CN112232428B - 一种基于三维特征和能量变化特征的图像哈希获取方法 - Google Patents

一种基于三维特征和能量变化特征的图像哈希获取方法 Download PDF

Info

Publication number
CN112232428B
CN112232428B CN202011143929.1A CN202011143929A CN112232428B CN 112232428 B CN112232428 B CN 112232428B CN 202011143929 A CN202011143929 A CN 202011143929A CN 112232428 B CN112232428 B CN 112232428B
Authority
CN
China
Prior art keywords
image
matrix
energy
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
CN202011143929.1A
Other languages
English (en)
Other versions
CN112232428A (zh
Inventor
赵琰
袁晓冉
赵倩
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 CN202011143929.1A priority Critical patent/CN112232428B/zh
Publication of CN112232428A publication Critical patent/CN112232428A/zh
Application granted granted Critical
Publication of CN112232428B publication Critical patent/CN112232428B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/51—Indexing; Data structures therefor; Storage structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • 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
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Library & Information Science (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Software Systems (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于三维特征和能量变化特征的图像哈希获取方法，包括对输入图形进行预处理；利用所述预处理后的图像进行二次图像的生成；对所述二次图像进行不同三维视角下的全局特征提取和进行能量局部特征提取；对所述全局特征和能量局部特征进行联合获取中间哈希序列，并利用伪随机数序列对所述中间哈希序列重新排列，得到最终的哈希序列。提高了算法的区别性性能，并且对常规的几何失真具有较好的鲁棒性，分类性能好、运行效率高、哈希序列紧凑、还具有不错的局部篡改检测能力。

Description

一种基于三维特征和能量变化特征的图像哈希获取方法
技术领域
本发明涉及图像检测的技术领域，尤其涉及一种基于三维特征和能量变化特征的图像哈希获取方法。
背景技术
由于互联互通的网络环境以及免费的图像编辑软件的快速发展，数字图像的编辑和传播变得轻而易举，其中不免包括恶意编辑和非法传播，比如对原始图像进行拷贝编辑后进行商业盈利；通过大肆传播恶意篡改图像损害组织或个体的声誉，所以图像认证、图像检索变得愈发重要。图像哈希是一种将人类对图像的视觉感知转换为短字符进行表示的方法，短字符并不随图像的具体数据表现形式的变化而发生改变，并且所需存储空间小，所以图像哈希在图像检索、图像识别、内容认证等方面得到了广泛应用。在设计哈希算法时要基于以下几点考虑：哈希算法应能够有效抵抗由内容保持操作和几何变形引起的意外失真、具有对图像内容恶意更改的敏感性。
由于提取图像的特征种类不同或特征提取方式的不同，哈希算法的性能有很大差异。Khelaifi等人首先对预处理操作得到的图像进行等面积分环操作，形成二次图像，然后通过分形编码提取图像的感知特征，该算法对旋转攻击具有较好的鲁棒性能。Tang等人将图像的显著图特征和图像的边缘信息相结合生成二次图像，通过对二次图像的每个图像块进行压缩感知操作提取哈希，最后通过有序度量减少存储。Liu等人通过将小波包变换和二维离散余弦变换对图像进行特征提取，对所提取的特征进行符号聚合近似进行数据压缩，该算法能够有效的根据机器状态哈希之间的距离执行故障诊断。Niu等人将彩色图像的纹理-形状特征和颜色-纹理特征相结合构造哈希。Abdullahi等人首先对经预处理操作得到的指纹图像进行傅里叶梅林变换得到特征矩阵，然后利用图像的自相似性通过分形编码实现对图像数据的压缩处理，该算法在指纹图像检测方面具有优异的性能。Sajjad等人利用丰富信息图像块的主DCT系数，以及边缘灰度图像的边缘信息丰富块、稀疏块的位置信息构造哈希，该算法实现了在智能工业应用中的实时认证。Liu等人首先对图像进行低秩表示(LRR)操作获得具有鲁棒性的低秩特征矩阵，然后对特征矩阵进行离散小波变换(DWT)，最后通过压缩感知生成散列码，该算法在具有较好鲁棒性能的前提下，还能够实现篡改图像的恢复。Tang等人首先随机选取N个均值图像块构造二次图像，然后对二次图像进行局部线性嵌入(LLE)处理，利用其嵌入矢量方差构造哈希序列，该算法的鲁棒性性能与区别性性能达到了理想的折中效果。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
鉴于上述现有图像认证及图像安全性存在的问题，提出了本发明。
因此，本发明解决的技术问题是：数字伪造现象使得图像认证及图像安全性降低。
为解决上述技术问题，本发明提供如下技术方案：对输入图形进行预处理；利用所述预处理后的图像进行二次图像的生成；对所述二次图像进行不同三维视角下的全局特征提取和进行能量局部特征提取；对所述全局特征和能量局部特征进行联合获取中间哈希序列，并利用伪随机数序列对所述中间哈希序列重新排列，得到最终的哈希序列。
作为本发明所述的基于三维特征和能量变化特征的图像哈希获取方法的一种优选方案，其中：所述对输入图形进行预处理包括，利用双线性插值运算将原始输入图像I0的分辨率统一调整为M×M，对所述统一调整后的图像进行高斯低通滤波处理得到标准化图像，再将所述标准化图像转化到YCbCr颜色空间，得到亮度图像Y分量。
作为本发明所述的基于三维特征和能量变化特征的图像哈希获取方法的一种优选方案，其中：所述进行二次图像的生成包括，对所述预处理得到的亮度Y分量进行非重叠块分割，其块的大小为n×n，得到图像块矩阵B：
Figure GDA0003277046680000021
其中：Bi,j为位于第i行和第j列的图像块；对每个所述图像块Bi,j进一步划分为四个非重叠子块，其大小为(n/2)×(n/2)，然后对图像子块
Figure GDA0003277046680000022
进行SVD分解，其分解公式如下所示：
Figure GDA0003277046680000031
Figure GDA0003277046680000032
其中：
Figure GDA0003277046680000033
为图像块Bi,j中的第k个图像子块，
Figure GDA0003277046680000034
和
Figure GDA0003277046680000035
为图像子块
Figure GDA0003277046680000036
经SVD分解后产生的单位正交矩阵，取所述经SVD分解后产生的单位正交矩阵
Figure GDA0003277046680000037
的第1个奇异向量
Figure GDA0003277046680000038
和
Figure GDA0003277046680000039
的第1个奇异向量
Figure GDA00032770466800000310
经过排列组合形成二次图像块pi,j，其图像块的大小为(n/2)×8，进行排列组合的公式为如下所示：
Figure GDA00032770466800000311
将所有的二次图像块进行重新排列，形成大小为(M/2)×(8M/n)的二次图像P，表示为如下：
Figure GDA00032770466800000312
作为本发明所述的基于三维特征和能量变化特征的图像哈希获取方法的一种优选方案，其中：所述二次图像还包括，将所述二次图像P的横向分辨率作为x轴，纵向分辨率作为y轴，坐标(x,y)的像素值作为z轴，获得二次图像的三维图，从x轴视角和y轴视角对三维图进行观察时，会得到不同的视觉效果。
作为本发明所述的基于三维特征和能量变化特征的图像哈希获取方法的一种优选方案，其中：所述全局特征提取包括，通过计算所述二次图像P中x轴和y轴的标准特征矩阵A和B每列的欧氏距离，得到大小为1×(M/2)的不变特征矩阵h，其计算公式如下所示：
Figure GDA00032770466800000313
其中：Ai,j和Bi,j为矩阵A和B的第i行和第j列，h(j)为矩阵h的第j个元素，利用所述不变特征矩阵h计算得到二进制序列HS，长度为(M/2)-1，其计算公式如下所示：
Figure GDA0003277046680000041
其中：h(j)和HS(j)分别为矩阵h和HS的第j个元素。
作为本发明所述的基于三维特征和能量变化特征的图像哈希获取方法的一种优选方案，其中：所述标准特征矩阵包括，在x轴视角下，将所述二次图像P按y轴分辨率进行分层，共分为M/2层，分别计算各层的统计特征，包括均值、方差和峰度，依次形成大小均为1×(M/2)的均值矩阵mx、方差矩阵vx和峰度矩阵sx，将三个矩阵进行联合，形成x轴视角下的统计特征矩阵Tx，其大小为3×(M/2)，其中均值矩阵mx、方差矩阵vx、峰度矩阵sx以及统计特征矩阵Tx表示为：
mx＝[n1,m2,m3,…,mM/2-1,mM/2]
vx＝[v1,v2,v3,…,vM/2-1,vM/2]
sx＝[s1,s2,s3,…,sM/2-1,sM/2]
Tx＝[mx,vx,sx]
y轴视角下的均值矩阵My，方差矩阵Vy，峰度矩阵Sy以及统计特征矩阵Ty使用所述在x轴视角下的计算方法，表示为：
My＝[M1,M2,M3,…,MM/2-1,MM/2]
Vy＝[V1,V2,V3,…,VM/2-1,VM/2]
Sy＝[S1,S2,S3,…,SM/2-1,SM/2]
Ty＝[My,Vy,Sy]
对所述统计特征矩阵Tx进行标准化处理，得到标准特征矩阵A，
Figure GDA0003277046680000042
其中：Ti,j为矩阵Tx的第i行和第j列，ui为第i行向量的均值，σi为第i行向量的标准差，以同样的方法可以得到标准特征矩阵B。
作为本发明所述的基于三维特征和能量变化特征的图像哈希获取方法的一种优选方案，其中：所述进行能量局部特征提取包括，对于大小为M×M的所述亮度图像Y，其能量E(Y)表示为：
Figure GDA0003277046680000043
其中：trace(·)为矩阵的迹，yij为亮度图像Y的像素值，对亮度图像Y进行非重叠块分割，块的大小为a×a，依次求取每个图像子块的能量值，获得能量矩阵N1：
Figure GDA0003277046680000051
其中：ni,j为位于第i行和第j列的图像子块能量值，对所述能量矩阵N1进行四个方向的矩阵操作，获得左上能量变化矩阵Nlu、右上能量变化矩阵Nru、左下能量变化矩阵和右下能量变化矩阵Nrd，用公式表示如下：
Nlu＝[ni,j-ni-1,j-1](i＝2,3,…,M/a-1、j＝2,3,…,M/a-1)
Nru＝[ni,j-ni-1,j+1](i＝2,3,…,M/a-1、j＝2,3,…,M/a-1)
Nld＝[ni,j-ni+1,j-1](i＝2,3,…,M/a-1、j＝2,3,…,M/a-1)
Nrd＝[ni,j-ni+1,j+1](i＝2,3,…,M/a-1、j＝2,3,…,M/a-1)
对所述四个矩阵进行简化特征处理，得到能量变化矩阵Nv：
Nv＝Nlu×Nru×Nld×Nrd
对所述能量变化矩阵Nv按行展开为矩阵N，并量化为二进制序列HN，其量化公式如下：
Figure GDA0003277046680000052
其中：Nv(i)和HN(i)分别为矩阵Nv和HN的第i个元素。
作为本发明所述的基于三维特征和能量变化特征的图像哈希获取方法的一种优选方案，其中：所述中间哈希序列包括，将所述不同视角下的三维全局统计特征HS和能量局部特征HN进行联合得到中间哈希序列Hm，Hm＝[HS,HN]。
作为本发明所述的基于三维特征和能量变化特征的图像哈希获取方法的一种优选方案，其中：所述最终的哈希序列包括，利用MATLAB中随机函数产生的伪随机数序列S对Hm的列重新排列，得到最终的哈希序列H，具体为二进制序列HS和HN的长度分别为M/2-1bits、(M/a-2)2-1bits，因此哈希长度L＝M/2+(M/a-2)2-2bits，得到的最终的哈希序列H表示为如下：
H(i)＝Hm(S[i])
其中：S[i]和H(i)分别为随机数序列S和哈希序列H的第i个数。
作为本发明所述的基于三维特征和能量变化特征的图像哈希获取方法的一种优选方案，其中：所述图像哈希包括，在进行图像认证时，根据算法获得原始图像的哈希序列H1与待测试图像的哈希序列H2，两个序列之间的差异性通过归一化汉明距离D(H1,H2)来衡量；当D(H1,H2)>T时，即待测试图像已发生恶意篡改或与原始图像互为不同图像对；当D(H1,H2)≤T时，即待测试测试图像与原始图像互为相似图像对，阈值T通过后续实验获得。
本发明的有益效果：本发明方法一方面将图像置于三维空间中，利用从不同视角观察图像时具有不同的视觉感受，对图像进行多视角的特征提取，计算不同视角下的图像层的均值、方差、峰度等统计值，利用不同视角下图层的统计特征之间的关系构造图像的全局特征；另一方面利用图像块的能量值构造能量矩阵，利用能量矩阵多方向的变化特征构造能量局部特征哈希，在利用图像能量具有良好的鲁棒性的基础上提高了算法的区别性性能；本方法对常规的几何失真具有较好的鲁棒性，并且分类性能好、运行效率高、哈希序列紧凑、还具有不错的局部篡改检测能力。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
图1为本发明第一个实施例所述的基于三维特征和能量变化特征的图像哈希获取方法的流程示意图；
图2为本发明第一个实施例所述的基于三维特征和能量变化特征的图像哈希获取方法的整体原理示意图；
图3为本发明第一个实施例所述的基于三维特征和能量变化特征的图像哈希获取方法的图像的三维视角图；
图4为本发明第一个实施例所述的基于三维特征和能量变化特征的图像哈希获取方法的图像安全认证流程图；
图5为本发明第二个实施例所述的基于三维特征和能量变化特征的图像哈希获取方法的对于各种内容保持操作的鲁棒性实验结果图；
图6为本发明第二个实施例所述的基于三维特征和能量变化特征的图像哈希获取方法的区别性实验结果图；
图7为本发明第二个实施例所述的基于三维特征和能量变化特征的图像哈希获取方法的安全性实验结果图；
图8为本发明第二个实施例所述的基于三维特征和能量变化特征的图像哈希获取方法的篡改检测实验结果图；
图9为本发明第二个实施例所述的基于三维特征和能量变化特征的图像哈希获取方法的篡改检测实验中原始图和相应的局部篡改图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1～4，为本发明的第一个实施例，该实施例提供了一种基于三维特征和能量变化特征的图像哈希获取方法，包括：
S1：对输入图形进行预处理。其中需要说明的是，
对输入图形进行预处理包括，利用双线性插值运算将原始输入图像I0的分辨率统一调整为M×M，对所述统一调整后的图像进行高斯低通滤波处理得到标准化图像，再将所述标准化图像转化到YCbCr颜色空间，得到亮度图像Y分量。
S2：利用所述预处理后的图像进行二次图像的生成。其中需要说明的是，
进行二次图像的生成包括，对所述预处理得到的亮度Y分量进行非重叠块分割，其块的大小为n×n，得到图像块矩阵B：
Figure GDA0003277046680000081
其中：Bi,j为位于第i行和第j列的图像块；为了减少存储需求和提高算法效率以及为了进一步提高算法对噪音的鲁棒性，对每个所述图像块Bi,j进一步划分为四个非重叠子块，其大小为(n/2)×(n/2)，然后对图像子块
Figure GDA0003277046680000082
进行SVD分解，其分解公式如下所示：
Figure GDA0003277046680000083
Figure GDA0003277046680000084
其中：
Figure GDA0003277046680000085
为图像块Bi,j中的第k个图像子块，
Figure GDA0003277046680000086
和
Figure GDA0003277046680000087
为图像子块
Figure GDA0003277046680000088
经SVD分解后产生的单位正交矩阵，取所述经SVD分解后产生的单位正交矩阵
Figure GDA0003277046680000089
的第1个奇异向量
Figure GDA00032770466800000810
和
Figure GDA00032770466800000811
的第1个奇异向量
Figure GDA00032770466800000812
经过排列组合形成二次图像块pi,j，其图像块的大小为(n/2)×8，进行排列组合的公式为如下所示：
Figure GDA0003277046680000091
将所有的二次图像块进行重新排列，形成大小为(M/2)×(8M/n)的二次图像P，表示为如下：
Figure GDA0003277046680000092
S3：对所述二次图像进行不同三维视角下的全局特征提取和进行能量局部特征提取。其中需要说明的是，
二次图像包括，将所述二次图像P的横向分辨率作为x轴，纵向分辨率作为y轴，坐标(x,y)的像素值作为z轴，获得二次图像的三维图，参照图3从x轴视角和y轴视角对三维图进行观察时，会得到不同的视觉效果。
其中，进行全局特征提取包括，在x轴视角下，将所述二次图像P按y轴分辨率进行分层，共分为M/2层，分别计算各层的统计特征，包括均值、方差和峰度，依次形成大小均为1×(M/2)的均值矩阵mx、方差矩阵vx和峰度矩阵sx，将三个矩阵进行联合，形成x轴视角下的统计特征矩阵Tx，其大小为3×(M/2)，其中均值矩阵mx、方差矩阵vx、峰度矩阵sx以及统计特征矩阵Tx表示为：
mx＝[m1,m2,m3,…,mM/2-1,mM/2]
vx＝[v1,v2,v3,…,vM/2-1,vM/2]
sx＝[s1,s2,s3,…,sM/2-1,sM/2]
Tx＝[mx,vx,sx]
y轴视角下的均值矩阵My，方差矩阵Vy，峰度矩阵Sy以及统计特征矩阵Ty使用所述在x轴视角下的计算方法，表示为：
My＝[M1,M2,M3,…,MM/2-1,MM/2]
Vy＝[V1,V2,V3,…,VM/2-1,VM/2]
Sy＝[S1,S2,S3,…,SM/2-1,SM/2]
Ty＝[My,Vy,Sy]
对所述统计特征矩阵Tx进行标准化处理，得到标准特征矩阵A，
Figure GDA0003277046680000093
其中：Ti,j为矩阵Tx的第i行和第j列，ui为第i行向量的均值，σi为第i行向量的标准差，以同样的方法可以得到标准特征矩阵B；通过计算所述二次图像P中x轴和y轴的标准特征矩阵A和B每列的欧氏距离，得到大小为1×(M/2)的不变特征矩阵h，其计算公式如下所示：
Figure GDA0003277046680000101
其中：Ai,j和Bi,j为矩阵A和B的第i行和第j列，h(j)为矩阵h的第j个元素，利用所述不变特征矩阵h计算得到二进制序列HS，长度为(M/2)-1，其计算公式如下所示：
Figure GDA0003277046680000102
其中：h(j)和HS(j)分别为矩阵h和HS的第j个元素。
进一步的是，进行能量局部特征提取包括，对于大小为M×M的所述亮度图像Y，其能量E(Y)表示为：
Figure GDA0003277046680000103
其中：trace(·)为矩阵的迹，yij为亮度图像Y的像素值，对亮度图像Y进行非重叠块分割，块的大小为a×a，依次求取每个图像子块的能量值，获得能量矩阵N1：
Figure GDA0003277046680000104
其中：ni,j为位于第i行和第j列的图像子块能量值，对所述能量矩阵N1进行四个方向的矩阵操作，获得左上能量变化矩阵Nlu、右上能量变化矩阵Nru、左下能量变化矩阵和右下能量变化矩阵Nrd，用公式表示如下：
Nlu＝[ni,j-ni-1,j-1](i＝2,3,…,M/a-1、j＝2,3,…,M/a-1)
Nru＝[ni,j-ni-1,j+1](i＝2,3,…,M/a-1、j＝2,3,…,M/a-1)
Nld＝[ni,j-ni+1,j-1](i＝2,3,…,M/a-1、j＝2,3,…,M/a-1)
Nrd＝[ni,j-ni+1,j+1](i＝2,3,…,M/a-1、j＝2,3,…,M/a-1)
对所述四个矩阵进行简化特征处理，得到能量变化矩阵Nv：
Nv＝Nlu×Nru×Nld×Nrd
为了保证算法的运行效率和减少存储空间冗余，对所述能量变化矩阵Nv按行展开为矩阵N，并量化为二进制序列HN，其量化公式如下：
Figure GDA0003277046680000111
其中：Nv(i)和HN(i)分别为矩阵Nv和HN的第i个元素。
S4：对所述全局特征和能量局部特征进行联合获取中间哈希序列，并利用伪随机数序列对所述中间哈希序列重新排列，得到最终的哈希序列。其中需要说明的是，
所述中间哈希序列包括，将所述不同视角下的三维全局统计特征HS和能量局部特征HN进行联合得到中间哈希序列Hm，Hm＝[HS,HN]；
最终的哈希序列包括，为了保证算法的安全性，利用MATLAB中随机函数产生的伪随机数序列S对Hm的列重新排列，得到最终的哈希序列H，具体为二进制序列HS和HN的长度分别为M/2-1bits、(M/a-2)2-1bits，因此哈希长度L＝M/2+(M/a-2)2-2bits，得到的最终的哈希序列H表示为如下：
H(i)＝Hm(S[i])
其中：S[i]和H(i)分别为随机数序列S和哈希序列H的第i个数；
更进一步的是，在进行图像认证时，根据算法获得原始图像的哈希序列H1与待测试图像的哈希序列H2，两个序列之间的差异性通过归一化汉明距离D(H1,H2)来衡量；当D(H1,H2)>T时，即待测试图像已发生恶意篡改或与原始图像互为不同图像对；当D(H1,H2)≤T时，即待测试测试图像与原始图像互为相似图像对，阈值T通过后续实验获得，其认证过程参照图4。
实施例2
参照图5～9，为本发明的第二个实施例，该实施例不同于第一个实施例的是，提供了具体实施例来进行说明，为了更好地对本发明方法中采用的技术效果加以验证说明，以科学论证的手段进行试验，以验证本方法所具有的真实效果。
选取标准图库中的Airplane、House、Lena、Baboon和Peppers五幅标准图像作为测试样本进行分析，对样本图像进行11种内容保持操作，具体的攻击类型、编辑软件名称及相应的参数设置如下表1所示：
表1：鲁棒性性能分析中各种常规图像处理所用参数。
攻击类型 软件说明 参数说明 参数设置
亮度调整 Photoshop 级别 -20-10 10 20
对比度调整 Photoshop 级别 -20-10 10 20
伽马校正 MATLAB γ值 0.75 0.9 1.1 1.25
均值滤波 MATLAB 模板大小 3×3 5×5 7×7 9×9
图像缩放 MATLAB 比例 0.6 0.8 1.2 1.4 1.6 1.8
水印嵌入 光影魔术手 透明度 0.3 0.4 0.5 0.6 0.7 0.8
JPEG压缩 光影魔术手 质量因子 30 40 50 60 70 80 90 100
3×3高斯低通滤波 MATLAB 标准差 0.1 0.2 0.3……0.9 1
乘性噪音 MATLAB 方差 0.002 0.004 0.006 0.008 0.01
椒盐噪音 MATLAB 级别 0.002 0.004 0.006 0.008 0.01
高斯噪音 MATLAB 均值 0.002 0.004 0.006 0.008 0.01
Airplane、House、Lena、Baboon和Peppers五幅标准图与其相似图像在各类内容保持操作下的鲁棒性实验结果图，参照图5，可以更直观的显示算法的鲁棒性能，图中子图横坐标为相应常规图像处理参数设置，纵坐标为采用所提哈希方法求得的标准图像与其相应的常规处理图像之间的汉明距离，由图5可知不同参数设置的同一种攻击操作下的距离曲线波动范围小，变化平缓，因此可以进一步说明本文算法对多种图像攻击具有较好的鲁棒性，并且在各实验结果子图中，样本图像与其相似图像之间的距离最小值为0，最大值也不超过0.1，远小于所选的最优阈值。
对于区别性性能分析，使用的不同图像数据集共1000幅，其中700幅图像来源于华盛顿大学Ground Truth数据库，300幅图像取自于VOC2007数据库，并且1000幅图像中的任意两幅图像互为不同图像对，则不同图像对总数目为
Figure GDA0003277046680000121
对上述1000幅不同图像进行11种内容保持操作，具体的攻击类型与参数设置如表下2所示，则产生的相似图像对总数为
Figure GDA0003277046680000122
表2：区别性性能分析中各种常规图像处理所用参数。
Figure GDA0003277046680000123
Figure GDA0003277046680000131
参照图6绘制了相似图像对与不同图像对之间的距离分布，其中三角曲线为"210000"个相似图像对之间的距离分布，圆形曲线为"499500"个不同图像对之间的距离分布，图中横坐标为哈希序列对之间的归一化汉明距离，纵坐标为图像对数目，三角曲线横坐标的取值范围为0～0.2461，圆形曲线横坐标的取值范围为0.2222～0.6728，两条曲线仅在取值0.2222～0.2461之间有重叠部分，由于重叠距离短，重叠数目少，因此可以选择合适的阈值对不同图像和相似图像进行有效区分，最后通过计算不同阈值下的碰撞率PC与检错率PE的方式进行最优阈值的选择，从而实现相似图像与不同图像的精准分类；
其中碰撞率PC与检错率PE定义公式如下：
Figure GDA0003277046680000132
Figure GDA0003277046680000133
对于阈值确定，当所选阈值偏小时，相似图像对容易被误判为不同图像对，导致检错率较大；当所选阈值较大时，不同图像对易被误认为相似图像对，使碰撞率较大，所以应选择碰撞率PC与检错率PE都较小情况下的阈值，使算法的鲁棒性与区别性达到较好的权衡，具体阈值下的碰撞率PC与检错率PE如下表3所示，当阈值T＝0.24时，碰撞率PC为2.002×10-6，检错率PE为3.953×10-6，所以选T＝0.24作为最优阈值；
表3：阈值与碰撞率检错率。
阈值T 0.22 0.23 0.235 0.24 0.25
P<sub>C</sub> 0 2.002×10<sup>-6</sup> 2.002×10<sup>-6</sup> 2.002×10<sup>-6</sup> 4.004×10<sup>-6</sup>
P<sub>E</sub> 1.976×10<sup>-5</sup> 1.976×10<sup>-5</sup> 7.905×10<sup>-6</sup> 3.953×10<sup>-6</sup> 0
对于安全性分析，在进行算法的安全性能分析时，选取标准图像Lena作为测试样本，首先获取样本在正确秘钥情况下测试样本的哈希序列，然后获取测试样本在随机发生器随机产生的1000个错误秘钥控制下的哈希序列，分别计算上述1000个哈希序列与正确秘钥控制生成的序列之间的归一化汉明距离，结果参照图7，可以看出最小距离为0.3704，最大距离为0.6296，远大于通过实验所得到的最优阈值0.24，即对于同一幅测试图像，在不同秘钥控制的情况下通过所提哈希方法生成的哈希序列也是截然不同的，故该哈希方法可以满足图像认证在安全性方面的要求。
对于篡改检测性能分析，当图像发生部分篡改时，篡改图像与原始图像之间的距离应大于相似图像对之间的距离而小于不同图像对之间的距离，在实验环节中不同图像对总数为499500，相似图像对共计253000，并且均为区别性性能分析环节中所采用的数据集，篡改图像集包含15000幅原始图像和15000幅篡改图像，其中原始图像取自于VOC2012数据库，对每幅原始图添加20％原图像面积的对象形成篡改图，参照图8为相似图像对、原始图像与篡改图像、不同图像对之间的距离分布，其中正三角曲线为相似图像对之间的距离分布，范围在0～0.247之间；星形曲线为原始图与部分篡改图之间的距离分布，端点值为0.0123和0.401；倒三角曲线为不同图像对之间的距离分布，端点值为0.222和0.673。由图8可以直观看出，星形曲线介于正三角曲线和倒三角曲线之间，其中星形曲线与正三角曲线的交点T1的横坐标为0.0710，星形曲线与倒三角曲线的交点T2的横坐标为0.3364；当测试图像与原始图像之间的距离小于T1时，认为测试图像与原始图像互为相似图像对；二者之间的距离大于T2时，测试图像与原始图像互为不同图像对；当二者之间的哈希距离介于T1与T2之间时，认为检测图像为局部篡改图像。当阈值为T1时，所提算法正确识别相似图像对的概率为93.29％；当阈值为T2时，算法正确识别不同图像对的概率为99.89％；算法正确识别局部篡改图像的概率为94.17％。
进一步的是，使用5种算法进行篡改检测性能的对比测试，
原始图和相应的局部篡改图参照图9所示，其中篡改类型包括局部颜色篡改和局部内容篡改(包括对象的删除、对象的增添)，由于部分对比算法在原文中并未提及算法在篡改检测方面的能力，所以检测结果可能出现不理想的情况，但所有算法均采用相同的测试图像集；另外各对比算法与本文算法的距离衡量标准分别为L2范数、汉明距离、相关系数、相关系数、相关系数归一化汉明距离；原始图像与篡改图像之间的距离统计如下表4所示，
表4：原始图和相应的局部篡改图之间的距离。
Figure GDA0003277046680000151
通过表4可以发现对于本文算法的原始图像与篡改图像之间的距离均介于T1与T2之间，其它文献均不能完全将篡改图像检测出来，因此所提算法对篡改图像具有一定的检测能力；并且由上述分析可以看出本发明所提出的哈希算法不仅可以同时较好的满足鲁棒性、区别性、安全性等基本性能要求，而且哈希序列紧凑，所需存储空间小，运行速度快，可以应用于图像篡改检测、图像内容认证和图像检索等各方面。
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (4)

1.一种基于三维特征和能量变化特征的图像哈希获取方法，其特征在于：包括，
对输入图形进行预处理；
所述对输入图形进行预处理包括，
利用双线性插值运算将原始输入图像I0的分辨率统一调整为M×M，对所述统一调整后的图像进行高斯低通滤波处理得到标准化图像，再将所述标准化图像转化到YCbCr颜色空间，得到亮度图像Y分量；
利用所述预处理后的图像进行二次图像的生成；
对所述二次图像进行不同三维视角下的全局特征提取和进行能量局部特征提取；
所述全局特征提取包括，
通过计算所述二次图像P中x轴和y轴的标准特征矩阵A和B每列的欧氏距离，得到大小为1×(M/2)的不变特征矩阵h，其计算公式如下所示：
Figure FDA0003249945570000011
其中：Ai,j和Bi,j为矩阵A和B的第i行和第j列，h(j)为矩阵h的第j个元素，利用所述不变特征矩阵h计算得到二进制序列HS，长度为(M/2)-1，其计算公式如下所示：
Figure FDA0003249945570000012
其中：h(j)和HS(j)分别为矩阵h和HS的第j个元素；
所述标准特征矩阵包括，
在x轴视角下，将所述二次图像P按y轴分辨率进行分层，共分为M/2层，分别计算各层的统计特征，包括均值、方差和峰度，依次形成大小均为1×(M/2)的均值矩阵mx、方差矩阵vx和峰度矩阵sx，将三个矩阵进行联合，形成x轴视角下的统计特征矩阵Tx，其大小为3×(M/2)，其中均值矩阵mx、方差矩阵vx、峰度矩阵sx以及统计特征矩阵Tx表示为：
mx＝[m1,m2,m3,…,mM/2-1,mM/2]
vx＝[v1,v2,v3,…,vM/2-1,vM/2]
sx＝[s1,s2,s3,…,sM/2-1,sM/2]
Tx＝[mx,vx,sx]
y轴视角下的均值矩阵My，方差矩阵Vy，峰度矩阵Sy以及统计特征矩阵Ty使用所述在x轴视角下的计算方法，表示为：
My＝[M1,M2,M3,…,MM/2-1,MM/2]
Vy＝[V1,V2,V3,…,VM/2-1,VM/2]
Sy＝[S1,S2,S3,…,SM/2-1,SM/2]
Ty＝[My,Vy,Sy]
对所述统计特征矩阵Tx进行标准化处理，得到标准特征矩阵A，
Figure FDA0003249945570000021
其中：Ti,j为矩阵Tx的第i行和第j列，ui为第i行向量的均值，σi为第i行向量的标准差，以同样的方法可以得到标准特征矩阵B；所述进行能量局部特征提取包括，
对于大小为M×M的所述亮度图像Y，其能量E(Y)表示为：
Figure FDA0003249945570000022
其中：trace(·)为矩阵的迹，yij为亮度图像Y的像素值，对亮度图像Y进行非重叠块分割，块的大小为a×a，依次求取每个图像子块的能量值，获得能量矩阵N1：
Figure FDA0003249945570000023
其中：ni,j为位于第i行和第j列的图像子块能量值，对所述能量矩阵N1进行四个方向的矩阵操作，获得左上能量变化矩阵Nlu、右上能量变化矩阵Nru、左下能量变化矩阵和右下能量变化矩阵Nrd，用公式表示如下：
Nlu＝[ni,j-ni-1,j-1](i＝2,3,…,M/a-1、j＝2,3,…,M/a-1)
Nru＝[ni,j-ni-1,j+1](i＝2,3,…,M/a-1、j＝2,3,…,M/a-1)
Nld＝[ni,j-ni+1,j-1](i＝2,3,…,M/a-1、j＝2,3,…,M/a-1)
Nrd＝[ni,j-ni+1,j+1](i＝2,3,…,M/a-1、j＝2,3,…,M/a-1)
对所述四个矩阵进行简化特征处理，得到能量变化矩阵Nv：
Nv＝Nlu×Nru×Nld×Nrd
对所述能量变化矩阵Nv按行展开为矩阵N，并量化为二进制序列HN，其量化公式如下：
Figure FDA0003249945570000031
其中：Nv(i)和HN(i)分别为矩阵Nv和HN的第i个元素；
对所述全局特征和能量局部特征进行联合获取中间哈希序列，并利用伪随机数序列对所述中间哈希序列重新排列，得到最终的哈希序列，
所述中间哈希序列包括，
将不同视角下的三维全局统计特征HS和能量局部特征HN进行联合得到中间哈希序列Hm，Hm＝[HS,HN]；所述最终的哈希序列包括，
利用MATLAB中的随机函数产生的伪随机数序列S对Hm的列重新排列，得到最终的哈希序列H，具体为二进制序列HS和HN的长度分别为M/2-1bits、(M/a-2)2-1bits，因此哈希长度L＝M/2+(M/a-2)2-2bits；其中所述最终的哈希序列表示为如下：
H(i)＝Hm(S[i])
其中：S[i]和H(i)分别为伪随机数序列S和哈希序列H的第i个数，Hm表示中间哈希序列。
2.如权利要求1所述的基于三维特征和能量变化特征的图像哈希获取方法，其特征在于：所述进行二次图像的生成包括，
对所述预处理得到的亮度Y分量进行非重叠块分割，其块的大小为n×n，得到图像块矩阵B：
Figure FDA0003249945570000032
其中：Bi,j为位于第i行和第j列的图像块；对每个所述图像块Bi,j进一步划分为四个非重叠子块，其大小为(n/2)×(n/2)，然后对图像子块
Figure FDA0003249945570000033
进行SVD分解，其分解公式如下所示：
Figure FDA0003249945570000041
Figure FDA0003249945570000042
其中：
Figure FDA0003249945570000043
为图像块Bi,j中的第k个图像子块，
Figure FDA0003249945570000044
和
Figure FDA0003249945570000045
为图像子块
Figure FDA0003249945570000046
经SVD分解后产生的单位正交矩阵，取所述经SVD分解后产生的单位正交矩阵
Figure FDA0003249945570000047
的第1个奇异向量
Figure FDA0003249945570000048
和
Figure FDA0003249945570000049
的第1个奇异向量
Figure FDA00032499455700000410
经过排列组合形成二次图像块pi,j，其图像块的大小为(n/2)×8，进行排列组合的公式为如下所示：
Figure FDA00032499455700000411
将所有的二次图像块进行重新排列，形成大小为(M/2)×(8M/n)的二次图像P，表示为如下：
Figure FDA00032499455700000412
3.如权利要求2所述的基于三维特征和能量变化特征的图像哈希获取方法，其特征在于：所述二次图像还包括，
将所述二次图像P的横向分辨率作为x轴，纵向分辨率作为y轴，坐标(x,y)的像素值作为z轴，获得二次图像的三维图，从x轴视角和y轴视角对三维图进行观察时，会得到不同的视觉效果。
4.如权利要求3所述的基于三维特征和能量变化特征的图像哈希获取方法，其特征在于：所述图像哈希包括，
在进行图像认证时，根据算法获得原始图像的哈希序列H1与待测试图像的哈希序列H2，两个序列之间的差异性通过归一化汉明距离D(H1,H2)来衡量；当D(H1,H2)>T时，即待测试图像已发生恶意篡改或与原始图像互为不同图像对；当D(H1,H2)≤T时，即待测试图像与原始图像互为相似图像对，阈值T通过实验获得。
CN202011143929.1A 2020-10-23 2020-10-23 一种基于三维特征和能量变化特征的图像哈希获取方法 Active CN112232428B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011143929.1A CN112232428B (zh) 2020-10-23 2020-10-23 一种基于三维特征和能量变化特征的图像哈希获取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011143929.1A CN112232428B (zh) 2020-10-23 2020-10-23 一种基于三维特征和能量变化特征的图像哈希获取方法

Publications (2)

Publication Number Publication Date
CN112232428A CN112232428A (zh) 2021-01-15
CN112232428B true CN112232428B (zh) 2021-11-16

Family

ID=74109203

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011143929.1A Active CN112232428B (zh) 2020-10-23 2020-10-23 一种基于三维特征和能量变化特征的图像哈希获取方法

Country Status (1)

Country Link
CN (1) CN112232428B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112802189B (zh) * 2021-02-04 2022-12-27 上海电力大学 一种基于颜色分量三维空间距离特征的图像哈希方法
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
CN114170975B (zh) * 2021-12-08 2023-05-30 Tcl华星光电技术有限公司 显示器亮度调节方法、装置、显示装置及存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2002065782A1 (en) * 2001-02-12 2002-08-22 Koninklijke Philips Electronics N.V. Generating and matching hashes of multimedia content
CN105427231A (zh) * 2015-11-26 2016-03-23 南京林业大学 一种避免误警的svd双层数字水印方法
CN107123130A (zh) * 2017-03-06 2017-09-01 华南理工大学 一种基于超像素和混合哈希的核相关滤波目标跟踪方法
CN109255777A (zh) * 2018-07-27 2019-01-22 昆明理工大学 一种结合小波变换和感知哈希算法的图像相似度计算方法
CN111104872A (zh) * 2019-11-29 2020-05-05 兰州交通大学 一种运用sift和svd感知哈希的gf-2影像完整性认证方法
CN111429337A (zh) * 2020-02-28 2020-07-17 上海电力大学 基于变换域和形状特征的图像哈希获取方法
CN111583295A (zh) * 2020-04-28 2020-08-25 清华大学 基于图像块二值化哈希表示的实时的稠密光流计算方法
CN111787179A (zh) * 2020-05-30 2020-10-16 上海电力大学 一种图像哈希获取方法、图像安全认证方法及装置

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103747271B (zh) * 2014-01-27 2017-02-01 深圳大学 一种基于混合感知哈希的视频篡改检测方法和装置
CN106776856B (zh) * 2016-11-29 2020-07-03 江南大学 一种融合颜色特征与词汇树的车辆图像检索方法
KR101905403B1 (ko) * 2017-02-15 2018-10-08 동명대학교산학협력단 벡터 콘텐츠 인증 보안을 위한 다중 스케일 곡률기반 벡터 데이터 해싱기술
CN111510297B (zh) * 2020-03-24 2023-09-08 兰州交通大学 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

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2002065782A1 (en) * 2001-02-12 2002-08-22 Koninklijke Philips Electronics N.V. Generating and matching hashes of multimedia content
CN105427231A (zh) * 2015-11-26 2016-03-23 南京林业大学 一种避免误警的svd双层数字水印方法
CN107123130A (zh) * 2017-03-06 2017-09-01 华南理工大学 一种基于超像素和混合哈希的核相关滤波目标跟踪方法
CN109255777A (zh) * 2018-07-27 2019-01-22 昆明理工大学 一种结合小波变换和感知哈希算法的图像相似度计算方法
CN111104872A (zh) * 2019-11-29 2020-05-05 兰州交通大学 一种运用sift和svd感知哈希的gf-2影像完整性认证方法
CN111429337A (zh) * 2020-02-28 2020-07-17 上海电力大学 基于变换域和形状特征的图像哈希获取方法
CN111583295A (zh) * 2020-04-28 2020-08-25 清华大学 基于图像块二值化哈希表示的实时的稠密光流计算方法
CN111787179A (zh) * 2020-05-30 2020-10-16 上海电力大学 一种图像哈希获取方法、图像安全认证方法及装置

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
Exploring Auxiliary Context: Discrete Semantic Transfer Hashing for Scalable Image Retrieval;Lei Zhu等;《IEEE Transactions on Neural Networks and Learning Systems》;20180214;第29卷(第11期);第5264-5276页 *
Perceptual Image Hashing Based on Color Structure and Intensity Gradient;Yan Zhao等;《 IEEE Access》;20200131;第8卷;第26041-26053页 *
Perceptual image hashing using center-symmetric local binary patterns;Reza Davarzani等;《Multimed Tools Appl》;20150303;摘要、第5.2节、第5.3.2节及图6 *
基于图像能量和量化的公开数字水印算法;李旭东;《中北大学学报(自然科学版)》;20071231;第28卷(第5期);摘要、正文第1节 *
基于扩展轮廓的快速仿射不变特征提取;翟凤文等;《吉林大学学报(工业版)》;20190730;第49卷(第4期);第1346-1356页 *
结合结构与梯度的图像哈希算法;沈麒等;《浙江大学学报(工学版)》;20200831;第54卷(第8期);摘要、正文第1节以及图2-图5 *

Also Published As

Publication number Publication date
CN112232428A (zh) 2021-01-15

Similar Documents

Publication Publication Date Title
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
Du et al. Perceptual hashing for image authentication: A survey
Tang et al. Robust image hashing with ring partition and invariant vector distance
Su et al. An approximate Schur decomposition-based spatial domain color image watermarking method
Barani et al. A new digital image tamper detection algorithm based on integer wavelet transform and secured by encrypted authentication sequence with 3D quantum map
Swaminathan et al. Robust and secure image hashing
Ouyang et al. Robust hashing for image authentication using quaternion discrete Fourier transform and log-polar transform
Tang et al. Perceptual image hashing with weighted DWT features for reduced-reference image quality assessment
Murali et al. An efficient ROI based copyright protection scheme for digital images with SVD and orthogonal polynomials transformation
Su et al. A robust adaptive blind color image watermarking for resisting geometric attacks
CN104599225A (zh) 基于奇异值分解和主成分分析的图像水印嵌入与提取方法
CN111787179B (zh) 一种图像哈希获取方法、图像安全认证方法及装置
Liu et al. Robust blind image watermarking based on chaotic mixtures
Tang et al. Robust image hashing with visual attention model and invariant moments
Tang et al. Structural feature-based image hashing and similarity metric for tampering detection
Tang et al. Robust image hashing with embedding vector variance of LLE
Tang et al. Robust image hashing via visual attention model and ring partition
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
Hussan et al. Hash-based image watermarking technique for tamper detection and localization
Sun et al. A blind dual color images watermarking based on quaternion singular value decomposition
CN102208096B (zh) 一种基于离散小波变换的图像篡改检测以及篡改定位方法
Liu et al. Adaptive feature calculation and diagonal mapping for successive recovery of tampered regions
Zhang et al. Self-recovery reversible image watermarking algorithm
CN113095380B (zh) 一种基于临近梯度和结构特征的图像哈希处理方法
Aslam et al. Image Forgery Detection Using Convolutional Neural Network

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