第一篇：基于SVW的图像隐写盲检测(读书笔记)
基于SVW的图像隐写盲检测
作者：管超
内容：隐写技术与隐写分析技术作为信息安全领域一个研究热点，在短短几年实践中缺的了很大进展。隐写术是利用人类感觉器官的不敏感性，以及图像本身存在的冗余，将秘密信息隐藏于一个数字媒体而不被察觉。而伴随而生的隐写分析技术即是揭示媒体中隐秘信息的存在性，判别媒体中的隐藏信息可能性。盲检测技术是根据隐藏信息嵌入前后，提取反映图像细微变化的数学统计特征，借助分类器对其特征进行分类，从而区分原始图像与含密图像。
此文主要总结了当前主要的盲检测特征提取算法，并指出其优缺点。分析了隐藏信息的嵌入对灰度共生矩阵的影响，提取灰度共生矩阵作为图像特征。同时从图像噪声的角度研究图像隐写和盲检测。针对纹理图像检测的困难，将纹理分类的方法引入图像隐写的盲检测中。
第二篇：读书笔记(图像和视频中的不规则检测)
论文题目：Detecting Irregularities in Images and in Video 所载刊物：International Journal of Computer Vision 74(1), 17–31, 2007 作者：Oren Boiman and Michal Irani
主要内容和结论（观点）：
该文主要阐述了作者在检测图像和视频等可视化数据中的不规则数据的研究成果。
文章中表明，图像和视频中不规则图像模型的探测在各种各样的任务中都是很有用的。对于监视和监测来说探测可疑行为或是异常目标是重要的。
早先识别可疑行为或活动的方法可以广泛的被分成两类：基于规则的方法和没有预定义规则的统计方法。
而在该文中作者提出将探测规则和不规则的问题公式化成为用从先前可视样本（数据库）中提取出来的时空块组成（解释）新的观察的可视数据（一个图像或是一段视频，在下面提到时用“查询”表示）的问题。这些可以用从样本数据库中抽取的大的连续数据块组成的查询中的区域被认为是相似的，这些区域越大，相似性就越强。在不能用样本数据库组成的查询中的区域被认为是不相似的或是可疑的。作者的方法因此可以从仅仅少量的几个样本就能推断或是归纳出更大的上下文的图像模式和行为，甚至那些从来都没有见过的特别构造。（这个过程被定义为“通过组合的推论”）
作者认为该文作出了以下四个主要的贡献：
1、提出了一个可以从仅有的几个样本中就可以推理和归纳的方法，这个方法是关于一个更大的上下文图像模式和行为的合法性的，甚至是那些从来都没有见过的特殊构造的合法性。
2、提出了一个基于图表的贝叶斯定理的推论算法，它可以在成倍增加的时空范围里有效探测大的整套的碎片块（例如，数以百计的碎片块）。同时它可以增强这些在整体以及单个的描述符上的碎片里的相关几何方面的排列上的约束。
3、提出了对图像和视频里术语中的“显著”和“视觉注意”给出一个新的解释。
4、提出了一个单一的、统一的框架来处理计算机视觉里几个的问题，这些问题在过去已经被单独地处理过。它们包括：图像和视频中值得注意的地方，可疑行为的识别，异常物体的识别，自动视频检查（例如，用于质量保证）等等。
论文中的基本算法：
1、统计公式
用y来表示一个观察到的查询范围内的碎片组合。计算连接的可能性P（x，y），其中观察到的查询中的组合y与在数据库（既在碎片的描述符值相似也在相对位置上相似）中的隐藏的组合x是相似的。我们可以把连接的可能性分解成：P(x, y)= P(y|x)P(x)。
令dy表示观察到的碎片y中的第i个描述符向量，ly表示它的位置（在绝对坐标里）。类似的，dx表示在碎片x中的第i个隐藏（数据库）的描述符向量，lx表示它的位置。令cy和cx表示被观察到的和隐藏的组合的“原始”点。任何这样一对组合y和x的相似性被以下的可能性公式捕获： iiii
P(x, y)= P（cx , d1x ,..., l1x ,..., cy , d1y ,..., l1y,...）(公式1)
我们用一个高斯分布在描述符间建立相似性模型：
P（diy|dix）=α1 exp（−1/2（diy− dix）T S D−1（diy− dix））(公式2)
这里，α1是一个常量，S D是一个常量协方差矩阵，它决定描述符值的可允许的偏差。其它的分布可以根据其它描述符的相似性函数插入到模型中。给定一个隐藏数据库碎片的相对位置(lx− cx)，观察到的相应碎片(ly− cy)的相对位置被假设成不依赖于所有其它碎片位置。这个假设使得有足够灵活性去适应在视线角度、范围、位置和行为上的微小变化进行比较两个碎片组合的几何排列，这样： iiP（liy | lix, cx , cy）= α2 · exp（− 1/2（（liy− cy）−（lix− cx））T× S−1L（（liy− cy）−（lix− cx））））(公式3)
到目前为止我们已经建立了组合（描述符：dy, dx和相应位置：ly− cy , lx− iiiicx）间属性的关系模型，我们仍然需要建立隐藏组合内的关系（也就是一个碎片描述符dx和它的位置间lx的关系）模型。利用数据库中的样本进行非参数化的为它建模：
ii
1(dx , lx)∈ Database
P(dx | lx)=(公式4）
0otherwise
这里dx和lx是任意描述符和位置。
这样，对于一个观察到的组合y和一个隐藏数据库组合x，我们可以通过利用公式(2)–(4)来得出公式(1)的共同可能性P(x, y)如下：
P（cx , d1x ,..., l1x ,..., cy , d1y ,..., l1y）
=αP（liy| lix, cx , cy）P（diy| dix）P（dix| lix）(公式5)
i
对于任何隐藏的非零可能性的集团分配,我们定义组合代价为负的对数可能性函数：
-logP（cx , d1x ,..., l1x ,..., cy , d1y ,..., l1y）
= i-log P（liy| lix, cx , cy）+-log P（diy| dix）+α1(公式6)i
当α1= log(α)时是常量。
2、信任传播推论
给定一个观察到的组合，我们寻找一个隐藏的数据库组合，这个组合最大化它的MAP（最大归纳的可能性）分配。这被通过上面统计模型来完成，这个模型具有一个简单并且确切的信任传播运算法则。根据公式(5)，MAP分配可以被写成：
1111P（c , d ,..., l ,..., c , d ,..., lxxxyyy）MaxX
=αiiiiiiiP（l| l, c , c）P（d| d）P（d| ly xxyy xx x）(公式7)MaxMaxlxidxi
首先我们为每一个碎片计算从结点dx到结点lx关于它在位置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，对于每一个观察到的碎片，用高描述符相似性计算每一个候选数据
库位置lx。下一步，对这些候选数据库的每一个位置，我们都传递一个包含在数据库中可能原始位置cx： i
milc(cx)= iiiP（l| l, c, c）m（ly xx ydlx）(公式9)Maxlxi
在这一点，我们有一个被每一个碎片暗示的候选原始列表。为了计算一个整体组合任务的可能性，我们从组合里的所有个体碎片中乘这信任：
mc(cx)=milc(cx)(公式10)
i
通过这个运算法则处理的推论运算量一个MAP推论。
3、估算查询点的可能性
对于查询中每一个点，我们尝试在它周围组合一个大的区域。这可以通过检查围绕着每一个点的大区域的有效性，检查时用上面的推论处理过程（通过计算一个查询区域相似性）。这一点参与了很多查询区域中。我们定义一个查询点的相似性为包含那个点的最大区域可能性。因此，假如存在一个包含它的大区域，有相应的相似性数据库区域的话，在查询中的一个点将有一个高可能性。这样，我们可以利用部份的目标遮挡组合成查询，因为靠近边界的点被包含在目标里的一个大的区域中。然而，部分遮挡可能生成小的邻接的目标区域，这些区域不能用我们当前推论算法去组合。
在文章中，作者还提出了算法的性能改进，并介绍了一些基于该文中所述方法的探测图像和视频中不规则方面的应用：包括探测异常图像构造、单一图像的显著空间、探测可疑行为以及自动视频检查（质量保证）等等。
最后，文章给出了结论：“通过组合的推论”，允许我们可以由少数几个样例就能在一个更大的上下文中去归纳什么是规则的，什么是不规则的。这个压缩过程的实现是作为一个概率图像模型里的高效推论算法来完成的，它适应查询与数据库之间微小的时空变形。
“通过组合的推论”，也可以应用在完全没有任何早先样本的情况下探测可视数据的显著性。为了这个目的我们把每一个图像区域称作一个“查询”，并且尽力利用剩下部分的图像（数据库）去组合它。这个过程依次重复所有的图像区域。像这样一些不能用图像的其它部分“解释”（组合）的区域将作为显著区域
被探测出来。这导致了在可视数据上的一个新定义的术语：显著。在视频数据的案例中，这些区域是时空相关的，并且这些显著的视频区域是与显著的行为相呼应的。
“通过组合的推论”，这一方法是通用的并且因此能够研究在一个单一的、统一的框架里的问题，它的一般性使得它不用采取任何基于分类模型的预学习的方法。我们通过探测可疑行为，显著行为，显著图像区域，探测货物或产品来证明这个方法的应用。
文章中也提到，该文中的算法有两个主要的局限性：(i)尽管遮挡可以处理某种程度的影响，它不能处理一些极端的遮挡（例如当只有物体的小碎片部分是显著时）。(ii)时间和存储的复杂度在该文的推论算法中是随样本数据库的大小显线性变化的。这对于大的数据库来说显然是有问题的。这两个问题会是作者将来研究的一个主题。
相关研究介绍:
赵峰等人在《计算机研究与发展》中发表的《一种基于奇异值分解的图像匹配算法》提出一种新的基于奇异值分解的图像匹配算法。首先在待匹配图像中分别提取带主方向的角点作为特征点，通过计算特征点间经旋转补偿的归一化互相关值建立特征点相似度矩阵，然后利用奇异值分解算法生成特征点匹配矩阵并获得特征点间的--对应关系。在复杂自然图像上的实验结果表明，算法能够匹配任意角度旋转的图像，对局部遮挡、光照变化、随机噪声等具有较强的健壮性，并具有较快的计算速度和较高的匹配精度。
张军、刘志镜在《模式识别与人工智能》发表的《基于模糊理论的行人异常动作检测》中根据行人躯干和四肢轮廓角度的变化，设计用于模糊化的函数式。提出利用躯干和四肢的模糊隶属度通过计算来得到整个人异常度的一种基于模糊理论异常行为判别的算法。在系统实现中，提出利用质心轨迹和模糊判别的联合方法来甄别行人是否异常的方法。模糊判别可实现在视频监控范围内对行人行为的主动分析，从而能够对行人异常的动作做出识别并进行报警处理。
田永鸿等人申请的专利201010568248.X，“图像显著对象提取方法、互补显著度图学习方法及系统”，通过给定任意图像，自动准确地提取出图像中的显著物体，有效地解决了在复杂场景下一般显著物体提取结果缺乏的准确性和鲁棒性问题。
第三篇：盲样检测活动总结
成品盲样检测活动总结
为了响应宏盛企业文化---责任、激情、专业、创新。进一步提升员工的专业知识，使员工的质量专业水平和意识得到进一步的巩固，9月24日在化验室组织开展关于车间配料员工和质检科员工的成品盲样指标检测活动。
本次成品盲样检测共有13人参加，全部合格，其中优秀（90分以上）3人，优秀率23%，良好（70-90）10人，检测结果和回答的问题基本都符合要求。虽然取得了较好的成绩，但从中我们也发现了很多的不足之处，主要表现为：
1.酸度检测时大部分人员滴定速度过快，滴定终点没有控制
好，导致结果偏差.2.3.问答题酸度偏高偏低的解决方法不够全面，不完整，参加检测的人员对仪器的操作和维护方面有所欠缺，需要
加强这方面的学习。
4.化验员对在线的内容掌握的较少，需要加强对车间生产质
量控制的了解。
第四篇：《沙原隐泉》读书笔记
读了余秋雨的《沙原隐泉》后，我深有感触：他用简练的语言，向大家展示出了月牙湾顽强的生命力。在荒芜、干燥的沙漠里坚守这片沙漠；在日日夜夜的风沙肆虐中依然十分清丽，真是一弯全水清如镜，千年风沙掩沙泉。它为何会到这儿？难道满天的飞沙未曾把它填塞：难道夜半的飓风从未把它吸干？是的，正因如此，它的顽强才给世人们带来了惊喜、震撼。
人生，尤如在沙漠中行走，尤如在鸣沙山攀登，只有用自己的脚，才能走出一条新路，每当回过头来看看自己所走过的路，看看自己留下的脚印，无论是深、是浅、规则的、不规则的，心中都会为自己留下的脚印而高兴，才发现，自己竟然走了这么长，爬了那么高，留下了一条飘逸的波动的曲线，无论是挫折、无论是成功、无论是辉煌，无论是……都是人生之经历，都是人生一笔宝贵的财富，正如泰戈尔的中诗中所言：“天空不留下鸟的痕迹，但我已飞过！”足已。
人生并不是总是阳光明媚，并不总是春意盎然，并不总是鸟语花香，并不总是富有诗情画意，有时也有暴风骤雨，有时也有阴霾，有时更有种山雨欲来风满楼之势，让人不能承受，人生有时更像无边无际的沙漠，还有的看似平坦的一片，刚刚踩实一脚，稍一用力，脚下就松松的下滑，用力由大，陷得由深，下滑也就由厉害，不由感叹人生如此之复杂，让你茫然、让你在无所适从。
可是，不管鸣沙山多么高，沙漠之行是如何的难，人生之路如何的复杂、曲折，时间也在一分一秒的消逝，路还是要走的，你不可能只停留在你的脚下，更不可能往回走，只有认了，只有往前走，不为那山顶，不为名利、不为地位、不为金钱，只为能在人生之途上留下美丽的飘逸的曲线，不管你走到了人生的那一步，不管是辉煌、不管是平谈，不管是酸、是甜、是苦、是辣，只为已耗去的生命，只为不枉此生来到了人间。这样，你就能始终站在已走过的路的顶端，永远的顶端，自我的顶端，未曾后退的顶端。认清人之路的之真谛，把脚底放松，与它厮魔，给浮器以宁静、给急躁以清冽、给高蹈以平实、给粗犷以明丽、惟其这样，人生才见灵动、世界才显精致！
从中我懂的了一些人生哲理：做事要不抛弃不放弃；坚持不懈等等。虽然它只是一弯再普通不过的的泉水，但我一定会去看着一大奇景，感受一下大自然创造的奇迹。同时让我感受那顽强的生命力。我期待着那一天的到来。此时，我们所要做的就是：认清人生之真谛，永远不停地攀登、攀登、攀登……
第五篇：PET图像检测技术申请理由
PET图像检测技术
申请理由
肿瘤的早期预防、早期发现和治疗对于人的生命是至关重要的，PET检测技术的使用为肿瘤患者诊断方案的确定提供了便利条件，它独特的成像技术和PET图像的分析与研究，也越来越受到学者和研究人员的广泛关注。准确的将PET图像中的肿瘤区域分割出来具有要的临床意义。PET检测技术的引进，给癌症患者带来了一种准确的诊断方案。它能收到人们如此热切的关注，因为PET／CT相比于传统的诊断手段有了许多明显的优势。
在PET临床应用中，主要用到数字图像技术中的图像分割技术。运用图象处理中的分割方法能够提取影像数据中特殊组织，也是可视化实现的前提，分割后的区域能够进行组织容积的定量分析，诊断，治疗规划等，从而实现计算机辅助诊断分析。这就要求参加此项目的同学对数字图像学有一定的了解，尤其是要掌握其中的图像分割的多种方法，例如边缘检测阈值分割区域分裂与合并等等，当然这离不开计算机技术的配合，该项目要求同学有较强的编程能力，最好能将图像的检测与分割及计算等用代码实现，利用计算机最终实现肿瘤的较为精确的检测和定量分析（主要是算其体积）。
要完成该项目，还必须熟练使用一些有关图像的软件，比如ITKMATLAB等。这促使计算机同学又多掌握一些软件的使用，增加其课外知识。
总之，该项目不仅能增加同学们的知识，还能提高同学们的编程能力，最重要的一点是，使同学们将其所学知识应用于有用的地方，提升同学们对计算机技术的热情。
项目执行环节
1、项目的准备工作：确认项目组的团队成员，理解科研项目的意义，明确项目的研究方向；
2、项目的研究计划：首先，团队成员必须了解数字图像分析的基础知识；其次，必须熟练的掌握图像处理有关的软件，如itk、MATLAB等。在此基础上，通过对一些已有肿瘤图像分析案例的研究，结合所学的编程语言，开始独立进行肿瘤的检测和计算（其体积）；最后，在研究过程中，不断发现问题，解决问题，挖掘较好的肿瘤分割方法，并能准确地测出其体积；
3、项目的研究内容：掌握汇编语言，C语言基础，C++语言。了解数字图像基础知识，熟悉图像的分割方法。李有较强的编程能力及软件ITK，对肿瘤进行检和分割。
4、项目的实施步骤：
1）对已有的肿瘤图像分析案例进项研究，了解其分割的方法。
2）在取得了一定研究经验的基础上，熟悉相关软件，开始独立对肿瘤图像进行检测和分割。
3）针对对研究过程中出现的问题进行讨论，解决问题，总结经验。
4）对所有取得的成果和数据进行整理，完成课题研究报告，并进行结题答辩。
进度安排 1、2013年3月初到2013年6月底，通过阅读导师规定书籍，熟悉项目的课题内容。（在这段学习时间内要了解数字图像基础知识的同时，再掌握C++等编程语言，提高自己编程能力）； 2、2013年7月初到2013年11月底，学习图像处理相关软件，基本掌握ITK或MATLAB的使用； 3、2013年12月初到2014年2月底，分析过去著名肿瘤图像检测及分割实例，开始尝试自己独立对肿瘤图像检测与分割计算，不断积累经验； 5、2014年3月初到2014年7月底，开始对研究过程中出现的问题，在导师的帮助下进行解决； 6、2014年8月初到2014年9月底，进行所有数据成果上的处理，将试验中团队进行的肿瘤图像检测及分割案例进行处理，撰写研究报告。并准备结题答辩。
成果形式
1、团队对5个以上的肿瘤图像进行检测与分割
2、设计一个较好的肿瘤图像分割方法
3、提交一份课题研究报告 效益
1、通过这样的一个科研项目，我们可以熟悉数字图像的基本知识，掌握图像检测和分割的方法，特别是通过用ITK软件学习，可以极大地激发我们的学习热情，增加课外知识；
2、在肿瘤图像进行检测和分析过程中，我们还能增加自己编程能力（例如汇编语言，C语言）、调试程序的能力，特别是进一步明确这些所学课程的目的和价值。
3、通过团队的学习，能提高我们团队协作能力。
点击咨询 