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
针对目前复制-粘贴篡改盲检测算法对光照变换操作鲁棒性较差的问题,提出了一种基于混合灰度序模式(Mixed Intensity Order Pattern,MIOP)的复制-粘贴篡改盲鉴别算法。首先,对待检测图像提取高斯差分区域(Difference of Gaussians,DOG)...针对目前复制-粘贴篡改盲检测算法对光照变换操作鲁棒性较差的问题,提出了一种基于混合灰度序模式(Mixed Intensity Order Pattern,MIOP)的复制-粘贴篡改盲鉴别算法。首先,对待检测图像提取高斯差分区域(Difference of Gaussians,DOG)。其次,利用MIOP特征描述区域。最后,匹配特征并利用RANSAC(RANdom SAmple Consensus)去除误匹配,确定图像的复制-粘贴篡改区域。实验结果表明:本文算法不仅对几何变换和光照操作的检测率较高,且对高斯模糊、噪声和JPEG重压缩等后处理操作鲁棒性较好。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。
文摘针对目前复制-粘贴篡改盲检测算法对光照变换操作鲁棒性较差的问题,提出了一种基于混合灰度序模式(Mixed Intensity Order Pattern,MIOP)的复制-粘贴篡改盲鉴别算法。首先,对待检测图像提取高斯差分区域(Difference of Gaussians,DOG)。其次,利用MIOP特征描述区域。最后,匹配特征并利用RANSAC(RANdom SAmple Consensus)去除误匹配,确定图像的复制-粘贴篡改区域。实验结果表明:本文算法不仅对几何变换和光照操作的检测率较高,且对高斯模糊、噪声和JPEG重压缩等后处理操作鲁棒性较好。
