基于边界平衡生成对抗网络的生成式隐写

针对基于深度生成模型的载体合成隐写中生成含密图像质量不高的问题,提出了一种基于边界平衡生成对抗网络(boundary equilibrium generative adversarial network,BEGAN)的生成式隐写方法。该方法首先将秘密信息分段并转化为噪声,而后将噪声输入到BEGAN生成器中得到高质量的含密图像;在消息提取阶段,从含密图像输入噪声提取器中恢复出噪声,最后将噪声转化为秘密信息并完成消息提取。首次提出了针对含密图像的质量评价问题。实验结果和分析表明,与基于深卷积生成对抗网络(deep convolution generative adversarial networks,DCGAN)的隐写方法相比,采用基于编码-解码结构的BEGAN模型能够提高含密图像质量,增大输入噪声的长度能够提高隐写容量。     

一种基于模式噪声熵的图像来源取证算法

针对数字图像的来源取证，本文提出了一种基于模式噪声熵的检测算法。传感器作为数码相机的重要部件，由于在制造过程中的缺陷，成像时会给图像带来一种模式噪声。该算法利用传感器产生的模式噪声具有唯一性这一特点，对图像进行小波降噪并提取图像的模式噪声。利用模式噪声的熵值对不同来源的图像进行区分。实验结果表明，该方法对原始图像有较高的检测率，对有损压缩图像也有较好的鲁棒性。     

碎片图像字符特征提取方法研究

字符特征提取是含文字碎片图像拼接的关键环节,直接影响拼接效果。提出了一种包含文字信息的碎片图像特征提取方法,首先,对原始碎片图像进行预处理,分别得到字符和碎片背景的二值图像;然后,利用边缘检测算子提取字符和碎片背景的单像素边缘;最后,利用结构算子检测碎片图像中字符与碎片背景边缘的交叉点,并根据交叉点的信息提取字体边缘方向特征。仿真实验结果表明本文提出的碎片图像字符特征提取方法思路合理,能够快速、准确地提取出碎片图像中的字符特征,为后续的匹配拼接奠定基础。     

打印文稿识别技术研究与设计

近年来由于现代数字电子技术的飞速发展,各类合同、文档、传单的真实性有待于考证;而且也迫切需要准确掌握各类打印文档的来源。针对打印文档的真伪性问题,提出在对单个字符图像进行灰度级压缩和二值去噪的基础上,利用统计法中的灰度共生矩阵来提取字符图像的特征值;并以这些特征值建立相应的样本数据库,借助神经网络工具箱对特征值进行分类和识别。试验对试验条件的控制较为严格,样本采集为5种全新打印机打印的文档各取5张,字符图像的提取采用同一扫描仪,并且控制工作时间和打印文档的数目一致。实验结果表明,观察提取的特征数据发现,不同打印文档的特征数据之间有明显差别,而且特征数据的正确性和可靠性明显提高。试验中对5种打印机全部正确识别。     

基于多尺度特征逐层融合深度神经网络的无参考图像质量评价方法

现有的针对真实失真的无参考图像质量评价算法提取的特征对自然场景图像质量的表征能力较差，限制了其评估准确性和泛化能力。针对该问题，文中提出了一个基于多尺度特征逐层融合的深度神经网络(MsFF-Net)。首先，利用预训练的深度神经网络ResNet-50提取图像多尺度特征；然后，提出了一种特征融合模块，通过逐层递进融合相邻尺度特征，获得更准确表征图像质量的多尺度融合特征；接着，从多尺度融合特征提取低维特征，得到多粒度的图像质量感知特征；最后，利用由最高层特征自适应生成的全连接神经网络，对低维特征进行回归，得到自然场景图像的质量预测。仿真结果表明，MsFF-Net在真实失真数据库上的性能优于目前的大多数方法，而且在合成失真数据库上也取得了出色的评价性能。     

一种基于高阶统计量的图像质量客观评价方法

提出一种新的图像质量的客观评价方法,该方法用平均高阶细节累积量作为衡量图像质量的指标,无需原始图像作参考,特别适合于多媒体图像通信及无法得到原始图的像的场合对图像质量进行评价,且很容易去除高斯噪声对图像质量评价的影响,仿真实验结果表明,该方法所得结果大多数情况下与峰值对数信噪比指标相符合,并且在峰值对数信噪比不能很好的反映图像质量的情况下,该方法所用的指标也能比较准确地反映图像的质量,符合人眼的视觉特征。     

一种新的结构特征全参考图像质量评价方法

提出一种基于单演信号理论提取结构特征的全参考图像质量评价方法。方法首先利用单演信号理论将图像分解为幅值、方向和相位3个特征分量,构造单演相位一致映射图和特征分量相似度比较函数;然后对相位一致映射图进行Riesz变换,其变换后的一阶、二阶系数作为结构特征相似度比较函数,最后将单演信号的特征分量和结构特征相似度比较函数归一化加权计算得出最终的图像质量评价值。实验结果表明,由于单演相位一致具有较好的抗噪声能力,特征分量和结构特征相似度更加全面考虑到对于人眼感知图像结构的重要性,因此评价结果与图像主观质量评价具有较好的一致性。     

基于视觉特性的无参考型遥感图像质量评价方法

影响遥感图像成像质量的主要是模糊和噪声这2种失真因素,二者在空域和频域互相影响互相抑制,因此很难对同时存在这2种失真的遥感图像进行客观图像质量评价。该文利用人类视觉系统对模糊和噪声两种激励的响应特性不同,结合结构相似性度量方法,提出了一种基于视觉特性的无参考型图像质量评价方法。该方法同时考虑了模糊和噪声两方面因素,它不需要参考图像作为图像质量评价依据。实验结果表明:该方法的评价结果与全参考型图像质量评价方法的结果具有较高的相关性,是一种准确可靠的无参考型图像质量评价方法,并且易于实现。     

基于深度学习模型的图像质量评价方法

为了有效提取与视觉感知质量高度相关的图像特征,改进图像质量评价方法,在深度学习的框架下,提出一个全新的卷积神经网络IQF-CNN结构,能自动学习判别性更强的图像质量特征,并利用学习的特征进行图像质量评价.同时,该算法采用局部亮度系数归一化、dropout等技术进一步提高网络学习能力.实验结果表明:该算法能较准确地评估五种常用的图像失真,尤其在JPEG压缩、JPEG2000压缩和高斯模糊图像失真上与人眼主观感知质量具有很高的一致性,整体性能比较优于其他经典评价方法.     

一种改进的基于Gabor变换的字符特征提取方法

当前应用广泛的光学字符识别(OCR),通常都严重依赖于对图像中灰度信息特征的选自与提取。本文针对汉字字符特征提取,提出一种基于Gabor变换的字符特征提取方法。本方法首先对图像进行归一化处理,再对归一化图像利用Gabor变换计算笔划方向特征,以该特征作为字符的基本特征或者基本特征之一。实验证明该方法提取到的特征对于易混淆的字符和脱机手写字符均具有较好的分类效果。