基于融合的高分辨率彩色图像拷贝—变换—移动篡改检测

拷贝—变换—移动篡改是一种操作简单但非常有效的数字图像篡改方法,现有检测框架无法检测。同时,在处理高分辨率篡改图像时,基于穷举搜索的现有算法框架会有计算量的困难。针对高分辨率彩色图像拷贝—变换—移动篡改提出了基于图像融合和尺度不变特征变换(SIFT)特征点匹配的检测算法。首先利用基于加权多尺度基本形的图像融合方法将降采样后的彩色图像信息融合至单幅灰度图像中,然后设计快速匹配方法得到融合图像中匹配的SIFT特征点作为种子点,最后根据图像处理规则和SIFT特征点的尺度和方向信息制定合适的生长策略逐步生长出被篡改区域。对手动制作的篡改图片和可疑新闻图片的实验结果表明,该算法对常用的润色操作和亮度调整以及JPEG有损压缩有较强的稳健性。     

数字图像拷贝-移动篡改检测方法的分析

详细分析了现有的基于字典排序的图像拷贝-移动篡改检测方法,特别指出了块特征向量的排列顺序对于篡改检测效果的影响.说明了用于图像篡改检测时图像小块特征向量应满足的必要条件,指出特征向量的描述"粒度"应遵循"从粗到细"的原则且沿字典排序的先后顺序排列,并指出主成分分析变换增加了计算复杂度,降低了算法的稳健性,并不适用于基于字典排序的篡改检测方法.仿真实验结果表明了分析得到的结论.     

基于LBP的图像区域复制篡改检测

研究尺度不变特征变换(SIFT)和旋转不变局部二值模式(LBP)相结合的特征匹配方法,提出一种基于LBP的图像区域复制-粘贴篡改检测算法。利用SIFT关键点检测方法检测图像中的所有关键点,计算以关键点为中心的周围图像区域的LBP特征,并将其作为关键点的特征描述,采用特征向量的欧式距离进行关键点匹配。实验结果表明,该算法在抗旋转、亮度变化处理和效率方面均优于基于主成分分析的检测算法。?     

基于尺度不变特征变换的快速图像拷贝检测

针对传统基于尺度不变特征变换（SIFT）特征的图像拷贝检测算法特征提取速度慢、匹配效率不高的问题,提出了一种基于SIFT特征点位置分布与方向分布特征的快速图像拷贝检测算法。首先,提取SIFT特征点二维位置信息,通过计算各个特征点与图像中心点的距离、角度,分块统计各区间的特征点数量,依据数量关系量化生成二值哈希序列,构成一级鲁棒特征;然后,根据特征点一维方向分布特征分块统计各方向子区间特征点数量,依据数量关系构成二级图像特征;最后,拷贝检测时采用级联式过滤框架作出是否为拷贝的判断。仿真实验结果表明,与传统SIFT以128维特征描述子为基础构建哈希序列的图像拷贝检测算法相比,所提算法在保证鲁棒性与独特性不降低的同时,特征提取时间缩短为原来的1/20,匹配时间也缩短了1/2以上,可满足在线拷贝检测的需求。     

基于不变矩特征的图像区域复制粘贴篡改检测

针对一种常见的篡改手段--图像区域复制粘贴,提出了一种基于不变矩特征的检测方法。将图像分成多个重叠块,提取每块的不变矩特征与直方图特征,结合起来得到图像的特征矢量。利用字典排序,依照预定的相似性标准,确定图像中的复制粘贴区域。实验结果表明,该算法在抗旋转操作方面明显优于经典的PCA检测算法,能准确检测出90°和180°的旋转。     

基于LBP的图像复制篡改检测

针对比较常见的图像的复制-粘贴篡改技术,提出一种基于局部二值模式LBP(local binary pattern)的检测算法。首先把需要检测的已经被篡改的图像分成大小相同的重叠块,每块的纹理特征用LBP(旋转不变)向量去表示,从而得到被检测图像的特征矢量;然后对得到的特征矢量进行字典排序,并结合检测图像块的位移矢量,准确定位并检测出图像中的被篡改区域。实验结果表明:在抗旋转处理和效率方面该算法均优于经典的基于PCA的检测算法。     

基于点匹配的区域拷贝篡改检测

图像区域拷贝是一种常见的数字图像篡改技术,目前的大部分数字图像区域拷贝取证技术未考虑旋转和缩放因素。提出一种新的基于点匹配的图像区域篡改检测算法。首先利用尺度不变旋转变换(SIFT)寻找图像中的关键点,使用主成分分析法(PCA)对关键点进行降维描述,然后利用关键点特征向量的相似度寻找关键相似点。实验表明,该算法不但能够较精确地定位出复制和粘贴的图像伪造区域,还能有效抵抗噪声污染、有损压缩以及旋转等攻击,并有效地减少运算量,提高了检测效率。     

基于哈希学习的图像篡改检测算法

现有的基于哈希的图像篡改检测算法主要依赖于传统手工设计的特征, 导致生成的取证哈希缺乏细节信息, 难以达到基于对象的篡改定位效果以及应对各种复杂的篡改类型. 针对这一问题, 本文提出了一种基于哈希学习的图像篡改检测模型. 该模型主要由两个模块组成: 哈希构建模块和篡改定位模块. 在哈希构建模块, 提出一种基于深度学习的多尺度特征提取与融合模块. 该模块不仅可以融合不同尺度的图像特征, 而且可以构造出紧凑又信息密集的图像哈希; 在篡改定位模块, 通过比较原始图像与篡改图像哈希值的差异, 可以得到粗糙的篡改区域定位效果. 为进一步提升定位精度, 模块采用了逐层融合哈希差异与多尺度特征的解码策略. 该策略将全局信息与局部细节进行有效结合, 从而提升了模型的鲁棒性及各种复杂篡改的适应性. 实验在3个数据集上与9种最新方法进行了对比. 在CASIAv1数据集中, 本文方案相比于性能第2的模型, F1值提高了10.7%; 在Columbia数据集中, F1值提高了1%; 在COVERAGE数据集中, F1值提高了17%. 为了进一步验证所提系统中各模块的有效性及其对篡改检测性能的贡献, 本文方案在CASIAv1数据集上进行了多项消融实验. 结果表明, 所提出的各个模块均显著提升了整体的篡改检测效果. 为了验证模型的鲁棒性, 本文方案在CASIAv1数据集中对图像进行了JPEG压缩、高斯模糊和高斯噪声的鲁棒性测试, 实验结果表明, 该方法在各种干扰下仍然保持了优异的鲁棒性. 实验结果表明, 所提出的基于深度学习与哈希的图像篡改定位模型在性能上明显优于已有的篡改检测方法, 并且在3个公开数据集上表现出较强的泛化能力.     

复杂场景下图像复制-移动篡改检测

结合基于块匹配和基于点匹配算法优点,提出复杂场景下(平坦区域和非平坦区域都有篡改)图像复制-移动篡改检测方法.通过关键点检测出非平坦区域的篡改,计算平坦区域,对平坦区域图像分块并提取FMT特征,通过相似块的匹配确定平坦区域的篡改,获得整个图像的篡改区域.实验结果表明,该方法具有很好的鲁棒性和稳健性,在计算速度上也具有明显的优势.     

傅里叶-梅林变换的图像复制篡改检测

篡改检测已经成为数字图像取证的重要方法。虽然大多数情况下数字图像篡改都难以感知,例如区域复制篡改,它将图像中的对象区域复制到不交叠的其它区域,但仍然会留下少许篡改痕迹。提出了一种新的针对图像区域复制篡改的检测模式。其中,利用傅里叶－梅林变换提取图像块的几何不变量特征,相似性匹配则采用余弦相关系数。通过MATLAB仿真实验,验证了该算法不但可以适应平移、旋转及缩放等几何变换,而且能够有效抵抗噪音污染、模糊滤波以及有损JPEG压缩等攻击。     

基于SIFT算法的人脸描述与识别

将SIFT(Scale Invariant Feature Transform)[1]用于人脸识别,根据人脸图像的特点,给出了一种特征匹配算法。首先用DOG算子对人脸图像进行关键点检测,然后用欧氏距离对关键点进行特征匹配,最后对特征点进行错配消除。实验证明SIFT算法对旋转、尺度缩放、视角变化、光照变化等保持一定的不变性,对图像噪声等因素也保持较好的可匹配性。     

新型优化SIFT的图像快速配准方法研究

针对尺度不变特征变换（Scale Invariant Feature Transform,SIFT）算法图像配准时间长、匹配率低等问题,提出了重合区域图像极值特征提取法以及图像降采样特征配准法。在特征匹配的过程中,重点考虑重叠区域的特征匹配点对极值一致性约束条件,并利用差分尺度空间的局部单极值,以减小冗余特征点,节约特征提取与匹配时间;在此基础上,以图像尺度大小（选择180×180）作为缩放约束,对图像进行同比例插值缩小,并根据缩放后图像与原始图像变换矩阵之间的关系,计算出原始图像变换矩阵,实现图像的快速、精确配准。利用实例验证了所提方法的有效性和可行性。     

一种基于SIFT的网格仿射拼接算法

图像拼接在卫星图像遥感、医学图像处理都具有广泛的应用价值。利用SIFT作为图像局部特征,构建一种基于SIFT特征的仿射计算方法,利用网格覆盖匹配特征点,通过该方法在SIFT匹配特征点中选取仿射点,进而构建相应的仿射变换,通过仿射待选点建立拼接边缘,还给出了不同程度仿射变换的图像拼接方法来解决边缘图像仿射失真的问题。实验结果表明该方法可以克服传统方法的仿射不稳定问题,具有较好的稳定性和准确度。     

一种改进的SIFT图像配准方法

针对普通SIFT算法效率因128维的特征点描述算子而降低的问题,提出一种改进的SIFT算法,利用圆环的特性同时对每一个特征向量进行序列化,以保证物体旋转不变性,在降低描述算子维数的基础上,利用遍历搜索查找样本特征点的最近邻和次近邻特征点。实验结果表明,当图像存在不同程度的几何变形、辐射畸变和噪声影响时,改进算法更稳定、更快速。     

基于同形变换的航空倾斜影像自动匹配方法

针对仿射尺度不变变换提取(ASIFT)算法计算效率低的问题,提出了一种大倾角航空倾斜影像自动匹配方法H-SIFT。该方法利用影像粗略外方位元素计算两幅待匹配影像之间的单应变换矩阵,对左影像进行二维射影变换得到其纠正影像以消除两幅影像之间的几何变形、尺度和旋转问题,再对左影像的纠正影像和右影像进行尺度不变特征变换(SIFT)。匹配时,为了适当提高正确匹配点对的数量,利用不严格的比值提纯法和左右一致性检验得到粗匹配点对,并利用随机一致性检验剔除误匹配。最后将左影像其纠正影像上的匹配点反算到左影像上。通过对国产五倾斜相机平台(SWDC-5)获取的三组典型城区航空倾斜影像数据进行实验,对于三组数据,该算法获得的正确匹配点对数量分别为ASIFT算法的2.18、1.31、1.70倍,该算法匹配耗时分别为ASIFT算法的0.93%、0.88%、0.97%。实验结果表明,与ASIFT算法相比,该算法获得的匹配点对在计算效率、数量和分布情况上都得到了显著提高。     

结合SIFT和Delaunay三角网的遥感图像配准算法

针对高分辨率遥感图像中提取的特征点数目过大且易存在误匹配点的问题,提出了一种粗配准和精配准相结合的高分辨率遥感图像配准算法.首先对图像降采样处理后,提取大尺度空间下的SIFT特征点,求得仿射变换模型完成图像粗配准;然后对图像进行分块,利用SIFT方法对每幅子块图像提取特征点,并找到对应子块图像之间的匹配点对;之后利用特征点构建Delaunay三角网,计算每对子块图像之间的三角形相似度,构成相似矩阵,从中挑选相似度大的三角形对以构成精确匹配点对;最后利用得到的精确匹配点对实现最终的图像配准.该算法能够减少提取的特征点数且剔除更多的错误匹配点,从而进一步提高精确匹配点率.实验结果表明了算法的有效性.     

无人机图像拼接算法综述

无人机图像拼接是一个日益受到关注的研究领域,已经成为了照相绘图学、计算机图形学等研究的热点。首先给出了无人机图像拼接的一般步骤,重点归纳了三种特色鲜明的配准算法,然后简单阐述了图像融合的步骤和算法,最后通过归纳分析选定了适合无人机图像拼接的算法,并且展望了该领域的前景。     

基于分数阶微分的尺度不变特征变换图像匹配算法

利用分数阶微积分运算处理图像信息,有利于强化和提取图像的纹理细节,使图像得到增强,更有利于对图像特征的提取。为了提高图像匹配的正确性,用基于分数阶微积分图像处理方法,提出了改进的尺度不变特征变换(SIFT)匹配算法,将高斯滤波和分数阶微分滤波相结合,用分数阶微分对图像特征进行强化,检测出更加稳定的尺度空间极值点,然后筛选出更多和更准确的匹配特征点,最后进行图像匹配。实验表明,在SIFT中引入分数阶微积分的应用,能够得到更多的特征关键点,提高图像匹配的正确性。