CN105844643A - 图像篡改检测方法 - Google Patents

图像篡改检测方法 Download PDF

Info

Publication number
CN105844643A
CN105844643A CN201610191205.1A CN201610191205A CN105844643A CN 105844643 A CN105844643 A CN 105844643A CN 201610191205 A CN201610191205 A CN 201610191205A CN 105844643 A CN105844643 A CN 105844643A
Authority
CN
China
Prior art keywords
bending moment
image
block
function
brightness variation
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201610191205.1A
Other languages
English (en)
Other versions
CN105844643B (zh
Inventor
杨鸿波
周萌萌
侯霞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Qingdao Powerise Technology Co. Ltd.
Original Assignee
Beijing Information Science and Technology University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Information Science and Technology University filed Critical Beijing Information Science and Technology University
Priority to CN201610191205.1A priority Critical patent/CN105844643B/zh
Publication of CN105844643A publication Critical patent/CN105844643A/zh
Application granted granted Critical
Publication of CN105844643B publication Critical patent/CN105844643B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30168—Image quality inspection

Landscapes

  • Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种图像篡改检测方法，其中所述方法包括：步骤1、生成图像的亮度图和局部亮度变化图，将亮度图和局部亮度变化图分别执行以下操作：分割为M×N个区域，然后对亮度图和局部亮度变化图分别进行分块处理以得到多个交叠块；步骤2、对亮度图和局部亮度变化图的每一交叠块，分别计算不变矩；步骤3、通过亮度图和局部亮度变化图的不变矩特征向量对交叠块之间进行比较。

Description

图像篡改检测方法
技术领域
本发明涉及属于图像检测技术领域，特别是指一种图像篡改检测方法。
背景技术
数字图像包含丰富的数字信息并广泛应用于各个领域，但是伪造者利用图像处理等手段篡改图像的重要信息以达到隐藏图像真实性的目的，例如：
SHIVAKUMAR BL,BABOO L S S.Detecting copy-move forgery in digitalimages:a survey and analysis of current methods[J].Global Journal of ComputerScience and Technology,2010,10(7):61-65。
其中，复制-粘贴篡改作为一种常见的图像篡改手段，是将图像的一部分经过几何操作(平移、旋转等)粘贴到图像的其他区域以达到隐藏或增强图像信息的效果，其篡改区域能够有效地匹配原图像的属性且篡改痕迹难以发现。现有的篡改图像通常由两种以上的复杂操作得到，为了精确检测到篡改区域，相关领域学者提出许多复制-粘贴篡改检测算法。基于不同的操作对象可将复制-粘贴篡改算法分为两类：一种是基于分块的复制-粘贴篡改检测方法；另一种是基于关键点的复制-粘贴篡改检测方法，例如：CHRISTLEIN V,RIESS C,JORDAN J,et al.An evaluation of popular copy-move forgery detectionapproaches.IEEE Trans.Inf.Forensics Security[J].2012,7(6):1841–1854。
基于分块的复制-粘贴篡改检测方法是将图像首先进行分块，并计算每个块的不变特征描述子，在此基础上通过字典排序等手段进行相似块匹配。分块理论可分为交叠块处理方法和非交叠块处理方法，由于原图像复制区域以及篡改区域位置的未知性，大部分基于分块的算法均按照逐像素进行交叠块处理。
目前基于分块的检测算法主要有：
基于交叠块的离散余弦变换(Discrete Cosine Transform,DCT)算法，例如：
HUANG Y,LU W,SUN W,et al.Improved DCT-based detection of copy-moveforgery in images[J].Forensic science international,2011,206(1-3):178–184；
不变矩(Moment Invariants)算法，例如：
RYU S,LEE M,LEE H.Detection of copy-rotate-move forgery using Zernikemoments[C]//Information Hiding Conference:IH'10Proceedings of the 12thinternational conference on Information hiding.SPRINGER HEIDELBERG:SpringerBerlin Heidelberg,2010:51-65；
主变量分析(Principal Component Analysis,PCA)算法，例如：
CAO Y,GAO T,FAN L et al.A robust detection algorithm for copy-moveforgery in digital images[J].Forensic Science International,2012,214(1–3):33–43；
BAYRAM S,SENCAR H T,MEMON N.An efficient and robust method fordetecting copy-move forgery[C]//ICASSP:Proc.IEEE Int.Conf.Acoust.SpeechSignal Process,Washington,DC,USA,Apr.2009:1053–1056。
目前这种基于分块的算法的运算复杂度代价仍然很高，所以在一些算法中为了减少运算复杂度，提高匹配精度，在进行分块之前首先进行图像分割等预处理操作。例如：
LIJian,LIXiaolong,YANG Bin,et al.Segmentation-based image copy-moveforgery detection scheme[J].IEEE Trans.Inf.Forensics Security,2015,10(3):507–517。
这种算法在进行分块匹配时只对属于同一分割区域的块特征进行比较，这样可以减少计算复杂度。
另一种基于关键点的复制-粘贴篡改检测方法，如Harris角点检测(QIUJianguo,ZHANGJianguo,LI Kai.An images matching method based on harris and siftalgorithm[J].Journal of Test and Measurement Technology,2009,23(2):271-274.)，尺度不变特征转换(Scale Invariant Feature Transform,SIFT)(AMERINI I,BALLAN L,et al.Geometric tampering estimation by means of a SIFT-based forensicanalysis//ICASSP:Acoustics Speech and Signal Processing,2010IEEEInternational Conference,2010:1702-1705.以及AMERINI I,BALLAN L,CALDELLI R,etal.A SIFT-based forensic method for copy-move attack detection andtransformation recovery[J].Information Forensics and Security,IEEETransactions on,2010,6(3):1099-1110.)和加速稳健特征(Speed Up Robust Feature,SURF)算法(XU B,WANG J,LIU G,et al.Image copy-move forgery detection based onSURF[C]//Multimedia Information Networking and Security MINES,2010International Conference on,IEEE,2010:889-892.)等，均是通过搜索整幅图像的局部角点或极值点并在移除错误特征点后进行图像匹配。
对于基于关键点的复制-粘贴篡改检测方法与基于分块的复制-粘贴篡改检测方法可知，基于关键点的算法对经过多次几何操作和后处理操作的图像篡改检测鲁棒性很好，但是算法运算的精度完全由相关的经验阈值决定，且在处理平坦区域的复制-粘贴篡改时错误率极高，同时提取关键点的复杂度较高导致整个算法的运行时间更长。具体可以参考：BABOO SS.Detection of region duplication forgery in digital images usingSURF[J].International Journal of Computer Science Issues(IJCSI),2011,8(4)。同时，该参考文献还指出：不变矩无论对于仿射变换操作还是后处理操作(模糊，噪声)都有很好的鲁棒性，并能够处理SIFT无法检测的平坦区域的篡改图像。
由此可以看出，现有的的图像篡改检测方法都具有一定的缺陷。
发明内容
针对现有技术中图像篡改检测方法存在的问题，本发明要解决的技术问题是提供一种更为高效准确的图像篡改检测方法。
为了解决上述问题，本发明实施例提出了一种图像篡改检测方法，包括：
步骤1、生成图像的亮度图和局部亮度变化图，将亮度图和局部亮度变化图分别执行以下操作：分割为M×N个区域，然后对亮度图和局部亮度变化图分别进行分块处理以得到多个交叠块；
步骤2、对每一交叠块计算器不变矩。
其中，所述步骤1的分割为M×N个区域，然后对亮度图和局部亮度变化图分别进行分块处理以得到多个交叠块，具体包括：
步骤11、将图像分割为M×N个区域；
步骤12、将图像划分为多个交叠块，其中每一交叠块的尺寸相同且所述相连的两个交叠块之间至少有一部分重叠。
其中，所述步骤1的生成图像的亮度图和局部亮度变化图，具体包括：
步骤1a、根据共轭函数表达式z(x,y)＝x+yj，生成图像的共轭函数F(x,y)：
F(x,y)＝f(x,y)+g(x,y)j其中f(x,y)表示图像的亮度函数，为共轭函数F(x,y)的实部；g(x,y)表示图像的局部亮度变化函数为共轭函数F(x,y)的虚部，j表示共轭函数的虚部符号。
步骤1b、生成图像的梯度、图像的局部二值模式(LBP)：
其中，gc表示中心像素点的灰度值，gp表示中心像素gc邻域中的像素点的灰度值。R表示中心像素的邻域半径，P表示领域半径上的像素的个数。
称为均匀模式，即一个二进制序列从0到1或是从1到0的变过不超过2次。当满足上述二进制序列变化U(LBPP,R)≤2时，则按照均值模式公式计算图像的局部二值模式，否则，均按照(P+1)计算。
步骤1c、根据共轭函数表达式z(x,y)＝x+yj，计算共轭矩：
Mc＝Mf+Mg·j (8)
其中，Mf,Mg(i＝1,2,...,6)分别表示亮度函数f(x,y)和局部亮度变化函数g(x,y)的不变矩；j为共轭不变矩的虚部符号；Mc表示共轭不变矩。
其中，所述步骤1的亮度函数f(x,y)和局部亮度变化函数g(x,y)的不变矩Mf,Mg(i＝1,2,...,6)通过以下公式生成：
步骤1A、进行以下公式对Hu不变矩进行修改以得到新的不变矩：
其中，表示离散Hu不变矩。
步骤1B、通过以下公式将步骤1A得到的新的不变矩进行归一化处理以使其收敛到[0,1]之间：
φi＝|lg(φi)2|
φi＝(φi-φmin)/(φmax-φmin),i＝1,2,…,6。
其中，φi,i＝1,2,…,6为步骤1A计算得到的修改的Hu不变矩，φmin,φmax分别表示6个修改的Hu不变矩中的最小值和最大值。
其中，所述步骤1的亮度函数f(x,y)和局部亮度变化函数g(x,y)的不变矩Mf,Mg(i＝1,2,...,6)通过以下公式生成：
对图像的亮度图和局部亮度变化图分别通过以下步骤逐块计算 得到6个改进的不变矩特征向量；
Vi{φ1，φ2，φ3，φ4，φ5，φ6},i＝1,2,…,9；
然后得到亮度函数f(x,y)和局部亮度变化函数g(x,y)的不变矩，Matf＝{V1,V2,…,V9}T,Matg＝{V1,V2,…,V9}T，
然后通过以下公式
Mc＝Mf+Mg·j
可计算得到交叠块向量的共轭不变矩矩阵Matc。
其中，所述步骤3具体为：
步骤31、计算每个交叠块的共轭不变矩为特征计算其特征向量Vi，
步骤32、以Vi的第一维特征φ1比较Vi{φ1,φ2,…,φ6},i＝1,2,…,9，得到Matc的排序矩阵Matc′；
步骤33、对于排序矩阵Matc′中有相同第一维特征φ1的特征向量Vi，再比较它们的第二维特征φ2得到排序矩阵Matc″；重复步骤32-33以对特征向量Vi的所有维特征都得到排序矩阵；
步骤34、然后将共轭不变矩矩阵Matc重新排序得到排序共轭不变矩矩阵Matc_sort；然后将排序共轭不变矩矩阵Matc_sort中的交叠块特征向量进行分组；
步骤35、将同组内的交叠块的特征向量Vi之间进行比较以确定被篡改的交叠块。
其中，步骤35具体包括：对同一个组中的两个交叠块特征向量Va{φa1,φa2,φa3,φa4,φa5,φa6}、Vb{φb1,φb2,φb3,φb4,φb5,φb6}，判断Va和Vb比较的对立假设可以表示为：
其中：虚无假设H0表示交叠块特征向量Va和Vb属于相似块；对立假设H1表示交叠块特征向量Va和Vb属于无关块；其中ε为两个交叠块特征向量之间的差；
通过以下公式计算交叠块特征向量Va和Vb之间的相似度；
如果相似度s小于预设值Thre，即则H0成立，即Va＝Vb+ε，这两个交叠块为相似块；
如果相似度s不小于预设值Thre，则H1成立，即这两个交叠块不是相似块。
其中，所述步骤1还包括：对图像像素坐标(x,y)的列标x和行标y，以同样的矩阵形式X,Y与一一对应存储。
本发明的上述技术方案的有益效果如下：上述方案提出了一种共轭不变矩图像复制－粘贴篡改检测算法，相比于传统的亮度不变矩，共轭不变矩不仅有亮度不变矩的不变特征，并结合了局部亮度变化信息有效的克服了亮度不变矩不能处理的平坦区域图像和模糊图像的复制-粘贴篡改。相比于其他算法，利用本文提出的快速分块和匹配算法能够大大降低运算复杂度和缩短运行时间。在后期的工作中，将在此基础上，利用本文算法的优势，对图像篡改的其他类型如图像拼接篡改，数字图像的合成篡改等进行深入分析，进行行之有效的理论分析和实验，克服目前各类算法使用受领域限制的不足之处。
附图说明
图1为本发明实施例的流程图；
图2为将图像划分为多个交叠块的示意图；
图3为矩阵形式存储的示意图；
图4为交叠块进行分组的示意图；
图5为基于亮度不变矩对平坦区域的检测实验图；
图6为基于共轭不变矩对模糊图像的检测实验图；
图7为基于共轭不变矩对平坦区域的检测实验图；
图8为基于共轭不变矩对模糊图像的检测实验图；
图9为同一区域的多处篡改的检测实验图；
图10为不同区域的篡改的检测实验图；
图11为扭曲+亮度变化的检测实验图；
图12为平移+颜色缩减的检测实验图；
图13为旋转+对比度调整检测的检测实验图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。
本发明实施例的方法如图1所示的包括：
步骤1、生成图像的亮度图和局部亮度变化图，将亮度图和局部亮度变化图分别执行以下操作：分割为M×N个区域，然后对亮度图和局部亮度变化图分别进行分块处理以得到多个交叠块；
步骤2、对亮度图和局部亮度变化图的每一交叠块，分别计算不变矩；
步骤3、通过亮度图和局部亮度变化图的不变矩特征向量对交叠块之间进行比较。
其中，所述步骤1的分割为M×N个区域，然后对亮度图和局部亮度变化图分别进行分块处理以得到多个交叠块，具体包括：
步骤11、将图像分割为M×N个区域；
步骤12、将图像划分为多个交叠块，其中每一交叠块的尺寸相同且所述相连的两个交叠块之间至少有一部分重叠。
本发明实施例中采用基于矩阵的分块方法，如图2所示的为一个尺寸为M×N的图像，计算其亮度图像f(x,y)，然后如图1所示的逐像素划分交叠块，交叠块的数目为Nb＝(N-h+1)×(M-w+1)。其中划分交叠块的方法可以如图1所示的，首先从分割后的图像的一个角开始，将角位置开始，以预订大小的矩形滑动窗口(滑动窗口的尺寸为w×h)来进行分块，该滑动窗口朝向可移动的方向每次移动一个区域，这样 就可以形成如图2所示的多个块：block1、block2……。由于滑动窗口的包含多个块，且每次只移动一个块，因此这样就可以形成多个相互重叠的分块，称为重叠块。在图1所示的例子中采用2×2大小的滑动窗口，因此每一重叠块都是2×2。
在划分完交叠块后，可以将所有的交叠块表示为一维列向量Vi(i＝1,2,…,Nb)；然后重新排列图像矩阵为所有交叠块列向量的组合，i＝1,2,...,Nb。在如图1所示的例子中，M＝4,N＝4,w＝2,h＝2,因此交叠块的数量为9。
按照同样的方法对图像像素坐标(x,y)的列标x和行标y，以同样的矩阵形式X,Y与一一对应存储，如图3所示。
在本发明实施例采用共轭不变矩。该理论首先由Hu在1962年提出，因此被称为“Hu不变矩”变是一传统的亮度不变矩。参考文献LIU G,WANG J,LIAN S et al.A passiveimage authentication scheme for detecting region-duplication forgery withrotation[J].Journal of Network and Computer Applications,2010,34(5):1557–1565，可知LIU首次将Hu不变矩用于复制-粘贴篡改检测中，通过实验证明了Hu不变矩对后处理操作和旋转具有很好的不变性。随后更多的学者开始研究不变矩理论，相继提出许多矩理论，如Zernike不变矩，Tchebichef不变矩等。
在上述参考文献中，LIU通过对比了一组不变矩的性能和计算公式，Hu不变、Zernike不变矩均在连续情况下保持不变性，在离散情况下不变性遭到破坏。为了解决上述问题，本发明实施例考虑到计算复杂度，选择使用Hu不变矩，并通过改进算法使Hu矩在离散条件下仍可以保持不变性，从不同程度上提高了不变矩组的稳定性，具体可以参考LIAN S,KANELLOPOULOS D.Recent advances in multimedia information system security[J],Informatica,2009,33:3–24.
由参考文献JI Shufang,ZHANG Senlin,LIU Meiqin,“Face Recognition Basedon Gray and Grads Invariant Moments”,Journal of Southern Yangze University(Natural Science Edition),2006,5(6):666–669；(季书芳,张森林,刘妹琴.基于灰度和梯度不变矩的人脸识别.江南大学学报(自然科学版),2006,5(6):666-669)可知，本发明实施例的新的不变矩组在离散情况下的仍具有不变性。
其中，根据以下的公式(1)进行修改以得到新的不变矩：
其中，表示离散Hu不变矩。
由于计算的不变矩组变化范围很大，需要调整公式(1)的不变矩组范围降低复杂性，根据式(2)、(3)将其归一化到[0,1]之间：
φi＝|lg(φi)2| (2)
φi＝(φi-φmin)/(φmax-φmin),i＝1,2,…,6 (3)。
其中，φi,i＝1,2,…,6为步骤1A计算得到的修改的Hu不变矩，φmin,φmax分别表示6个修改的Hu不变矩中的最小值和最大值。
共轭不变矩是一种复合矩，与传统的亮度不变矩不同，共轭不变矩同时包括了亮度不变矩和基于局部亮度变化的不变矩信息。
以下通过理论分析来证明本发明实施例上述方法的有益效果。
为得到更加可靠的图像篡改检测结果，目前算法的主要改进分为两个方向：一是提高检测算法对多种图像处理操作的鲁棒性，二是降低计算复杂度和运行时间。
针对第一种改进方向，本发明实施例提出了基于共轭不变矩的鲁棒特征能够处理多种图像篡改操作。对于第二种改进方向，如表1所示，基于共轭不变矩算法计算复杂度要明显低于离散余弦变换(DCT)、 不变关键点(SIFT)、纹理和亮度(LBP)分析以及主变量分析(PCA)等算法。不变关键点(SIFT)算法需要提取128维特征向量，而离散余弦变换(DCT)和纹理与亮度分析(LBP)算法的特征提取与图像块大小有关，且计算公式复杂。以上算法均需消耗较长的运行时间，本文提出的基于共轭不变矩的特征提取算法是由不变矩算法改进而来，不但具有简单的计算形式且在本文的快速算法的支持下具有明显的优势，克服了以往算法在检测鲁棒性和时间复杂度二者间不能兼得的矛盾。
表1各类算法复杂度影响因素比较
因此在本发明实施例中，一幅图像的共轭函数F(x,y)形式如下：
F(x,y)＝f(x,y)+g(x,y)j (4)
其中：f(x,y)表示图像的亮度函数；g(x,y)表示图像的局部亮度变化函数。图像的亮度变化有很多表达形式，如图像的梯度(JI Shufang,ZHANG Senlin,LIU Meiqin,“FaceRecognition Based on Gray and Grads Invariant Moments”,Journal of SouthernYangze University(Natural Science Edition),2006,5(6):666–669；季书芳,张森林,刘妹琴.基于灰度和梯度不变矩的人脸识别.江南大学学报(自然科学版),2006,5(6):666-669)，图像的局部二值模式(Local Binary Patterns,LBP)(THAJEEL S AN,et al.A novelapproach for detection of copy move forgery using completed robust localbinary pattern[J].Journal of Information Hiding and Multimedia SignalProcessing,2015,6(2):351-362)。
其中图像的梯度、图像的局部二值模式可以由以下的公式(5)-公 式(7)推导出：
其中，gc表示中心像素点的灰度值，gp表示中心像素gc邻域中的像素点的灰度值。R表示中心像素的邻域半径，P表示领域半径上的像素的个数。
称为均匀模式，即一个二进制序列从0到1或是从1到0的变过不超过2次。当满足上述二进制序列变化U(LBPP,R)≤2时，则按照均值模式公式计算图像的局部二值模式，否则，均按照(P+1)计算。
根据共轭函数表达式z(x,y)＝x+yj，共轭不变矩即共轭函数的不变矩表达式采用改进的Hu不变矩算法计算共轭矩，其表达式如下：
Mc＝Mf+Mg·j (8)
其中，
Mf,Mg(i＝1,2,...,6)分别表示亮度函数f(x,y)和局部亮度变化函数g(x,y)的改进Hu不变矩；j为共轭不变矩的虚部符号；Mc表示共轭不变矩。共轭不变矩的计算实质上即为计算亮度不变矩和局部亮度变化不变矩的过程。
根据公式(1)-公式(3)，按照上述基于矩阵的快速分块方法依次对亮度图和局部亮度变化图逐块计算得到6个改进的不变矩特征向量
Vi{φ1，φ2，φ3，φ4，φ5，φ6},i＝1,2,…,9；
然后得到亮度函数f(x,y)和局部亮度变化函数g(x,y)的改进Hu不 变矩，Matf＝{V1,V2,…,V9}T,Matg＝{V1,V2,…,V9}T，由公式(8)可计算得到块向量的共轭不变矩矩阵Matc。
在获得了每一交叠块的不变矩之后，就可以通过对交叠块进行比较以找出原始区域(即未被篡改区域)和篡改区域。由于两两比较需要进行(Nb)(Nb-1)/2次比较才能完成搜索过程，其中Nb为交叠块的数量。研究者们提出不同的方法：
在文献POPESCU AC,FARID H.Exposing digital forgeries by detectingduplicated image regions[R].Technical Report,TR2004-515,Dartmouth College,2004.中，Popescu等提出使用最邻近方法进行块比较，即将特征向量按照字典排序的方式将相邻的交叠块进行比较找到相似匹配。
在文献SINGH J,RAMAN B.A high performance copy-move image forgerydetection scheme on GPU[C]//Proceedings of International Conference on SoftComputing for Problem Solving,2011:225–233.中，Singh等使用图像处理单元(Graphical Processing Unit,GPU)方法首先对特征向量进行基数排序并大大提高了匹配性能。
在BAYRAM S,SENCAR HT,MEMON N,A survey of copy-move forgery detectiontechniques,in:Proc.IEEE Western New York Imag e Processing Workshop,Rochester,NY,2008.中，Bayram等通过计算特征矩阵的特征向量之间的哈希系数，通过比较哈希系数匹配交叠块找到相似区域，这种方法避免了直接排序特征矩阵，减少了搜索的复杂度。
不同于上述提到的块排序方法，为了提高交叠块比较的速度，能够快速地匹配复制-粘贴篡改图像的原始区域和篡改区域，本发明实施例中提出了一种基于字典排序的快速比较方法，而非遍历搜索比较块特征的方法，避免了明显不同的两个块之间进行比较带来的高运算和耗时性问题。而表1中列举的传统算法在遍历搜索特征描述子的同时进行特征比较判断相似度，运算效率非常低。因此快速匹配算法加 快了基于共轭不变矩算法的检测速度，大大减低了时间复杂度。
其中，所述步骤3具体包括：
仍以图1中的4×4的图像为例：
首先，将图像按照从上到下、从左到右以滑动块的方式划分为Nb＝9个交叠块，每个交叠块以共轭不变矩为特征计算其特征向量Vi并以Vi的第一维特征φ1(其中φ1代表该块的总体特征信息)比较Vi{φ1,φ2,…,φ6},i＝1,2,…,9，得到Matc的排序矩阵Matc′；
然后对于Matc′中有相同φ1的特征向量Vi，再比较它们的第二维特征φ2得到排序矩阵Matc″。以此类推，按照同样的方法排序直到比较完特征向量的最后一维特征值。在此过程中，只是根据代表每个交叠块的特征向量Vi的特征值对Matc进行排序而不需要进行特征比较找出相似块。
按照这种方法将Matc重新排序得到Matc_sort。然后将Matc_sort中的交叠块特征向量按照图4所示分组。按照上述方法排序后，每个块向量只需要在所属的组中和本组中的其他块向量比较。结果采用统计假设检验表示，假设同一个组中的两个块向量Va{φa1,φa2,φa3,φa4,φa5,φa6}和Vb{φb1,φb2,φb3,φb4,φb5,φb6}。Va和Vb比较的对立假设可以表示为：
其中：虚无假设H0表示块向量Va和Vb属于相似块；对立假设H1表示块向量Va和Vb属于无关块。判定块向量Va和Vb属于相似区域的检验统计表达式为：
如果，H0成立，即Va＝Vb+ε，可以表示为：
计算出每组块向量之间的相似度s，为保证复制-粘贴篡改检测误检率err＜5％，首先计算出相似度s的最大值(经计算，s的最大值为 15.672)，为满足要求误检率err＜5％，文中取Thre＝0.5，使检测精度达到97％。经计算，当满足式(11)时，接受H0，否则拒绝H0接受H1。
下面通过具体的例子对本发明进行说明：
如图5和图6为传统亮度不变矩对平坦区域和模糊处理的篡改检测结果；其中图5和图6中分别包括原始图、篡改图、识别结果图。很明显观察到，基于亮度不变矩的方法对这两类图像的误检率很高，识别精度差。
如图7-图8分别示出了原图像的梯度图和LBP图，而基于本文共轭不变矩算法(算法中采用了两种方法计算所给图像的局部亮度变化图，即原图像的梯度图和LBP图，得到灰度-梯度共轭不变矩和灰度-LBP共轭不变矩)对这两类图像进行检测，能够完全消除误检的问题。
图9上排两张示出了同一区域多处篡改的原始图与篡改图对比，下面两张则是通过共轭不变矩检测的结果。图10上排两张示出了不同区域被篡改的原始图与篡改图对比，下面两张则是利用本发明实施例的方法获得的原图像的梯度图和LBP图。
图11上排两张示出了扭曲+亮度变化的原始图和篡改图；下面两张则是利用本发明实施例的方法获得的基于灰度-梯度共轭不变矩检测结果和基于灰度-LBP共轭不变矩检测结果。
图12上排两张示出了平移+颜色缩减的原始图和篡改图；下面两张则是利用本发明实施例的方法获得的基于灰度-梯度共轭不变矩 检测结果和基于灰度-LBP共轭不变矩检测结果。
图13上排两张示出了旋转+对比度调整的原始图和篡改图；下面两张则是利用本发明实施例的方法获得的基于灰度-梯度共轭不变矩检测结果和基于灰度-LBP共轭不变矩检测结果。
本文算法能非常准确地检测出CoMoFo数据库中的相应篡改类型，且误检率和漏检率都非常低。表2和表3分别列出了基于传统亮度图像的Zernike矩、尺度不变特征转换、离散余弦变换、局部二值模式算法以及本文算法处理512×512复制-粘贴篡改图像的误检、漏检率情况和运行时间的比较。其中，误检率和漏检率分别按照式(12)和式(13)进行计算：
从表2总结的各类算法在误检率和漏检率方面的比较来看，本文算法明显优于基于传统亮度图像的Zernike矩算法，对于漏检情况，尤其是在平坦区域篡改检测方面，本文算法较Zernike矩和SIFT算法具有很大优势。且与本文算法相比，传统各类算法在查找篡改区域时为一个迭代计算的过程，对于某一特定图像块，需要遍历搜索图像中其他所有图像块并进行相似性比较，由此判断是否为篡改块。因此运算代价非常大，且运行时间长，如表3所示，DCT检测算法平均运行时间上千秒，不利于实时快速的进行篡改检测。而本文提出基于相似 块的快速匹配算法解决了此类问题，运行时间在目前算法中为最快。
由此证明，综合各方面因素，本文算法比以往算法均有优势，并能够克服传统亮度不变矩以及SIFT算法无法检测的平坦区域和模糊处理的篡改图像。
表2各类算法处理512×512图像的误检率/漏检率
表3各类算法处理512×512图像的平均运行时间
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (7)

1.一种图像篡改检测方法，其特征在于，包括：
步骤1、生成图像的亮度图和局部亮度变化图，将亮度图和局部亮度变化图分别执行以下操作：分割为M×N个区域，然后对亮度图和局部亮度变化图分别进行分块处理以得到多个交叠块；
步骤2、对亮度图和局部亮度变化图的每一交叠块，分别计算不变矩；
步骤3、通过亮度图和局部亮度变化图的不变矩特征向量对交叠块之间进行比较。
2.根据权利要求1所述的图像篡改检测方法，其特征在于，所述步骤1的分割为M×N个区域，然后对亮度图和局部亮度变化图分别进行分块处理以得到多个交叠块，具体包括：
步骤11、将图像分割为M×N个区域；
步骤12、将图像划分为多个交叠块，其中每一交叠块的尺寸相同且所述相连的两个交叠块之间至少有一部分重叠。
3.根据权利要求2所述的图像篡改检测方法，其特征在于，所述步骤1的生成图像的亮度图和局部亮度变化图，具体包括：
步骤1a、根据共轭函数表达式z(x,y)＝x+yj，生成图像的共轭函数F(x,y)：
F(x,y)＝f(x,y)+g(x,y)j
其中f(x,y)表示图像的亮度函数，为共轭函数F(x,y)的实部；g(x,y)表示图像的局部亮度变化函数，为共轭函数F(x,y)的虚部；j表示共轭函数的虚部符号。
步骤1b、生成图像的梯度、图像的局部二值模式：
其中，gc表示中心像素点的灰度值，gp表示中心像素gc邻域中的像素点的灰度值。R表示中心像素的邻域半径，P表示领域半径上的像素的个数
称为均匀模式，即一个二进制序列从0到1或是从1到0的变过不超过2次。当满足上述二进制序列变化U(LBPP,R)≤2时，则按照均值模式公式计算图像的局部二值模式，否则，均按照(P+1)计算。
步骤1c、按照共轭函数的计算公式计算共轭矩：
Mc＝Mf+Mg·j (8)
其中，Mf,Mg(i＝1,2,...,6)分别表示亮度函数f(x,y)和局部亮度变化函数g(x,y)的不变矩；j为共轭不变矩的虚部符号；Mc表示共轭不变矩。
4.根据权利要求3所述的图像篡改检测方法，其特征在于，所述步骤1的亮度函数f(x,y)和局部亮度变化函数g(x,y)的不变矩Mf,Mg(i＝1,2,...,6)通过以下公式生成：
步骤1A、进行以下公式对Hu不变矩进行修改以得到新的不变矩：
其中，表示离散Hu不变矩。
步骤1B、通过以下公式将步骤1A得到的新的不变矩进行归一化处理以使其收敛到[0,1]之间：
φi＝|lg(φi)2|
φi＝(φi-φmin)/(φmax-φmin),i＝1,2,…,6。
其中，φi,i＝1,2,…,6为步骤1A计算得到的修改的Hu不变矩，φmin,φmax分别表示6个修改的Hu不变矩中的最小值和最大值。
5.根据权利要求4所述的图像篡改检测方法，其特征在于，所述步骤1的亮度函数f(x,y)和局部亮度变化函数g(x,y)的不变矩Mf,Mg(i＝1,2,...,6)通过以下公式生成：
对图像的亮度图和局部亮度变化图分别通过以下步骤逐块计算得到6个改进的不变矩特征向量；
Vi{φ1，φ2，φ3，φ4，φ5，φ6},i＝1,2,…,9；
然后得到亮度函数f(x,y)和局部亮度变化函数g(x,y)的不变矩，Matf＝{V1,V2,…,V9}T,Matg＝{V1，V2,…，V9}T，
然后通过以下公式
Mc＝Mf+Mg·j
可计算得到交叠块向量的共轭不变矩矩阵Matc。
6.根据权利要求5所述的图像篡改检测方法，其特征在于，所述步骤3具体为：
步骤31、计算每个交叠块的共轭不变矩为特征计算其特征向量Vi，
步骤32、以Vi的第一维特征φ1比较Vi{φ1,φ2,…,φ6},i＝1,2,…,9，得到Matc的排序矩阵Mat′c；
步骤33、对于排序矩阵Mat′c中有相同第一维特征φ1的特征向量Vi，再比较它们的第二维特征φ2得到排序矩阵Mat″c；重复步骤32-33以对特征向量Vi的所有维特征都得到排序矩阵；
步骤34、然后将共轭不变矩矩阵Matc重新排序得到排序共轭不变矩矩阵Matc_sort；然后将排序共轭不变矩矩阵Matc_sort中的交叠块特征向量进行分组；
步骤35、将同组内的交叠块的特征向量Vi之间进行比较以确定被 篡改的交叠块。
其中，步骤35具体包括：对同一个组中的两个交叠块特征向量Va{φa1,φa2,φa3,φa4,φa5,φa6}、Vb{φb1,φb2,φb3,φb4,φb5,φb6}，判断Va和Vb比较的对立假设可以表示为：
其中：虚无假设H0表示交叠块特征向量Va和Vb属于相似块；对立假设H1表示交叠块特征向量Va和Vb属于无关块；其中ε为两个交叠块特征向量之间的差；
通过以下公式计算交叠块特征向量Va和Vb之间的相似度；
如果相似度s小于预设值Thre，即则H0成立，即Va＝Vb+ε，这两个交叠块为相似块；
如果相似度s不小于预设值Thre，则H1成立，即这两个交叠块不是相似块。
7.根据权利要求1所述的图像篡改检测方法，其特征在于，所述步骤1还包括：对图像像素坐标(x,y)的列标x和行标y，以同样的矩阵形式X,Y与一一对应存储。
CN201610191205.1A 2016-03-30 2016-03-30 图像篡改检测方法 Active CN105844643B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610191205.1A CN105844643B (zh) 2016-03-30 2016-03-30 图像篡改检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610191205.1A CN105844643B (zh) 2016-03-30 2016-03-30 图像篡改检测方法

Publications (2)

Publication Number Publication Date
CN105844643A true CN105844643A (zh) 2016-08-10
CN105844643B CN105844643B (zh) 2018-11-13

Family

ID=56584339

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610191205.1A Active CN105844643B (zh) 2016-03-30 2016-03-30 图像篡改检测方法

Country Status (1)

Country Link
CN (1) CN105844643B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110276707A (zh) * 2018-03-16 2019-09-24 临沂大学 一种图像数据保护和篡改检测技术方案
CN110910345A (zh) * 2019-10-16 2020-03-24 广东外语外贸大学南国商学院 一种复制-粘贴篡改图像检测方法
CN110992335A (zh) * 2019-12-02 2020-04-10 广东外语外贸大学南国商学院 基于离散拉东极复指数变换的复制粘贴篡改图像检测方法
CN113160029A (zh) * 2021-03-31 2021-07-23 海南大学 一种基于感知哈希和数据增强的医学图像数字水印方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102609948A (zh) * 2012-02-10 2012-07-25 浙江理工大学 一种针对复制粘贴篡改的数码照片伪造检测方法
CN102956026A (zh) * 2011-08-26 2013-03-06 鲍丽燕 基于不变矩的Copy-Move型篡改图像盲检测方法
CN104091303A (zh) * 2014-07-11 2014-10-08 湖南大学 一种基于Radon变换和不变特征的鲁棒图像哈希方法及其装置
CN104299260A (zh) * 2014-09-10 2015-01-21 西南交通大学 一种基于sift和lbp的点云配准的接触网三维重建方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102956026A (zh) * 2011-08-26 2013-03-06 鲍丽燕 基于不变矩的Copy-Move型篡改图像盲检测方法
CN102609948A (zh) * 2012-02-10 2012-07-25 浙江理工大学 一种针对复制粘贴篡改的数码照片伪造检测方法
CN104091303A (zh) * 2014-07-11 2014-10-08 湖南大学 一种基于Radon变换和不变特征的鲁棒图像哈希方法及其装置
CN104299260A (zh) * 2014-09-10 2015-01-21 西南交通大学 一种基于sift和lbp的点云配准的接触网三维重建方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
THAJEEL S A N ET AL.: "A novel approach for detection of copy move forgery using completed robust local binary pattern", 《JOURNAL OF INFORMATION HIDING AND MULTIMEDIA SIGNAL PROCESSING》 *
季书芳 等: "基于灰度和梯度不变矩的人脸识别", 《江南大学学报（自然科学版）》 *
张铭钧 等: "基于灰度-梯度不变矩的水下目标识别系统", 《哈尔滨工程大学学报》 *
贺佩 等: "基于不变矩特征的图像区域复制粘贴篡改检测", 《计算机工程与应用》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110276707A (zh) * 2018-03-16 2019-09-24 临沂大学 一种图像数据保护和篡改检测技术方案
CN110276707B (zh) * 2018-03-16 2023-06-23 临沂大学 一种图像数据保护和篡改检测技术方案
CN110910345A (zh) * 2019-10-16 2020-03-24 广东外语外贸大学南国商学院 一种复制-粘贴篡改图像检测方法
CN110910345B (zh) * 2019-10-16 2023-03-14 广东外语外贸大学南国商学院 一种复制-粘贴篡改图像检测方法
CN110992335A (zh) * 2019-12-02 2020-04-10 广东外语外贸大学南国商学院 基于离散拉东极复指数变换的复制粘贴篡改图像检测方法
CN113160029A (zh) * 2021-03-31 2021-07-23 海南大学 一种基于感知哈希和数据增强的医学图像数字水印方法
CN113160029B (zh) * 2021-03-31 2022-07-05 海南大学 一种基于感知哈希和数据增强的医学图像数字水印方法

Also Published As

Publication number Publication date
CN105844643B (zh) 2018-11-13

Similar Documents

Publication Publication Date Title
Li et al. Segmentation-based image copy-move forgery detection scheme
Al-Qershi et al. Passive detection of copy-move forgery in digital images: State-of-the-art
Pan et al. Detecting image region duplication using SIFT features
Prakash et al. Detection of copy-move forgery using AKAZE and SIFT keypoint extraction
Raju et al. Copy-move forgery detection using binary discriminant features
CN105844643B (zh) 图像篡改检测方法
Abidin et al. Copy-move image forgery detection using deep learning methods: a review
Shahroudnejad et al. Copy-move forgery detection in digital images using affine-SIFT
Sadeghi et al. Keypoint based authentication and localization of copy-move forgery in digital image
Narayanan et al. Recursive block based keypoint matching for copy move image forgery detection
Trung et al. Blind inpainting forgery detection
Selvaraj et al. Enhanced copy–paste forgery detection in digital images using scale‐invariant feature transform
Han et al. A combined approach for the binarization of historical Tibetan document images
Wang et al. Blind detection of region duplication forgery by merging blur and affine moment invariants
Le et al. Improving logo spotting and matching for document categorization by a post-filter based on homography
Muzaffer et al. Copy move forgery detection with quadtree decomposition segmentation
Resmi et al. A novel segmentation based copy-move forgery detection in digital images
CN107146215A (zh) 一种基于颜色直方图和凸包的显著性检测方法
Soni et al. Improved block-based technique using surf and fast keypoints matching for copy-move attack detection
Rathi et al. Copy move forgery detection by using integration of SLIC and SIFT
Caraka et al. Batik parang rusak detection using geometric invariant moment
Yadav et al. Copy move forgery detection using SIFT and GMM
Nurhaida et al. Determining the Number of Batik Motif Object based on Hierarchical Symmetry Detection Approach
CN111768368B (zh) 一种基于最大稳定极值区域的图像区域复制篡改检测方法
Khudhur et al. An efficient and fast digital image copy-move forensic technique

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20200123

Address after: 266000 Household No. 8, Qingda No. 3 Road, Laoshan District, Qingdao City, Shandong Province

Patentee after: Qingdao Powerise Technology Co. Ltd.

Address before: 100192 Beijing city Haidian District Qinghe small Camp Road No. 12

Co-patentee before: Yang Hongbo

Patentee before: Beijing Information Science & Technology University