隨著數(shù)字媒體技術(shù)快速發(fā)展,人們可以利用復(fù)雜數(shù)學(xué)模型生成高度逼真的計算機合成圖像,這極大地促進了虛擬現(xiàn)實技術(shù)的發(fā)展,但同時也帶來了數(shù)字圖像的真實性鑒別等安全問題。如何區(qū)分采集自真實場景的自然圖像和計算機生成的強真實感虛擬圖像是目前數(shù)字圖像真實性鑒別中的重要課題之一。已有方法中大多采用傳感器模式噪聲作為圖像取證特征,但其中濾波降噪算子和描述模式噪聲的紋理特征表達能力不足。本文結(jié)合雙樹復(fù)小波（Dual-Tree Complex Wavelet Transform,DT-CWT）與機器學(xué)習(xí)中的支持向量機（Support Vector Machine,SVM）和深度卷積神經(jīng)網(wǎng)絡(luò)（Deep Convolutional Neural Network,DCNN）等理論和方法,提出了一套解決方案。具體研究工作如下:1·提出了一種基于雙樹復(fù)小波域與支持向量機的自然圖像和計算機生成圖像區(qū)分算法。該算法首先利用降噪算子得到圖像的傳感器模式噪音,并使用奇異值分解（Singular Value Decomposition,SVD）進行增強處理。然后在雙樹復(fù)小波變換基礎(chǔ)上,提取每個子帶的能量和偏差作為特征。最后利用... 

【文章來源】：西安理工大學(xué)陜西省

【文章頁數(shù)】：61 頁

【學(xué)位級別】：碩士

【部分圖文】：

難以區(qū)分的自然圖像和計算機生成圖像(a)自然圖像(b)計算機生成圖像

圖 2-1 圖像分類基本流程圖Fig. 2-1 Framework of image classification像進行預(yù)處理，便于提取分類特征。特征。通常有傳統(tǒng)特征提取和深度學(xué)習(xí)自動提型。

圖 2-2 自然圖像采集過程Fig. 2-2 Imaging process of natural image計算機生成圖像是人們利用各種計算機圖形技術(shù)模擬現(xiàn)實場景而獲得的圖像，成像過程如圖 2-3 所示。首先利用計算機創(chuàng)建幾何模型，然后根據(jù)需要模擬的物體對模型進行渲染，最后將渲染好的模型轉(zhuǎn)換為像素，經(jīng)后處理生成數(shù)字圖像。計算機生成圖像在 R、

【參考文獻】：
期刊論文
[1]基于遷移學(xué)習(xí)和卷積神經(jīng)網(wǎng)絡(luò)的控制圖識別[J]. 徐旭東,馬立乾.  計算機應(yīng)用. 2018(S2)
[2]基于遷移學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)植物葉片圖像識別方法[J]. 鄭一力,張露.  農(nóng)業(yè)機械學(xué)報. 2018(S1)
[3]基于卷積神經(jīng)網(wǎng)絡(luò)的圖像分類研究[J]. 葛程,孫國強.  軟件導(dǎo)刊. 2018(10)
[4]面向人臉表情識別的遷移卷積神經(jīng)網(wǎng)絡(luò)研究[J]. 翟懿奎,劉健.  信號處理. 2018(06)
[5]基于遷移學(xué)習(xí)的水產(chǎn)動物圖像識別方法[J]. 王柯力,袁紅春.  計算機應(yīng)用. 2018(05)
[6]一種結(jié)合小波變換和維納濾波的圖像去噪算法[J]. 汪祖輝,孫劉杰,邵雪,姜中敏.  包裝工程. 2016(13)
[7]深度卷積神經(jīng)網(wǎng)絡(luò)的顯著性檢測[J]. 李岳云,許悅雷,馬時平,史鶴歡.  中國圖象圖形學(xué)報. 2016(01)
[8]基于LBC的計算機生成圖像盲鑒別算法[J]. 申鉉京,李夢臻,呂穎達,陳海鵬.  計算機科學(xué). 2015(06)
[9]利用通道間相關(guān)性的CFA圖像盲取證[J]. 張曉琳,方針,張新鵬.  應(yīng)用科學(xué)學(xué)報. 2015(01)

碩士論文
[1]基于PRNU的自然圖像和計算機生成圖像來源取證[D]. 劉娟.湖南大學(xué) 2012



本文編號：3257887