面向自然图像和计算机生成图像鉴别的机器学习算法研究

发布时间：2021-06-30 14:06

　　随着数字媒体技术快速发展,人们可以利用复杂数学模型生成高度逼真的计算机合成图像,这极大地促进了虚拟现实技术的发展,但同时也带来了数字图像的真实性鉴别等安全问题。如何区分采集自真实场景的自然图像和计算机生成的强真实感虚拟图像是目前数字图像真实性鉴别中的重要课题之一。已有方法中大多采用传感器模式噪声作为图像取证特征,但其中滤波降噪算子和描述模式噪声的纹理特征表达能力不足。本文结合双树复小波（Dual-Tree Complex Wavelet Transform,DT-CWT）与机器学习中的支持向量机（Support Vector Machine,SVM）和深度卷积神经网络（Deep Convolutional Neural Network,DCNN）等理论和方法,提出了一套解决方案。具体研究工作如下:1·提出了一种基于双树复小波域与支持向量机的自然图像和计算机生成图像区分算法。该算法首先利用降噪算子得到图像的传感器模式噪音,并使用奇异值分解（Singular Value Decomposition,SVD）进行增强处理。然后在双树复小波变换基础上,提取每个子带的能量和偏差作为特征。最后利用... 

【文章来源】：西安理工大学陕西省

【文章页数】：61 页

【学位级别】：硕士

【部分图文】：

难以区分的自然图像和计算机生成图像(a)自然图像(b)计算机生成图像

图 2-1 图像分类基本流程图Fig. 2-1 Framework of image classification像进行预处理，便于提取分类特征。特征。通常有传统特征提取和深度学习自动提型。

图 2-2 自然图像采集过程Fig. 2-2 Imaging process of natural image计算机生成图像是人们利用各种计算机图形技术模拟现实场景而获得的图像，成像过程如图 2-3 所示。首先利用计算机创建几何模型，然后根据需要模拟的物体对模型进行渲染，最后将渲染好的模型转换为像素，经后处理生成数字图像。计算机生成图像在 R、

【参考文献】：
期刊论文
[1]基于迁移学习和卷积神经网络的控制图识别[J]. 徐旭东,马立乾.  计算机应用. 2018(S2)
[2]基于迁移学习的卷积神经网络植物叶片图像识别方法[J]. 郑一力,张露.  农业机械学报. 2018(S1)
[3]基于卷积神经网络的图像分类研究[J]. 葛程,孙国强.  软件导刊. 2018(10)
[4]面向人脸表情识别的迁移卷积神经网络研究[J]. 翟懿奎,刘健.  信号处理. 2018(06)
[5]基于迁移学习的水产动物图像识别方法[J]. 王柯力,袁红春.  计算机应用. 2018(05)
[6]一种结合小波变换和维纳滤波的图像去噪算法[J]. 汪祖辉,孙刘杰,邵雪,姜中敏.  包装工程. 2016(13)
[7]深度卷积神经网络的显著性检测[J]. 李岳云,许悦雷,马时平,史鹤欢.  中国图象图形学报. 2016(01)
[8]基于LBC的计算机生成图像盲鉴别算法[J]. 申铉京,李梦臻,吕颖达,陈海鹏.  计算机科学. 2015(06)
[9]利用通道间相关性的CFA图像盲取证[J]. 张晓琳,方针,张新鹏.  应用科学学报. 2015(01)

硕士论文
[1]基于PRNU的自然图像和计算机生成图像来源取证[D]. 刘娟.湖南大学 2012



本文编号：3257887