图像重采样_百度百科
声明：百科词条人人可编辑，词条创建和修改均免费，绝不存在官方及代理商付费代编，请勿上当受骗。
图像重采样
本词条缺少名片图，补充相关内容使词条更完整，还能快速升级，赶紧来吧！
图像重采样（image resampling），在 对采样后形成的由离散数据组成的数字图像按所需的像元位置或像元间距重新采样，以构成几何变换后的新图像。
重采样过程本质上是图像恢复过程,它用输入的离散数字图像重建代表原始图像二维连续函数,再按新的像元间距和像元位置进行采样。其数学过程是根据重建的连续函数(曲面),用周围若}二像元点的值估计或内插出新采样点的值,相当于用采样函数与输入图像作二维卷积运算。[发明专利]一种图像重采样操作插值类型识别方法在审
申请/专利权人：
公开/公告号：CNA
发明/设计人：;;
公开/公告日：
主分类号：
搜索关键词：
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于天津大学，未经天津大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【】
【说明书】：
技术领域本发明涉及一种图像篡改检测方法。特别是涉及一种图像重采样操作插值类型识别方法。背景技术随着低成本和高分辨率数字摄像头和复杂的编辑软件的出现，数字图像可以很容易地操纵和改变。伪造的数字图像往往难以从真实的照片中区别出来。因此，照片不再能作为事件真实性的记录。特别是在司法系统和新闻媒体这些领域，图像信息的真实性扮演着越发重要的角色。为了确保数字信息的真实性和完整性，数字图像被动取证技术应运而生。有别于以数字签名和数字水印为代表的主动取证技术，被动取证技术是仅根据获取的数字图像，寻找是否存在篡改后可能留下的各种痕迹，从而区分出自然图像与被篡改图像。图像重采样操作，即通过像素之间的插值运算得到不同尺度大小的图像，一直是图像通用处理或者编辑篡改过程中常见的一种基本操作模式。通过检测重采样可以有效地辨别图像的真实性和处理历程。当两幅图像拼接在一起时，为了产生高质量连续的篡改图片，需要缩放、旋转等几何变换。通常，几何变换需要重采样和插值步骤。因此，重采样是图像篡改中最常见的操作，也成为篡改检测重点关注的操作之一。我们可以通过检测重采样留下的痕迹识别图像或者图像中的一部分是否经过改动。目前已有许多学者围绕数字图像重采样操作的盲检测展开了相关研究。Popescu等人指出了图像经过重采样操作后，虽然视觉上差异并不明显，但是原始图像的统计分布被改变，会引入新的统计相关性。作者构建概率相关性图(probability-map)，实现对重采样操作的盲检测。Mahdian等人引入基于二阶导数协方差的特征，有效的反映信号的周期相关性。一般认为重采样操作会改变原始图像的纹理细节，基于这一思路，Hou等人将重采样的检测描述为一个纹理分类问题，利用先进的分类算法实现图像重采样检测。Matthias等人在概率相关性图(probability-map)的基础上，描述了重采样参数对周期性效应的影响，解析得到预期的重采样尖峰，取得良好的检测结果。Kirchne等人分析了在双JPEG压缩的情况下，如何检测重采样操作。作者公式化表述了JPEG压缩仿射变换如何影响重采样检测，提出一种更适应于双JPEG压缩下的检测方法。Feng等人提出利用归一化的能量密度检测重采样痕迹。在JPEG Q＝55的情况下，检测准确率依然能达到70％以上。但该方法依然是基于像素相关性的检测方法，文中并未提到对于最近邻插值等非周期性插值的检测效果。虽然，对于重采样的检测已经进行多年，但依然存在诸多问题，例如抗JPEG压缩能力差、对非周期性插值难以检测、重采样操作插值类型识别难以检测等。当两幅图像拼接在一起时，为了产生高质量连续的篡改图片，不同的部分可能会经历不同类型的重采样插值操作。因此，提出一种图像重采样操作插值类型识别方法十分必要。发明内容本发明所要解决的技术问题是，提供一种检测特征维度低，抗压缩能力强，且具有优秀的检测准确率的图像重采样操作插值类型识别方法。本发明所采用的技术方案是：一种图像重采样操作插值类型识别方法，包括如下步骤：1)将图像重采样操作表示为如下模型：R是被重采样之后的图像，I是原始图像，H是抽象的重采样操作，N是误差；2)对被重采样之后的图像R做初始的盲反卷积操作，得到初始核H0：3)求出不同大小的初始核H0，得到一组多尺度，不同大小的卷积核集合HS；4)再利用卷积核集合HS中的一个卷积核Hi和卷积核Hi所对应的原始图像Ii做卷积的结果与被重采样之后的图像R进行比较，其中，质量差异最小的为最优核H*即是系统输出；5)将最优核H*展开成列向量；6)将所述的列向量放入分类器中训练模型，得到分类模型；7)对待测图像重复步骤2)～步骤5)，将得到的列向量放到步骤6)得到的分类模型中进行测试，得到最终检测结果。2.根据权利要求1所述的一种图像重采样操作插值类型识别方法，其特征在于，步骤4)中所述的质量差异是由峰值信噪比计算得到，计算公式如下：其中，Rt为图像R中第t个像素点，为图像中第t个像素点，n为图像中像素点总个数。本发明的一种图像重采样操作插值类型识别方法，通过本发明方法的检测特征维度低，能够有效减少用于支持向量机(SVM)分类器的训练时间。本方法抗压缩的能力强，且具有优秀的检测准确率，同时填补了相关研究在图像重采样检测方面的空白。附图说明图1是本发明一种图像重采样操作插值类型识别方法的流程图；图2是缩放比例为2.0时，最近邻插值的卷积核的效果图；图3是缩放比例为2.0时，双线性插值的卷积核的效果图；图4是缩放比例为2.0时，双三线性插值的卷积核的效果图；具体实施方式下面结合实施例和附图对本发明的一种图像重采样操作插值类型识别方法做出详细说明。如图1所示，本发明的一种图像重采样操作插值类型识别方法，包括如下步骤：1)将图像重采样操作表示为如下模型：R是被重采样之后的图像，I是原始图像，H是抽象的重采样操作，N是误差；2)在实际问题中，往往R为已知，I和H未知，至此，将图像重采样操作盲检测问题，转化为利用盲反卷积操作求解H，即，对被重采样之后的图像R做初始的盲反卷积操作，得到初始核H0：3)求出不同大小的初始核H0，得到一组多尺度，不同大小的卷积核集合HS；4)再利用卷积核集合HS中的一个卷积核Hi和卷积核Hi所对应的原始图像Ii做卷积的结果与被重采样之后的图像R进行比较，其中，质量差异最小的为最优核H*即是系统输出；所述的质量差异是由峰值信噪比计算得到，计算公式如下：其中，Rt为图像R中第t个像素点，为图像中第t个像素点，n为图像中像素点总个数。5)将最优核H*展开成列向量；6)将所述的列向量放入分类器中训练模型，得到分类模型；7)对待测图像重复步骤2)～步骤5)，将得到的列向量放到步骤6)得到的分类模型中进行测试，得到最终检测结果。对一种图像重采样操作插值类型识别方法的验证实验如下：本实验中的检测特征维度N取默认值20。本发明方法的检测性能通过准确率来衡量，定义如下：其中PTP和PTN分别表示正确的正例和负例概率。我们的方法能够区分不同重采样算法，在实际应用效果明显。缩放比例为2.0时，最近邻插值的卷积核的结果如图2所示，双线性插值的卷积核的结果如图3所示，双三线性插值的卷积核的结果如图4所示。我们从UCID中挑选了100张有代表性的图像，对它们进行不同缩放比例，不同种类的重采样操作。在缩放比例为2、3、4时，对于最近邻插值、双线性插值、三线性插值的区分结果如表1所示。表1以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明设计的技术范围内，可以做出很多变形或替换，这些都应该涵盖在本发明的保护范围之内。
专利文献下载
1、专利原文基于中国国家知识产权局专利说明书；
2、支持发明专利 、实用新型专利、外观设计专利（升级中）；
3、专利数据每周两次同步更新，支持Adobe PDF格式；
4、内容包括专利技术的结构示意图、流程工艺图或技术构造图；
5、已全新升级为极速版,下载速度显著提升！欢迎使用！
该文献正飞奔而来，请耐心等候...30
友情链接：交换友情链接需要网站权重大于3，网站收录10W以上，如符合条件，请联系QQ：。
行业网站：相关推荐：
400-周一至周五 9:00-18:00
服务热线：400-投诉建议：022-
扫一扫，微信关注高智网
高智&让创新无法想象1900万件&专利数据君，已阅读到文档的结尾了呢~~
广告剩余8秒
文档加载中
边缘自适应图像缩放算法研究及vlsi实现,自适应算法,自适应遗传算法,自适应滤波算法,自适应控制算法,自适应路由算法,自适应遗传算法代码,图像缩放算法,边缘检测算法,边缘提取算法
扫扫二维码，随身浏览文档
手机或平板扫扫即可继续访问
边缘自适应图像缩放算法研究及vlsi实现
举报该文档为侵权文档。
举报该文档含有违规或不良信息。
反馈该文档无法正常浏览。
举报该文档为重复文档。
推荐理由：
将文档分享至：
分享完整地址
文档地址：
粘贴到BBS或博客
flash地址：
支持嵌入FLASH地址的网站使用
html代码：
&embed src='/DocinViewer-4.swf' width='100%' height='600' type=application/x-shockwave-flash ALLOWFULLSCREEN='true' ALLOWSCRIPTACCESS='always'&&/embed&
450px*300px480px*400px650px*490px
支持嵌入HTML代码的网站使用
您的内容已经提交成功
您所提交的内容需要审核后才能发布，请您等待！
3秒自动关闭窗口ArcGIS Help 10.1 - 重采样方法（环境设置）
重采样是在变换栅格数据集时插入像素值的过程。在以下情况使用：输入和输出排列不准确、像素大小发生变化、数据被平移或这些原因结合在一起。
分类数据应使用最邻近选项，因为未创建任何新值。不应对分类数据使用双线性和三次卷积选项，但对于连续数据却会产生更美观的输出。
对话框语法重采样方法 - 选择在创建输出时使用何种重采样方法。NEAREST - 执行最邻近分配法，是速度最快的插值方法。此选项主要用于离散数据（如土地利用分类），因为它不会更改像元的值。最大空间误差将是像元大小的一半。BILINEAR - 执行双线性插值法，可根据四个最邻近输入像元中心的加权平均距离确定像元的新值。此选项用于连续数据，并会生成平滑的数据。CUBIC - 执行三次卷积插值法，可通过拟合穿过 16 个最邻近输入像元中心的平滑曲线确定像元的新值。此选项适用于连续数据，尽管所生成的输出栅格可能会包含输入栅格范围以外的值。与通过运行最邻近重采样算法获得的栅格相比，输出栅格的几何变形程度较小。“三次”选项的缺点是需要更多的处理时间。在某些情况下，此选项会使输出像元值位于输入像元值范围之外。如果无法接受此结果，请转而使用“双线性”选项。脚本语法arcpy.env.resample = "interpolation_type"
interpolation_type（可选）
使用的重采样技术：NEAREST（最邻近）- 重采样时，使用最邻近像元的值将为输出像元分配值。这是默认设置。BILINEAR（双线性）- 根据四个最邻近输入像元中心的加权平均距离确定像元的新值。 CUBIC（三次卷积）- 通过拟合穿过 16 个最邻近输入像元中心的平滑曲线确定像元的新值。
金字塔语法import arcpy
# Set the resampling method environment to bilinear interpolation.
arcpy.env.resamplingmethod = &BILINEAR&