隨著圖像編輯軟件的興起,新手也可輕易篡改圖像內(nèi)容而不留下明顯痕跡�？紤]到圖像真實性的重要性,圖像時常作為新聞、科研成果發(fā)表,醫(yī)療應用以及司法證據(jù),其中混入篡改圖像,后果難以想象。因此,證實圖像的真實性的篡改檢測十分有必要。Seam carving能夠有效縮放圖像,并且縮放后的圖像不會有肉眼可見的線索。目前,人們可以通過Adobe Photoshop使用這一技術。同時,也被一些犯罪分子用來進行圖像篡改,例如圖像中特定對象的刪除�，F(xiàn)有的算法能夠解決不同縮放比例的篡改檢測,但是仍存在低縮放因子效果不理想以及魯棒性問題。為了解決以上問題,本文提出了兩種基于聯(lián)合特征的檢測算法。針對seam carving檢測,提出了一種基于殘差域的局部二值模式（LBP）的能量偏差特征以及Markov特征相結(jié)合的聯(lián)合特征算法。其思路是:圖像中相鄰像素間存在一定相關。在seam carving操作時,每從圖像中去除一條seam,則去除像素右側(cè)相鄰的像素必須左移填補移除像素位置。則圖像去除seam相鄰像素間的關系發(fā)生變化,像素間的大小關系可能發(fā)生變換。最終,將提取的聯(lián)合特征輸入到支持向量機（SVM）分類器,將提取的特... 

【文章頁數(shù)】：55 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景及意義
    1.2 基于圖像縮放的國內(nèi)外研究現(xiàn)狀
    1.3 本文的主要研究內(nèi)容及貢獻
    1.4 本文的組織結(jié)構
第2章 基于圖像內(nèi)容感知技術的縮放技術
    2.1 引言
    2.2 Seam carving算法原理
    2.3 差分像素鄰接矩陣特征
    2.4 局部二值模式
    2.5 Seam carving檢測算法的評估指標
    2.6 本章小結(jié)
第3章 基于聯(lián)合特征的seam carving篡改取證算法
    3.1 引言
    3.2 兩項聯(lián)合特征的提取算法
        3.2.1 Seam carving篡改檢測分析
        3.2.2 基于聯(lián)合特征模型的檢測框架
        3.2.3 基于變換域的LBP特征
        3.2.4 基于塊的Markov特征
        3.2.5 分類器
    3.3 實驗結(jié)果與分析
        3.3.1 圖像測試集的制作
        3.3.2 Seam carving的檢測效果與分析
        3.3.3 JPEG圖像seam carving的檢測效果與分析
        3.3.4 討論
    3.4 本章小結(jié)
第4章 改進的基于seam carving篡改檢測
    4.1 引言
    4.2 三項聯(lián)合特征的提取算法
        4.2.1 LBP特征及基于塊的Markov特征
        4.2.2 差分像素鄰接矩陣特征
    4.3 實驗結(jié)果及分析
        4.3.1 Seam carving的檢測效果
        4.3.2 Seam carving、JPEG-seam carving以及ori操作鏈檢測效果
        4.3.3 結(jié)果分析
    4.4 本章小結(jié)
結(jié)論
參考文獻
附錄 A 攻讀碩士學位期間發(fā)表論文目錄
附錄 B 攻讀學位期間參與的研究項目
致謝


【參考文獻】：
期刊論文
[1]一種基于LBP和馬爾科夫特征的細縫裁剪取證方法[J]. 郭繼昌,王秋子,趙潔,祁清.  電子科技大學學報. 2018(04)
[2]基于擴展馬爾科夫特征的Seam-Carving篡改檢測[J]. 盛國瑞,高鐵杠,范禮,高琳,楊福圣,張順.  通信學報. 2014(06)

博士論文
[1]數(shù)字圖像盲取證技術研究[D]. 周琳娜.北京郵電大學 2007

碩士論文
[1]基于seam carving篡改技術的被動取證研究[D]. 顧文武.湖南大學 2018
[2]基于Seam carving篡改技術的被動取證研究[D]. 尹婷.湖南大學 2016
[3]基于樣本合成圖像修復的對象刪除被動取證研究[D]. 梁早珊.湖南大學 2015



本文編號：3692786