本發(fā)明涉及一種圖像篡改檢測方法。特別是涉及一種圖像重采樣操作檢測方法。
背景技術：
：隨著低成本和高分辨率數(shù)字攝像頭和復雜的編輯軟件的出現(xiàn)，數(shù)字圖像可以很容易地操縱和改變。偽造的數(shù)字圖像往往難以從真實的照片中區(qū)別出來。因此，照片不再能作為事件真實性的記錄。特別是在司法系統(tǒng)和新聞媒體這些領域，圖像信息的真實性扮演著越發(fā)重要的角色。為了確保數(shù)字信息的真實性和完整性，數(shù)字圖像被動取證技術應運而生。有別于以數(shù)字簽名和數(shù)字水印為代表的主動取證技術，被動取證技術是僅根據(jù)獲取的數(shù)字圖像，尋找是否存在篡改后可能留下的各種痕跡，從而區(qū)分出自然圖像與被篡改圖像。圖像重采樣操作，即通過像素之間的插值運算得到不同尺度大小的圖像，一直是圖像通用處理或者編輯篡改過程中常見的一種基本操作模式。通過檢測重采樣可以有效地辨別圖像的真實性和處理歷程。當兩幅圖像拼接在一起時，為了產(chǎn)生高質(zhì)量連續(xù)的篡改圖片，需要縮放、旋轉(zhuǎn)等幾何變換。通常，幾何變換需要重采樣和插值步驟。因此，重采樣是圖像篡改中最常見的操作，也成為篡改檢測重點關注的操作之一。我們可以通過檢測重采樣留下的痕跡識別圖像或者圖像中的一部分是否經(jīng)過改動。目前已有許多學者圍繞數(shù)字圖像重采樣操作的盲檢測展開了相關研究。Popescu等人指出了圖像經(jīng)過重采樣操作后，雖然視覺上差異并不明顯，但是原始圖像的統(tǒng)計分布被改變，會引入新的統(tǒng)計相關性。作者構(gòu)建概率相關性圖(probability-map)，實現(xiàn)對重采樣操作的盲檢測。Mahdian等人引入基于二階導數(shù)協(xié)方差的特征，有效的反映信號的周期相關性。一般認為重采樣操作會改變原始圖像的紋理細節(jié)，基于這一思路，Hou等人將重采樣的檢測描述為一個紋理分類問題，利用先進的分類算法實現(xiàn)圖像重采樣檢測。Matthias等人在概率相關性圖(probability-map)的基礎上，描述了重采樣參數(shù)對周期性效應的影響，解析得到預期的重采樣尖峰，取得良好的檢測結(jié)果。Kirchne等人分析了在雙JPEG壓縮的情況下，如何檢測重采樣操作。作者公式化表述了JPEG壓縮仿射變換如何影響重采樣檢測，提出一種更適應于雙JPEG壓縮下的檢測方法。Feng等人提出利用歸一化的能量密度檢測重采樣痕跡。在JPEGQ＝55的情況下，檢測準確率依然能達到70％以上。但該方法依然是基于像素相關性的檢測方法，文中并未提到對于最近鄰插值等非周期性插值的檢測效果。雖然，對于重采樣的檢測已經(jīng)進行多年，但依然存在諸多問題，例如抗JPEG壓縮能力差、對特定縮放比例難以檢測、對非周期性插值難以檢測等。因此。提出一種更有效的圖像重采樣檢測方法十分必要。技術實現(xiàn)要素：本發(fā)明所要解決的技術問題是，提供一種檢測特征維度低，抗壓縮能力強，且具有優(yōu)秀的檢測準確率的圖像重采樣操作檢測方法。本發(fā)明所采用的技術方案是：一種圖像重采樣操作檢測方法，包括如下步驟：1)將圖像重采樣操作表示為如下模型：R是被重采樣之后的圖像，I是原始圖像，H是抽象的重采樣操作，N是誤差；2)對被重采樣之后的圖像R做初始的盲反卷積操作，得到初始核H0：3)求出不同大小的初始核H0，得到一組多尺度，不同大小的卷積核集合HS；4)再利用卷積核集合HS中的一個卷積核Hi和卷積核Hi所對應的原始圖像Ii做卷積的結(jié)果與被重采樣之后的圖像R進行比較，其中，質(zhì)量差異最小的為最優(yōu)核H*即是系統(tǒng)輸出；5)將最優(yōu)核H*展開成列向量；6)將所述的列向量放入分類器中訓練模型，得到分類模型；7)對待測圖像重復步驟2)～步驟5)，將得到的列向量放到步驟6)得到的分類模型中進行測試，得到最終檢測結(jié)果。步驟4)中所述的質(zhì)量差異是由峰值信噪比計算得到，計算公式如下：其中，Rt為圖像R中第t個像素點，為圖像中第t個像素點，n為圖像中像素點總個數(shù)。本發(fā)明的一種圖像重采樣操作檢測方法，通過本發(fā)明方法的檢測特征維度低，能夠有效減少用于支持向量機(SVM)分類器的訓練時間。本方法抗壓縮的能力強，且具有優(yōu)秀的檢測準確率，同時填補了相關研究在圖像重采樣檢測方面的空白。附圖說明圖1是本發(fā)明一種圖像重采樣操作檢測方法的流程圖；圖2是縮放比例為2.0時，最近鄰插值的卷積核的效果圖；圖3a是縮放比例為2.0，JPEG壓縮Q為55時，雙線性插值的卷積核的效果圖；圖3b是縮放比例為2.0，JPEG壓縮Q為25時，雙線性插值的卷積核的效果圖；圖3c是縮放比例為2.0，JPEG壓縮Q為10時，雙線性插值的卷積核的效果圖。具體實施方式下面結(jié)合實施例和附圖對本發(fā)明的一種圖像重采樣操作檢測方法做出詳細說明。如圖1所示，本發(fā)明的一種圖像重采樣操作檢測方法，包括如下步驟：1)將圖像重采樣操作表示為如下模型：R是被重采樣之后的圖像，I是原始圖像，H是抽象的重采樣操作，N是誤差；2)在實際問題中，往往R為已知，I和H未知，至此，將圖像重采樣操作盲檢測問題，轉(zhuǎn)化為利用盲反卷積操作求解H，即，對被重采樣之后的圖像R做初始的盲反卷積操作，得到初始核H0：3)求出不同大小的初始核H0，得到一組多尺度，不同大小的卷積核集合HS；4)再利用卷積核集合HS中的一個卷積核Hi和卷積核Hi所對應的原始圖像Ii做卷積的結(jié)果與被重采樣之后的圖像R進行比較，其中，質(zhì)量差異最小的為最優(yōu)核H*即是系統(tǒng)輸出；所述的質(zhì)量差異是由峰值信噪比計算得到，計算公式如下：其中，Rt為圖像R中第t個像素點，為圖像中第t個像素點，n為圖像中像素點總個數(shù)。5)將最優(yōu)核H*展開成列向量；6)將所述的列向量放入分類器中訓練模型，得到分類模型；7)對待測圖像重復步驟2)～步驟5)，將得到的列向量放到步驟6)得到的分類模型中進行測試，得到最終檢測結(jié)果。對一種圖像重采樣操作檢測方法的驗證實驗如下：本實驗中的檢測特征維度N取默認值20。本發(fā)明方法的檢測性能通過準確率來衡量，定義如下：其中PTP和PTN分別表示正確的正例和負例概率。對從UCID圖像數(shù)據(jù)庫獲取到的待測圖像處理為例：(1)由于最近鄰插值算法往往不會引入插值的周期性，所以大多數(shù)傳統(tǒng)方法無法有效檢測。對于非周期的重采樣檢測，是傳統(tǒng)重采樣檢測的難點。由于本發(fā)明的方法并不依賴于像素之間的周期性，所以對于非周期性重采樣，取得了較好的實驗結(jié)果。在縮放比例為2.0時，卷積核的結(jié)果如圖2所示。我們從UCID中挑選了100張有代表性的圖像，使用最近鄰插值算法進行重采樣。分別在縮放因子(scalingfactor)為1.6、1.8、2.0時，測試檢測效果，實驗結(jié)果如表1所示。(2)大多數(shù)傳統(tǒng)重采樣檢測方法，在JPEG壓縮下，效果會出現(xiàn)明顯下降。JPEG壓縮下的重采樣檢測，受到圖像質(zhì)量下降，JPEG塊效應的干擾。本發(fā)明的方法對于JPEG干擾較為魯棒。我們從UCID中挑選了100張有代表性的圖像，對其進行重采樣操作后，進行JPEG壓縮。對于雙線性重采樣，在縮放因子為1.6，1.8，2.0時，測試了在JPEG壓縮Q為55，25，10時的檢測效果。當縮放比例為2.0的情況下，JPEG壓縮Q為55時的卷積核結(jié)果如圖3a所示，JPEG壓縮Q為25時的卷積核結(jié)果如圖3b所示，JPEG壓縮Q為10時的卷積核結(jié)果如圖3c所示?？傮w檢測準確率如表2所示。表1圖像縮放比例準確率1.693％1.893％2.0100％表2Q＝55Q＝25Q＝10縮放比例1.686％81％83％縮放比例1.889％85％88％縮放比例2.093％87％89％以上所述，僅為本發(fā)明的具體實施方式，但本發(fā)明的保護范圍并不局限于此，任何熟悉本
技術領域：
的技術人員在本發(fā)明設計的技術范圍內(nèi)，可以做出很多變形或替換，這些都應該涵蓋在本發(fā)明的保護范圍之內(nèi)。當前第1頁1 2 3