CN101916442A - 一种利用glcm特征的篡改图像鲁棒定位方法 - Google Patents

Abstract

一种利用GLCM特征的篡改图像鲁棒定位方法，属于信号与信息处理技术领域。其特征是利用图像分块的思想，提取每一图像块的量化DCT系数矩阵，计算其系数矩阵的灰度级共生矩阵(Gray Level Co-occurrence Matrix，简称GLCM)作为特征，并用事先训练好的数据对该子图像块的类别进行判断，并用相应的颜色进行标记。对于每一图像块重复上述操作得到检测结果图像，如果结果图像中存在与大部分区域不同的标记颜色，则该颜色所标记的区域可能为篡改区域。本发明效果和益处是可以篡改图像的篡改区域进行定位，且对常用的图像后期处理操作如旋转、缩放、羽化等具有鲁棒性，能够为司法机关和刑侦部门检测图像的真实性和完整性提供有效的工具。本发明适合于信息安全领域。

Description

一种利用GLCM特征的篡改图像鲁棒定位方法

技术领域

本发明属于信号与信息处理技术领域，涉及到对篡改图像中的篡改区域进行定位的图像取证方法，特别涉及到一种利用GLCM特征的篡改图像鲁棒定位方法。

背景技术

最基本的图像篡改操作是从同一幅图像或不同图像中复制粘贴感兴趣区域，以达到掩盖或篡改原有图像的部分信息的目的。同时为了消除篡改图像上的篡改痕迹，篡改者往往会对篡改部分进行缩放、旋转、羽化等处理和润饰操作。

针对同图篡改操作，Hany Farid等人在“Exposing Digital Forgeries byDetecting Duplicated Image Regions”文中提出利用主成分分析(PCA)的方法进行特征降维，并用字典排序的方法对子图像块的向量数据进行排序，并通过模糊匹配快速寻找相同或相似的图像块来定位篡改区域。J.Fridrich等人在“Detectionof Copy-Move Forgery in Digital Images”文中也提出了类似的思想，通过计算子图像块的量化DCT系数矩阵，并用字典排序方法对每个子块的量化DCT系数矩阵进行排序来完成相似图像块的匹配和定位。但这种方法只针对同图的复制粘贴操作有效，而且不能抵抗旋转、缩放等常用的后期处理操作。

针对异图篡改操作，A.Swaminathan等人在“Component Forensics of DigitalCameras：A Non-intrusive Approach”文中提出了利用相机来源鉴别的结果实现篡改图像定位的思想，通过估计每一子图像块的CFA插值系数作为特征对子图像块的来源进行鉴别，如果图像中不同局部的图像块来自于不同相机，则认为图像可能经过了篡改操作。P.Zhang等人在“Detecting Image Tampering UsingFeature Fusion”文中借鉴了该思想，采用了特征融合的思想，对每一子图像块提取小波特征、质量特征以及颜色特征等并进行融合，以检测每一图像块的相机来源。J.Fridrich等人在“Detecting Digital Image Forgeries Using Sensor PatternNoise”文中提出了利用模式噪声定位篡改图像的思想，该方法假定待测图像的相机来源是已知的，并用该相机的若干样本图像建立该相机的参考模式噪声。通过计算感兴趣区域的噪声与参考模式噪声的相关性来判定该区域是否为篡改区域。进一步提出了利用多种形状和大小的图像分块对待测图像进行联合分析，以达到自动定位篡改区域的目的。但这些方法当拼接图片来自于同一相机时失效，且不能抵抗旋转、缩放等常用的后期处理操作。

发明内容

本发明的目的是提供一种篡改图像的鲁棒定位方法。本发明对于篡改的后期操作如旋转、缩放以及羽化等都具有鲁棒性，即尽管图像可能经过了多种的后期处理操作处理，但只要经过了篡改，本发明都能够对篡改区域进行定位。本发明针对JPEG格式的图像提出，利用图像分块的思想，提取每一图像块的量化DCT系数矩阵，并计算系数矩阵的灰度级共生矩阵(Gray Level Co-occurrenceMatrix，简称GLCM)作为特征来对图像块进行颜色标记。若得到的结果图像中存在不同的颜色标记区域，则该图像可能经过了篡改操作，而且不同的颜色所标记的区域可能为篡改区域。本发明解决了篡改图像定位中对常用后处理操作的鲁棒性问题，能够帮助取证人员分析图像是否经过了篡改操作并对篡改区域进行定位。

本发明的技术方案如下：

1、经过后期处理的篡改图像的检测定位方法框图

本方法的框图如图1所示，具体包括5个步骤。针对一幅待检测的图像，首先将它分成不重叠的图像块，对于每个子图像块，提取它的YCbCr分量，并且对每个分量提取量化DCT系数，然后对系数矩阵计算其GLCM特征，利用支持向量机(SVM)对子图像块的类别进行判断，并用相应的颜色进行标记，得出最终的检测结果。

2、图像分块

本发明利用图像分块的手段来定位篡改图像的篡改区域。由于JPEG图像在进行压缩时采用大小为8×8的量化表对DCT系数进行量化，因此，每个8×8块DCT量化系数矩阵都保留了相机的统计特性，而且这种特性对于一些常用的后期处理操作如重压缩、缩放等都具有鲁棒性，使得利用图像块来实现篡改区域定位成为可能。本发明中对图像分块时为保证子图像块的统计特性不被破坏，分块大小为8的倍数，块与块之间不重叠。

3、提取图像的YCbCr分量及其量化DCT系数

由于JPEG图像在压缩时大都采用YCbCr的颜色模式，因此本发明对待测图像提取Y、Cb、Cr分量，并对每一分量提取量化DCT系数，这样能更好地保留JPEG图像固有的统计特性。

4、灰度级共生矩阵(GLCM)特征

由于量化DCT系数在每个8x8块的内部，相邻像素间都存在着一定的相关性，因此，可以利用这种相关性作为特征对子图像块进行类别判断。本发明中，我们用GLCM特征来模型化该相关性。GLCM特征由于考虑了像素对之间的关系，因此多被用于表征图像的纹理特征。Edward J.Delp等人在“PrinterIdentification Based on Texture Features”文中提出利用GLCM特征表征单个字符的统计特性，这是由于在打印取证中，每个字符的面积和像素都是很小的，而GLCM特征在低像素图像的特征提取中表现良好。在本发明中，由于利用了图像分块的思想来定位篡改区域，同样涉及到低像素图像的特征提取问题，因此选用GLCM特征来模型化每个子图像块的量化DCT系数之间的相关性。GLCM的计算公式如式(1)所示，

$\mathrm{glcm}(n,m)=\underset{(i,j),(i+\mathrm{dr},j+\mathrm{dc})\∈\mathrm{ROI}}{\mathrm{\Σ}}\mathrm{\δ}(i,j)=n,M(i+\mathrm{dr},j+\mathrm{dc})=m\}---\left(1\right)$

其中，dr，dc分别为水平方向和垂直方向的偏移量，如图2所示，且

$\mathrm{\δ}(A=m,B=n)=\left\{\begin{array}{c}\begin{array}{cccc}1,\mathrm{if}& A=m& \mathrm{and}& B=n\end{array}\\ 0,\mathrm{otherwise}\end{array}\right.---\left(2\right)$

本发明中，考虑某一元素与其八个方向的邻域元素间的关系，如图3所示，则公式(1)改写为(3)式的形式：

$\mathrm{glcm}(n,m)=\underset{\mathrm{dr}=-1}{\overset{1}{\mathrm{\Σ}}}\underset{\mathrm{dc}=-1}{\overset{1}{\mathrm{\Σ}}}\mathrm{\δ}\{M(i,j)=n,M(i+\mathrm{dr},j+\mathrm{dc})=m\}---\left(3\right)$

式中，dr∈(-1，1)，dc∈(-1，1)且(dr，dc)≠(0，0)。

在本发明中，我们对GLCM特征进行了归一化操作，使其所有元素的值满足0≤glcm(n，)≤1。

由于量化DCT系数矩阵的分布范围很广，即m，n的变化范围很大，如果直接计算该系数矩阵的GLCM特征，会导致很大的计算量，这在实际中是不希望出现的，因此本发明对量化DCT系数矩阵采用阈值来解决这一问题。量化DCT系数矩阵的元素分布图如图4所示，从图中可以看出，大部分元素都集中分布在0附近，而且整体上呈现出拉普拉斯分布特征，因此可以通过阈值的设定来减少计算量和复杂度。设阈值的大小为T，即当矩阵中的数值小于-T或大于+T时，分别让它们等于-T或+T。这样对于每一个量化DCT系数矩阵，通过(4)式计算得到的GLCM特征为(2T+1)×(2T+1)维。在本发明中，取T＝4，则每一个量化DCT系数矩阵得到81维GLCM特征，3个分量对应的量化DCT系数矩阵共可得到81×3＝243维特征。

综上所述，本发明定位经过后期处理的篡改图像的具体步骤如下：

对于一幅待检测图片，首先对它进行分块，分块大小视具体图像的大小而定，图像块的宽度和高度需为8的倍数，以保证不破坏原有JPEG图像量化DCT系数的统计特性。对于每一个子图像块，按照上面提出的方法提取特征，并利用事先训练好的数据对该图像块的类别进行鉴别，并将其标记为对应类别的颜色。对每一图像块重复上述操作，即可得到最终的检测结果图像，分析检测结果，如果结果图像中存在与大部分区域不同的标记颜色，则该颜色所标记的区域可能为篡改区域，从而帮助取证人员做出正确的判断。

本发明的效果益处是：

本发明主要针对经过后期处理操作的篡改图像中篡改区域的定位提出的。利用图像分块的思想对每一子图像块提取GLCM特征，并根据该特征对子图像块的类别进行判断并标记。本发明对于JPEG重压缩、旋转、缩放等常用的篡改手段具有鲁棒性，即只要图像中的子图像块有经过篡改的区域，都能够实现篡改区域定位。因此本发明为司法机关和刑侦部门检测图像的真实性和完整性提供了有效的工具。本发明适用于信息安全领域，可以有效地帮助取证人员检验图像是否进行了篡改操作。

附图说明

图1是经过后期处理的篡改图像的检测定位方法框图。

图2是GLCM特征计算方法示意图。

图3是本发明中在计算GLCM特征时所选取的八个方向的示意图。

图4是量化DCT系数矩阵元素的分布图，横轴为DCT系数矩阵中元素的取值，纵轴为统计直方图。

图5是篡改图像及对其检测的结果图。

图中：图5(a)，图5(b)是原始图像，图5(c)是由(a)、(b)拼接而成的篡改图像，图5(d)是检测结果图，不同颜色区域表明该区域为篡改区域。

具体实施方式

以下结合技术方案和附图详细叙述本发明的具体实施方式。

实验中首先要对数据库中不同相机来源的图像进行分类训练。选取了常用的8个品牌的相机，表一中列出了实验中所用的所有相机的型号及所用样本的分辨率。

表一实验中用到的相机型号及样本分辨率

相机序号	相机型号	分辨率
			1	Kodak DC290	1440×960
2	Canon Eos450D	4272×2848
			3	Casio EX-H10	4000×3000
4	FUJIFILM FinePix S250EXR	4000×3000
			5	PanasonicDMC_FS7	3648×2736
6	Samsung WB550	4000×3000
			7	sony a550	4592×3056
8	Ricoh GX200	4000×3000

实验中，每部相机选取50幅图像，这些图像包括人物、风景、建筑物等，且拍摄条件各异。对于每幅图片，将其分为大小为64×64的不重叠的图像块，并将其保存为JPEG格式。每幅图像选取6幅内容差异较大的子图像，以保证涵盖尽可能多的拍摄情况。这样每部相机得到50×6＝300个样本，对每一样本提取GLCM特征，利用SVM分类器对这8部不同相机的图片进行分类训练，得到训练文件并保存，对于这8部相机，每一部选用一种颜色与其唯一对应。实验中的SVM工具为网络上公开的LIBSVM，其下载地址为http://www.csie.ntu.edu.tw/～cilin/libsvm。

对于一幅待检测图像，首先将其分为大小为64×64的不重叠的图像块。对于每一个子图像块，提取其GLCM特征，并利用上一步中训练好的数据对该子图像块的类别进行判断，并将其标记为相应类别的颜色。对于每一个子图像块重复上面的操作，即可得到最后的标记图像，通过分析标记图像的类别分布，可以判断其是否以过了篡改操作，并根据标记的位置判断篡改的区域。图5给出了对一幅篡改图像的检测结果。其中(a)、(b)为原始图像，(c)为篡改图，该篡改图像是通过Photoshop软件制作而成，用钢笔工具扣出图5(b)中的人物部分，粘贴到图5(a)中，而且为了达到视觉上的效果，扣出的人物部分经过了旋转、缩放及羽化操作，最后把拼接图像重新保存为JPEG格式。图5(b)为检测结果图，从该结果图中可以看出，人物部分的颜色标记不同于其它区域的颜色标记，说明该人物所在区域为经过篡改的区域。

Claims (1)

1.一种利用GLCM特征的篡改图像鲁棒定位方法，该方法针对JPEG格式图像提出，利用图像分块的思想，提取每一图像块的Y、Cb、Cr分量，针对每一分量提取量化DCT系数矩阵，并计算系数矩阵的GLCM特征来对图像块进行颜色标记，通过分析检测结果中所标记的颜色的异同，定位出篡改区域，其特征在于：

a)利用了图像分块的思想，分块时子图像块的大小为8的倍数，块与块之间不重叠；

b)针对每一子图像块提取其Y、Cb、Cr分量，对于每一分量提取量化DCT系数矩阵，并设定阈值T减小特征维数和计算复杂度；

c)计算量化DCT系数的GLCM特征来模型化子图像块内部像素间的相关性，计算时考虑了某一元素与其八个方向的邻域元素间的相关性，并对计算出的GLCM特征进行归一化；

d)对于每一子图像块的类别进行判别，并用相应的颜色进行标记以检测其是否为篡改区域。

Images