您的位置:山东大学 -> 科技期刊社 -> 《山东大学学报(工学版)》

山东大学学报(工学版) ›› 2011, Vol. 41 ›› Issue (2): 62-65.

• 机器学习与数据挖掘 • 上一篇    下一篇

鲁棒的源扫描仪辨识算法设计

周长辉1, 胡永健2,余绍鹏1   

  1. 华南理工大学 1.自动化科学与工程学院; 2.电子与信息学院,  广东 广州 510641
  • 收稿日期:2010-12-01 出版日期:2011-04-16 发布日期:2010-12-01
  • 作者简介:周长辉(1985- ),男,山东菏泽人,硕士研究生,主要研究方向为数字图像取证,图像处理与模式识别.Email:changhuizhou86@163.com
  • 基金资助:

    国家自然科学基金资助项目(60772115,60572140)

Design of a robust source scanner identification algorithm

ZHOU Changhui1, HU Yongjian2, YU Shaopeng1   

  1. 1. College of Automation Science and Engineering;  2. School of Electronic and Information Engineering,
    South China University of Technology, Guangzhou 510641, China
  • Received:2010-12-01 Online:2011-04-16 Published:2010-12-01

摘要:

现有图像来源辨识算法很少讨论测试图像在受到轻微图像处理后算法检测准确率的变化。以平板扫描仪所获得的数字图像为研究对象,提出一种基于特征的鲁棒源扫描仪辨识技术。根据不同扫描仪成像色纯、制作工艺的差异,提取反映以上差异的特征,包括颜色特征、图像质量特征以及邻域特征;然后利用支持向量机训练分类器用以辨识扫描仪的品牌/型号;最后对源扫描仪辨识算法的性能和鲁棒性进行了分析。实验结果表明:本文算法能优于前面提出的算法,并且具有较好的鲁棒性。

关键词:  , 数字图像取证, 图像来源, 源扫描仪辨识, 支持向量机, 鲁棒性

Abstract:

When testing images were  subjected to minor image processing  the change of detection rates was rarely discussed in the current image origin identification problem. A robust source scanner identification method was proposed, in this paper, by using acquired  digital images of flatbed desktop scanners. First, the feature of color, image quality and neighborhood were proposed based on the difference of imaging colorpurity and fabrication process of different scanner brands/models. Then, Support Vector Machine classifier was used to verifying the performance and robustness of our source scanner identification algorithm. Extensive experimental results demonstrate that the proposed method can effectively identify scanner brands/models and has better robustness than the previously.

Key words: digital image forensics, image origin, source scanner identification, support vector machine, robustness

[1] 亓晓燕,刘恒杰,侯秋华,刘啸宇,谭延超,王连成. 融合LSTM和SVM的钢铁企业电力负荷短期预测[J]. 山东大学学报 (工学版), 2021, 51(4): 91-98.
[2] 王一宾,李田力,程玉胜,钱坤. 基于核极限学习机自编码器的标记分布学习[J]. 山东大学学报 (工学版), 2020, 50(3): 58-65.
[3] 马昕,王雪. 基于Laplacian支持向量机和序列信息的microRNA-结合残基预测[J]. 山东大学学报 (工学版), 2020, 50(2): 76-82.
[4] 梁志祥,刘晓明,牟颖,刘玉田. 基于深度学习的新能源爬坡事件预测方法[J]. 山东大学学报 (工学版), 2019, 49(5): 24-28.
[5] 严云洋,张慧珍,刘以安,高尚兵. 基于GMM与三维LBP纹理的视频火焰检测[J]. 山东大学学报 (工学版), 2019, 49(1): 1-9.
[6] 李兴,侯振杰,梁久祯,常兴治. 基于线性加速度的多节点人体行为识别[J]. 山东大学学报 (工学版), 2018, 48(6): 56-66.
[7] 叶明全,高凌云,万春圆. 基于人工蜂群和SVM的基因表达数据分类[J]. 山东大学学报(工学版), 2018, 48(3): 10-16.
[8] 韩学山,王俊雄,孙东磊,李文博,张心怡,韦志清. 计及空间关联冗余的节点负荷预测方法[J]. 山东大学学报(工学版), 2017, 47(6): 7-12.
[9] 刘岩,李幼军,陈萌. 基于EMD和SVM的抑郁症静息态脑电信号分类研究[J]. 山东大学学报(工学版), 2017, 47(3): 21-26.
[10] 李素姝,王士同,李滔. 基于LS-SVM与模糊补准则的特征选择方法[J]. 山东大学学报(工学版), 2017, 47(3): 34-42.
[11] 侯明冬,王印松,田杰. 积分时滞对象的一种内模PID鲁棒控制方法[J]. 山东大学学报(工学版), 2016, 46(5): 64-67.
[12] 刘杰, 杨鹏, 吕文生, 刘阿古达木, 刘俊秀. 基于气象因素的PM2.5质量浓度预测模型[J]. 山东大学学报(工学版), 2015, 45(6): 76-83.
[13] 张井岗,马文廷,赵志诚. 串级时滞过程的二自由度Smith预估控制[J]. 山东大学学报 (工学版), 2015, 45(5): 43-50.
[14] 刘晓勇. 一种基于树核函数的半监督关系抽取方法研究[J]. 山东大学学报(工学版), 2015, 45(2): 22-26.
[15] 浩庆波, 牟少敏, 尹传环, 昌腾腾, 崔文斌. 一种基于聚类的快速局部支持向量机算法[J]. 山东大学学报(工学版), 2015, 45(1): 13-18.
Viewed
Full text


Abstract

Cited

  Shared   
  Discussed   
[1] 王素玉,艾兴,赵军,李作丽,刘增文 . 高速立铣3Cr2Mo模具钢切削力建模及预测[J]. 山东大学学报(工学版), 2006, 36(1): 1 -5 .
[2] 李 侃 . 嵌入式相贯线焊接控制系统开发与实现[J]. 山东大学学报(工学版), 2008, 38(4): 37 -41 .
[3] 孔祥臻,刘延俊,王勇,赵秀华 . 气动比例阀的死区补偿与仿真[J]. 山东大学学报(工学版), 2006, 36(1): 99 -102 .
[4] 来翔 . 用胞映射方法讨论一类MKdV方程[J]. 山东大学学报(工学版), 2006, 36(1): 87 -92 .
[5] 余嘉元1 , 田金亭1 , 朱强忠2 . 计算智能在心理学中的应用[J]. 山东大学学报(工学版), 2009, 39(1): 1 -5 .
[6] 陈瑞,李红伟,田靖. 磁极数对径向磁轴承承载力的影响[J]. 山东大学学报(工学版), 2018, 48(2): 81 -85 .
[7] 王波,王宁生 . 机电装配体拆卸序列的自动生成及组合优化[J]. 山东大学学报(工学版), 2006, 36(2): 52 -57 .
[8] 李可,刘常春,李同磊 . 一种改进的最大互信息医学图像配准算法[J]. 山东大学学报(工学版), 2006, 36(2): 107 -110 .
[9] 季涛,高旭,孙同景,薛永端,徐丙垠 . 铁路10 kV自闭/贯通线路故障行波特征分析[J]. 山东大学学报(工学版), 2006, 36(2): 111 -116 .
[10] 浦剑1 ,张军平1 ,黄华2 . 超分辨率算法研究综述[J]. 山东大学学报(工学版), 2009, 39(1): 27 -32 .