CN101493938B - 基于噪声分布规律检测伪造图像的方法 - Google Patents

Abstract

本发明公开了一种基于噪声分布规律检测伪造图像的方法，选取待检测图像亮度分量混合滤波方法后，得到滤波后的图像，由滤波前后的图像提取出图像中的噪声，通过计算噪声均值、方差、信噪比来定量描述图像中指定区域的噪声分布规律，确定噪声分布规律的相似性准则，比较不同区域的噪声分布规律的相似性程度，进行真伪判断。本发明弥补了现有滤波算法不能很好区分噪声和边缘的不足，对已经过平滑滤波的伪造图像也有不错的检测结果，具有一定的适用性。

Description

基于噪声分布规律检测伪造图像的方法

技术领域

本发明涉及图像内容信息安全领域，特别是图像内容真实性盲检测方法。

背景技术

当前对数字图像内容的保护，主要是利用数字水印和签名技术来实现的，这些技术采用的基本思想都是通过添加附加信息对图像进行真实性鉴别。但是目前绝大多数图像中并不含有数字水印或者签名。随着数码相机和图像处理软件的普及和流行，越来越多的高品质的伪造图像通过网络大量传播，使人们的“眼见”不再“为实”，造成了政治、文化、新闻和科学真实性等方面的负面影响。更进一步的，伪造照片的大量存在很可能影响到公众的个人意识，最终让人们失去对照片的信任。因此，这一研究的开展对社会和人们生活有着重要的军事意义，民用意义和科学意义。

数字图像真实性检测是信息安全技术的分支之一，是在不预先向图像中嵌入水印等标识的情况下对数字图像内容的真实性进行评价的技术。该技术通过分析图像数据及其统计特性，来对图像进行真伪检测，并对图像中的伪造和窜改痕迹进行检测和定位。

目前，对数字图像内容可信度评价的研究尚处于起步阶段，随着国内外相关机构对其关注程度日益提高，已取得了一些研究成果。这些研究主要针对某种具体篡改操作对图像进行真伪检测，其中包括模糊操作，双重JPEG压缩操作，局部复制-粘贴操作，重采样操作，拼接操作等等。这些技术都是基于这样一个假设：在自然图像中存在着某些统计上的性质，倘若对图像数据进行修改则会改变其潜在的统计规律。这一假设也是判定一幅图像是否被修改和进行篡改定位的依据。

在基于噪声统计特性方面，利用噪声分布规律来检测图像内容真伪的研究相对较少。如Jan Lukas，Jessica Fridrich and Miroslav Goljan在Proceedings ofSPIE，2006(会议上)发表文章Detecting Digital Image Forgeries Using SensorPattern Noise(利用传感器模板噪声检测数字伪造图像)，该方法假设已知成相相机类型，或者已知由同一相机拍摄的若干张图像，这也是其局限性所在。Hongmei Gao，Ashwin Swaminathan and Min Wu在文章noise feature for image tamperingdetection and steganalysis(利用噪声特征对图像篡改进行检测和分析)中利用了三组噪声统计特性来检测图像真伪，其中三组噪声分别通过滤波操作，小波分析和邻域预测得到，该方法需要训练样本数据，且运算量较大。

发明内容

为了克服现有技术不能有效检测图像真伪的不足，本发明提供一种基于噪声分布规律检测伪造图像的方法，从噪声分布规律方面总结了伪造图像中可能存在的破绽规律，分析了图像伪造过程可能遗留的痕迹，并对伪造区域进行定位。

本发明的原理分析如下：

噪声是图像中存在的一种很重要的统计特性，它是在图像生成、传输和处理过程中产生的，因此，噪声的分布具有很大的随机性和不确定性。申请人在对大量图像的噪声分布规律进行分析研究后发现：不同来源图像的噪声分布规律往往是不同的，而同一幅图像中的“同质区域”(不同位置处的草地与草地，天空与天空，人物与人物等具有相同属性的区域)的噪声分布规律是具有相似性的。在图像伪造过程中，如果将在不同环境下成相的两幅图像进行拼接，则拼接两侧区域的噪声分布规律会有较大差异。因此，本发明提出了一种通过比较图像中同质区域的噪声分布规律的相似性程度来对图像进行真伪检测的方法。

本发明解决其技术问题所采用的技术方案包括以下步骤：

一、利用基于边缘保护的滤波算法提取出图像中的噪声。

数字图像在形成、传输及处理等过程中，必然受到各种各样噪声的影响，最为常见的为高斯噪声、泊松噪声和椒盐噪声。高斯噪声和泊松噪声的滤除可采用线性滤波技术，而椒盐噪声则采用非线性滤波技术。但是对于受混合噪声污染的图像，仅仅用线性滤波或非线性滤波无法取得很好的效果，一般都需要组合不同的滤波算法。在大量实验的过程中发现，大多数的滤波算法不能很好的区分噪声与边缘，导致检测到的噪声中包含很多边缘和细节信息，因此，本发明结合中值滤波和均值滤波技术，采用了一种基于边缘保护的混合噪声滤波算法来提取图像中的噪声。

均值滤波算法之所以会导致图像变模糊，是因为算法直接将像素邻域均值作为滤波输出，而没有考虑该邻域内是否包含边缘信息。为了削减均值滤波算法的模糊后果，可以选择一个不包含边缘信息的像素邻域，而仅以该邻域中的灰度均值作为滤波输出。

滤波算法如下：

首先，将待检测图像f(x，y)由RGB空间(或其本身所在的颜色空间)转换至HSI空间，得到图像g(x，y)，并选取亮度分量g₃(x，y)；

其次，在亮度分量g₃(x，y)中，以待检像素(x，y)为中心定义N(5≤N≤9)个邻域W₁，W₂，...，W_N，包括中心像素(x，y)在内每个邻域包含n_i(4≤n_i≤8)个像素；

然后，对图像中每个像素(x，y)进行遍历，执行如下4个步骤：

1)分别计算N个邻域中像素的灰度均值和方差，见式(1)和(2)，从而得到方差向量V＝{σ₁，σ₂，σ₃，...，σ_N}

${\mathrm{\σ}}_i=\frac{1}{n_i}\underset{k,l}{\mathrm{\Σ}}{|f(x+k,y+l)-\stackrel{\‾}{f(x,y)}|}^2---\left(1\right)$

$\stackrel{\‾}{f_i(x,y)}=\frac{1}{n_i}\underset{k,l}{\mathrm{\Σ}}f(x+k,y+l)---\left(2\right)$

(i＝1，2，...，N，f(x+k，y+l)∈W_i)

其中，f(x，y)为像素点(x，y)的灰度值，f(x，y)为像素(x，y)的第i个邻域的灰度均值，n_i为像素(x，y)的第i个邻域W_i(i＝1，...，N)中像素个数。

2)对方差向量中的元素按升序进行排列，得到新向量V′＝{σ₁′，σ₂′，σ₃′，...，σ_N′}，其中，σ_i′≤σ_i+1′(i＝1，2，...，N-1)。

3)较大方差所对应的邻域中很有可能存在边缘，为了使边缘不被模糊，计算V′中前M $(1\≤M\≤\frac{N-1}{3})$ 个方差元素σ′_i(i＝1，...，M)对应的邻域的灰度均值f_i(x，y)(i＝1，...，M)组成的向量F＝{f_i(x，y)|i＝1，...，M}；

4)取向量F的元素中值作为最后的滤波输出：

g(x，y)＝median(f_i(x，y))，(i＝1，...，M)                          (3)

由于在选择邻域时考虑了图像的边缘信息，该算法在很好的消除图像噪声的同时，也很好的保护了图像的边缘和细节。

最后，对待检测图像f的亮度分量g₃，运用上述基于边缘保护的混合滤波方法后，得到滤波后的图像g′₃，由滤波前后的图像，利用式(4)可以得到噪声图像，从而提取出图像中的噪声。

n(x，y)＝g₃(x，y)-g′₃(x，y)                                          (4)

二、通过计算噪声均值、方差、信噪比来定量描述图像中指定区域的噪声分布规律。

鼠标选取图像中某一像素点q，记录其在噪声图像中对应的像素为q_n，以q_n为中心定义大小为s₁×s₂(50≤s₁，s₂≤200)的邻域ψ，利用式(5)(6)(7)分别计算该邻域的灰度均值ave、方差var和信噪比PSNR。

${\mathrm{ave}}_q=\frac{1}{s_1\×s_2}\underset{(x,y)}{\mathrm{\Σ}}n(x,y)---\left(5\right)$

${\mathrm{var}}_q=\frac{1}{s_1\×s_2}\underset{(x,y)}{\mathrm{\Σ}}{(n(x,y)-{\mathrm{ave}}_q)}^2---\left(6\right)$

${\mathrm{SNR}}_q=10\×\lg \left(\frac{s_1\×s_2\×{255}^2}{\underset{(x,y)}{\mathrm{\Σ}}{(g_3(x,y)-{g^{\′}}_3(x,y))}^2}\right)---\left(7\right)$

其中，(x，y)∈ψ，ave_q，var_q，SNR_q分别为像素点q的邻域ψ的三个输出：灰度均值、方差和信噪比。

对待检测图像中的像素q，将ave_q，var_q，SNR_q作为三个属性，得到像素点q的邻域ψ的属性向量a_q＝(ave_q，var_q，SNR_q)^T。

三、确定噪声分布规律的相似性准则，比较不同区域的噪声分布规律的相似性程度，进行真伪判断。

通常来说，一幅图像中的“同质区域”的噪声分布规律应该是具有一定相似性的，若待检图像中存在两个或多个同质的不同区域，但二者的噪声分布规律不相似的话，那么可以认为图像中存在伪造区域。其中，相似性的大小可以采用距离函数(Minkowskydistance，Euclidean distance(欧氏距离)，Manhattan distance，Mahalanobisdistance(马氏距离))进行度量。

根据同质区域的定义，在图像中选取两块同质区域的中心像素点q₁和q₂，指定以q₁和q₂为中心的邻域大小为s₁×s₂(50≤s₁，s₂≤200)，则二者对应邻域ψ₁和ψ₂的属性向量可以表示为a_q1＝(ave_q1，var_q1，SNR_q1)^T和a_q2＝(ave_q2，var_q2，SNR_q2)^T，则它们的相似性大小可以使用距离函数表示为如下形式：

a)明科夫斯基距离(Minkowsky distance)

d＝(|ave_q1-ave_q2|^q+|var_q1-var_q2|^q+|SNR_q1-SNR_q2|^q)^1/q         (8)

b)曼哈顿距离(Manhattan distance)

当q＝1时，(8)式就变为Manhattan distance：

d＝|ave_q1-ave_q2|+|var_q1-var_q2|+|SNR_q1-SNR_q2|                 (9)

c)欧氏距离(Euclidean distance)

当q＝2时，(8)式就变为Euclidean distance(欧氏距离)：

$d=\sqrt{{({\mathrm{ave}}_{q1}-{\mathrm{ave}}_{q2})}^2+{({\mathrm{var}}_{q1}-{\mathrm{var}}_{q2})}^2+{({\mathrm{SNR}}_{q1}-{\mathrm{SNR}}_{q2})}^2}---\left(10\right)$

d)马氏距离(Mahalanobis distance)

d²＝(a_q1-a_q2)^TS(a_q1-a_q2)                                     (11)

这里，S为协方差。

设定合适阈值δ_d(0.1≤δ_d≤0.4)，判断像素点q₁和q₂对应的邻域ψ₁和ψ₂的相似性，如下所示：

其中，d为邻域ψ₁和ψ₂的属性向量之间的距离(欧氏距离，马氏距离，汉明距离)。对待检测图像中所有同质区域的噪声分布规律进行以上相似性判断，若存在两块同质区域不具有相似性，则判定该图像为伪造图像。

本发明的有益效果是：从分析伪造图像的噪声分布规律入手，总结了伪造图像中可能存在的噪声分布规律的破绽，提出了一种不需要模板噪声等先验知识的盲检测算法。本发明通过对已有的噪声滤波方法进行改进，采用了基于边缘保护的滤波算法来提取噪声信息，弥补了现有滤波算法不能很好区分噪声和边缘的不足。本发明对已经过平滑滤波的伪造图像也有不错的检测结果，具有一定的适用性。

下面结合附图和实施例对本发明进一步说明。

附图说明

图1是本发明所述像素点九个邻域的示意图。

图2为利用噪声分布规律检测伪造图像的样本图像及检测结果示意图。

具体实施方式

为便于进行图像伪造检测，课题组建立了按具体篡改手段分类的伪造图像数据库，目前已有近4000幅图像。图像数据库中既有直接拼接等简单操作，也有对简单伪造后图像再进行润色修饰的复杂操作；既有采用单一工具处理的图像，也有综合多种工具处理的图像，该图像库使研究可以从简单到复杂循序渐进地进行，利于提高算法的可行性分析。

图2是来自于图像数据库的一组图像，其中图2(a)、图2(b)为原始图像，图2(c)为由图2(a)和图2(b)进行拼接得到的伪造图像。我们利用噪声分布规律对其伪造图像图2(c)进行检测。检测步骤如下：

(1)将图像(c)由RGB空间转换至HSI空间，得到的图像记为g；

(2)选取g的亮度分量g₃，对其进行基于边缘保护的噪声滤波算法，得到滤波后的图像g₃′，具体滤波过程如下：

a.以像素(x，y)为中心定义9个邻域W₁，W₂，...，W₉，如附图1所示；

b.分别计算9个邻域中像素的灰度均值和方差，见式(1)和(2)，从而得到方差向量V：V＝{σ₁，σ₂，σ₃，...，σ₉}；

c.对方差向量中的元素按升序进行排列，得到新向量V′：V′＝{σ₁′，σ₂′，σ₃′，...，σ₉′}；

d.计算V′中前5个方差元素σ′_i(i＝1，...，5)对应的邻域的灰度均值f_i(x，y)(i＝1，...，5)，组成的向量F：F＝{f_i(x，y)|i＝1，...，5}；

e.取向量F的元素中值作为最后的滤波输出，见式(3)；

f.在亮度分量图像g₃中，遍历每一个像素(x，y)，执行a-e步骤，最终得到滤波后的图像g₃′；

(3)由滤波前后的图像g₃和g₃′，得到噪声图像n＝g₃-g₃′；

(4)通过鼠标选取图像中两块同质区域的中心像素点q₁和q₂，指定邻域大小为100×150，分别计算q₁和q₂对应的邻域ψ₁和ψ₂的灰度均值、方差和信噪比，见式(5)(6)(7)，从而得到两个同质区域ψ₁和ψ₂的属性向量a_q1＝(ave_q1，var_q1，SNR_q1)和a_q2＝(ave_q2，var_q2，SNR_q2)；

(5)利用式(10)计算ψ₁和ψ₂之间的欧氏距离d_o，设定阈值δ_d＝0.25，若d_o＜δ_d，则判断区域ψ₁和ψ₂的噪声分布规律相似，循环执行步骤(4)(5)，检测图像中存在的所有伪造区域；若d_o≥δ_d，则判定区域ψ₁和ψ₂的噪声分布规律不相似，图像为伪造图像，算法结束。

图2(d)显示的为检测结果，其中红线标示的区域为选取的其中两块同质区域ψ₁和ψ₂，二者的相似性大小及阈值选择如下：d_o＝0.518，δ_d＝0.25，即d_o≥δ_d，因此，区域ψ₁和ψ₂的噪声分布规律是不相似的。可以得出结论：图2(c)是由两幅不同来源的图像进行伪造得到的。

为了进一步验证算法的有效性，对已经过平滑滤波的图像也进行了实验，图2(e)图为对伪造图像图2(c)进行平滑滤波后的图像，采用的平滑算法为3×3均值滤波。对图2(e)执行上述相同的检测步骤，检测结果如图2(f)所示。其中选取的同质区域ψ₁和ψ₂用矩形标出，二者的相似性大小和阈值选择如下：d_o＝0.496，δ_d＝0.25，即d_o≥δ_d，因此，区域ψ₁和ψ₂的噪声分布规律是不相似的，仍可以判断该图像为伪造图像，可以看出，该算法对经平滑滤波后的伪造图像也有不错的检测效果。

Claims (1)

1.基于噪声分布规律检测伪造图像的方法，其特征在于包括下述步骤：

第一步、利用基于边缘保护的滤波算法提取出图像中的噪声，具体步骤如下：

首先，将待检测图像f(x，y)由RGB空间或其本身所在的颜色空间转换至HSI空间，得到图像g(x，y)，并选取亮度分量g₃(x，y)；

其次，在亮度分量g₃(x，y)中，以待检像素(x，y)为中心定义N个邻域W₁，W₂，...，W_N，5≤N≤9，包括待检测像素(x，y)在内每个邻域包含n_i个像素，4≤n_i≤8；

然后，对亮度分量g₃(x，y)中每个像素(x，y)进行遍历，执行如下4个步骤：

1)分别计算N个邻域中像素的灰度均值和方差，见式(1)和(2)，从而得到方差向量V＝{σ₁，σ₂，σ₃，...，σ_N}

(i＝1，2，...，N，f(x+k，y+l)∈W_i)

其中，f(x，y)为像素(x，y)的灰度值， 

为像素(x，y)的第i个邻域的灰度均值，σ_i是像素(x，y)的第i个邻域中像素的方差，n_i为像素(x，y)的第i个邻域W_i(i＝1，...，N)中像素个数；

2)对方差向量中的元素按升序进行排列，得到新向量V′＝{σ₁′σ₂′，σ₃′，...，σ_N′}，其中，σ₁′≤σ_i+1′(i＝1，2，...，N-1)；

3)计算V′中前M个方差元素σ′_i对应的邻域的灰度均值 组成的向量 

4)取向量F的元素中值作为最后的滤波输出 

i＝1，...，M；

最后，对待检测图像f(x，y)的亮度分量g₃(x，y)运用上述基于边缘保护的混合滤波方法后，得到滤波后的图像g′₃，由滤波前后的图像提取出图像中的噪声n(x，y)＝g₃(x，y)- g′₃ (x，y)；

第二步、通过计算噪声均值、方差、信噪比来定量描述噪声图像中指定区域的噪声分布规律，具体步骤如下： 

鼠标选取待检测图像中某一像素点q，记录其在噪声图像中对应的像素点为q_n，以q_n为中心定义大小为s₁×s₂的邻域ψ，50≤s₁，s₂≤200，利用式(5)(6)(7)分别计算该邻域的灰度均值ave、方差var和信噪比SNR，

其中，(x，y)∈ψ；对待检测图像中的像素点q，得到像素点q的邻域ψ的属性向量a_q＝(ave_q，var_q，SNR_q)^T；

第三步、确定噪声分布规律的相似性准则，比较不同区域的噪声分布规律的相似性程度，进行真伪判断，具体步骤如下：

根据同质区域的定义，在待检测图像中选取两块同质区域的中心像素点q₁和q₂，指定以q₁和q₂为中心的邻域大小为s₁×s₂，50≤s₁，s₂≤200，则二者对应邻域ψ₁和ψ₂的属性向量可以表示为a_q1＝(ave_q1，var_q1，SNR_q1)^T和a_q2＝(ave_q2，var_q2，SNR_q2)^T，则它们的相似性大小可以使用距离函数表示为如下形式：

欧氏距离

设定阈值δ_d，0.1≤δ_d≤0.4，判断像素点q₁和q₂对应的邻域ψ₁和ψ₂的相似性，如下所示： 

其中，d为邻域ψ₁和ψ₂的属性向量之间的欧式距离，对待检测图像中所有同质区域的噪声分布规律进行以上相似性判断，若存在两块同质区域不具有相似性，则判定该待检测图像为伪造图像。 

Images