科研篇:图像哈希
文章平均质量分 68
本专栏主要介绍了作者在本科阶段和导师接触的图像哈希方向的论文研究小结。
怪味&先森
To wear the crown, you must bear the weight.
展开
-
图像哈希:QDFT篇
这篇论文提供了一个抗旋转的小组件,也就是对数极坐标,这个针对于特定的算法能够很有效地提高康旋转的能力,同时在这篇论文中使用公式进行推导:旋转之后的图片使用对数极坐标+QDFT后形成的哈希值理论上完全一致。QDFT:对二次图像进行QDFT,使用中心的p(15*15)个低频信号的系数,通过下述公式来生成哈希值,即比较前后两个低频信号的系数来生成哈希值。数据预处理:先统一256*256的大小,再使用k * k的平均滤波器(窗口大小为7),最后将最大内切圆以外的像素置为0(黑色)。原创 2024-04-22 21:14:11 · 941 阅读 · 0 评论 -
图像哈希:GLCM+DCT
局部特征:使用HSI中的I分量,分块(64 * 64),每一个块使用DCT,使用每一行和列的2-33个元素拼接在一起,形成一个1*64的列向量,其中每一个块对应一列,因此是最终得到的二次矩阵是64 * 64大小的;全局特征: 分别使用四种参数(不同的角度)的GLCM得到四个矩阵,每个矩阵得到4个统计特征,得到 1 * 16 的全局特征向量。使用全局和局部一起提取特征,最终使用Pearson相关系数来进行相似性评价。生成哈希值:将全局特征和局部特征拼接在一起,生成最后的哈希值。,计算所有块与参考列向量的。原创 2024-04-22 21:01:34 · 228 阅读 · 0 评论 -
图像哈希:全局+局部提取特征
目的:通过全局和局部提取特征来生成最终图像的哈希值。原创 2024-04-22 20:30:15 · 395 阅读 · 0 评论 -
图像哈希:QDCT篇
针对每一块都使用QDCT计算得到每一块对应的相同大小的四元数矩阵,即得到一个实部和三个虚数的系数,最后使用四元数的振幅(实部和三个虚数的系数平方和开根号)来得到每一块的最终特征矩阵。中的四个系数是怎么求得的,在论文中文章开头的那篇论文中写的很详细,无非进行将三个通道进行相加减然后再使用DCT或者DFT计算得出,这样看其实QDFT和QDCT也没有那么神秘了吧。目的:QDCT来生成图像哈希,四元数的主要目的就是为了融合多个通道的信息,使得提取的特征更多。图像相似度:使用每张图片之间的汉明距离来判断是否相似。原创 2024-04-22 15:58:00 · 619 阅读 · 0 评论 -
图像哈希:DCT篇
两个值得模仿的图表绘制了200张不同图片的汉明距离直方图统计不同攻击的汉明距离(平均值,最小值,最大值,方差)统计不同阈值FPR和TPRreturn h_i"""input:图片的路径output:处理后的RGB图片"""# out = cv2.GaussianBlur(img, (3, 3),1.3) # 使用python自带的高斯滤波out = cv2.filter2D(img, -1 , kernel=kernel) # 二维滤波器return out"""原创 2024-04-22 15:55:27 · 509 阅读 · 0 评论 -
图像哈希:DWT篇
DWT:一种降维方式,使用DWT之后会生成四个子带,分别是LL、LH、HL和HH子带。其中LL子带中包含了输入矩阵的大部分信息,而其他子带中的DWT系数保留了不同方向的边缘信息。这意味着LL子带中的DWT系数可以用来近似表示输入矩阵。使用颜色向量角之后可以更好地提取颜色之间的变化,提高鲁棒性和唯一性。目的:使用DWT+颜色向量角来生成图像哈希。原创 2024-04-22 14:53:48 · 324 阅读 · 0 评论 -
图像哈希:NMF
使用NMF算法+环形分区进行图像哈希原创 2024-04-13 21:33:55 · 186 阅读 · 0 评论 -
图像哈希:QSVD
使用QSVD进行图像哈希。原创 2024-04-13 21:32:39 · 549 阅读 · 0 评论 -
论文阅读方法和图像哈希领域总结
这篇博客用来记录一下我本科阶段和导师一起做图像哈希领域论文时的一些心得。原创 2024-03-17 11:37:34 · 392 阅读 · 1 评论