图像散列和多视图嵌入篡改检测和知觉特点

文摘

篡改检测的感知哈希技术已经深入调查由于速度和记忆效率。最近的研究表明,利用监督信息可能导致学习质量的哈希代码。然而,大多数现有的方法生成哈希代码通过平等地对待每个地区而忽略不同知觉显著相关的语义信息。我们认为突出对象的完整性验证更为关键和重要,因为语义内容高度相关。在本文中,我们提出一个视点Semi-supervised散列算法与知觉特点(MV-SHPS),探讨了监督信息和多个特性到散列同时学习。我们的方法计算图像通过考虑感知哈希距离显著而不是直接考虑总图像之间的距离值。广泛的基准数据集上实验验证了该方法的有效性。

1。介绍

广泛使用的低成本甚至是免费的编辑软件,人们可以很容易地创建一个破坏形象。法医图像相比,假的图像可以进行各种操作,如颜色变化,突出对象发生变化,copy-move伪造的。一般来说,图像取证工作中存在的主要问题有两个:一个是篡改检测,另一个是篡改定位。最近,更多的研究者关注图像篡改检测,旨在区分是否一个给定的图像是原始的或假的。基于图像散列的篡改检测方法都已经被广泛地研究过了最近的效率很高。它支持图像取证的内容表示的语义内容在一个紧凑的签名,应该针对广泛的健壮的内容保持攻击但敏感的恶意操作。

图像生成散列、先进的散列方法主要可以分为两类:数据独立的哈希散列和数据依赖。在传统图像散列方法,图像散列代是一个健壮的特性压缩过程没有任何学习阶段。它包括:(1)基于不变特征变换方法,如小波变换(1),拉东变换(2],Fourier-Mellin变换[3],DCT变换[4],QFT变换(5),旨在从变换域提取健壮的特性;(2)当地的基于特征点的方法,如筛选[6和端点小波7),利用不变量的局部特征在某些内容保存图像处理攻击;(3)基于降维的方法,如奇异值分解(计算)8),非负矩阵分解(NMF) [9,快速Johnson-Lindenstrauss变换(FJLT) [10],它嵌入低层次特征的高维空间到低维;(4)基于统计特征的方法,如鲁棒图像与环哈希分区和不变的向量距离(11]。此外,王et al。12)提出一个感性图像散列方法通过结合基于图像块的特征和key-point-based特性。燕et al。13)使用一个基于自适应多尺度图像散列方法局部特性。

由于哈希代是独立的数据分布,数据独立的哈希方法可能不考虑数据分布成散列代的特点。目前,更多的研究者开始关注数据依赖学习的图像篡改检测方法。Lv et al。14)提出了半监督谱图像散列的嵌入方法。有效的学习是纳入图像之前通过虚拟的优势攻击哈希散列代空间(VPAHS)。然而,该算法仅专注于散列图像的后处理。他们认为的可用性实值图像散列和专注于压缩成一个简短的二进制映像的话题哈希。目前,深度学习开始被广泛应用于图像取证。陈等人。15和钱等。16)提出一个中值滤波检测和基于卷积神经网络(cnn)隐写式密码解密。巴亚尔et al。17)提出一个普遍使用深度学习法医执行相关操作的检测方法。一种新形式的卷积层专门设计来抑制图像的内容和自适应学习操作检测功能。邦迪et al。18)提出一个篡改检测和定位算法基于摄像头通过集群的CNN的特性。CNN是利用从图像中提取特征相机模型特性补丁。伪造补丁被CNN所学到的描述符。同样,Yarlagadda et al。19]提出一种卫星图像伪造检测和定位方法使用生成对抗网络(甘),也用于学习的原始卫星图像特征表示。最近,视频伪造检测(20.)和相机模型识别与cnn (21,22提出了]。然而,大多数学习算法只强调功能的深层网络的使用。

考虑到上述的方法,有两个方面,在不被充分考虑。首先,大多数的方法用单一特征来描述图像内容。目前,大多数的功能只健壮的一个或多个类型的攻击。它可能不是可行的提取一个绝对强大的功能,能满足用户的需求。Lv et al。14提出一个基于semi-supervised光谱的哈希算法嵌入图像。两个实值中间采用哈希方法学习。同样,燕et al。5)提出了篡改定位quaternion-based图像散列。选择四种特征图对四元数的图像形成。其次,目前通常获得哈希散列方法检测结果平等地对待每一个局部区域。重要的是,我们认为突出对象的完整性,如对象的添加、删除、和语义修改更关键和重要的验证,因为图像的语义内容高度相关。Zhang et al。23]从凸区域提取局部纹理特征表示的内容,结合全球的特性计算最终散列顺序。然而,凸起权重选择的地区不考虑哈希度量距离。因此,如何有效地把不同图像的特征来提高整体性能,以及如何有效地设计基于感知的图像散列方法特点是一个非常重要的话题,但研究目前的研究较少。

在本文中,我们提出一个视点Semi-supervised散列与知觉凸起(MV-SHPS)算法。的贡献如下:

(1)同时我们有效地利用监督信息和多个特性到散列学习。

(2)学习度量距离全球形象,而是我们探索当地的散列距离通过考虑不同地区之间的感知显著效应。

(3)一组广泛的图像数据集的实验表明,该方法优于几个先进的感知图像散列技术。

2。该方法

2.1。预处理

缓解的影响常用数字信号处理操作,需要预处理,如图1。所有输入图像首先被转化为一个标准 通过双线性插值图像。调整的目的是抵御可能的调整操作,并确保这些图片有大小不同的固定散列的长度。然后,高斯低通滤波应用于标准的图像(图1 (b)),它可以减少小修改的影响,如噪声污染或过滤。CIE LAB颜色空间比其他颜色感知统一的空间和L组件匹配人类感知的轻盈。RGB彩色图像是首先转换成相应的XYZ颜色空间,然后XYZ颜色空间转换成相应的实验室颜色空间由以下(24,25]: R, G, B是红色,绿色和蓝色的组件的一个像素,X, Y, Z是CIE XYZ三色值(1),L, A, B ((2),(4)和(3))颜色明度、色度和坐标,分别。Xw = 0.950456, Yw = 1.0和Zw = 1.088754的CIE XYZ三色值是引用白色点,和f (t)计算由以下规则: 然后L组件(图拍摄的图像表示1 (c))。整数小波变换(IntWT)是一个近似的原始图像和更强大的信号处理攻击。因此,我们最终应用一级IntWT L组件,低频子带(LL)作为语义知觉形象(图1 (d)),多种类型的特征是散列生成的提取。

2.2。哈希学习

假设有在给定的一系列图像,表示为 , ,在哪里 代表特征向量。对于每一个图像,我们提取他们的类型的特性。多视图的任务知觉形象哈希是学习哈希函数,同时利用特征矩阵 ,与 对应于类型的特征矩阵。让 表示矩阵相结合的多视图功能, , ,和的尺寸是类型的特性。我们的算法的目标是学习地图的哈希函数 一个紧凑的表示在一个低维汉明空间是数字的长度。

在一组 ,有标签的图片, ,至少有一个相关联的两个分类和 。具体地说,一副 来标示时感知相似的一对吗 下的图像content-preserved un-malicious扭曲和攻击。 来标示时感知不同的对两个样本是原始图像和一个遭受恶意操纵或感知对象插入和删除等重大袭击。让我们表示形成的特征矩阵对应的列作为 。注意特征矩阵是zero-centered规范化。

我们定义每个图像的知觉信心测量的例子。矩阵 将成对的标签信息 , 成对关系吗 ,这是定义为

假设我们想要学习导致的哈希函数 - - - - - -数字表示的 。为每一个数字 ,哈希函数被定义为 在哪里 是系数向量。让 和表示的特征矩阵对于图像集是 我们的目标是学习,同时最大化标记图像上的实验精度和方差的哈希位对所有图像。标签上的经验准确定义为图像 实验精度的目标函数可以表示为 然后,实验精度提出了为 此外,为了最大化每一位所提供的资料,哈希位对所有数据的方差也是衡量和作为一个正规化条件: 上面的函数对最大化由于其nondifferentiability仍然困难。作为一个哈希函数的最大方差的下界的比例方差投影数据,理论正规化的信息表示为

最后,整个semi-supervised目标函数结合放松实证健身术语(11)和正则化项(13)。我们得到以下优化问题(26]: 与 在哪里 , 是一个权衡参数和约束 使投影方向正交的。学习最优预测可以解决矩阵特征值分解吗 。

2.3。感性的特点

伪造图像通常是由结合几个图片,包括对象的添加、删除、替换等,是人类知觉高度相关。换句话说,这些对象的修改通常影响知觉特点相应的形象。在这篇文章中,我们称之为信任和测试之间的变异显著地图上形象知觉损害的特点,认为这是一个提示。因此,在我们的方法中,我们探索图像的计算散列通过考虑知觉凸起的效果而不是哈希获得直接从总图像。根据(27),我们采取结构化矩阵分解(SMD)模型,将(凸)前景/背景分离煤和structured-sparse矩阵分解问题,来计算给定图像的显著图。

给定一个输入图像的特征矩阵,它可以分解为低秩矩阵对应于非突的背景和一个稀疏矩阵对应的前景对象。可以制定结构化矩阵分解模型 在哪里是一个低秩约束允许识别内在特征子空间的冗余背景补丁,structured-sparsity正规化, 拉普拉斯算子的正规化,和是积极的权衡参数。

2.4。篡改检测

篡改检测,法医哈希计算从一个值得信赖的形象和编码后发送到目的地。将原始图像划分为重叠和伪随机选择的矩形区域 。对于每个区域,我们提取类型的特征矩阵并获得相应的哈希代码 。同样,相同的程序用来测试图像计算哈希代码对特征矩阵 。 考虑到知觉特点,两个哈希代码的度量距离计算 在哪里是随机选择的地区和的数量吗和是显著的重量为每个地区的原始和干扰图像。我们终于找到导致的距离差值和最高 ,这是通过

篡改检测,法医哈希计算从一个值得信赖的形象和编码后发送到目的地。最后,阈值定义判断测试图像吗是一个类似的图像或干扰图像。 篡改检测的阈值参数度量距离我们的方法是设置为0.16。这里,我们试验检测结果的概率分布不同阈值对我们新创建的数据库,最后根据经验值确定它。

3所示。实验

3.1。实验设置

3.1.1。数据集

在我们的实验中,我们采用四个真实数据集的评估。我们的训练数据集生成在柯达的基础(http://r0k.us/graphics/kodak/)。我们采用18数以千计独特的图像训练集生成从柯达作为我们的训练数据和随机抽样5 k图像标记子集。它包括类似的图像与不同类型的内容保留攻击和破坏与特定标识插入图片。真实对于每个图像,类似的图像来自索引标签;即。,images from the same index are deemed to be similar. For test, three other real-world datasets are CASIA v1.0 [26),现实的篡改数据集(RTD) [28,29日),我们的新创建的数据库。CASIA由800原始图像和921干扰图像,以JPEG格式,大小 ,和属于不同类别根据其内容场景,动物,建筑,人物,植物,文章,自然,纹理,等。现实的篡改数据集(RTD)由220年的原始图像和220干扰图像,这是TIFF格式的,大小 。我们新创建的数据库包括280原始彩色图像和280干扰图像的大小 。颜色的变化,所产生的干扰图像场景元素,插入或删除源图像和不同对象替换图像背景。

3.1.2。指标和参数设置

对于算法参数,我们设定的尺寸测试图像 ,哈希学习参数 ,和距离度量参数 所有的数据集。对于每一个图像,我们提取三种功能(查看数量 ):小波(1),圣言(8),和统计(11多视图的观察)特性。在本文中,我们使用的概率真实身份验证,这意味着相似的比例/图像判断类似/做手脚图片总数对应类型的图片,作为所有算法的评价指标。

证明图像验证我们的性能评估使用CASIA图像验证性能,现实的篡改数据集(RTD)和新创建的数据库。除了简单的图像内容篡改(TP),六种content-preserving攻击执行验证我们提出的鲁棒性方法:缩放比例为1.5,与品质因数50 JPEG压缩,锐化的值为0.49,高斯模糊滤波器的大小为3。和过滤器的标准偏差作为10,运动模糊线性运动的数量为3和运动模糊滤波器的角度为45,盐和胡椒噪声和噪声密度为0.005。

对于阈值测定,我们分析验证结果与不同阈值的概率分布 。如图2,结果显示由实线和虚线表明类似的图片和破坏图像的概率分布下六种content-preserving操作,分别。类似和干扰图像的概率分布结果大约相交 。因此,在我们的实验中,我们设置 区分相似的图像和伪造图像。的方法相比,我们调优参数最好的表演。

3.2。知觉特点分析

评估影响的知觉特点篡改检测结果,图3显示了一些示例篡改检测的距离度量。在这里,我们提取图像显著图之后,随机选择10个区域( )与大小 。准确性是基于小的尺寸和大的数字。然而,它也会导致更高的哈希代码的长度,这将减少内存效率。我们组最后一个参数值的精度和效率之间的权衡。对于每个区域,我们调整成 和计算哈希代码使用(12)。如图3,原始图像的修改(列(a)和(c))有效地映射到凸起的地图(列(b)和(d))。例如,地区六个语义内容( )修改的图像通过添加一个红色的花,导致更高的感知差异两个图像。所示(13),我们这样的差异和把它标记为体重最终哈希计算距离。同样,对于对象删除和修改,地区和也反映出这样的损害。图4说明了不同地区的哈希距离知觉显著图对应于三个图像3。图像散列我们的知觉特点设计充分考虑和提高本地特性的影响。图5显示了篡改检测真实身份验证功能的概率在新创建的数据库有/没有知觉显著不同的阈值设置。

3.3。比较结果

我们比较方法和下面的基线。小波图像散列(1开发一个基于图像数据的图像散列向量提取各个部分波段图像的小波分解。SVD-based图像散列(8)使用光谱矩阵奇异值分解所展现的不变量。RPIVD-based图像散列(11)包含环分区和不变的向量距离为提高旋转图像散列算法的鲁棒性和区别的能力。Quaternion-based图像散列(5构造四元数的图像,颜色和结构特点,将两者有机结合的优势来实现哈希代四元数傅里叶变换的图像特征。我们报告的篡改检测结果将我们的重点。表1显示的真实身份验证功能的概率方法相比,提出的方法在1,5,8,11]。请注意,在我们的方法是设置为区域大小 。我们使用真实身份验证功能,全面评估的概率性能。对于类似的图像,它记录的比率类似的图像判断类似图片的总数相似的图片,标明该算法的鲁棒性。对于干扰的图像,他们记录了破坏图像的比例判断图像的总数做手脚图片,标明该算法歧视。我们进行了许多次的实验和计算相应的结果在不同的攻击。5所示,真正的验证能力的概率不同content-preserving攻击三个数据库。请注意,值越大表示更好的性能指标。在一个大图片,我们的方法优于所有的基线。篡改检测,包括删除、插入、替换的对象,修改颜色,和背景替换,我们的方法优于其他方法,尤其是在各种攻击。应该注意的是,对所有实验,我们散列的长度64位,与其他方法相比是相对短。

3.4。复杂性分析

提出图像散列算法的复杂性,将这里讨论包括semi-supervised学习,凸起地图生成和篡改检测。semi-supervised学习,它实际上是最耗费时间的一步在我们的方法,因为大部分的时间都花在学习 。我们样品的一个子集(例如,包含培训项目项目)。成对相似性保持认为相似的双项子集。时间复杂度是 。 散列码的数量和吗是图像的尺寸特性。重要的是要注意,semi-supervised离线学习过程是一个过程,和生产的最优预测W然后固定方法的整个过程。实际上,培训过程已经完成了一个可行的MATLAB代码在普通个人电脑。这个过程可以被任何用户预处理在个人电脑上常见的配置。至于我们的方案,计算复杂度主要取决于显著图和散列计算距离。卓越地图生成的复杂性取决于凸检测算法。当前快速模型约0.017秒/形象。篡改检测,我们的算法是有效地产生一个命令序列的原始和篡改图像之间的距离增加。时间复杂度的成本 。

3.5。与基于深度学习的方法

目前取证程序,陈等人。15和钱等。16)提出一个中值滤波检测和基于卷积神经网络(cnn)隐写式密码解密。同样,巴亚尔et al。17使用深度学习]提出图像处理检测。所有这些方法专注于图像处理,内容保留攻击。至于散列程序,哈希代码健壮的广泛的内容保留攻击但敏感的恶意操作。邦迪et al。18)和Yarlagadda et al。19]提出篡改检测和定位算法。然而,这些算法并不是基于散列操作。基于图像的散列算法,图像的语义内容反映在一个紧凑的签名。此外,视频伪造检测(20.)和相机模型识别与cnn (21,22提出了]。总之,目前的算法大多集中在图像内容保持操作或不是基于散列表示。同时我们提出的方法有效地利用监督信息和多个特性到学习和执行散列篡改检测通过考虑不同地区之间的感知显著效应。与基于深度学习的图像取证方法的比较如表所示2。

3.6。讨论

从我们MV-SHPS算法的描述和实验结果,我们得出结论,有三个方面,重要的是会影响感知哈希算法。

(1)学习基于图像散列:在我们的方法中,我们有效地利用监督信息到散列学习。实验结果表明,数据依赖的方法学习可能会导致高质量的散列。这个过程是训练有素的最佳健康数据分布和特定的目标函数,产生更好的散列码保存当地的相似性。因此,如何有效地学习基于图像数据的哈希代码第一次重视在未来研究的主题。

(2)基于多视图的图像散列嵌入:大部分的方法用单一特征来描述图像内容。因为大多数特性只健壮的一个或多个类型的攻击,它可能不是可行的提取一个绝对强大的功能,能满足用户的需求。因此,如何有效地把不同图像的特征以提高整体性能的第二个话题重视研究目前的研究更少。

(3)基于卓越的图像散列检测:目前的哈希方法通常获取散列被平等地对待每一个局部区域检测结果。而不是学习度量距离全球形象,我们探索当地的哈希距离通过考虑不同地区之间的感知显著效应。因此,如何有效地设计基于感知的图像散列方法特点是第三主题非常重要的感知哈希算法篡改检测。

4所示。结论

在本文中,我们提出了一个新颖的多视点Semi-supervised散列算法与知觉特点(MV-SHPS)。总之,我们的方法有几个理想的贡献:首先,我们同时有效利用监督信息和多个特性到散列学习。第二,而不是假设只有全球形象哈希散列码的篡改检测有助于度量距离,我们探讨了当地的散列距离通过考虑不同地区之间的感知显著效应。我们进行了广泛的实验三个图像数据集较先进的散列技术。实验结果表明,该semi-supervised散列和多视图的特性和感知显著收益率更高的性能。当前工作可以扩展设计coregularized散列的多个特性,预计显示甚至更好的性能。

数据可用性

所有生成的数据或分析包括在这项研究。对于本文中使用的数据集,CASIA v1.0和RTD可以从下载http://forensics.idealtest.org/和http://kt.agh.edu.pl/《韩国与美国自由贸易协定》/下载/ dataset-realistic-tampering /。新创建的数据集可以从相应的作者(duling@tjpu.edu.cn)请求。

的利益冲突

作者宣称没有利益冲突有关这篇文章的出版。

确认

这项研究受到了中国国家自然科学基金(批准号科技发展基金61602344),天津市教育委员会高等教育(格兰特没有:2017 kj091)和天津市自然科学基金(批准号17 jcqnjc00100)。

引用

1. 文卡特桑r, S.-M。官、m . h . Jakubowski和p .冰川锅穴“健壮的形象哈希,”《图像处理国际会议(ICIP ' 00)2000年9月,页664 - 666。视图:谷歌学术搜索
2. f . Lefebvre j . Czyz, b . Macq”一个健壮的软散列算法对数字图像签名,”《图像处理国际会议西班牙巴塞罗那,页495 - 498。视图:出版商的网站|谷歌学术搜索
3. 毛Swaminathan, y, m .吴“健壮和安全散列形象,”IEEE取证和安全信息,1卷,不。2、215 - 230年,2006页。视图:出版商的网站|谷歌学术搜索
4. 金,“基于内容的图像拷贝检测”,信号处理:图像通信,18卷,不。3、169 - 184年,2003页。视图:出版商的网站|谷歌学术搜索
5. C.-P。燕,C.-M。双关语,X.-C。元,“Quaternion-Based形象适应篡改定位、哈希”IEEE取证和安全信息,11卷,不。12日,第2677 - 2664页,2016年。视图:出版商的网站|谷歌学术搜索
6. x Lv和z简王”,感知基于形状上下文的图像散列和地方特征点,”IEEE取证和安全信息,7卷,不。3、1081 - 1093年,2012页。视图:出版商的网站|谷歌学术搜索
7. 诉Monga b·l·埃文斯,“知觉通过特征点图像散列:绩效评估和权衡,”IEEE图像处理,15卷,不。11日,第3465 - 3452页,2006年。视图:出版商的网站|谷歌学术搜索
8. s . s . Kozat r·文卡特斯和m . k . Mihcak“健壮的感性形象通过矩阵不变量,哈希”《图像处理国际会议上,ICIP 04新加坡,页3443 - 3446年,2004年10月。视图:谷歌学术搜索
9. 诉Monga和m . k . Mihcak健壮、安全的形象通过非负矩阵分解,哈希”IEEE取证与安全信息,卷2,不。3、376 - 390年,2007页。视图:出版商的网站|谷歌学术搜索
10. x Lv和z . j .王”,一个扩展图像散列概念:基于内容的指纹使用FJLT,”EURASIP在信息安全》杂志上卷。2009年,1卷,2009页。视图:谷歌学术搜索
11. 李x, z唐、张x,和美国,“健壮的形象与环哈希分区和不变向量距离,”IEEE取证和安全信息,11卷,不。1,第214 - 200页,2016。视图:出版商的网站|谷歌学术搜索
12. 周x, k .彭日成x, y, l·李和j·雪,“基于模型的视觉感知图像散列内容认证,“IEEE取证和安全信息,10卷,不。7,1336 - 1349年,2015页。视图:出版商的网站|谷歌学术搜索
13. C.-P。燕,C.-M。双关语,X.-C。元,“多尺度图像散列使用健壮的篡改检测、自适应局部特征提取”信号处理卷。121年,硕士论文,2016页。视图:出版商的网站|谷歌学术搜索
14. x Lv和z . j .王”压缩的二进制图像基于semisupervised光谱嵌入散列,“IEEE取证和安全信息,8卷,不。11日,第1849 - 1838页,2013年。视图:出版商的网站|谷歌学术搜索
15. j . Chen康x, y,和z . j . Wang“中值滤波基于卷积神经网络取证,”IEEE信号处理信件,22卷,不。11日,第1853 - 1849页,2015年。视图:出版商的网站|谷歌学术搜索
16. y钱,j .董w . Wang和t . Tan“通过卷积神经网络隐写式密码解密,深度学习”媒体水印、安全性和取证,2015年。视图:出版商的网站|谷歌学术搜索
17. Stamm b巴亚尔和m . c”,深度学习通用图像处理检测方法使用一种新的卷积层,”第四届ACM学报信息隐藏和多媒体安全研讨会,IH和MMSec 162016年6月,页5 - 10、西班牙、。视图:谷歌学术搜索
18. l·邦迪s Lameri d . Guera p . Bestagini e . j . Delp和s . Tubaro”篡改检测和定位通过聚类特性,基于摄像头的CNN”学报30 IEEE计算机视觉与模式识别会议研讨会、CVPRW 17,页1855 - 1864,美国,2017年7月。视图:谷歌学术搜索
19. s . k . Yarlagadda d . Guera p . Bestagini f·玛吉朱,s . Tubaro和e . j . Delp”卫星图像伪造检测和定位分类器,利用氮化镓和看到下面成了“电子杂志的成像,卷2018,不。7,214-1-214-9,2018页。视图:出版商的网站|谷歌学术搜索
20. 'Avino D D, D . Cozzolino g . Poggi和l . Verdoliva”Autoencoder与复发性神经网络视频伪造检测”美国媒体水印、安全性和2017年取证,MWSF 2017,页92 - 99,美国2017年2月。视图:谷歌学术搜索
21. a . Tuama f .蜂巢状的m .肖蒙,“相机模型识别使用深卷积神经网络,”学报》第八届IEEE国际研讨会取证和安全信息,如20162016年12月,阿联酋。视图:谷歌学术搜索
22. l·邦迪l . Baroffio d . Guera p . Bestagini e . j . Delp和s . Tubaro”第一步相机与卷积神经网络模式识别,”IEEE信号处理信件,24卷,不。3、259 - 263年,2017页。视图:出版商的网站|谷歌学术搜索
23. 张x, y赵,s . Wang和h姚明,”鲁棒哈希的图像认证使用泽尼克时刻和地方特色,“IEEE取证和安全信息,8卷,不。1,55 - 63、2013页。视图:出版商的网站|谷歌学术搜索
24. w .汉堡和m·j·伯吉斯”原则的数字图像处理的核心算法,”本科计算机科学主题,本科计算机科学主题,页后,激飞伦敦,伦敦,2009年。视图:出版商的网站|谷歌学术搜索
25. r·c·冈萨雷斯·r·e·伍兹,r·c·冈萨雷斯数字图像处理,第3版,2008年。
26. s . j . Wang Kumar和S.-F。常,“Semi-supervised散列大规模搜索”,IEEE模式分析与机器智能,34卷,不。12日,第2406 - 2393页,2012年。视图:出版商的网站|谷歌学术搜索
27. h . h .彭b . Li, w . Hu w·熊和s . j .梅班克”突出对象检测通过结构化矩阵分解,“IEEE模式分析与机器智能,39卷,不。4、818 - 832年,2017页。视图:出版商的网站|谷歌学术搜索
28. p .《美韩自由贸易协定和j .黄”,多尺度分析在PRNU-Based篡改定位策略,”IEEE取证和安全信息,12卷,不。4、809 - 824年,2017页。视图:出版商的网站|谷歌学术搜索
29. p .《美韩自由贸易协定和j .黄”,评价综合无人监督的篡改定位的随机场模型”学报》第八届IEEE国际研讨会取证和安全信息,如20162016年12月,页1 - 6、阿联酋。视图:谷歌学术搜索

版权

版权©2018凌Du et al。这是一个开放分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。