CN102903100A - 一种数字照片图像压缩历史的检测方法 - Google Patents
一种数字照片图像压缩历史的检测方法 Download PDFInfo
- Publication number
- CN102903100A CN102903100A CN2012103265560A CN201210326556A CN102903100A CN 102903100 A CN102903100 A CN 102903100A CN 2012103265560 A CN2012103265560 A CN 2012103265560A CN 201210326556 A CN201210326556 A CN 201210326556A CN 102903100 A CN102903100 A CN 102903100A
- Authority
- CN
- China
- Prior art keywords
- compression
- image
- tetrolet
- detected
- digital photo
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000006835 compression Effects 0.000 title claims abstract description 491
- 238000007906 compression Methods 0.000 title claims abstract description 491
- 238000001514 detection method Methods 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 claims abstract description 62
- 230000008859 change Effects 0.000 claims abstract description 46
- 238000013139 quantization Methods 0.000 claims abstract description 42
- 239000011159 matrix material Substances 0.000 claims description 44
- 230000008569 process Effects 0.000 claims description 14
- 230000001174 ascending effect Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 description 17
- 238000002474 experimental method Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000007423 decrease Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000007704 transition Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Landscapes
- Compression Of Band Width Or Redundancy In Fax (AREA)
- Compression Or Coding Systems Of Tv Signals (AREA)
Abstract
本发明公开了一种数字照片图像压缩历史的检测方法,其首先将待检测的图像及对应的多幅再压图像从RGB颜色空间转换到YCbCr颜色空间,然后再将每幅图像的每个颜色分量从空间域转换到Tetrolet覆盖索引域,再计算每个颜色分量上的待检测的图像在不同压缩质量下Tetrolet覆盖索引的变化率和变化率曲线,最后通过观察每个颜色分量上的变化率曲线检测图像所经历过的历史压缩,优点在于通过分析图像在不同压缩质量下的局部结构变化特性,利用图像局部结构变化当再次压缩时量化表与历史压缩的量化表相同时出现局部极小值,从而能够准确给出图像压缩历史上每次压缩的压缩质量因子,而且局部极小值的大小与图像经历的压缩顺序有关,因此能够确定多次历史压缩的先后顺序。
Description
技术领域
本发明涉及一种数字照片图像被动盲取证的方法,尤其是涉及一种数字照片图像压缩历史的检测方法。
背景技术
几乎所有的相机都提供JPEG(Joint Photographic Experts Group)图像压缩功能。当一幅数字照片图像从相机转存到其它设备后,经常会经历再次或多次压缩。当一幅数字照片图像被图像编辑软件打开、编辑、裁减或缩放,或者图像合成、伪造后再次保存时,都会发生相机外的再次或多次压缩;在数字照片图像传输时,如在邮件中作为附件传输时,为了降低数字照片图像的字节数,数字照片图像也会经受压缩软件的大幅度再次压缩。因此,揭示一幅数字照片图像经历的相机外的JPEG压缩在图像取证中具有重要意义。首先,对数字照片图像所经历过的相机外的JPEG压缩的取证可以作为图像真实性检测的一个重要环节,例如,对篡改图像中不同图像部分经历的压缩不一致性检测是篡改图像取证的一种重要方法;第二,数字照片图像的压缩检测对提高图像隐写分析方法的准确性尤为重要,尤其是针对F5和OutGuess等隐写方法;第三,在数字照片图像处理以及一些应用中,通常需要知道一幅高质量压缩的数字照片图像是否经历过低质量压缩。
现有的JPEG压缩检测技术大部分都是基于数字照片图像只经历了一次或二次(双压)压缩的假设,并采用机器学习的方法获取一次或二次压缩图像的DCT(discrete cosinetransform)系数的统计特征。研究成果表明,二次压缩图像的DCT系数直方图呈现“周期性”、“双峰”等特性,这些特性是由于数字照片图像在二次压缩时采用了与前一次压缩不同的量化表导致的,因此被称为DQ(double quantization)效应,DQ效应被看作是数字照片图像经历过二次压缩的直接证据。有学者采用Benford定律对二次压缩图像的DCT系数的统计特性进行描述,他们的研究表明:一次压缩的自然图像(自然场景图像,相对于计算机图形而言)的DCT系数服从广义的Benford定律,而二次压缩图像不服从,这可以作为对二次压缩图像的取证依据。也有学者采用Markov随机过程对数字照片图像的JPEG系数(量化的DCT系数)进行建模,从而实现对一次压缩图像和二次压缩图像的识别。在图像隐写分析方法中,在二次压缩检测基础上还需要对原始压缩的量化步长进行估计,以提高图像隐写分析方法的准确性,然而由于大部分高频DCT系数被量化为0,只有少量的低频DCT系数可以被估计,而且每一个量化系数需要单独估计,因此最后需再用最大似然估计方法对整个量化表进行估计。
利用现有的JPEG压缩检测技术进行多次压缩检测时,如果要获得三次压缩或多次压缩图像的统计特征,则必然需要复杂的分类器设计和大量的训练样本。而已有的双压缩检测方法都限于二次压缩检测,对于二次以上的压缩检测目前只有较少文献报道,这些针对二次以上的压缩检测方法存在以下问题:1)只能检测出数字照片图像是否经历过多次压缩,无法实现多次压缩的量化表估计和压缩顺序检测;2)由于低质量压缩必然会破坏图像的统计特性,因此这些针对二次以上的压缩检测方法都不能处理低质量压缩检测和量化表估计。
发明内容
本发明所要解决的技术问题是提供一种数字照片图像压缩历史的检测方法,其能够对多次压缩的压缩质量、压缩顺序做出准确检测,并能够揭露高质量图像是否经历过低质量压缩。
本发明解决上述技术问题所采用的技术方案为:一种数字照片图像压缩历史的检测方法,其特征在于包括以下步骤:
①取压缩工具集Tool中的一个压缩工具作为当前压缩工具,并利用该当前压缩工具采用n个由低到高不同的压缩质量对RGB颜色空间的待检测的数字照片图像进行再次压缩,得到待检测的数字照片图像对应的n幅具有不同压缩质量的再压图像,其中,压缩工具集Tool中的所有压缩工具的量化表定义各不相同,n≥1,待检测的数字照片图像和其对应的n幅具有不同压缩质量的再压图像的分辨率均为N×M;
②将待检测的数字照片图像及其对应的n幅具有不同压缩质量的再压图像从RGB颜色空间转换到YCbCr颜色空间,其中,YCbCr颜色空间的第一个颜色分量为亮度分量Y、第二个颜色分量为第一色差分量Cb、第三个颜色分量为第二色差分量Cr;
③将YCbCr颜色空间的待检测的数字照片图像及其对应的n幅具有不同压缩质量的再压图像的亮度分量Y、第一色差分量Cb和第二色差分量Cr分别从空间域转换到Tetrolet覆盖索引域;在Tetrolet覆盖索引域,将在亮度分量Y、第一色差分量Cb和第二色差分量Cr上的待检测的数字照片图像分别表示为Tetrolet覆盖索引域2-D矩阵,分别记为将在亮度分量Y、第一色差分量Cb和第二色差分量Cr上的第i幅再压图像分别表示为Tetrolet覆盖索引域2-D矩阵,分别记为其中,1≤i≤n;
④根据在亮度分量Y、第一色差分量Cb和第二色差分量Cr上的待检测的数字照片图像的Tetrolet覆盖索引域2-D矩阵及每幅再压图像的Tetrolet覆盖索引域2-D矩阵,分别计算在亮度分量Y、第一色差分量Cb和第二色差分量Cr上的待检测的数字照片图像在不同压缩质量下Tetrolet覆盖索引的变化率,并获取相应的变化率曲线py曲线、pb曲线和pr曲线;
⑤观察py曲线,找出py曲线上的所有局部最小值和每个局部最小值的后面相邻的局部最大值,将py曲线上的第i'个局部最小值记为py(mini′),py(mini′)对应的压缩质量Q(mini')小于或等于待检测的数字照片图像的压缩质量,将py(mini′)的后面相邻的局部最大值记为py(maxi'),其中,1≤i'≤n',n'表示py曲线上的局部最小值的个数;然后根据py曲线上的每个局部最小值的后面相邻的局部最大值判断py曲线上的每个局部最小值对应的压缩质量是否为历史压缩质量,对于py(mini′),判断py(maxi')-py(mini')>T是否成立,如果成立,则确定Q(mini′)是一个历史压缩质量,否则,确定Q(mini')不是一个历史压缩质量,其中,T为设定的判定阈值,T≥0;接着将所有历史压缩质量按照各自对应的局部最小值升序排序,使所有历史压缩质量由最近的历史压缩到最早的历史压缩顺序排序,然后输出排序后的所有历史压缩质量;最后观察pb曲线和pr曲线,如果pb曲线或pr曲线上在最早的历史压缩对应的历史压缩质量处不存在局部最小值,则认为最早的历史压缩对应的历史压缩质量为待检测的数字照片图像在相机内的原始压缩的压缩质量;
⑥上述步骤①至步骤⑤仅仅实现了与当前压缩工具具有相同量化表定义的压缩工具的历史压缩检测,对于与当前压缩工具不具有相同量化表定义的压缩工具的历史压缩,取压缩工具集Tool中其它的压缩工具作为当前压缩工具,再按照步骤①至步骤⑤的操作完成待检测的数字照片图像针对相应的压缩工具的历史压缩检测。
所述的步骤①中待检测的数字照片图像对应的n幅具有不同压缩质量的再压图像的具体获取过程为:取压缩工具集Tool中的一个压缩工具作为当前压缩工具,然后利用该当前压缩工具在[Q1:ΔQ:Qn]范围内用n个不同的压缩质量对待检测的数字照片图像进行再次压缩,得到n幅具有不同压缩质量的再压图像,分别记为A1、A2、……、An,其中,Q1表示n个不同的压缩质量中的第1个压缩质量,Q1≥1,Qn表示n个不同的压缩质量中的第n个压缩质量,Qn≥Q1,Qn≥Q0,Q0表示待检测的数字照片图像的压缩质量,ΔQ表示压缩质量步长,ΔQ≥1,A1表示用n个不同的压缩质量中的第1个压缩质量Q1对待检测的数字照片图像进行再次压缩得到的再压图像,A2表示用n个不同的压缩质量中的第2个压缩质量Q2对待检测的数字照片图像进行再次压缩得到的再压图像,An表示用n个不同的压缩质量中的第n个压缩质量Qn对待检测的数字照片图像进行再次压缩得到的再压图像,符号为向下取整符号。
当当前压缩工具为采用0-100压缩级别的压缩工具时,取0≤Q1≤Qn、-Q0≤Qn≤100、ΔQ=1;当当前压缩工具为采用0-12压缩级别的压缩工具时,取0≤Q1≤Qn、Q0≤Qn≤12、ΔQ=1。
所述的步骤③的具体过程为:
③-1、假设当前正在处理的图像为YCbCr颜色空间的待检测的数字照片图像,并定义为当前图像;
③-2、假设当前正在处理的颜色分量为当前图像的亮度分量Y,并定义为当前颜色分量;
③-4、将每个图像块用一个最优的Tetrolet覆盖索引值表示,将最优的Tetrolet覆盖索引值记为c*, 其中,c*∈{1,2,...,117},c表示Tetrolet覆盖索引值,c=1,2,...,117,l用于表示每个图像块中的3个高频子带的序号,l=1,2,3,表示每个图像块中的第l个高频子带的Tetrolet系数,表示每个图像块的第l个高频子带的Tetrolet系数的1-范数,表示取3个高频子带的Tetrolet系数的1-范数的和最小时的Tetrolet覆盖索引值,s用于表示每个图像块中的4个四格拼板的序号,s=0,1,2,3,表示每个图像块中的第l个高频子带的第s个四格拼板的高频Tetrolet系数,符号“||”为绝对值符号,表示取3个高频子带的所有四格拼板的高频Tetrolet系数的绝对值和最小时的Tetrolet覆盖索引值;
③-5、将当前图像的第一色差分量Cb和第二色差分量Cr分别作为当前颜色分量,按照步骤③-3至步骤③-4的操作,获取在第一色差分量Cb上的当前图像的每个图像块对应的最优的Tetrolet覆盖索引值,及在第二色差分量Cr上的当前图像的每个图像块对应的最优的Tetrolet覆盖索引值;
③-6、将待检测的数字照片图像对应的n幅具有不同压缩质量的再压图像分别作为当前图像,按照步骤③-2至步骤③-5的操作,获取在亮度分量Y上的每幅再压图像的每个图像块对应的最优的Tetrolet覆盖索引值、在第一色差分量Cb上的每幅再压图像的每个图像块对应的最优的Tetrolet覆盖索引值及在第二色差分量Cr上的每幅再压图像的每个图像块对应的最优的Tetrolet覆盖索引值;
③-7、将由待检测的数字照片图像的所有图像块在亮度分量Y上各自对应的最优的Tetrolet覆盖索引值组成的Tetrolet覆盖索引域2-D矩阵记为将由待检测的数字照片图像的所有图像块在第一色差分量Cb上各自对应的最优的Tetrolet覆盖索引值组成的Tetrolet覆盖索引域2-D矩阵记为将由待检测的数字照片图像的所有图像块在第二色差分量Cr上各自对应的最优的Tetrolet覆盖索引值组成的Tetrolet覆盖索引域2-D矩阵记为将由第i幅再压图像的所有图像块在亮度分量Y上各自对应的最优的Tetrolet覆盖索引值组成的Tetrolet覆盖索引域2-D矩阵记为将由第i幅再压图像的所有图像块在第一色差分量Cb上各自对应的最优的Tetrolet覆盖索引值组成的Tetrolet覆盖索引域2-D矩阵记为将由第i幅再压图像的所有图像块在第二色差分量Cr上各自对应的最优的Tetrolet覆盖索引值组成的Tetrolet覆盖索引域2-D矩阵记为其中,1≤i≤n。
所述的步骤④的具体过程为:
④-1、通过比较在亮度分量Y上的待检测的数字照片图像的Tetrolet覆盖索引域2-D矩阵与在亮度分量Y上的每幅再压图像的Tetrolet覆盖索引域2-D矩阵,计算在亮度分量Y上的待检测的数字照片图像在不同压缩质量下Tetrolet覆盖索引的变化率,将在亮度分量Y上的待检测的数字照片图像在第i个压缩质量下Tetrolet覆盖索引的变化率记为 其中,1≤i≤n,X和Y分别表示待检测的数字照片图像和再压图像中行和列上的图像块的个数,X×Y=M',M'表示待检测的数字照片图像和再压图像中的图像块的总个数,a和b分别表示图像块在Tetrolet覆盖索引域2-D矩阵中的行坐标和列坐标,表示中坐标位置为(a,b)的图像块的最优Tetrolet覆盖索引值,表示中坐标位置为(a,b)的图像块的最优Tetrolet覆盖索引值,说明坐标位置为(a,b)的图像块的最优Tetrolet覆盖索引值在再次压缩前后发生变化,l()表示指示函数,如果图像块的最优Tetrolet覆盖索引值在再次压缩前后发生变化,则取值为1,否则,取值为0;
④-2、根据在亮度分量Y上的待检测的数字照片图像在不同压缩质量下Tetrolet覆盖索引的变化率,获取相应的变化率曲线,表示为py曲线;
④-3、按照步骤④-1至步骤④-2的操作,分别获取在第一色差分量Cb和第二色差分量Cr上的待检测的数字照片图像在不同压缩质量下Tetrolet覆盖索引的变化率曲线,分别表示为pb曲线和pr曲线。
所述的步骤⑤中设定的判定阈值T的取值范围为:0.003≤T≤0.1。
与现有技术相比,本发明的优点在于:
1)本发明方法可以检测图像的多次压缩历史,即检测出一幅图像是单次压缩、双压、三压、四压,等等,同时,本发明方法采用对单幅图像的再压缩,通过在Tetrolet覆盖索引域分析图像局部结构随不同压缩质量的变化特性,即,图像亮度分量的局部结构变化概率,随着压缩质量的提高呈单调下降,当用图像所经历的量化表再次压缩图像时,图像局部结构变化出现局部极小值,从而能够利用亮度分量的局部结构变化率曲线上的局部极小值准确给出每一次压缩的压缩质量因子,而且图像局部结构变化率曲线上的局部极小值的大小与图像经历的压缩的前后有关,因此能够确定多次历史压缩的先后顺序。
2)本发明方法通过分析待检测的数字照片图像在不同压缩质量下局部结构的变化率曲线,能够检测出一幅图像经历的多次低于当前压缩质量的压缩,即,如果一幅高质量的JPEG图像,曾经历过低质量的JPEG压缩,只要用与低质量压缩相同的量化表进行再压缩,图像在局部结构上的变化概率就会达到局部极小值,因此本发明方法能够有效解决现有技术不能实现低质量压缩检测的问题。
3)现有技术都没有针对特定的压缩工具进行检测,而本发明方法能够检测出相机的原始压缩,如果用压缩工具对一幅JPEG格式的低质量照片图像进行高质量的二次压缩,甚至更多次压缩,可以用相同的压缩工具(或使用与该压缩工具采用相同的JPEG量化表和采样类型的压缩工具)进行检测,在量度分量的变化率曲线上可以根据局部极小值确定图像曾经历的多次压缩的压缩质量因子,而且,如果相机与压缩工具的JPEG压缩在色差分量上采样类型不同,则在色差分量的Tetrolet覆盖索引的变化率曲线上,在相机压缩的质量因子处不会出现局部极小值,本发明方法利用该特性能够在确定待测图像压缩历史的同时,还能检测出其原有的压缩质量(即相机中生成时的原始压缩质量),而对于Adobe Photoshop等特定的压缩工具,本发明方法通过采用相应的压缩工具进行检测,能够确定特定压缩工具实施的历史压缩。
4)现有技术都是对低频的量化系数单独进行估计的,然后对整个量化表进行估计,再估计出压缩质量,不仅实现过程复杂,而且计算量大,而本发明方法基于对不同压缩工具的先验知识对图像经历的历史压缩进行检测,通过分析Tetrolet覆盖索引的变化率曲线确定图像经历过的历史压缩的质量因子,从而可以得出相应的量化表,不仅实现过程简单,而且得到的检测结果可靠。
5)本发明方法是在单幅图像上的压缩质量检测,无需复杂的分类器设计和大量的训练样本,避免了机器学习方法的模型训练过程,具有简单、可靠、高效率的特点。
附图说明
图1为一幅NIKON E7900相机拍摄的原始的数字照片图像的py曲线;
图2为图1所示的图像经历一次相机外的压缩后的py曲线;
图3为图1所示的图像经历二次相机外的压缩后的py曲线;
图4a为用Matlab对在Photoshop中转换为TIF格式的图像(原始图像来自BOSSBase图像库)进行四次压缩(压缩质量分别为75、50、85、95)后的图像在亮度分量Y上的平均转换概率;
图4b为用Matlab对在Photoshop中转换为TIF格式的图像(原始图像来自BOSSBase图像库)进行四次压缩(压缩质量分别为85、75、50、95)后的图像在亮度分量Y上的平均转换概率。
具体实施方式
以下结合附图实施例对本发明作进一步详细描述。
本发明提出的一种数字照片图像压缩历史的检测方法,其通过将图像从空间域转换到Tetrolet覆盖索引域,并统计图像在重新压缩时局部图像块几何结构的变化率,再通过观察变化率曲线上的突变判断图像的压缩历史。本发明方法具体包括以下步骤:
①取压缩工具集Tool中的一个压缩工具Θ作为当前压缩工具,并利用该当前压缩工具采用n个由低到高不同的压缩质量(压缩率由高到低)对RGB颜色空间的待检测的数字照片图像进行再次压缩,得到待检测的数字照片图像对应的n幅具有不同压缩质量的再压图像,其中,n≥1,待检测的数字照片图像和其对应的n幅具有不同压缩质量的再压图像的分辨率均为N×M,压缩工具集Tool中的所有压缩工具的量化表定义各不相同,如Tool={Matlab,Photoshop},Θ∈Tool。在此,也可以采用n个由高到低不同的压缩质量对RGB颜色空间的待检测的数字照片图像进行再次压缩。
在此具体实施例中,步骤①中待检测的数字照片图像对应的n幅具有不同压缩质量的再压图像的具体获取过程为:取压缩工具集Tool中的一个压缩工具Θ作为当前压缩工具,然后利用该当前压缩工具在[Q1:ΔQ:Qn]范围内用n个不同的压缩质量对待检测的数字照片图像进行再次压缩,得到n幅具有不同压缩质量的再压图像,分别记为A1、A2、……、An,其中,Q1表示n个不同的压缩质量中的第1个压缩质量,Q1≥0,Qn表示n个不同的压缩质量中的第n个压缩质量,Qn≥Q1,Qn≥Q0,Q0表示待检测的数字照片图像的压缩质量,ΔQ表示压缩质量步长,ΔQ≥1,A1表示用n个不同的压缩质量中的第1个压缩质量Q1对待检测的数字照片图像进行再次压缩得到的再压图像,A2表示用n个不同的压缩质量中的第2个压缩质量Q2对待检测的数字照片图像进行再次压缩得到的再压图像,An表示用n个不同的压缩质量中的第n个压缩质量Qn对待检测的数字照片图像进行再次压缩得到的再压图像,符号为向下取整符号。
在本实施例中,需注意压缩工具集Tool中的压缩工具的选择和再压缩质量的设置。
1)压缩工具集Tool中的压缩工具的选择:压缩工具集Tool中的压缩工具的选择是非常重要的。不同的压缩工具可能具有不同的压缩参数设置,压缩参数设置主要包括量化表定义和采样类型。大多数的图像压缩工具都采用由独立JPEG组(IJG)提供的标准量化表(实际上到目前为止,还没有标准的量化表,但通常把IJG推荐的一组量化表称为标准量化表,这些量化表常用0-100的质量因子引用),但也有一些压缩工具、图像处理软件会采用自定义的量化表定义,如Adobe Photoshop。如果两个压缩工具具有相同的量化表定义,则可以用其中一种压缩工具检测出另一种压缩工具在一幅图像上执行的压缩。许多基于独立JPEG组代码的应用程序都使用标准量化表,因此在实际应用中本发明方法可以采用一种压缩工具(如Matlab具有JPEG压缩功能,可作为检测时的压缩工具)完成大多数压缩工具的压缩检测,而对于Photoshop等具有自定义量化表的压缩工具,则使用相应的压缩工具来检测。因此,压缩工具集Tool中应包括各种采用不同量化表的压缩工具。
压缩工具集Tool中包含的压缩工具都具有不同的量化表定义,即,如果Θ,Θ'∈Tool,则TΘ≠TΘ',TΘ和TΘ'分别对应于Θ和Θ'的量化表集。例如,Matlab作为Tool中的压缩工具,其使用最常见的标准量化表,使用Matlab可以检测常见的压缩工具(包括一些品牌的相机)完成的历史压缩,在检测中可以作为首选的压缩工具,也可以用其他使用标准量化表的压缩工具代替,而Photoshop作为常见的图像编辑软件,其具有自定义的量化表,将其作为检测时使用的压缩工具,可以用于检测对待测图像使用Photoshop实施的历史压缩。在本实施例中,Tool={Matlab,Photoshop}。对于其他使用自定义量化表的压缩工具,可以添加到Tool压缩工具集中。
2)再压缩质量的设置:当选择的压缩工具即当前压缩工具为采用0-100压缩级别的压缩工具时,取0≤Q1≤Qn、Q0≤Qn≤100、ΔQ=1;而如果选择Adobe Photoshop作为当前压缩工具,则由于Adobe Photoshop只提供了0-12级的压缩级别,因此可取0≤Q1≤Qn、Q0≤Qn≤12、ΔQ=1。
②由于JPEG压缩只支持YCbCr颜色空间(YCbCr颜色空间的第一个颜色分量为亮度分量Y、第二个颜色分量为第一色差分量Cb、第三个颜色分量为第二色差分量Cr),且通常,JPEG压缩在亮度分量上不进行采样,在色差分量上不同的压缩工具可能采用不同的采样类型,如常用品牌的相机(如Canon、Sony、Olympus、Nikon等)在色差分量上常采用2×1采样类型,而大多数流行的压缩软件在色差分量上常采用2×2采样类型(Photoshop CS对7-12级质量使用1×1采样),因此本发明将待检测的数字照片图像及其对应的n幅具有不同压缩质量的再压图像从RGB颜色空间转换到YCbCr颜色空间,可有效解决不同采样类型对检测的影响。
在此,假设y表示亮度分量Y的值、cb表示第一色差分量Cb的值、cr表示第二色差分量Cr的值、r表示红色颜色分量R的值、g表示绿色颜色分量G的值、b表示蓝色颜色分量B的值,则有y=0.299r+0.587g+0.114b,cb=-0.169r-0.331g+0.500b+128,cr=0.500r-0.419g-0.081b+128。
③将YCbCr颜色空间的待检测的数字照片图像及其对应的n幅具有不同压缩质量的再压图像的亮度分量Y、第一色差分量Cb和第二色差分量Cr分别从空间域转换到Tetrolet覆盖索引域;在Tetrolet覆盖索引域,将在亮度分量Y、第一色差分量Cb和第二色差分量Cr上的待检测的数字照片图像分别表示为Tetrolet覆盖索引域2-D矩阵,分别记为将在亮度分量Y、第一色差分量Cb和第二色差分量Cr上的第i幅再压图像分别表示为Tetrolet覆盖索引域2-D矩阵,分别记为其中,1≤i≤n。
在此具体实施例中,步骤③的具体过程为:
③-1、假设当前正在处理的图像为YCbCr颜色空间的待检测的数字照片图像,并定义为当前图像。
③-2、假设当前正在处理的颜色分量为当前图像的亮度分量Y,并定义为当前颜色分量。
③-3、在当前颜色分量上,将当前图像划分为个互不重叠的尺寸大小为4×4的图像块,其中,N×M为当前图像的分辨率。
③-4、将每个图像块用一个最优的Tetrolet覆盖索引值表示,将最优的Tetrolet覆盖索引值记为c*, 其中,c*∈{1,2,...,117},c表示Tetrolet覆盖索引值,c=1,2,...,117,l用于表示每个图像块中的3个高频子带的序号,l=1,2,3,表示每个图像块中的第l个高频子带的Tetrolet系数,表示每个图像块中的第l个高频子带的Tetrolet系数的1-范数,表示取3个高频子带的Tetrolet系数的1-范数的和最小时的Tetrolet覆盖索引值,s用于表示每个图像块中的4个四格拼板的序号,s=0,1,2,3,表示每个图像块中的第l个高频子带的第s个四格拼板的高频Tetrolet系数,符号“||”为绝对值符号,表示取3个高频子带的所有四格拼板的高频Tetrolet系数的绝对值和最小时的Tetrolet覆盖索引值。
③-5、将当前图像的第一色差分量Cb和第二色差分量Cr分别作为当前颜色分量,按照步骤③-3至步骤③-4的操作,获取在第一色差分量Cb上的当前图像的每个图像块对应的最优的Tetrolet覆盖索引值,及在第二色差分量Cr上的当前图像的每个图像块对应的最优的Tetrolet覆盖索引值。
③-6、将待检测的数字照片图像对应的n幅具有不同压缩质量的再压图像分别作为当前图像,按照步骤③-2至步骤③-5的操作,获取在亮度分量Y上的每幅再压图像的每个图像块对应的最优的Tetrolet覆盖索引值、在第一色差分量Cb上的每幅再压图像的每个图像块对应的最优的Tetrolet覆盖索引值及在第二色差分量Cr上的每幅再压图像的每个图像块对应的最优的Tetrolet覆盖索引值。
③-7、将由待检测的数字照片图像的所有图像块在亮度分量Y上各自对应的最优的Tetrolet覆盖索引值组成的Tetrolet覆盖索引域2-D矩阵记为将由待检测的数字照片图像的所有图像块在第一色差分量Cb上各自对应的最优的Tetrolet覆盖索引值组成的Tetrolet覆盖索引域2-D矩阵记为将由待检测的数字照片图像的所有图像块在第二色差分量Cr上各自对应的最优的Tetrolet覆盖索引值组成的Tetrolet覆盖索引域2-D矩阵记为将由第i幅再压图像的所有图像块在亮度分量Y上各自对应的最优的Tetrolet覆盖索引值组成的Tetrolet覆盖索引域2-D矩阵记为将由第i幅再压图像的所有图像块在第一色差分量Cb上各自对应的最优的Tetrolet覆盖索引值组成的Tetrolet覆盖索引域2-D矩阵记为将由第i幅再压图像的所有图像块在第二色差分量Cr上各自对应的最优的Tetrolet覆盖索引值组成的Tetrolet覆盖索引域2-D矩阵记为其中,1≤i≤n。
④根据在亮度分量Y、第一色差分量Cb和第二色差分量Cr上的待检测的数字照片图像的Tetrolet覆盖索引域2-D矩阵及每幅再压图像的Tetrolet覆盖索引域2-D矩阵,分别计算在亮度分量Y、第一色差分量Cb和第二色差分量Cr上的待检测的数字照片图像在不同压缩质量下Tetrolet覆盖索引的变化率,并获取相应的变化率曲线py曲线、pb曲线和pr曲线。
在此具体实施例中,步骤④的具体过程为:
④-1、通过比较在亮度分量Y上的待检测的数字照片图像的Tetrolet覆盖索引域2-D矩阵与在亮度分量Y上的每幅再压图像的Tetrolet覆盖索引域2-D矩阵,计算在亮度分量Y上的待检测的数字照片图像在不同压缩质量下Tetrolet覆盖索引的变化率,将在亮度分量Y上的待检测的数字照片图像在第i个压缩质量下Tetrolet覆盖索引的变化率记为 其中,1≤i≤n,X和Y分别表示待检测的数字照片图像和再压图像中行和列上的图像块的个数,X×Y=M',M'表示待检测的数字照片图像和再压图像中的图像块的总个数,a和b分别表示图像块在Tetrolet覆盖索引域2-D矩阵中的行坐标和列坐标,表示中坐标位置为(a,b)的图像块的最优Tetrolet覆盖索引值,表示中坐标位置为(a,b)的图像块的最优Tetrolet覆盖索引值,说明坐标位置为(a,b)的图像块的最优Tetrolet覆盖索引值在再次压缩前后发生变化,l()表示指示函数,如果图像块的最优Tetrolet覆盖索引值在再次压缩前后发生变化,则取值为1,否则,取值为0。
④-2、根据在亮度分量Y上的待检测的数字照片图像在不同压缩质量下Tetrolet覆盖索引的变化率,获取相应的变化率曲线,表示为py曲线。
④-3、按照步骤④-1至步骤④-2的操作,分别获取在第一色差分量Cb和第二色差分量Cr上的待检测的数字照片图像在不同压缩质量下Tetrolet覆盖索引的变化率曲线,分别表示为pb曲线和pr曲线,如获取pb曲线的具体过程为:1)通过比较在第一色差分量Cb上的待检测的数字照片图像的Tetrolet覆盖索引域2-D矩阵与在第一色差分量Cb上的每幅再压图像的Tetrolet覆盖索引域2-D矩阵,计算在第一色差分量Cb上的待检测的数字照片图像在不同压缩质量下Tetrolet覆盖索引的变化率,将在第一色差分量Cb上的待检测的数字照片图像在第i个压缩质量下Tetrolet覆盖索引的变化率记为 其中,表示中坐标位置为(a,b)的图像块的最优Tetrolet覆盖索引值,表示中坐标位置为(a,b)的图像块的最优Tetrolet覆盖索引值;2)根据在第一色差分量Cb上的待检测的数字照片图像在不同压缩质量下Tetrolet覆盖索引的变化率,获取相应的变化率曲线pb曲线。
⑤考虑到人眼对明亮度的敏感程度大大高于对颜色的感知程度这一视觉特性,有损的JPEG压缩多采用在色差分量(Cb和Cr)上进行采样以达到减少数据量(即尽可能地压缩数据)的目的(常用的采样类型有1×1、2×2和2×1,大多数数码相机采用2×1采样,而大多数流行的专用压缩软件采用2×2采样,Photoshop CS对7-12级质量使用1×1采样(无采样),对0-6级质量采用2×2采样),而在亮度分量上不进行采样。因此本发明方法基于亮度分量进行检测,而且可以通过两个色差分量采样类型不同,对压缩是否为相机中的原始压缩做出判断,可进一步提高本发明方法的检测能力。
在本发明方法中是按压缩质量由低到高(压缩率由高到低)对待检测的数字照片图像进行再次压缩的,即Qn≥Q1,因此py曲线呈现以下几种情况:
1)对于一幅原始的数字照片图像(如一幅图像NIKON E7900相机拍摄,分辨率为2592×1944,JPEG格式,压缩质量为79(采用0-100JPEG压缩级别),在Cb和Cr两个色差分量上采用2×1采样类型),其py曲线随着压缩质量(QF)的提高,呈单调下降,但在原始压缩质量(QF=79)处出现极值点,如图1所示。
2)对于一幅双压图像(上述原始的数字照片图像经历一次相机外压缩,采用Matlab压缩,QF=90),其py曲线在QF=90处出现全局极小值,同时在原始压缩质量(QF=79)处出现局部极值点,如图2所示。
3)对于一幅三次压缩图像(上述原始的数字照片图像经历了两次相机外压缩,采用Matlab压缩,第二次压缩(即第一次相机外压缩)QF=90,第三次压缩(即第二次相机外压缩)QF=98),其py曲线在QF=98处出现全局极小值,同时在QF=90(第二次压缩),QF=79(相机内压缩)处出现局部极值点,如下图3所示。
观察图1、图2和图3所示的py曲线可以发现,py曲线上的下沉点(全局极小值和局部极小值)可以揭示图像的压缩历史。全局极小值所在的QF为待检测的数字照片图像的压缩质量(即最后一次压缩的压缩质量),而局部极小值表明待检测的数字照片图像经历过的历史压缩质量。同时观察pb和pr曲线可以发现,如果是在相机中的原始压缩,则在py曲线上出现局部极小值的QF处,pb和pr曲线没有出现相应的极小值,这是因为在此采用了Matlab压缩,而Matlab压缩在两个色差分量上是采用2×2采样类型的,而不是相机中的2×1采样类型,因此在本发明方法中可以利用这一特点,找到待检测的数字照片图像在相机中的原始压缩质量。
py曲线不仅可以揭示待检测的数字照片图像经历过的历史压缩,而且可以给出历史压缩的先后顺序。如:用500幅数码相机拍摄的未压缩图像(来自BOSSBase图像库),在Photoshop中转换为TIF格式,再用Matlab做多次压缩。图4a和图4b分别给出了四次压缩后的图像在亮度分量Y上的平均转换概率,其中,图4a中一次到四次压缩的压缩质量分别为75、50、85、95,图4b中一次到四次压缩的压缩质量分别为85、75、50、95。从图4a和图4b中可以看出,在py曲线上,较早的压缩呈现较大的局部极小值,而最近的压缩会呈现较小的局部极小值,尤其是最后一次压缩出现全局最小值,因此在本发明方法中可以按照局部极小值的大小判定压缩的前后顺序。在图4a和图4b中1stcompression表示第一次压缩,2nd compression表示第二次压缩,3rd compression表示第三次压缩,4th compression表示第四次压缩。
通常,py曲线随着QF的提高单调下降,只是在出现历史压缩的地方出现明显的下沉。观察图4a和图4b所示的py曲线可以看到,py曲线在下沉达到局部极小值后会出现反弹,即一个波谷及后面伴随的一个波峰是曲线上的关键点。波动的幅度可作为判别是否存在历史压缩的依据,可以规定一个判定阈值T,较小的波动被看作噪声,只有波动幅度大于判定阈值T的极值点被确定为历史压缩。
本发明方法在YCbCr颜色空间分别分析亮度分量和色差分量的Tetrolet覆盖索引的变化率曲线。如果采用Matlab对JPEG格式的照片图像进行压缩检测,则因采样类型不同会使得色差分量上的Tetrolet覆盖索引的变化率曲线在原始压缩质量因子位置处不出现局部极小值,而亮度分量上的Tetrolet覆盖索引的变化率曲线在原始压缩质量因子位置处出现局部极小值。如果用压缩工具对一幅照片图像进行压缩,再用相同的压缩工具(或使用与该压缩工具采用相同的JPEG量化表和采样类型的压缩工具)进行压缩检测,则在亮度分量和色差分量的Tetrolet覆盖索引的变化率曲线上,在该历史压缩质量因子处,会同时出现局部极小值。利用上述特性,本发明方法能够在确定其压缩历史的同时,检测出图像在相机内生成时的原始压缩质量。
按照上述分析,本发明方法根据py曲线、pb曲线和pr曲线检测图像压缩历史的具体过程为:观察py曲线,找出py曲线上的所有局部最小值和每个局部最小值的后面相邻的局部最大值,将py曲线上的第i'个局部最小值记为py(mini′),py(mini′)对应的压缩质量Q(mini′)小于或等于待检测的数字照片图像的压缩质量,将py(mini′)的后面相邻的局部最大值记为py(maxi'),其中,1≤i'≤n',n'表示py曲线上的局部最小值的个数;然后根据py曲线上的每个局部最小值的后面相邻的局部最大值判断py曲线上的每个局部最小值对应的压缩质量是否为历史压缩质量,对于py(mini′),判断py(maxi')-py(mini')>T是否成立,如果成立,则确定Q(mini′)是一个历史压缩质量,否则,确定Q(mini')不是一个历史压缩质量,其中,T为设定的判定阈值,T≥0;接着将所有历史压缩质量按照各自对应的局部最小值升序排序,使所有历史压缩质量由最近的历史压缩到最早的历史压缩顺序排序,然后输出排序后的所有历史压缩质量,如按序输出第K次压缩质量为Q(hK)、第K-1次压缩质量为Q(hK-1)、…、第二次压缩质量为Q(h2)、第一次压缩质量为Q(h1);最后观察pb曲线和pr曲线,如果pb曲线或pr曲线上在最早的历史压缩对应的历史压缩质量如Q(h1)处不存在局部最小值,则认为最早的历史压缩对应的历史压缩质量如Q(h1)为待检测的数字照片图像在相机内的原始压缩的压缩质量。在此,判定阈值T可以选择一个经验值,一般情况下T取值较小时会出现虚警概率高,T取值较大时会出现漏警,通过大量实验验证当T取值为0.003~0.1(即0.003≤T≤0.1)之间时,能达到较好效果。实际上,在实际应用过程中,由于图像经历的压缩历史较为复杂,在确定一幅图像的压缩历史时,需参考图像的py曲线的波动幅度,选择阈值的具体值。
⑥在上述步骤①至步骤⑤的检测中,只检测了与当前压缩工具Θ具有相同量化表定义的压缩工具实现的历史压缩(如用Matlab检测出相机及使用标准量化表的压缩工具完成的历史压缩),而对于其他压缩工具(如Photoshop)即与当前压缩工具不具有相同量化表定义的压缩工具的历史压缩,可以从压缩工具集Tool中取相应的压缩工具作为当前压缩工具,再按照步骤①至步骤⑤的操作完成待检测的数字照片图像的历史压缩检测。
以下为对本发明方法进行实验的实验结果。
在此,采用两个图像集对本发明方法进行评估,一个JPEG图像集包含的500幅图像来自5种品牌13部相机(见表1),这些图像都是JPEG格式,压缩质量在68-94之间;另一个图像集包含的500幅图像来自BOSSBase图像库,这些图像都是未压缩的原始图像(CR2格式),在Photoshop中转换为TIF格式。实验结果表明,本发明方法在图像压缩历史检测中具有非常好的性能,能够检测出当前的高质量图像是否经历过低质量压缩,并能给出历史压缩的压缩质量因子和压缩顺序。由于图像的当前压缩质量可以由图像文件头部的量化表确定,因此,以下所给的实验结果中,对多次压缩图像的历史压缩质量的检测结果不包括对当前压缩质量的检测。
表1由5种品牌13部相机拍摄的JPEG图像构成测试集
本发明方法的目的是检测图像是否经历过多次压缩,并给出每次压缩的质量因子。通常,有两种检测误差:漏警和虚警,漏警是指没有检测出的历史压缩;虚警是指检测结果给出的压缩是待检测的数字照片图像没有经历过的压缩。
由于一幅图像可能经历过多次压缩,对检测结果评价时,每一个漏警和虚警都要被计算在内,因此,在此给出漏警率MAR和虚警率FAR的定义: 其中,Nmissed表示没有被检测到的历史压缩数,N1-q表示实际存在的历史压缩数,Nfalsely_reported表示检测出的错误压缩数,Nreported表示检测出的所有压缩数。
对于JPEG格式的照片图像,如果在相机外又经历了一次高质量的压缩,则本发明方法能够识别出相机内完成的JPEG压缩及压缩质量。500幅来自JPEG图像集图像在Matlab中被二次压缩(QF=98),表2给出了对原始压缩(第一次压缩)的检测结果。从表2中可以看出,最好的检测结果是原始压缩质量在80-89之间的图像,而对于原始压缩质量较低(60-79之间)的图像,较小的判定阈值T(T=0.03、0.04、0.05)可能产生较大的虚警率,而对于较高压缩质量(90-94之间)的图像,较大的判定阈值T(T=0.06、0.07)时会产生较大的漏警率。这是因为低质量时py曲线包含更多噪声,而高质量图像的两次压缩质量的差值较小,导致波动幅值较小。在该实验中,能够正确检测出所有图像的原始压缩质量,即Δe=0,并可以正确识别出第一次压缩为相机压缩。
在以下实验结果中,为了明确使用的压缩工具,以区分图像的原始压缩和相机外经历的压缩,用“C”表示使用数码相机完成的压缩,“M”表示使用Matlab完成的压缩,“P”表示使用Photoshop完成的压缩。如,QFx(C)表示图像在相机中的压缩,压缩质量为x。
表2双压检测(500幅来自13部相机的JPEG图像,ΔQ=1)
500幅来自BOSSBase图像集的未压缩图像在Matlab中经历了两次压缩,第一次压缩质量(QFx1)在40-90之间,第二次压缩质量(QFx2)高于第一次压缩质量。表3给出了对这些图像的第一次压缩的检测结果。
表3双压检测(500幅来自BOSSBASE的未压缩图像,ΔQ=1)
表4给出了来自JPEG图像集(原始压缩质量在60-85之间)的图像再经历两次Matlab压缩的检测结果。在经历了两次较高质量的压缩后,本发明方法仍然能够识别出相机的初始压缩,同时对于所有的历史压缩都能进行准确的检测。
表4三压的检测结果(500幅来自13部相机的JPEG图像,ΔQ=1,T=0.003)
表5和表6分别给出了500幅来自BOSSBass图像集的未压缩图像经历三次和四次Matlab压缩的检测结果。在此,给出了多次压缩的质量大小不同排序下的检测结果。实验结果表明,本发明方法对于历史压缩质量的大小顺序没有要求,可以检测出所有压缩。虚警的发生则可能在低质量情况下由噪声引起,或者存在与历史压缩量化表存在倍数关系的压缩质量有关。
表5三压的检测结果(500幅来自BOSSBASE的未压缩图像,ΔQ=1,T=0.01)
表6四压的检测结果(500幅来自BOSSBASE的未压缩图像,ΔQ=1,T=0.003)
一种更复杂的情况是待检测的数字照片图像经历了不同压缩工具的多次压缩。表7给出了500幅来自BOSSBass图像集的未压缩图像在Photoshop中经历第一次压缩(压缩质量为3),在Matlab中经历第二次压缩(压缩质量为85)和第三次压缩(压缩质量为95)的检测结果。实验结果表明,本发明方法对于图像所经历的这种复杂的压缩历史也能给出理想的检测结果,能够针对不同压缩工具进行检测。但当图像经历了多个压缩工具的压缩时,不同压缩工具实施的压缩要根据不同的Tetrolet覆盖索引的变化率曲线判定,因此对不同压缩工具实施压缩的顺序不能有效判定。
表7不同压缩工具的多次压缩(500幅来自BOSSBass图像集的未压缩图像,ΔQ=1,T=0.01)
Claims (6)
1.一种数字照片图像压缩历史的检测方法,其特征在于包括以下步骤:
①取压缩工具集Tool中的一个压缩工具作为当前压缩工具,并利用该当前压缩工具采用n个由低到高不同的压缩质量对RGB颜色空间的待检测的数字照片图像进行再次压缩,得到待检测的数字照片图像对应的n幅具有不同压缩质量的再压图像,其中,压缩工具集Tool中的所有压缩工具的量化表定义各不相同,n≥1,待检测的数字照片图像和其对应的n幅具有不同压缩质量的再压图像的分辨率均为N×M;
②将待检测的数字照片图像及其对应的n幅具有不同压缩质量的再压图像从RGB颜色空间转换到YCbCr颜色空间,其中,YCbCr颜色空间的第一个颜色分量为亮度分量Y、第二个颜色分量为第一色差分量Cb、第三个颜色分量为第二色差分量Cr;
③将YCbCr颜色空间的待检测的数字照片图像及其对应的n幅具有不同压缩质量的再压图像的亮度分量Y、第一色差分量Cb和第二色差分量Cr分别从空间域转换到Tetrolet覆盖索引域;在Tetrolet覆盖索引域,将在亮度分量Y、第一色差分量Cb和第二色差分量Cr上的待检测的数字照片图像分别表示为Tetrolet覆盖索引域2-D矩阵,分别记为将在亮度分量Y、第一色差分量Cb和第二色差分量Cr上的第i幅再压图像分别表示为Tetrolet覆盖索引域2-D矩阵,分别记为其中,1≤i≤n;
④根据在亮度分量Y、第一色差分量Cb和第二色差分量Cr上的待检测的数字照片图像的Tetrolet覆盖索引域2-D矩阵及每幅再压图像的Tetrolet覆盖索引域2-D矩阵,分别计算在亮度分量Y、第一色差分量Cb和第二色差分Cr上的待检测的数字照片图像在不同压缩质量下Tetrolet覆盖索引的变化率,并获取相应的变化率曲线py曲线、pb曲线和pr曲线;
⑤观察py曲线,找出py曲线上的所有局部最小值和每个局部最小值的后面相邻的局部最大值,将py曲线上的第i'个局部最小值记为py(mini′),py(mini′)对应的压缩质量Q(mini')小于或等于待检测的数字照片图像的压缩质量,将py(mini′)的后面相邻的局部最大值记为py(maxi'),其中,1≤i'≤n',n'表示py曲线上的局部最小值的个数;然后根据py曲线上的每个局部最小值的后面相邻的局部最大值判断py曲线上的每个局部最小值对应的压缩质量是否为历史压缩质量,对于py(mini′),判断py(maxi')-py(mini')>T是否成立,如果成立,则确定Q(mini′)是一个历史压缩质量,否则,确定Q(mini')不是一个历史压缩质量,其中,T为设定的判定阈值,T≥0;接着将所有历史压缩质量按照各自对应的局部最小值升序排序,使所有历史压缩质量由最近的历史压缩到最早的历史压缩顺序排序,然后输出排序后的所有历史压缩质量;最后观察pb曲线和pr曲线,如果pb曲线或pr曲线上在最早的历史压缩对应的历史压缩质量处不存在局部最小值,则认为最早的历史压缩对应的历史压缩质量为待检测的数字照片图像在相机内的原始压缩的压缩质量;
⑥上述步骤①至步骤⑤仅仅实现了与当前压缩工具具有相同量化表定义的压缩工具的历史压缩检测,对于与当前压缩工具不具有相同量化表定义的压缩工具的历史压缩,取压缩工具集Tool中其它的压缩工具作为当前压缩工具,再按照步骤①至步骤⑤的操作完成待检测的数字照片图像针对相应的压缩工具的历史压缩检测。
2.根据权利要求1所述的一种数字照片图像压缩历史的检测方法,其特征在于所述的步骤①中待检测的数字照片图像对应的n幅具有不同压缩质量的再压图像的具体获取过程为:取压缩工具集Tool中的一个压缩工具作为当前压缩工具,然后利用该当前压缩工具在[Q1:ΔQ:Qn]范围内用n个不同的压缩质量对待检测的数字照片图像进行再次压缩,得到n幅具有不同压缩质量的再压图像,分别记为A1、A2、……、An,其中,Q1表示n个不同的压缩质量中的第1个压缩质量,Q1≥1,Qn表示n个不同的压缩质量中的第n个压缩质量,Qn≥Q1,Qn≥Q0,Q0表示待检测的数字照片图像的压缩质量,ΔQ表示压缩质量步长,ΔQ≥1,A1表示用n个不同的压缩质量中的第1个压缩质量Q1对待检测的数字照片图像进行再次压缩得到的再压图像,A2表示用n个不同的压缩质量中的第2个压缩质量Q2对待检测的数字照片图像进行再次压缩得到的再压图像,An表示用n个不同的压缩质量中的第n个压缩质量Qn对待检测的数字照片图像进行再次压缩得到的再压图像,符号为向下取整符号。
3.根据权利要求2所述的一种数字照片图像压缩历史的检测方法,其特征在于当当前压缩工具为采用0-100压缩级别的压缩工具时,取0≤Q1≤Qn、Q0≤Qn≤100、ΔQ=1;当当前压缩工具为采用0-12压缩级别的压缩工具时,取0≤Q1≤Qn、Q0≤Qn≤12、ΔQ=1。
4.根据权利要求1至3中任一项所述的一种数字照片图像压缩历史的检测方法,其特征在于所述的步骤③的具体过程为:
③-1、假设当前正在处理的图像为YCbCr颜色空间的待检测的数字照片图像,并定义为当前图像;
③-2、假设当前正在处理的颜色分量为当前图像的亮度分量Y,并定义为当前颜色分量;
③-4、将每个图像块用一个最优的Tetrolet覆盖索引值表示,将最优的Tetrolet覆盖索引值记为c*, 其中,c*∈{1,2,...,117},c表示Tetrolet覆盖索引值,c=1,2,...,117,l用于表示每个图像块中的3个高频子带的序号,l=1,2,3,表示每个图像块中的第l个高频子带的Tetrolet系数,表示每个图像块的第l个高频子带的Tetrolet系数的1-范数,表示取3个高频子带的Tetrolet系数的1-范数的和最小时的Tetrolet覆盖索引值,s用于表示每个图像块中的4个四格拼板的序号,s=0,1,2,3,表示每个图像块中的第l个高频子带的第s个四格拼板的高频Tetrolet系数,符号“||”为绝对值符号,表示取3个高频子带的所有四格拼板的高频Tetrolet系数的绝对值和最小时的Tetrolet覆盖索引值;
③-5、将当前图像的第一色差分量Cb和第二色差分量Cr分别作为当前颜色分量,按照步骤③-3至步骤③-4的操作,获取在第一色差分量Cb上的当前图像的每个图像块对应的最优的Tetrolet覆盖索引值,及在第二色差分量Cr上的当前图像的每个图像块对应的最优的Tetrolet覆盖索引值;
③-6、将待检测的数字照片图像对应的n幅具有不同压缩质量的再压图像分别作为当前图像,按照步骤③-2至步骤③-5的操作,获取在亮度分量Y上的每幅再压图像的每个图像块对应的最优的Tetrolet覆盖索引值、在第一色差分量Cb上的每幅再压图像的每个图像块对应的最优的Tetrolet覆盖索引值及在第二色差分量Cr上的每幅再压图像的每个图像块对应的最优的Tetrolet覆盖索引值;
③-7、将由待检测的数字照片图像的所有图像块在亮度分量Y上各自对应的最优的Tetrolet覆盖索引值组成的Tetrolet覆盖索引域2-D矩阵记为将由待检测的数字照片图像的所有图像块在第一色差分量Cb上各自对应的最优的Tetrolet覆盖索引值组成的Tetrolet覆盖索引域2-D矩阵记为将由待检测的数字照片图像的所有图像块在第二色差分量Cr上各自对应的最优的Tetrolet覆盖索引值组成的Tetrolet覆盖索引域2-D矩阵记为将由第i幅再压图像的所有图像块在亮度分量Y上各自对应的最优的Tetrolet覆盖索引值组成的Tetrolet覆盖索引域2-D矩阵记为将由第i幅再压图像的所有图像块在第一色差分量Cb上各自对应的最优的Tetrolet覆盖索引值组成的Tetrolet覆盖索引域2-D矩阵记为将由第i幅再压图像的所有图像块在第二色差分量Cr上各自对应的最优的Tetrolet覆盖索引值组成的Tetrolet覆盖索引域2-D矩阵记为其中,1≤i≤n。
5.根据权利要求4所述的一种数字照片图像压缩历史的检测方法,其特征在于所述的步骤④的具体过程为:
④-1、通过比较在亮度分量Y上的待检测的数字照片图像的Tetrolet覆盖索引域2-D矩阵与在亮度分量Y上的每幅再压图像的Tetrolet覆盖索引域2-D矩阵,计算在亮度分量Y上的待检测的数字照片图像在不同压缩质量下Tetrolet覆盖索引的变化率,将在亮度分量Y上的待检测的数字照片图像在第i个压缩质量下Tetrolet覆盖索引的变化率记为 其中,1≤i≤n,X和Y分别表示待检测的数字照片图像和再压图像中行和列上的图像块的个数,X×Y=M',M'表示待检测的数字照片图像和再压图像中的图像块的总个数,a和b分别表示图像块在Tetrolet覆盖索引域2-D矩阵中的行坐标和列坐标,表示中坐标位置为(a,b)的图像块的最优Tetrolet覆盖索引值,表示中坐标位置为(a,b)的图像块的最优Tetrolet覆盖索引值,说明坐标位置为(a,b)的图像块的最优Tetrolet覆盖索引值在再次压缩前后发生变化,l()表示指示函数,如果图像块的最优Tetrolet覆盖索引值在再次压缩前后发生变化,则取值为1,否则,取值为0;
④-2、根据在亮度分量Y上的待检测的数字照片图像在不同压缩质量下Tetrolet覆盖索引的变化率,获取相应的变化率曲线,表示为py曲线;
④-3、按照步骤④-1至步骤④-2的操作,分别获取在第一色差分量Cb和第二色差分量Cr上的待检测的数字照片图像在不同压缩质量下Tetrolet覆盖索引的变化率曲线,分别表示为pb曲线和pr曲线。
6.根据权利要求5所述的一种数字照片图像压缩历史的检测方法,其特征在于所述的步骤⑤中设定的判定阈值T的取值范围为:0.003≤T≤0.1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210326556.0A CN102903100B (zh) | 2012-09-06 | 2012-09-06 | 一种数字照片图像压缩历史的检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210326556.0A CN102903100B (zh) | 2012-09-06 | 2012-09-06 | 一种数字照片图像压缩历史的检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102903100A true CN102903100A (zh) | 2013-01-30 |
CN102903100B CN102903100B (zh) | 2015-04-29 |
Family
ID=47575313
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210326556.0A Expired - Fee Related CN102903100B (zh) | 2012-09-06 | 2012-09-06 | 一种数字照片图像压缩历史的检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102903100B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103700075A (zh) * | 2013-12-25 | 2014-04-02 | 浙江师范大学 | 基于Tetrolet变换的多通道卫星云图融合方法 |
CN104796726A (zh) * | 2015-04-10 | 2015-07-22 | 北京邮电大学 | 一种检测图像压缩痕迹的方法 |
CN105528798A (zh) * | 2014-09-29 | 2016-04-27 | 优视科技有限公司 | 图片压缩方法及装置 |
CN107231556A (zh) * | 2016-02-29 | 2017-10-03 | 北京大学 | 一种图像处理设备 |
CN110363207A (zh) * | 2018-04-09 | 2019-10-22 | 阿里巴巴集团控股有限公司 | 图像检测和分类器模型的生成方法、装置及设备 |
CN114359417A (zh) * | 2020-09-29 | 2022-04-15 | 四川大学 | 一种针对jpeg图像压缩质量因子的检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070076959A1 (en) * | 2005-10-03 | 2007-04-05 | Xerox Corporation | JPEG detectors and JPEG image history estimators |
CN101674389A (zh) * | 2009-09-30 | 2010-03-17 | 大连理工大学 | 一种基于图像信息损失量的bmp图像压缩历史检测方法 |
CN102226920A (zh) * | 2011-06-03 | 2011-10-26 | 贵州大学 | 抗裁剪的jpeg图像压缩历史及合成篡改检测方法 |
-
2012
- 2012-09-06 CN CN201210326556.0A patent/CN102903100B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070076959A1 (en) * | 2005-10-03 | 2007-04-05 | Xerox Corporation | JPEG detectors and JPEG image history estimators |
CN101674389A (zh) * | 2009-09-30 | 2010-03-17 | 大连理工大学 | 一种基于图像信息损失量的bmp图像压缩历史检测方法 |
CN102226920A (zh) * | 2011-06-03 | 2011-10-26 | 贵州大学 | 抗裁剪的jpeg图像压缩历史及合成篡改检测方法 |
Non-Patent Citations (1)
Title |
---|
郭一平: "数字图像压缩历史的分析与检测", 《中国优秀硕士学文论文全文数据库(信息科技辑)》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103700075A (zh) * | 2013-12-25 | 2014-04-02 | 浙江师范大学 | 基于Tetrolet变换的多通道卫星云图融合方法 |
CN103700075B (zh) * | 2013-12-25 | 2016-08-17 | 浙江师范大学 | 基于Tetrolet变换的多通道卫星云图融合方法 |
CN105528798A (zh) * | 2014-09-29 | 2016-04-27 | 优视科技有限公司 | 图片压缩方法及装置 |
CN105528798B (zh) * | 2014-09-29 | 2019-10-08 | 优视科技有限公司 | 图片压缩方法及装置 |
CN104796726A (zh) * | 2015-04-10 | 2015-07-22 | 北京邮电大学 | 一种检测图像压缩痕迹的方法 |
CN104796726B (zh) * | 2015-04-10 | 2018-02-02 | 北京邮电大学 | 一种检测图像压缩痕迹的方法 |
CN107231556A (zh) * | 2016-02-29 | 2017-10-03 | 北京大学 | 一种图像处理设备 |
CN110363207A (zh) * | 2018-04-09 | 2019-10-22 | 阿里巴巴集团控股有限公司 | 图像检测和分类器模型的生成方法、装置及设备 |
CN114359417A (zh) * | 2020-09-29 | 2022-04-15 | 四川大学 | 一种针对jpeg图像压缩质量因子的检测方法 |
CN114359417B (zh) * | 2020-09-29 | 2024-02-02 | 四川大学 | 一种针对jpeg图像压缩质量因子的检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN102903100B (zh) | 2015-04-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102903100B (zh) | 一种数字照片图像压缩历史的检测方法 | |
CN108052980B (zh) | 基于图像的空气质量等级检测方法 | |
CN101378519B (zh) | 一种基于Contourlet变换的质降参考图像质量评价方法 | |
US9002093B2 (en) | Method of monitoring the appearance of the surface of a tire | |
CN102413328B (zh) | Jpeg图像双重压缩检测方法及系统 | |
CN113205051B (zh) | 基于高空间分辨率遥感影像的储油罐提取方法 | |
CN101605272B (zh) | 一种部分参考型图像客观质量评价方法 | |
CN102800070B (zh) | 基于区域和人眼对比敏感特性的异源图像融合方法 | |
CN103037212B (zh) | 基于视觉感知的自适应块压缩传感图像编码方法 | |
CN102521606B (zh) | 一种对jpeg图像的像素块分类方法及基于此的图像篡改检测和被篡改区域定位方法 | |
CN103136763A (zh) | 用于检测视频序列异常段落的电子装置及其方法 | |
CN110223273B (zh) | 一种结合离散余弦变换与神经网络的图像修复取证方法 | |
CN106157232A (zh) | 一种数字图像特征感知的通用隐写分析方法 | |
Ferrara et al. | Reverse engineering of double compressed images in the presence of contrast enhancement | |
Dimauro | A new image quality metric based on human visual system | |
CN101794437A (zh) | 一种高光谱遥感影像异常探测方法 | |
CN100433046C (zh) | 一种基于稀疏变换的图像盲源分离方法 | |
CN102547363B (zh) | 基于轮廓波变换域图像特征的无参考图像质量评测方法 | |
CN109544614B (zh) | 一种基于图像低频信息相似度的匹配图像对识别的方法 | |
CN112862655B (zh) | 一种基于通道空间注意力机制的jpeg图像隐写分析方法 | |
CN116958182B (zh) | 基于图像数据的混凝土裂缝快速检测方法 | |
CN106558047B (zh) | 基于互补色小波的彩色图像质量评价方法 | |
CN112699165A (zh) | 一种用于时序数据降采样的方法和系统 | |
CN109447952B (zh) | 一种基于Gabor差分盒加权维数的半参考型图像质量评价方法 | |
CN116071640B (zh) | 一种基于噪声因子的高光谱卫星遥感影像辐射质量评价方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20150429 Termination date: 20170906 |