本文關(guān)鍵詞：圖像篡改檢測(cè)中的投影核方法，，由筆耕文化傳播整理發(fā)布。

【摘要】：近年來(lái),隨著數(shù)字圖像處理軟件的功能越來(lái)越強(qiáng)大,篡改者的處理技巧越來(lái)越高超,大量真假難辨的篡改圖像出現(xiàn)在人們的生活中,由此頻頻引發(fā)各種爭(zhēng)端,對(duì)社會(huì)的穩(wěn)定和發(fā)展產(chǎn)生了嚴(yán)重的影響。圖像篡改檢測(cè)技術(shù)正是在這樣的背景下迅速興起和發(fā)展,成為目前國(guó)內(nèi)外研究者關(guān)注和研究的熱點(diǎn)。本文圍繞圖像篡改檢測(cè)技術(shù),針對(duì)其中存在的諸多問(wèn)題,從圖像噪聲檢測(cè)、模糊痕跡檢測(cè)以及合成痕跡檢測(cè)三個(gè)方面,對(duì)現(xiàn)有空間投影方法和核方法進(jìn)行了研究。一方面將這些方法有效地應(yīng)用到圖像篡改檢測(cè)中,另一方面在研究圖像篡改檢測(cè)技術(shù)的過(guò)程中探討了新投影方法。論文工作的主要研究?jī)?nèi)容為:在圖像噪聲檢測(cè)方面,研究了現(xiàn)有基于圖像噪聲的篡改檢測(cè)算法,對(duì)其基本模型和局限性進(jìn)行了分析。針對(duì)現(xiàn)有算法由于需要知道參考圖像數(shù)據(jù)庫(kù)或原始圖像先驗(yàn)信息因而應(yīng)用局限性大的問(wèn)題,研究了一種基于子空間投影的圖像篡改檢測(cè)框架,并在其中研究了兩類(lèi)算法:基于向量投影的傳統(tǒng)算法和基于張量投影的新算法。在基于向量投影的傳統(tǒng)算法中,以主成分分析(Principal Component Analysis,PCA)、二維主成分分析(Two-Dimensional PCA,2DPCA)和核主成分分析(Kernel PCA,KPCA)為基礎(chǔ),研究實(shí)現(xiàn)了基于PCA、2DPCA和KPCA的噪聲特征提取和圖像篡改檢測(cè)方法,并通過(guò)實(shí)驗(yàn)驗(yàn)證了這些算法的可行性。在基于張量投影的新算法中,在深入分析張量二維主成分分析(Tensorial Two-Dimensional PCA,T2DPCA)的基礎(chǔ)上,采用T2DPCA算法提取圖像噪聲特征,實(shí)現(xiàn)圖像篡改檢測(cè),并通過(guò)實(shí)驗(yàn)驗(yàn)證了此算法的有效性。進(jìn)一步,對(duì)上述T2DPCA算法進(jìn)行了增量實(shí)現(xiàn)處理和核化處理,以解決算法的空間復(fù)雜性問(wèn)題和揭示篡改操作固有的高階非線(xiàn)性特性,提升其性能。首先,研究了向量空間中的自適應(yīng)訓(xùn)練方法和稀疏表示技術(shù),在其基礎(chǔ)上實(shí)現(xiàn)了張量型Oja’s學(xué)習(xí)準(zhǔn)則和張量距離準(zhǔn)則,從而給出了T2DPCA算法的增量實(shí)現(xiàn)方式,即增量型張量二維主成分分析(Incremental T2DPCA,IT2DPCA)。其次,為了更好地挖掘隱藏在數(shù)據(jù)間的非線(xiàn)性結(jié)構(gòu),在研究向量空間中核方法的基礎(chǔ)上,針對(duì)核化T2DPCA算法所必須滿(mǎn)足的兩個(gè)條件,一方面通過(guò)對(duì)原始T2DPCA算法進(jìn)行改寫(xiě),得到內(nèi)積型T2DPCA算法,另一方面通過(guò)分析張量空間中新定義的內(nèi)積運(yùn)算與傳統(tǒng)向量空間內(nèi)積運(yùn)算之間的關(guān)系,借助向量空間核方法思想,將T2DPCA推廣到非線(xiàn)性映射特征空間,得到核張量二維主成分分析(Kernel T2DPCA,KT2DPCA)算法。另外,結(jié)合上述增量學(xué)習(xí)方法和核方法,分析了核化IT2DPCA所必須滿(mǎn)足的基本條件;鑒于IT2DPCA算法的內(nèi)積特性,直接借助向量空間核方法實(shí)現(xiàn)IT2DPCA的核化,得到增量型核張量二維主成分分析(Incremental Kernel T2DPCA,IKT2DPCA)算法。最后,將IT2DPCA、KT2DPCA和IKT2DPCA應(yīng)用于圖像篡改檢測(cè)實(shí)驗(yàn),驗(yàn)證了這些方法的有效性。在模糊痕跡檢測(cè)方面,在分析現(xiàn)有模糊痕跡檢測(cè)算法的基礎(chǔ)上,一方面從傳統(tǒng)思路的角度,通過(guò)對(duì)模糊操作的分析,定義了圖像像素線(xiàn)性相關(guān)性概念,提出模糊操作會(huì)增強(qiáng)圖像像素線(xiàn)性相關(guān)性的性質(zhì)和給出兩種實(shí)現(xiàn)圖像模糊痕跡檢測(cè)的算法。第一種算法采用最小二乘(Least Square,LS)提取圖像像素線(xiàn)性相關(guān)性,應(yīng)用聚類(lèi)實(shí)現(xiàn)模糊篡改檢測(cè);第二種算法則是利用模糊操作對(duì)已模糊圖像線(xiàn)性相關(guān)性的增強(qiáng)力度要小于未模糊圖像的現(xiàn)象,采用奇異值分解(Singular Value Decomposition,SVD)提取圖像像素線(xiàn)性相關(guān)性特征,從而實(shí)現(xiàn)模糊篡改檢測(cè)。兩種算法的實(shí)驗(yàn)結(jié)果均顯示了圖像像素線(xiàn)性相關(guān)性特征對(duì)模糊痕跡檢測(cè)的有效性。另一方面,探討了一個(gè)基于前景特征和背景特征的新檢測(cè)框架,針對(duì)傳統(tǒng)模糊檢測(cè)方法通常僅利用模糊操作引入的某一種特性并依賴(lài)閾值的問(wèn)題,提出了基于多特征融合的圖像模糊檢測(cè)框架,并分別采用PCA和KPCA算法,實(shí)現(xiàn)了基于特征融合的圖像模糊篡改檢測(cè)。實(shí)驗(yàn)結(jié)果顯示了多特征融合對(duì)模糊痕跡檢測(cè)的有效性。在圖像合成篡改檢測(cè)方面,在分析現(xiàn)有基于特征融合和決策融合的圖像篡改檢測(cè)算法所存在問(wèn)題和發(fā)展方向的基礎(chǔ)上,從綜合利用多特征的角度出發(fā),在利用篡改操作特征的同時(shí)引入自然圖像統(tǒng)計(jì)特性,研究了一種基于核判別分析(Kernel Discriminant Analysis,KDA)和證據(jù)理論的分層融合方法,通過(guò)實(shí)驗(yàn)驗(yàn)證了基于特征融合和決策融合的分層融合方法的有效性。
【關(guān)鍵詞】：圖像篡改檢測(cè) 子空間方法 核方法 圖像噪聲檢測(cè) 模糊痕跡檢測(cè) 合成痕跡檢測(cè)
【學(xué)位授予單位】：貴州大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2015
【分類(lèi)號(hào)】：TP391.41
【目錄】：

• 摘要6-8
• ABSTRACT8-11
• 符號(hào)表11-12
• 第一章 前言12-25
• 1.1 研究背景及意義12-14
• 1.2 數(shù)字圖像取證技術(shù)概述14-16
• 1.3 圖像篡改檢測(cè)技術(shù)16-23
• 1.3.1 概述16-17
• 1.3.2 研究現(xiàn)狀17-22
• 1.3.3 面臨的問(wèn)題22-23
• 1.4 論文的研究?jī)?nèi)容及其貢獻(xiàn)23-24
• 1.5 論文結(jié)構(gòu)安排24-25
• 第二章 基于圖像噪聲特性的篡改檢測(cè)I：向量投影核方法25-41
• 2.1 引言25-26
• 2.2 現(xiàn)有基于圖像噪聲特性的篡改檢測(cè)方法26-27
• 2.3 基于子空間投影方法的圖像篡改檢測(cè)框架27-29
• 2.4 向量子空間投影方法29-36
• 2.4.1 子空間方法簡(jiǎn)介29-30
• 2.4.2 基于PCA的圖像篡改檢測(cè)30-33
• 2.4.3 基于 2DPCA的圖像篡改檢測(cè)33-36
• 2.5 向量子空間投影核方法36-40
• 2.5.1 核方法簡(jiǎn)介36-38
• 2.5.2 基于KPCA的圖像篡改檢測(cè)38-40
• 2.6 本章小結(jié)40-41
• 第三章 基于圖像噪聲特性的篡改檢測(cè)II：張量投影核方法41-67
• 3.1 引言41
• 3.2 張量子空間投影方法41-56
• 3.2.1 二階張量空間簡(jiǎn)介42-46
• 3.2.2 基于T2DPCA的圖像篡改檢測(cè)46-49
• 3.2.3 基于IT2DPCA的圖像篡改檢測(cè)49-56
• 3.3 張量子空間投影核方法56-65
• 3.3.1 基于KT2DPCA的圖像篡改檢測(cè)56-62
• 3.3.2 基于IKT2DPCA的圖像篡改檢測(cè)62-65
• 3.4 本章小結(jié)65-67
• 第四章 基于模糊痕跡特性的篡改檢測(cè)投影核方法67-92
• 4.1 引言67-68
• 4.2 現(xiàn)有圖像模糊篡改檢測(cè)方法68-69
• 4.2.1 基于圖像邊緣變化特性的圖像高斯模糊篡改檢測(cè)68-69
• 4.2.2 基于二次模糊的圖像模糊篡改檢測(cè)69
• 4.3 基于像素線(xiàn)性相關(guān)性的圖像模糊篡改檢測(cè)69-80
• 4.3.1 圖像像素線(xiàn)性相關(guān)性69-72
• 4.3.2 線(xiàn)性組合系數(shù)估計(jì)：最小二乘法72-78
• 4.3.3 線(xiàn)性組合系數(shù)估計(jì)：奇異值分解78-80
• 4.4 基于多特征融合的圖像模糊篡改檢測(cè)80-90
• 4.4.1 算法思想81-82
• 4.4.2 特征提取82-84
• 4.4.3 基于PCA的圖像模糊篡改檢測(cè)84-89
• 4.4.4 基于KPCA的圖像模糊篡改檢測(cè)89-90
• 4.5 本章小結(jié)90-92
• 第五章 基于信息融合的合成篡改檢測(cè)投影核方法92-106
• 5.1 引言92-93
• 5.2 現(xiàn)有基于信息融合的篡改檢測(cè)方法93-97
• 5.2.1 基于特征融合的圖像拼接檢測(cè)93
• 5.2.2 基于決策融合的JPEG壓縮檢測(cè)93-97
• 5.3 基于KDA與證據(jù)理論的合成篡改檢測(cè)97-105
• 5.3.1 問(wèn)題提出97
• 5.3.2 算法思想97-98
• 5.3.3 特征提取98-100
• 5.3.4 基于KDA的特征融合100-101
• 5.3.5 基于證據(jù)理論的決策融合101-103
• 5.3.6 實(shí)驗(yàn)結(jié)果103-105
• 5.4 本章小結(jié)105-106
• 第六章 總結(jié)與展望106-109
• 6.1 本文總結(jié)與創(chuàng)新工作106-107
• 6.2 展望107-109
• 致謝109-110
• 參考文獻(xiàn)110-116
• 附錄116-118
• 附件118

  本文關(guān)鍵詞：圖像篡改檢測(cè)中的投影核方法，由筆耕文化傳播整理發(fā)布。

本文編號(hào)：275271