例中，对同一张图像分解后，得到四张图片，分别对四张图片做横向卷积和纵向卷积运算，将两个卷积结果结合得到四张图片的梯度图，得到梯度图后，采用二维矩阵方式存储图片数据，由于像素值的范围在0-255之间，为了运算方便，将256种像素值压缩至32种像素值，将原像素值除以8取整数，对每张梯度图的32个像素值的频率作为32个特征，再加上这32个特征的均值和方差，总共34个特征，一张图像得到包含34*4＝136个特征的图像特征集合。
从噪声分析的角度出发，考虑到了自然图像和原始图像在噪声特征上的不同，对图像噪声特征差异分析，其中，噪声特征提取方法，对图片采用小波函数进行小波分解后，经过阈值过滤函数过滤噪声后，再通过小波逆变换重构去噪后的图像数据，将去噪前图像与去噪后图像的差值作为噪声数据，对噪声数据统计，以均值，方差，偏斜度，峰值作为特征数据，同一张图片采用多种小波函数获取多种去噪结果。
本实施例中，选用三种不同的小波函数进行小波变换，选用合适的分解层次均和阈值过滤函数，通过MATLAB工具进行小波降噪过程，然后基于三种小波函数获取的噪声数据，分别获取均值，方差，偏斜度，峰值，共得到12个特征值。
图像的DCT变换系数统计特征提取方法为：
7.1、将m*m的图像分成8*8的小块，m是8的整数倍，将每块图像的像素值数据f(x,y)通过DCT变换公式得到DCT系数F(u，v)，所述DCT变换公式为：
其中，u∈[0,7]，v∈[0,7]，x∩[0,7]，y∈[0,7]；
7.2、将整张图像的每个像素点经过DCT变换后的DCT系数F(u，v)组成m*m的表格，按照zig-zag顺序对每块的DCT系数F(u，v)扫描，将不同块的同一个位置的DCT系数F(u，v)组合在一个特征矩阵中，矩阵的行数和列数均为m/8,每张图像按zig-zag顺序扫描取前20个特征矩阵作为特征数据。
将采集的图像预处理成m*m的图像并且满足m是8的整数倍，然后分成8*8的小块，本实施例中，取m＝256,即将一张图片分成32*32的小块，对每个8*8小块进行DCT变换，获取每个小块对应的8*8＝64个DCT系数F(u，v)，下面为了说明按照zig-zag顺序对每块的DCT系数F(u，v)扫描，获取DCT系数特征的过程，以m＝16列出表1：
| 81 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 82 | -2 | 0 | 0 | 0 | 0 | 0 | 0 |
| 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 0 | 0 | 0 | 0 | 0 | 0 |
| 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| 83 | 3 | 0 | 0 | 0 | 0 | 0 | 0 | 84 | -4 | 1 | 0 | 0 | 0 | 0 | 0 |
| -1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | -1 | 0 | 0 | 0 | 0 | 0 | 0 |
| 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
表1 16*16图像的DCT系数
如上表所示，将16*16的图像分为四个小块，对每个小块的相同位置进行扫描，先对每个小块的左上角的一个数据扫描，得到第一个特征矩阵(81,82,83,84)，再对每个小块的第一行第2列的数据扫描，得到第二个特征矩阵(1,-2,3,-4)，再对每个小块的第一列第2行的数据扫描，得到(0,0，-1,0)，再对每个小块的第3行第1列扫描，得到(0,0,0,0,)。
在经过第一分类模型、第二分类模型和第三分类模型的分类结果后，将多种分类结果融合，具体为将分类模型分类结果的原始自然图像记为1，翻拍图像记为0，三个分类模型结果分别记为W1，W2，W3，若W1+W2+W3大于1，则融合结果记为1，若W1+W2+W3小于等于1，则融合结果记为0。
对于三个分类模型的分类结果，如果有两个及两个以上的分类结果判别图像为原始真实图像，则最终判断图像不是翻拍图像，如果有两个及两个以上的分类结果判别图像为翻拍图像，则最终判断图像为翻拍图像。
本发明不局限于上述具体的实施方式，本领域的普通技术人员从上述构思出发，不经过创造性的劳动，所做出的种种变换，均落在本发明的保护范围之内。
Claims (4)
1.一种基于多特征融合的图像翻拍检测方法，其特征在于：包括：
采集图像，包括原始自然图像和翻拍图像，并将采集图像人工标注作为训练图像；
对训练图像提取多组特征，所述多组特征包括图像的梯度特征、图像的噪声特征和图像的DCT变换系数统计特征；
获取多个分类模型，采用每组特征分别得到对应的一个分类模型；
多种分类结果融合，采用加权投票法对多个分类模型的分类结果融合；
待测图像翻拍检测，将待测图像提取多组特征后输入到对应的分类模型，获取分类结果，并融合多种分类结果得到最终检测结果；
所述获取多个分类模型，具体包括：
获取第一分类模型，将训练图像的梯度特征输入到LibSVM分类模型训练，通过LibSVM分类模型输出图像是否属于翻拍的结果；
获取第三分类模型，将训练图像的DCT变换系数统计特征输入到卷积神经网络训练，通过卷积神经网络输出图像是否属于翻拍的结果；
获取第二分类模型，将训练图像的噪声特征输入到第二分类模型存储，所述第二分类模型通过分别计算待测图像噪声特征和原始自然图像噪声特征的相似度S1、待测图像噪声特征和翻拍图像噪声特征的相似度S2，输出待测图像是否属于翻拍的结果；
所述梯度特征提取方法为：
4.1、通过图片获取R，G，B三个通道下的图像分量像素矩阵和图片的灰度图像素矩阵；
4.2、对步骤4.1中的四幅图通过sobelxy算子获取四张梯度图；
4.3、对每张梯度图上的像素点的值分别进行统计，将频率、均值和方差特征，得到每张梯度图的图片特征，四张梯度图获得的同一张图像的图片特征集合；
步骤4.2中获取梯度图的公式为：
其中，A是图像的像素矩阵，I是通过sobelxy算子获取的梯度图；
所述噪声特征提取方法，对图片采用小波函数进行小波分解后，经过阈值过滤函数过滤噪声后，再通过小波逆变换重构去噪后的图像数据，将去噪前图像与去噪后图像的差值作为噪声数据，对噪声数据统计，以均值，方差，偏斜度，峰值作为特征数据，其中同一张图片采用多种小波函数获取多种去噪结果；
所述图像的DCT变换系数统计特征提取方法为：
7.1、将m*m的图像分成8*8的小块，m是8的整数倍，将每块图像的像素值数据f(x,y)通过DCT变换公式得到DCT系数F(u，v)，所述DCT变换公式为：
其中，u∈[0,7]，v∈[0,7]，x∈[0,7]，y∈[0,7]；
7.2、将整张图像的每个像素点经过DCT变换后的DCT系数F(u，v)组成m*m的表格，按照zig-zag顺序对每块的DCT系数F(u，v)扫描，将不同块的同一个位置的DCT系数F(u，v)组合在一个特征矩阵中，矩阵的行数和列数均为m/8,每张图像按zig-zag顺序扫描取前20个特征矩阵作为特征数据。
2.根据权利要求1所述的一种基于多特征融合的图像翻拍检测方法，其特征在于：第二分类模型中，若相似度S1大于预设原始自然图像噪声特征隶属度阈值，则输出待测图像为原始自然图像，若相似度S2大于预设翻拍图像噪声特征隶属度阈值，则输出待测图像为翻拍图像。
3.根据权利要求1所述的一种基于多特征融合的图像翻拍检测方法，其特征在于：所述步骤4.3中对梯度图上的像素点的值进行统计，先将梯度图的256分量处理成32分量，再统计32分量的频率及其均值和方差，得到每张梯度图的34个特征值。
4.根据权利要求1所述的一种基于多特征融合的图像翻拍检测方法，其特征在于：所述多种分类结果融合，具体为将分类模型分类结果的原始自然图像记为1，翻拍图像记为0，三个分类模型结果分别记为W1，W2，W3，若W1+W2+W3大于1，则融合结果记为1，若W1+W2+W3小于等于1，则融合结果记为0。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911108985.9A CN111008651B (zh) | 2019-11-13 | 2019-11-13 | 一种基于多特征融合的图像翻拍检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911108985.9A CN111008651B (zh) | 2019-11-13 | 2019-11-13 | 一种基于多特征融合的图像翻拍检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111008651A CN111008651A (zh) | 2020-04-14 |
| CN111008651B true CN111008651B (zh) | 2023-04-28 |
Family
ID=70112236
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911108985.9A Active CN111008651B (zh) | 2019-11-13 | 2019-11-13 | 一种基于多特征融合的图像翻拍检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111008651B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112069981A (zh) * | 2020-09-03 | 2020-12-11 | Oppo广东移动通信有限公司 | 图像分类方法、装置、电子设备及存储介质 |
| CN112258481A (zh) * | 2020-10-23 | 2021-01-22 | 北京云杉世界信息技术有限公司 | 一种门脸照翻拍检测方法 |
| CN112580621B (zh) * | 2020-12-24 | 2022-04-29 | 成都新希望金融信息有限公司 | 身份证翻拍识别方法、装置、电子设备及存储介质 |
| CN113139581B (zh) * | 2021-03-23 | 2023-09-01 | 广东省科学院智能制造研究所 | 一种基于多图融合的图像分类方法和系统 |
| CN117333762B (zh) * | 2023-12-02 | 2024-03-15 | 深圳爱莫科技有限公司 | 一种基于多特征融合的图像翻拍识别方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102521614A (zh) * | 2011-12-20 | 2012-06-27 | 中山大学 | 一种翻拍数字图像的鉴定方法 |
| WO2013131407A1 (zh) * | 2012-03-08 | 2013-09-12 | 无锡中科奥森科技有限公司 | 双验证人脸防伪方法及装置 |
| 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 |
| WO2017024963A1 (zh) * | 2015-08-11 | 2017-02-16 | 阿里巴巴集团控股有限公司 | 图像识别方法、度量学习方法、图像来源识别方法及装置 |
| CN108171689A (zh) * | 2017-12-21 | 2018-06-15 | 深圳大学 | 一种显示器屏幕图像翻拍的鉴定方法、装置及存储介质 |
| CN108549836A (zh) * | 2018-03-09 | 2018-09-18 | 通号通信信息集团有限公司 | 照片的翻拍检测方法、装置、设备及可读存储介质 |
| WO2018214195A1 (zh) * | 2017-05-25 | 2018-11-29 | 中国矿业大学 | 一种基于卷积神经网络的遥感图像桥梁检测方法 |
-
2019
- 2019-11-13 CN CN201911108985.9A patent/CN111008651B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102521614A (zh) * | 2011-12-20 | 2012-06-27 | 中山大学 | 一种翻拍数字图像的鉴定方法 |
| WO2013131407A1 (zh) * | 2012-03-08 | 2013-09-12 | 无锡中科奥森科技有限公司 | 双验证人脸防伪方法及装置 |
| 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 |
| WO2017024963A1 (zh) * | 2015-08-11 | 2017-02-16 | 阿里巴巴集团控股有限公司 | 图像识别方法、度量学习方法、图像来源识别方法及装置 |
| WO2018214195A1 (zh) * | 2017-05-25 | 2018-11-29 | 中国矿业大学 | 一种基于卷积神经网络的遥感图像桥梁检测方法 |
| CN108171689A (zh) * | 2017-12-21 | 2018-06-15 | 深圳大学 | 一种显示器屏幕图像翻拍的鉴定方法、装置及存储介质 |
| CN108549836A (zh) * | 2018-03-09 | 2018-09-18 | 通号通信信息集团有限公司 | 照片的翻拍检测方法、装置、设备及可读存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| 姜文超 ; 刘海波 ; 杨宇杰 ; 陈佳峰 ; 孙傲冰 ; .一种融合小波变换与卷积神经网络的高相似度图像识别与分类算法.计算机工程与科学.2018,(09),全文. * |
| 尹京 ; 方艳梅 ; .数码翻拍图像取证算法.中山大学学报(自然科学版).2011,(06),全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111008651A (zh) | 2020-04-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111008651B (zh) | 一种基于多特征融合的图像翻拍检测方法 | |
| CN101877127B (zh) | 基于梯度剖面的图像无参考质量评价方法及系统 | |
| CN108230264B (zh) | 一种基于ResNet神经网络的单幅图像去雾方法 | |
| CN107240084B (zh) | 一种单幅图像去雨方法及装置 | |
| CN110503610B (zh) | 一种基于gan网络的图像雨雪痕迹去除方法 | |
| CN112435191B (zh) | 一种基于多个神经网络结构融合的低照度图像增强方法 | |
| CN108665417B (zh) | 一种车牌图像去模糊方法、装置及系统 | |
| CN104504662A (zh) | 一种基于同态滤波的图像处理方法及系统 | |
| CN102306307B (zh) | 一种彩色显微图像序列中固点噪声的定位方法 | |
| CN111339924B (zh) | 一种基于超像素和全卷积网络的极化sar图像分类方法 | |
| CN113012105B (zh) | 基于图像处理的纱线毛羽检测评级方法 | |
| CN110121109A (zh) | 面向监控系统数字视频实时溯源方法、城市视频监控系统 | |
| CN116052105A (zh) | 路面裂缝识别分类及面积计算方法、系统、设备及终端 | |
| CN112991199A (zh) | 一种基于残差密集网络的图像高低频分解噪声去除方法 | |
| CN116309483A (zh) | 基于ddpm的半监督变电设备表征缺陷检测方法及系统 | |
| CN111160107B (zh) | 一种基于特征匹配的动态区域检测方法 | |
| CN105335930A (zh) | 边缘数据驱动的鲁棒性人脸超分辨率处理方法及系统 | |
| CN112509026A (zh) | 一种绝缘子裂缝长度识别方法 | |
| CN113034390B (zh) | 一种基于小波先验注意力的图像修复方法及系统 | |
| CN112508856B (zh) | 一种混合失真图像的失真类型检测方法 | |
| CN111814543B (zh) | 深度视频对象修复篡改检测方法 | |
| CN111260589B (zh) | 基于Retinex的输电线路监控图像去雾方法 | |
| CN115760609B (zh) | 一种图像优化方法及系统 | |
| CN110782438B (zh) | 一种基于fpga的最大类间方差法的图像检测方法 | |
| Chen et al. | Adaptive context-tree-based statistical filtering for raster map image denoising |
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 |