基于頻域局部統(tǒng)計(jì)模型的數(shù)字圖像拼接被動(dòng)檢測(cè)方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及數(shù)字圖像處理技術(shù)領(lǐng)域，具體是一種基于頻域局部統(tǒng)計(jì)模型的數(shù)字圖 像拼接被動(dòng)檢測(cè)方法。
【背景技術(shù)】
[0002] 隨著電子信息技術(shù)的快速發(fā)展，數(shù)字圖像以其信息量大、可視性強(qiáng)等優(yōu)點(diǎn)，廣泛應(yīng) 用于科學(xué)研宄、新聞報(bào)道和廣告策劃等領(lǐng)域。在日常生活和工作中，大多數(shù)人對(duì)數(shù)字圖像的 編輯和修飾只是為了滿足某些現(xiàn)實(shí)需求，但也有一些不法分子懷有某種惡意目的去偽造和 散布一些肉眼難以區(qū)分的數(shù)字偽造圖像，從而誤導(dǎo)公眾，給個(gè)人和社會(huì)造成嚴(yán)重的不良影 響。因此，數(shù)字圖像真?zhèn)舞b定在司法鑒定和版權(quán)保護(hù)等領(lǐng)域有著十分重要的意義。當(dāng)前的 數(shù)字圖像篡改檢測(cè)技術(shù)大致可分為兩大類(lèi)，即主動(dòng)篡改檢測(cè)方法和被動(dòng)篡改檢測(cè)方法。傳 統(tǒng)的主動(dòng)篡改檢測(cè)方法是將數(shù)字水印或數(shù)字簽名嵌入數(shù)字圖像，通過(guò)檢測(cè)數(shù)字水印或數(shù)字 簽名的改變來(lái)鑒定圖像的真實(shí)性；被動(dòng)圖像篡改檢測(cè)方法不需要圖像的先驗(yàn)信息，而是利 用圖像本身的特征進(jìn)行分析。與主動(dòng)篡改檢測(cè)方法相比，被動(dòng)篡改檢測(cè)方法具有較高的實(shí) 用價(jià)值和較廣闊的應(yīng)用前景。
[0003] 數(shù)字圖像拼接是圖像內(nèi)容篡改中最常見(jiàn)的一種技法，是指在多幅數(shù)字圖像之間進(jìn) 行復(fù)制一一粘貼處理以產(chǎn)生偽造數(shù)字圖像的篡改操作。一幅原始數(shù)字圖像在空間域和頻域 (變換域）往往存在一些內(nèi)在的關(guān)聯(lián)性，而拼接操作本身會(huì)或多或少地破壞這些底層統(tǒng)計(jì) 特性。
[0004] 經(jīng)文獻(xiàn)檢索發(fā)現(xiàn)，ShiYun-Qing、ChenChun-Hua和ChenWen在論文"Anatural imagemodelapproachtosplicingdetection"（《基于自然圖像模型的圖像拼接檢測(cè) 方法》）（Proceedingsofthe9thACMWorkshoponMultimedia&Security，2007:51 - 62) (ACM多媒體與安全國(guó)際學(xué)術(shù)會(huì)議）中提出了一種圖像拼接被動(dòng)檢測(cè)方法，該方法分別從 圖像的分塊離散余弦變換（BlockDiscreteCosineTransform，BDCT)域和離散小波變換 (DiscreteWaveletTransform，DWT)域進(jìn)行統(tǒng)計(jì)建模，提取BDCT域Markov特征和DWT域 特征函數(shù)的Moment特征來(lái)區(qū)分真實(shí)圖像和拼接圖像；
[0005] 另經(jīng)文獻(xiàn)檢索發(fā)現(xiàn)，HeZhong-Wei、LuWei和SunWei等在論文"Digital imagesplicingdetectionbasedonMarkovfeaturesinDCTandDWTdomain" （〈〈基 于DCT域和DWT域Markov特征的數(shù)字圖像拼接檢測(cè)》）（PatternRecogniti on，2012, 45 (12) : 4292 - 4299)(模式識(shí)別雜志）中從變換域圖像特征分析角度對(duì)圖像拼接 檢測(cè)展開(kāi)進(jìn)一步研宄，該文利用Markov轉(zhuǎn)移概率刻畫(huà)拼接引起的圖像BDCT系數(shù)和DWT系 數(shù)的統(tǒng)計(jì)特性變化，對(duì)數(shù)字拼接圖像進(jìn)行鑒定。實(shí)驗(yàn)結(jié)果表明，DWT域Markov特征和BDCT 域Markov特征的有機(jī)結(jié)合能夠有效地改善單一變換域特征的檢測(cè)性能，然而所提取的高 維統(tǒng)計(jì)特征也加大了算法的計(jì)算復(fù)雜度?？偟膩?lái)說(shuō)，上述兩種方法不僅具有較高的計(jì)算復(fù) 雜度，而且在檢測(cè)精度上仍需一定的提升空間。
[0006] 再經(jīng)文獻(xiàn)檢索發(fā)現(xiàn)，TanXiao-Yang和TriggsBill在論文"Enhanced localtexturefeaturesetsforfacerecognitionunderdifficultlighting conditions"（《復(fù)雜光照環(huán)境下面向人臉識(shí)別的增強(qiáng)局部紋理特征集》）（IEEE TransactionsonImageProcessing, 2010, 19(6) : 1635 - 1650)(IEEE圖像處理匯刊）中提 出了一種面向人臉識(shí)別的空間域局部三值模式（LocalTernaryPattern，LTP)特征建模方 法。
[0007] 空間域LTP特征建模過(guò)程如下所述：給定大小為(^〇2的圖像I，設(shè)g。是圖像I中 半徑為R的圓形L鄰域上的中心像素點(diǎn)，其坐標(biāo)為（x。，y。）（0 <Qrl，0 <Q2_1)， gl(l= 0, 1，2,…，L-l)是以像素點(diǎn)g。為中心、半徑為R的圓形L鄰域上的采樣點(diǎn)，其坐標(biāo)為 (xc+RC〇S (2Jr1/L)，ye-Rsin(2Jr1/L))。若存在gl (1 = 0, 1，2,…，L-1)的坐標(biāo)不能剛好落 在圖像I的像素點(diǎn)位置，那么該gl的取值可以通過(guò)其鄰域像素進(jìn)行雙線性插值計(jì)算得到。 對(duì)中心像素點(diǎn)g。所對(duì)應(yīng)的半徑為R的L鄰域中的所有元素進(jìn)行三值化，得到三值序列
[0008] LTPl；e(xc,yc) ={t(g〇-gc),t(g^g^ , ???,t(gL_rgc)}
[0009] 其中，g。為中心像素點(diǎn)，gpgp. . .、gM為經(jīng)雙線性插值計(jì)算得到的以像素點(diǎn)g。為 中心、半徑為R的圓形L鄰域上的采樣點(diǎn)；t(w)為三值編碼函數(shù)，其計(jì)算公式如下：
[0011] 其中，e是閾值，可以根據(jù)實(shí)際需要進(jìn)行設(shè)定。
[0012] 對(duì)給定圖像I上的每個(gè)像素點(diǎn)（xe，y。）（0彡X。彡Q「1，0彡y#Q2_l)，分別將 其作為中心像素點(diǎn)，利用上述方法計(jì)算其半徑為R的圓形L鄰域上所對(duì)應(yīng)的三值序列 LTPl，k(x。，y。）；將這些三值序列分別分解為兩個(gè)二值分量LTPl，k，p(x。，y。）和LTPl，k，n(x。，yc)， 其中LTPuk，p(x。，y。）是將原始三值序列LTPUK(x。，y。）中的"-1"編碼成"0"得到， LTPUN (x。，y。）則是將原始三值序列LTPUK (x。，y。）中的" 1"編碼成" 0 "，將" -1"編碼成 "1"得到；再分別將LTPUK，P(Xc;，y。）和LTPUK，N(Xc;，y。）作為二進(jìn)制序列，按照二進(jìn)制轉(zhuǎn)十進(jìn) 制的計(jì)算方法，將其轉(zhuǎn)換為十進(jìn)制碼，記作LTPCuk，p(x。，y。）和LTPCUK，N(x。，y。）。按照上述 LTPCuk，p(X。，y。）碼和LTPCUK，N(x。，y。）碼的計(jì)算步驟對(duì)圖像I上所有像素點(diǎn)進(jìn)行處理，再根 據(jù)下式計(jì)算圖像I的空間域LTP特征F:
[0013] F= {HL；E；a (k) |aG{P,N},kG[0,2L-1]},
[0015] 其中，HUK，P和\"依次分別表示十進(jìn)制碼LTPCuk，p和十進(jìn)制碼LTPCUK，N的直方 圖，S函數(shù)定義為
[0017] 給定一幅圖像，按照上述空間域LTP特征建模方法得到的空間域LTP直方圖維數(shù) 為2lX2,而一般的LTP特征建模方法的直方圖維數(shù)為該方法具有計(jì)算量小、存儲(chǔ)空間 小的優(yōu)點(diǎn)。但是，基于空間域LTP特征建模方法得到的直方圖特征與圖像內(nèi)容具有較大的 相關(guān)性，不能很好地體現(xiàn)圖像拼接過(guò)程中產(chǎn)生的邊緣細(xì)節(jié)信息，導(dǎo)致基于空間域LTP特征 建模方法的數(shù)字圖像拼接檢測(cè)精度較低，有效性有待加強(qiáng)。

【發(fā)明內(nèi)容】

[0018] 本發(fā)明的目的在于針對(duì)上述現(xiàn)有技術(shù)的不足，提出一種基于頻域局部統(tǒng)計(jì)模型的 數(shù)字圖像拼接被動(dòng)檢測(cè)方法，不僅具有較高的檢測(cè)正確率，而且計(jì)算復(fù)雜度也有了較大的 提尚。
[0019] 本發(fā)明是通過(guò)以下技術(shù)方案實(shí)現(xiàn)的：
[0020] 自然圖像的頻域系數(shù)（如BDCT系數(shù)和DWT系數(shù)）往往具有一定的局部相關(guān)性， 圖像篡改往往會(huì)使這些局部相關(guān)性發(fā)生變化，而LTP特征能夠較好地描述圖像局部統(tǒng)計(jì)特 性，對(duì)BDCT系數(shù)和DWT系數(shù)，利用這個(gè)特點(diǎn)進(jìn)行LTP特征提取。首先分別提取自然圖像的 BDCT域LTP特征和DWT域LTP特征，然后將所提取的BDCT域LTP特征和DWT域LTP特征 進(jìn)行組合，得到的組合特征用于圖像拼接檢測(cè)，再利用核主成分分析（KernelPrincipal ComponentAnalysis，KPCA)對(duì)所獲得的組合特征進(jìn)行降維處理以提高算法的計(jì)算效率，最 后通過(guò)支持向量機(jī)（SupportVectorMachine，SVM)分類(lèi)判決技術(shù)對(duì)圖像的真?zhèn)涡赃M(jìn)行鑒 定。
[0021] 一種基于頻域局部統(tǒng)計(jì)模型的數(shù)字圖像拼接被動(dòng)檢測(cè)方法，具體包括如下步驟：
[0022] ①提取訓(xùn)練集中的圖像的頻域LTP特征，具體是：
[0023] 1)將大小為QiXQ2的圖像劃分為
個(gè)互不重疊且大小 為bXb的圖像塊，得到分塊矩陣
[0025] 其中，乂'5表不分塊大小為bXb的圖像分塊矩陣，
表不大小為 bXb的圖像像素矩陣，bG{4, 8, 16};
[0026] 2)對(duì)每一個(gè)圖像像素矩陣;^實(shí)施二維DCT變換，得到分塊大小為bXb的BDCT系 數(shù)矩陣
[0028] 其中，Yb表示分塊大小為bXb的BDCT系數(shù)矩陣，
表 示大小為bXb的DCT系數(shù)矩陣，bG{4, 8, 16}，其中，矩陣C的元素為
[0030] 3)選取鄰域元素?cái)?shù)目L= 8、半徑RG{1，2}和e= 〇. 9,對(duì)取絕對(duì)值后的BDCT 系數(shù)矩陣Yb(be{4, 8, 16})進(jìn)行LTP特征提取，再將所得的LTP特征進(jìn)行組合，得到BDCT域的LTP特征：
[0032] 4)選取Meyer小波函數(shù)對(duì)圖像進(jìn)行一級(jí)小波變換，得到圖像的低頻子帶、水平高 頻子帶、豎直高頻子帶和對(duì)角高頻子帶，依次分別記作CA、CH、CV和CD;
[0033] 5)選取鄰域元素?cái)?shù)目L= 8、半徑R= 1和e= 1. 5,分別計(jì)算取絕對(duì)值后的子帶 CH的LTP特征、取絕對(duì)值后的子帶CV的LTP特征和取絕對(duì)值后的子帶CD的LTP特征，依 次分別記作Fg、Fg和;然后將這三個(gè)子帶的LTP特征進(jìn)行組合，得到DWT域LTP特 征：
[0035] 6)將步驟3)中的BDCT域LTP特征和步驟5)中的DWT域LTP特征進(jìn)行組合，得到 用于圖像拼接檢測(cè)的頻域LTP特征
[0036] n={nf|f G{BDCT，DWT}}。
[0037] ②對(duì)頻域LTP特征進(jìn)行規(guī)范化處理，利用KPCA對(duì)規(guī)范化后的頻域LTP特征進(jìn)行降 維處理；
[0038] ③將降維后的特征輸入SVM分類(lèi)器進(jìn)行訓(xùn)練，保存已訓(xùn)練好的分類(lèi)器；
[0039] ④提取待測(cè)圖像的頻域LTP特征，并進(jìn)行規(guī)范化和降維處理；
[0040] ⑤利用步驟③訓(xùn)練好的SVM分類(lèi)器與步驟④得到降維特征進(jìn)行比較，以鑒定待測(cè) 圖像的真?zhèn)涡浴?br>[0041] 所述的SVM分類(lèi)過(guò)程，包括以下步驟：
[0042] 1)用一些已知類(lèi)別的圖像構(gòu)成訓(xùn)練集（包括真實(shí)圖像和拼接圖像），對(duì)訓(xùn)練集的 每一幅圖像提取上述頻域LTP特征，并用不同的標(biāo)志位來(lái)標(biāo)志其圖像所屬類(lèi)別，例如真實(shí) 圖像用標(biāo)志位"-1"表示，拼接圖像用標(biāo)志位" 1"表示；
[0043] 2)SVM分類(lèi)器核函數(shù)選用徑向基函數(shù)，首先使用KPCA對(duì)規(guī)范化處理后的訓(xùn)練集特 征進(jìn)行降維處理，然后將降維后的訓(xùn)練集特征送入SVM，獲得交叉驗(yàn)證準(zhǔn)確率最高的最優(yōu)參 數(shù)c和丫，并用它們訓(xùn)練SVM;
[0044] 3)提取待測(cè)圖像的頻域LTP特征，對(duì)其進(jìn)行規(guī)范化和KPCA降維處