基于残差全卷积网络的图像拼接定位算法

为解决现有篡改定位网络随着深度加深不易收敛的问题,提出一种基于残差全卷积网络的图像拼接定位算法.所提算法一方面迁移残差思想,在全卷积神经网络(fully convolutional network,FCN)的部分卷积层中引入shortcut连接,使其输出的不仅是输入的映射,还是输入映射与输入的叠加.另一方面结合条件随机场(conditional random field,CRF)对定位结果进行后处理,并将FCN与CRF整合在一个端到端的学习系统中,进一步提高定位精度.此外,所提算法还融合3种FCN(FCN8、FCN16、FCN32)的预测结果.在实验中,随机选取公开数据集CASIA v2.0的5/6篡改图像作为训练集,然后对剩余1/6进行测试.为了测试提出算法的泛化性能,采用训练好的模型在公开数据集CASIA v1.0和DVMM上进行交叉测试.在3个数据集上的测试结果表明,所提算法的性能优于现有一些方法.

融合多尺度特征的拼接篡改图像检测算法

针对当前拼接篡改图像检测与定位方法主要专注于检测和定位小范围的篡改区域,而对于不均匀大小位置目标对象的模型性能表现不佳等问题,提出一种用于拼接篡改图像的检测与定位的新型网络架构DEUNet。DEUNet在UNet基础上引入高效加性注意力和双向残差块,用于处理不同尺度的特征,在更完整地定位大尺度篡改区域的同时减少模型的复杂度,并结合交叉熵和Dice损失函数以更好地平衡分类精度和分割准确性。实验结果表明,提出的方法性能优于其他算法,且具有良好的鲁棒性;DEUNet能成功处理不固定大小位置目标且实验验证性能优于最新算法。

利用改进的超像素分割和噪声估计的图像拼接篡改定位方法

通过检测图像局部噪声水平的不一致性,提出一种图像拼接篡改区域的定位方法.首先,用改进的简单线性迭代聚类(SLIC)超像素分割算法将待检测图像分割成具有相似特征的像素块;然后,采用基于主成分分析的噪声水平估计方法计算每个图像块的局部噪声水平;最后,利用3种聚类算法对估算的噪声水平进行聚类,根据聚类结果定位出被篡改的区域.实验结果表明:文中方法不仅能有效定位被篡改的区域,而且能保留检测区域更多的边缘信息.

基于最优颜色通道的图像拼接检测

针对不同颜色通道影响噪声估计值的问题,文中提出了基于最优颜色通道的图像拼接检测方法。利用主成分分析法在最优颜色通道上进行噪声值估计,根据噪声值大小利用K-means聚类法进行聚类。聚类结果分为可疑部分和非可疑部分两大类,通过两阶段策略进一步定位出篡改区域。该方法在原始区域与拼接区域噪声值相差较大或较小时均有效,并且能够定位出拼接区域。实验证明,所提方法与现有方法相比取得了良好的检测效果,且性能优于现有方法。

数字图像篡改定位研究综述

数字图像篡改定位属于一种图像取证任务,它主要目标是在可疑的待检测图像中检测和定位出篡改的区域。随着数字图像编辑工具的迅速发展和数码相机的大量普及,图像篡改变成越来越影响我们日常生活的一个重大困扰。数字图像篡改定位技术也受到了工业界和学术界越来越多的关注。本文对图像拼接篡改区域定位、复制移动篡改检测与定位、图像溯源篡改检测与定位近年来的相关成果进行综述。特别是,深度学习技术近年来被广泛应用于数字图像篡改定位,已经逐渐成为了数字图像取证的主流技术。本文主要对近年来基于深度学习的数字图像篡改定位方法进行回顾和讨论。

基于未校准照片构造全景图的新方法

提出一种基于未校准的系列照片构造全景图的新方法,该组照片可采用普通三脚架/数码相机在固定地点拍摄。采用普通三角架通过旋转角度拍摄的照片难以保证轴心一致性,可能出现图像扭曲、交叠和倾斜,照片之间可能有一定色差,因此,在图像的拼接和建立全景图方面难度大。文中采用特征匹配技术实现照片的拼接,通过照片的定位拼接、相邻照片颜色亮度的协调实现全景图的构建。该算法所生成的全景图效果好,计算速度快,已得到实际应用。它可广泛应用于Web环境下的基于图像的虚拟场景构造等方面。

JPEG图像被动取证研究进展综述

数字图像被动取证是利用图像的固有属性对其真实性认证、拼接区域定位及篡改历史分析的技术。由于大多数图像都需要进行JPEG压缩以便存储和传输,基于JPEG格式的数字图像被动取证越来越受到关注。为了更加全面地对现有取证方法进行梳理与归纳,本文着重对JPEG图像相关的取证技术进行介绍,详细论述了双重JPEG压缩检测、量化矩阵估计和拼接检测与定位方法中的关键技术,分析现有方法存在的问题与面临的困难,并对未来发展方向进行展望。

改造传统包装印刷的多种新技术研发及创新

应用高新技术创新和提升传统生产工艺,提高产品质量及生产效率,促进传统产业和高新技术产业的协调发展。

基于统计噪声水平分析的图像拼接检测

图像拼接是最常用的图像篡改操作之一,针对篡改图像噪声水平不一致性的现象,本文提出了一种基于统计噪声水平分析的图像拼接检测方法。首先,将检测图像分割成大小相同的非重叠图像块,然后,利用一种非参数估计算法来估计每个图像块的噪声值,并且采取聚类法对图像块的噪声值进行聚类,聚类结果分为可疑部分和非可疑部分两大类。最后,通过一个由粗到细的两阶段策略对篡改区域进行定位。哥伦比亚未压缩图像拼接检测评估图像库的实验结果表明,本文方法能够准确地估计图像块的噪声和定位出拼接区域,性能优于现有方法。