CN102194208B - 一种基于图像签名的图像篡改检测与篡改定位方法 - Google Patents

Abstract

本发明公开了一种基于图像签名的图像篡改检测与篡改定位方法，包括以下步骤：对原图像进行去噪处理；利用适应性Harris角点检测算法提取图像特征点；构造特征点邻域；计算特征点邻域内的统计量，得到特征向量值，生成中间签名；进行霍夫曼编码，得到原图像的最终签名；对原图像的最终签名进行Huffman解码，得到原图像的中间签名；生成被检测图像的中间签名；定义两个中间签名的距离，并判断被检测图像是否被篡改；定位被篡改区域。本发明方法能够对视觉可接受的几何形变和内容保持的图像处理操如JPEG压缩、添加噪声、滤波等操作具有良好的鲁棒性，对恶意篡改攻击具有较好的敏感性，并能够确定被篡改区域的位置。

Description

一种基于图像签名的图像篡改检测与篡改定位方法

技术领域

本发明属于图像篡改检测技术领域，具体涉及一种基于图像签名的图像篡改检测与篡改定位方法。

背景技术

随着网络和数字化技术的发展，多媒体信息的交流达到了前所未有的广度。同时随着多媒体处理技术的发展以及功能强大的图像编辑软件的应用，使得用户能够轻而易举地编辑、篡改原始图像数据，制造以假乱真的效果。

篡改和伪造图像在很大程度上降低了多媒体数据本身的可信程度，颠覆了长期以来人们心目中的“眼见为实”的观念。如何能有效鉴别多媒体内容的完整性和真实性，已经成为近年来法律界和信息产业界所面临的一个重要的热点问题和迫切需要解决的难点问题。展开对数字内容的可信性鉴别技术的研究，对维护互联网的公共信任秩序、维护法律公正、新闻诚信、科学诚信等，具有十分重要的意义。

传统的图像认证技术主要有图像数字水印和数字指纹，都是通过在原始作品中嵌入附加信息对图像内容进行真实性鉴别和完整性认证。但这种技术由于自身的缺点，使得其面对越来越高超的图像篡改技术，显出了不可避免的局限性。作为另一种图像内容完整性认证技术，图像签名应运而生并发展成为近年来多媒体信息安全保护的一个研究热点。

图像签名，又称图像鲁棒哈希(Robust Hash)，是指图像的感知特征或简短摘要，其生成过程是将任意大小的图像映射到很短的位串，使感知相似的图像生成相似的签名，不同的图像生成不同的签名。

根据生成图像签名时的特征提取方法的不同，现有的图像签名方法可分为以下四类：基于统计量的图像签名方法、基于关系的图像签名方法、基于投影变换的图像签名方法、基于边缘或特征点的图像签名方法。由于图像提取的特征不同，生成签名的特性也不同。当图像签名被用于图像的内容完整性认证时，其性能指标应包括鲁棒性、易碎性、可区分性(无碰撞性)、安全性、篡改敏感性、紧凑性和篡改定位能力等。

追踪关于图像签名技术的最新研究结果，当前的一个研究热点之一是图像签名算法同时具有抗几何形变鲁棒性与篡改定位功能。在这方面，基于特征点的图像签名方法具有显著的优势，原因是特征点不仅能够表示图像的局部特征，而且对于几何形变具有稳定性。

基于特征点的图像签名的先驱性的研究是由Bhattacharjee提出的，见：S.Bhattacharjee，M.Kutter.Compression tolerant image authentication[C]，Proceeding of IEEE International Conference on Image Processing，1998，435-439。他们提出了一种使用交互缩放模型和Mexican-Hat小波基来提取图像显著特征点的方法，并根据特征点的位置生成图像的签名。但随后的研究报告了上述方法对于常规的图像处理操作如有损压缩不具有鲁棒性，另外，由于该方法所选取的特征点太少且相互之间是分离的，所以从人眼视觉感知上看，该方法不能抓住反映图像内容的主要特征。

Monga提出了一种利用端点小波基检测图像结构的图像签名方法，见V.Monga，B.L.Evans，Robust Perceptual Image Hashing Using Feature Points[C]，ICIP2004，Singapore.Oct.24-27，2004，vol.3，677-680。该方法对JPEG压缩、高斯平滑、中值滤波具有一定的鲁棒性，但是由于该方法仅用图像的端点产生签名，因此只是对图像微小的几何形变具有鲁棒性。该方法只是利用了端点坐标生成图像签名，没有基于图像的内容，所以对于图像颜色的改变显得无能为力。同时该签名方法只能验证图像是否被篡改，不具备篡改定位能力。

发明内容

本发明的目的是提供一种基于图像签名的图像篡改检测与篡改定位方法，该方法能够对视觉可接受的几何形变和内容保持的图像处理操如JPEG压缩、添加噪声、滤波等操作具有良好的鲁棒性，对恶意篡改攻击具有较好的敏感性，并能够确定被篡改区域的位置。

本发明所采用的技术方案是，一种基于图像签名的图像篡改检测与篡改定位方法，包括以下步骤：

图像发送方

步骤1、对原图像进行去噪处理

对于大小为M×N的原图像I₀＝f(x，y)利用一级DB1小波变换，得到低频重构图像为f_LL(x，y)；

步骤2、利用适应性Harris角点检测算法提取图像特征点

步骤2.1、把步骤1得到的f_LL(x，y)图像分成N₁×N₂大小的不重叠图像块，对得到的每一图像块均利用Harris角点检测算法，检测该图像块中存在的角点并记为C(i，j)，(0≤i≤N₁，0≤j≤N₂)，计算C(i，j)的像素点的兴趣值R并存储在数组Matrix[Sum]中，其中，Sum为数组的大小，即每个图像块中角点的总数；

步骤2.2、对Matrix[Sum]按R值从大到小的顺序排序，排序后的数组记为Matrix′[Sum]；选取Matrix′[Sum]中R值较大的角点作为所求角点，即在Sum个角点中选取k×Sum个点作为所求角点，k∈(0，1]，k为实数；

步骤2.3、对f_LL(x，y)图像进行邻近角点剔除操作

选用3×3大小的图像块为模板，若模板下存在的角点数大于1，则只保留R值最大的角点，最终，得到f_LL(x，y)的特征点集合记为：C＝{C(x₁，y₁)，C(x₂，y₂)，...，C(x_n，y_n)}，其中，n为特征点数目，C(x_i，y_i)代表特征点；

步骤3、构造特征点邻域

对于步骤2.3得到的特征点C(x_i，y_i)∈C，1≤i≤n，以C(x_i，y_i)为圆心，r为半径构造圆形区域，定义为特征点邻域C_i；

步骤4、计算特征点邻域内的统计量，得到特征向量值，生成中间签名

步骤4.1、对于步骤3得到的每个特征点邻域C_i(1≤i≤n)，取其中每个像素点的灰度值p_i，构成一个向量其中，N_i为特征点邻域C_i中像素点的个数；

步骤4.2、计算向量P_i的均值和方差，对其四舍五入取整后，分别定义为特征点邻域C_i的均值M(P_i)和方差V(P_i)：

$M\left(P_i\right)=\frac{1}{N_i}\underset{k=1}{\overset{N_i}{\mathrm{\Σ}}}{p}_k,$ $V\left(P_i\right)=\frac{1}{N_i}\underset{k=1}{\overset{N_i}{\mathrm{\Σ}}}{(p_k-E\left(P_i\right))}^2$

其中，p_k是像素点的灰度值；

定义n×2的矩阵：

$H=\left[\begin{array}{cc}M\left(P_1\right)& V\left(P_1\right)\\ M\left(P_2\right)& V\left(P_2\right)\\ M& M\\ M\left(P_n\right)& V\left(P_n\right)\end{array}\right]$

矩阵H即为原图像I₀的中间签名；

步骤5、对步骤4得到的矩阵H进行霍夫曼编码，得到原图像I₀的最终签名H₀；

图像接收方根据接收到的被检测图像I_t以及原图像I₀的最终签名H₀，进行的图像篡改检测阶段如下：

步骤6、对原图像I₀的最终签名H₀进行Huffman解码，得到原图像I₀的中间签名H：

$H=\left[\begin{array}{cc}M\left(P_1\right)& V\left(P_1\right)\\ M\left(P_2\right)& V\left(P_2\right)\\ M& M\\ M\left(P_n\right)& V\left(P_n\right)\end{array}\right]$

步骤7、生成被检测图像I_t的中间签名H′，其中，该生成方法与步骤1至步骤5所述方法相同：

$H^{\′}=\left[\begin{array}{cc}M\left({P_1}^{\′}\right)& V\left({P_1}^{\′}\right)\\ M\left({P_2}^{\′}\right)& V\left({P_2}^{\′}\right)\\ M& M\\ M\left({P_{n^{\′}}}^{\′}\right)& V\left({P_{n^{\′}}}^{\′}\right)\end{array}\right]$

H′是一个n′×2的矩阵，其中n′是从被检测图像I_t提取的特征点的个数；

步骤8、定义H′每一行到H每一行的距离：

(j＝1，2，...，n′；i＝1，2，...，n)，定义

(i＝1，2，...，n)，

令D＝max(d(j))，(j＝1，2，...，n′)；

步骤9、根据预先给定的阈值T₁来判断是否D≤T₁，若是，则被检测图像I_t未被篡改；若否，则被检测图像I_t被篡改过；

图像篡改定位阶段：

步骤10、对于特征点C′(x_j′，y_j′)∈C′计算

(i＝1，2，...，n)。

如果d(j)＞T₂，那么C′(x_j′，y_j′)被认为是不可信的，其所在的邻域被认为是被篡改区域，阈值T₂为预先给定值。

步骤2.2中，在(0，1)区间内取k＝0.1作为初始值，以k＝k+step进行循环迭代，step＝0.01，判断k值，若k＝1，终止迭代；若k≠1，判断含有角点的图像块中是否有角点被保留，若有角点，则终止迭代，取此时的k值；若没有角点，令k＝k-0.01，重复以上步骤，最终得到k值。

步骤3中，r的选取原则为：保证每个特征点邻域至少覆盖一个图像块。

步骤5中，对步骤4得到的矩阵H进行Huffman编码，生成其Huffman树HT_o，将H中的每一个元素依次用它们在Huffman树中所对应的码字来取代，并把这些对应的码字按照矩阵H中行的顺序级联起来，得到原图像I₀的最终签名H₀。

步骤9中，阈值T₁的取值范围为0.01～0.1。

步骤10中，阈值T₂的取值范围为0.01～0.1。

本发明方法提供了一种基于图像签名的图像篡改检测与篡改定位方法，其对图像的视觉可接受几何形变(如旋转、缩放、平移、剪切等)、JPEG压缩、中值滤波、添加噪声等操作都具有良好的稳健性；对恶意篡改攻击具有较好的敏感性，能检测出细微的纹理变化和颜色变化攻击；具有确定被篡改区域的位置的功能。由于该方法生成的图像签名能够很好地实现对常规图像处理操作以及几何形变鲁棒性与对恶意篡改敏感性之间的折中，并具有较高的计算效率，所以不仅可以用于基于内容的图像完整性认证，而且可以用于大规模图片库的快速搜索与匹配。

附图说明

如图1所示为利用本发明方法得到的篡改检测结果的JPEG压缩鲁棒性测试曲线；

如图2所示为利用本发明方法得到的篡改检测结果的添加噪声鲁棒性测试曲线；

如图3所示为利用本发明方法得到的篡改检测结果的旋转变换鲁棒性测试曲线；

如图4所示为利用本发明方法得到的篡改检测结果的缩放变换鲁棒性测试曲线；

如图5所示为利用本发明方法得到的篡改检测结果的鲁棒性与敏感性的ROC曲线。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。

本发明一种基于图像签名的图像篡改检测与篡改定位方法，包括以下步骤：

图像发送方

首先，利用小波变换对图像进行去噪处理；再利用适应性Harris角点检测算法提取图像的特征点；然后，构造特征点邻域，并计算特征点邻域内的统计量，得到特征向量值，生成中间签名；量化并编码中间签名，生成图像签名。具体方法包括：

步骤1、对原图像进行去噪处理

对于大小为M×N的原图像I₀＝f(x，y)利用一级DB1小波变换，得到低频重构图像为f_LL(x，y)。

在用于认证的图像签名方案中，图像特征对于几何形变以及常规信号处理操作的鲁棒性起着非常重要的作用。虽然用Harris角点检测算法提取特征点在稳定性方面有明显的优势，但如果将Harris角点检测算法直接应用于图像特征点的提取，那么将不可避免地受到噪声的影响。因此，我们首先用离散小波变换(DWT)对图像进行预处理，在小波低频子带提取特征点，这样，高频部分含有的噪声就不会对特征点产生影响。

步骤2、利用适应性Harris角点检测算法提取图像的特征点，此算法采用图像分块和邻近角点剔除的策略，能够保证角点分布均匀并避免角点聚簇现象。

步骤2.1、把步骤1得到的f_LL(x，y)图像分成N₁×N₂大小的不重叠图像块，对得到的每一图像块均利用Harris角点检测算法，检测该图像块中存在的角点并记为C(i，j)，(0≤i≤N₁，0≤j≤N₂)，计算C(i，j)的像素点的兴趣值R并存储在数组Matrix[Sum]中，其中，Sum为数组的大小，即每个图像块中角点的总数。

步骤2.2、对Matrix[Sum]按R值从大到小的顺序排序，排序后的数组记为Matrix′[Sum]；选取Matrix′[Sum]中R值较大的角点作为所求角点，即在Sum个角点中选取k×Sum个点作为所求角点，k∈(0，1]，k为实数。

其中，为了保证各分块中均有角点被保留，利用循环迭代算法对k值进行求解：

在(0，1)区间内取k＝0.1作为初始值，以k＝k+step进行循环迭代，step为设定的步长(step＝0.01)，判断k值，若k＝1，终止迭代；若k≠1，判断含有角点的图像块中是否有角点被保留，若有角点，则终止迭代，取此时的k值；若没有角点，令k＝k-0.01，重复以上步骤，最终得到k值。

步骤2.3、对f_LL(x，y)图像进行邻近角点剔除操作：选用3×3大小的图像块为模板，若模板下存在的角点数大于1，则只保留R值最大的角点。

最终，得到f_LL(x，y)的特征点集合记为：C＝{C(x₁，y₁)，C(x₂，y₂)，...，C(x_n，y_n)}，其中，n为特征点数目，C(x_i，y_i)代表特征点。

步骤3、构造特征点邻域

对于步骤2.3得到的特征点C(x_i，y_i)∈C(1≤i≤n，n为特征点总数)，以C(x_i，y_i)为圆心，r为半径构造圆形区域，定义为特征点邻域C_i。r的选取原则为：根据图像块的大小，保证每个特征点邻域至少覆盖一个图像块。

步骤4、计算特征点邻域内的统计量，得到特征向量值，生成中间签名

步骤4.1、对于步骤3得到的每个特征点邻域C_i(1≤i≤n)，取其中每个像素点的灰度值p_i，构成一个向量

其中，N_i为特征点邻域C_i中像素点的个数。

步骤4.2、计算向量P_i的均值和方差，对其四舍五入取整后，分别定义为特征点邻域C_i的均值M(P_i)和方差V(P_i)：

$M\left(P_i\right)=\frac{1}{N_i}\underset{k=1}{\overset{N_i}{\mathrm{\Σ}}}{p}_k,$ $V\left(P_i\right)=\frac{1}{N_i}\underset{k=1}{\overset{N_i}{\mathrm{\Σ}}}{(p_k-E\left(P_i\right))}^2$

其中，p_k是像素点的灰度值。

定义n×2的矩阵：

$H=\left[\begin{array}{cc}M\left(P_1\right)& V\left(P_1\right)\\ M\left(P_2\right)& V\left(P_2\right)\\ M& M\\ M\left(P_n\right)& V\left(P_n\right)\end{array}\right]$

矩阵H即为原图像I₀的中间签名。

步骤5、量化并编码中间签名，生成原图像I₀的最终签名H₀

为了生成紧凑的图像签名，对步骤4得到的矩阵H进行霍夫曼编码(Huffman编码)，生成其Huffman树HT_o，将H中的每一个元素依次用它们在Huffman树中所对应的码字来取代，并把这些对应的码字按照矩阵H中行的顺序级联起来，记为H₀，H₀为原图像I₀的最终签名。

图像接收方根据接收到的被检测图像I_t以及原图像I₀的最终签名H₀，检测如下：

第一阶段是图像篡改检测阶段：反量化并解码原图像I₀的最终签名H₀，得到原图像I₀的中间签名H；生成被检测图像I_t的中间签名H_t；定义相似度测量距离并计算H与H_t之间的相似度测量距离；将相似度测量距离与预先给定的阈值比较，根据比较结果得到图像是否被篡改的结论。

步骤6、对步骤5得到的原图像I₀的最终签名H₀进行Huffman解码，得到原图像I₀的中间签名H：

$H=\left[\begin{array}{cc}M\left(P_1\right)& V\left(P_1\right)\\ M\left(P_2\right)& V\left(P_2\right)\\ M& M\\ M\left(P_n\right)& V\left(P_n\right)\end{array}\right]$

步骤7、生成被检测图像I_t的中间签名H′：

$H^{\′}=\left[\begin{array}{cc}M\left({P_1}^{\′}\right)& V\left({P_1}^{\′}\right)\\ M\left({P_2}^{\′}\right)& V\left({P_2}^{\′}\right)\\ M& M\\ M\left({P_{n^{\′}}}^{\′}\right)& V\left({P_{n^{\′}}}^{\′}\right)\end{array}\right]$

H′是一个n′×2的矩阵，其中n′是从被检测图像I_t提取的特征点的个数。H′的第一列代表特征点邻域的均值，第二列代表特征点邻域的方差。

生成被检测图像I_t的中间签名H′的具体步骤如下：

步骤7.1、对被检测图像I_t进行去噪处理

对于大小为M×N的待检测图像I_t＝f′(x，y)利用一级DB1小波变换，得到低频重构图像为f′_LL(x，y)。

步骤7.2、利用适应性Harris角点检测算法提取图像的特征点，此算法采用图像分块和邻近角点剔除的策略，能够保证角点分布均匀并避免角点聚簇现象。

步骤7.2.1、把f′_LL(x，y)图像分成N₁×N₂大小的不重叠图像块，对每一图像块利用Harris角点检测算法，检测图像块中存在的角点并记为C′(i，j)，(0≤i≤N₁，0≤j≤N₂)，计算C′(i，j)的像素点的兴趣值R并存储在数组Matrix_t[Sum′]中，其中，Sum′为数组的大小，即每个图像块中角点的总数。

步骤7.2.2、对Matrix_t[Sum′]按R值从大到小的顺序排序，排序后的数组记为Matrix_t′[Sum′]；选取Matrix_t′[Sum′]中R值较大的角点作为所求角点，即在Sum′个角点中选取k′×Sum′个点作为所求角点，k′∈(0，1]，k′为实数。

其中，为了保证各分块中均有角点被保留，利用循环迭代算法对k′值进行求解：

在(0，1)区间内取k′＝0.1作为初始值，以k′＝k′+step进行循环迭代，step为设定的步长(step＝0.01)，判断k′值，若k′＝1，终止迭代；若k′≠1，判断含有角点的图像块中是否有角点被保留，若有角点，则终止迭代，取此时的k′值；若没有角点，令k′＝k′-0.01，重复上述步骤，得到最终的k′值。

步骤7.2.3、对f′_LL(x，y)整幅图像进行邻近角点剔除操作：选用3×3大小的图像块为模板，若模板下存在的角点数大于1，则只保留R值最大的角点。

最终，得到f′_LL(x，y)的特征点集合记为：C′＝{C′(x₁，y₁)，C′(x₂，y₂)，...，C′(x_n，y_n)}，其中，n为特征点数目，C′(x_i，y_i)代表特征点。

步骤7.3、构造特征点邻域

对于步骤7.2.3得到的特征点C′(x_i，y_i)∈C′(1≤i≤n′，n′为特征点总数)，以C′(x_i，y_i)为圆心，r为半径构造圆形区域，定义为特征点邻域C_i′。r的选取原则为：根据图像块的大小，保证每个特征点邻域至少覆盖一个图像块。

步骤7.4、计算特征点邻域内的统计量，得到特征向量值，生成中间签名。

步骤7.4.1、对于每个特征点邻域C_i′(1≤i≤n′)，取其中每个像素点的灰度值p′_i，构成一个向量

其中N′_i为特征点邻域C_i′中像素点的个数。

步骤7.4.2、计算向量P′_i的均值和方差，对其四舍五入取整后，分别定义为特征点邻域C′_i的均值M(P′_i)和方差V(P′_i)：

$M\left({P^{\′}}_i\right)=\frac{1}{{N^{\′}}_i}\underset{k=1}{\overset{{N^{\′}}_i}{\mathrm{\Σ}}}{p^{\′}}_k,$ $V\left({P^{\′}}_i\right)=\frac{1}{{N^{\′}}_i}\underset{k=1}{\overset{{N^{\′}}_i}{\mathrm{\Σ}}}{({p^{\′}}_k-E\left({p^{\′}}_i\right))}^2$

其中，p′_k是像素点的灰度值。

定义n′×2的矩阵：

即为被检测图像I_t的中间签名。

步骤8、定义H′每一行到H每一行的距离：

(j＝1，2，...，n′；i＝1，2，...，n)，定义

(i＝1，2，...，n)，

令D＝max(d(j))，(j＝1，2，...，n′)。

步骤9、根据预先给定的阈值T₁来判断是否D≤T₁，若是，则被检测图像I_t未被篡改；若否，则被检测图像I_t被篡改攻击过。

第二阶段是图像篡改定位阶段：计算H′与H中各分量之间的测量距离；求出距离最小的分量后，与预先给定的阈值T₂比较，再将比较结果与特征点相对应，以决定该特征点是否可信；不可信特征点的位置即为被篡改区域。

步骤10、对于特征点C′(x_j′，y_j′)∈C′计算

(i＝1，2，...，n)。如果d(j)＞T₂，那么C′(x_j′，y_j′)被认为是不可信的，其所在的邻域被认为是篡改区域，在图像上标记出。

其中，阈值T₁和T₂都是通过大量实验测得的，其取值标准是能够区分开由常规图像处理操作引起的无意失真与恶意篡改引起的内容改变。通常，阈值T₁的取值范围为0.01～0.1，阈值T₂的取值范围为0.01～0.1。

本发明方法的仿真实验结果：

(1)鲁棒性实验

本实验的目的是检测本发明方法对于JPEG压缩、添加噪声、旋转、平移、剪切、缩放等常规图像处理操作具有鲁棒性，使用标准USC-SIPI图像数据库，测试了1000幅大小不同的图像，分别取阈值T₁＝0.01，0.02，0.03，0.04，0.05，0.06，0.07，0.08，0.09，0.1，图1至图4给出了检测通过率随阈值T₁变化的曲线。

如图1所示，本发明方法对JPEG压缩的鲁棒性效果非常好，且随着JPEG质量因子增大，检测通过率随之增高。如图2所示，噪声因子小于0.02时检测通过率比较高，噪声太大就会影响视觉效果，通常认为是不可接受的。如图3所示，对于旋转变换，随着旋转角度的增大，检测通过率在降低，也就是说鲁棒性在减弱，但当阈值T₁大于0.07时，可以容忍10°之内的旋转变换。如图4所示，由于Harris角点检测算法对尺度变化比较敏感，当图像被放大时，利用此算法提取的特征点就会多一些，这样不利于篡改检测。而图像被缩小时，提取出的特征点就会少一些，但依然保留了图像被缩小之前对应的点，因此该方法对图像缩小的鲁棒性比较好，而对图像被放大1.2倍左右是可以被接受的。对于平移和剪切，检测通过率都是100％。

(2)对恶意篡改的敏感性实验

图像签名的敏感性，是指在图像遭受恶意篡改之后，计算所得的图像签名与原始图像签名显著不同。在敏感性实验中，使用标准USC-SIPI图像数据库，测试了1000幅大小不同的图像，统计了分别取阈值T₁＝0.01，0.02，0.03，0.04，0.05，0.06，0.07，0.08，0.09，0.1时的假阳性概率和假阴性概率。如图5所示的接受者操作特性曲线(Receiver Operating Characteristic Curve，简称ROC曲线)，其中横坐标表示假阴性概率，纵坐标表示正确检测的概率。可以看出，当假阴性概率为4％时，利用本专利方法的正确检测率为95％。

(3)篡改定位实验

本实验的目的是检测本发明方法是否能够确定被篡改区域的位置。我们测试了大量纹理和大小都不同的图像，由实验结果可以看出，发明的方法对恶意篡改操作很敏感，而且能够比较精确地确定被篡改区域的位置。

(4)计算复杂性分析

复杂性是指签名生成和篡改检测以及篡改定位的计算时间。使用标准USC-SIPI图像数据库，测试了不同纹理、不同大小的图像，并针对各种大小的图像，在MATLAB9.0平台下统计了用于签名生成、篡改检测以及篡改定位计算的平均时间。表1给出了时间测试结果：

表1

从表1可以看出，本发明方法生成签名过程和篡改检测以及篡改定位过程都是比较高效的，图像纹理的不同会对计算时间有一定的影响，但是影响不会太大。

(5)算法性能比较

本发明方法与现有技术基于特征点的图像签名方法的一些性质，表2列出了比较结果：

表2

从表2可以看出，本发明方法在对常规图像处理操作和几何形变的鲁棒性、篡改敏感性、篡改定位能力等方面都具有明显优势。

Claims (6)

1.一种基于图像签名的图像篡改检测与篡改定位方法，其特征在于，包括以下步骤：

图像发送方

步骤1、对原图像进行去噪处理

对于大小为M×N的原图像I₀=f(x,y)利用一级DB1小波变换，得到低频重构图像为f_LL(x,y)；

步骤2、利用适应性Harris角点检测算法提取图像特征点

步骤2.1、把步骤1得到的f_LL(x,y)图像分成N₁×N₂大小的不重叠图像块，对得到的每一图像块均利用Harris角点检测算法，检测该图像块中存在的角点并记为C(i,j),(0≤i≤N₁,0≤j≤N₂)，计算C(i,j)的像素点的兴趣值R并存储在数组Matrix[Sum]中，其中，Sum为数组的大小，即每个图像块中角点的总数；

步骤2.2、对Matrix[Sum]按R值从大到小的顺序排序，排序后的数组记为Matrix'[Sum]；选取Matrix'[Sum]中R值较大的角点作为所求角点，即在Sum个角点中选取k×Sum个点作为所求角点,k∈(0,1]，k为实数；

步骤2.3、对f_LL(x,y)图像进行邻近角点剔除操作

选用3×3大小的图像块为模板，若模板下存在的角点数大于1，则只保留R值最大的角点，最终，得到f_LL(x,y)的特征点集合记为：C＝{C(x₁，y₁),C(x₂，y₂),...,C(x_n，y_n)}，其中，n为特征点数目，C(x_i，y_i)代表特征点；

步骤3、构造特征点邻域

对于步骤2.3得到的特征点C(x_i，y_i)∈C，1≤i≤n，以C(x_i，y_i)为圆心，r为半径构造圆形区域，定义为特征点邻域C_i；

步骤4、计算特征点邻域内的统计量，得到特征向量值，生成中间签名

步骤4.1、对于步骤3得到的每个特征点邻域C_i（1≤i≤n），取其中每个像素点的灰度值p_i，构成一个向量

其中，Ni为特征点邻域C_i中像素点的个数；

步骤4.2、计算向量P_i的均值和方差，对其四舍五入取整后，分别定义为特征点邻域C_i的均值M(P_i)和方差V(P_i)：

$M\left(P_i\right)=\frac{1}{N_i}\underset{k=1}{\overset{N_i}{\mathrm{\Σ}}}{p}_k,$ $V\left(P_i\right)=\frac{1}{N_i}\underset{k=1}{\overset{N_i}{\mathrm{\Σ}}}{(p_k-E\left(P_i\right))}^2$

其中，p_k是像素点的灰度值；

定义n×2的矩阵：

$H=\left[\begin{array}{cc}M\left(P_1\right)& V\left(P_1\right)\\ M\left(P_2\right)& V\left(P_2\right)\\ .& .\\ .& .\\ .& .\\ M\left(P_n\right)& V\left(P_n\right)\end{array}\right]$

矩阵H即为原图像I₀的中间签名；

步骤5、对步骤4得到的矩阵H进行霍夫曼编码，得到原图像I₀的最终签名H₀；

图像接收方根据接收到的被检测图像I_t以及原图像I₀的最终签名H₀，进行的图像篡改检测阶段如下：

步骤6、对原图像I₀的最终签名H₀进行Huffman解码，得到原图像I₀的中间签名H：

$H=\left[\begin{array}{cc}M\left(P_1\right)& V\left(P_1\right)\\ M\left(P_2\right)& V\left(P_2\right)\\ .& .\\ .& .\\ .& .\\ M\left(P_n\right)& V\left(P_n\right)\end{array}\right]$

步骤7、生成被检测图像I_t的中间签名H′，其中，该生成方法与步骤1至步骤5所述方法相同：

$H^{\′}=\left[\begin{array}{cc}M\left(P_1^{\′}\right)& V\left(P_1^{\′}\right)\\ M\left(P_2^{\′}\right)& V\left(P_2^{\′}\right)\\ .& .\\ .& .\\ .& .\\ M\left({M_{n^{\′}}}^{\′}\right)& V\left({P_{n^{\′}}}^{\′}\right)\end{array}\right]$

H′是一个n′×2的矩阵，其中n′是从被检测图像I_t提取的特征点的个数；

步骤8、定义H′每一行到H每一行的距离：

$D(i,j)=\sqrt{{(M\left(P_i\right)-M\left(P_j^{\′}\right))}^2+{(V\left(P_i\right)-V\left(P_j^{\′}\right))}^2},$ (j＝1,2,...,n'；i＝1,2,...,n)，

定义 $d\left(j\right)=\underset{i}{\min }(D(i,j)/255),(i=\mathrm{1,2},...,n),$

令D=max(d(j)),(j=1,2,...,n')；

步骤9、根据预先给定的阈值T₁来判断是否D≤T₁，若是，则被检测图像I_t未被篡改；若否，则被检测图像I_t被篡改过；

图像篡改定位阶段：

步骤10、对于特征点C'(x_j'，y_j')∈C'计算

(i＝1,2,...,n)；

如果d(j)>T₂,那么C'(x_j'，y_j')被认为是不可信的，其所在的邻域被认为是被篡改区域，阈值T₂为预先给定值。

2.按照权利要求1所示基于图像签名的图像篡改检测与篡改定位方法，其特征在于，步骤2.2中，在(0,1]区间内取k=0.1作为初始值，以k=k+step进行循环迭代，step 0.01，判断k值，若k=1，终止迭代；若k≠1，判断含有角点的图像块中是否有角点被保留，若有角点，则终止迭代，取此时的k值；若没有角点，令k＝k-0.01，重复以上步骤，最终得到k值。

3.按照权利要求1所示基于图像签名的图像篡改检测与篡改定位方法，其特征在于，步骤3中，r的选取原则为：保证每个特征点邻域至少覆盖一个图像块。

4.按照权利要求1所示基于图像签名的图像篡改检测与篡改定位方法，其特征在于，步骤5中，对步骤4得到的矩阵H进行Huffman编码，生成其Huffman树HT_o，将H中的每一个元素依次用它们在Huffman树中所对应的码字来取代，并把这些对应的码字按照矩阵H中行的顺序级联起来，得到原图像I₀的最终签名H₀。

5.按照权利要求1所示基于图像签名的图像篡改检测与篡改定位方法，其特征在于，步骤9中，阈值T₁的取值范围为0.01～0.1。

6.按照权利要求1所示基于图像签名的图像篡改检测与篡改定位方法，其特征在于，步骤10中，阈值T₂的取值范围为0.01～0.1。

Images