CN102956026A - 基于不变矩的Copy-Move型篡改图像盲检测方法 - Google Patents

Abstract

本发明公开了一种基于不变矩的拷贝粘贴(Copy-Move)型篡改图像盲检测方法，属于图像信息安全领域。本发明利用不变矩构建特征向量实现篡改图像的盲检测，首先将待检测进行单像素移位重叠子块划分，基于不变矩，提取各子块的特征向量。通过对两两子块特征向量相似性的比较，初步确定篡改区域。最后利用奇异点消除方法，消除误检测点。最后实现拷贝粘贴(Copy-Move)型篡改图像的盲检测。本方法简单、有效，在图像信息安全领域，特别是图像证据的法律鉴定方面，具有一定的应用前景。

Description

基于不变矩的Copy-Move型篡改图像盲检测方法

技术领域

本发明涉及一种基于不变矩的拷贝粘贴(Copy-Move)型篡改图像的盲检测方法。拷贝粘贴(Copy-Move)型篡改方式是在一幅图像中进行部分数据拷贝粘贴，如拷贝图像中某块掩盖图像中的另外某部分，以达到隐藏事实的目的。由于此类图像篡改手段较为简单，在日常生活中较为常见。本发明提出方法可以很好的检测这类图像篡改，同时，还可以检测出经过旋转、镜像及缩放的拷贝粘贴(Copy-Move)型篡改。因此，本发明提出方法在图像信息安全领域，特别是图像证据的法律认证方面有着一定的应用前景。

背景技术

图像作为信息的一种极为重要的表达方式，广泛地应用在社会各个领域。但随着低成本、高性能及有着友好操作界面的图像处理软件的不断推出，数字化的图像信息面临着极大的安全隐患(即图像信息易被恶意篡改)，由此，图像内容的真实性认证成为现代社会亟待解决的信息安全性问题，特别是当图像作为一种证据用于法律判决时。数字水印和数字签名曾作为一种有效手段被成功用于图像的安全认证，但由于其需要在未篡改的源图像中嵌入认证信息，使得其在某些情况下并不能得到有效应用。篡改图像盲检测是近年发展起来的一种新图像认证方法，由于其需要先验信息少，不需要人为在源图像中嵌入认证信息，因此适合更多场合的应用。

目前，大部分盲认证方法集中于研究篡改处理对图像统计特性所造成的影响，如重采样、JPEG重压缩、亮度校正和添加噪声等。另一种常见的篡改方式是在一幅图像中进行部分数据拷贝粘贴(Copy-Move)，如拷贝图像中某块掩盖图像中的另外某部分，以达到隐藏事实的目的。此类篡改所生成的篡改数据和原始数据由于通常经历类似的重采样、重压缩和亮度校正，因此目前提出的方法并不能很好地检测此类篡改。最早提出利用图像穷尽搜索匹配来寻找图像中相似块，但其算法易受到噪声和压缩失真的影响，并且计算量极大。其他方法提出先对图像分块做PCA来提取主分量，然后用主分量系数做相似性比较，该方法具有一定抗噪声和压缩失真的能力。虽然上述方法在检测传统的Copy-Move型篡改可获得较好的效果，并具有一定抗噪、抗重压缩，甚至是抗对比度调整和抗模糊的能力，但由于所提取的特征参数的性能局限性，这些方法都不能有效地检测图像中经过旋转、镜像及缩放拷贝的粘贴区域。

发明内容

本发明的目的在于针对经过拷贝粘贴(Copy-Move)的篡改图像，提出一种基于不变矩的篡改图像检测方法。该方法首先对待检测图像进行重叠块划分，然后提取每个重叠子块的不变矩的特征向量。基于该提取的特征向量，对所有的划分子块进行相似性判决，由于篡改部分相似度较高。基于这种不同的相似度，对所有划分子块进行分类，从而最终凸显出篡改区域。

为达到上述目的，本发明采用以下技术方案，具体篡改检测步骤如下：

1)重叠块的划分：划分重叠块时，整幅图像按单像素移位被划分为多个重叠块，其中块大

小的选择要求小于篡改块，假设图像大小为M×N，重叠块大小为R×R，则所分重叠块的个数为(M-R+1)×(N-R+1)。

2)提取划分子块的特征向量：根据第一步得到的子块，提取所有子块的特征向量。注意特征向量选取是整个方法的关键，因为提取各重叠块的特征向量一方面可极大地降低计算复杂度；另一方面，好的特征向量可以消除噪声、重压缩及各种篡改后处理对检测效率的影响。本发明提取的特征向量为7个不变矩。将待检测图像表征为f(x，y)，其p+q阶矩定义为：

$m_{p,q}=\underset{x}{\mathrm{\Σ}}\underset{y}{\mathrm{\Σ}}{x}^p{y}^{q}f(x,y),p,q=\mathrm{01,2},...\left(1\right)$

其相应的中心矩定义为

${\mathrm{\μ}}_{p,q}=\underset{x}{\mathrm{\Σ}}\underset{y}{\mathrm{\Σ}}{(x-\stackrel{\‾}{x})}^p{(y-\stackrel{\‾}{y})}^{q}f(x,y)---\left(2\right)$

其中，

即重心坐标。f(x，y)的归一化p+q阶中心矩定义为

${\mathrm{\η}}_{p,q}=\frac{{\mathrm{\μ}}_{p,q}}{{\mathrm{\μ}}_{\mathrm{0,0}}^{\mathrm{\γ}}},p,q=\mathrm{0,1,2},...\left(3\right)$

其中，

利用二阶和三阶归一化中心矩组合即可得到以下7个2维不变矩如下所示

φ₁＝η_2，0+η_0，2

${\mathrm{\φ}}_2={({\mathrm{\η}}_{\mathrm{2,0}}-{\mathrm{\η}}_{\mathrm{0,2}})}^2+{4\mathrm{\η}}_{\mathrm{1,1}}^2$

φ₃＝(η_3，0-3η_1，2)²+(3η_2，1-η_0，3)²

φ₄＝(η_3，0+η_1，2)²+(η_2，1+η_0，3)²

φ₅＝(η_3，0-3η_1，2)(η_3，0+η_1，2)[(η_3，0+η_1，2)²-3(η_2，1+η_0，3)²]

                                                                         (4)

+(3η_2，1-η_0，3)(η_2，1+η_0，3)[3(η_3，0+η_1，2)²-(η_2，1+η_0，3)²]

φ₆＝(η_2，0-η_0，2)[(η_3，0+η_1，2)²-(η_2，1+η_0，3)²]

+4η_1，1(η_3，0+η_1，2)(η_2，1+η_0，3)

φ₇＝(3η_2，1-η_0，3)(η_3，0+η_1，2)[(η_3，0+η_1，2)²-3(η_2，1+η_0，3)²]

+(3η_1，2-η_3，0)(η_2，1+η_0，3)[3(η_3，0+η_1，2)²-(η_2，1+η_0，3)²]

它们对平移、旋转、镜像以及缩放具有很好的不变性。由此，即可对图像中各重叠块的7个特征值进行提取，提取得到3维特征矩阵为

$B_{i,j}(1:7)=\left[\begin{array}{ccccccc}{\mathrm{\φ}}_1^{i,j}& {\mathrm{\φ}}_2^{i,j}& {\mathrm{\φ}}_3^{i,j}& {\mathrm{\φ}}_4^{i,j}& {\mathrm{\φ}}_5^{i,j}& {\mathrm{\φ}}_6^{i,j}& {\mathrm{\φ}}_7^{i,j}\end{array}\right]$

式中，i∈(1，M-R+1)，j∈(1，N-R+1)，且(i，j)为图像各重叠块的左上角像素坐标。

3)各重叠子块相似度的计算：拷贝粘贴(Copy-Move)篡改使得图像中存在两个相似块，通过计算由各重叠块提取特征的相似度，即可找到两相似块在图像中的位置，本发明采用欧式距离来表征各特征向量的相似性大小，欧式距离的计算公式为

$\mathrm{\ρ}(B_{i,j},B_{k,l})=\sqrt{\underset{n=1}{\overset{7}{\mathrm{\Σ}}}{({\mathrm{\φ}}_n^{i,j}-{\mathrm{\φ}}_n^{k,l})}^2},i\≠k,j\≠l---\left(6\right)$

由式(6)可进一步计算相似性大小，即

$s(B_{i,j},B_{k,l})=\frac{1}{1+\mathrm{\ρ}(B_{i,j},B_{k,l})},i\≠k,j\≠l---\left(7\right)$

把式(7)与预设阈值T_Corr相比较，即可得到表征图像中篡改区域的位置矩阵L。在位置矩阵L中，非零点值坐标即为相似块的左上角像素坐标。

4)误检测点的后处理：某些图像由于本身存在少量相似区域，因此需对位置矩阵L做进一步后处理，假设(q₁，q₂)为L的中非零像素点坐标，对L中的离散点做如下分析，如果

$\underset{i,j}{\mathrm{\Σ}}{L}_{i,j}\≠0\≥T(\sqrt{{(i-q_1)}^2+{(j-q_2)}^2}\≤R)$

L(q₁，q₂)＝255                                      (8)

否则

L(q₁，q₂)＝0                                        (9)

上述处理可以很好地消除误检测的奇异点，式中R为预设局部区域大小，T为判断阈值。由此，即可找到图像中篡改块的左上角坐标，进而可定位篡改区域。

附图说明

图1：整个篡改图像检测程序示意图；

具体实施方式

本发明的一个优选实施例结合图详述如下：

本发明旨在提供一种基于不变矩的拷贝粘贴(Copy-Move)型篡改图像盲检测方法，具体的检测流程如图1所示。该方法首先将待检测图像划分为单像素重叠子块。通过比较各重叠子块提取特征向量相似度，实现拷贝粘贴(Copy-Move)型篡改图像的检测。

具体的检测实施步骤为：

1.对整幅待检测图像按单像素移位被划分为多个重叠块，假设待检测假设图像大小为M×N，划分的重叠子块大小为R×R，其中R＝10。则所分重叠块的个数为(M-R+1)×(N-R+1)。

2.根据第一步得到的子块，按照公式(4)提取所有子块的7个特征向量，并构建三维特征向量表示为 $B_{i,j}(1:7)=\left[\begin{array}{ccccccc}{\mathrm{\φ}}_1^{i,j}& {\mathrm{\φ}}_2^{i,j}& {\mathrm{\φ}}_3^{i,j}& {\mathrm{\φ}}_4^{i,j}& {\mathrm{\φ}}_5^{i,j}& {\mathrm{\φ}}_6^{i,j}& {\mathrm{\φ}}_7^{i,j}\end{array}\right],$ 其中i∈(1，M-R+1)，j∈(1，N-R+1)。这里(i，j)为图像各重叠块的左上角像素坐标。

3.对步骤2提取的所有重叠子块，提取特征向量。并计算所有可能的子块对的欧式距离为

$\mathrm{\ρ}(B_{i,j},B_{k,l})=\sqrt{\underset{n=1}{\overset{7}{\mathrm{\Σ}}}{({\mathrm{\φ}}_n^{i,j}-{\mathrm{\φ}}_n^{k,l})}^2},i\≠k,j\≠\mathrm{li}\≠k,j\≠l$

并进一步计算该子块对的相似性大小为

$s(B_{i,j},B_{k,l})=\frac{1}{1+\mathrm{\ρ}(B_{i,j},B_{k,l})},i\≠k,j\≠l$

把该相似性大小与预设阈值T_Corr相比较，这里T_Corr＝0.9，通过各子块的位置坐标(i，j)，将所有相似性大于阈值T_Corr的子块标记下来，即可得到表征图像中篡改区域的位置矩阵L。

4.对位置矩阵L做进一步后处理，用(q₁，q₂)表征L的中非零像素点坐标，对L中的离散点做如下分析，如果

$\underset{i,j}{\mathrm{\Σ}}{L}_{i,j}\≠0\≥T(\sqrt{{(i-q_1)}^2+{(j-q_2)}^2}\≤R)$

则     L(q₁，q₂)＝255

否则   L(q₁，q₂)＝0

这里T＝20。由此，即可找到图像中篡改块的左上角坐标，进而可定位篡改区域。

Claims (2)

1.一种基于不变矩的的拷贝粘贴(Copy-Move)型篡改图像盲检测方法，其特征在于首先对待检测图像进行重叠子块划分，然后对提取的各子块进行特征提取，通过对提取特征向量进行相似性比较，进而判决出篡改区域。具体的操作步骤如下：

1)对整幅待检测图像按单像素移位被划分为多个重叠块，假设待检测假设图像大小为M×N，划分的重叠子块大小为R×R，其中R＝10，则所分重叠块的个数为(M-R+1)×(N-R+1)。

2)根据第一步得到的子块，按照公式(4)提取所有子块的7个特征向量，并构建三维特征向量表示为 $B_{i,j}(1:7)=\left[\begin{array}{ccccccc}{\mathrm{\φ}}_1^{i,j}& {\mathrm{\φ}}_2^{i,j}& {\mathrm{\φ}}_3^{i,j}& {\mathrm{\φ}}_4^{i,j}& {\mathrm{\φ}}_5^{i,j}& {\mathrm{\φ}}_6^{i,j}& {\mathrm{\φ}}_7^{i,j}\end{array}\right],$ 其中i∈(1，M-R+1)，j∈(1，N-R+1)。这里(i，j)为图像各重叠块的左上角像素坐标。

3)对步骤2提取的所有重叠子块，提取特征向量。并计算所有可能的子块对的欧式距离为

$\mathrm{\ρ}(B_{i,j},B_{k,l})=\sqrt{\underset{n=1}{\overset{7}{\mathrm{\Σ}}}{({\mathrm{\φ}}_n^{i,j}-{\mathrm{\φ}}_n^{k,l})}^2},i\≠k,j\≠l$

并进一步计算该子块对的相似性大小为

$s(B_{i,j},B_{k,l})=\frac{1}{1+\mathrm{\ρ}(B_{i,j},B_{k,l})},i\≠k,j\≠l$

把该相似性大小与预设阈值T_Corr相比较，这里T_Corr＝0.9，通过各子块的位置坐标(i，j)，将所有相似性大于阈值T_Corr的子块标记下来，即可得到表征图像中篡改区域的位置矩阵L。

4)对位置矩阵L做进一步后处理，用(q₁，q₂)表征L的中非零像素点坐标，对L中的离散点做如下分析，如果

$\underset{i,j}{\mathrm{\Σ}}{L}_{i,j}\≠0\≥T(\sqrt{{(i-q_1)}^2+{(j-q_2)}^2}\≤R)$

则         L(q₁，q₂)＝255

否则       L(q₁，q₂)＝0

这里T＝20。由此，即可找到图像中篡改块的左上角坐标，进而可定位篡改区域。

2.根据权利要求1所述的基于不变矩的拷贝粘贴(Copy-Move)型篡改图像盲检测方法，其特征在于所述第2)步骤中利用的不变矩特征向量，其具体构建方法如下：

将待检测图像表示为f(x，y)，其p+q阶矩定义为：

$m_{p,q}=\underset{x}{\mathrm{\Σ}}\underset{y}{\mathrm{\Σ}}{x}^p{y}^{q}f(x,y),p,q=\mathrm{0,1,2},...$

其相应的中心矩定义为

${\mathrm{\μ}}_{p,q}=\underset{x}{\mathrm{\Σ}}\underset{y}{\mathrm{\Σ}}{(x-\stackrel{\‾}{x})}^p{(y-\stackrel{\‾}{y})}^{q}f(x,y)$

其中，

即重心坐标。f(x，y)的归一化p+q阶中心矩定义为

${\mathrm{\η}}_{p,q}=\frac{{\mathrm{\μ}}_{p,q}}{{\mathrm{\μ}}_{\mathrm{0,0}}^{\mathrm{\γ}}},p,q=\mathrm{0,1,2},...$

其中，

利用二阶和三阶归一化中心矩组合即可得到以下7个2维不变矩

φ₁＝η_2，0+η_0，2

${\mathrm{\φ}}_2={({\mathrm{\η}}_{\mathrm{2,0}}-{\mathrm{\η}}_{\mathrm{0,2}})}^2+{4\mathrm{\η}}_{\mathrm{1,1}}^2$

φ₃＝(η_3，0-3η_1，2)²+(3η_2，1-η_0，3)²

φ₄＝(η_3，0+η_1，2)²+(η_2，1+η_0，3)²

φ₅＝(η_3，0-3η_1，2)(η_3，0+η_1，2)[(η_3，0+η_1，2)²-3(η_2，1+η_0，3)²]

+(3η_2，1-η_0，3)(η_2，1+η_0，3)[3(η_3，0+η_1，2)²-(η_2，1+η_0，3)²]

φ₆＝(η_2，0-η_0，2)[(η_3，0+η_1，2)²-(η_2，1+η_0，3)²]

+4η_1，1(η_3，0+η_1，2)(η_2，1+η_0，3)

φ₇＝(3η_2，1-η_0，3)(η_3，0+η_1，2)[(η_3，0+η_1，2)²-3(η_2，1+η_0，3)²]

+(3η_1，2-η_3，0)(η_2，1+η_0，3)[3(η_3，0+η_1，2)²-(η_2，1+η_0，3)²]

由此，即可对图像中各重叠块的7个特征值进行提取，提取得到3维特征矩阵为

$B_{i,j}(1:7)=\left[\begin{array}{ccccccc}{\mathrm{\φ}}_1^{i,j}& {\mathrm{\φ}}_2^{i,j}& {\mathrm{\φ}}_3^{i,j}& {\mathrm{\φ}}_4^{i,j}& {\mathrm{\φ}}_5^{i,j}& {\mathrm{\φ}}_6^{i,j}& {\mathrm{\φ}}_7^{i,j}\end{array}\right]$

这里i∈(1，M-R+1)，j∈(1，N-R+1)，式中(i，j)为图像各重叠块的左上角像素坐标。

Images