融入混合注意力的低缩放因子SeamCarving篡改检测算法

针对现有的Seam Carving篡改检测算法对于低缩放因子情况存在检测精度不高、鲁棒性不强的问题,提出一种融入混合注意力机制的Seam Carving篡改检测算法。首先,利用BayarConv2D约束卷积对图像进行预处理,充分学习图像的噪声特征,并通过矩阵乘法与RGB图像进行特征融合;然后,采用ResNet作为骨干网络进行特征学习,引入残差传播和残差反馈机制,凸显Seam Carving的操作痕迹;最后,利用混合注意力机制同时提取相邻位置和通道之间的特征,更好地捕捉全局特征,进而将其输入全连接层进行分类。实验结果表明,在BOSSbase1.01数据集上,当缩放因子为1%和9%时,检测精度分别达到了89.48%和97.94%,优于现有主流方法,同时具有较低的计算复杂度和较好的鲁棒性,能够抵抗JPEG压缩攻击。

基于动态规划的Seam Carving裁剪算法

随着科技的发展,图像应用和分享越来越普遍。图像尺寸调整在不同设备和屏幕上的显示非常重要。传统的方法只是简单地复制或计算像素值,而不考虑图像内容的重要性。然而,基于动态规划的Seam Carving裁剪算法提出了一种更优化的方法。该算法采用多尺度处理,对不同尺度的图像进行Seam Carving操作,并将处理结果整合起来,以实现更全面、更精细的图像调整。

基于Seam Carving的逐帧优化视频缩放方法

视频缩放是近年来数字图像处理领域的一项热点问题.针对整个视频进行缩放的方法会带来庞大的内存占用与计算量,导致效率低下、实用性较差;而针对视频中的每一帧进行缩放的方法难以维持视频的时空一致性.为此,基于Seam Carving方法,提出一种逐帧优化的视频缩放方法.首先逐帧读入视频,按照梯度求出当前帧的能量图,并使用高速缓存的置换思想调整能量图;然后根据能量图找出缝;最后使用线性插值的方法删除缝,得到目标大小的帧.实验结果表明,该方法不仅能够在所处理的每一帧中保持图像的重要内容,并且可以维持整个视频的时空一致性,保持较好的视觉效果.

改进的Seam Carving瞬时频率估计算法研究

旋转机械升降速阶段微弱振动信号具有潜在性和动态响应的微弱性等特点,因此瞬时频率是限制早期故障诊断发展的关键问题.针对这一问题,该文引入了图像处理领域的Seam Carving(SC)算法,并对SC算法进行改进,结合短时傅里叶变换(Short-Time Fourier Transformation,STFT),提出了STFT-SC瞬时频率估计算法.STFT-SC算法采用STFT对振动信号进行时频分析,然后利用Seam Carving算法中的能量梯度,采用动态规划的思想寻求seam路径,实现了旋转机械振动信号的一阶瞬时频率提取,最后对一阶时频数据进行时域重构,将重构的时域信号和仿真信号进行相关性分析.结果表明,STFT-SC算法对于高噪声、邻近阶比等振动信号都具有非常好的效果.

一种改进的Seam Carving图像缩放算法

针对图像非比例缩放时出现的失真,基于Seam Carving算法进行了研究:重新定义了显著能量,以突出图像的重要内容;优化了基于能量图的查找方法,通过减少像素线穿越图像中重要内容的次数,以保护图像重要内容不被扭曲;结合双线性插值以限制抽取像素线的数目,以避免图像内容过度抽取。实验结果表明,改进算法能够更好的保护图像中的重要内容、提高图像缩放的质量,并提升Seam Carving算法的执行效率。

Seam Carving和显著性分析的图像缩放方法研究

提出一种基于Seam Carving和显著性分析相结合的图像缩放方法。通过不断移除(插入)缝合线来实现对图像尺寸的缩小(放大)。通过研究Seam Carving在图像缩放及目标保留移除中存在的问题,已有的基于像素点计算图像能量函数的方法会对某些图像失效,提出一种基于显著性区域求解图像能量函数的SDRS方法。实验结果表明,Seam Carving方法对自然图像的处理能够达到令人满意的效果。Seam Carving方法和SDRS方法的结合,也是一个创新点。

基于全局图像结构信息的Seam Carving算法

提出了一种基于全局图像结构信息的Seam Carving算法,它根据像素的重要性修改图像尺寸和比例。通过从图像提取特定方向的边缘结构信息,再利用每个像素的梯度信息,从全局和局部两方面定义新的像素能量计算函数,以此来阻止seam通路与特定方向图像边缘的交叉,避免边缘像素的不一致位移,以此保持图像的边缘结构。实验结果证明,算法减少了处理后图像的结构形变,有效改进了Seam Carving算法的处理效果。

基于Seam Carving的图像放大算法研究与改进

针对Seam Carving图像放大算法中,能量值前k小的像素带可能出现共用点的情况,提出了一种改进的图像放大自适应算法,通过判断图像中出现共用点的像素带的情况及计算其共用率的值,经过一定的策略确定待新增的像素带位置,该算法使得图像中视觉关注非重要信息区域像素带的增加能得到较均匀的分布;实现了人工干预选择视觉关注重要区域的方法,避免了自适应算法本身因误判视觉关注重要区域而带来关注对象发生变形扭曲的情况.实验证明,改进的算法能得到更好的放大效果.

基于Se am Carving的海天线检测算法

海天线在远距离舰船目标检测中具有重要参考价值。目前,主要的海天线检测算法有直线拟合法、基于加权信息熵、Hough直线检测等,这些算法不同程度地存在运算量较大、应用场合受限等缺点。文中通过研究Seam Carving原理,将该原理运用到图像中最高能量线的检测,通过计算图像中各点的梯度幅值,采用动态规划技术搜索最高能量线,实现了海天线的检测。实验结果表明,该算法不仅具有较高的检测率,同时具有适用范围广、运算量小、实时性强等特点。

基于扩展马尔科夫特征的Seam-Carving篡改检测

针对能够用于图像篡改的Seam-Carving技术,提出了一种基于扩展的马尔科夫特征的Seam-Carving篡改识别算法。该算法充分考虑了Seam-Carving操作导致的图像频域特征的变化,将传统的利用马尔科夫转移概率矩阵求取的图像特征和基于扩展的马尔科夫转移概率特征进行融合,而后利用支持向量机进行分类训练,从而达到有效识别基于Seam-Carving的图像篡改。实验结果表明,提出的方案性能优于传统的基于马尔科夫转移矩阵的特征选择方法以及现有的一些该类图像篡改检测方法。

基于最小位移可视差的连续Seam Carving算法在图像缩放中的研究

图像缩放技术要求对图像缩放的同时保证重要信息不丢失且物体边缘不发生扭曲。近年来,Seam Carving及其改进算法得到了广泛的关注和研究。由于采用了离散式最小能量线迭代搜索策略,缩放信息无法在迭代过程中传递导致扭曲现象普遍存在。该文针对上述问题提出最小位移可视差(JND)检测算法,能够有效地检测每一次迭代中出现的潜在扭曲信息。能量权重E_(w)能够将JND信息累加传递给后续的迭代过程,从而抑制缩放过程中的边缘扭曲现象。通过JND算法和能量权重,该文首次将离散的Seam Carving模型转变为连续缩放模型。最后,在公共数据集RetargetMe上与最新的图像缩放算法进行多组对比实验,验证了所提方法的有效性和先进性。

基于Seam Carving的图像自适应缩放算法研究

基于Seam Carving的自适应缩放图像质量依赖于线路能量函数的定义和线路的提取。针对Seam Carving算法中可能同时存在多条累积能量值最小的线路,提出一种改进的线路提取方法。当待提取的线路数量小于图像中存在的等值累积能量值线路数量时,通过增加约束条件,由局部前驱点的选择和全局线路位置偏移差共同决定新的提取线路,即在累积能量值和局部较优均相同的情况下位置偏移差较小的线路优先被提取。实验表明,算法提取的线路定位可较好地应用于各种风格属性的图像缩放,特别是内容相对简单的图片能获得更好的裁剪结果,同时视觉关注重点区域出现扭曲变形的问题也得到改善。

The Cultural Implication of Brick Carving Model Calligraphy in Shanxi Chang's Manor

Focusing on the unique style of brick carving model calligraphy in Shanxi Chang's manor,this research analyses the content and feature of the different parts of brick carving,and discuses the presenting cultural deposits.It reflects the deep Confucian culture of Shanxi Chang's manor,with the peculiar charming in culture and aesthetic value.

基于seam carving的内容感知图像缩放算法研究

图像在变换成目标尺寸的缩放过程中，均匀缩放容易造成图像的失真，直接裁剪方式可能又会造成图像重要内容的缺失，seam carving算法是一种基于内容感知的图像自适应缩放算法，能较好地解决以上问题。该文对seam carving缩放算法进行了研究，首先实现了图像水平和垂直方向上的自适应缩放算法，并与传统的缩放算法进行实验对比分析；然后对seam carving算法进行改进，通过人工干预选择用户感兴趣或不感兴趣区域，来更好地满足用户所需的缩放效果。

基于Seam Carving和深度学习的车标识别系统研究与实现

车标识别作为智能交通的重要组成部分,对于有效识别存在号牌污染的违法车辆具有重要的补充作用,广泛应用于肇事车辆信息确认、复杂路况下的车辆布控、车辆监管等领域,工程价值较大。基于上述背景,提出了一种基于Seam Carving和深度学习的的一般车标特征提取算法,可以利用提取的有限车标核心特征点快速构建车标二维逼真模型,具有自主性高、人工干预少、适应性好等优势。在VS2012环境下开发了验证环境并对算法进行了实际验证,结果表明本文所提算法可以在较短的时间内有效重建车标二维逼真模型,准确率和稳定性较高,车标纹理性等符合视觉特征。

一种改进的Seam Carving图像放大算法

针对基于Seam Caring的放大算法可能误判图像重要区域而造成线路错误提取的问题,提出一种增加人工干预来保护图像重要区域的方法,该方法可以有效减少裁剪线路经过视觉关注重要区域,从而避免重要对象发生扭曲变形。实验结果表明,改进的算法能得到更优的放大效果。

结合视觉显著图的Seam Carving图像缩放方法

Seam Carving算法在缩放主体区域与背景颜色对比不明显或者视觉主体区域较大的图像时,可能会造成图像视觉主体变形和重要内容缺失的现象.为了改善Seam Carving算法的不足,采用图像梯度图和显著图结合的方法来改进图像的梯度能量图.实验表明,这种方法在缩放图像时比Seam Carving算法更能很好地保持图像重要内容,整体视觉效果较好,图像像素的平均能量值更大,图像缩放质量更好.

一种结合Seam Carving和人脸检测的人像缩放算法

人脸是人物图像中的重要特征区域。针对应用Seam Carving算法缩放人物图像后造成人脸畸变的现象,提出了一种结合人脸检测的人物图像缩放算法。首先识别图像中的人脸区域,其次在使用Seam Carving算法缩放图像的过程中提高梯度图中人脸区域的梯度值,防止低能量线穿越人脸区域,进而达到在缩放图像的同时保持人脸特征的目的。实验结果表明,该算法实现非等比缩放人物图像的同时有效保护了人脸区域,提升了缩放后的图像质量。

针对Seam-carving图像篡改的内容自适应检测方法

针对借助于Seam-carving缩放技术实现的数字图像篡改,本文提出了一种内容自适应的检测方法。该方法考虑了Seam-carving的操作特点,首先对待测图像中高度疑似篡改区域进行定位,进而仅基于定位的区域进行特征提取及分类。该方法在特征计算时剔除了篡改发生可能性较小的区域带来的影响,从而能够有效提高所提特征的代表性。在特征选择方面,本文选用了扩展Markov特征对Seam-carving操作引起的像素间相关性破坏程度进行度量,实验表明,与先前的非自适应方法相比,新方法在针对性检测有效性方面有着明显的优势。

一种改进的Seam Carving图像重定向算法

内容敏感图像重定向的核心思想是根据图像中不同内容的重要程度进行不同的缩放操作,目的是保留图像中重要的内容和结构的同时最大程度的减少视觉失真,Seam Carving是目前主流方法之一.传统的Seam Carving算法通过梯度图生成重要度图,只能检测出图像的边缘信息.本文提出基于梯度图和视觉显著度图共同生成重要度图的方法,既增强了重要区域的边缘信息,又很好的突出了视觉主体,同时又保护了重要区域的完整性.实验证明本文提出的方法在减少缩放图像视觉失真的同时,较好的保留了原图中重要区域的内容与结构.