CN101950408B - 基于d-s证据理论的数字图像可信性度量方法 - Google Patents

Abstract

本发明公开了一种基于D-S证据理论的数字图像可信性度量方法，其特征在于按如下步骤进行：构建用于特征比对的篡改特征集、建立数字图像可信性度量模型；对所述数字图像可信性度量模型进行自检；对未知图像提取相应的篡改特征，并使用所建立的数字图像可信性度量模型对未知图像进行预测；最后使用D-S证据理论对预测结果进行处理并给出未知图像的度量结果和可信区间。本发明用于对数字图像的隐写安全性、篡改完整性及来源可靠性等做出综合度量。

Description

基于D-S证据理论的数字图像可信性度量方法

技术领域

本发明属于数字图像安全领域，特别是涉及一种基于D-S证据理论的数字图像可信性度量方法。

背景技术

随着网络技术和数字多媒体技术快速发展以及数字图像编辑工具的普及，人们可以轻易地对数字图像进行修改甚至篡改，并将之通过网络进行传播。人们对图像有一种天生的信赖，以为“眼见为实”，然而目前犯罪分子却广泛利用人们的这种信赖天性，将数字图像进行篡改、伪造或隐写秘密信息，以达到其犯罪目的。有关数字图像的安全事件在各个国家不断发生，有些影响非常恶劣，从而逐渐影响了人们对数字图像的信任。

目前数字图像的可信性分析主要分为盲环境下和非盲环境下的分析。非盲环境下的分析主要依赖于数字图像的水印和数字签名技术。但数字水印、数字签名会增加用户操作和成本上的负担，影响图像质量，存在着容易遭受篡改和攻击的弱点，更重要的是目前网络上绝大部分图像没有数字水印或数字签名。数字图像取证技术是一门新兴起的数字多媒体安全技术，但目前的数字图像取证技术存在以下缺点：

1、目前的数字图像取证技术只能对某种图像篡改或隐写做取证，而不能做到综合取证。但在实际的网络环境中，数字图像所经受的篡改往往不止一种，因而目前的取证方法往往对实际网络环境中的数字图像无效。

2、目前的数字图像取证技术往往只能做出是和否的二值判断，二不能对其度量的程度做出比较科学的估计。

3、目前的数字图像取证技术没有考虑各种证据之间的冲突性，因而在判断上也只能简单判断某种篡改，一旦有多种篡改时往往由于这种证据的冲突而导致无效。

发明内容

本发明是为避免上述现有技术所存在的不足，提供一种基于D-S证据理论的数字图像可信性度量方法，以其对数字图像的隐写安全性、篡改完整性及来源可靠性等做出综合度量。

本发明基于D-S证据理论的数字图像可信性度量方法的特点是按如下步骤进行：

步骤1：构建用于特征比对的篡改特征集、建立数字图像可信性度量模型；

步骤2：对所述数字图像可信性度量模型进行自检；

步骤3：对未知图像提取相应的篡改特征，并使用所建立的数字图像可信性度量模型对未知图像进行预测；最后使用D-S证据理论对预测结果进行处理并给出未知图像的度量结果和可信区间；

所述步骤1按如下过程进行：

1.1，由用户制定数字图像可信指标I，I＝{tag|tag＝1，2…n}，其中n为正整数，tag为数字图像篡改行为的标记；

1.2，根据步骤1.1中用户制订的数字图像可信指标I建立包含具有相等规模大小的n个图像集的训练集，所述训练集中包含未经任何篡改的图像集tag＝1和n-1个经过单一类型篡改的图像集tag＝2，3，4…n；

1.3，对所述训练集中的n个图像集分别提取tag＝2，3，4…n类型的篡改特征，构成n个篡改特征集，对获得的n个篡改特征集使用分类器进行训练，获得相应的n个模型，记为model_i，i＝1，2，…n；

所述步骤2按如下过程进行：

2.1，任意选取数字图像不同于训练集的测试集，要求所述测试集中图像规模至少为500幅，测试所述训练集中的每一幅图像或者未经篡改，或者经过步骤1.1中所涉及的篡改类型tag＝2，3，4…n篡改；

2.2，对步骤2.1中选取的测试集中的图像提取tag＝2，3…n类型的篡改特征；

2.3，将步骤2.2中提取的篡改特征和步骤1.3中获得的model_i使用分类器作预测，得到model_i预测结果，每一条预测结果中含有将图像预测为属于步骤1.2中定义的各种图像类别的分类概率；

2.4，分析步骤2.3的预测结果，定义差值概率的绝对值d等于每一条预测结果的分类概率中最大的两个概率值之差的绝对值；设定门限ε，其中0＜ε＜1；若d＜ε，则认为此时这两个起关键作用的分类概率比较近似，model_i在这种情况下难以做出准确判断，此时的分类结果是不可靠的；统计这样的不可靠分类事件的发生频率以及做出的正确判断事件的发生频率，即为各个model的不确定度U及准确率A，所述不确定度U和准确率A均为n维向量，对准确率A作归一化处理；

所述步骤3按如下过程进行：

3.1，对一幅未知图像提取tag＝2，3…n类型的篡改特征；

3.2，将步骤3.1中提取的篡改特征和步骤1.3中获得的model_i使用分类器进行预测，获得n个model的预测结果；

所述步骤4按如下过程进行：

步骤4.1，由步骤3.2中获得的预测结果建立n*n的概率分布矩阵，将步骤2.4中得到的不确定度U的转置U^T作为概率分布矩阵的第n+1列，并逐行作归一化；将步骤2.4中得到的准确率A归一化，转置矩阵A^T作为概率分布矩阵中各行的权重，此权重作为矩阵的附加信息，定义由此附加信息获得的矩阵：

$M=\left[\begin{array}{cccc}\frac{P({\mathrm{tag}}_1=1)}{1+U\left(1\right)}& \frac{P({\mathrm{tag}}_1=2)}{1+U\left(1\right)}& ...& \frac{U\left(1\right)}{1+U\left(1\right)}\\ ...& & & ...\\ \frac{P({\mathrm{tag}}_n=1)}{1+U\left(n\right)}& \frac{P({\mathrm{tag}}_n=2)}{1+U\left(n\right)}& ...& \frac{U\left(n\right)}{1+U\left(n\right)}\end{array}\right]=\left[\begin{array}{cccc}{m}_{11}& m_{12}& ...& m_{1n+1}\\ ...& & & ...\\ m_{n1}& m_{n2}& ...& m_{\mathrm{nn}+1}\end{array}\right],$ 其中

$\underset{j=1}{\overset{n+1}{\mathrm{\Σ}}}{m}_{\mathrm{ij}}=1,$ i＝1，2…n为D-S证据矩阵；

步骤4.2，对步骤4.1所得证据矩阵使用带约束条件的最小二乘法进行修正，得到修正的证据矩阵，其中约束条件是最小二乘法构造的不动点所拟合的直线在最大点与最小点之间；

步骤4.3，对步骤4.2中所得的修正的证据矩阵使用D-S证据合成公式

其中

得到合成结果；

步骤4.4，记步骤4.3中所得的合成结果为m’(A)，m’(B)，m’(C)…m’(U)，因为图片只可能存在一种归属，所以U集合中的元素A，B，C…互斥，在此条件下，根据D-S证据理论，未知图像的可信区间为[bel(A)，pl(A)]，其中bel(A)＝m’(A)，p1(A)＝m’(A)+m’(U)。

与已有技术相比，本发明有益效果体现在：

1、本发明使用了D-S证据理论，消除了证据间的冲突，并使用数据融合技术综合考虑各种证据的影响；

2、本发明可以对遭受一种或多种篡改的数字图像的可信性进行定量评估，其度量值为一可信区间，区间的上限为其最大可信性值，区间的下限为其最低可信性值。

3、本发明通过自定义可信性度量指标，如隐写、合成、压缩、计算机生成等，并为每个度量指标建立model，并在D-S证据理论的基础上综合这些model，从而可以对数字图像的进行综合度量，而目前的数字图像取证技术往往只能对某一种指标进行取证。

4、本发明中通过D-S证据理论与数据融合，通过证据的计算得到[bel(A)，pl(A)]，其中bel(A)为可信的下限，pl(A)为可信的上限。从而为可信性度量提供更具有参考价值的度量，而目前的数字图像取证技术只能做到是和否的简单二值判断。

5、本发明通过D-S证据理论消除来自各个可信指标的model中提供的证据，并计算其不确定程度，并降不确定程度计算到证据合成公式中，从而可以消除消除了证据间的冲突，可以对网络实际环境中的多种篡改有效，而目前的数字图像取证技术对多种篡改的图像往往判断失败。

6、本发明可以运用于新闻媒体机构，判断新闻图像的来源，避免各种虚假信息；可以运用于图像搜索引擎，判断数字图像的来源可靠性；可以运用于司法、情报等机构，作为判断数字图像信息真伪的参考等；亦可运用于盲环境下视频的可信性的度量。

附图说明

图1为本发明提出的数字图像可信性度量模型总体示意图；

图2为本发明提出的模型自检过程示意图；

图3为本发明提出的证据矩阵建立过程示意图；

图4为本发明设计的带约束条件的最小二乘法算法流程示意图。

具体实施方式

参见图1，首先建立数字图像可信性度量模型，接着对该模型进行自检。实际测试时，利用该模型对未知图像进行预测，获得预测结果，再对预测结果使用D-S证据理论进行处理，从而得到最终度量结果。建立数字图像可信性度量模型时，根据用户需求确定可信指标，即确定用户认为是对数字图像篡改的行为，比如隐写、合成、重压缩等。对用户认为考察的对数字图像篡改的行为进行编号，记为tag＝1，2…n。由此构建包含具有相等规模大小的n个图像集的训练集，训练集包含未经任何篡改的图像集tag＝1和n-1个经过单一类型篡改的图像集tag＝2，3，4…n。对这n个图像集分别提取tag＝2，3，4…n的篡改特征，使用分类器做训练获得n个model。这里分类器可以选用svm等。

参见图2，接着对所建立的数字图像可信性度量模型进行自检，自检得目的是获得各个model的预测准确率和预测过程中存在的不确定度。选取不同于训练集的测试图像集，测试图像集中至少有500幅图像，图像越多越好，实际应用中，以1000幅为最佳，测试集中图像为经过已知种类篡改tag＝2，3，4…n的图像。下面以model_i为例说明自检模型过程，自检时先提取测试集中图像的各种篡改特征tag＝2，3，4…n，再使用model_i用分类器进行预测，获得的预测结果。预测结果中包含model_i将测试集中任一幅图像L预测为不同图像类别tag＝1，2…n的概率值p＝[P(tag_i＝1)，P(tag_i＝2)…P(tag_i＝n)]，对预测结果进行分析，统计做出的正确判断的概率即为model_i的预测准确率。记每幅图像的一条预测结果中的最大的两个分类概率间差值的绝对值d(L)＝|P(tag_i＝k)-P(tag_i＝j)|，其中1≤j，k≤n，设定门限ε，其中0＜ε＜1。如果d(L)＜ε，认为此时这两个起关键作用的分类概率比较近似，model_i在这种情况下难以做出准确判断，此时的分类结果是不可靠的。将model每判断一幅图片作为一个事件U_i，设全体事件集为其中|U|＝自检的总体样本容量，设不确定集合为K，遍历model_i的预测结果，当出现上述定义的不可靠判断时，K＝K∪U_i。定义model_i的固有不确定度为

由此获得model_i的不确定度。对每个model执行相同上述操作即完成整个数字图像可信性度量模型的自检，得到整个度量模型的不确定度U及准确率A，不确定度U及准确率A均为n维向量。

对未知图像1进行预测时，如图1所示，对图像1提取各种篡改特征tag＝2，3，4…n，分别使用度量模型中的各个model用分类器进对行图像1的分类进行预测。每个model得到一条预测结果，将这n条预测结果合并获得图像1的分类结果的概率分布矩阵。

$M=\left[\begin{array}{cccc}P({\mathrm{tag}}_1=1)& P({\mathrm{tag}}_1=2)& ...& P({\mathrm{tag}}_1=n)\\ ...& & & ...\\ P({\mathrm{tag}}_n=1)& P({\mathrm{tag}}_n=2)& ...& P({\mathrm{tag}}_n=n)\end{array}\right]$

参见图3，由概率分布矩阵M建立D-S证据矩阵。将数字图像可信性度量模型自检过程中获得的不确定度U^T归一化后，作为概率分布矩阵M的第n+1列，再对矩阵逐行归一化。将自检过程中获得的不确定度A归一化，A^T即作为矩阵各行的权重。定义由此获得的矩阵为D-S证据矩阵

$M=\left[\begin{array}{cccc}\frac{P({\mathrm{tag}}_1=1)}{1+U\left(1\right)}& \frac{P({\mathrm{tag}}_1=2)}{1+U\left(1\right)}& ...& \frac{U\left(1\right)}{1+U\left(1\right)}\\ ...& & & ...\\ \frac{P({\mathrm{tag}}_n=1)}{1+U\left(n\right)}& \frac{P({\mathrm{tag}}_n=2)}{1+U\left(n\right)}& ...& \frac{U\left(n\right)}{1+U\left(n\right)}\end{array}\right]=\left[\begin{array}{cccc}{m}_{11}& m_{12}& ...& m_{1n+1}\\ ...& & & ...\\ m_{n1}& m_{n2}& ...& m_{\mathrm{nn}+1}\end{array}\right],$

其中 $\underset{j=1}{\overset{n+1}{\mathrm{\Σ}}}{m}_{\mathrm{ij}}=1,i=\mathrm{1,2}\·\·\·n.$

参见图4，使用D-S证据理论处理由n个model获得的结果。根据D-S证据理论，设定假设集合U＝{A，B，C…}，假设项A，B，C分别表示图像属于tag＝1，2…n这n个类别。将各个model所得的一组分类概率值作为从某个角度去支持这假设的一条证据，即将这组概率值作为假设项A，B，C…的基本概率赋值，记第j条证据中m(A)＝m_j1，m(B)＝m_j2，m(C)＝m_j3…m(U)＝m_jn+1，从而n个model可以提供n条证据。

本实施例在最小二乘法的基础上设计了约束条件，用带约束条件的最小二乘法对D-S证据矩阵的各列进行处理，从而达到削弱可能存在的证据冲突，然后采用D-S证据合成公式进行证据合成。具体处理算法如下：

1)初始：j＝0；

2)++j；

3)找出矩阵第j列中的最大值和最小值，分别记为：

$\mathrm{Min}=\underset{i=\mathrm{1,2}\·\·\·n}{\mathrm{Min}}\left\{m_{\mathrm{ij}}\right\},$ $\mathrm{Max}=\underset{i=\mathrm{1,2}\·\·\·n}{\mathrm{Max}}\left\{M_{\mathrm{ij}}\right\};$

4)计算 $m_{\mathrm{nj}}=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}U\left(i\right)m_{\mathrm{ij}},$ $a_{j0}=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}U\left(i\right)(n+1-i)(m_{n+1j}-m_{\mathrm{ij}})}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}U\left(i\right){(n+1-i)}^2},$

$a_{j1}=\frac{m_{n+1j}-\mathrm{Max}}{n}$ $a_{j2}=\frac{m_{n+1j}-\mathrm{Min}}{n};$

5)求出a_j、b_j    当a_j0＜a_j1时，a_j＝a_j1；当a_j1≤a_j0≤a_j2时，a_j＝a_j0；

当a_j0＞a_j2时，a_j＝a_j2；b_j＝m_nj-a_j*n；

6)矩阵第j列的元素进行修正a_j*x_i+b_j→m_ij(i＝1，2，3…n)；

7)如果j＜n+1转2)否则转8)；

8)得到新的证据矩阵

对矩阵每一行做归一化处理。

对由上述算法处理后的证据矩阵的每一列使用D-S证据合成公式进行合成，

$m\left(A\right)=\frac{\underset{{\∩}_i{A}_j=A}{\mathrm{\Σ}}\underset{1\≤i\≤n}{\mathrm{\Π}}{m}_i\left(A_j\right)}{K}$

其中

$K=\underset{{\∩}_i{A}_j=\mathrm{\Φ}}{\mathrm{\Σ}}\underset{1\≤i\≤n}{\mathrm{\Π}}{m}_i\left(A_j\right)$

记得到的合成结果为m’(A)，m’(B)，m’(C)…m’(U)，因为图片只可能存在一种归属，所以U集合中的元素A，B，C…互斥，在此条件下，根据D-S证据理论，有bel(A)＝m’(A)，又pl(A)＝m’(A)+m’(U)，则图片的信任区间为[bel(A)，pl(A)]。

Claims (1)

1.一种基于D-S证据理论的数字图像可信性度量方法，其特征在于按如下步骤进行：

步骤1：构建用于特征比对的篡改特征集、建立数字图像可信性度量模型；

步骤2：对所述数字图像可信性度量模型进行自检；

步骤3：对未知图像提取相应的篡改特征，并使用所建立的数字图像可信性度量模型对未知图像进行预测；最后使用D-S证据理论对预测结果进行处理并给出未知图像的度量结果和可信区间；

所述步骤1按如下过程进行：

1.1，由用户制定数字图像可信指标I，I＝{tag|tag＝1，2…n}，其中n为正整数，tag为数字图像篡改行为的标记；

1.2，根据步骤1.1中用户制订的数字图像可信指标I建立包含具有相等规模大小的n个图像集的训练集，所述训练集中包含未经任何篡改的图像集tag＝1和n-1个经过单一类型篡改的图像集tag＝2，3，4…n；

1.3，对所述训练集中的n个图像集分别提取tag＝2，3，4…n类型的篡改特征，构成n个篡改特征集，对获得的n个篡改特征集使用分类器进行训练，获得相应的n个模型，记为model_i，i＝1，2，…n；

所述步骤2按如下过程进行：

2.1，任意选取数字图像不同于训练集的测试集，要求所述测试集中图像规模至少为500幅，测试集中图像为经过已知种类篡改tag＝2，3，4…n的图像；

2.2，对步骤2.1中选取的测试集中的图像提取tag＝2，3…n类型的篡改特征；

2.3，将步骤2.2中提取的篡改特征和步骤1.3中获得的model_i使用分类器作预测，得到model_i预测结果，每一条预测结果中含有将图像预测为属于步骤1.2中定义的各种图像类别的分类概率；

2.4，分析步骤2.3的预测结果，定义差值概率的绝对值d等于每一条预测结果的分类概率中最大的两个概率值之差的绝对值；设定门限ε，其中0＜ε＜1；若d＜ε，则认为此时这两个起关键作用的分类概率比较近似，model_i在这种情况下难以做出准确判断，此时的分类结果是不可靠的；统计这样的不可靠分类事件的发生频率以及做出的正确判断事件的发生频率，即为各个model的不确定度U及准确率A，所述不确定度U和准确率A均为n维向量，对准确率A作归一化处理；

所述步骤3按如下过程进行：

3.1，对一幅未知图像提取tag＝2，3…n类型的篡改特征；

3.2，将步骤3.1中提取的篡改特征和步骤1.3中获得的model_i使用分类器进行预测，获得n个model的预测结果；

步骤4按如下过程进行：

步骤4.1，由步骤3.2中获得的预测结果建立n*n的概率分布矩阵，将步骤2.4中得到的不确定度U的转置U^T作为概率分布矩阵的第n+1列，并逐行作归一化；将步骤2.4中得到的准确率A归一化，转置矩阵A^T作为概率分布矩阵中各行的权重，此权重作为矩阵的附加信息，定义由此附加信息获得的矩阵：

$M=\left[\begin{array}{cccc}\frac{P({\mathrm{tag}}_1-1)}{1+U\left(1\right)}& \frac{P({\mathrm{tag}}_1=2)}{1+U\left(1\right)}& ...& \frac{U\left(1\right)}{1+U\left(1\right)}\\ ...& & & ...\\ \frac{P({\mathrm{tag}}_n=1)}{1+U\left(n\right)}& \frac{P({\mathrm{tag}}_n=2)}{1+U\left(n\right)}& ...& \frac{U\left(n\right)}{1+U\left(n\right)}\end{array}\right]=\left[\begin{array}{cccc}{m}_{11}& m_{12}& ...& m_{1n+1}\\ ...& & & ...\\ m_{n1}& m_{n2}& ...& m_{\mathrm{nn}+1}\end{array}\right],$ 其中

$\underset{j=1}{\overset{n+1}{\mathrm{\Σ}}}{m}_{\mathrm{ij}}=1,$ i＝1，2…n为D-S证据矩阵；

步骤4.2，对步骤4.1所得证据矩阵使用带约束条件的最小二乘法进行修正，得到修正的证据矩阵，其中约束条件是最小二乘法构造的不动点所拟合的直线在最大点与最小点之间；

步骤4.3，对步骤4.2中所得的修正的证据矩阵使用D-S证据合成公式

$m\left(A\right)=\frac{\underset{{\∩}_i{A}_j=A}{\mathrm{\Σ}}\underset{l\≤i\≤n}{\mathrm{\Π}}{m}_i\left(A_j\right)}{K}$ 其中 $K=\underset{{\∩}_i{A}_j=\mathrm{\Φ}}{\mathrm{\Σ}}\underset{l\≤i\≤n}{\mathrm{\Π}}{m}_i\left(A_j\right)$ 得到合成结果；

步骤4.4，记步骤4.3中所得的合成结果为m’(A)，m’(B)，m’(C)…m’(U)，因为图片只可能存在一种归属，所以U集合中的元素A，B，C…互斥，在此条件下，根据D-S证据理论，未知图像的可信区间为[bel(A)，pl(A)]，其中bel(A)＝m’(A)，pl(A)＝m’(A)+m’(U)。

Images