一种基于优化马尔科夫特征的图像篡改盲检测算法

文中主要针对拼接图像篡改检测,提出了一种基于优化马尔科夫特征的盲检测算法.该算法在传统马尔科夫特征的基础上,研究了不同相邻BDCT系数对的关联性对于拼接图像的检测能力,进而设计了一种基于互信息量最大化的加权BDCT系数转移概率特征;同时,通过对所有BDCT系数对进行预分组,降低了算法的计算量以及最终的特征维度.最后,采用支持向量机（SVM）作为分类器,在哥伦比亚大学提供的标准图像拼接库上完成测试,取得了较高的平均检测准确率（91.2％）,优于现有的代表性方法.     

基于广义高斯分布的图像盲检测算法

图像拼接是图像篡改机制中简单并常用的方法之一.本文基于自然图像小波子带系数的统计分布符合广义高斯分布的假设,提出了一种拼接图像检测算法.提取小波细节子带系数对应的广义高斯分布模型参数以及模型预测误差为特征向量,采用支持向量机实现了对自然图像和拼接图像的有效分类.实验结果表明本文算法达到了平均88.76%的准确率,性能优于使用Hsu提出的基于相机响应函数的拼接图像检测算法.     

一种基于游程长度和隐写分析特征融合的图像拼接盲检测方法

提出了一种基于游程长度(RLRN)和隐写分析特征融 合的图像拼接检测算法。算法中的隐写分析特征是在 图像经分块离散余弦变换(DCT)后的系数矩阵中提取,并将其和RLRN特征进行融 合。特征提取在 色度(chroma)空间进行,用支持向量机(SVM)作为分类器。实验结果显示,融合后的特征在 图像测试库CASIA v1.0 和CASIA v2.0上识别率分别达到98.57%和97.27%,不仅比特征在融合前的识别率有较大提高,而且和现 有的一些算法相比,提出的特征融合算法也具有良好的识别性能。     

HHT在眼底图像边缘检测中的应用

在眼底图像处理中,边缘检测技术是许多研究领域的重要预处理手段,如眼底图像特征提取和基于图像特征的图像配准方法等等。将希尔波特-黄变换（HHT,Hilbert-Huang Transform）方法应用于眼底图像边缘检测,提出了基于二维经验模式分解的图像边缘检测算法。实验结果表明,利用HHT方法的自适应多分辨特性,可以有效提取出眼底图像的细节信息,又不会检测出过多的虚假边缘。该方法为眼底图像的其它处理方法提供了有效的预处理手段。     

基于HHT和OSF的复杂环境语音端点检测

希尔伯特-黄变换是一种全数据驱动的自适应非平稳信号时频分析方法,但是在强噪声环境下语音信号的希尔伯特能量谱曲线波动较大,对语音端点检测造成很大的影响,该文提出了一种基于希尔伯特-黄变换和顺序统计滤波的检测方法。该方法将含噪语音信号进行经验模态分解,通过对固有模态函数进行自适应权重选取获得信号的希尔伯特能量谱,利用顺序统计滤波器对每帧的能量谱进行平滑处理作为语音/非语音的鉴别特征。实验结果表明,该方法适用于复杂噪声环境的端点检测,在低信噪比情况下仍然能够有效地检测出语音信号,降低信号误检率。     

基于自然图像统计特性的拼接图像检测算法

图像拼接被认为是最基本和最主要的图像非法编辑操作.拼接图像检测的关键问题之一是提取拼接图像有别于自然图像的区分性特征,将其转化为模式识别问题.本文从自然图像DCT 变换系数的统计特性出发,分别应用高斯分布和广义高斯分布来建立其直流分量和交流分量的统计分布模型,同时结合图像小波变换系数的能量分布特性,提取模型参数和小波域的能量分布特性形成特征向量,送入支持向量机,实现对拼接图像和自然图像的分类和检测.实验结果表明,本文算法达到了平均80%的准确率,性能优于Ng提出的基于双相干特征的拼接图像检测算法.     

基于HHT的信号奇异性分析

希尔伯特一黄变换从信号自身出发,自适应地把复杂的信号分解为有限个本征模式函数之和,是一种非线性、非稳态信号的处理方法.利用这一方法进行事件点的奇异性分析,实验表明,希尔伯特一黄变换能描述信号的局部特征,准确地定位事件点.因此,该方法适于信号的奇异性分析,对事件点的定位效果良好.     

基于兴趣点检测和仿射变换模型的序列图像拼接

针对序列图像的拼接问题,提出了一种基于兴趣点检测和仿射变换模型的图像配准算法,利用Harris算子检测兴趣点,并引入灰度交叉匹配和兴趣点坐标离散度两级约束策略确定同名兴趣点,通过在图像间建立仿射变换模型实现图像的配准;提出了一种自适应加权归一化函数对拼接图像进行处理,消除由于图像间灰度差异而导致的拼接缝。实验结果表明算法具有较高的配准精度和良好的像素融合效果。     

红外序列图像中基于形状的人体检测

对红外序列图像中的人体检测问题进行了研究,提出一种新的人体检测方法.首先采用自适应高斯混合模型对序列图像中背景进行建模,在准确分割出前景运动目标的基础上,提出了一种新的人体形状表达模型,充分考虑了多个人体发生粘连或互相遮挡的情况,并用亮度投影的方法对其进行分离;以人体表达模型作为输入向量,构建支持向量机(SVM,Support Vector Machine)对人体进行分类判别.不同红外视频序列的检测结果表明了所提出算法在单个人体和多人体情况下均具有较好的鲁棒性和可行性.     

基于NSCT的图像拼接算法

为了提高图像拼接的速度和拼接图像的视觉效果,提出了一种基于非下采样轮廓波变换的图像拼接方法.首先利用角点检测算法获得待拼接图像的匹配点,选取以匹配点为中心的空间频率最大的一定大小的子图像为模板,利用流形上的优化算法求解变换参数;再将待拼接图像分解为不同尺度和不同方向的子频带图像,在变换域进行对应的拼接;最后利用重构算法将拼接的各个子频带图像进行反变换,得到最终的拼接图像.实验表明,此方法速度更快,视觉效果更好,拼接后的图像更加自然,过渡更平滑.     

基于希尔伯特黄变换和深度卷积神经网络的房颤检测

房颤是一种常见的心律失常,其发病率会随着年龄增长而升高。因此,从心电(ECG)信号中尽早识别出房颤,有助于降低中风风险和心源性死亡率。为有效提高其检测准确率,该文提出一种基于希尔伯特黄变换(HHT)和深度卷积神经网络的房颤检测方法。1维的时域心电信号通过希尔伯特黄变换,转换为时频域信号,旨在通过时频分析,丰富原始信号的特征。进而,采用DenseNet深度卷积神经网络来处理精细的时频图,并在迭代过程中选出最佳检测模型。该方法获得的最佳检测模型在麻省理工学院-贝斯以色列医院(MIT-BIH)和2017年生理信号竞赛(2017 PhysioNet Challenge)的房颤数据集上分别取得了99.11%和97.25%的检测准确率。此外,该文将希尔伯特黄变换与其他时频分析方法以及稠密网络(DenseNet)与其他卷积神经网络进行了对比。相比于其他检测方法,实验结果表明希尔伯特黄变换和深度卷积神经网络(DCNN)为房颤检测提供了更加准确的识别方式。     

基于加权合成核与三重Markov场的极化SAR图像分类方法

马尔可夫随机场(Markov Random Field,MRF)广泛用于处理遥感图像的分类问题,然而MRF在构建极化合成孔径雷达(Synthetic Aperture Radar,SAR)图像模型时未考虑其非平稳特性且对初始分类较为敏感,为此本文提出了一种基于加权合成核与三重马尔可夫随机场(Triplet Markov Field,TMF)的极化SAR图像分类方法.该方法依据训练样本在特征空间上的距离,提出了加权合成核函数权重系数的自适应确定方法以提高初始分类的精度和普适性;为充分考虑极化SAR图像的非平稳统计特性,利用TMF对极化SAR图像进行统计建模以实现贝叶斯分类.实验结果表明,与基于MRF的极化SAR图像分类方法相比,本文所提方法可获得更高的分类精度和更平滑的同质区域分类结果,而且本文方法能更好地保持图像边缘信息.     

基于SVM实现人眼注视与否的探知

采用基于统计学习理论的支持向量机(SVM,support vector machine)方法对人眼注视与否进行探知。根据结构风险最小化(SRM,structural risk minimization)准则,在最小化已知样本点误差的同时,尽量缩小模型预测误差的上界,改善了模型的泛化能力。实验结果显示,在训练样本数有限的情况下,学习后模型对测试样本的正确识别率达到100％,比此前采用其它方法所获得的识别结果识别率更高,训练及识别过程速度更快,基本上能够满足实时性要求,也更接近人类视觉对注视与否的探知的特点。     

Boundary extension for Hilbert-Huang transform inspired by gray prediction model

One of the open problems to which Hilbert-Huang transform (HHT) inevitably confront is end effect, a plague from which many data analysis methods have been suffering from the beginning. Aiming at mitigating end effects of HHT, a boundary extension method is introduced, which is based on the well-known gray prediction model termed as GM(1,1). Using the idea of cubic spline, the calculation of derivative to accumulated generating operation (AGO) series in GM(1,1) model is developed. We further make full use of residual series produced in the GM(1,1) model to achieve better prediction precision. According to numerical experiments on synthetic and real world signals, as well as comparisons of the proposed method with other six generally acknowledged methods, including the original HHT, multiple residual error gray model (MREM), “window frame”, mirror extending (ME), autoregressive (AR) model, and artificial neural network (ANN) based HHT, it is demonstrated that our method significantly reduces end effects and improves decomposition and transformation results of HHT.     

基于SVM能量模型的改进主动轮廓图像分割算法研究

为克服经典主动轮廓模型曲线内外区域能量定义在复杂目标与背景分布情况下的不足,本文将高效的支持向量机有监督学习分类器引入基于Mumford-shah模型的主动轮廓图像分割算法中,提出了基于SVM能量模型的改进主动轮廓图像分割方法.该方法首先利用支持向量机的分类结果对于封闭曲线的内外区域分别构造了一种新的图像能量表示方法,因为分割过程充分利用了有监督学习策略,使得本文提出的算法具有更高的稳定性和更加广泛的适用范围,特别是对目标灰度分布不均或存在多纹理的目标也可以得到较好的分割结果.分割时,首先利用SVM实现粗分割得到目标初始轮廓,然后利用改进的Mumford-shah主动轮廓模型进行精确分割,采用粗分割策略一方面可以大大提高分割速度,另一方面也可以提高了算法的自动化程度.对比实验结果表明本文提出的算法具有更大灵活性和更好的分割性能.     

基于最优颜色通道的图像拼接检测

针对不同颜色通道影响噪声估计值的问题,文中提出了基于最优颜色通道的图像拼接检测方法。利用主成分分析法在最优颜色通道上进行噪声值估计,根据噪声值大小利用K-means聚类法进行聚类。聚类结果分为可疑部分和非可疑部分两大类,通过两阶段策略进一步定位出篡改区域。该方法在原始区域与拼接区域噪声值相差较大或较小时均有效,并且能够定位出拼接区域。实验证明,所提方法与现有方法相比取得了良好的检测效果,且性能优于现有方法。     

基于小波变换的红外图象多尺度边缘检测

本文讨论了小波变换及其应用于多尺度图象边缘检测的原理，对一幅红外图象给出其多尺度边缘检测的计算机仿真结果，而且与传统的边缘检测方法进行比较，从而得出基于小波变换的多尺度边缘检测是一种较好的方法