一种基于全卷积神经网络的图像拼接篡改定位方法

    公开(公告)号:CN110414670A

    公开(公告)日:2019-11-05

    申请号:CN201910593383.0

    申请日:2019-07-03

    Abstract: 本发明公开了一种基于全卷积神经网络的图像拼接篡改定位方法。建立拼接篡改图像库;初始化基于全卷积神经网络的图像拼接篡改定位网络,设置该网络的训练过程;初始化网络参数;读取训练图像,对训练图像进行训练操作,输出训练图像的拼接定位预测结果;计算训练图像拼接定位预测结果与真实标签之间的误差值,调整网络参数,直至误差值满足精度要求;利用条件随机场对精度满足要求的预测结果进行后处理,调整网络参数,输出训练图像最终的预测结果;读取测试图像,采用训练好的网络对测试图像进行预测并将预测结果通过条件随机场进行后处理,输出测试图像最终的预测结果。本发明具有较高的拼接篡改定位精度,网络训练难度较小,网络模型容易收敛。

    一种基于视觉感知的自编码彩色图像鲁棒水印处理方法

    公开(公告)号:CN114841846A

    公开(公告)日:2022-08-02

    申请号:CN202210541123.0

    申请日:2022-05-18

    Abstract: 本发明公开了一种基于视觉感知的自编码彩色图像鲁棒水印处理方法,利用载体图像训练集和原始水印图像训练集对AGWNet中水印嵌入模块进行训练,获得含水印图像与载体图像的结构损失和视觉感知损失;将含水印图像输入到AGWNet中噪声攻击模块,生成攻击后的水印图像;将攻击后的水印图像输入AGWNet中水印提取模块进行训练,获得提取的水印与原始水印图像的交叉熵损失;根据结构损失、视觉感知损失和交叉熵损失求取整体损失,当整体损失迭代中出现小于阈值时,获得训练后的AGWNet;利用训练后的AGWNet,完成水印的嵌入或提取。本发明能够在保证含水印图像质量的同时,提高水印的鲁棒性。

    基于内点集域约束及高斯过程参数优化的血管建模方法

    公开(公告)号:CN108550180A

    公开(公告)日:2018-09-18

    申请号:CN201810193727.4

    申请日:2018-03-09

    Abstract: 本发明公开了基于内点集域约束及高斯过程参数优化的血管建模方法,其特征在于包含以下步骤:步骤一:基于内点集域约束的血管建模;步骤二:基于高斯过程优化参数。本方法使用内点集域约束,实现内力相互作用仿真,采用动态变形方法更新变形区域,实现血管快速建模;引入机器学习思想,利用高斯分类器,通过高斯过程分类选择伸长参数、弯曲刚度参数和节点平动阻尼参数,得到可使所述模型稳定的参数集;针对这三个易受血管生物力学特性影响的参数进行高斯过程回归,确定最优参数集;该建模方法弥补了传统质点弹簧模型未考虑内力的缺陷,算法实时性好,变形仿真更加真实。

    基于非负矩阵分解和卷积神经网络的彩色图像处理方法

    公开(公告)号:CN108491863A

    公开(公告)日:2018-09-04

    申请号:CN201810161883.2

    申请日:2018-02-27

    Abstract: 本发明涉及一种基于非负矩阵分解和卷积神经网络的彩色图像处理方法,该方法用采集设备获取彩色图像并进行预处理,设有采用非光滑非负矩阵分解算法提取图像特征、结合卷积神经网络优化彩色图像分类和重构过程,包括首先读取图像数据矩阵,得到其行数、列数,初始化相应参数;然后结合卷积神经网络,依步骤完成图像分类和重构;本发明的图像处理方法在彩色图像处理过程中特征提取更精确,重构错误少,分类效率高。

    一种基于视觉感知的自编码彩色图像鲁棒水印处理方法

    公开(公告)号:CN114841846B

    公开(公告)日:2025-04-29

    申请号:CN202210541123.0

    申请日:2022-05-18

    Abstract: 本发明公开了一种基于视觉感知的自编码彩色图像鲁棒水印处理方法,利用载体图像训练集和原始水印图像训练集对AGWNet中水印嵌入模块进行训练,获得含水印图像与载体图像的结构损失和视觉感知损失;将含水印图像输入到AGWNet中噪声攻击模块,生成攻击后的水印图像;将攻击后的水印图像输入AGWNet中水印提取模块进行训练,获得提取的水印与原始水印图像的交叉熵损失;根据结构损失、视觉感知损失和交叉熵损失求取整体损失,当整体损失迭代中出现小于阈值时,获得训练后的AGWNet;利用训练后的AGWNet,完成水印的嵌入或提取。本发明能够在保证含水印图像质量的同时,提高水印的鲁棒性。

    基于内点集域约束及高斯过程参数优化的血管建模方法

    公开(公告)号:CN108550180B

    公开(公告)日:2021-11-19

    申请号:CN201810193727.4

    申请日:2018-03-09

    Abstract: 本发明公开了基于内点集域约束及高斯过程参数优化的血管建模方法,其特征在于包含以下步骤:步骤一:基于内点集域约束的血管建模;步骤二:基于高斯过程优化参数。本方法使用内点集域约束,实现内力相互作用仿真,采用动态变形方法更新变形区域,实现血管快速建模;引入机器学习思想,利用高斯分类器,通过高斯过程分类选择伸长参数、弯曲刚度参数和节点平动阻尼参数,得到可使所述模型稳定的参数集;针对这三个易受血管生物力学特性影响的参数进行高斯过程回归,确定最优参数集;该建模方法弥补了传统质点弹簧模型未考虑内力的缺陷,算法实时性好,变形仿真更加真实。

    一种基于全卷积神经网络的图像拼接篡改定位方法

    公开(公告)号:CN110414670B

    公开(公告)日:2021-09-28

    申请号:CN201910593383.0

    申请日:2019-07-03

    Abstract: 本发明公开了一种基于全卷积神经网络的图像拼接篡改定位方法。建立拼接篡改图像库;初始化基于全卷积神经网络的图像拼接篡改定位网络,设置该网络的训练过程;初始化网络参数;读取训练图像,对训练图像进行训练操作,输出训练图像的拼接定位预测结果;计算训练图像拼接定位预测结果与真实标签之间的误差值,调整网络参数,直至误差值满足精度要求;利用条件随机场对精度满足要求的预测结果进行后处理,调整网络参数,输出训练图像最终的预测结果;读取测试图像,采用训练好的网络对测试图像进行预测并将预测结果通过条件随机场进行后处理,输出测试图像最终的预测结果。本发明具有较高的拼接篡改定位精度,网络训练难度较小,网络模型容易收敛。

    一种滑动窗分数阶四元数余弦变换快速计算方法

    公开(公告)号:CN110188316A

    公开(公告)日:2019-08-30

    申请号:CN201910468317.0

    申请日:2019-05-31

    Abstract: 本发明公开了一种滑动窗分数阶四元数余弦变换快速计算方法,包括以下步骤:1、将四元数信号序列在时间域间隔采样和频率域间隔采样时进行离散分数阶四元数余弦变换;2、将离散分数阶四元数余弦变换在相邻时刻分别展开,得到当采样样本变化时,变换系数不发生变化;3、将变换系数表示为滑动窗模板的形式进行滑动窗分数阶四元数余弦变换的计算。本发明采用滑动窗的形式快速计算分数阶四元数余弦变换,降低了计算复杂度,计算效率优于现有非滑动窗分数阶四元数余弦变换算法。

Patent Agency Ranking