摘要：随着深度学习的快速发展,基于深度学习的图像隐写分析技术研究取得了显著进展。然而,在残差特征提取及增强方面,传统图像预处理增强技术往往导致隐写信号的减弱,使得简单的图像预处理方法难以适配于隐写分析。对此,现有的深度学习隐写分析研究倾向于在不损害图像原有信息的基础上,设计固定的滤波核或对残差卷积层优化学习,缺乏对图像层面的隐写特征增强策略的可行性探讨。针对这一现象,提出了一种新颖高效的图像级特征增强隐写分析方法,通过最近邻插值算法扩大图像尺寸,在保留原始隐写信号的基础上进一步拓展分布相同的嵌入信号,从而增强模型对隐写残差特征的提取能力,无须对现有隐写分析流程做出显著改动即可有效提高隐写痕迹的可检测性。实验结果显示,所提方法能够显著提升模型在多种隐写算法下的检测准确率,尤其对于低嵌入率,其准确率最高可提升2.81%。该方法证实了图像层面预处理在隐写残差特征增强上的有效性,为深度学习隐写分析的图像残差特征提取提供了新的研究视角。

摘要：重建时间过长一直是影响三维直接重建在 CT(com puted tom ography)中广泛使用的主要原因之一 ,对于很少采用专用硬件的工业 CT,影响更为严重。用几何参数表方法替代 FDK(Feldkamp- Davis- Kress)算法可以避免由于周期函数的存在而产生的大量重复计算。预先计算出反投影的地址和权重 ,使得反投影的过程中只需从存储的几何参数表中查找。这使得计算量减少到微机可以接受的程度。预插值和最近邻插值的办法能避免大量的插值运算 ,分离变量能避免存储庞大的三维查找表。