基于成像传感器特征的相机源识别

基于模式分类的方法,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。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,设计一个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、小波域子带统计矩以及通道颜色特征。实验结果表明所设计的算法不仅可以有效地正确辨识相机品牌/型号,还具有良好的鲁棒性。     

一种基于成像传感器噪声的相机源辨识算法

通过支持向量机对数字图像的源相机问题进行研究.提出了一种基于成像传感器噪声特征的源辨识算法.利用去噪算法对数字图像的单个颜色通道图像进行去噪处理,用原始图像减去滤波图像得到传感器的噪声信息,再提取噪声信息的统计特征;将统计特征生成一个特征向量的形式来设计源辨识算法;借助支持向量机工具来确定相机的品牌或型号.实验结果表明...     

利用彩色图像信息的源相机辨识策略

目前基于模式噪声的源相机辨识方法大都只在单颜色通道图像上进行,或是对三个单色通道图像上的检测结果简单地求均值,这显然不能全面反映成像传感器的特征。通过分析相机图像生成过程中马赛克图像插值过程的特点,提出三种新的基于彩色图像信息的源相机辨识策略。实验结果表明,所提策略具有更好的辨识效果且需要的特征点少。     

利用局部区域SPN的非侵入式图像源辨识研究

传感器模式噪声SPN (sensor pattern noise) 的提取是图像源辨识的关键环节。由于传统方法提取的SPN受场景污迹干扰严重,为此提出一种基于双域联合滤波的SPN提取方法。利用正交小波变换的去相关性,在系数的细节及近似子带分别应用局部自适应MMSE (最小均方误差)滤波与边界保护特性的双边滤波,在空域进行双边滤波;然后用9台相机的参考SPN构造基于相关性检测原理的分类器,将提取的被检图像局部区域SPN输入分类器实现类别辨识;最后重点分析了基于3种典型局部区域SPN的图像源辨识情况。针对局部区域图像的实验结果表明,该方法能有效降低过多场景污迹对SPN的干扰,即使局部区域为256×256像素时,仍能获得79.32%的辨识精度。     

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。     

双色红外图像目标多特征决策级融合识别算法

针对双色红外成像系统中的自动目标识别问题,提出了一种采用多特征多分类器决策级融合的目标识别算法。该算法首先提取目标的形状特征和面貌特征;接着基于各种不同特征设计多个分类器对目标进行分类;然后采用所设计的多分类器决策级融合策略对多个分类器的目标分类结果进行融合处理;最后采用所提出的决策规则对多分类器融合分类结果进行处理得到最终的目标识别结果。该算法充分利用了目标在多传感器图像中的多种分类特征信息,在较大程度上提高了系统的目标识别效率和精确性。实验结果证实了该算法的有效性。     

基于fMRI和sMRI特征融合的阿尔茨海默病辅助诊断

阿尔茨海默病是老年人常见的一种慢性进行性神经退化疾病,提出一种融合功能磁共振成像和结构磁共振成像信息辅助诊断方法。采用时间窗、主成分分析和线性判别分析融合策略提取功能磁共振成像特征,采用基于支持向量机递归特征消除和线性判别分析提取结构磁共振成像特征,将两种模态的特征通过串行融合的方式转化为一个向量输入SVM分类器,并获得分类结果。在ADNI数据库中的实验验证,两种模态特征融合后AD/SMC、NC/SMC、AD/NC分类准确率分别为94.1%、95.5%和96%。     

基于神经网络的数字信号调制方式识别

提出了一种对经过符号成形的数字信号调制方式进行识别的新算法,利用特征参数提取与神经网络分类器相结合对8种常用数字信号进行识别.首先介绍了符号成形对信号瞬时参数提取的影响,然后选取特征量并通过所设计的神经网络分类器进行识别分类,最后计算机仿真表明利用神经网络分类器在低信噪比下能较好地区分开8种经符号成形的数字信号,且选用的L-M训练算法收敛快,适合在线分析.     

基于MEMS的帕金森病震颤实时评估系统

针对如何全面、客观地提取出帕金森病人震颤信息的问题,构建了一套基于MEMS惯性传感器的帕金森病震颤实时分类与量化评估系统。将3组惯性传感器单元(IMU)分别固定在被测对象的大腿、胸腔和手腕上,上位机中基于LabVIEW平台设计特定的算法实现对4种特定人体姿态的识别及震颤信号的分析,提取特征参数。设计了二叉决策树特征分类器,利用特征信号对分类器进行特征训练。算法验证试验结果表明,系统针对4种特定人体姿态和两种震颤状态具有较高的识别率,震颤评估参数具有一定的合理性,能够辅助医生给出更加客观的诊断结论。     

基于图像内容和噪音特征的扫描仪源辨识

以扫描仪获得的数字扫描图像为研究对象,提出一种基于图像内容和噪音特征的扫描仪源辨识方法,提取数字扫描图像中的颜色特征、质量特征和邻或预测特征,生成一个72维的特征向量以辨识扫描仪的来源,并借助支持向量机确定扫描仪的品牌或型号.实验结果表明,该方法具有较高的分类精度,并且在数字扫描图像被压缩或剪切的情况下均具有较好的鲁棒...     

基于张量分解的数字图像取证

提出一种基于张量分解的数字图像盲检测方法,从全局处理角度对JPEG压缩数字图像进行真伪盲检测。对于来自某一相机拍摄的一批参考图像组成的张量,利用张量分解的方法,从分解残差中分析提取图像特征,通过支持向量机分类器鉴别待检测图像是否直接来自该数码相机。实验结果表明,该方法对数字图像的来源鉴定具有较高准确性和较强的鲁棒性。     

不同曝光值图像的直接融合方法

提出了一种直接从同一场景多次不同曝光值下成像的LDR(low dynamic range)图像序列中提取每个像素位置最佳成像信息的图像融合方法,可以在无需任何拍摄相机参数及场景先验信息的情况下,快速合成适合在常规设备上显示的HDR(high dynamic range)图像.该方法利用特殊设计的鲁棒性曲线拟合算法建立LDR图像序列中每个像素位置像素值曲线的数学模型,并由此给出评价单个像素成像时曝光合适程度的标准和融合最佳成像像素信息的方法.对不同场景的大量实验结果显示,该方法的计算结果与传统HDR成像技术经过复杂的HDR重建和色调映射计算后得到的结果相当,但具有更高的计算效率,并同时对图像噪声、相机微小移动和运动目标的影响具有较好的鲁棒性.     

基于机器视觉的煤岩界面识别研究

针对现有煤岩识别方法存在煤岩界面传感器结构复杂、可靠性差、普适性差等问题,提出了一种基于机器视觉的煤岩界面识别系统设计方案,给出了系统总体结构,分析了系统识别煤岩界面的工作原理,重点讨论了图像特征选取和分类器的设计。该系统根据灰度共生矩阵理论提取煤岩图像的22种纹理特征,采用增l减r法搜索出优选特征,最后运用线性函数判别法构建煤岩分类器模型。实验结果表明,该系统的煤岩分类器模型性能稳定,具有较强的识别能力。     

Digital Single Lens Reflex Camera Identification From Traces of Sensor Dust

Digital single lens reflex cameras suffer from a well-known sensor dust problem due to interchangeable lenses that they deploy. The dust particles that settle in front of the imaging sensor create a persistent pattern in all captured images. In this paper, we propose a novel source camera identification method based on detection and matching of these dust-spot characteristics. Dust spots in the image are detected based on a (Gaussian) intensity loss model and shape properties. To prevent false detections, lens parameter-dependent characteristics of dust spots are also taken into consideration. Experimental results show that the proposed detection scheme can be used in identification of the source digital single lens reflex camera at low false positive rates, even under heavy compression and downsampling.      

Intrinsic Sensor Noise Features for Forensic Analysis on Scanners and Scanned Images

A large portion of digital images available today are acquired using digital cameras or scanners. While cameras provide digital reproduction of natural scenes, scanners are often used to capture hard-copy art in a more controlled environment. In this paper, new techniques for nonintrusive scanner forensics that utilize intrinsic sensor noise features are proposed to verify the source and integrity of digital scanned images. Scanning noise is analyzed from several aspects using only scanned image samples, including through image denoising, wavelet analysis, and neighborhood prediction, and then obtain statistical features from each characterization. Based on the proposed statistical features of scanning noise, a robust scanner identifier is constructed to determine the model/brand of the scanner used to capture a scanned image. Utilizing these noise features, we extend the scope of acquisition forensics to differentiating scanned images from camera-taken photographs and computer-generated graphics. The proposed noise features also enable tampering forensics to detect postprocessing operations on scanned images. Experimental results are presented to demonstrate the effectiveness of employing the proposed noise features for performing various forensic analysis on scanners and scanned images.      

基于模式分类的图像区域作伪检测

为了鉴别一幅数字图像是否存在作伪的区域,提出一种利用改进的图像特征进行区域作伪检测的算法.基于模式分类的思想,该方法把图像分割成适当大小的块,从图像块中提取特征数据,用SVM分类器训练数据并得到支持向量机模型,利用该模型检测嫌疑图片是否存在作伪.该算法从噪声相关性、残差噪声、图像质量、小波域等方面分析相机图片的特点,获取每种的统计特征,形成特征集.实验结果表明,该方法能有效地检测出图像的具体作伪区域.