第一篇：基于SVW的圖像隱寫盲檢測(讀書筆記)

基于SVW的圖像隱寫盲檢測

作者：管超

內(nèi)容：隱寫技術(shù)與隱寫分析技術(shù)作為信息安全領(lǐng)域一個研究熱點(diǎn)，在短短幾年實踐中缺的了很大進(jìn)展。隱寫術(shù)是利用人類感覺器官的不敏感性，以及圖像本身存在的冗余，將秘密信息隱藏于一個數(shù)字媒體而不被察覺。而伴隨而生的隱寫分析技術(shù)即是揭示媒體中隱秘信息的存在性，判別媒體中的隱藏信息可能性。盲檢測技術(shù)是根據(jù)隱藏信息嵌入前后，提取反映圖像細(xì)微變化的數(shù)學(xué)統(tǒng)計特征，借助分類器對其特征進(jìn)行分類，從而區(qū)分原始圖像與含密圖像。

此文主要總結(jié)了當(dāng)前主要的盲檢測特征提取算法，并指出其優(yōu)缺點(diǎn)。分析了隱藏信息的嵌入對灰度共生矩陣的影響，提取灰度共生矩陣作為圖像特征。同時從圖像噪聲的角度研究圖像隱寫和盲檢測。針對紋理圖像檢測的困難，將紋理分類的方法引入圖像隱寫的盲檢測中。

第二篇：讀書筆記(圖像和視頻中的不規(guī)則檢測)

論文題目：Detecting Irregularities in Images and in Video 所載刊物：International Journal of Computer Vision 74(1), 17–31, 2007 作者：Oren Boiman and Michal Irani

主要內(nèi)容和結(jié)論（觀點(diǎn)）：

該文主要闡述了作者在檢測圖像和視頻等可視化數(shù)據(jù)中的不規(guī)則數(shù)據(jù)的研究成果。

文章中表明，圖像和視頻中不規(guī)則圖像模型的探測在各種各樣的任務(wù)中都是很有用的。對于監(jiān)視和監(jiān)測來說探測可疑行為或是異常目標(biāo)是重要的。

早先識別可疑行為或活動的方法可以廣泛的被分成兩類：基于規(guī)則的方法和沒有預(yù)定義規(guī)則的統(tǒng)計方法。

而在該文中作者提出將探測規(guī)則和不規(guī)則的問題公式化成為用從先前可視樣本（數(shù)據(jù)庫）中提取出來的時空塊組成（解釋）新的觀察的可視數(shù)據(jù)（一個圖像或是一段視頻，在下面提到時用“查詢”表示）的問題。這些可以用從樣本數(shù)據(jù)庫中抽取的大的連續(xù)數(shù)據(jù)塊組成的查詢中的區(qū)域被認(rèn)為是相似的，這些區(qū)域越大，相似性就越強(qiáng)。在不能用樣本數(shù)據(jù)庫組成的查詢中的區(qū)域被認(rèn)為是不相似的或是可疑的。作者的方法因此可以從僅僅少量的幾個樣本就能推斷或是歸納出更大的上下文的圖像模式和行為，甚至那些從來都沒有見過的特別構(gòu)造。（這個過程被定義為“通過組合的推論”）

作者認(rèn)為該文作出了以下四個主要的貢獻(xiàn)：

1、提出了一個可以從僅有的幾個樣本中就可以推理和歸納的方法，這個方法是關(guān)于一個更大的上下文圖像模式和行為的合法性的，甚至是那些從來都沒有見過的特殊構(gòu)造的合法性。

2、提出了一個基于圖表的貝葉斯定理的推論算法，它可以在成倍增加的時空范圍里有效探測大的整套的碎片塊（例如，數(shù)以百計的碎片塊）。同時它可以增強(qiáng)這些在整體以及單個的描述符上的碎片里的相關(guān)幾何方面的排列上的約束。

3、提出了對圖像和視頻里術(shù)語中的“顯著”和“視覺注意”給出一個新的解釋。

4、提出了一個單一的、統(tǒng)一的框架來處理計算機(jī)視覺里幾個的問題，這些問題在過去已經(jīng)被單獨(dú)地處理過。它們包括：圖像和視頻中值得注意的地方，可疑行為的識別，異常物體的識別，自動視頻檢查（例如，用于質(zhì)量保證）等等。

論文中的基本算法：

1、統(tǒng)計公式

用y來表示一個觀察到的查詢范圍內(nèi)的碎片組合。計算連接的可能性P（x，y），其中觀察到的查詢中的組合y與在數(shù)據(jù)庫（既在碎片的描述符值相似也在相對位置上相似）中的隱藏的組合x是相似的。我們可以把連接的可能性分解成：P(x, y)= P(y|x)P(x)。

令dy表示觀察到的碎片y中的第i個描述符向量，ly表示它的位置（在絕對坐標(biāo)里）。類似的，dx表示在碎片x中的第i個隱藏（數(shù)據(jù)庫）的描述符向量，lx表示它的位置。令cy和cx表示被觀察到的和隱藏的組合的“原始”點(diǎn)。任何這樣一對組合y和x的相似性被以下的可能性公式捕獲： iiii

P(x, y)= P（cx , d1x ,..., l1x ,..., cy , d1y ,..., l1y,...）(公式1)

我們用一個高斯分布在描述符間建立相似性模型：

P（diy|dix）=α1 exp（?1/2（diy? dix）T S D?1（diy? dix））(公式2)

這里，α1是一個常量，S D是一個常量協(xié)方差矩陣，它決定描述符值的可允許的偏差。其它的分布可以根據(jù)其它描述符的相似性函數(shù)插入到模型中。給定一個隱藏數(shù)據(jù)庫碎片的相對位置(lx? cx)，觀察到的相應(yīng)碎片(ly? cy)的相對位置被假設(shè)成不依賴于所有其它碎片位置。這個假設(shè)使得有足夠靈活性去適應(yīng)在視線角度、范圍、位置和行為上的微小變化進(jìn)行比較兩個碎片組合的幾何排列，這樣： iiP（liy | lix, cx , cy）= α2 · exp（? 1/2（（liy? cy）?（lix? cx））T× S?1L（（liy? cy）?（lix? cx））））(公式3)

到目前為止我們已經(jīng)建立了組合（描述符：dy, dx和相應(yīng)位置：ly? cy , lx? iiiicx）間屬性的關(guān)系模型，我們?nèi)匀恍枰㈦[藏組合內(nèi)的關(guān)系（也就是一個碎片描述符dx和它的位置間lx的關(guān)系）模型。利用數(shù)據(jù)庫中的樣本進(jìn)行非參數(shù)化的為它建模：

ii

1(dx , lx)∈ Database

P(dx | lx)=(公式4）

0otherwise

這里dx和lx是任意描述符和位置。

這樣，對于一個觀察到的組合y和一個隱藏數(shù)據(jù)庫組合x，我們可以通過利用公式(2)–(4)來得出公式(1)的共同可能性P(x, y)如下：

P（cx , d1x ,..., l1x ,..., cy , d1y ,..., l1y）

=α?P（liy| lix, cx , cy）P（diy| dix）P（dix| lix）(公式5)

i

對于任何隱藏的非零可能性的集團(tuán)分配,我們定義組合代價為負(fù)的對數(shù)可能性函數(shù)：

-logP（cx , d1x ,..., l1x ,..., cy , d1y ,..., l1y）

= ?i-log P（liy| lix, cx , cy）+?-log P（diy| dix）+α1(公式6)i

當(dāng)α1= log(α)時是常量。

2、信任傳播推論

給定一個觀察到的組合，我們尋找一個隱藏的數(shù)據(jù)庫組合，這個組合最大化它的MAP（最大歸納的可能性）分配。這被通過上面統(tǒng)計模型來完成，這個模型具有一個簡單并且確切的信任傳播運(yùn)算法則。根據(jù)公式(5)，MAP分配可以被寫成：

1111P（c , d ,..., l ,..., c , d ,..., lxxxyyy）MaxX

=α?iiiiiiiP（l| l, c , c）P（d| d）P（d| ly xxyy xx x）(公式7)MaxMaxlxidxi

首先我們?yōu)槊恳粋€碎片計算從結(jié)點(diǎn)dx到結(jié)點(diǎn)lx關(guān)于它在位置lx的信任消息： iii

midl（lix）= iii iP（d| d）P（d| ly xx x）(公式8)Maxdxi

也就是，對于每一個觀察到的碎片，用高描述符相似性計算每一個候選數(shù)據(jù)

庫位置lx。下一步，對這些候選數(shù)據(jù)庫的每一個位置，我們都傳遞一個包含在數(shù)據(jù)庫中可能原始位置cx： i

milc(cx)= iiiP（l| l, c, c）m（ly xx ydlx）(公式9)Maxlxi

在這一點(diǎn)，我們有一個被每一個碎片暗示的候選原始列表。為了計算一個整體組合任務(wù)的可能性，我們從組合里的所有個體碎片中乘這信任：

mc(cx)=?milc(cx)(公式10)

i

通過這個運(yùn)算法則處理的推論運(yùn)算量一個MAP推論。

3、估算查詢點(diǎn)的可能性

對于查詢中每一個點(diǎn)，我們嘗試在它周圍組合一個大的區(qū)域。這可以通過檢查圍繞著每一個點(diǎn)的大區(qū)域的有效性，檢查時用上面的推論處理過程（通過計算一個查詢區(qū)域相似性）。這一點(diǎn)參與了很多查詢區(qū)域中。我們定義一個查詢點(diǎn)的相似性為包含那個點(diǎn)的最大區(qū)域可能性。因此，假如存在一個包含它的大區(qū)域，有相應(yīng)的相似性數(shù)據(jù)庫區(qū)域的話，在查詢中的一個點(diǎn)將有一個高可能性。這樣，我們可以利用部份的目標(biāo)遮擋組合成查詢，因為靠近邊界的點(diǎn)被包含在目標(biāo)里的一個大的區(qū)域中。然而，部分遮擋可能生成小的鄰接的目標(biāo)區(qū)域，這些區(qū)域不能用我們當(dāng)前推論算法去組合。

在文章中，作者還提出了算法的性能改進(jìn)，并介紹了一些基于該文中所述方法的探測圖像和視頻中不規(guī)則方面的應(yīng)用：包括探測異常圖像構(gòu)造、單一圖像的顯著空間、探測可疑行為以及自動視頻檢查（質(zhì)量保證）等等。

最后，文章給出了結(jié)論：“通過組合的推論”，允許我們可以由少數(shù)幾個樣例就能在一個更大的上下文中去歸納什么是規(guī)則的，什么是不規(guī)則的。這個壓縮過程的實現(xiàn)是作為一個概率圖像模型里的高效推論算法來完成的，它適應(yīng)查詢與數(shù)據(jù)庫之間微小的時空變形。

“通過組合的推論”，也可以應(yīng)用在完全沒有任何早先樣本的情況下探測可視數(shù)據(jù)的顯著性。為了這個目的我們把每一個圖像區(qū)域稱作一個“查詢”，并且盡力利用剩下部分的圖像（數(shù)據(jù)庫）去組合它。這個過程依次重復(fù)所有的圖像區(qū)域。像這樣一些不能用圖像的其它部分“解釋”（組合）的區(qū)域?qū)⒆鳛轱@著區(qū)域

被探測出來。這導(dǎo)致了在可視數(shù)據(jù)上的一個新定義的術(shù)語：顯著。在視頻數(shù)據(jù)的案例中，這些區(qū)域是時空相關(guān)的，并且這些顯著的視頻區(qū)域是與顯著的行為相呼應(yīng)的。

“通過組合的推論”，這一方法是通用的并且因此能夠研究在一個單一的、統(tǒng)一的框架里的問題，它的一般性使得它不用采取任何基于分類模型的預(yù)學(xué)習(xí)的方法。我們通過探測可疑行為，顯著行為，顯著圖像區(qū)域，探測貨物或產(chǎn)品來證明這個方法的應(yīng)用。

文章中也提到，該文中的算法有兩個主要的局限性：(i)盡管遮擋可以處理某種程度的影響，它不能處理一些極端的遮擋（例如當(dāng)只有物體的小碎片部分是顯著時）。(ii)時間和存儲的復(fù)雜度在該文的推論算法中是隨樣本數(shù)據(jù)庫的大小顯線性變化的。這對于大的數(shù)據(jù)庫來說顯然是有問題的。這兩個問題會是作者將來研究的一個主題。

相關(guān)研究介紹:

趙峰等人在《計算機(jī)研究與發(fā)展》中發(fā)表的《一種基于奇異值分解的圖像匹配算法》提出一種新的基于奇異值分解的圖像匹配算法。首先在待匹配圖像中分別提取帶主方向的角點(diǎn)作為特征點(diǎn)，通過計算特征點(diǎn)間經(jīng)旋轉(zhuǎn)補(bǔ)償?shù)臍w一化互相關(guān)值建立特征點(diǎn)相似度矩陣，然后利用奇異值分解算法生成特征點(diǎn)匹配矩陣并獲得特征點(diǎn)間的--對應(yīng)關(guān)系。在復(fù)雜自然圖像上的實驗結(jié)果表明，算法能夠匹配任意角度旋轉(zhuǎn)的圖像，對局部遮擋、光照變化、隨機(jī)噪聲等具有較強(qiáng)的健壯性，并具有較快的計算速度和較高的匹配精度。

張軍、劉志鏡在《模式識別與人工智能》發(fā)表的《基于模糊理論的行人異常動作檢測》中根據(jù)行人軀干和四肢輪廓角度的變化，設(shè)計用于模糊化的函數(shù)式。提出利用軀干和四肢的模糊隸屬度通過計算來得到整個人異常度的一種基于模糊理論異常行為判別的算法。在系統(tǒng)實現(xiàn)中，提出利用質(zhì)心軌跡和模糊判別的聯(lián)合方法來甄別行人是否異常的方法。模糊判別可實現(xiàn)在視頻監(jiān)控范圍內(nèi)對行人行為的主動分析，從而能夠?qū)π腥水惓５膭幼髯龀鲎R別并進(jìn)行報警處理。

田永鴻等人申請的專利201010568248.X，“圖像顯著對象提取方法、互補(bǔ)顯著度圖學(xué)習(xí)方法及系統(tǒng)”，通過給定任意圖像，自動準(zhǔn)確地提取出圖像中的顯著物體，有效地解決了在復(fù)雜場景下一般顯著物體提取結(jié)果缺乏的準(zhǔn)確性和魯棒性問題。

第三篇：盲樣檢測活動總結(jié)

成品盲樣檢測活動總結(jié)

為了響應(yīng)宏盛企業(yè)文化---責(zé)任、激情、專業(yè)、創(chuàng)新。進(jìn)一步提升員工的專業(yè)知識，使員工的質(zhì)量專業(yè)水平和意識得到進(jìn)一步的鞏固，9月24日在化驗室組織開展關(guān)于車間配料員工和質(zhì)檢科員工的成品盲樣指標(biāo)檢測活動。

本次成品盲樣檢測共有13人參加，全部合格，其中優(yōu)秀（90分以上）3人，優(yōu)秀率23%，良好（70-90）10人，檢測結(jié)果和回答的問題基本都符合要求。雖然取得了較好的成績，但從中我們也發(fā)現(xiàn)了很多的不足之處，主要表現(xiàn)為：

1.酸度檢測時大部分人員滴定速度過快，滴定終點(diǎn)沒有控制

好，導(dǎo)致結(jié)果偏差.2.3.問答題酸度偏高偏低的解決方法不夠全面，不完整，參加檢測的人員對儀器的操作和維護(hù)方面有所欠缺，需要

加強(qiáng)這方面的學(xué)習(xí)。

4.化驗員對在線的內(nèi)容掌握的較少，需要加強(qiáng)對車間生產(chǎn)質(zhì)

量控制的了解。

第四篇：《沙原隱泉》讀書筆記

讀了余秋雨的《沙原隱泉》后，我深有感觸：他用簡練的語言，向大家展示出了月牙灣頑強(qiáng)的生命力。在荒蕪、干燥的沙漠里堅守這片沙漠；在日日夜夜的風(fēng)沙肆虐中依然十分清麗，真是一彎全水清如鏡，千年風(fēng)沙掩沙泉。它為何會到這兒？難道滿天的飛沙未曾把它填塞：難道夜半的颶風(fēng)從未把它吸干？是的，正因如此，它的頑強(qiáng)才給世人們帶來了驚喜、震撼。

人生，尤如在沙漠中行走，尤如在鳴沙山攀登，只有用自己的腳，才能走出一條新路，每當(dāng)回過頭來看看自己所走過的路，看看自己留下的腳印，無論是深、是淺、規(guī)則的、不規(guī)則的，心中都會為自己留下的腳印而高興，才發(fā)現(xiàn)，自己竟然走了這么長，爬了那么高，留下了一條飄逸的波動的曲線，無論是挫折、無論是成功、無論是輝煌，無論是……都是人生之經(jīng)歷，都是人生一筆寶貴的財富，正如泰戈爾的中詩中所言：“天空不留下鳥的痕跡，但我已飛過！”足已。

人生并不是總是陽光明媚，并不總是春意盎然，并不總是鳥語花香，并不總是富有詩情畫意，有時也有暴風(fēng)驟雨，有時也有陰霾，有時更有種山雨欲來風(fēng)滿樓之勢，讓人不能承受，人生有時更像無邊無際的沙漠，還有的看似平坦的一片，剛剛踩實一腳，稍一用力，腳下就松松的下滑，用力由大，陷得由深，下滑也就由厲害，不由感嘆人生如此之復(fù)雜，讓你茫然、讓你在無所適從。

可是，不管鳴沙山多么高，沙漠之行是如何的難，人生之路如何的復(fù)雜、曲折，時間也在一分一秒的消逝，路還是要走的，你不可能只停留在你的腳下，更不可能往回走，只有認(rèn)了，只有往前走，不為那山頂，不為名利、不為地位、不為金錢，只為能在人生之途上留下美麗的飄逸的曲線，不管你走到了人生的那一步，不管是輝煌、不管是平談，不管是酸、是甜、是苦、是辣，只為已耗去的生命，只為不枉此生來到了人間。這樣，你就能始終站在已走過的路的頂端，永遠(yuǎn)的頂端，自我的頂端，未曾后退的頂端。認(rèn)清人之路的之真諦，把腳底放松，與它廝魔，給浮器以寧靜、給急躁以清冽、給高蹈以平實、給粗獷以明麗、惟其這樣，人生才見靈動、世界才顯精致！

從中我懂的了一些人生哲理：做事要不拋棄不放棄；堅持不懈等等。雖然它只是一彎再普通不過的的泉水，但我一定會去看著一大奇景，感受一下大自然創(chuàng)造的奇跡。同時讓我感受那頑強(qiáng)的生命力。我期待著那一天的到來。此時，我們所要做的就是：認(rèn)清人生之真諦，永遠(yuǎn)不停地攀登、攀登、攀登……

第五篇：PET圖像檢測技術(shù)申請理由

PET圖像檢測技術(shù)

申請理由

腫瘤的早期預(yù)防、早期發(fā)現(xiàn)和治療對于人的生命是至關(guān)重要的，PET檢測技術(shù)的使用為腫瘤患者診斷方案的確定提供了便利條件，它獨(dú)特的成像技術(shù)和PET圖像的分析與研究，也越來越受到學(xué)者和研究人員的廣泛關(guān)注。準(zhǔn)確的將PET圖像中的腫瘤區(qū)域分割出來具有要的臨床意義。PET檢測技術(shù)的引進(jìn)，給癌癥患者帶來了一種準(zhǔn)確的診斷方案。它能收到人們?nèi)绱藷崆械年P(guān)注，因為PET／CT相比于傳統(tǒng)的診斷手段有了許多明顯的優(yōu)勢。

在PET臨床應(yīng)用中，主要用到數(shù)字圖像技術(shù)中的圖像分割技術(shù)。運(yùn)用圖象處理中的分割方法能夠提取影像數(shù)據(jù)中特殊組織，也是可視化實現(xiàn)的前提，分割后的區(qū)域能夠進(jìn)行組織容積的定量分析，診斷，治療規(guī)劃等，從而實現(xiàn)計算機(jī)輔助診斷分析。這就要求參加此項目的同學(xué)對數(shù)字圖像學(xué)有一定的了解，尤其是要掌握其中的圖像分割的多種方法，例如邊緣檢測閾值分割區(qū)域分裂與合并等等，當(dāng)然這離不開計算機(jī)技術(shù)的配合，該項目要求同學(xué)有較強(qiáng)的編程能力，最好能將圖像的檢測與分割及計算等用代碼實現(xiàn)，利用計算機(jī)最終實現(xiàn)腫瘤的較為精確的檢測和定量分析（主要是算其體積）。

要完成該項目，還必須熟練使用一些有關(guān)圖像的軟件，比如ITKMATLAB等。這促使計算機(jī)同學(xué)又多掌握一些軟件的使用，增加其課外知識。

總之，該項目不僅能增加同學(xué)們的知識，還能提高同學(xué)們的編程能力，最重要的一點(diǎn)是，使同學(xué)們將其所學(xué)知識應(yīng)用于有用的地方，提升同學(xué)們對計算機(jī)技術(shù)的熱情。

項目執(zhí)行環(huán)節(jié)

1、項目的準(zhǔn)備工作：確認(rèn)項目組的團(tuán)隊成員，理解科研項目的意義，明確項目的研究方向；

2、項目的研究計劃：首先，團(tuán)隊成員必須了解數(shù)字圖像分析的基礎(chǔ)知識；其次，必須熟練的掌握圖像處理有關(guān)的軟件，如itk、MATLAB等。在此基礎(chǔ)上，通過對一些已有腫瘤圖像分析案例的研究，結(jié)合所學(xué)的編程語言，開始獨(dú)立進(jìn)行腫瘤的檢測和計算（其體積）；最后，在研究過程中，不斷發(fā)現(xiàn)問題，解決問題，挖掘較好的腫瘤分割方法，并能準(zhǔn)確地測出其體積；

3、項目的研究內(nèi)容：掌握匯編語言，C語言基礎(chǔ)，C++語言。了解數(shù)字圖像基礎(chǔ)知識，熟悉圖像的分割方法。李有較強(qiáng)的編程能力及軟件ITK，對腫瘤進(jìn)行檢和分割。

4、項目的實施步驟：

1）對已有的腫瘤圖像分析案例進(jìn)項研究，了解其分割的方法。

2）在取得了一定研究經(jīng)驗的基礎(chǔ)上，熟悉相關(guān)軟件，開始獨(dú)立對腫瘤圖像進(jìn)行檢測和分割。

3）針對對研究過程中出現(xiàn)的問題進(jìn)行討論，解決問題，總結(jié)經(jīng)驗。

4）對所有取得的成果和數(shù)據(jù)進(jìn)行整理，完成課題研究報告，并進(jìn)行結(jié)題答辯。

進(jìn)度安排 1、2013年3月初到2013年6月底，通過閱讀導(dǎo)師規(guī)定書籍，熟悉項目的課題內(nèi)容。（在這段學(xué)習(xí)時間內(nèi)要了解數(shù)字圖像基礎(chǔ)知識的同時，再掌握C++等編程語言，提高自己編程能力）； 2、2013年7月初到2013年11月底，學(xué)習(xí)圖像處理相關(guān)軟件，基本掌握ITK或MATLAB的使用； 3、2013年12月初到2014年2月底，分析過去著名腫瘤圖像檢測及分割實例，開始嘗試自己獨(dú)立對腫瘤圖像檢測與分割計算，不斷積累經(jīng)驗； 5、2014年3月初到2014年7月底，開始對研究過程中出現(xiàn)的問題，在導(dǎo)師的幫助下進(jìn)行解決； 6、2014年8月初到2014年9月底，進(jìn)行所有數(shù)據(jù)成果上的處理，將試驗中團(tuán)隊進(jìn)行的腫瘤圖像檢測及分割案例進(jìn)行處理，撰寫研究報告。并準(zhǔn)備結(jié)題答辯。

成果形式

1、團(tuán)隊對5個以上的腫瘤圖像進(jìn)行檢測與分割

2、設(shè)計一個較好的腫瘤圖像分割方法

3、提交一份課題研究報告 效益

1、通過這樣的一個科研項目，我們可以熟悉數(shù)字圖像的基本知識，掌握圖像檢測和分割的方法，特別是通過用ITK軟件學(xué)習(xí)，可以極大地激發(fā)我們的學(xué)習(xí)熱情，增加課外知識；

2、在腫瘤圖像進(jìn)行檢測和分析過程中，我們還能增加自己編程能力（例如匯編語言，C語言）、調(diào)試程序的能力，特別是進(jìn)一步明確這些所學(xué)課程的目的和價值。

3、通過團(tuán)隊的學(xué)習(xí)，能提高我們團(tuán)隊協(xié)作能力。