缝裁减图像的盲鉴别研究

摘要

随着科学技术的发展，图像修改技术也越来越成熟。目前有一种称为Seamcarving（即缝裁剪）的图像修改技术，已经在Photoshop等软件中广泛应用。缝裁剪是一种内容感知的图像重定位算法，可用于调整图像大小和从数字图像中故意删除对象。它可以克服传统缩放和裁剪的限制，在不改变图像的结构和内容的前提下对图像进行缩放或修改。本文针对缝裁剪图像的盲检测进行了研究。
　　本文提出了一种基于额外缝裁剪行为的盲检测技术，该方法可以检测采用缝裁剪进行不同比例的缩放的图像。通过对图像进行一次额外缝裁剪操作的观察，我们发现原始图像的相似性、能量比例和缝距离差值与缝裁剪图像的完全不同。首先，对待测试的图像进行一次额外的缝裁剪操作，然后计算测试图像和其对应的缝裁剪图像的相似性、能量比例，以及缝距离差值。最后，提取11维上述特征并通过支持向量机分类器来识别图像是原始图像还是已经被缝裁剪修饰过的图像。实验结果表明，本文提出的方法不仅能达到更好的检测率，而且与其他现有的缝裁剪检测方法相比，特征维数更低。
　　另外，本文还提出了对缝插入图像中插入的像素对的定位检测方法。缝插入是将缝移除，并替换为缝与相邻像素的两个均值，因此，利用缝与相邻像素间的线性关系来检测是否为缝插入图像，并定位插入的像素对位置。同时，通过缝与相邻像素的关系预测原始图像的像素值，实现图像恢复。实验结果表明，本文提出的方法可以很好的检测出缝插入图像，并定位放大图像插入的像素对。

目录

声明

摘要

第一章 绪论

1．1 研究的背景和意义

1．2 国内外研究现状

1．3 主要研究内容

1．4 论文结构安排

第二章 缝裁剪图像盲检测的相关技术

2．1 缝裁剪原理简介

2．2 像素的基本关系

2．3 SVM算法

2．4 相关检测技术

2．4．1 通过马尔科夫特征检测

2．4．2 直观特征训练检测

2．4．3 基于块的检测方法

2．4．4 JPEG缝裁剪图像的检测

2．4．5 缝插入定位检测

第三章 基于额外缝裁剪行为的盲检测方法

3．1 检测原理

3．1．1 缝裁剪图像的特征

3．1．2 方法提出

3．2 实验及结果分析

3．2．1 相似度测试

3．2．2 混合特征测试

3．3 结果对比

3．4 本章小结

第四章 缝插入图像的定位与图像恢复

4．1 缝插入图像的检测

4．2 插入像素对的恢复

4．3 实验及结果分析

4．3．1 缝插入图像的定位及分类检测

4．3．2 缝插入图像的恢复及性能检测

4．4 本章小结

第五章 总结与展望

5．1 论文总结

5．2 工作展望

参考文献

发表论文和参加科研情况说明

致谢