数码翻拍图像取证算法

 随着图像显示技术的不断提高,对显示媒介显示的图像,如高质量打印出的图像和LCD显示器显示的图像,进行翻拍所获得的图像质量也越来越高。这类高质量造假图像可能被造假者用于非法途径,且往往能通过当前的图像取证系统而不被识别。针对LCD显示器显示的图像的翻拍检测情况做了研究。通过分析原始获取图像过程和翻拍获取图像过程引入的噪声,以及检测两次翻拍产生的双重JPEG压缩,利用SVM（支持向量机）获得了很好的分类结果。     

基于兴趣点特征的图像检索方法

针对全局图像特征无法刻画图像类别信息的缺陷, 提出一种基于兴趣点特征的图像特征检索方法. 首先对图像进行仿射 尺度不变特征转换, 并利用亮度的概率密度梯度提取兴趣点; 然后将兴趣点映射回原始图像, 采用颜色直方图作为图像特征; 最后采用相似性度量模型, 实现图像检索. 选择Corel图像库中的图像对算法性能进行实验分析. 实验结果表明, 该方法可有效提高图像的检索准确率和检索效率, 快速找到用户需要的图像.     

基于残差密集块和自编码网络的红外与可见光图像融合

红外与可见光图像融合是复杂环境中获得高质量目标图像的一种有效手段,在目标检测与跟踪、图像增强、遥感、医疗等领域有广泛应用前景.为解决目前基于深度学习的红外与可见光图像融合方法中存在的网络无法充分提取特征、特征信息利用不充分和融合图像清晰度低的问题,本文提出了一种基于残差密集块的端到端自编码图像融合网络结构,利用基于残差密集块的编码器网络将图像分解成背景特征图和细节特征图,然后将两种特征图进行融合,再通过解码器进行重构,还原出最终的融合图像.测试结果表明,本文的方法可以得到清晰度高、目标突出、轮廓明显的融合图像,在SF、AG、CC、SCD、Qabf、SSIM 6个融合质量评估指标上与目前代表性融合方法相比均有不同程度的提升,特别是在融合图像清晰度上优势明显,且对于模糊、遮挡、逆光、烟雾等复杂环境图像有较好的融合效果.      

基于多模态融合的深度神经网络图像复原方法

针对水下图像成像环境复杂常受偏色等因素干扰而影响后续图像分析的问题,提出一种基于多尺度特征与三重注意力多模态融合的深度卷积神经网络图像复原方法.首先,深度卷积神经网络在抽取图像空间特征的基础上,引入图像多尺度变换特征;其次,通过通道注意力、监督注意力和非局部注意力,挖掘图像特征的尺度间相关性、特征间相关性;最后,通过设计多模态特征融合机制,将上述两类特征有效融合.在公开的水下图像测试集上进行测试并与当前主流方法进行对比的实验结果表明,该方法在峰值信噪比、结构相似性等定量对比以及颜色、细节等定性对比上都优于对比方法.     

基于多特征融合的海洋生物图像检索方法的研究

基于内容的图像检索技术主要是通过提取图像的颜色、形状、纹理等可视特征作为图像检索依据,对图像库进行近似检索.针对海洋生物图像的特点,将离散余弦变换技术应用到图像检索中,计算基于圆环分割的图像块的DCT能量矩得到图像的纹理信息.在此基础上,提出了一种综合DCT能量矩和不变矩的多特征融合的图像检索方法,并将其应用到海洋生物图像检索中.实验结果表明,使用该方法可以提高海洋生物图像检索的准确率,且对图像的旋转、缩放和平移具有不变性.     

基于Contourlet变换与SVM的图像分类研究

由于Contourlet变换具有多分辨率分析、多方向性、各向异性等特点,能很好地捕捉图像的轮廓特征,利用Contourlet变换系数有利于特征的检测.提出了一种基于Contourlet变换与支持向量机(SVM)的图像分类方法.该方法首先对彩色图像灰度化后进行Contourlet变换,将得到的三层低频分量系数作为图像分类的语义特征,然后利用SVM分类器对图像进行分类.实验结果表明该方法具有较好的分类效果.     

提高超声C扫描图像分辨率的插值方法研究

根据超声C扫描成像原理,分析了采样间隔对超声C扫描图像分辨率的影响.采用一种基于局部协方差特征的边缘自适应图像插值方法来提高C扫描图像的分辨率,同时将图像局部均方差作为边缘特征判据,使算法得到了简化.该方法根据低分辨率图像的局部协方差估计出高分辨率图像的插值加权系数,能够在放大图像的同时保留图像的边缘特征.试验结果表明,基于局部协方差特征的图像插值方法明显提高了C扫描图像分辨率,并且减小了边缘模糊效应,因此降低了采样间隔对图像分辨率的影响,提高了图像中缺陷分布评价结果的准确性.     

摄影翻拍技术的应用

翻拍又叫摹拍,翻拍是摄影中用来复制原件的一种方法。翻拍是专门针对平面的物如:字画、文件、表格等。翻拍的对象如果是比较小的物件,如邮票等,即可看作微距摄影范畴,技术特点与微距摄影相通。翻拍可以将原物体的色调、层次等细节比较完整地再现,复制仅能保持原件的面貌,但通过翻拍还可以校正原件的某些缺点。     

基于序列图像的虹膜特征提取与分类

根据单一虹膜图像进行虹膜识别时,存在被干扰影响而改变的特征,而从单一图像中无法判断这些特征的有效性.因此,根据这些特征难以对虹膜做出正确分类.针对这个问题,提出了基于序列图像的虹膜识别方法.从多个图像提取的二值相位特征,经过特征配准将虹膜特征投影,获得低维的子空间特征,用子空间上的特征作为该虹膜的特征,将其与数据库中的特征进行比对,从而进行虹膜识别.与基于单一图像的虹膜分类方法相比,该方法的虹膜分类性能明显得到改善.     

基于ICA多特征融合的人脸识别

提出了一种基于特征融合的人脸识别方法.该方法首先对预处理后的人脸图像进行全局特征及局部分量的提取,分别采用离散余弦交换(DCT)提取包含图像大量信息的低频部分特征和奇异值分解(SVD)抽取图像的代数特征作为图像的全局特征,采用非负矩阵分解(NMF)提取图像的局部分量特征,然后将此两类特征以独立成份分析(ICA)进行融合,获取用于人脸识别的特征向量.在本文的实验中,我们将此特征向量应用于支持向量机(SVM)进行分类训练及识别测试,并获得较好的结果.     

一种基于链码向量的图像匹配算法

基于特征的图像匹配算法被广泛应用于图像处理和模式识别领域中,图像特征提取以及采用的匹配算法并直接决定图像匹配的效果。为了尽可能准确的实现图像匹配,提出了一种基于链码向量的边缘特征匹配算法。首先通过改进的Laplace边缘检测算子提取图像中的边缘信息,提高了边缘检测的可靠性;然后,将提取到的边缘信息由边界链码描述,并将边界链码构造成向量,利用数学向量相似度原则进行图像匹配。实验结果表明,该匹配算法简单快速,匹配准确率高,具有较高的实用价值。     

不同视角下海量高分辨率视频图像数据挖掘方法研究

当前高分辨率视频图像数据挖掘方法容易受到外界环境的干扰,提取的视频图像特征不可靠,且不同视角下提取的特征值有很大差异,导致视频图像数据挖掘精度大大降低。为此,提出一种新的不同视角下海量高分辨率视频图像数据挖掘方法,通过Harris角点检测方法对待挖掘高分辨率视频图像数据时空特征进行提取,依据高分辨率视频图像数据时空特征,通过自相关矩阵建立相同事物不同视角下的递归图,将递归图看作一幅图像,通过计算像素点的梯度向量构建递归特征描述符,对相同事物不同视角下的关联性进行挖掘,将具有相同递归图梯度特征的高分辨率视频图像数据汇聚在一起,实现数据挖掘。实验结果表明,所提方法挖掘精度高。     

基于空间数据结构的图像检索

提出了用图像联合特征取代单一的图像特征表示内容的模型，通过把图像的相似性定义在欧氏空间，引入了空间数据索引结构，针对图像联合特征的高维性，提出用X树空间结构来索引图像联合特征从而实现对图像内容进行检索的方法，通过实验比较，证明该方法的检索不仅视觉效果良好，而且检索效率也明显提高。     

基于局部色彩不变量的图像篡改检测方法

针对基于分块的图像区域复制篡改检测方法通常面临的图像特征提取计算量大、维度高、识别率低等问题,提出一种基于局部色彩不变量特征的图像区域复制篡改检测方法,将RGB彩色图像转换到对立色彩空间,通过分析和提取图像各通道上的局部密度分布特征,构建k-d树进行相似分块特征匹配以实现图像区域复制篡改检测.提出的局部色彩不变量密度特征具有维度低、计算简单等特点.实验结果表明,本文方法与其他几种典型的基于分块的方法相比,具有较低的时间复杂度和较高的检测率,且对图像篡改区域的旋转、缩放攻击具有较好的鲁棒性,特别是当图像篡改区域进行大角度旋转时与其他几种方法相比具有明显优势.     

基于子带小波特征的高分辨率遥感图像特征提取方法

基于统计理论模型对高分辨率遥感图像进行纹理特征提取。首先对高分辨率遥感图像进行小波变换,用广义高斯密度分布函数来描述变换后各子带小波系数的分布情况（小波系数直方图）,建立遥感图像纹理特征的描述向量。通过对描述向量进行相似性比较,最终按照相似性递减的顺序输出检索结果。该方法简单、有效、计算速度快,适用于遥感图像的实时处理。特别是该方法所定义的图像相似性函数有可靠的理论依据,避免了大量主观因素的影响,符合基于内容图像检索的目的和要求。     

基于不变矩特征和神经网络的图像模式模糊分类

提出了一种基于不变矩特征和神经网络的医学图像识别模型·所设计的识别模型包括不变矩特征提取、不变矩矢量标准化、模糊化预处理、BP网络与竞争选择·利用不变矩方法提取医学图像的特征矢量,能有效检测出具有平移、旋转和比例变化的图像,利用神经网络作为分类器对提取的特征矢量分类,使用模糊化的方法先对输入特征数据做预处理再进行识别,每一个图像模式归属于某一类是以0到1的数字代表其归属程度·实验结果验证了模型的有效性,训练好的网络有很好的分类能力·     

基于多尺度特征提取的单目图像深度估计

在目前基于深度学习的单目图像深度估计方法中,由于网络提取特征不够充分、边缘信息丢失从而导致深度图整体精度不足。因此提出了一种基于多尺度特征提取的单目图像深度估计方法。该方法首先使用Res2Net101作为编码器,通过在单个残差块中进行通道分组,使用阶梯型卷积方式来提取更细粒度的多尺度特征,加强特征提取能力;其次使用高通滤波器提取图像中的物体边缘来保留边缘信息;最后引入结构相似性损失函数,使得网络在训练过程中更加关注图像局部区域,提高网络的特征提取能力。在NYU Depth V2室内场景深度数据集上对本文方法进行验证,实验结果表明所提方法是有效的,提升了深度图的整体精度,其均方根误差(RMSE)达到0.508,并且在阈值为1.25时的准确率达到0.875。     

基于尺度不变特征变换的快速图像特征区域检测

针对快速图像特征区域检测受噪声干扰和尺度空间影响, 导致图像特征区域检测精度较低、 延时较长, 检测结果不可靠的问题, 提出一种基于尺度不变特征变换的快速图像特征区域检测方法. 先通过加权核函数, 加权平滑处理图像中各像素点, 实现图像去噪； 再在此基础上通过构建图像高斯尺度空间确定图像特征点区域, 删除低对比度像素点和边缘像素点, 快速提取图像特征点, 检测特征点所在区域即为图像特征区域. 仿真实验结果表明, 该方法能高效率、高精度地实现快速图像特征区域检测的全面检测.     

基于二维图像矩阵的稀疏表示分类方法

利用稀疏表示对图像分类时,需要将二维图像转换为一维特征向量,这大大增加了计算复杂度和忽略了图像矩阵中固有的局部结构信息.为了解决上述问题,设计了完全基于二维特征矩阵的稀疏表示人脸分类方法.首先将二维图像转为2D Fisherface矩阵,然后直接利用二维矩阵求解稀疏表示和进行分类.整个识别过程中,不需要将二维图像转换为一维向量.实验结果表明,二维特征矩阵在稀疏表示分类中是十分有效的,设计的方法可以更快的运算速度达到更高的识别率.在ORL人脸数据库和Extended Yale B人脸数据库上的识别率分别达到97.5%和99.3%.     

面向自适应计算的局部四面体网格重划分

为有效满足h自适应的网格重划分要求, 提出通过前沿推进法和Delaunay算法对四面体网格进行局部重划分. 首先, 在重划分过程中, 采用由线到面、 由面到体的顺序保证整体网格的协调性; 其次, 通过局部尺寸函数保证网格尺寸平滑过渡; 最后, 用投影法使网格满足几何保形. 仿真实验结果表明, 该算法适用于包含多部件的复杂计算机辅助设计(CAD)模型, 在h自适应加密过程中网格更贴近真实几何形态, 且重划分后可保证网格单元的质量.