针对单通道图像超分辨率方法难以同时实现快速的收敛性能以及高质量的纹理细节恢复的问题，提出一种基于双通道卷积神经网络的图像超分辨率增强算法。首先，网络分为深层通道和浅层通道，深层通道用于提取图像的详细纹理信息，浅层通道用于恢复图像的总体轮廓。然后，深层通道利用残差学习的优势，加深网络并降低模型参数规模，消除因网络过深导致的网络退化问题，构造长短期记忆块消除由反卷积层造成的伪影现象和噪声，采用多尺度方式，提取图像不同尺度的纹理信息，而浅层通道只需负责恢复图像主要轮廓。最后，融合两通道损失对网络不断优化，指导网络生成高分辨率图像。实验结果表明，相比基于深层和浅层卷积神经网络的端到端图像超分辨率算法（EEDS），所提算法收敛更迅速，图像边缘和纹理重建效果明显提升，其峰值信噪比（PSNR）和结构相似性（SSIM）在Set5数据集上平均提高了0.15 dB、0.0031，在和Set14数据集上平均提高了0.18 dB、0.0035。

JPEG图像的双量化效应为JPEG图像的篡改检测提供了重要线索.根据JPEG图像被局部篡改后,又被保存为JPEG格式时,未被篡改的区域(背景区域)的离散余弦变换(DCT)系数会经历双重JPEG压缩,篡改区域的DCT系数则只经历了1次JPEG压缩.而JPEG图像在经过离散余弦变换后其DCT域的交流(AC)系数的分布符合一个用合适的参数来描述的拉普拉斯分布,在此基础上提出了一种JPEG图像重压缩概率模型来描述重压缩前后DCT系数统计特性的变化,并依据贝叶斯准则,利用后验概率表示出图像篡改中存在的双重压缩效应块和只经历单次压缩块的特征值.然后设定阈值,通过阈值进行分类判断就可以实现对篡改区域的自动检测和提取.实验结果表明,该方法能快速并准确地实现篡改区域的自动检测和提取,并且在第2次压缩因子小于第1次压缩因子时,检测结果相对于利用JPEG块效应不一致的图像篡改盲检测算法和利用JPEG图像量化表的图像篡改盲检测算法有了明显的提高.