当前较多的图像伪造检测算法直接将未经优化的图像特征提取结果用于篡改检测,忽略了伪图像特征的影响,导致其不能较为准确地检测伪造内容。对此,本研究提出了一种优化因子耦合比值制约规则的方法,用于检测伪造图像。首先,引入高斯差分(D...当前较多的图像伪造检测算法直接将未经优化的图像特征提取结果用于篡改检测,忽略了伪图像特征的影响,导致其不能较为准确地检测伪造内容。对此,本研究提出了一种优化因子耦合比值制约规则的方法,用于检测伪造图像。首先,引入高斯差分(Difference of Gaussian,DoG)算子,通过比较像素点与其邻域点像素值的方法来提取图像特征。再利用DoG算子的二次Taylor展开式,构造优化因子,从提取的图像特征中筛选出不稳定的伪特征,以提高伪造内容的检测准确度。随后,在图像特征点的极坐标系中,建立特征点的8邻域区,用以计算特征向量。然后,通过特征向量求取特征点间的欧式距离信息,以及通过归一化互相关(Normalizedcrosscorrelation,NCC)函数求取特征点间的互相关信息,从而完成图像特征的匹配。最后,借助特征点间欧氏距离信息构造比值制约规则,对匹配特征点进行归类,以识别篡改内容。实验结果表明,较当前图像篡改检测方法而言,在各种几何变换操作下,本研究提出的算法具有更高的检测精度与鲁棒性,能够较为完整地检测出篡改内容。展开更多
为了克服当前图像匹配方法主要通过测量距离的方法来实现图像匹配,忽略了图像间的相似度,导致算法存在错误匹配较多以及鲁棒性较差的问题。本文提出了基于相似度模型耦合角度制约规则的图像匹配算法。采用FAST检测方法对图像特征进行检...为了克服当前图像匹配方法主要通过测量距离的方法来实现图像匹配,忽略了图像间的相似度,导致算法存在错误匹配较多以及鲁棒性较差的问题。本文提出了基于相似度模型耦合角度制约规则的图像匹配算法。采用FAST检测方法对图像特征进行检测,快速获取鲁棒特征点,以改善算法的匹配正确率。随后,利用SURF特征描述机制,通过计算特征圆域内的Haar小波响应值,对特征点进行描述。引入结构相似度SSIM(structural similarity index measurement)模型,将其与欧氏距离模型相结合,构造相似度模型,从结构相似度与测量距离两方面出发,将特征点进行粗匹配。最后,利用特征点的余弦关系,求取特征点间角度,建立角度制约规则,对粗匹配结果完成优化。实验结果显示:与典型的匹配方法相比,该算法具有更好的匹配性能较好,在多种几何变换下仍具有理想的匹配精度。展开更多
文摘当前较多的图像伪造检测算法直接将未经优化的图像特征提取结果用于篡改检测,忽略了伪图像特征的影响,导致其不能较为准确地检测伪造内容。对此,本研究提出了一种优化因子耦合比值制约规则的方法,用于检测伪造图像。首先,引入高斯差分(Difference of Gaussian,DoG)算子,通过比较像素点与其邻域点像素值的方法来提取图像特征。再利用DoG算子的二次Taylor展开式,构造优化因子,从提取的图像特征中筛选出不稳定的伪特征,以提高伪造内容的检测准确度。随后,在图像特征点的极坐标系中,建立特征点的8邻域区,用以计算特征向量。然后,通过特征向量求取特征点间的欧式距离信息,以及通过归一化互相关(Normalizedcrosscorrelation,NCC)函数求取特征点间的互相关信息,从而完成图像特征的匹配。最后,借助特征点间欧氏距离信息构造比值制约规则,对匹配特征点进行归类,以识别篡改内容。实验结果表明,较当前图像篡改检测方法而言,在各种几何变换操作下,本研究提出的算法具有更高的检测精度与鲁棒性,能够较为完整地检测出篡改内容。
文摘为了克服当前图像匹配方法主要通过测量距离的方法来实现图像匹配,忽略了图像间的相似度,导致算法存在错误匹配较多以及鲁棒性较差的问题。本文提出了基于相似度模型耦合角度制约规则的图像匹配算法。采用FAST检测方法对图像特征进行检测,快速获取鲁棒特征点,以改善算法的匹配正确率。随后,利用SURF特征描述机制,通过计算特征圆域内的Haar小波响应值,对特征点进行描述。引入结构相似度SSIM(structural similarity index measurement)模型,将其与欧氏距离模型相结合,构造相似度模型,从结构相似度与测量距离两方面出发,将特征点进行粗匹配。最后,利用特征点的余弦关系,求取特征点间角度,建立角度制约规则,对粗匹配结果完成优化。实验结果显示:与典型的匹配方法相比,该算法具有更好的匹配性能较好,在多种几何变换下仍具有理想的匹配精度。