非抽样Contourlet变换去噪滤波器设计的源相机识别

针对源相机识别和小波滤波器在获取残留噪声图像时会引入明显的场景噪声的问题,提出一种利用非抽样Contourlet变换(NSCT)进行模式噪声提取的新方案。首先根据源相机识别的过程,讨论小波滤波器在提取模式噪声上的不足,接着重点讨论设计基于NSCT滤波器进行模式噪声的提取。实验表明NSCT滤波器不仅使场景噪声得到明显的抑制,而且与小波滤波器相比,对来自三种不同相机的照片的平均识别率提高了近3.667%。     

一种用于图片来源检测的相机参考模式噪声提取算法

在传统相机参考模式噪声提取算法中,采用多张图片传感器模式噪声的平均值作为相机的参考模式噪声,但其未滤除插值颜色产生的噪声且未考虑不同类型的图片在计算相机参考模式噪声时所占比重,导致提取的相机参考模式噪声效果较差。为此,根据彩色滤波矩阵噪声方差的特点以及图片纹理和亮度的差异,提出一种改进的相机参考模式噪声提取算法。通过滤除插值颜色产生的噪声获取所有图片的真实传感器模式噪声,按照图片纹理和亮度乘积得到每张图片传感器模式噪声在相机参考模式噪声中所占比重,从而计算出相机的参考模式噪声。实验结果表明,与传统相机参考模式噪声提取算法相比,该算法具有更高的图片来源检测准确率。     

利用模式噪声主分量信息的源相机辨识技术

针对数码相机源辨识问题,提出一种利用成像传感器模式噪声主要分量（或称大分量）信息进行源设备辨识的新方法。首先围绕模式噪声的抽取和预处理,讨论去噪滤波器和去颜色滤波器阵列（CFA）插值对提高模式噪声质量的影响,然后重点讨论选取传感器模式噪声部分大分量对改善相关性检测器性能的作用。该方法不仅能很好地分离两台相机所拍摄的照片,而且还大幅度减小了检测的计算量。     

基于变差函数和局部方差图的煤岩图像纹理特征提取

针对现有煤岩纹理特征提取采用局部二值模式算法存在分类准确率欠佳、算法运行效率较低及旋转纹理识别鲁棒性较差等缺陷,提出了一种基于变差函数和局部方差图的煤岩纹理特征提取算法。该算法首先在局部二值模式理论框架中逐像素计算局部方差得到局部方差图,然后在局部方差图中利用变差函数计算不同方向的变差函数向量,最后组合变差函数向量作为纹理特征,将所提取特征与局部二值模式特征融合完成煤岩纹理分类与识别。实验结果表明,该算法能够有效地提取局部方差的空间分布信息,实现对局部二值模式丢失信息的再利用,分类结果优于多种经典的局部二值模式纹理特征提取算法,分类准确率达到86%。     

基于统计假设测试的噪声方差估计方法

在数字图像处理中,噪声方差估计是一个重要的研究课题。提出一种针对加性高斯噪声的噪声方差估计方法。利用一种基于统计假设测试的方法来度量图像结构特征度,基于图像结构特征度找出平滑子块和非平滑子块（含有边缘或纹理子块）;以平滑子块中的最小方差为参考方差,选择出方差与参考方差相差在一定范围内且不含边缘的所有子块;从选出的子块中求以图像结构特征度为权重的方差平均值作为噪声方差估计值。相比于现有的噪声估计方法,该方法具有非常高的估计精度,适合感染高斯噪声的各种图像。     

基于噪声方差估计的伪造图像盲检测方法

针对不同来源合成伪造数字图像提出了一种盲检测方法,不同数字图像背景噪声存在差异,因而伪造图像区域噪声方差不同。从待测图像小波分解后的高频子带中去除相应边缘区域的高频干扰,改进了噪声方差估计算法,并对所得噪声图像进行分块处理估计每一个分块的噪声方差,将方差相近的块进行融合,最后比较图像中纹理接近的同质区域,找出方差异常的位置。通过实验研究了方差估计精度,对不同来源的伪造图像进行了检测,结果表明算法提高了图像噪声方差的估计精度,在图像纹理接近的同质区域中可以定位图像的伪造区域。     

基于颜色和纹理特征的林火烟雾识别

为了实现森林火灾的智能化预警,提出了基于颜色和纹理特征的林火烟雾识别方法.首先使用颜色特征确定烟雾疑似区域,随后采用局部二值模式方差(Local Binary Pattern Variance,LBPV)提取疑似区域纹理的不规则度特征并产生LBP图像.然后利用小波变换分解LBP图像并提取模糊度、复杂度和相关度特征.最后利用支持向量机(Support Vector Machine,SVM)进行烟雾识别.结果证明,颜色结合纹理特征方法可以有效实现林火烟雾的识别,为林火烟雾识别研究提供了一种有效方案.     

多数据流子带噪声语音识别方法

提出一种噪声下的多数据流子带语音识别方法。传统的子带特征方法虽然能提高噪声下的语音识别性能,但通常会使无噪声情况下的识别性能下降。新方法提取感知线性预测(PLP)特征和子带特征,分别进行识别,然后在识别概率层将两者相结合。通过E-Set在NoiseX92下的白噪声的识别实验表明,新方法不仅具有更好的抗噪性能,而且同时能提高无噪声情况下的识别性能。     

数字图像模式噪声篡改反取证

针对基于模式噪声的图像来源性取证技术,提出一种全新的误导攻击方式,分析了特定相机的相机成像模型,推导出了模式噪声替换公式,该公式抑制了原有相机的模式噪声痕迹,并附加上了伪造相机的模式噪声,通过线性回归或基于图像内容特征的方式求出合理的嵌入参数。实验表明,该算法不但可以有效地混淆来源性取证,更可以让伪造者控制取证技术的结论,从而达到误导的效果。     

基于成像传感器特征的相机分类器设计

在对现有成像设备源辨识算法分析研究的基础上,提出一种利用成像传感器特征进行相机源辨识的鲁棒性方法.基于模式分类的原理,首先分析数码相机成像的特点,提取传感器噪声信息的统计特征,设计一种鲁棒的分类器来确定相机的品牌/型号.所提取的图像特征包括图像去噪差值和小波域分析.结果表明:所设计的分类器可以有效地正确辨识相机品牌/型...     

基于模式噪声大分量的手机相机来源检测

将模式噪声作为固定指纹特征应用于手机相机来源检测时,存在计算复杂、效率不高等问题。为此,提出一种基于模式噪声大分量信息的手机相机来源检测方法。利用光响应敏感点的成像特性及对模式噪声的影响,将其从模式噪声中分离出来,构成模式噪声的大分量信息,并作为新的模式噪声进行手机相机来源检测。实验结果表明,与传统基于模式噪声的图像来源检测方法相比,该方法不仅能有效辨识手机相机图像的来源,而且能减少检测计算量。     

基于小波方差分解的混沌时间序列噪声估计和阈值去噪

针对小波噪声处理时重视信号的分解而忽略噪声特性的问题,利用小波变换的方差分解功能对白噪声的小波系数方差进行分析,提出一种新的小波噪声估计和阈值去噪方法。该方法以时间序列第一、二层的小波方差来估计噪声水平,通过计算出噪声方差在各层小波系数上的分布来确定软阈值。对Lorenz、Chen等混沌系统的仿真结果表明,该方法有较好的效果。其后对上证指数和上海天然胶期货日收盘价序列进行去噪处理,验证了该方法的有效性。     

一种新的棋盘格图像角点检测算法

鉴于棋盘格图案在摄像机标定中有着广泛的应用,因此为了对边缘模糊的棋盘格图像进行在线标定,针对目前棋盘格图像角点检测算法的局限性,提出了一种可以自动实现的棋盘格图像角点检测算法,该算法是利用周围图案对称和灰度值对比明显的独特性质,设计了由对称算子S和方差算子V组合而成的角点检测算子--对称方差算子（symmetry and variance）,简称SV算子.该算子不仅构思巧妙、易于实现、计算量小,而且对棋盘格图像的旋转变换和亮度变换具有鲁棒性和抗噪能力强的优点.实验结果表明,该算子对边缘模糊有良好的适应性,适用于摄像机的在线标定.     

基于自适应粒子滤波的摄像机位姿估计方法

提出一种基于自适应粒子滤波的摄像机位姿估计方法。该方法首先利用相邻两帧传递模型的噪声方差动态调整传递模型,接着利用内点统计方法计算粒子权值,在对权值作归一化运算之后,利用粒子加权和计算摄像机位置和姿态。实验结果表明该方法很大程度上提高了基于标识的摄像机位姿估计系统的健壮性与稳定性。     

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,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。     

图像高斯噪声估计的极大似然算法

提出一种图像高斯噪声极大似然估计方法,目的是估计出噪声图像所含噪声大小。首先,根据高斯噪声模型的特点,用极大似然法估计噪声值,对图像所含噪声模型进行分析。其次,把噪声图像用直方图表示,从归一化直方图中选出不同的样本观测值,用极大似然算法对噪声的方差进行估计。最后,用MATLAB对该方法进行了模拟实验,实验结果表明此方法所得的图像噪声的方差与实际图像噪声的方差近似相等。所以,此方法无论是在准确性上还是在可行性上均具有优良的特性。     

Digital camera identification from sensor pattern noise

In this paper, we propose a new method for the problem of digital camera identification from its images based on the sensor's pattern noise. For each camera under investigation, we first determine its reference pattern noise, which serves as a unique identification fingerprint. This is achieved by averaging the noise obtained from multiple images using a denoising filter. To identify the camera from a given image, we consider the reference pattern noise as a spread-spectrum watermark, whose presence in the image is established by using a correlation detector. Experiments on approximately 320 images taken with nine consumer digital cameras are used to estimate false alarm rates and false rejection rates. Additionally, we study how the error rates change with common image processing, such as JPEG compression or gamma correction.