基于模式噪声的手机图像篡改检测

模式噪声作为相机传感器的固有特征,其高频分量与所拍摄的场景无关,并在相机的生命期中相对稳定.因此基于模式噪声的多媒体取证已经被广泛应用在追溯图像来源检测中.然而,由于模式噪声的脆弱性,容易被篡改者从一个相机复制到另一相机上.针对这一问题,首先对基于模式噪声的两种篡改方式进行研究,并通过设定判定阈值进行篡改取证,同时为了解决模式噪声的相关性检测过程中计算量大,算法复杂度高等问题,采用了改进的模式噪声集鉴别方式,大大提高了篡改检测效率.

浅谈“照相手机时代”摄影记者的生存之道

照相手机的发展使新闻图片采集过程平民化,新闻摄影空前的大众参与使新闻摄影领域的格局发生了根本性改变,这让专业摄影记者产生了极强烈的危机感。为此,专业摄影记者应积极面对激烈的竞争,提高理论文化素质,建立广泛通畅的信息网络,站牢日常报道的阵地,拼抢突发新闻的报道,多出精品,为受众提供更丰富、更优质的新闻照片。

基于遗传算法优化BP神经网络的数字图像土壤含水量反演研究

快速准确地测量土壤含水量在农业、水文、生态等领域的应用至关重要,数字图像技术测量土壤含水量因其具有廉价、快速和不破坏土体的优势成为研究的热点。基于手机相机获取的数字图像,提取了R、G、B、H、S、V和DN 7种图像特征参数,并利用与土壤含水量相关性较大的图像特征参数R、V和DN构建了BP神经网络和遗传算法优化的BP神经网络土壤含水量反演模型,来获取高精度的土壤含水量数值。结果显示:将BP神经网络和遗传算法用于数字图像技术,均可提高数字图像技术测量土壤含水量的精度,其中BP神经网络土壤含水量反演模型的决定系数(R^(2))可达到0.940~0.972,均方根误差(RMSE)为0.936%~1.694%;遗传算法优化的BP神经网络土壤含水量反演模型的R^(2)可达到0.976~0.993,RMSE为0.559%~0.878%,遗传算法优化的BP神经网络模型用于数字图像技术反演土壤含水量的R^(2)更接近1,RMSE更小,精度更高。同类型研究中提出的多元线性模型的R^(2)介于0.60和0.96,RMSE介于1.11%和7.00%,与其相比,研究模型的预测精度和稳定性更高,这些结果展示了BP神经网络和遗传算法在数字图像技术测土壤含水量的应用优势。此外,研究表明手机相机获取的数字图像经过处理后可用于室内条件下预测表层土壤含水量,后续研究还需在室外深层土壤中展开,以扩展研究模型的适用性。

基于EPSON G6机器人的自动转LENS系统的设计

为了解决手机摄像头手工组装过程效率低的问题,设计了一种基于爱普生G6工业机器人为核心的LENS自动转移装置,上下料系统采用西门子PLC ST60控制的交流伺服电机实现上、下料料盘的定位,实验结果表明该装置定位精度高,能够有效地完成LENS的转移,大大降低了手机摄像头的生产成本,有效地推动了产业结构的升级。

新型可见光成像通信信号解调方案研究

可见光成像通信(OCC)是利用手机摄像头的卷帘快门工作方式拍摄快速闪烁的发光二极管(LED),接收明暗相隔的条纹图像,并通过对该图像进行解码恢复,实现数据通信的一种新兴的无线光通信技术。然而数据传输过程中出现的灰度值波动会影响通信过程中的误码率(BER)、传输距离和数据速率。提出了一种新型的OCC信号解调方案。利用基于膨胀腐蚀的自适应图像增强算法消除灰度值整体波动,利用膨胀算法消除灰度值局部波动,从整体和局部两个方面综合处理,最大程度上消除灰度值波动,提高判决的准确性,从而提高系统的通信性能。为验证所提方案的性能,评估了该方案在不同传输距离和数据速率环境下的BER。实验结果表明,所提方案的平均误码率较传统信号解调算法低两个数量级。