为了有效检测识别被篡改的古籍文字图像,提出一种可用于古籍文字图像篡改的检测识别模型MDAS-Net。首先在边缘监督分支中提出一种全新的特征融合方式即混合注意力块,以更好地提取图像中的多尺度目标信息;其次,针对边缘监督分支和噪声敏...为了有效检测识别被篡改的古籍文字图像,提出一种可用于古籍文字图像篡改的检测识别模型MDAS-Net。首先在边缘监督分支中提出一种全新的特征融合方式即混合注意力块,以更好地提取图像中的多尺度目标信息;其次,针对边缘监督分支和噪声敏感分支的特征融合设计一种特征传递模块E-2-N/N-2-E Help Block,促进2个分支间的信息交流,以得到更高质量的融合特征。为了验证模型的有效性,创建古籍图像篡改数据集,并联合篡改图像文本数据集(TTI)进行对比实验和消融实验。结果表明,MDAS-Net模型在古籍文字图像篡改区域检测效果良好,受试者工作特性曲线下的面积(AUC)达到了0.852,F_(1)值达到了0.784,并证明了MDAS-Net在检测古籍文字图像篡改方面的实用性。展开更多
复制—粘贴篡改是一种最简单而且常见的图像篡改方式。为了提高目前复制—粘贴篡改检测算法的顽健性,提出一种基于局部强度顺序模式(LIOP,local intensity order pattern)的图像复制—粘贴篡改检测算法。首先,提取待测图像的LIOP特征描...复制—粘贴篡改是一种最简单而且常见的图像篡改方式。为了提高目前复制—粘贴篡改检测算法的顽健性,提出一种基于局部强度顺序模式(LIOP,local intensity order pattern)的图像复制—粘贴篡改检测算法。首先,提取待测图像的LIOP特征描述子,然后以特征描述子间的夹角余弦值作为相似性度量,根据最近邻与次近邻的比值阈值寻找稳定的匹配点,最后计算匹配点对间的空间距离以移除误匹配点。实验结果表明,所提算法能够有效检测并定位复制粘贴篡改位置,而且算法检测的准确率高,能够抵抗缩放、旋转、亮度变化以及高斯模糊、加性高斯白噪声、JPEG压缩等后期处理操作。展开更多
文摘为了有效检测识别被篡改的古籍文字图像,提出一种可用于古籍文字图像篡改的检测识别模型MDAS-Net。首先在边缘监督分支中提出一种全新的特征融合方式即混合注意力块,以更好地提取图像中的多尺度目标信息;其次,针对边缘监督分支和噪声敏感分支的特征融合设计一种特征传递模块E-2-N/N-2-E Help Block,促进2个分支间的信息交流,以得到更高质量的融合特征。为了验证模型的有效性,创建古籍图像篡改数据集,并联合篡改图像文本数据集(TTI)进行对比实验和消融实验。结果表明,MDAS-Net模型在古籍文字图像篡改区域检测效果良好,受试者工作特性曲线下的面积(AUC)达到了0.852,F_(1)值达到了0.784,并证明了MDAS-Net在检测古籍文字图像篡改方面的实用性。
文摘复制—粘贴篡改是一种最简单而且常见的图像篡改方式。为了提高目前复制—粘贴篡改检测算法的顽健性,提出一种基于局部强度顺序模式(LIOP,local intensity order pattern)的图像复制—粘贴篡改检测算法。首先,提取待测图像的LIOP特征描述子,然后以特征描述子间的夹角余弦值作为相似性度量,根据最近邻与次近邻的比值阈值寻找稳定的匹配点,最后计算匹配点对间的空间距离以移除误匹配点。实验结果表明,所提算法能够有效检测并定位复制粘贴篡改位置,而且算法检测的准确率高,能够抵抗缩放、旋转、亮度变化以及高斯模糊、加性高斯白噪声、JPEG压缩等后期处理操作。
