CN111429337B - 基于变换域和形状特征的图像哈希获取方法 - Google Patents

基于变换域和形状特征的图像哈希获取方法 Download PDF

Info

Publication number
CN111429337B
CN111429337B CN202010127140.0A CN202010127140A CN111429337B CN 111429337 B CN111429337 B CN 111429337B CN 202010127140 A CN202010127140 A CN 202010127140A CN 111429337 B CN111429337 B CN 111429337B
Authority
CN
China
Prior art keywords
image
frequency
channel
hash
hash sequence
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
Application number
CN202010127140.0A
Other languages
English (en)
Other versions
CN111429337A (zh
Inventor
赵琰
周晓炜
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.)
Shanghai University of Electric Power
Original Assignee
Shanghai University of Electric Power
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 Shanghai University of Electric Power filed Critical Shanghai University of Electric Power
Priority to CN202010127140.0A priority Critical patent/CN111429337B/zh
Publication of CN111429337A publication Critical patent/CN111429337A/zh
Application granted granted Critical
Publication of CN111429337B publication Critical patent/CN111429337B/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
    • G06T3/00—Geometric image transformations in the plane of the image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/60—Protecting data
    • G06F21/602—Providing cryptographic facilities or services
    • 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
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • 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
    • G06T2207/20024—Filtering details

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Bioethics (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Computer Security & Cryptography (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种基于变换域和形状特征的图像哈希获取方法，包括以下步骤：步骤1，输入图像，对图像进行高斯低通滤波处理，并将图像的大小调整为N×N，而后将图像转化到YCbCr空间；步骤2，分别对YCbCr空间中的Y通道、Cb通道以及Cr通道进行NSCT分解，并保留三个通道分解得到的低频图像和Y通道分解得到的高频图像；步骤3，将Y通道的高频图像经过Canny算子提取边缘，而后计算Zernike不变矩得到高频哈希序列H1；步骤4，在YCbCr空间，将三个通道的低频图像分别分割为64个子块并提取6个统计特征，构成一个18维的特征矩阵后使用PCA降维并压缩得到低频哈希序列H2；步骤5，联合高频哈希序列H1和低频哈希序列H2，利用密钥进行加密后得到最终哈希序列h。

Description

基于变换域和形状特征的图像哈希获取方法
技术领域
本发明属于图像处理领域，具体涉及一种基于变换域和形状特征的图像哈希获取方法。
背景技术
数字图像随着互联网技术的快速发展以及计算机的广泛应用已经渗入到生活中的各个角落，但其在传输中的安全性也受到了考验，市场上也出现了各种类似于Photoshop和美图秀秀等简单易用快速的图像编辑软件，数字图像在传输过程中很容易被替换或者篡改，图像接收端需要能够验证收到图像的安全性，这就引出了图像哈希的概念，图像哈希是指使用紧凑序列表示图像及其内容的技术。人们通过使用提出的哈希算法对接收图像进行处理得到哈希序列，计算其与从安全通道接收到的原哈希序列的距离来验证接收图像的安全性。一般情况下，图像哈希需要能够区分出相似图像和不同图像，即具有鲁棒性和区分性。
图像感知哈希算法的核心是图像特征向量的选取，Tang等人通过对数极坐标变换和离散傅里叶变换从图像中提取具有旋转不变性的特征矩阵，然后使用多维尺度分析(MDS)将特征矩阵表示为哈希序列，算法对大角度旋转也具有不错的鲁棒性，但运行效率不高。Yan等人提出的基于四元数的哈希方法使用四元数傅里叶变换同时结合颜色和结构特征生成哈希，该算法能够消除几何畸变对哈希序列的影响，检测出几乎所有类型的篡改，相对于之前多数算法只能检测出特定篡改在应用广泛性上有了很大提升。Ouyang等人结合全局特征四元数Zernike矩和局部特征SIFT特征点来构造哈希，通过检测匹配SIFT兴趣点来定位篡改，算法可以检测定位对象插入、删除、替换、复制移动和剪切粘贴等篡改操作。Qin等人提出基于环和基于块的策略对图像颜色矢量角提取特征从而生成哈希，算法相对于其他基于颜色矢量角的算法鲁棒性和区分性都有所提升，但对亮度和对比度的鲁棒性略有下降。Tang等人将RGB彩色图像转换为HSI和YCbCr颜色空间，计算HSI和YCbCr各分量的块均值和方差，提取局部颜色特征然后计算块特征向量和参考特征向量之间的欧氏距离作为哈希值，算法对旋转操作不鲁棒。Tang等人首先将图像构建为一个稳定的三阶张量，然后使用Tucker分解将三阶张量分解为一个核张量和三个正交因子矩阵，将正交因子矩阵构造为哈希序列，算法对JPEG压缩和乘性噪音等内容保持操作有较强的鲁棒性。
发明内容
本发明是为了解决上述问题而进行的，目的在于提供一种基于变换域和形状特征的图像哈希获取方法。
本发明提供了一种基于变换域和形状特征的图像哈希获取方法，具有这样的特征，包括以下步骤：步骤1，输入图像，对图像进行高斯低通滤波处理，并将图像的大小调整为N×N，而后将图像转化到YCbCr空间；
步骤2，分别对YCbCr空间中的Y通道、Cb通道以及Cr通道进行NSCT分解，并保留三个通道分解得到的低频图像和Y通道分解得到的高频图像；
步骤3，将Y通道的高频图像经过Canny算子提取边缘，而后计算Zernike不变矩得到高频哈希序列H1；
步骤4，在YCbCr空间，将Y通道、Cb通道以及Cr通道进行NSCT分解后得到的低频图像分别分割为64个子块并提取6个统计特征，6个统计特征分别为均值、标准差、平滑度、三阶矩、一致性以及熵，构成一个18维的特征矩阵后使用PCA降维并压缩得到低频哈希序列H2；
步骤5，联合高频哈希序列H1和低频哈希序列H2，利用密钥进行加密后得到最终哈希序列h＝[H1，H2]。
在本发明提供的基于变换域和形状特征的图像哈希获取方法中，还可以具有这样的特征：其中，步骤3中包括以下子步骤：
步骤3-1，对Y通道的高频图像使用Canny算子提取边缘得到二值图像；
步骤3-2，对二值图像提取9个Zernike不变矩Z00，Z11，Z20，Z22，Z31，Z33，Z40，Z42，Z44作为高频特征，得到高频哈希序列H1。
在本发明提供的基于变换域和形状特征的图像哈希获取方法中，还可以具有这样的特征：其中，步骤4中包括以下子步骤：
步骤4-1，将Y通道、Cb通道以及Cr通道得到的低频图像分成n×n个子块，而后提取每个子块的6个统计特征，每个通道得到一个6×n2的特征矩阵，将三个通道的特征矩阵结合后得到一个18×n2的特征矩阵X；
步骤4-2，通过主成分分析PCA忽略次要的分量，将18×n2的特征向量矩阵X降维构成一个k×n2的矩阵Y；
步骤4-3，通过计算矩阵Y各行与参考向量y0的二范数来将矩阵Y压缩为一个哈希序列，得到低频哈希序列H2。
在本发明提供的基于变换域和形状特征的图像哈希获取方法中，还可以具有这样的特征：其中，步骤4-3中还包括以下子步骤：
步骤4-3-1，设矩阵Y＝[y1,y2,…,yN]，计算参考向量y0＝[y0(1),y0(2),…,y0(k)]T，通过公式(1)得到参考向量y0的第i个元素y0(i)，
Figure BDA0002394745910000041
步骤4-3-2，通过公式(2)计算矩阵Y各行向量yj与参考向量y0的二范数，
Figure BDA0002394745910000042
将向量d量化为与高频哈希序列H1同一量级的序列，得到低频哈希序列H2，公式(1)中，yj(i)为矩阵Y各行向量yj的第i个元素。
在本发明提供的基于变换域和形状特征的图像哈希获取方法中，还可以具有这样的特征：其中，高频哈希序列H1的长度为9个数，低频哈希序列H2的长度为n2个数，最终哈希序列的长度为n2+9个数。
发明的作用与效果
根据本发明所涉及的一种基于变换域和形状特征的图像哈希获取方法，因为能够基于形状特征的算法和结合颜色信息的算法来很好地描述图像轮廓和表示图像色度分量的变换，所以，能够从人类视觉感知上更完整地表示图像，有更好的区分性，并且使用的特征提取方法计算复杂度不高，有着较高的效率。因为最终哈希序列还需利用密钥进行加密才能得到，所以，使用错误密钥得到的最终哈希序列在进行图像安全认证时不会通过，进一步保证了安全性，并且本发明的基于变换域和形状特征的图像哈希获取方法对于图像的大部分内容保持操作具有良好的鲁棒性。
附图说明
图1是本发明的实施例中的基于变换域和形状特征的图像哈希获取方法的流程图；
图2是本发明的实施例中进行图像安全认证的流程图；
图3是本发明的实施例中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；
图4是本发明的实施例中安全性实验结果图；
图5是本发明的实施例中鲁棒性实验结果图。
具体实施方式
为了使本发明实现的技术手段与功效易于明白了解，以下结合实施例及附图对本发明作具体阐述。
图1是本发明的实施例中的基于变换域和形状特征的图像哈希获取方法的流程图。
如图1所示，本实施例的一种基于变换域和形状特征的图像哈希获取方法，包括以下步骤：
步骤1，输入图像，对图像进行高斯低通滤波处理，并将图像的大小调整为N×N，而后将图像转化到YCbCr空间。
步骤2，分别对YCbCr空间中的Y通道、Cb通道以及Cr通道进行NSCT分解，并保留三个通道分解得到的低频图像和Y通道分解得到的高频图像。
步骤3，将Y通道的高频图像经过Canny算子提取边缘，而后计算Zernike不变矩得到高频哈希序列H1。
步骤3中包括以下子步骤：
步骤3-1，对Y通道的高频图像使用Canny算子提取边缘得到二值图像。
步骤3-2，对二值图像提取9个Zernike不变矩Z00，Z11，Z20，Z22，Z31，Z33，Z40，Z42，Z44作为高频特征，得到高频哈希序列H1。
步骤4，在YCbCr空间，将Y通道、Cb通道以及Cr通道进行NSCT分解后得到的低频图像分别分割为64个子块并提取6个统计特征，6个统计特征分别为均值、标准差、平滑度、三阶矩、一致性以及熵，构成一个18维的特征矩阵后使用PCA降维并压缩得到低频哈希序列H2。
步骤4中包括以下子步骤：
步骤4-1，将Y通道、Cb通道以及Cr通道得到的低频图像分成n×n个子块，而后提取每个子块的6个统计特征，每个通道得到一个6×n2的特征矩阵，将三个通道的特征矩阵结合后得到一个18×n2的特征矩阵X；
步骤4-2，通过主成分分析PCA忽略次要的分量，将18×n2的特征向量矩阵X降维构成一个k×n2的矩阵Y；
步骤4-3，通过计算矩阵Y各行与参考向量y0的二范数来将矩阵Y压缩为一个哈希序列，得到低频哈希序列H2。
步骤4-3中还包括以下子步骤：
步骤4-3-1，设矩阵Y＝[y1,y2,…,yN]，计算参考向量y0＝[y0(1),y0(2),…,y0(k)]T，通过公式(1)得到参考向量y0的第i个元素y0(i)，
Figure BDA0002394745910000071
步骤4-3-2，通过公式(2)计算矩阵Y各行向量yj与参考向量y0的二范数，
Figure BDA0002394745910000072
将向量d量化为与高频哈希序列H1同一量级的序列，得到低频哈希序列H2，公式(1)中，yj(i)为矩阵Y各行向量yj的第i个元素。
步骤5，联合高频哈希序列H1和低频哈希序列H2，利用密钥进行加密后得到最终哈希序列h＝[H1，H2]。
高频哈希序列H1的长度为9个数，低频哈希序列H2的长度为n2个数，最终哈希序列的长度为n2+9个数。
本实施例中，对本发明的基于变换域和形状特征的图像哈希获取方法的安全性和鲁棒性进行了分析实验，实验过程如下：
本实施例中，设置3×3高斯低通滤波的标准差为3，低频图像的分块数n2＝64，PCA降维中取k＝5，因此得到的最终哈希序列长度为73。
图2是本发明的实施例中进行图像安全认证的流程图。
如图2所示，为了确保图像传输过程中未被替换或篡改，需要对收到的图像进行安全认证，图像认证包括以下步骤：
步骤1，通过本发明的基于变换域和形状特征的图像哈希获取方法得到收到图像的哈希序列h1；
步骤2，计算h1与从安全通道传输的图像原哈希序列h2之间的欧氏距离。当欧氏距离d≤T时，图像通过安全认证，否则安全认证失败。
图3是本发明的实施例中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。
图像哈希序列的区分性要求两幅内容不同的图像应具有完全不同的图像哈希序列。如图3所示，图中给出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。图中横坐标为图像对之间的欧氏距离，纵坐标为不同欧氏距离的图像对的数目。其中，不同图像对之间的哈希距离分布用实线表示，相似图像对之间的哈希距离分布用虚线表示。由图3可知，虚线和实线之间存在少量相交，即相似图像和不同图像中存在少量图像会被判断错误，所以首先需要设置合适的阈值T来区分相似图像和不同图像。
本实施例中的阈值计算过程如下：
首先通过公式(3)计算检错率，通过公式(4)计算碰撞率：
Figure BDA0002394745910000081
Figure BDA0002394745910000082
表1为阈值与碰撞率检错率的关系表，由表1可知，检错率PC与碰撞率PE呈反比关系，碰撞率增大，检错率减小，这是因为相似图像之间的哈希距离与不同图像之间的哈希距离有部分相交，所以阈值过小会有更多的相似图像被误判为不同图像从而拥有更大的碰撞率，阈值过大则会导致不同图像被误判为相似图像的数目增多，检错率随之增大。而当阈值为124时，检错率和碰撞率都相对较小，所以本实施例中，区分相似图像和不同图像的最优阈值设为124。
表1阈值与碰撞率检错率
Figure BDA0002394745910000091
图4是本发明的实施例中安全性实验结果图。
本实施例中，使用标准图像中的Lena图像来测试本发明的基于变换域和形状特征的图像哈希获取方法的安全性，对原图像使用500个错误密钥生成错误的哈希序列，与正确密钥生成的哈希序列计算欧氏距离，实验结果如图4所示，得到的结果远远高于最优阈值124，使用错误密钥所生成的哈希会被判断为未通过安全认证，因此本发明的基于变换域和形状特征的图像哈希获取方法具有较高的安全性。
本实施例中，还将Airplane、House、Lena、Baboon和Peppers五幅标准图像作为鲁棒性实验样本，利用Photoshop、MATLAB和光影魔术手等图像编辑软件对五幅标准图像进行内容保持操作，所采用的内容保持操作及参数如表2所示。
表2稳健性性能分析中各种常规图像处理所用参数
Figure BDA0002394745910000092
Figure BDA0002394745910000101
图5是本发明的实施例中鲁棒性分析实验结果图。
如图5所示，图中横坐标表示不同参数下的各种内容保持操作，纵坐标表示通过本发明的基于变换域和形状特征的图像哈希获取方法得到的内容保持操作图像的哈希序列与原图像的哈希序列之间的距离。从图5中可知，内容保持操作图像与原图像之间的哈希距离比较集中，基本都小于60，个别内容保持操作图像与原图距离较大，但不超过80，均小于最优阈值124，图像能够顺利通过安全认证，因此本发明的基于变换域和形状特征的图像哈希获取方法具有较高的鲁棒性。
实施例的作用与效果
根据本实施例所涉及的一种基于变换域和形状特征的图像哈希获取方法，因为能够基于形状特征的算法和结合颜色信息的算法来很好地描述图像轮廓和表示图像色度分量的变换，所以，能够从人类视觉感知上更完整地表示图像，有更好的区分性，并且使用的特征提取方法计算复杂度不高，有着较高的效率。因为最终哈希序列还需利用密钥进行加密才能得到，所以，使用错误密钥得到的最终哈希序列在进行图像安全认证时不会通过，进一步保证了安全性，并且本实施例的基于变换域和形状特征的图像哈希获取方法对于图像的大部分内容保持操作具有良好的鲁棒性。
上述实施方式为本发明的优选案例，并不用来限制本发明的保护范围。

Claims (5)

1.一种基于变换域和形状特征的图像哈希获取方法，其特征在于，包括如下步骤：
步骤1，输入图像，对所述图像进行高斯低通滤波处理，并将所述图像的大小调整为N×N，而后将所述图像转化到YCbCr空间；
步骤2，分别对所述YCbCr空间中的Y通道、Cb通道以及Cr通道进行NSCT分解，并保留三个通道分解得到的低频图像和所述Y通道分解得到的高频图像；
步骤3，将所述Y通道的所述高频图像经过Canny算子提取边缘，而后计算Zernike不变矩得到高频哈希序列H1；
步骤4，在所述YCbCr空间，将所述Y通道、所述Cb通道以及所述Cr通道进行NSCT分解后得到的所述低频图像分别分割为64个子块并提取6个统计特征，所述6个统计特征分别为均值、标准差、平滑度、三阶矩、一致性以及熵，构成一个18维的特征矩阵后使用PCA降维并压缩得到低频哈希序列H2；
步骤5，联合所述高频哈希序列H1和所述低频哈希序列H2，利用密钥进行加密后得到最终哈希序列h＝[H1，H2]。
2.根据权利要求1所述的基于变换域和形状特征的图像哈希获取方法，其特征在于：
其中，所述步骤3中包括以下子步骤：
步骤3-1，对所述Y通道的所述高频图像使用Canny算子提取边缘得到二值图像；
步骤3-2，对所述二值图像提取9个Zernike不变矩Z00，Z11，Z20，Z22，Z31，Z33，Z40，Z42，Z44作为高频特征，得到所述高频哈希序列H1。
3.根据权利要求1所述的基于变换域和形状特征的图像哈希获取方法，其特征在于：
其中，所述步骤4中包括以下子步骤：
步骤4-1，将所述Y通道、所述Cb通道以及所述Cr通道得到的所述低频图像分成n×n个子块，而后提取每个所述子块的6个所述统计特征，每个通道得到一个6×n2的特征矩阵，将三个通道的所述特征矩阵结合后得到一个18×n2的特征矩阵X；
步骤4-2，通过主成分分析PCA忽略次要的分量，将18×n2的特征向量矩阵X降维构成一个k×n2的矩阵Y；
步骤4-3，通过计算矩阵Y各行与参考向量y0的二范数来将矩阵Y压缩为一个哈希序列，得到所述低频哈希序列H2。
4.根据权利要求3所述的基于变换域和形状特征的图像哈希获取方法，其特征在于：
其中，所述步骤4-3中还包括以下子步骤：
步骤4-3-1，设矩阵Y＝[y1,y2,…,yN]，计算所述参考向量y0＝[y0(1),y0(2),…,y0(k)]T，通过公式(1)得到所述参考向量y0的第i个元素y0(i)，
Figure FDA0002394745900000031
步骤4-3-2，通过公式(2)计算矩阵Y各行向量yj与所述参考向量y0的二范数，
Figure FDA0002394745900000032
将向量d量化为与所述高频哈希序列H1同一量级的序列，得到低频哈希序列H2，
公式(1)中，yj(i)为矩阵Y各行向量yj的第i个元素。
5.根据权利要求1所述的基于变换域和形状特征的图像哈希获取方法，其特征在于：
其中，所述高频哈希序列H1的长度为9个数，
所述低频哈希序列H2的长度为n2个数，
所述最终哈希序列的长度为n2+9个数。
CN202010127140.0A 2020-02-28 2020-02-28 基于变换域和形状特征的图像哈希获取方法 Active CN111429337B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010127140.0A CN111429337B (zh) 2020-02-28 2020-02-28 基于变换域和形状特征的图像哈希获取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010127140.0A CN111429337B (zh) 2020-02-28 2020-02-28 基于变换域和形状特征的图像哈希获取方法

Publications (2)

Publication Number Publication Date
CN111429337A CN111429337A (zh) 2020-07-17
CN111429337B true CN111429337B (zh) 2022-06-21

Family

ID=71547334

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010127140.0A Active CN111429337B (zh) 2020-02-28 2020-02-28 基于变换域和形状特征的图像哈希获取方法

Country Status (1)

Country Link
CN (1) CN111429337B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112232428B (zh) * 2020-10-23 2021-11-16 上海电力大学 一种基于三维特征和能量变化特征的图像哈希获取方法
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
CN117034367B (zh) * 2023-10-09 2024-01-26 北京点聚信息技术有限公司 一种电子印章密钥管理方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101079101A (zh) * 2007-06-19 2007-11-28 中山大学 一种基于Zernike矩的鲁棒哈希图像认证方法
CN104091303A (zh) * 2014-07-11 2014-10-08 湖南大学 一种基于Radon变换和不变特征的鲁棒图像哈希方法及其装置
CN104166955A (zh) * 2014-05-29 2014-11-26 西安理工大学 基于保角变换图像哈希生成及图像篡改检测定位方法
CN109118419A (zh) * 2018-07-20 2019-01-01 上海电力学院 基于局部空域和频域的图像拷贝检测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102930493B (zh) * 2011-08-12 2017-08-08 索尼公司 防篡改的图像处理方法和装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101079101A (zh) * 2007-06-19 2007-11-28 中山大学 一种基于Zernike矩的鲁棒哈希图像认证方法
CN104166955A (zh) * 2014-05-29 2014-11-26 西安理工大学 基于保角变换图像哈希生成及图像篡改检测定位方法
CN104091303A (zh) * 2014-07-11 2014-10-08 湖南大学 一种基于Radon变换和不变特征的鲁棒图像哈希方法及其装置
CN109118419A (zh) * 2018-07-20 2019-01-01 上海电力学院 基于局部空域和频域的图像拷贝检测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Yan Zhao et al.Robust Hashing for Image Authentication Using.《IEEE TRANSACTIONS ON INFORMATION FORENSICS AND SECURITY》.2012, *
余俊伟.基于局部不变矩和DWT特征矩阵的图像哈希算法.《万方数据》.2015, *
唐振军 等.基于PCA特征距离的图像哈希算.《广西师范大学学报(自然科学版》.2017, *

Also Published As

Publication number Publication date
CN111429337A (zh) 2020-07-17

Similar Documents

Publication Publication Date Title
CN111429337B (zh) 基于变换域和形状特征的图像哈希获取方法
Bayram et al. An efficient and robust method for detecting copy-move forgery
Tang et al. Robust image hashing with multidimensional scaling
Tang et al. Robust image hashing with ring partition and invariant vector distance
Ouyang et al. Robust hashing for image authentication using quaternion discrete Fourier transform and log-polar transform
Ouyang et al. Robust hashing based on quaternion Zernike moments for image authentication
Yu et al. Perceptual hashing with complementary color wavelet transform and compressed sensing for reduced-reference image quality assessment
Tang et al. Perceptual hashing for color images using invariant moments
Sutthiwan et al. New developments in color image tampering detection
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
CN112232428B (zh) 一种基于三维特征和能量变化特征的图像哈希获取方法
Tang et al. Robust image hashing via visual attention model and ring partition
Singh et al. Robust perceptual image hashing using SIFT and SVD
CN104778689B (zh) 一种基于均值二次图像和局部保持投影的图像摘要方法
CN117974414B (zh) 基于融合新闻素材的数字水印签名校验方法、装置和设备
Liu et al. Semi-fragile zernike moment-based image watermarking for authentication
Cedillo-Hernandez et al. Robust object-based watermarking using SURF feature matching and DFT domain
CN109118419B (zh) 基于局部空域和频域的图像拷贝检测方法
Xue et al. SSL: A novel image hashing technique using SIFT keypoints with saliency detection and LBP feature extraction against combinatorial manipulations
Yuling et al. Robust Image Hashing Using Radon Transform and Invariant Features.
Zhao et al. A robust image hashing method based on Zernike moments
Rouis et al. Local geometry analysis for image tampering detection
Nguyen et al. Radon transform-based secure image hashing
Du et al. Image hashing for tamper detection with multiview embedding and perceptual saliency
Chen et al. Robust image hashing using higher order spectral features

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