一種鑒別數(shù)字圖像真?zhèn)蔚姆椒?/h1>
2015-03-25 11:45尚文韜
河南科技 2015年12期
尚文韜
（河南省實驗中學，河南 鄭州 450002）
一種鑒別數(shù)字圖像真?zhèn)蔚姆椒?/p>
尚文韜
（河南省實驗中學，河南 鄭州 450002）
復制圖像部分區(qū)域粘貼在同幅圖像的另外一個地方是圖像偽造的常用形式，針對這種偽造目前常用檢測方法是塊匹配方法。這類方法存在檢測速度慢、魯棒性低等缺陷。為此本文提出了一種新方法，不對圖像進行分塊，直接從圖像中提取SIFT特征，然后通過特征匹配來檢測、定位偽造區(qū)域。特征數(shù)量少，檢測效率高，而且魯棒性強，不僅可以對付噪聲、壓縮等圖像處理，而且可以對付旋轉、縮放等幾何形變，最后通過實驗驗證了該方法的有效性。
圖像偽造；尺度不變特征變換（SIFT）；特征匹配
數(shù)字圖像篡改偽造的一個常用操作方法就是復制一幅圖中的一個區(qū)域粘貼在另外一個區(qū)域以掩蓋被粘貼區(qū)域中的人或物體。由于在同一幅圖中進行復制粘貼操作不會引起圖像在亮度、色彩等方面比較明顯的變化，不會引起人們視覺上的懷疑，所以是目前應用較為廣泛的篡改方法。
目前對復制粘貼偽造圖像甄別檢測的依據(jù)是檢測圖像中存在兩個或多個相同的區(qū)域，因為在自然圖像中存在大面積相似區(qū)域的概率很小。檢測方法主要有塊匹配法，此類方法首先對圖像以像素為單位進行滑窗分塊，用一些圖像特征來描述圖像塊，然后在圖像塊集合中通過特征匹配搜索相似塊，進而檢測與定位篡改區(qū)域[1]?；谶@種塊匹配方法框架，目前研究者研究較多的是如何選取圖像塊的特征，F(xiàn)ridrich等［1］首先利用8×8圖像塊的64個離散余弦變換（Discrete Cosine Transform，DCT）量化系數(shù)作為特征向量，由于向量維度高，檢測速度慢，Popescu等［2］對Fridrich等人的算法進行了改進，利用主成分分析方法（PCA）把特征向量降到32維。隨后很多學者圍繞如何選取維度低的特征對檢測算法進行研究，劉美紅等［3］利用圖像塊的分形維數(shù)和3個統(tǒng)計量構成4維不變特征，歐佳佳等［4］從灰度共生矩陣中選取8個統(tǒng)計特征作為特征向量。
除了特征維度，分塊數(shù)量是影響檢測速度的關鍵因素。分塊數(shù)量對應尋找相似塊的搜索空間，搜索空間大，算法時間復雜度高，對此一些學者采用下采樣方法縮小圖像尺寸來減少分塊數(shù)量。Li等［5］對待檢測圖像進行一級離散小波變換（DWT）后，對僅有原圖像的小波低頻分量進行分塊，然后利用奇異值分解（SVD）系數(shù)作為圖像塊的特征。但是這樣做使檢測精度降低。
當前塊匹配方法面臨的主要問題是：①每個像素對應一個圖像塊，每個圖像塊提取一個特征向量，造成特征向量數(shù)量多，搜索空間大，特征匹配效率低；②圖像特征魯棒性不強，目前常用特征如DCT系數(shù)，PCA降維系數(shù)等，這些特征對壓縮和噪聲等一般的圖像處理具有一定的魯棒性，但是對于幾何變換穩(wěn)定性較差，如果圖像或復制區(qū)域發(fā)生了偏移或旋轉，很難再匹配。
本文利用尺度不變特征變換（Scale Invariant Feature Transform，簡稱SIFT）從圖像中提取SIFT特征，通過特征匹配檢測圖像中是否有復制粘貼區(qū)域［6］。SIFT特征魯棒性強，可以抵抗一般的圖像處理和幾何變換，而且不需要對圖像進行分塊，避免分塊引起的問題。直接從圖像中提取SIFT特征進行匹配，特征向量數(shù)量少，可以有效提高匹配效率。
1 基于SIFT的復制-粘貼偽造鑒別方法
1.1 SIFT特征及其特性
SIFT算法是一種基于高斯尺度空間理論提取圖像局部特征點的算法，在尺度空間尋找局部極值點，提取尺度和方向不變的局部特征。SIFT提取圖像局部特征的過程是：①尺度空間局部極值檢測；②特征點選擇；③指定方向；④局部特征描述［6］。
SIFT特征包括特征點和特征向量兩部分，特征點用（x，y，σ，θ）表示，其中（x，y）是在特點圖像平面的位置，σ是高斯尺度空間的尺度維，θ指的是主方向。每個特征點對應一個特征向量，特征向量的維數(shù)是128。SIFT特征點和特征向量對噪聲和壓縮等信號處理和幾何變換具有穩(wěn)定性。除此之外SIFT特征還具有一些其他特性：
1.1.1 SIFT特征的鑒別性高
特征的鑒別性是指即使紋理特征非常相像，但是不相同的內容，提取的特征也是不一樣的。在自然圖像中樹和草地具有相像的紋理特征，但是從不同區(qū)域提取的SIFT特征是不一樣的。
圖1是SIFT特征鑒別性測試實例，圖1中樹的紋理特征非常相像，特別是圖像塊A和B、C和D的紋理特征和結構更是相像。為了測試，從圖1（a）的A、B、C、D四個區(qū)域分別提取SIFT特征，然后對A和B、C和D區(qū)域的特征分別進行匹配，沒有得到一個匹配點對，如圖1（b）所示。由此可以看出SIFT特征的鑒別性強，在檢測復制和粘貼區(qū)域時，不會因相似的紋理結構而產(chǎn)生誤判。
1.1.2 SIFT特征的魯棒性強
圖像即使經(jīng)過平滑、加噪、旋轉和尺度縮放，SIFT特征匹配得依然很好，圖2是一個測試例子。在圖2（a）中左上角的圖像是從右圖中截取的一部分，但是這部分圖像被旋轉了10°并縮小了10%。從這兩個圖中提取SIFT特征并進行匹配，左圖中提取了319個特征，右圖中提取了3818個特征點，匹配的特征點是185個點對，匹配率達60%，匹配結果如圖2（b）所示。從實驗可以看出，即使經(jīng)過幾何變形，SIFT特征也可以很好匹配，可以有效對付幾何變換，魯棒性強。
1.2 基于SIFT的復制-粘貼偽造鑒別方法
1.2.1 方法步驟
基于SIFT特征匹配的復制-粘貼偽造鑒別方法的主要步驟包括：①從待檢測圖像中提取SIFT特征；②對這些特征進行相互匹配；③根據(jù)匹配結果確定復制-粘貼區(qū)域。如果兩個SIFT特征匹配，則在對應的兩個特征點之間進行連線，同時在特征點周圍3×3區(qū)域進行標注。
特征匹配就是針對某一特征搜索它的最近鄰和次近鄰，因此高效的搜索算法是非常必要的。搜索算法有窮舉搜索、kd-tree搜索和BBF（Best-Bin-First）搜索。窮舉搜索是一種最簡單的搜索方法，但是搜索效率低，其計算量和特征點的個數(shù)為指數(shù)關系。kd-tree能夠高效搜索最近鄰的一般規(guī)則是：如果特征向量的維數(shù)是d，特征點個數(shù)是N，只有滿足條件N＞＞2d才能達到高效的搜索。而SIFT特征是128維，一幅圖像提取的特征點的數(shù)量一般是幾千到幾萬，無法滿足這個條件。針對高維數(shù)據(jù)BBF算法［6］對kd-tree搜索算法進行了改進，主要改進了樹結構的遍歷策略，確保優(yōu)先檢索包含最近鄰點可能性較高的空間，因此其搜索效率高，本文選用BBF算法作為搜索算法。
1.2.2 與同類方法比較
基于特征匹配的偽造鑒別算法，在設計算法時不僅考慮檢測精度，而且要考慮檢測速度。特征提取和匹配占用整個算法過程的大部分時間。本文提出的方法和經(jīng)典的算法在512×512大小的圖像上進行了比較，比較內容包括選用特征、特征向量的個數(shù)和維數(shù)以及檢測精度，具體內容見表1。
從表1可以看出本方法的特征向量數(shù)量遠遠小于其他算法，這將大大減少算法的運行時間，而且檢測精度較其他算法高。
2 實驗結果
為了驗證本方法的有效性，對一些圖像進行復制-粘貼修改，然后用本文方法進行檢測，檢查結果如圖3和圖4所示。圖3中分別是原始圖像、修改圖像、匹配結果和檢測結果。修改圖像是對原始圖像進行了兩處復制-粘貼，匹配結果圖是復制粘貼區(qū)域特征的匹配情況，對于匹配的兩個特征其特征點之間用線連接，檢測結果圖是在匹配的特征點周圍3×3區(qū)域進行標注。從實驗結果看本文方法可以對多處偽造修改進行準確定位。
圖4的修改圖像對原始圖像中人物不僅進行了復制-粘貼，而且在粘貼之前對復制內容進行了旋轉和縮小。從實驗結果看，本文方法可以對這些帶有幾何變換的修改進行有效檢測和定位。
3 總結
因為SIFT特征具有很好的魯棒性和鑒別性，本文利用SIFT特征和基于BBF方法的特征匹配方法，搜索和定位同幅圖像中復制-粘貼區(qū)域，得到了良好的真?zhèn)螜z測結果，不僅能檢測到復制-粘貼區(qū)域，而且在復制區(qū)域被信號處理甚至幾何變化都能有效檢測到。但是如果復制區(qū)域是平滑區(qū)域，本方法檢測效果不好，因為從平滑區(qū)域無法提取足夠數(shù)量的SIFT特征，所幸平滑區(qū)域的隱藏能力很弱，一般人不會復制平滑區(qū)域去覆蓋另外一個區(qū)域的圖像內容。
［1］ J.Fridrich，D.Soukal，J.Lukas.Detection of copy–move forgery in digital images［C］.In Proceedings of Digital Forensic Research Workshop，Cleveland，OH，USA，August 2003：55-61.
［2］ A.Popescu，H.Farid.Exposing digital forgeries by de?tecting duplicated image regions［R］.Technical Report TR 2004-515，Department of Computer Science，Dartmouth Col?lege，2004.
［3］ 劉美紅，徐蔚鴻.基于分形和統(tǒng)計的復制—粘貼篡改圖像的檢測［J］.計算機應用，2011，31（8）：2236-2239.
［4］ 歐佳佳，蔡碧野，熊兵，等.基于灰度共生矩的圖像區(qū)域復制篡改檢測［J］.計算機應用，2011，31（6）：1628-1630.
［5］Li G H，Wu Q，Tu D.et al.A sorted neighborhood approach for detecting duplicated regions in image forgeries based on DWT and SVD［C］.In Proceedings of 2007 IEEE International Conference on Multimedia and Expo.Beijing，China：IEEE，2007：1750-1753.
［6］ D.G.Lowe.Distinctive image features from scaleinvariant keypoints［J］.International Journal of Computer Vision，2004，60（2）：91-110.
A M ethod for the Identification of the Authenticity of Digital Images
ShangWentao
（Henan ExperimentalMiddle School，Zhengzhou Henan 450002）
It is a common form of image forgery to copy imageand then paste it on the other part.In thisway，the commonly used detection methodis a block matchingmethod.Thismethod has the defects of low detection speed and low robustness.This paper presents a new method，which does not block the image，but extracts the SIFT features directly from the image，and then detects and locates the forged region by featurematching.The features are small，the detection efficiency is high，and the robustness is strong，which can not only can deal with the noise，compression and other image processing，but also can deal with the rotation，scaling and other geometric deformation.Finally，the effectiveness of thismethod is verified by experiments.
image forgery；scale invariant feature transform(SIFT)；featurematching
TP391
A
1003-5168（2015）06-0001-4
2015-5-20
尚文韜（1997-），男，河南省實驗中學高三學生，研究方向：數(shù)字圖像處理。
猜你喜歡
二年制職教本科線性代數(shù)課程的幾何化教學設計——以特征值和特征向量為例九江職業(yè)技術學院學報(2022年1期)2022-12-02 鋼結構工程分塊滑移安裝施工方法探討房地產(chǎn)導刊(2022年4期)2022-04-19 克羅內克積的特征向量保定學院學報(2022年2期)2022-04-07 分塊矩陣在線性代數(shù)中的應用山東農(nóng)業(yè)工程學院學報(2020年12期)2020-03-19 荒漠綠洲區(qū)潛在生態(tài)網(wǎng)絡增邊優(yōu)化魯棒性分析農(nóng)業(yè)機械學報(2020年2期)2020-03-09 基于確定性指標的弦支結構魯棒性評價中華建設(2019年7期)2019-08-27 一類特殊矩陣特征向量的求法許昌學院學報(2018年4期)2018-05-02 EXCEL表格計算判斷矩陣近似特征向量在AHP法檢驗上的應用中華建設(2017年1期)2017-06-07 反三角分塊矩陣Drazin逆新的表示湖州師范學院學報(2016年2期)2016-08-21 基于非支配解集的多模式裝備項目群調度魯棒性優(yōu)化項目管理技術(2016年12期)2016-06-15
尚文韜
（河南省實驗中學，河南 鄭州 450002）
一種鑒別數(shù)字圖像真?zhèn)蔚姆椒?/p>
尚文韜
（河南省實驗中學，河南 鄭州 450002）
復制圖像部分區(qū)域粘貼在同幅圖像的另外一個地方是圖像偽造的常用形式，針對這種偽造目前常用檢測方法是塊匹配方法。這類方法存在檢測速度慢、魯棒性低等缺陷。為此本文提出了一種新方法，不對圖像進行分塊，直接從圖像中提取SIFT特征，然后通過特征匹配來檢測、定位偽造區(qū)域。特征數(shù)量少，檢測效率高，而且魯棒性強，不僅可以對付噪聲、壓縮等圖像處理，而且可以對付旋轉、縮放等幾何形變，最后通過實驗驗證了該方法的有效性。
圖像偽造；尺度不變特征變換（SIFT）；特征匹配
數(shù)字圖像篡改偽造的一個常用操作方法就是復制一幅圖中的一個區(qū)域粘貼在另外一個區(qū)域以掩蓋被粘貼區(qū)域中的人或物體。由于在同一幅圖中進行復制粘貼操作不會引起圖像在亮度、色彩等方面比較明顯的變化，不會引起人們視覺上的懷疑，所以是目前應用較為廣泛的篡改方法。
目前對復制粘貼偽造圖像甄別檢測的依據(jù)是檢測圖像中存在兩個或多個相同的區(qū)域，因為在自然圖像中存在大面積相似區(qū)域的概率很小。檢測方法主要有塊匹配法，此類方法首先對圖像以像素為單位進行滑窗分塊，用一些圖像特征來描述圖像塊，然后在圖像塊集合中通過特征匹配搜索相似塊，進而檢測與定位篡改區(qū)域[1]?；谶@種塊匹配方法框架，目前研究者研究較多的是如何選取圖像塊的特征，F(xiàn)ridrich等［1］首先利用8×8圖像塊的64個離散余弦變換（Discrete Cosine Transform，DCT）量化系數(shù)作為特征向量，由于向量維度高，檢測速度慢，Popescu等［2］對Fridrich等人的算法進行了改進，利用主成分分析方法（PCA）把特征向量降到32維。隨后很多學者圍繞如何選取維度低的特征對檢測算法進行研究，劉美紅等［3］利用圖像塊的分形維數(shù)和3個統(tǒng)計量構成4維不變特征，歐佳佳等［4］從灰度共生矩陣中選取8個統(tǒng)計特征作為特征向量。
除了特征維度，分塊數(shù)量是影響檢測速度的關鍵因素。分塊數(shù)量對應尋找相似塊的搜索空間，搜索空間大，算法時間復雜度高，對此一些學者采用下采樣方法縮小圖像尺寸來減少分塊數(shù)量。Li等［5］對待檢測圖像進行一級離散小波變換（DWT）后，對僅有原圖像的小波低頻分量進行分塊，然后利用奇異值分解（SVD）系數(shù)作為圖像塊的特征。但是這樣做使檢測精度降低。
當前塊匹配方法面臨的主要問題是：①每個像素對應一個圖像塊，每個圖像塊提取一個特征向量，造成特征向量數(shù)量多，搜索空間大，特征匹配效率低；②圖像特征魯棒性不強，目前常用特征如DCT系數(shù)，PCA降維系數(shù)等，這些特征對壓縮和噪聲等一般的圖像處理具有一定的魯棒性，但是對于幾何變換穩(wěn)定性較差，如果圖像或復制區(qū)域發(fā)生了偏移或旋轉，很難再匹配。
本文利用尺度不變特征變換（Scale Invariant Feature Transform，簡稱SIFT）從圖像中提取SIFT特征，通過特征匹配檢測圖像中是否有復制粘貼區(qū)域［6］。SIFT特征魯棒性強，可以抵抗一般的圖像處理和幾何變換，而且不需要對圖像進行分塊，避免分塊引起的問題。直接從圖像中提取SIFT特征進行匹配，特征向量數(shù)量少，可以有效提高匹配效率。
1 基于SIFT的復制-粘貼偽造鑒別方法
1.1 SIFT特征及其特性
SIFT算法是一種基于高斯尺度空間理論提取圖像局部特征點的算法，在尺度空間尋找局部極值點，提取尺度和方向不變的局部特征。SIFT提取圖像局部特征的過程是：①尺度空間局部極值檢測；②特征點選擇；③指定方向；④局部特征描述［6］。
SIFT特征包括特征點和特征向量兩部分，特征點用（x，y，σ，θ）表示，其中（x，y）是在特點圖像平面的位置，σ是高斯尺度空間的尺度維，θ指的是主方向。每個特征點對應一個特征向量，特征向量的維數(shù)是128。SIFT特征點和特征向量對噪聲和壓縮等信號處理和幾何變換具有穩(wěn)定性。除此之外SIFT特征還具有一些其他特性：
1.1.1 SIFT特征的鑒別性高
特征的鑒別性是指即使紋理特征非常相像，但是不相同的內容，提取的特征也是不一樣的。在自然圖像中樹和草地具有相像的紋理特征，但是從不同區(qū)域提取的SIFT特征是不一樣的。
圖1是SIFT特征鑒別性測試實例，圖1中樹的紋理特征非常相像，特別是圖像塊A和B、C和D的紋理特征和結構更是相像。為了測試，從圖1（a）的A、B、C、D四個區(qū)域分別提取SIFT特征，然后對A和B、C和D區(qū)域的特征分別進行匹配，沒有得到一個匹配點對，如圖1（b）所示。由此可以看出SIFT特征的鑒別性強，在檢測復制和粘貼區(qū)域時，不會因相似的紋理結構而產(chǎn)生誤判。
1.1.2 SIFT特征的魯棒性強
圖像即使經(jīng)過平滑、加噪、旋轉和尺度縮放，SIFT特征匹配得依然很好，圖2是一個測試例子。在圖2（a）中左上角的圖像是從右圖中截取的一部分，但是這部分圖像被旋轉了10°并縮小了10%。從這兩個圖中提取SIFT特征并進行匹配，左圖中提取了319個特征，右圖中提取了3818個特征點，匹配的特征點是185個點對，匹配率達60%，匹配結果如圖2（b）所示。從實驗可以看出，即使經(jīng)過幾何變形，SIFT特征也可以很好匹配，可以有效對付幾何變換，魯棒性強。
1.2 基于SIFT的復制-粘貼偽造鑒別方法
1.2.1 方法步驟
基于SIFT特征匹配的復制-粘貼偽造鑒別方法的主要步驟包括：①從待檢測圖像中提取SIFT特征；②對這些特征進行相互匹配；③根據(jù)匹配結果確定復制-粘貼區(qū)域。如果兩個SIFT特征匹配，則在對應的兩個特征點之間進行連線，同時在特征點周圍3×3區(qū)域進行標注。
特征匹配就是針對某一特征搜索它的最近鄰和次近鄰，因此高效的搜索算法是非常必要的。搜索算法有窮舉搜索、kd-tree搜索和BBF（Best-Bin-First）搜索。窮舉搜索是一種最簡單的搜索方法，但是搜索效率低，其計算量和特征點的個數(shù)為指數(shù)關系。kd-tree能夠高效搜索最近鄰的一般規(guī)則是：如果特征向量的維數(shù)是d，特征點個數(shù)是N，只有滿足條件N＞＞2d才能達到高效的搜索。而SIFT特征是128維，一幅圖像提取的特征點的數(shù)量一般是幾千到幾萬，無法滿足這個條件。針對高維數(shù)據(jù)BBF算法［6］對kd-tree搜索算法進行了改進，主要改進了樹結構的遍歷策略，確保優(yōu)先檢索包含最近鄰點可能性較高的空間，因此其搜索效率高，本文選用BBF算法作為搜索算法。
1.2.2 與同類方法比較
基于特征匹配的偽造鑒別算法，在設計算法時不僅考慮檢測精度，而且要考慮檢測速度。特征提取和匹配占用整個算法過程的大部分時間。本文提出的方法和經(jīng)典的算法在512×512大小的圖像上進行了比較，比較內容包括選用特征、特征向量的個數(shù)和維數(shù)以及檢測精度，具體內容見表1。
從表1可以看出本方法的特征向量數(shù)量遠遠小于其他算法，這將大大減少算法的運行時間，而且檢測精度較其他算法高。
2 實驗結果
為了驗證本方法的有效性，對一些圖像進行復制-粘貼修改，然后用本文方法進行檢測，檢查結果如圖3和圖4所示。圖3中分別是原始圖像、修改圖像、匹配結果和檢測結果。修改圖像是對原始圖像進行了兩處復制-粘貼，匹配結果圖是復制粘貼區(qū)域特征的匹配情況，對于匹配的兩個特征其特征點之間用線連接，檢測結果圖是在匹配的特征點周圍3×3區(qū)域進行標注。從實驗結果看本文方法可以對多處偽造修改進行準確定位。
圖4的修改圖像對原始圖像中人物不僅進行了復制-粘貼，而且在粘貼之前對復制內容進行了旋轉和縮小。從實驗結果看，本文方法可以對這些帶有幾何變換的修改進行有效檢測和定位。
3 總結
因為SIFT特征具有很好的魯棒性和鑒別性，本文利用SIFT特征和基于BBF方法的特征匹配方法，搜索和定位同幅圖像中復制-粘貼區(qū)域，得到了良好的真?zhèn)螜z測結果，不僅能檢測到復制-粘貼區(qū)域，而且在復制區(qū)域被信號處理甚至幾何變化都能有效檢測到。但是如果復制區(qū)域是平滑區(qū)域，本方法檢測效果不好，因為從平滑區(qū)域無法提取足夠數(shù)量的SIFT特征，所幸平滑區(qū)域的隱藏能力很弱，一般人不會復制平滑區(qū)域去覆蓋另外一個區(qū)域的圖像內容。
［1］ J.Fridrich，D.Soukal，J.Lukas.Detection of copy–move forgery in digital images［C］.In Proceedings of Digital Forensic Research Workshop，Cleveland，OH，USA，August 2003：55-61.
［2］ A.Popescu，H.Farid.Exposing digital forgeries by de?tecting duplicated image regions［R］.Technical Report TR 2004-515，Department of Computer Science，Dartmouth Col?lege，2004.
［3］ 劉美紅，徐蔚鴻.基于分形和統(tǒng)計的復制—粘貼篡改圖像的檢測［J］.計算機應用，2011，31（8）：2236-2239.
［4］ 歐佳佳，蔡碧野，熊兵，等.基于灰度共生矩的圖像區(qū)域復制篡改檢測［J］.計算機應用，2011，31（6）：1628-1630.
［5］Li G H，Wu Q，Tu D.et al.A sorted neighborhood approach for detecting duplicated regions in image forgeries based on DWT and SVD［C］.In Proceedings of 2007 IEEE International Conference on Multimedia and Expo.Beijing，China：IEEE，2007：1750-1753.
［6］ D.G.Lowe.Distinctive image features from scaleinvariant keypoints［J］.International Journal of Computer Vision，2004，60（2）：91-110.
A M ethod for the Identification of the Authenticity of Digital Images
ShangWentao
（Henan ExperimentalMiddle School，Zhengzhou Henan 450002）
It is a common form of image forgery to copy imageand then paste it on the other part.In thisway，the commonly used detection methodis a block matchingmethod.Thismethod has the defects of low detection speed and low robustness.This paper presents a new method，which does not block the image，but extracts the SIFT features directly from the image，and then detects and locates the forged region by featurematching.The features are small，the detection efficiency is high，and the robustness is strong，which can not only can deal with the noise，compression and other image processing，but also can deal with the rotation，scaling and other geometric deformation.Finally，the effectiveness of thismethod is verified by experiments.
image forgery；scale invariant feature transform(SIFT)；featurematching
TP391
A
1003-5168（2015）06-0001-4
2015-5-20
尚文韜（1997-），男，河南省實驗中學高三學生，研究方向：數(shù)字圖像處理。
猜你喜歡
九江職業(yè)技術學院學報(2022年1期)2022-12-02
房地產(chǎn)導刊(2022年4期)2022-04-19
保定學院學報(2022年2期)2022-04-07
山東農(nóng)業(yè)工程學院學報(2020年12期)2020-03-19
農(nóng)業(yè)機械學報(2020年2期)2020-03-09
中華建設(2019年7期)2019-08-27
許昌學院學報(2018年4期)2018-05-02
中華建設(2017年1期)2017-06-07
湖州師范學院學報(2016年2期)2016-08-21
項目管理技術(2016年12期)2016-06-15
