证件照片防伪鲁棒数字图像水印采用的技术包括：图像打印扫描过程像素失真数学建模与校正技术、基于建模校正的抗打印扫描数字图像水印算法、基于边缘和人像特征的图像几何校正技术和纠错码技术等。应用原型系统首先将身份信息采用数据加密算法进行加密，之后使用纠错码进行编码，生成水印信号，最后采用抗打印扫描水印嵌入算法将水印信号嵌入到人像照片图像中，得到嵌水印的照片图像，并将证件打印制作出来。检测时，首先扫描证件得到证件图像，并进行几何校正、照片图像提取，然后对照片图像进行模型校正并运用抗打印扫描数字水印提取算法提取水印信息，对提取的水印信息经过纠错码译码和解密，得到身份认证信息。

本发明公开了一种基于图像边缘矢量的匹配方法。利用边缘的方向和大小，实现对缩放、噪声、光照变化、局部遮挡、旋转平移等情况的匹配；提取模板边缘中有代表性的矢量，与目标图像的边缘特征进行比较，而不是逐边缘点比较，大大减少计算量，具有较好匹配准确度；先用金字塔得到较小的模板和目标图像，并采用较大且合适的参数步长，得到较为粗匹配的匹配位置和参数，再选取更为精细且满足匹配要求的参数步长，在粗匹配的结果基础上再次搜索匹配，得到精确的匹配位置和参数。

本成果属于高光谱图像信息处理技术，为高光谱遥感图像分类方法。首先对高维高光谱图像提取第一主成分特征图，并利用结构元素对主成分特征图进行多维的空间结构特征提取，结合提取的形态学特征与原始光谱特征，利用联合稀疏表示算法将同一空间区域中的像元联合进行稀疏系数矩阵的求解，最终通过最小残差判断准则确定像元类别。这种方法有效地并且充分的挖掘了高光谱遥感图像中的空间信息、形态信息和光谱信息。考虑到稀疏表示方法在迭代求解稀疏向量时的耗时性与对非线性数据的不可分性，进一步提出了基于差分形态学核协同表示的高光谱遥感图像分类算法。该成果方法通过核化的协同表示分类算法避免了优化求解的耗时性，同时克服了高维特征空间下数据的线性不可分性。算法首先通过差分形态学方法在高光谱遥感图像的主成分分析图上进行空间特征提取，并通过核变换方法将新特征字典投影到高维的线性核特征空间，最后利用核化协同表示算法的高效性对高光谱图像进行分类。 主要技术指标 University of Pavia 通过 ROSIS-03 传感器记录，该图像捕获了意大利帕维亚的帕维亚大学周围的市区。图像尺寸为 610×340×103，空间分辨率为 1.3 m / 像素，光谱覆盖范围为 0.43 至 0.86μm。该图像考虑了九个类别。其具有 42776 个标记样本。每类取 50 个有标记样本共 450 个样本作为训练样本。 请参阅表 1，本方法提出的高光谱图像分类方法，相比于传统分类器 SVM，OA 提高了约 18%；相比于 JSRC，OA 提高了约 5%；同时参阅表 2，展示了本成果方法的时间运行效率与相关方法的比较。该成果无需使用 GPU 资源在保证精度的同时有效提升了分类的精度和效果。 表 1 PaviaU 数据集上对比实验结果 表 2 不同数据集上时间运行对比实验结果

本发明公开了一种基于纹理基元的遥感图像分类方法，包括：·741·选取典型地物的遥感图像作为第一训练集和第二训练集；提取第一训练集中同类地物图像的邻域特征向量并聚类形成纹理基元，不同地物的纹理基元组成纹理基元字典；利用纹理基元字典对第二训练集中图像的邻域特征向量进行标记，并对中心像素进行分箱，统计各个图像的中心像素-纹理基元二维联合分布，形成纹理模型库；将待分类的图像划分成超像素，经拉普拉斯校准后统计各超

本发明公开了一种基于 Zernike 矩的图像匹配方法，包括 S1 建立 N 层模板金字塔图像；S2 计算每层模板图像的 K 个矩并建立 RCS表；S3 建立 N 层目标金字塔图像；S4 通过查找 RCS 表计算 N 层中第L 层中每个目标子图像的 K 个矩；S5 计算第 L 层模板金字塔图像与第L 层每个目标金字塔图像子图像 K 个矩的相关系数，获得第 L 层目标金字塔图像匹配点位置；S6 判断 L 是否等于 1，若是，则进入 S8；若否 ， 则 L ＝ L 1 ， 进 入 S7 ； S7 在 第

Ø  成果简介：超分辨率图像重建技术是近年来发展迅速的图像处理新技术，其目的是超越成像传感器、成像和信道的分辨极限，利用所获低分辨率图像，实现高分辨率图像的重建。超高分辨率图像增强与显示芯片项目利用超分辨率图像实时处理技术，实现从一幅或多幅低分辨率视频图像处理获得高分辨率图像，在图像被放大的同时增强图像更多的细节，提高图像的清晰度和分辨率，实现摄像传感器的低分辨率与显示器高分辨率之间的匹配，解决目前图像获取与显示分辨率不匹配的瓶颈问题，在现有图像获取技术的基础上提高显示器的画面质

本发明公开了一种基于点线对偶的图像匹配方法，包括：从参 考图像 R 和目标图像 S 中分别提取直线，以得到参考直线集合和目标 直线集合，分别将参考直线集合和目标直线集合中所有的直线段从图像 空 间 映 射 到 对 偶 空 间 ， 以 得 到 参 考 对 偶 点 集 共有 m 个对偶点， 以 及 目 标 对 偶 点 集共有 n 个对偶点，分别将参考对偶点集和目标对偶点集中邻近 的对偶点进行融合，以得到新的参考对偶点集和新的目标对偶点集， 估计新的参考对偶点集和新的目标对偶点集之间的旋转变换参数，估 计新的参考对偶点集和新的目标对偶点集之间的平移变换参数。本发 明等效地把图像空间中断裂破碎的多条直线段重新融合为一条直线 段，提高了匹配效率和稳定性。 

本发明公开了一种基于超图模型的RGBD图像显著性检测方法，该方法包括：对待检测彩色图像和深度图像进行超像素分割，对深度图像的每一个超像素区域进行邻域深度对比图的计算，依据邻域深度对比值构建深度背景超边；提取位于图像边界的超像素区域构建边界背景超边；计算两个超边的权重，并根据超图学习算法进行超边展开，构建诱导图；基于诱导图的空间邻接关系和边权重，利用边界连通性先验计算边界背景显著图；采用基于元胞自动机的显著度更新算法和结合深度先验的融合算法得到最终的显著性检测图。本发明弥补了传统2D边界背景先验中的不足，利用深度信息和超图模型进行改进，与以往结合彩色和深度信息的图像显著性检测方法相比取得了更好的效果。

产品详细介绍 笔记本PCMCIA彩色黑白高清图像采集卡是一款高品质图象采集卡，支持1路复合视频输入和1路S-Video输入，分辨率720*576。采用10 bit A/D转换芯片，能得到高画质高清晰图像，采用多层滤波，画面分辨率高，色彩更加丰富艳丽，图像采集的实时性能更强，采样频率更高，性能更为稳定。 特别适于：笔记本图像采集处理、高精度高速图像采集处理 医学图像采集、显微成像、工业检测、野外图像采集存储、野外监控录像系统 便携移动图像采集处理、移动智能交通、移动电子警察、移动车辆稽查系统 【PCMCIA接口采集卡性能指标】 l  PCMCIA接口采集卡 笔记本专用采集卡 笔记本图像采集卡真彩色/黑白方式采集图象数据：8位-32位； l  图象显示采集分辩率：720X576，可以无级缩放； l  PCMCIA接口采集卡 笔记本专用采集卡 笔记本图像采集卡可采集静态BMP/JPEG和动态MPEG4文件； l  具有1路模拟视频输入和一个S端子（YC分量）输入； l  实现视频信号的实时显示，扫描、同时采集处理； l  采样位数：黑白方式8Bit，彩色方式RGB15、16、24和32Bit； l  PCMCIA接口采集卡 笔记本专用采集卡 笔记本图像采集卡水平解像度：可达电视线480以上！ l  亮度、对比度、画面的大小比例均可由软件编程调节，硬件支持窗口缩放；  l  灵活实用的显示方式：Bitmap mode (BMP/DIB)、DirectDraw back buffer mode 、DirectDraw primary DirectDraw overlay 【笔记本专用采集卡特点介绍】 l PCMCIA接口采集卡 笔记本专用采集卡 笔记本图像采集卡独特的视频输入滤波技术端口，极大地提高了图像采集的清晰度和显示速度； l  软件功能丰富完善、开发简单方便，在MV系列图象卡中容易移植； l 提供二次开发工具包，全力支持开发！我们还可以根据用户的要求直接改写软件，或代为ODM、OEM，全面满足您的需求。 我们提供您方便的二次开发包（SDK），甚至还能根据用户的要求直接写应用软件，外置图像采集卡对于行业应用的大批量订单，我们可以根据客户的需求进行软件硬件方面的修改（ODM）。    PCMCIA接口采集卡 笔记本专用采集卡 笔记本图像采集卡二次开发包支持VB、VC、DELPHI等进行二次开发，我们提供方便的开发示例的源代码，外置图像采集卡可以让您方便快速的开发您的自己的应用系统。 外置图像采集卡非常亲和的硬件快照功能，低电源消耗，非常适合笔记本电脑，可配合快速的图象编辑软件，支持WIN2000/winxp操作系统。 （产品可大量为客户OEM、系统集成商所配套，提供优惠的价格优良的服务） 【笔记本图像采集卡应用领域】 工业检测、智能交通、电子警察、交通抓拍、医学影像、工业监控、仪器仪表、机器视觉、病理显微、人工智能、医学内镜、生物识别、安防监控、视频会议等领域。

图1. 矿识的4个页面 a: 选取待识别的矿物，可现场拍照获取或从手机相册中选取 b: 截取待识别矿物中心图 c: 输入便携硬度仪测量或经验估计所得的硬度值后得到识别结果 d: 可以不使用硬度值，仅用图片进行识别 表1 矿识与其他相关工作的对比 图片类型 相关研究 性能 可识别矿物数 准确率(%) Raman spectroscopy 拉曼光谱 Computers & geosciences 2013 6 83.0 Microscope 显微镜 Sensors 2019 4 90.9 Mathematical and Computational Applications 2011 5 93.9 Photo 相机图片 Artificial Intelligence in Theory and Practice, 2008 6 91.0 Minerals 2019 12 74.2 photo & hardness 相机图片+硬度 矿识 36 90.6   表2 矿识能够识别的36种矿物及其准确率 矿物名 样本数  仅用图片识别的正确数 结合图片与硬度识别的正确数 Agate玛瑙 5 5 5 almandine铁铝榴石 6 4 4 azurite蓝铜矿 2 1 2 beryl绿柱石 1 1 1 chalcopyrite黄铜矿 2 1 2 cinnabar辰砂 1 1 1 copper铜 2 2 2 fluorite萤石，氟石 11 8 10 galena方铅矿 3 2 3 halite石盐 1 1 1 hematite赤铁矿 8 1 5 malachite孔雀石 6 5 5 opal欧泊 1 1 1 orpiment雌黄 3 1 3 pyrite黄铁矿 6 5 6 quartz石英 4 4 4 sphalerite闪锌矿 1 0 0 stibnite辉锑矿 8 7 8 sulphur硫磺 2 2 2 total 73 52 65 Accuracy \ 71.2% 89%