基于双信息统计与引力聚类的图像篡改检测算法

目的为了解决当前图像复制-粘贴篡改检测算法的鲁棒性与检测精准度不佳等问题。方法将图像的颜色信息引入伪造检测过程,提出双信息统计机制耦合引力聚类的图像复制-粘贴篡改检测算法。首先,利用Hessian矩阵来准确提取图像的特征点。然后,利用图像的梯度直方图来描述图像的方向特征,并联合图像的颜色信息,构造双信息统计机制,获取图像的特征向量。计算特征向量间的欧氏距离,构造近似测量模型,对图像特征进行匹配。最后,利用引力聚类方法,实现图像特征点的聚类,精准检测复制-粘贴篡改内容。结果与当前图像复制-粘贴篡改检测方法相比,所提算法具有更高的检测精准度,以及更好的鲁棒性。结论所提方案可以准确检测并定位出伪造内容,在图像水印、信息安全领域具有一定的参考价值。

基于局部引力和距离的聚类算法

密度峰值聚类(DPC)算法对于密度多样、形状复杂的数据集不能准确选择聚类中心,同时基于局部引力的聚类(LGC)算法参数较多且需要手动调参。针对这些问题,提出了一种基于局部引力和距离的聚类算法(LGDC)。首先,利用局部引力模型计算数据点的集中度(CE),根据集中度确定每个数据点与高集中度的点之间的距离;然后,选取具有高集中度值和高距离值的数据点作为聚类中心;最后,基于簇的内部点集中度远高于边界点的集中度的思想,分配其余数据点,并且利用平衡k近邻实现参数的自动调整。实验结果表明,LGDC在4个合成数据集上取得了更好的聚类效果;且在Wine、SCADI、Soybean等真实数据集上,LGDC的调整兰德系数(ARI)指标相较DPC、LGC等算法平均提高了0.1447。

基于局部引力模型的聚类算法研究综述

局部引力模型(Local Gravitation Model,LGM)是2018年提出的用于数据聚类的方法,其区别于传统引力聚类模型之处在于计算局部中心量度的过程中同时使用了局部引力合力的模长和方向信息。近年来,研究人员针对局部引力模型进行了改进泛化,提出了一系列新型聚类算法。笔者就局部引力聚类算法的发展趋势进行综述,对相关研究方向作展望。

基于引力的网格聚类算法

数据挖掘中的聚类在各行各业都有广泛应用,本文提出了基于网格的万有引力聚类算法(GGBCA),通过网格聚类(GBCA)的思想生成一系列的高密度网格,然后对高密度网格进行万有引力聚类,该算法考虑了类的大小对聚类结果的影响,提高了聚类效果。

基于引力核密度聚类算法的作物病害叶片区域的快速检测

针对作物病害叶片图像的复杂性和模糊性,提出一种基于引力核密度聚类算法的作物叶片病害区域快速检测方法:首先,在RGB颜色空间提取病害叶片图像的R通道值,根据R值的特征直方图特性,运用多项式拟合特征直方图曲线,根据导数性质确定拟合特征直方图曲线的峰值点和峰值区域,确定病害叶片图像聚类数和初始聚类中心;根据初步确定的病变叶片图像的聚类中心,运用引力核密度聚类算法快速完成对病害叶片病斑的分割。试验结果表明,基于引力核密度聚类算法的平均分割精度达80%以上,平均检测时间为4.912 s,优于已有病害区域分割算法K–means和Meanshift的性能。

基于APDE-RBF神经网络的网络安全态势预测方法

为了提高径向基函数(radical basis function,RBF)神经网络对网络安全态势的预测精度,提出了一种基于吸引力传播(affinity propagation,AP)聚类和差分进化(differential evolution,DE)优化RBF神经网络的算法。首先,利用AP聚类算法对样本数据进行划分聚类,从而获得RBF的中心和网络的隐含层节点数;其次,利用AP聚类得出种群差异度,自适应地改变DE算法的缩放因子和交叉概率,对RBF的宽度和连接权值进行优化;同时为了避免陷入局部最优以及跳出局部极值点,对每一代种群的精英个体和种群差异度中心进行混沌搜索。通过仿真实验表明,此算法在泛化能力增强的同时,对网络安全态势也达到了较高的预测精度。

采用自适应波段分组的高光谱图像压缩算法

针对高光谱成像中海量数据对存储与传输造成的困难,提出一种结合自适应波段分组与码率预分配的高光谱图像压缩算法。算法采用基于吸引力传播聚类的方法进行自适应波段分组预处理,通过波段分组与预测参考帧的选取来提高压缩算法的编码性能。对不同分组内的高光谱图像采用分段预测算法去除谱间冗余,同时根据预测残差信息量的大小对空间压缩算法进行自适应码率分配。实验结果表明,在保证图像质量与较低计算复杂度的前提下,其重建图像的峰值信噪比较对比算法有所提高。