国产日韩欧美一区二区三区三州_亚洲少妇熟女av_久久久久亚洲av国产精品_波多野结衣网站一区二区_亚洲欧美色片在线91_国产亚洲精品精品国产优播av_日本一区二区三区波多野结衣 _久久国产av不卡

404 Not Found


nginx
404 Not Found

404 Not Found


nginx
404 Not Found

404 Not Found


nginx
404 Not Found

404 Not Found


nginx
404 Not Found

404 Not Found


nginx
404 Not Found

404 Not Found


nginx

一種改進(jìn)的SURF古籍圖像復(fù)制粘貼篡改檢測(cè)算法

2021-11-10 02:20:42
關(guān)鍵詞:古籍濾波像素

王 永 飛

(銅陵職業(yè)技術(shù)學(xué)院, 安徽 銅陵 244061)

隨著計(jì)算機(jī)應(yīng)用技術(shù)的飛速發(fā)展,作為信息重要載體的圖像使用越來(lái)越普遍,根據(jù)實(shí)際需要,對(duì)圖像進(jìn)行篡改也越來(lái)越普遍。古籍是學(xué)術(shù)傳承的歷史見(jiàn)證和源頭活水,更是現(xiàn)代科技創(chuàng)新和學(xué)術(shù)進(jìn)步的根基和依據(jù)。為加強(qiáng)古籍保護(hù)工作,2007年國(guó)務(wù)院辦公廳發(fā)布了《關(guān)于進(jìn)一步加強(qiáng)古籍保護(hù)工作的意見(jiàn)》,正式實(shí)施“中華古籍保護(hù)計(jì)劃”。古籍圖像是古籍文物中重要的組成部分,且是不可再生的珍貴的歷史文物,若對(duì)古籍字畫(huà)圖像篡改,將會(huì)使這些古籍圖像失去本來(lái)的價(jià)值和意義,因此對(duì)古籍圖像篡改檢測(cè)顯得尤為重要。

古籍圖像受長(zhǎng)期自然環(huán)境和人為因素的影響,大多數(shù)已嚴(yán)重破損,經(jīng)過(guò)篡改技術(shù)處理后,很多篡改后的圖像可以達(dá)到以假亂真的地步。當(dāng)前,圖像篡改檢測(cè)技術(shù)主要有特征點(diǎn)匹配和塊匹配方法。文獻(xiàn)[1]中提出了超像素分割和SURF特征點(diǎn)圖像復(fù)制粘貼篡改檢測(cè)算法,該算法以特征點(diǎn)匹配方法實(shí)現(xiàn)圖像篡改檢測(cè),在檢測(cè)篡改區(qū)域時(shí)提高了準(zhǔn)確率和檢測(cè)速度;文獻(xiàn)[2]中提出了低頻快速切比雪夫矩的篡改圖像檢測(cè)算法,該算法提取圖像塊特征,實(shí)現(xiàn)圖像篡改檢測(cè),對(duì)單區(qū)域、多區(qū)域篡改區(qū)域有很好的定位結(jié)果;文獻(xiàn)[3]中提出了基于圓域分割耦合法則的圖像篡改檢測(cè)算法,該算法利用鄰域圓構(gòu)建特征點(diǎn),實(shí)現(xiàn)圖像篡改匹配檢測(cè),檢測(cè)準(zhǔn)確性較高,魯棒性較好。文獻(xiàn)[4]中設(shè)計(jì)了一種SIFT(Scale Invariant Feature Transform)的復(fù)制粘貼篡改檢測(cè)算法,但該算法易出現(xiàn)錯(cuò)誤檢測(cè)和漏檢測(cè),且存在計(jì)算量大等問(wèn)題。SURF(Speed Up Robust Feature)算法改進(jìn)了SIFT算法,提高了運(yùn)算速度,但其匹配精度不高。針對(duì)上述各算法的不足,研究提出了一種改進(jìn)的SURF算法,該算法準(zhǔn)確度高,可快速檢測(cè)古籍圖像篡改的信息。

1 篡改檢測(cè)算法思路

像素、紋理、結(jié)構(gòu)、灰度和顏色是圖像構(gòu)成的主要信息。特征點(diǎn)是圖像中具有尺度不變性的像素點(diǎn)或像素塊。SURF算法的圖像匹配檢測(cè)過(guò)程是:先用高斯濾波平滑圖像,找出圖像的特征點(diǎn),構(gòu)造Hessian矩陣,定位特征點(diǎn)、確定特征點(diǎn)主方向和特征描述子;再利用歐氏距離最近的最佳匹配原則進(jìn)行特征點(diǎn)匹配,實(shí)現(xiàn)圖像匹配檢測(cè)。改進(jìn)的SURF古籍圖像復(fù)制粘貼篡改檢測(cè)算法(以下簡(jiǎn)稱(chēng)新算法)的思路是:(1) 以SURF算法為基礎(chǔ);(2) 分析高斯濾波的不足和像素信息,引入小波變換并改進(jìn),對(duì)古籍圖像進(jìn)行濾波,平滑圖像并清除干擾圖像特征點(diǎn)提取的噪聲斑點(diǎn);(3) 分析SURF算法全圖搜索定位特征點(diǎn)的缺陷和圖像結(jié)構(gòu)、灰度和顏色特征,引入SLIC(Simple Linear Iterative Clustering)算法,對(duì)圖像分塊,提高圖像篡改檢測(cè)的定位速度;(4) 分析SURF算法特征點(diǎn)匹配時(shí)閾值選取方法的不足,將SURF算法特征點(diǎn)歐氏距離最近的最佳匹配原則的閾值選取方式改進(jìn)為圖像特征點(diǎn)匹配自適應(yīng)統(tǒng)一閾值選取方法,減小特征點(diǎn)匹配誤差積累;(5) 引入圖像局部色彩方差,提升圖像特征點(diǎn)的匹配準(zhǔn)確度;(6) 根據(jù)特征點(diǎn)匹配情況,利用形態(tài)學(xué)腐蝕膨脹操作,實(shí)現(xiàn)篡改信息定位。通過(guò)上述6個(gè)步驟,以快速及準(zhǔn)確的方式實(shí)現(xiàn)圖像篡改信息檢測(cè)。

為驗(yàn)證新算法的檢測(cè)效果,將其與當(dāng)前主流篡改算法檢測(cè)效果比較,進(jìn)行如下檢測(cè):(1) 對(duì)兩幅古籍圖像人為篡改進(jìn)行檢測(cè);(2) 對(duì)兩幅古籍文字篡改和缺少筆畫(huà)的圖像進(jìn)行檢測(cè);(3) 對(duì)單幅原始圖像中多出的“鳥(niǎo)”進(jìn)行篡改檢測(cè);(4) 用主流不同算法對(duì)上述各篡改圖像檢測(cè)數(shù)據(jù)進(jìn)行分析。通過(guò)上述實(shí)驗(yàn),驗(yàn)證新算法的有效性、實(shí)用性、通用性和高效性。

2 基于改進(jìn)的SURF古籍圖像復(fù)制粘貼篡改檢測(cè)算法

2.1 SURF算法簡(jiǎn)介

2.1.1 構(gòu)建Hessian矩陣

Hessian矩陣是一個(gè)多元函數(shù)的二階偏導(dǎo)數(shù)構(gòu)成的方陣,構(gòu)建Hessian矩陣是圖像特征提取的起點(diǎn),這些特征點(diǎn)就是圖像穩(wěn)定的關(guān)鍵點(diǎn)。圖像I上的像素點(diǎn)(x,y)即為函數(shù)值f(x,y),因圖像提取的特征點(diǎn)應(yīng)具備尺度無(wú)關(guān)性,在Hessian矩陣構(gòu)造前,圖像中有很多噪聲斑點(diǎn),需要選用二階標(biāo)準(zhǔn)高斯函數(shù)對(duì)其進(jìn)行高斯平滑濾波,消除無(wú)關(guān)斑點(diǎn)。為加快卷積的速度,采用了方型濾波器(Box Filter)對(duì)高斯濾波器二階偏導(dǎo)進(jìn)行近似求解。濾波后像素點(diǎn)Hessian矩陣為[1]:

(1)

式中:σ表示像素點(diǎn)(x,y)對(duì)應(yīng)的空間尺度;Lxx(x,y,σ)、Lxy(x,y,σ)、Lyx(x,y,σ)、Lyy(x,y,σ)是高斯函數(shù)與高斯二階偏導(dǎo)數(shù)的卷積。

Hessian矩陣判別式為[1]:

Det(H)=LxxLyy-(ωLxy)2

(2)

式中:ω為加權(quán)系數(shù),為平衡方型濾波器近似所帶來(lái)的誤差,一般取值為0.9;Lyy、Lxx和Lxy是yy、xx和xy方向上的二階導(dǎo)數(shù)值。

2.1.2 確定特征點(diǎn)

在二維圖像空間和尺度空間中,將Hessian與該鄰域內(nèi)相關(guān)性像素點(diǎn)進(jìn)行比較,根據(jù)閾值,濾除能量弱的關(guān)鍵點(diǎn)以及定位錯(cuò)誤的關(guān)鍵點(diǎn),篩選出穩(wěn)定的特征點(diǎn);在特征點(diǎn)鄰域內(nèi),使用Harr小波,統(tǒng)計(jì)60°扇形內(nèi)水平方向和垂直方向所有點(diǎn)的Harr小波特征值之和,再統(tǒng)計(jì)以一定間隔旋轉(zhuǎn)后該區(qū)域內(nèi)Harr小波特征值,將該值最大的扇形方向確定為該特征點(diǎn)主方向;以特征點(diǎn)為中心,構(gòu)造一個(gè)20 pixels×20 pixels的正方形窗口,再將該窗口劃分為更小的4 pixels×4 pixels子區(qū)域,在每個(gè)子區(qū)域內(nèi)再按照5 pixels×5 pixels的大小進(jìn)行取樣,計(jì)算子區(qū)域內(nèi)水平和垂直方向Harr小波響應(yīng)值∑dx、∑|dx|、∑dy和∑|dy|。產(chǎn)生16個(gè)子區(qū)域,每個(gè)子區(qū)域4個(gè)量值,形成64個(gè)特征描述子表達(dá)特征點(diǎn)[1]。

2.1.3 特征點(diǎn)匹配

計(jì)算兩個(gè)特征點(diǎn)間的歐氏距離,歐氏距離越短,兩個(gè)特征點(diǎn)匹配度越高;若兩個(gè)特征點(diǎn)矩陣跡的正負(fù)號(hào)一樣,表示該對(duì)特征點(diǎn)相同方向上對(duì)比度變化相同,則這兩個(gè)特征點(diǎn)匹配,否則,即使歐氏距離為0,也認(rèn)為是誤匹配。

2.2 改進(jìn)SUFR算法

2.2.1 引入并改進(jìn)提升濾波效果的小波變換

(1) 小波變換簡(jiǎn)介

若f(t)∈L2(R),則連續(xù)小波變換為:

(3)

傳統(tǒng)小波去噪采用閾值函數(shù)選取閾值,常用的硬閾值和軟閾值函數(shù)分別為:

(4)

(5)

傳統(tǒng)的小波選取統(tǒng)一閾值,λ取值公式為:

(6)

式中:σ是噪聲標(biāo)準(zhǔn)差;N是圖像大小[5]。

小波重構(gòu)函數(shù)可定義為:

(7)

(2) 改進(jìn)提升濾波效果小波閾值選取方式

由于各種原因,古籍圖像都包含大量噪聲,而噪聲在圖像中表現(xiàn)為孤立性很強(qiáng)的斑點(diǎn)。在圖像特征點(diǎn)提取過(guò)程中,這些斑點(diǎn)容易被視為圖像的特征點(diǎn)提取,影響圖像篡改區(qū)域的定位,構(gòu)建Hessian矩陣過(guò)程中需要使用高斯函數(shù)對(duì)其進(jìn)行濾波,高斯函數(shù)在頻域內(nèi)具有圖像平滑的作用,且頻率點(diǎn)半徑?jīng)Q定了圖像邊緣信息濾除多少和圖像模糊程度,以及是否出現(xiàn)振鈴現(xiàn)象。新算法引入小波變換算法并進(jìn)行了改進(jìn),以克服高斯濾波的不足。

硬閾值去噪將噪聲小波系數(shù)直接清零,容易產(chǎn)生偽吉布斯現(xiàn)象;軟閾值去噪時(shí),估計(jì)值與實(shí)際值之間存在一定偏差,影響圖像重構(gòu)效果;另外,還有如折中閾值去噪等方法,圖像中都容易出現(xiàn)斷點(diǎn),平滑度不夠。

為了更好地實(shí)現(xiàn)圖像濾波,改進(jìn)的小波閾值函數(shù)為:

(8)

式中:m是調(diào)節(jié)閾值函數(shù)的常量[5]。

改進(jìn)的小波閾值選取方式如下:

(9)

式中:Ti是第i層閾值。

通過(guò)對(duì)圖像添加標(biāo)準(zhǔn)差為1.6的高斯噪聲,利用改進(jìn)的小波變換濾波和高斯函數(shù)濾波,濾波效果圖如圖1所示。

圖1 圖像濾波效果比較

從視覺(jué)效果角度看,高斯濾波圖圖像過(guò)于平滑,且比較模糊;新算法濾波后,圖像最接近原圖,且圖像信噪比達(dá)到75.32 dB,圖像結(jié)構(gòu)相似度為0.91,遠(yuǎn)高于高斯濾波后的圖像信噪比64.57 dB和圖像結(jié)構(gòu)相似度0.64,為構(gòu)建Hessian矩陣提供了更好的基礎(chǔ)。

在二維圖像空間和尺度空間中,將Hessian與該鄰域內(nèi)相關(guān)性像素點(diǎn)進(jìn)行比較時(shí),也采用上述小波閾值選取方式,濾除能量弱的關(guān)鍵點(diǎn)以及定位錯(cuò)誤的關(guān)鍵點(diǎn),篩選出穩(wěn)定的特征點(diǎn)。

2.2.2 改進(jìn)提升檢索效率的超像素分割算法SLIC

將圖像分割的目的是減少檢測(cè)時(shí)間,提高檢測(cè)效率。改進(jìn)的算法中引入超像素分割方法之一的簡(jiǎn)單線(xiàn)性迭代聚類(lèi)SLIC(Simple Linear Iterative Clustering)算法,由于SLIC分割的超像素塊大小均勻,且分割前需要設(shè)定圖像分割數(shù)目。圖像分割數(shù)量過(guò)大或過(guò)小,會(huì)增加圖像檢索復(fù)雜度或降低檢測(cè)精度。

(1) SLIC算法簡(jiǎn)介

SLIC算法是一種基于網(wǎng)格化針對(duì)像素塊K-Means聚類(lèi)的超像素圖像分割算法。因Lab顏色空間與設(shè)備無(wú)關(guān),將圖像RGB顏色空間轉(zhuǎn)換到Lab顏色空間(Lab顏色模型由亮度L、顏色通道a和b組成),每個(gè)像素點(diǎn)(x,y)可用5維向量V[L,a,b,x,y]表示。

(2) SLIC算法的改進(jìn)

為了消除SLIC分割圖像前分割數(shù)量假設(shè)的不確定性,新算法利用自適應(yīng)確定超像素圖像分割數(shù)量。通過(guò)小波變換,提取圖像低頻分量和高頻分量,計(jì)算小波對(duì)角對(duì)比度P[6],計(jì)算公式為:

(10)

自適應(yīng)超像素圖像分割數(shù)量為[6]:

(11)

改進(jìn)后的SLIC算法:在原圖像素中,自適應(yīng)確定超像素圖像塊分割數(shù)量K,選取K個(gè)圖像特征點(diǎn),設(shè)為K聚類(lèi)中心,以每個(gè)特征點(diǎn)為中心,搜索全圖歐氏距離最近的像素點(diǎn),并歸入該類(lèi),計(jì)算每類(lèi)像素點(diǎn)平均向量值,重新得到K個(gè)聚類(lèi)中心,再以這K個(gè)中心去搜索周?chē)c其最為相似的像素,反復(fù)迭代,直至所有像素都?xì)w類(lèi)后收斂。若聚類(lèi)中心在邊緣或是噪聲點(diǎn),改進(jìn)為將聚類(lèi)中心移動(dòng)到梯度最小的區(qū)域。圖2為SLIC算法圖像分割過(guò)程和結(jié)果。

圖2 改進(jìn)的SLIC算法圖像分塊

2.2.3 圖像匹配自適應(yīng)閾值選取

傳統(tǒng)SURF算法采用歐氏距離最近的最佳匹配原則判斷特征點(diǎn)的匹配,判斷公式為:

(12)

式中:l為兩特征點(diǎn)間的距離;n為特征點(diǎn)維數(shù);x1和x2分別為原始圖像和待測(cè)圖像特征點(diǎn)描述向量。

以最近特征點(diǎn)和次近特征點(diǎn)的距離比值為閾值,當(dāng)lmin

改進(jìn)的SURF算法采用統(tǒng)一閾值法:(1)先分別求出原圖和待測(cè)圖像所有特征點(diǎn);(2)再用循環(huán)方式求出原圖所有特征點(diǎn)與待測(cè)圖像所有特征點(diǎn)之間的距離,將最近特征點(diǎn)和次近特征點(diǎn)距離值作為閾值。將該閾值作為全圖匹配的統(tǒng)一閾值,以減小匹配過(guò)程中閾值變化產(chǎn)生的誤差,提高圖像匹配精度。

將兩幅前景完全相同,背景的色調(diào)、對(duì)比度和飽和度不同的圖像進(jìn)行匹配檢測(cè)比較。利用傳統(tǒng)的SURF算法和改進(jìn)后的統(tǒng)一閾值法對(duì)兩幅圖像進(jìn)行篡改檢測(cè),結(jié)果如圖3所示。

兩幅圖像只有背景不同,圖3c是利用傳統(tǒng)SURF算法匹配檢測(cè)的結(jié)果,圖中鳥(niǎo)的特征匹配點(diǎn)只有3對(duì),與事實(shí)明顯不符,表明傳統(tǒng)SURF算法匹配檢測(cè)存在很大的誤差。圖3d是利用新算法篡改匹配檢測(cè)的結(jié)果,很明顯該篡改匹配檢測(cè)結(jié)果更準(zhǔn)確。

2.2.4 引入提升匹配檢測(cè)準(zhǔn)確度的圖像局部色彩方差

目前圖像特征點(diǎn)檢測(cè)算法,如Harris、SIFT和SURF等算法均忽視了圖像顏色信息,檢測(cè)出的特征點(diǎn)均存在誤差。研究在SURF算法特征點(diǎn)匹配時(shí)引入圖像局部色彩方差,除要求歐氏距離越短和兩個(gè)特征點(diǎn)矩陣跡的正負(fù)號(hào)一樣外,還要求判斷對(duì)應(yīng)特征點(diǎn)的局部色彩方差相同,以提升匹配檢測(cè)的準(zhǔn)確度。

因HSV圖像模式更符合視覺(jué)效果,且空間各分量相對(duì)獨(dú)立,新算法將RGB圖像顏色模式轉(zhuǎn)換為HSV圖像模式。圖像局部色彩方差反映圖像細(xì)節(jié)復(fù)雜度,將其作為判斷特征點(diǎn)匹配的第三項(xiàng)依據(jù)。

超像素塊的局部色彩方差計(jì)算公式為[7]:

(13)

圖4a是原始圖;圖4b是將原始圖右邊人臉篡改后的圖像;圖4c是利用傳統(tǒng)的SURF算法對(duì)篡改后的圖像匹配檢測(cè)的結(jié)果,圖中明顯出現(xiàn)了肩部誤匹配特征點(diǎn)對(duì)應(yīng)線(xiàn),且該匹配對(duì)應(yīng)點(diǎn)顏色明顯不一樣;圖4d為新算法的匹配檢測(cè)結(jié)果,準(zhǔn)確度較高。

2.2.5 篡改信息定位

將特征點(diǎn)匹配后的古籍圖像二值化,利用形態(tài)學(xué)腐蝕膨脹操作填充匹配特征點(diǎn)對(duì)之間空隙形成連通區(qū)域。選用經(jīng)典結(jié)構(gòu)元素B,其表達(dá)式為:

(14)

針對(duì)圖像I二值化后的矩陣A,利用式(15)進(jìn)行篡改區(qū)域檢測(cè)[1],結(jié)果如圖5所示。

圖5 新算法篡改檢測(cè)結(jié)果

A·B=(A⊕B)ΘB

(15)

圖5c是根據(jù)特征點(diǎn)匹配后,使用形態(tài)學(xué)腐蝕膨脹操作篡改定位的圖像,因圖5b中人臉篡改部分和原始圖像圖5a人臉部分有很多像素點(diǎn)完全相同,且信息完全相同部分不認(rèn)為是被篡改,故圖5c中顯示的是被篡改部分的準(zhǔn)確位置信息。

3 實(shí)驗(yàn)與分析

新算法使用的系統(tǒng)平臺(tái)為Windows7 32位旗艦版,軟件應(yīng)用平臺(tái)為Matlab2015b。選取真假兩幅古籍圖像和1幅圖中有內(nèi)容被篡改的圖像為例,篡改方式包括復(fù)制、縮放、旋轉(zhuǎn)、更換背景和刪除等。利用新算法及當(dāng)前其他主流算法對(duì)篡改圖像進(jìn)行檢測(cè)、分析,驗(yàn)證新算法的實(shí)用性、通用性和高效性。

3.1 兩幅古籍圖像篡改匹配檢測(cè)

3.1.1 復(fù)制篡改匹配檢測(cè)

為驗(yàn)證圖像復(fù)制篡改匹配檢測(cè)效果,選用兩幅古籍圖像,分別利用新算法、文獻(xiàn)[1]、文獻(xiàn)[2]和文獻(xiàn)[8]中算法對(duì)圖像篡改進(jìn)行匹配檢測(cè)。圖6為多種算法對(duì)圖像復(fù)制篡改匹配檢測(cè)結(jié)果。圖6a中,右圖人臉部明顯破損,將左圖人臉不作任何調(diào)整地復(fù)制到右圖人臉處,如圖6b中右圖,利用4種算法對(duì)圖像進(jìn)行復(fù)制篡改匹配檢測(cè),結(jié)果如圖6c — 圖6f所示。

圖6 多種算法對(duì)圖像復(fù)制篡改匹配檢測(cè)結(jié)果

圖6 a中兩個(gè)圖從視覺(jué)角度上看很相似,但兩個(gè)圖的顏色信息完全不同。文獻(xiàn)[1]中的篡改匹配檢測(cè)效果明顯優(yōu)于文獻(xiàn)[2]和文獻(xiàn)[8];文獻(xiàn)[1]和文獻(xiàn)[2]中圖像的匹配均出現(xiàn)多匹配現(xiàn)象,原因是沒(méi)有對(duì)圖像色彩進(jìn)行判斷;文獻(xiàn)[8]中的篡改匹配檢測(cè)效果圖中人臉匹配對(duì)應(yīng)點(diǎn)很少,這是明顯的匹配錯(cuò)誤。由此可見(jiàn),新算法能精準(zhǔn)定位匹配,效果最佳。

3.1.2 放大和旋轉(zhuǎn)篡改匹配檢測(cè)

圖7 為多種算法對(duì)圖像放大篡改匹配檢測(cè)結(jié)果對(duì)比圖。將兩幅古籍原始圖像圖7a中左圖人臉復(fù)制放大20%后移至圖7a中右圖的人臉部,結(jié)果如圖7b中的右圖所示。

圖7 多種算法對(duì)圖像放大篡改匹配檢測(cè)結(jié)果

圖8為多種算法對(duì)圖像旋轉(zhuǎn)篡改匹配檢測(cè)結(jié)果。將兩幅古籍原始圖圖8a中右圖人臉復(fù)制后順時(shí)針旋轉(zhuǎn)20°并移至右圖人臉位置,結(jié)果如圖8b中的右圖所示。

圖8 多種算法對(duì)圖像旋轉(zhuǎn)篡改匹配檢測(cè)結(jié)果

由圖7和圖8可知,利用新算法、文獻(xiàn)[1]和文獻(xiàn)[2]中的算法對(duì)圖像的匹配檢測(cè)結(jié)果很穩(wěn)定,且新算法檢測(cè)匹配準(zhǔn)確性明顯高于文獻(xiàn)[1]和文獻(xiàn)[2]中算法。此外,就圖像篡改任意比例縮放和任意角度旋轉(zhuǎn)等情況進(jìn)行了實(shí)驗(yàn),實(shí)驗(yàn)結(jié)果證明新算法實(shí)用性更強(qiáng)。

3.2 單幅古籍字帖文字圖像篡改檢測(cè)

為了驗(yàn)證新算法的通用性,在選取單幅古籍字帖圖像時(shí),選取了其中有重復(fù)字“樂(lè)”的圖,同時(shí),將原始圖像圖9a中的“如”篡改為“何”,利用新算法就篡改文字進(jìn)行匹配檢測(cè),匹配檢測(cè)結(jié)果如圖9c所示。

圖9c中,檢測(cè)出了圖9a中兩個(gè)同樣的字“樂(lè)”的匹配,因?qū)懽魇址ú煌瑯拥淖种挥袀€(gè)別的地方匹配,而篡改后的同樣兩個(gè)字“何”完全匹配。表明新算法通用性強(qiáng)。

圖10a中就原始圖中“綠”字少了一橫,從其他圖中復(fù)制缺的“橫”圖案粘貼到圖10b中的位置,利用新算法進(jìn)行篡改檢測(cè),獲得篡改區(qū)域信息圖像如圖10c所示。從視覺(jué)效果角度分析,篡改區(qū)域圖像清晰度非常高,證明新算法通用性強(qiáng)。

圖9和圖10就古籍字帖進(jìn)行篡改匹配檢測(cè)。為進(jìn)一步驗(yàn)證新算法的通用性,選用單幅原始圖中有多只鳥(niǎo)的圖像進(jìn)行篡改,利用新算法進(jìn)行匹配檢測(cè)。

圖9 文字圖像篡改匹配檢測(cè)結(jié)果

圖10 新算法對(duì)圖像篡改匹配檢測(cè)結(jié)果

圖11a中有多只鳥(niǎo),復(fù)制其最上面的一只鳥(niǎo)并粘貼至圖中間的樹(shù)枝上得到圖11b,同時(shí),將粘貼后的圖像縮小5%,利用新算法進(jìn)行匹配檢測(cè),檢測(cè)結(jié)果如圖11c所示,匹配準(zhǔn)確度非常高。

圖11 新算法對(duì)圖像篡改匹配檢測(cè)結(jié)果

3.3 準(zhǔn)確率和用時(shí)

利用新算法、文獻(xiàn)[1]和文獻(xiàn)[2]中算法對(duì)圖像10進(jìn)行篡改匹配檢測(cè),結(jié)果見(jiàn)表1。

表1 3種算法篡改匹配數(shù)據(jù)統(tǒng)計(jì)表

文獻(xiàn)[1]中算法匹配準(zhǔn)確率較文獻(xiàn)[2]高,但檢測(cè)用時(shí)較長(zhǎng);文獻(xiàn)[2]中算法檢測(cè)用時(shí)最短,但準(zhǔn)確率不高;新算法檢測(cè)準(zhǔn)確率最高,檢測(cè)用時(shí)最少,說(shuō)明新算法的高效性。

4 結(jié) 語(yǔ)

研究提出了一種改進(jìn)的SURF圖像復(fù)制粘貼篡改匹配檢測(cè)算法,通過(guò)對(duì)單幅和多幅圖像進(jìn)行篡改復(fù)制、旋轉(zhuǎn)、壓縮和部分圖像清除等進(jìn)行匹配檢測(cè),驗(yàn)證了新算法比其他算法更具有效性、實(shí)用性、通用性和高效性。后繼就圖像單像素篡改檢測(cè)算法進(jìn)行深入研究。

猜你喜歡
古籍濾波像素
趙運(yùn)哲作品
藝術(shù)家(2023年8期)2023-11-02 02:05:28
像素前線(xiàn)之“幻影”2000
中醫(yī)古籍“疒”部俗字考辨舉隅
關(guān)于版本學(xué)的問(wèn)答——《古籍善本》修訂重版說(shuō)明
天一閣文叢(2020年0期)2020-11-05 08:28:06
“像素”仙人掌
關(guān)于古籍保護(hù)人才培養(yǎng)的若干思考
天一閣文叢(2018年0期)2018-11-29 07:48:08
我是古籍修復(fù)師
金橋(2017年5期)2017-07-05 08:14:41
高像素不是全部
CHIP新電腦(2016年3期)2016-03-10 14:22:03
RTS平滑濾波在事后姿態(tài)確定中的應(yīng)用
基于線(xiàn)性正則變換的 LMS 自適應(yīng)濾波
404 Not Found

404 Not Found


nginx
404 Not Found

404 Not Found


nginx
404 Not Found

404 Not Found


nginx
404 Not Found

404 Not Found


nginx
404 Not Found

404 Not Found


nginx
翁牛特旗| 黄浦区| 盱眙县| 广南县| 中宁县| 福贡县| 喜德县| 将乐县| 马关县| 临汾市| 昭觉县| 兴和县| 东平县| 肥城市| 福清市| 日照市| 柘城县| 英德市| 仁怀市| 清涧县| 顺平县| 香格里拉县| 宁晋县| 广西| 凉山| 郯城县| 东丽区| 宜州市| 友谊县| 巧家县| 古田县| 文水县| 玉溪市| 密山市| 鄱阳县| 花垣县| 遵义县| 田东县| 成都市| 兴化市| 安国市|