CN102262782A - 一种利用cfa重采样插值定位拼接的数字图像取证方法 - Google Patents

Abstract

一种利用CFA重采样插值定位拼接的数字图像取证方法，属于信号与信息处理技术领域。其特征是在仅获得数字图像的情况下，通过对待测图像进行CFA采样和重插值，得到估计的原始图像，计算待测图像和估计图像边缘像素点四个方向相邻像素均值的最大偏差，进而计算待测图像和估计图像这个最大偏差的差异，以此判决该像素点是否为拼接的像素点，进而通过对每个像素点的标定来定位显示数字图像的拼接伪造区域。本发明的效果益处是：通过对数字图像拼接区域的定位，可以为司法取证人员提供数字图像篡改伪造区域的直观鉴别结果，为司法部门的证据鉴定提供有效的技术保障。本发明适用于信息安全领域，可以有效地对一幅数字图像进行拼接区域的定位。

Description

一种利用CFA重采样插值定位拼接的数字图像取证方法

技术领域

本发明属于信号与信息处理技术领域，涉及到一种利用CFA重采样插值来定位数字图像拼接区域的数字图像取证方法。

背景技术

目前主要有三类方法对数字图像的拼接进行取证。一类是通过统计的方法寻找拼接操作对数字图像统计特性的改变，进而对拼接篡改的图像进行检测。典型的方法如T.T.Ng提出利用双谱分析拼接图像的像素不连续性，S.F.Chang等人利用几何失真和相机响应函数来检测拼接图像，以及Y.Q.Shi等人基于小波系数的特征函数以及马尔可夫转移概率对拼接图像进行检测。但是，这些方法都只能以一定的准确率检测出拼接伪造图像，而不能对拼接区域进行定位。第二类则是通过图像遍历搜索的方式，寻找图像中完全相同或者相似的图像块，以定位拼接的图像局部区域。典型的方法有J.Fridrich和A.Popescu分别提出的基于量化DCT系数和基于主成分分析的定位方法，以及S.Khan等人提出的基于离散小波变换的方法。P.Xunyu等人、I.Amerini等人利用图像检索中的SIFT技术，也可以利用指定的图像搜索与之相似的图像局部，即便拼接过程中经过了旋转和缩放操作。但是这类方法只能针对同幅图像的拼接操作进行定位，或者需要预先指定搜索的图像区域，其适用性有限。第三类方法则是J.Fridrich提出的利用模式噪声进行拼接定位的技术，通过建立相机的模式噪声参考模型，检测图像不同区域的模式噪声是否与模型相符，进而定位拼接伪造的数字图像区域。但是这类方法需要预先获取数码相机，构建模式噪声的参考模型，在实际情况中往往很难获取。

发明内容

本发明要解决的技术问题是提供一种对数字图像的拼接伪造区域进行定位的方法。本发明仅适合于对24比特真彩色的数字图像进行取证定位。

本发明的技术方案如下：

1.CFA插值估计原图

数码相机在成像过程中，由于CFA插值、白平衡、伽马校正以及JPEG压缩等操作，在图像的局部邻域引入了连续性和一致性。而拼接操作则破坏了原始图像的这种局部像素连续性和一致性。利用CFA插值可以对原始图像进行估计，进而对拼接伪造进行定位检测。

对数字图像利用CFA插值估计原图，最为重要的就是通过数字图像估计CFA插值系数，并利用该插值系数对数字图像进行CFA重新插值。不论哪种CFA插值算法，其基本思想都是利用待插值点邻域像素的线性组合，来获得该点的像素值，因此都可以用如下线性模型来描述(以G通道插值为例)：

$y^g=\underset{i=1}{\overset{k}{\mathrm{\Σ}}}{a}_i^r{x}_i^r+\underset{i=1}{\overset{k-1}{\mathrm{\Σ}}}{a}_i^g{x}_i^g+\underset{i=1}{\overset{k}{\mathrm{\Σ}}}{a}_i^b{x}_i^b+\mathrm{\δ}---\left(1\right)$

其中，y^g表示待插值的G通道像素值，和

分别表示待插值点邻域R、G和B通道的像素值，

和则分别表示插值系数，k为邻域大小，δ为图像噪声、JPEG压缩等引入的干扰项。将所有待插值的G通道像素点按照(1)式的方式写成向量形式，可得：

${\stackrel{r}{Y}}^g=\underset{i=1}{\overset{k}{\mathrm{\Σ}}}{a}_i^r{\stackrel{r}{X}}_i^r+\underset{i=1}{\overset{k-1}{\mathrm{\Σ}}}{a}_i^g{\stackrel{r}{X}}_i^g+\underset{i=1}{\overset{k}{\mathrm{\Σ}}}{a}_i^b{\stackrel{r}{X}}_i^b+\stackrel{r}{\mathrm{\Δ}}---\left(2\right)$

为了对插值系数

和进行统计稳定的估计，采用协方差对式(2)进行求解。由于协方差具有线性特性，并且干扰项

和像素值向量相互独立，即 $\mathrm{cov}(\stackrel{r}{\mathrm{\Δ}},{\stackrel{r}{X}}_i^{r,g,b})=0,$ 因此可得：

$\mathrm{cov}({\stackrel{r}{Y}}^g,{\stackrel{r}{X}}_l^r)=\underset{i=1}{\overset{k}{\mathrm{\Σ}}}{a}_i^r\mathrm{cov}({\stackrel{r}{X}}_i^r,{\stackrel{r}{X}}_l^r)+\underset{i=1}{\overset{k-1}{\mathrm{\Σ}}}{a}_i^g\mathrm{cov}({\stackrel{r}{X}}_i^g,{\stackrel{r}{X}}_l^r)+\underset{i=1}{\overset{k}{\mathrm{\Σ}}}{a}_i^b\mathrm{cov}({\stackrel{r}{X}}_i^b,{\stackrel{r}{X}}_l^r),l=1,L,k---\left(3\right)$

$\mathrm{cov}({\stackrel{r}{Y}}^g,{\stackrel{r}{X}}_l^g)=\underset{i=1}{\overset{k}{\mathrm{\Σ}}}{a}_i^r\mathrm{cov}({\stackrel{r}{X}}_i^r,{\stackrel{r}{X}}_l^g)+\underset{i=1}{\overset{k-1}{\mathrm{\Σ}}}{a}_i^g\mathrm{cov}({\stackrel{r}{X}}_i^g,{\stackrel{r}{X}}_l^g)+\underset{i=1}{\overset{k}{\mathrm{\Σ}}}{a}_i^b\mathrm{cov}({\stackrel{r}{X}}_i^b,{\stackrel{r}{X}}_l^g),l=1,L,k-1---\left(4\right)$

$\mathrm{cov}({\stackrel{r}{Y}}^g,{\stackrel{r}{X}}_l^b)=\underset{i=1}{\overset{k}{\mathrm{\Σ}}}{a}_i^r\mathrm{cov}({\stackrel{r}{X}}_i^r,{\stackrel{r}{X}}_l^b)+\underset{i=1}{\overset{k-1}{\mathrm{\Σ}}}{a}_i^g\mathrm{cov}({\stackrel{r}{X}}_i^g,{\stackrel{r}{X}}_l^b)+\underset{i=1}{\overset{k}{\mathrm{\Σ}}}{a}_i^b\mathrm{cov}({\stackrel{r}{X}}_i^b,{\stackrel{r}{X}}_l^b),l=1,L,k---\left(5\right)$

根据式(1)可知，CFA插值系数共3k-1个，因此根据(3)～(5)可建立3k-1个方程，通过矩阵运算求得所有的插值系数。

由于在Bayer CFA 2×2基本单元中对G和R/B通道的不同采样率，以及CFA插值算法中对G通道像素点不同梯度的处理方法，需要对像素点进行分类，按照不同类别估计其插值系数。根据Bayer CFA的基本结构，将2×2单元中R/B采样点的G分量作为一类，R/B采样点的B/R分量各作为一类，两个G采样点的R/B分量各作为两类。因此按照Bayer CFA的基本结构可分为7类像素点。根据G通道像素点插值时的梯度不同，将R/B采样点的G分量估计再次细分为水平、垂直和对角方向插值点三类，其梯度计算和分类方案如(6～8)所示，其中P_x，y表示Bayer CFA采样后R/B采样点的像素值，将所有的像素点分为九类，分别按照估计CFA插值系数。

H_x，y＝|P_x，y-2+P_x，y+2-2P_x，y|              (6)

V_x，y＝|P_x-2，y+P_x+2，y-2P_x，y|              (7)

$\left\{\begin{array}{c}\mathrm{HPoint},H_{x,y}<V_{x,y}\\ \mathrm{VPoint},H_{x,y}>V_{x,y}\\ \mathrm{DPoint},H_{x,y}=V_{x,y}\end{array}\right.---\left(8\right)$

在得到CFA插值系数之后，对待测图像进行Bayer CFA采样，并按照对应类别的CFA插值系数重新进行CFA插值，得到估计的“原始”图像。

2.衡量待测图像和估计原图差距的特征提取

在获得待测图像的原图估计之后，便可以通过两幅图像在边缘点的像素邻域连续性和一致性来定位拼接操作的区域。这个过程主要由边缘检测和比较判决组成。

由于拼接伪造的主要目的是引入新的对象，不可避免地会存在边缘点，因此通过边缘检测可以提高检测效率，并借助边缘检测算法来提高对拼接伪造的定位精度。本发明采用Canny边缘检测算子，利用高斯函数的一阶微分，在噪声抑制和边缘检测之间取得了较好的平衡，因此具有较好的边缘检测性能。

为了比较待测图像I和估计的原图I^est在边缘点(x，y)的信号连续性，需要对其像素邻域的连续性进行量化描述。本发明用如下特征来进行度量：

$d{I}_{x,y}=\max (I_{x,y}-\frac{I_{x-1,y}+I_{x+1,y}}{2},I_{x,y}-\frac{I_{x,y-1}+I_{x,y+1}}{2},I_{x,y}-\frac{I_{x-1,y+1}+I_{x+1,y-1}}{2},I_{x,y}-\frac{I_{x-1,y-1}+I_{x+1,y+1}}{2})---\left(9\right)$

其中，I_x，y表示边缘点的像素值。式(9)描述了该点与行向、列向和两个对角方向相邻像素点均值的最大偏差。对于I^est，用同样的方法求得

即估计的原始图像四个方向相邻像素点均值的最大偏差。

3.原始图像边缘点和拼接边缘点的判决

在获得图像像素四个方向相邻点均值的最大偏差之后，用

反映待测图像和估计的原图在这个特征上的差异，并用于判决该像素点是否为拼接的像素点。

$\left\{\begin{array}{c}{I}_{x,y}\&Element;{\mathrm{\&Phi;}}_F,d\&GreaterEqual;T\\ I_{x,y}\&Element;{\mathrm{\&Phi;}}_A,d<T\end{array}\right.---\left(10\right)$

在这里，Φ_F和Φ_A分别表示拼接像素点和原始像素点。T为判决阈值。对大量的原始图像边缘点和拼接边缘点的d值进行统计的结果如图1所示。从图中可以看出，在d＝[1，30]区域内，原始图像边缘点呈类标准单边正态分布，而拼接边缘点则服从类N(μ，σ²)的一般单边正态分布，其中μ和σ分别为该分布的均值和均方差。本发明采用考虑原始图像边缘点判决正确置信区间的准则，即选择原始图像边缘判决正确的置信度大于0.99的最小阈值：

T＝min(T)， $s.t.\underset{i=1}{\overset{T}{\mathrm{\&Sigma;}}}{p}_a^i>0.99---\left(11\right)$

由此可以获得T＝13。

本发明的具体实现步骤如图2所示。

本发明的效果益处是：数字图像作为司法证据，最重要的就是要判断其是否经过篡改。而未经过任何后处理的拼接伪造，往往是制作篡改图像最基本的一步也往往是篡改图像的第一步骤。通过对数字图像拼接区域的定位，可以为司法取证人员提供数字图像篡改伪造区域的直观鉴别结果，方便其对图像的真实性做出初步的判别，为司法部门的证据鉴定提供有效的技术保障。本发明适用于信息安全领域，可以有效地对一幅给定的数字图像进行拼接区域的定位。

附图说明

图1是原始图像边缘点和拼接边缘点的像素四邻域均值的最大偏差分布图。

图中：横坐标是最大偏差的绝对值，纵坐标是该偏差像素占图像像素的百分比。

图2是本发明方法的整体实现步骤示意图。

图3是一幅未经过拼接伪造的原始图像示意图。

图4是对图3的图像样本进行定位检测的结果示意图。

图5是一幅经过拼接伪造的图像示意图。

图6是对图5的图像样本进行定位检测的结果示意图。

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。

本发明采用了美国哥伦比亚大学DVMM实验室提供的公开拼接图像库进行实验。该图像库由183幅拼接图像和180幅原始图像组成。所有的原始图像由Canon G3、Nikon D70、Canon 350D Reble XT以及Kodak DCS 330四种相机拍摄，分辨率从757×568到1152×768不等。拼接图像则在Adobe Photoshop软件中生成，每两种相机拍摄的图像拼接生成30幅，四种相机共有6种组合，因此共生成拼接图像180幅。所有的原始图像和拼接图像均存储为无损TIFF格式。

图3是一幅未经过拼接伪造的原始图像示意图，对其进行拼接检测定位的结果如图4所示，其中白色像素点表示拼接边缘点，黑色像素点表示原始图像像素点。可以看到，本发明对绝大部分原始图像像素点都能够正确检测，而误判的拼接像素点则散落在图像中。图5一幅经过拼接伪造的图像示意图，对其进行拼接检测定位的结果如图6所示，其中白色像素点表示拼接边缘点，黑色像素点表示原始图像像素点。可以看到，本发明能够准确检测出拼接区域的边缘像素点，定位出拼接区域的位置、大小和基本形状。

Claims (4)

1.一种利用CFA重采样插值定位拼接的数字图像取证方法，其特征在于仅获得数字图像的情况下，通过对待测图像进行CFA插值系数估计，然后进行CFA采样和重插值，得到估计的原始图像，计算待测图像和估计图像边缘像素点四个方向相邻像素均值的最大偏差，进而计算待测图像和估计图像这个最大偏差的差异，以此判决该像素点是否为拼接的像素点，进而通过对每个像素点的标定来定位显示数字图像的拼接伪造区域。

2.根据权利要求1所述的一种利用CFA重采样插值定位拼接的数字图像取证方法，其特征在于计算待测图像的CFA插值系数，然后对待测图像进行BayerCFA采样后，利用计算的插值系数进行CFA插值，得到估计的“原始”图像。

3.根据权利要求1所述的一种利用CFA重采样插值定位拼接的数字图像取证方法，其特征在于提取待测图像和估计图像的边缘点四个方向像素点均值的最大偏差dI_x，y和

$d{I}_{x,y}=\max (I_{x,y}-\frac{I_{x-1,y}+I_{x+1,y}}{2},I_{x,y}-\frac{I_{x,y-1}+I_{x,y+1}}{2},I_{x,y}-\frac{I_{x-1,y+1}+I_{x+1,y-1}}{2},I_{x,y}-\frac{I_{x-1,y-1}+I_{x+1,y+1}}{2})$

其中I_x，y表示边缘点的像素值，max表示取最大值。

4.根据权利要求1所述的一种利用CFA重采样插值定位拼接的数字图像取证方法，其特征在于用

和判决阈值T判决该像素点为原始图像像素点还是拼接的像素点，并用黑色和白色进行标定，定位出拼接伪造的图像区域。

Images