基于超像素和游程直方图的对比度修改检测算法

该文提出一种基于超像素和游程直方图的图像对比度修改检测取证算法。算法首先对图像进行超像素分割,并提取每个分割区域的游程直方图特征值,然后将不同方向的特征值进行融合,并进行归一化处理;再计算处理后的特征值数值突变量;最后将区域的数值突变量用支持向量机(SVM)进行分类识别。实验结果表明,和现有的一些算法相比,该文提出的算法计算复杂度低,在多种不同的测试数据库上都具有良好的识别性能。此外,在区域篡改检测实验中,该算法不仅可以定位出篡改区域,还能准确地描绘出篡改区域的轮廓形状。     

基于分组SIFT的图像复制粘贴篡改快速检测算法

针对现有图像复制粘贴篡改检测算法计算复杂度过高的问题,提出了一种基于分组尺度不变特征变换的图像复制粘贴篡改快速检测算法。首先,利用简单线性迭代聚类将输入图像分割成非重叠且不规则的块;然后,根据图像块内结构张量属性将其分为平坦块、边缘块和角点块,提取图像块内的SIFT特征点作为块特征;最后,通过块特征的类间匹配定位篡改区域。所提算法通过图像块分类和类间匹配,在保证检测效果的同时,有效地降低了特征匹配定位篡改区域阶段的时间复杂度。实验结果表明,所提算法检测准确率为97.79%,召回率为90.34%,F值为93.59%;图像尺寸为1 024像素×768像素时算法时间复杂度为12.72 s,图像尺寸为3 000像素×2 000像素时算法时间复杂度为639.93s。与已有的复制粘贴算法相比,所提算法能够快速精准地定位篡改区域,且具有较好的稳健性。     

基于双模全卷积网络的行人检测算法(特邀)

在近距离行人检测任务中,平衡算法的检测精度与检测速度对于检测算法的实际应用有着重要意义。为了快速并准确地检测出近景行人目标,提出了一种基于模型融合全卷积网络的行人检测算法。首先,通过全卷积检测网络对图像中的目标进行检测,得到一系列候选框;其次,通过弱监督训练的语义分割网络得到图像的像素级分类结果;最后,将候选框与像素级分类结果融合,完成检测。实验结果表明:算法在检测速度与精度方面都具有较高的性能。     

基于卷积神经网络的多任务图像语义分割

传统分割方法只能对目标物体进行像素及语义信息解读并不能确定出目标的相对位置信息,另外室内环境复杂、光线不均匀、物体尺度较多且差异较大,尤其是对于小目标的分割效果不好。提出了基于全卷积神经网络的多任务语义分割算法,通过在检测框架添加用于预测与现有分支并行的对象像素级分割,实现了图像像素分割与目标物体检测相结合的多任务分割技术。加入RoI Align方法去除了量化操作,使原图中的像素和特征图中的像素完全对齐,消除了像素偏差、提高了精度,改进的梯度优化算法加速了模型收敛。通过mAP指标评估算法在公共数据集和实际应用场景中的有效性和广泛性,实验结果证明该方法的准确率明显高于传统的单任务分割算法。     

基于沃尔什-哈达玛变换和卷积编码的半脆弱水印算法

提出了一种基于沃尔什-哈达玛变换和卷积编码的半脆弱水印算法.在该算法中,对嵌入水印之前的图像进行像素块差分编码和卷积纠错编码来得到水印,并将其嵌入在沃尔什-哈达玛变换的图像能量值上;水印检测端通过检测卷积译码中产生的误码实现水印篡改定位,利用卷积译码的结果实现篡改图像的恢复.通过理论和实验分析了该算法的有效性和由此产生的误差.实验结果表明,本算法对于有损压缩具有良好的顽健性,可以精确地检测与定位篡改的图像区域,并且可以大致恢复原始图像内容.     

基于Transformer解码的端到端场景文本检测与识别算法

针对任意形状的场景文本检测与识别，提出一种新的端到端场景文本检测与识别算法。首先，引入了文本感知模块基于分割思想的检测分支从卷积网络提取的视觉特征中完成场景文本的检测；然后，由基于Transformer视觉模块和Transformer语言模块组成的识别分支对检测结果进行文本特征的编码；最后，由识别分支中的融合门融合编码的文本特征，输出场景文本。在Total-Text、ICDAR2013和ICDAR2015基准数据集上进行的实验结果表明，所提算法在召回率、准确率和F值上均表现出了优秀的性能，且时间效率具有一定的优势。     

基于深度特征提取和图神经网络匹配的图像复制粘贴篡改检测

针对图像中特征提取不均匀、单尺度超像素划分对伪造定位结果影响较大的问题,提出一种基于深度特征提取和图神经网络(graph neural network,GNN) 匹配的图像复制粘贴篡改检测(cope-move forgery detection,CMFD) 算法。首先将图像进行多尺度超像素分割并提取深度特征,为保证特征点数目充足,以超像素为单位计算特征点分布的均匀度,自适应降低特征提取阈值;随后引入新的基于注意力机制的GNN特征匹配器,进行超像素间的迭代匹配,且用随机采样一致性(random sample consensus,RANSAC) 算法消除误匹配;最后将多尺度匹配结果进行融合,精确定位篡改区域。实验表明,所提算法具有良好的性能,也证明了GNN在图像篡改检测领域的可用性。     

基于区域与深度残差网络的图像语义分割

该文提出了一种结合区域和深度残差网络的语义分割模型。基于区域的语义分割方法使用多尺度提取相互重叠的区域,可识别多种尺度的目标并得到精细的物体分割边界。基于全卷积网络的方法使用卷积神经网络(CNN)自主学习特征,可以针对逐像素分类任务进行端到端训练,但是这种方法通常会产生粗糙的分割边界。该文将两种方法的优点结合起来:首先使用区域生成网络在图像中生成候选区域,然后将图像通过带扩张卷积的深度残差网络进行特征提取得到特征图,结合候选区域以及特征图得到区域的特征,并将其映射到区域中每个像素上;最后使用全局平均池化层进行逐像素分类。该文还使用了多模型融合的方法,在相同的网络模型中设置不同的输入进行训练得到多个模型,然后在分类层进行特征融合,得到最终的分割结果。在SIFT FLOW和PASCAL Context数据集上的实验结果表明该文方法具有较高的平均准确率。     

超像素和阈值分割相结合的显著目标检测算法

现有的显著性检测结果普遍含噪及未能完整高亮显著物体,使得后续的显著目标检测仍是一个具有挑战性的问题。提出了一种结合超像素分割和阈值分割的新的显著目标检测算法。算法首先利用超像素分割方法对原图像进行分割计算,然后依据显著性检测结果计算每一个分割区域像素的平均显著度值,接着用平均显著度值表示超像素内每一个像素的原显著度值,最后根据阈值分割算法对其进行计算获取二值掩码图以表示显著目标检测结果。实验结果表明,在4种具有代表性的显著图上,所提算法能有效检测显著目标,具有较高的正确率、召回率和F度量值。     

几何约束下噪声一致性的图像拼接篡改检测

将以图像块为单位的噪声水平估计方法应用在图像篡改定位时,会导致分割边缘呈锯齿状并降低边缘定位准确率。针对该问题,文中提出了一种基于几何约束和噪声一致性分析的图像拼接取证算法。采用基于统计的噪声水平估计与K-means算法对每个图像块实现初步检测定位,提取初步拼接区域边缘的点集合,并以其每个点为中心,依次在边缘图上进行方形范围搜索,拼接区域边缘。随后,利用几何约束筛选算法选择疑似篡改边缘点来定位篡改区域。相较于现有算法,在Columbia上正确检测率相同的情况下,采用文中方法可将错误检测率降低12.7%,并降低算法复杂度。     

一种快速鲁棒的红外图像分割方法

介绍了一种快速鲁棒的红外图像分割方法,算法是为了满足工程化应用。首先采用Canny边缘检测算子提取图像的边缘像素;然后统计边缘像素灰度值得到红外行人图像的分割阈值,并利用自适应双阈值算法对图像进行初始分割;最后通过边缘扫描对初始分割的图像区域进行边界修正,得到边界更加精确的目标区域。实验结果表明,该方法能够较好地保留行人的边缘信息,减少了区域像素错误分割,且具有较强的实时性。     

基于超像素与图卷积神经网络的白细胞分割

白细胞分割是医学图像处理领域的一项富有挑战性的任务,针对目前白细胞分割存在的准确度不高、粘连情况不易分割等问题,将图像的分割转化为区域节点的分类问题,提出基于图卷积神经网络的白细胞分割算法.首先将训练图像经超像素分割得到若干超像素区域,把每个超像素区域作为图的一个节点,并充分利用超像素区域的彩色特征以及空间邻域关系构造稀疏加权图来训练图卷积网络,然后利用训练好的网络对测试图像进行白细胞核、质、背景的三域一次性分类.实验数据表明,本文算法对不同类白细胞均具有较好的分割效果.     

超像素优化Snake模型的乳腺X线图像胸肌分割

提出基于超像素优化Snake模型的乳腺X线图 像胸肌 分割方法。首先采用融合灰度和纹理特征的超像素分割算法将图像分割为多个具有准确边界 、同质的 超像素区域;再根据胸肌的解剖学特征和灰度特征将超像素分类,识别胸肌区域,完成胸肌 的粗分割; 最后使用超像素分类结果优化Snake模型初始轮廓,通过Snake模型演化实现胸肌的细分割 。实验结果表明,本文方法对不同大小、形状和亮 度的胸肌 能够准确地逼近到目标边界,并具有较强的抗噪性和鲁棒性;与其他胸肌分割算法相比,本 文算法准确性较高,稳定性较好。     

基于亚像素精度分割的晶粒图像识别方法

机器视觉在工业产品质量控制中的应用越来越广,针对LED晶粒的质量检测问题,提出了一种基于亚像素精度阈值分割的方法进行LED晶粒图像的识别。首先通过图像增强及预处理,然后通过基于亚像素精度的阈值分割方法进行晶粒图像的预处理,再通过K值聚类算法进行感兴趣的区域提取,最后通过NCC归一化的方法进行晶粒位置的识别及定位。实验结果表明,提出的亚像素精度阈值分割和NCC归一化定位算法相结合的方法应用在LED分拣机中,能准确地识别出LED晶粒图像。     

一种改进的模糊核聚类红外图像分割算法

针对模糊核聚类对红外图像分割存在的不足,提出了一种改进的模糊核聚类红外图像分割算法.首先在模糊核聚类的基础上引入了隶属度和空间约束关系,有效抑制了野点;然后定义了像素对类别的认同度指数和类别对像素的排斥性度量,并将之引入到隶属度函数中,判断像素的分类合理性,提高聚类的精度,更好地分割目标和背景区域,保护目标的完整性和精确性.实验结果表明,与传统的模糊聚类分割结果相比,该算法能准确完整地分割出目标,防止背景像素和野值点对目标区域的干扰,获得良好的分割效果.     

目标检测与图像分类网络融合的金属化陶瓷环缺陷检测

针对金属化陶瓷环缺陷面积小、可利用信息少的特点和缺陷检测精度低的问题，提出一种目标检测与图像分类网络融合的金属化陶瓷环缺陷检测方法。首先，使用针对小面积目标检测特点改进的Faster-RCNN目标检测网络实现对缺陷的初步识别与定位。接着，使用插值方法将定位到的缺陷区域放大，利用图像相邻像素之间的信息关联，增加缺陷检测的特征信息量。然后，使用ResNet图像分类网络对放大后的区域进行缺陷类别判断。最后，融合目标检测网络和图像分类网络的结果，获得最终的缺陷检测结果。实验结果表明，所提方法能在保障缺陷检测查全率的同时有效提升查准率，且能准确定位缺陷区域。     

基于混合模型的SAR影像海陆分割算法

合成孔径雷达(SAR)影像的海陆分割是诸如海洋目 标检测和识别等基于海洋区域SAR影像解译的基础和关键环节之一。为解决复杂背景下遥感 影像海陆分割问题,提出一种基于混合概率模型的海陆分割算 法。首先利用Harris角点检测算法检测出影像中包含角点 的图像子块,进而通过均值漂移(MS,mean-shift)算法对图像子块进行聚类分析得到陆地 区域的 像素样本;然后利用陆地的像素样本,通过最大期望(EM,expectation maximization)迭代 算法拟合出混合模型概率 密度分布的相关参数;最后通过混合概率模型检测出陆地前景区域,得到 海陆分割结果。实验证明,本文方法能够对包含海陆的异质遥感影像实现有效的海陆分割。     

图像内区域复制粘贴篡改鉴定

区域复制粘贴篡改检测算法是以图像块匹配为基础的,然而传统的匹配算法计算量大,匹配速度慢,效率低下.针对现有的图像内区域复制粘贴检测算法计算量大,时间复杂度高的问题提出一种有效快速的检测与定位篡改区域算法.首先利用小波变换获取图像低频区域,然后对得到的图像低频部分进行分割,然后对分割后得到的每个图像块进行DCT变换,通过特征向量排序缩小匹配空间,最后通过经验阈值进行真伪鉴定,实验结果表明该算法过程中除掉图像冗余,减少检测块数,降低了时间复杂度,提高了检测效率.     

精细化自动检测篡改区域的数字图像取证方法

现存的大部分篡改检测方法对篡改区域的几何变化检测比较敏感,针对该问题,提出一种利用特征图像块精细化自动检测篡改区域的数字图像取证方法,该方法适用于反射、旋转、缩放区域和JPEG压缩定位。首先将重复区域的像素映射到对数极坐标上。然后沿轴,利用反射和旋转产生一维不变描述符。此外,运用每个单独块中提取的特征向量来减少每个阶段的计算时间。最后利用一个精细化阶段复制几何变换后的重复区域。实验对尺寸为24×24和32×32的块进行检测,比较两种情况下获得的定位结果可知,导致较高的真阳性率的测试同时也会导致较低的假阳性。此外,对篡改和未篡改的图像分别进行检测实验,结果表明,与其他算法相比,该算法对几何变换后的图像具有较高的篡改定位准确率和较低的错误匹配率。     

基于改进的Mask R-CNN图像篡改取证方法

随着现代科学技术的进步,图像编辑工具的发展极大地降低了篡改所需成本。图像篡改手段有多种,现有的方法往往存在通用性差的问题。同时,这些方法只关注篡改定位而忽略对篡改手段的分类。本文提出一种基于改进的Mask R-CNN两阶段网络模型用于图像篡改取证。在特征提取部分,结合空域富模型(spatial rich model, SRM)和受约束卷积对输入图像进行预处理,再输入到ResNet101前4层中,以建立能够有效体现各种篡改痕迹的统一特征表示。一阶段网络通过注意力区域提议网络(attention region proposal network, A-RPN)检测篡改区域,预测模块实现篡改操作分类和粗略篡改区域定位。继而,一阶段网络得到的定位信息引导二阶段网络学习局部特征以定位出最终的篡改区域。本文所提出的模型能检测3种不同类型的图像篡改操作,包括复制-粘贴、拼接和移除。实验结果表明,本文所提出的方法在NIST16、COVERAGE、Columbia和CASIA数据集的F1值分别达到了0.924、0.761、0.791和0.473,优于传统方法和一些主流深度学习方法。