基于灰度共生矩的图像区域复制篡改检测

针对图像区域复制—粘贴篡改,提出了一种基于灰度共生矩阵的检测算法。首先将待检测图像分成大小相同的多个重叠块,用灰度共生矩阵的统计量表示每块图像的纹理特征,得到图像的特征矢量。然后将特征矢量进行字典排序,并结合图像块的位移矢量,检测且定位出篡改区域。实验结果表明,该算法在抗旋转处理和效率方面均优于经典的基于主成分分析法（PCA）的检测算法。     

基于中值-游程共生矩阵的纹理特征提取

提出了一种基于中值-游程共生矩阵模型的纹理特征提取方法.该方法利用了图像的灰度信息和等灰度游程长度信息,通过计算图像的中值矩阵和游程矩阵,从而计算出中值-游程共生矩阵,来提取图像的特征.仿真结果表明,该方法能有效地分割出纹理图像上区域特性不同的纹理,且分割效果优于等灰度游程矩阵和灰度共生矩阵.     

基于支持向量机和灰度共生矩阵的纹理图像分割方法

图像分割是计算机视觉领域的研究热点。灰度共生矩阵是图像灰度的二阶统计度量,反映了纹理图像灰度在方向、局部邻域和变化幅度的综合信息,以能量、对比度、熵、差方差和差熵作为纹理图像的特征,利用支持向量机(SVM)对这些特征进行训练和分类,以达到纹理图像分割的目的。详细说明了纹理图像的分割过程,同时分析了不同参数情况下对分割精度的影响。针对Brodatz纹理库的实验结果表明:该方法具有较好的分割效果。     

基于灰度共生矩阵特征图像的织物疵点检测方法

提出一种由灰度共生矩阵生成相应特征图像的算法,进行了图像分割和织物疵点检测。先将织物疵点图像进行灰度级量化至16级,再提取0°,45°,90°,135°四个方向上的灰度共生矩阵,通过计算灰度共生矩阵中的熵、相关性、对比度、差异性、逆差矩共五种特征值并生成相应的特征图像,对常见的5种织物疵点进行了分割检测实验。实验结果证明基于灰度共生矩阵生成特征图像的检测算法是一种检测效果良好的疵点检测方法 。     

基于小波分解和游程长度矩阵的医学图像检索

为了提高医院图像检索系统对医学图像的检索精度,对基于内容的图像检索方法进行了全面的研究.深入地分析了小波变换和游程长度矩阵在图像检索中的优点,创造性地提出了一种融合小波分解和游程长度矩阵的检索算法.该算法充分利用小波变换可以对图像进行的多尺度分析的优点,以及游程长度矩阵可以描述图像内灰度与游程长度分布规律的优点,使用高斯分布将小波分解后的各尺度图像游程长度矩阵特征进行合理融合.将仿真算法和其它算法进行比较,比较结果表明该方法能有效地提高图像检索的精确度.     

基于三阶统计特征的被动图像拼接检测

针对被动图像拼接检测问题,提出了一种基于三阶统计特征的检测算法。该算法把图像状态矩阵中三个相邻状态之间的依赖关系建模为条件共生概率矩阵,然后将其作为识别特征输入到支持向量机(SVM)进行分类。由于高阶统计特征维数随着统计阶数的增加而呈指数级增加,为了降低高维特征在分类阶段所引入的高计算复杂度以及避免可能出现的过拟合现象,引入了主成分分析法(PCA)对提取的特征进行降维处理。实验结果显示,条件共生概率矩阵特征在空间域和8×8分块DCT域的检测结果均优于传统的马尔可夫特征和共生矩阵特征;PCA是图像拼接检测的一个有力分析工具,在大幅度降低特征维数的同时能够保持识别率不降低。     

基于灰度共生矩阵的火焰图像纹理特征分析

早期火灾是从无到有的发生发展过程,在这一过程中,火焰的纹理特征也会随之产生快速上升或下降,并出现大幅度抖动的现象.本文采用灰度共生矩阵分析法和MATLAB仿真工具,综合分析火焰以及台灯、目光灯、晃动的蜡烛等干扰物在能量、熵、惯性矩和局部平稳性四个主要方面的纹理特征,得到干扰物纹理特征与火焰纹理特征变化规律的异同,为进一步使用神经网络进行火灾图像探测时纹理特征参数判据的确定提供依据.     

基于多特征融合的图像拼接检测

针对数字图像篡改的常用手法图像拼接,提出了一种基于多特征融合的被动盲取证算法来检测图像拼接.算法通过分析图像相位一致性和纹理特征,采用二维经验模式分解将图像分解到固有模态函数域,得到三类特征值.利用这三类特征值,采用支持向量机作为分类器,建立一个预测模型,对图像是否经过篡改进行判定.选用标准图像拼接库对该算法进行测试.实验结果表明:与采用双相干谱作为分类特征的算法相比,该算法具有更高的识别率.     

改进的基于广义图像共生矩阵的图像检索方法

综合考虑了传统灰度共生矩阵法与基于广义图像灰度共生矩阵法各自的优点,提出了改进的基于广义图像灰度共生矩阵的图像检索方法。新方法构造了广义图像四个方向的灰度共生矩阵,并提取四个共生矩阵的纹理参数进行检索。实验结果表明,新方法对图像的旋转及尺寸变化具有更好的检索性能。     

基于灰度共生矩阵的织物图像分析

以Matlab为研究工具,采用灰度共生矩阵算法,以织物纹理图像为研究对象,设计了基于灰度共生矩阵的织物图像程序,通过设置特征值分析织物图像中是否有疵点.仿真结果表明:不同的织物图像,选择合适的像素点对的方向、距离及灰度级是确定特征值的关键,也是准确地实现织物图像疵点检测的核心.     

基于边缘检测的多类别医学图像分类方法

针对乳腺X光医学图像多类分类精度普遍较低的问题,提出了一种基于边缘检测的医学图像多类分类新方法。首先对乳腺X光医学图像进行预处理包括图像去噪和图像增强,再通过边缘检测方法,获取乳腺X光医学图像中的肿块区域,对检测到的肿块区域使用灰度共生矩阵提取特征,对于提取到的特征,采用支持向量机（Support vector machine,SVM）的方法进行分类;对于检测不到肿块区域的乳腺X光医学图像可直接分类为无乳腺癌（即正常）类。实验结果表明,与传统的支持向量机多类分类算法相比,基于边缘检测的医学图像多类分类新方法在乳腺X光医学图像上具有更高的分类精度。     

轮廓检测的图像检索方法

在图像检索领域中,形状特征是图像的最重要视觉特征之一,利用形状特征进行检索可提高检索的准确性,但形状边界的自动提取一直是图像处理领域多年的难题。为了提高图像精度和准确性,提出一种基于轮廓检测的图像检索方法,首先用色彩聚类的方法对图像进行预处理,对有意义的聚类区域进行边缘追踪,然后采用基于Snake轮廓检测的算法完成图像分割,提取底层形状特征并用傅立叶描述子加以描述,进行相似度匹配。引入支持向量机的相关反馈算法来提高检索精度。实验结果表明了方法的有效性。     

基于支持向量数据描述的异常检测方法

提出了一种基于支持向量数据描述算法的异常检测方法。该方法将入侵检测看作是一种单值分类问题,建立正常行为的支持向量描述模型,通过该模型可以检测各种已知和未知的攻击行为。该方法是一种无监督的异常检测方法,能够在包含噪声的数据集进行模型训练,降低了训练集的要求。在KDD CUP99标准入侵检测数据集上进行实验,并与无监督聚类异常检测实验结果相比较,证实该方法能够获得较高检测率和较低误警率。     

融合LBP和GLCM的纹理特征提取方法

为提取有效的特征用于纹理描述和分类,提出一种融合局部二进制模式(LBP)和灰度共生矩阵(GLCM)的纹理特征提取方法。利用旋转不变的LBP算子处理纹理图像,得到LBP图像及其GLCM,采用对比度、相关性、能量和逆差矩描述图像的纹理特征。实验结果表明,与其他方法相比,该方法提取的纹理特征具有更强的纹理鉴别能力,平均分类正确率达到93%。     

基于支持向量机的降低入侵检测误报警方法

应用支持向量机处理入侵检测系统所产生的报警数据，以降低大量误报警。由于报警数据的异构性，在构造支持向量机时选择可以准确度量异构距离的类径向基核函数，以提高分类精度。实验数据是利用入侵检测器Snort对实验环境下获得的攻击和正常数据产生的报警数据集，并添加了6项背景属性以增强分类精度。测试结果表明了该文的方法具有良好的性能：在不增加漏报的前提下真报警率为100%，误报警消除率为99.729 1%，每条数据的处理时间为0.38ms。     

一种新的基于SVM的相关反馈图像检索算法

提出了一种新的基于支持向量机(SVM)的相关反馈图像检索算法。实验结果表明,该算法在一定程度上解决了基于SVM的相关反馈图像检索中存在的样本不足的困难,提高了系统的检索性能。     

基于增量式拉普拉斯嵌入和SVM的图像识别

提出了一种基于增量式拉普拉斯嵌入和支持向量机的图像识别方法,该方法首先利用增量式拉普拉斯特征映射对数据点进行维数约减和特征提取;再应用以统计学习理论为基础的支持向量机对图像进行分类识别.在降维过程中,该方法能够最优保持原始空间数据点的局部信息,克服了PCA降维算法从全局考虑而丢失局部信息的缺点,并且对测试集的嵌入坐标增量式计算的特点很好地减少了运算量.实验证明,该方法的图像识别率明显高于传统的PCA线性降维方法,具有可行性.     

基于粗集理论和SVM算法的入侵检测方法研究

提出了一种将粗集方法与SVM算法结合起来的入侵检测方法。利用粗集理论在处理大数据量、消除冗余信息等方面的优势,减少SVM训练数据,克服SVM算法因为数据量大,处理速度慢等缺点。同时,借助于SVM良好的分类性能,对粗集约筒后的最小属性子集进行分类,实现入侵检测的快速性能,高检测率和抗噪声强等优点。实验结果表明,该方法优于其它同类方式。     

基于SVM的入侵检测系统

支持向量机（SVM）作为一种新型的统计学习模型，在处理小样本和学习机的推广能力上具有很大的优势。该文应用SVM的分类特性来识别网络攻山行为，提出了基于SVM的入侵检测方法。雨点考察了不同SVM核函数和参数选择对检测准确率和实时性的影响。论证了基于SVM的入侵检测在性能和识别率上都明显优于基于BP网络的攻击识别，还就目前商用入侵检测系统存在较高误报率的问题，分析了用SVM来提高其检测实时性和识别准确率的系统框架。     

基于模糊类别共生矩阵的纹理疵点检测方法

纹理图像中的不规则部分通常称为疵点。纹理通常由空间分布和灰度分布共同描述,由于灰度共生矩阵能兼顾二者,因此具有很好的描述纹理的能力,不过其对纹理的正常部分与不正常部分的区分能力仍然有限,且计算效率低。为克服灰度共生矩阵以上的不足,提出了一种用模糊类别共生矩阵的方法来检测不规则纹理。该方法首先通过学习纹理的基本特征,如纹理的灰度概率密度分布、纹理主方向和周期等来确定模糊类别共生矩阵的一些关键参数,并将灰度级划分为几个纹理色调类别;然后根据后验概率函数得出各个灰度级对每个色调类别的模糊隶属度,同时计算模糊类别共生矩阵,并提取一些更为简单的特征;最后利用异常点检测的方法,即可很好地区分正常纹理和疵点。实践证明,该方法不仅比已有的灰度共生矩阵方法更简单,计算效率更高,而且能更好地表示不规则纹理。