CN111311564A - 一种针对图像内容感知篡改的检测方法 - Google Patents

一种针对图像内容感知篡改的检测方法 Download PDF

Info

Publication number
CN111311564A
CN111311564A CN202010086314.3A CN202010086314A CN111311564A CN 111311564 A CN111311564 A CN 111311564A CN 202010086314 A CN202010086314 A CN 202010086314A CN 111311564 A CN111311564 A CN 111311564A
Authority
CN
China
Prior art keywords
energy
pixel
image
tampering
ltp
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
Application number
CN202010086314.3A
Other languages
English (en)
Other versions
CN111311564B (zh
Inventor
芦明
赵骥
武传胜
张晓霞
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.)
University of Science and Technology Liaoning USTL
Original Assignee
University of Science and Technology Liaoning USTL
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 University of Science and Technology Liaoning USTL filed Critical University of Science and Technology Liaoning USTL
Priority to CN202010086314.3A priority Critical patent/CN111311564B/zh
Publication of CN111311564A publication Critical patent/CN111311564A/zh
Application granted granted Critical
Publication of CN111311564B publication Critical patent/CN111311564B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/467—Encoded features or binary features, e.g. local binary patterns [LBP]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Editing Of Facsimile Originals (AREA)
  • Image Processing (AREA)

Abstract

本发明提供一种针对图像内容感知篡改的检测方法，基于改进的LTP和能量偏差特征的图像内容感知篡改检测方法。首先，改进原始LTP算子，增强其中阈值t的自适应性，利用改进的LTP算子描述数字图像因内容感知篡改所导致的邻域像素相关性的变化；然后，将LTP特征与能量偏差特征相结合，使用联合特征来训练分类器。通过对支持向量机SVM分类器进行训练﹑检测，以此来检测数字图像是否经过内容感知篡改。采用基于改进的LTP和能量偏差特征的图像内容感知篡改检测方法，解决传统方法对图像中相对平滑的区域发生篡改检测不敏感的问题。

Description

一种针对图像内容感知篡改的检测方法
技术领域
本发明涉及计算机视觉技术﹑数字图像处理技术领域，特别涉及一种针对图像内容感知篡改的检测方法。
背景技术
随着信息技术和移动互联网的迅猛发展，数字图像已经被广泛应用在人们的生活与工作中。然而，随着数字图像处理技术发展和相应软件的不断涌现，严重的损害了数字图像的真实性与完整性，破坏了人们传统上“眼见为实”的这种对图像的信赖。特别是随着移动设备快速发展，同一幅图像可能会在不同尺寸的移动设备上显示。为了适应这种显示设备多样化的要求，基于内容感知的图像缩放技术随之产生，该技术包括Seam Carving技术和Seam Insertion技术两方面，在对数字图像进行宽高非等比例缩放时可以避免图像内容扭曲变形，尽可能的保留用户更关心的高能量值区域，删除能量值较低的区域《Seamcarving for content-aware image resizing》。如图1-3为图像在水平和垂直两个方向上的内容感知缩放效果，结果表明基于内容感知的图像缩放算法达到令人满意的视觉效果。然而，利用此技术也可以对数字图像的内容进行篡改，放大数字图像中对自己有利的内容，缩小甚至删除数字图像中对自己不利的内容，这就是图像的内容感知篡改。如图4-6所示，利用内容感知篡改将图像中的某个目标移除，这样将改变原图像的语义内容，而视觉上又无法判断数字图像是否经历过这样的篡改操作《Seam carving for content-aware imageresizing》。如果使用此技术来伪造法庭证据、篡改科技成果等，必然给国家和社会带来非常恶劣的影响。因此，如何既准确又高效的检测数字图像的内容感知篡改是当前数字图像取证领域中亟待解决的问题。
发明内容
为了解决背景技术提出的技术问题，本发明提供一种针对图像内容感知篡改的检测方法，采用基于改进的LTP和能量偏差特征的图像内容感知篡改检测方法，解决传统方法对图像中相对平滑的区域发生篡改检测不敏感的问题。
为了达到上述目的，本发明采用以下技术方案实现：
一种针对图像内容感知篡改的检测方法，包括两个阶段，一阶段是对分类器的训练阶段，采用支持向量机作为分类器；另一阶段是对内容感知篡改的检测阶段；训练阶段：图像经过预处理之后，分别提取LTP特征和能量偏差特征，使用联合特征来训练分类器，得出原始图像和篡改图像的二分类；检测阶段：选取设定数量的检测样本，提取LTP特征和能量偏差特征，使用上述的分类器得出检测结果。
在所述的训练阶段和检测阶段中，采用基于改进的LTP和能量偏差的特征提取方法；
首先，改进原始LTP算子，增强其中阈值t的自适应性，利用改进的LTP算子描述数字图像因内容感知篡改所导致的邻域像素相关性的变化；然后，将LTP特征与能量偏差特征相结合，使用联合特征来训练分类器。通过对支持向量机SVM分类器进行训练﹑检测，以此来检测数字图像是否经过内容感知篡改；
1)改进原始LTP算子，使其增强抗噪声能力及幅度描述能力，能更好的反应像素与邻域像素的偏离程度，具体实现采用增量步长局部采样方式，步骤如下：
增量计算邻域的像素平均强度差：
Figure BDA0002382177840000021
Δci为各邻域像素与中心像素强度差，n为采用增量采样的邻域像素点数，增量步长为2i。
增量计算邻域纹理波动程度ω：
Figure BDA0002382177840000022
增量计算像素与邻域像素的离散度d：
Figure BDA0002382177840000023
增量计算局部邻域的均值μ：
Figure BDA0002382177840000024
其中，ci为各邻域像素的强度，cc为邻域的中心像素强度，n为采用增量采样的邻域像素点数，增量步长为2i。
增量计算局部邻域的方差σ：
Figure BDA0002382177840000025
通过离散度d与方差σ的差值得到阈值t：
t＝|d-σ| (6)
改进后的LTP算子对于噪声具有一定的鲁棒性，而且在一定程度上可以将带噪声的平滑区域和纹理变化区域分开，对于相对平滑区域也能准确地描述邻域像素间的相关性；
2)当篡改比例较大时，采用改进的LTP特征与能量偏差特征相结合的联合特征进行检测，效果更佳。
所述的能量偏差特征包括两种：像素能量偏差和Seam能量偏差，能量偏差特征的提取方法，具体步骤如下：
1)像素能量偏差特征提取，有4维特征：
水平方向能量偏差：
Figure BDA0002382177840000031
垂直方向能量偏差：
Figure BDA0002382177840000032
Figure BDA0002382177840000033
其中，图像的大小为m×n，I(i,j)为图像中的像素强度。
2)Seam的能量偏差特征提取：
根据篡改过程中所选取的Seam方向不同，即水平Seam或垂直Seam，提取Seam的能量偏差特征可以取水平方向或竖直方向各有3维特征：
垂直Seam能量最大值：
Figure BDA0002382177840000034
垂直Seam能量最小值：
Figure BDA0002382177840000035
垂直Seam能量平均值：
Figure BDA0002382177840000036
水平Seam能量最大值：
Figure BDA0002382177840000037
水平Seam能量最小值：
Figure BDA0002382177840000038
水平Seam能量平均值：
Figure BDA0002382177840000039
其中，图像的大小为m×n，E(m,j)为通过像素I(i,j)的Seam在垂直方向上的能量累积，E(m,j)为通过像素I(i,j)的Seam在水平方向上的能量累积。
与现有技术相比，本发明的有益效果是：
使用改进的LTP和能量偏差特征相结合来检测图像的内容感知篡改，与传统的检测方法相比最大的优点是，该方法既充分考虑了在图像相对平滑区域中邻域像素的强度差值变化较小的特点，又考虑到相对平滑区域与纹理区域在较小的邻域范围内容易混淆的问题，改进了LTP算子，使其对图像邻域像素的相关性能够进行更准确地描述，并且排除噪声的干扰。同时与能量偏差特征相结合，当篡改比例较大时能够获得更准确的检测效果。
附图说明
图1为数字图像内容感知缩放效果图的原始图像；
图2为图1的水平方向缩小50％后的图像；
图3为图1的垂直方向缩小50％后的图像；
图4为数字图像的内容感知篡改示例图的原始图像；
图5为图4选中移出目标的图像；
图6为图4内容感知篡改的图像；
图7为本发明的方法的总体框架图。
具体实施方式
以下结合附图对本发明提供的具体实施方式进行详细说明。
如图7所示，一种针对图像内容感知篡改的检测方法，包括两个阶段，一阶段是对分类器的训练阶段，采用支持向量机(SVM)作为分类器；另一阶段是对内容感知篡改的检测阶段；训练阶段：图像经过预处理之后，分别提取LTP特征和能量偏差特征，使用联合特征来训练分类器，得出原始图像和篡改图像的二分类；检测阶段：选取设定数量的检测样本，合理选取检测的样本数量，尽量满足训练样本与检测样本数之比为5:1，这样的检测效果更佳，提取LTP特征和能量偏差特征，使用上述的分类器得出检测结果。
1)预处理
对于RGB模型中的彩色图像，使用如式(11)所示的方程式将其转换成灰度图像，方便后续的处理。
I＝0.299R+0.587G+0.114B (11)
2)特征提取
使用统计直方图来对测量值分等级量化，查找所有测量值的最大值与最小值，通过他们确定区间范围。在这个区间内二次划分出若干小区间，统计测量值落在各小区间内次数。这样可以用横坐标表示测量值，纵坐标表示该测量值在各区间内出现的频度，形成统计直方图。
3)分类器训练
本发明选用支持向量机(SVM)作为分类器。通过使用改进的LTP特征与能量偏差特征的联合特征对SVM分类器进行训练，使用联合特征会比单一特征效果更好。为了避免分类器出现过拟合现象，提高泛化能力，这里通过最小化经验风险和置信范围来降低泛化误差，提高分类器的准确性。核函数使用RBF核函数，通过5折交叉验证获得最优参数c和γ。
在所述的训练阶段和检测阶段中，采用基于改进的LTP和能量偏差特征提取方法；
首先，改进原始LTP算子，增强其中阈值t的自适应性，利用改进的LTP算子描述数字图像因内容感知篡改所导致的邻域像素相关性的变化；然后，将LTP特征与能量偏差特征相结合，使用联合特征来训练分类器。通过对支持向量机SVM分类器进行训练﹑检测，以此来检测数字图像是否经过内容感知篡改；
1)改进原始LTP算子，使其增强抗噪声能力及幅度描述能力，能更好的反应像素与邻域像素的偏离程度，具体实现采用增量步长局部采样方式，步骤如下：
增量计算邻域的像素平均强度差：
Figure BDA0002382177840000051
Δci为各邻域像素与中心像素强度差，n为采用增量采样的邻域像素点数，增量步长为2i。
增量计算邻域纹理波动程度ω：
Figure BDA0002382177840000052
增量计算像素与邻域像素的离散度d：
Figure BDA0002382177840000053
增量计算局部邻域的均值μ：
Figure BDA0002382177840000054
其中，ci为各邻域像素的强度，cc为邻域的中心像素强度，n为采用增量采样的邻域像素点数，增量步长为2i。
增量计算局部邻域的方差σ：
Figure BDA0002382177840000055
通过离散度d与方差σ的差值得到阈值t：
t＝|d-σ| (6)
改进后的LTP算子对于噪声具有一定的鲁棒性，而且在一定程度上可以将带噪声的平滑区域和纹理变化区域分开，对于相对平滑区域也能准确地描述邻域像素间的相关性；
2)当篡改比例较大时，采用改进的LTP特征与能量偏差特征相结合的联合特征进行检测，效果更佳。
所述的能量偏差特征包括两种：像素能量偏差和Seam能量偏差，能量偏差特征的提取方法，具体步骤如下：
3)像素能量偏差特征提取，有4维特征：
水平方向能量偏差：
Figure BDA0002382177840000056
Figure BDA0002382177840000061
次对角线上能量偏差：
Figure BDA0002382177840000062
其中，图像的大小为m×n，I(i,j)为图像中的像素强度。
4)Seam的能量偏差特征提取：
根据篡改过程中所选取的Seam方向不同，即水平Seam或垂直Seam，提取Seam的能量偏差特征可以取水平方向或竖直方向各有3维特征：
垂直Seam能量最大值：
Figure BDA0002382177840000063
垂直Seam能量最小值：
Figure BDA0002382177840000064
垂直Seam能量平均值：
Figure BDA0002382177840000065
水平Seam能量最大值：
Figure BDA0002382177840000066
水平Seam能量最小值：
Figure BDA0002382177840000067
水平Seam能量平均值：
Figure BDA0002382177840000068
其中，图像的大小为m×n，E(m,j)为通过像素I(i,j)的Seam在垂直方向上的能量累积，E(m,j)为通过像素I(i,j)的Seam在水平方向上的能量累积。
实施例：
本发明实施例使用的图像库是UCID图像库，图像库详情请见文献《UCID-anuncompressed color image database》。共有1338张不同内容的图像，图像大小分别为512×384或384×512两种。为了验证本发明方法的有效性，实施例从原始图像集中随机选取1200张图像作为原始图像的训练集，再分别对这些图像使用内容感知篡改方法形成对应的篡改图像，篡改比率分别为5％，7％，10％，15％，20％，分别从上述五大类图像集中随机抽取240幅图像(共计1200张图像)作为篡改图像训练集。测试阶段，在原始图像集和篡改图像集中分别随机抽取240张图像进行测试。测试结果如表1。
表1该方法对图像内容感知篡改检测的效果
篡改比率/％ 真阳率/％ 真阴率/％ 正确率/％
5 78.83 80.87 79.75
7 85.54 84.87 84.27
10 85.68 84.59 85.79
15 88.35 85.38 87.86
20 94.49 91.76 93.94
MIX 86.80 83.24 85.89
由表1数据看出，采用本发明的基于改进的LTP和能量偏差特征提取方法，对于低篡改比率(5％)的检测准确率可以达到79.75％，对于高篡改比率(20％)的检测准确率可以达到93.94％，混合检测(MIX)也可以达到85.89％的准确率，说明该方法能够获得更准确的检测效果。对于任意篡改比率的图像检测，真阳率和真阴率相差不大，说明该方法在检测正负两方面样本的能力基本相当，没有过大的偏差，分类器比较稳定，模型性能比较优越。
以上实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于上述的实施例。上述实施例中所用方法如无特别说明均为常规方法。

Claims (2)

1.一种针对图像内容感知篡改的检测方法，包括两个阶段，一阶段是对分类器的训练阶段，采用支持向量机作为分类器；另一阶段是对内容感知篡改的检测阶段；训练阶段：图像经过预处理之后，分别提取LTP特征和能量偏差特征，使用联合特征来训练分类器，得出原始图像和篡改图像的二分类；检测阶段：选取设定数量的检测样本，提取LTP特征和能量偏差特征，使用上述的分类器得出检测结果；
其特征在于，在所述的训练阶段和检测阶段中，采用基于改进的LTP和能量偏差特征提取方法；
首先，改进原始LTP算子，增强其中阈值t的自适应性，利用改进的LTP算子描述数字图像因内容感知篡改所导致的邻域像素相关性的变化；然后，将LTP特征与能量偏差特征相结合，使用联合特征来训练分类器。通过对支持向量机SVM分类器进行训练﹑检测，以此来检测数字图像是否经过内容感知篡改；
1)改进原始LTP算子，使其增强抗噪声能力及幅度描述能力，能更好的反应像素与邻域像素的偏离程度，具体实现采用增量步长局部采样方式，步骤如下：
增量计算邻域的像素平均强度差：
Figure FDA0002382177830000011
Δci为各邻域像素与中心像素强度差，n为采用增量采样的邻域像素点数，增量步长为2i；
增量计算邻域纹理波动程度ω：
Figure FDA0002382177830000012
增量计算像素与邻域像素的离散度d：
Figure FDA0002382177830000013
增量计算局部邻域的均值μ：
Figure FDA0002382177830000014
其中，ci为各邻域像素的强度，cc为邻域的中心像素强度，n为采用增量采样的邻域像素点数，增量步长为2i；
增量计算局部邻域的方差σ：
Figure FDA0002382177830000015
通过离散度d与方差σ的差值得到阈值t：
t＝|d-σ| (6)
改进后的LTP算子对于噪声具有一定的鲁棒性，而且在一定程度上可以将带噪声的平滑区域和纹理变化区域分开，对于相对平滑区域也能准确地描述邻域像素间的相关性；
2)当篡改比例较大时，采用改进的LTP特征与能量偏差特征相结合的联合特征进行检测，效果更佳。
2.根据权利要求1所述的一种针对图像内容感知篡改的检测方法，其特征在于，所述的能量偏差特征包括两种：像素能量偏差和Seam能量偏差，能量偏差特征的提取方法，具体步骤如下：
1)像素能量偏差特征提取，有4维特征：
水平方向能量偏差：
Figure FDA0002382177830000021
垂直方向能量偏差：
Figure FDA0002382177830000022
主对角线能量偏差：
Figure FDA0002382177830000023
次对角线上能量偏差：
Figure FDA0002382177830000024
其中，图像的大小为m×n，I(i,j)为图像中的像素强度；
2)Seam的能量偏差特征提取：
根据篡改过程中所选取的Seam方向不同，即水平Seam或垂直Seam，提取Seam的能量偏差特征可以取水平方向或竖直方向各有3维特征：
垂直Seam能量最大值：
Figure FDA0002382177830000025
垂直Seam能量最小值：
Figure FDA0002382177830000026
垂直Seam能量平均值：
Figure FDA0002382177830000027
水平Seam能量最大值：
Figure FDA0002382177830000028
水平Seam能量最小值：
Figure FDA0002382177830000029
水平Seam能量平均值：
Figure FDA00023821778300000210
其中，图像的大小为m×n，E(m,j)为通过像素I(i,j)的Seam在垂直方向上的能量累积，E(m,j)为通过像素I(i,j)的Seam在水平方向上的能量累积。
CN202010086314.3A 2020-02-11 2020-02-11 一种针对图像内容感知篡改的检测方法 Active CN111311564B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010086314.3A CN111311564B (zh) 2020-02-11 2020-02-11 一种针对图像内容感知篡改的检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010086314.3A CN111311564B (zh) 2020-02-11 2020-02-11 一种针对图像内容感知篡改的检测方法

Publications (2)

Publication Number Publication Date
CN111311564A true CN111311564A (zh) 2020-06-19
CN111311564B CN111311564B (zh) 2023-11-14

Family

ID=71159932

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010086314.3A Active CN111311564B (zh) 2020-02-11 2020-02-11 一种针对图像内容感知篡改的检测方法

Country Status (1)

Country Link
CN (1) CN111311564B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112598648A (zh) * 2020-12-24 2021-04-02 重庆邮电大学 一种基于图像梯度方向的图像接缝裁剪篡改检测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080037823A1 (en) * 2006-06-30 2008-02-14 New Jersey Institute Of Technology Method and apparatus for image splicing/tampering detection using moments of wavelet characteristic functions and statistics of 2-d phase congruency arrays
CN103914839A (zh) * 2014-03-27 2014-07-09 中山大学 一种基于隐写分析的图像拼接篡改检测方法及装置
CN104899846A (zh) * 2015-05-20 2015-09-09 上海交通大学 基于频域局部统计模型的数字图像拼接被动检测方法
CN107977964A (zh) * 2017-12-01 2018-05-01 天津大学 基于lbp和扩展马尔科夫特征的细缝裁剪取证方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080037823A1 (en) * 2006-06-30 2008-02-14 New Jersey Institute Of Technology Method and apparatus for image splicing/tampering detection using moments of wavelet characteristic functions and statistics of 2-d phase congruency arrays
CN103914839A (zh) * 2014-03-27 2014-07-09 中山大学 一种基于隐写分析的图像拼接篡改检测方法及装置
CN104899846A (zh) * 2015-05-20 2015-09-09 上海交通大学 基于频域局部统计模型的数字图像拼接被动检测方法
CN107977964A (zh) * 2017-12-01 2018-05-01 天津大学 基于lbp和扩展马尔科夫特征的细缝裁剪取证方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
吴学谦;曹纭;赵险峰;刘长军;: "针对Seam-carving图像篡改的内容自适应检测方法" *
杨剑炉;: "一种Seam-insertion篡改的检测与定位方法" *
胡浩慧;倪蓉蓉;赵耀;: "图像内容感知缩放的检测方法研究" *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112598648A (zh) * 2020-12-24 2021-04-02 重庆邮电大学 一种基于图像梯度方向的图像接缝裁剪篡改检测方法
CN112598648B (zh) * 2020-12-24 2022-08-26 重庆邮电大学 一种基于图像梯度方向的图像接缝裁剪篡改检测方法

Also Published As

Publication number Publication date
CN111311564B (zh) 2023-11-14

Similar Documents

Publication Publication Date Title
CN109447154B (zh) 图片相似度检测方法、装置、介质及电子设备
Li et al. No-reference image quality assessment with shearlet transform and deep neural networks
Yuan Blind forensics of median filtering in digital images
CN109800698A (zh) 基于深度网络的图标检测方法
CN111598869B (zh) 一种对显示屏幕的Mura进行检测的方法、设备及存储介质
Xiang et al. Research on splicing image detection algorithms based on natural image statistical characteristics
CN109523452B (zh) 一种基于通道差分残差的彩色图像隐写检测方法
CN102136063A (zh) 基于泽尼克矩的快速图像比对方法
Rhee Detection of spliced image forensics using texture analysis of median filter residual
CN116910752A (zh) 一种基于大数据的恶意代码检测方法
CN106709915B (zh) 一种图像重采样操作检测方法
CN111259792A (zh) 基于dwt-lbp-dct特征的人脸活体检测方法
CN111311564A (zh) 一种针对图像内容感知篡改的检测方法
Al-Azawi et al. Image splicing detection based on texture features with fractal entropy
CN102881008B (zh) 基于圆环统计特征的抗旋转图像Hash方法
CN105913427B (zh) 一种基于机器学习的噪声图像显著性检测方法
US20230386023A1 (en) Method for detecting medical images, electronic device, and storage medium
CN114445891A (zh) 一种基于ssim差异图的人脸伪造检测与定位方法
CN106845540B (zh) 一种图像重采样操作插值类型识别方法
Qu et al. A framework for identifying shifted double JPEG compression artifacts with application to non-intrusive digital image forensics
Chabrier et al. Evaluating the segmentation result of a gray-level image
Peng et al. Multi-Purpose Forensics of Image Manipulations Using Residual-Based Feature.
Yan et al. CNN-Based Forensic Method on Contrast Enhancement with JPEG Post-Processing.
Jain et al. An enhanced statistical approach for median filtering detection using difference image
CN111860268A (zh) 基于机器学习的伪造图像检测识别方法

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