CN103177452A - 一种基于dwt-dct变换的智能纹理防伪方法 - Google Patents

Abstract

本发明公开了一种基于DWT-DCT变换的智能纹理防伪方法，属于纹理防伪技术领域。本发明的步骤是先建立特征数据库，包括：(1)通过对纹理图像进行小波变换，再对逼近子图进行全图DCT变换，提取一个特征向量V(n)；(2)将求出的特征向量存放在纹理特征数据库中；然后再进行图像自动鉴别，包括：(3)手机扫描待测纹理标签图像，运用步骤1的方法求出待测图像的特征向量V’，并将上传到服务器；(4)求出数据库中的所有纹理图像的特征向量V(n)和待测图像的特征向量V’之间的归一化相关系数NC(n)值；(5)将NC(n)最大值返回到用户手机上。实验证明本发明具有自动鉴别纹理图像的能力，实现了智能纹理防伪技术。

Description

一种基于DWT-DCT变换的智能纹理防伪方法

技术领域

本发明属于纹理防伪技术领域。涉及一种小波变换(DWT)、离散余弦变换(DCT)和图像视觉特征的智能纹理防伪技术，具体是一种可以实现自动鉴别纹理防伪标签的方法。

背景技术

假冒伪劣商品严重危害消费者的合法权益，严重破坏整个社会经济运行的规则，是个严肃的社会和政治问题。为解决假冒伪劣的问题，利用防伪技术势在必行。防伪技术是一种用于识别真伪并防止假冒、仿造行为的技术手段，从技术特征和功能进化角度划分，目前防伪技术可以分为以下五代产品：激光标签、查询式数码防伪标签、纹理防伪标签、安全线防伪纸技术及其应用产品、手机互联网防伪技术。其中纹理防伪属于第三代防伪技术，因为其极难伪造、先查后买、查询结论准确可靠的优点得到大家的喜爱。

目前对纹理防伪标签的鉴别方法主要分为感官鉴别方法和查询真伪。感官鉴别方法就是用人眼观察防伪纸内的纤维丝和用手挑出防伪纸内的纤维丝来辨别真伪。查询真伪方法包含：登陆互联网、手机网或是发送短信输入序列号得到对应的防伪标签图片，人眼进行比对来鉴别真伪；电话客服咨询来鉴别；利用手机二维码扫描得到防伪标签图片然后人眼比对来鉴别。

上述纹理防伪方法在实际应用中存在以下不足之处：1)需要人工比对。无法实现防伪标签的自动鉴别，而是要用人眼来进行人工比对，这在光线不足和视力不佳的情况下，用户鉴别比较困难；2)纹理照片占据的数据库容量大。企业在生产纹理防伪标签时，要对每个标签都要进行拍照，把照片存放在数据库中，当防伪企业生产的纹理防伪标签较多时，要占据大量的存贮空间；3)纹理图片下载速度慢。在进行纹理防伪标签比对时，用户先要从网上下载清晰的纹理照片，这样耗时较长。

为此，常规的纹理防伪技术，在鉴别的智能化、快速性和所占存贮空间方面，都存在一定的缺点。特别是自动鉴别的智能化算法研究，目前尚未见公开报道。而在实际应用中智能纹理防伪技术是发展趋势，鉴别方式智能化势在必行。

发明内容

本发明的目的是提供一种基于DWT-DCT变换的智能纹理防伪方法，它具有自动鉴别纹理图像的能力。

主要工作原理是：用户先对纹理防伪标签进行手机拍照，提取图像特征，再上传图像特征到服务器，在服务器中与数据库中的原始防伪图像的特征进行比对，实现鉴别真伪。采用这种方法，可以实现纹理防伪的自动鉴别，运算速度很快，网络传输时间短。

为了实现上述目的，本发明是这样进行的：先对纹理图像进行小波变换，得到“近似系数”和“细节系数”，根据小波原理可知。“近似系数”代表纹理图像的低频特性，反映的是纹理图像的主要轮廓；“细节系数”代表纹理图像的高频特性，反映的是纹理图像的细节信息。由于小波变换本事的抗几何攻击能力比较差，为此，我们先对纹理图像进行小波变换(DWT)，然后在对反映低频特性的“近似系数”进行全局余弦变换(DCT)，在DCT变换系数中，提取一个抗几何攻击的纹理图像视觉特征向量，然后通过对待测的纹理图像和数据库中国的原始纹理图像的视觉特征向量求归一化相关系数，实现自动鉴别纹理图像，即纹理防伪的智能化。本发明所采用的方法包括建立纹理特征数据库和图像自动鉴别两大部分。第一部分为建立纹理特征数据库，包括：(1)对每个原始纹理标签图像(设有N个纹理标签)进行小波变换，然后对近似系数进行全局DCT变换，分别得到N个原始纹理标签图像的视觉特征向量V(n)，1≤n≤N；(2)将求出的这N个特征向量存放在纹理特征数据库中。第二部分为纹理图像的自动鉴别，包括：(3)用户用手机对待测的纹理标签图像进行扫描，同样通过对待测图像进行小波变换，然后对近似系数进行全局DCT变换，求出待测图像的视觉特征向量V’，并将特征向量上传到服务器；(4)求出数据库中的所有纹理图像的视觉特征向量V(n)和待测纹理图像的视觉特征向量V’之间的归一化相关系数NC(n)值；(5)求出NC(n)的最大值并将其返回到用户手机上。

现对本发明的方法进行详细说明如下：

我们选取一个带黑框的纹理图像作为原始纹理图像，加黑色边框是为了保证纹理图像在几何变换时能量守恒，原始纹理图像记为F＝{f(i，j)|f(i，j)∈R；1≤i≤N1，1≤j≤N2}，f(i，j)表示原始纹理图像的像素灰度值，为了便于运算，我们假设N1＝N2＝N。

第一部分：建立纹理特征数据库

1)通过对每个原始纹理图像进行小波变换，然后对小波变换的“近似系数”再进行全局DCT变换，在DCT的低中频系数中，得到原始纹理图像的一个抗几何攻击和抗局部非线性几何攻击的视觉特征向量V(n)。

先依次对每个原始纹理图片进行小波分解，例如对第n个原始纹理图像F(i，j)进行L级小波分解获得逼近子图系数FA_L(i，j)。由于小波分解级数越高，占用的分解时间便会越长，因此智能防伪的疏散发耗时会长。在此，我们选用L＝1。然后对逼近子图FA_L(i，j)进行全局DCT变换，得到DWT-DCT系数矩阵FD(i，j)，再对DWT-DCT系数矩阵进行Zig-Zag扫描，得到频率由低到高的DWT-DCT系数序列Y(j)，取前L个值，并通过符号运算得到该纹理图像的视觉特征向量V(n)。具体做法，当系数值为正值和零时我们用“1”表示，系数为负值时用“0”表示，主要过程描述如下：

FA_L(i，j)＝DWT2(F(i，j))

FD(i，j)＝DCT2(FA_L(i，j))

Y(j)＝Zig-Zag(FD(i，j))

V(n)＝Sign(Y(j))

2)将求出的这N个特征向量存放在纹理特征数据库中。

第二部分：图像自动鉴别

3)手机扫描待测纹理图片，并求出纹理图像的视觉特征向量V’；

设待测纹理图像为F’(i，j)，经过小波变换(DWT)，再对近似系数进行全局DCT变换后得到DWT-DCT系数矩阵为FD’(i，j)，按上述Step1的方法，求得待测图像的视觉特征向量V’；

FA_L’(i，j)＝DWT2(F’(i，j))

FD’(i，j)＝DCT2(FA_L’(i，j))

Y’(j)＝Zig-Zag(FD’(i，j))

V’＝Sign(Y’(j))

4)求出所有N个原始纹理图像的视觉特征向量和待测纹理图像的视觉特征向量V’之间的归一化相关系数NC(n)；

$\mathrm{NC}\left(n\right)=\frac{V\left(n\right)V^{\′}}{V^2\left(n\right)}$

5)返回NC(n)最大值到用户手机。

本发明与现有的纹理防伪技术相比有以下优点：

1)可以实现纹理真伪的自动鉴别。由于本发明是基于DWT-DCT变换的智能纹理防伪技术，DWT是下一代图像压缩技术JPEG2000的核心，DCT是现在最流行的图像压缩JPEG的核心，因此，该算法对现在和将来的压缩软件都有较好的兼容性，并且能够自动鉴别纹理图像，对于受到各种攻击后的纹理图像仍能提取正确的图像特征值，实现自动鉴别，纹理特征向量提取方法有较强的抗常规攻击能力和抗几何攻击能力；2)可以减小存放纹理图像的数据库容量。在数据库中，只存放图像的特征向量(32-64bit)，从而减小了所需数据库的容量；3)可以快速获取真伪鉴别结果。由于网上传输的只是待测纹理图像的特征向量和相关系数的值，因此网络传输速度加快。

以下从理论基础和实验数据说明：

1)离散小波变换(DWT)

S.Mallat于1988年提出的小波变换(DWT)，是近几年兴起的一个新的信号分析理论，它是一种“时一频”分析方法，其基本思想是以小波函数ψ_a，b(t)为基底，对信号f(t)进行分解。

${\mathrm{Wf}}_{a,b}={\∫}_{R}f\left(t\right){\stackrel{\‾}{\mathrm{\ψ}}}_{a,b}\left(t\right)\mathrm{dt}$

其中小波函数ψ_a，b(t)是由同一基底函数ψ经平移、伸缩而得到的一组函数。

ψ_a，b(t)＝|a|^-1/2ψ((t-b)/a)    a，b∈R，a≠0

ψ称为基小波，a为伸缩因子，b为平移因子。

Mallat算法分解公式为：

$\begin{array}{cc}{c}_{j+1,k}=\underset{n\∈z}{\mathrm{\Σ}}{c}_{j,n}{\stackrel{\‾}{h}}_{n-2k}& k\∈z\end{array}$

$\begin{array}{cc}{d}_{j+1,k}=\underset{n\∈z}{\mathrm{\Σ}}{c}_{j,n}{\stackrel{\‾}{g}}_{n-2k}& k\∈z\end{array}$

Mallat算法重构公式为：

$\begin{array}{cc}{c}_{j,k}=\underset{n\∈z}{\mathrm{\Σ}}{c}_{j+1,n}{h}_{k-2n}+\underset{n\∈z}{\mathrm{\Σ}}{d}_{j+1,n}{g}_{k-2n}& k\∈z\end{array}$

对二维信号图像进行一级小波分解后，原图分成四个子图，其中三个高频细节子图(水平、垂直和对角线方向)和一个低频逼近子图，高频细节子图主要包含了原图的边缘信息，但容易受到外部干扰的影响(常规的图像处理)，而低频逼近子图包含图像的基本信息(低频部分)，受外部影响小，因此利用低频逼近子图得到特征向量可以增强该算法的鲁棒性。

2)离散余弦变换

DCT用于图像编码是目前广泛使用的JPEG压缩和MPEG-1/2的标准。DCT是在最小均方差条件小得出的仅次于K-L变换的次最佳正交变换，是一种无损的酋变换。它运算速度快，精度高，以提取特征成分的能力和运算速度之间的最佳平衡而著称。

二维离散余弦正变换(DCT)公式如下：

$F(u,v)=c\left(u\right)c\left(v\right)\underset{x=0}{\overset{M-1}{\mathrm{\Σ}}}\underset{y=0}{\overset{N-1}{\mathrm{\Σ}}}f(x,y)\cos \frac{\mathrm{\π}(2x+1)u}{2M}\cos \frac{\mathrm{\π}(2y+1)v}{2N}$

u＝0，1，…，M-1；v＝0，1，…，N-1；

式中

$c\left(u\right)=\left\{\begin{array}{cc}\sqrt{1/M}& u=0\\ \sqrt{2/M}& u=\mathrm{1,2},\·\·\·,M-1\end{array}\right.$ $c\left(v\right)=\left\{\begin{array}{cc}\sqrt{1/N}& v=0\\ \sqrt{2/N}& v=\mathrm{1,2},\·\·\·,N-1\end{array}\right.$

二维离散余弦反变换(IDCT)公式如下：

$f(x,y)=\underset{u=0}{\overset{M-1}{\mathrm{\Σ}}}\underset{v=0}{\overset{N-1}{\mathrm{\Σ}}}c\left(u\right)c\left(v\right)F(u,v)\cos \frac{\mathrm{\π}(2x+1)u}{2M}\cos \frac{\mathrm{\π}(2y+1)v}{2N}$

x＝0，1，…，M-1；y＝0，1，…，N-1

其中x，y为空间域采样值；u，v为频率域采样值，通常数字图像用像素方阵表示，即M＝N

从上面的公式可知，DCT的系数符号是和分量的相位有关的。

3)纹理图像视觉特征向量的选取方法

目前大部分纹理图像鉴别方法查询时需要输入序列号，二维码扫描时对网速要求比较高，接收到纹理图像在光线不足视力不佳的情况下比对鉴别比较困难，耗时很长，对网速要求高，查询效率很低。如果能够找到反映图像几何特点的视觉特征向量，那么当图像发生小的几何变换时，该图像的视觉特征值不会发生明显的突变，就可以通过视觉特征向量的比对鉴别纹理图像，从而鉴别物品的真伪。小波变换的抗击几何攻击的能力较差，通过实验数据发现，将纹理图像的小波变换和余弦变换相结合，可以找到一个抗几何攻击的特征向量。当对一个纹理图像进行常见的结合变换时，DCT低中频系数值的大小可能发生一些变换，但其系数符号基本保持不变，根据这一规律，我们先对纹理图像进行小波变换(这里选用一层)，然后对其近似系数再进行全局DCT变换，我们选取一些常规攻击和几何攻击后的实验数据见表1.1所示，选取一些局部非线性几何攻击后的实验数据见表1.2所示。表1.1、表1.2中用作测试的原始纹理图像(128x128)，见图1(a)。表中第1列显示的是纹理图像受到攻击的类型，受到常规攻击后的纹理图像见图1(b)-(d)，受到几何攻击后的纹理图像见图2(a)-(e)，受到局部非线性几何攻击后的纹理图像见图3(a)-(f)。第3列到第9列，是在DWT-DCT系数矩阵中取的FD(1，1)-FD(1，7)，共7个低中频系数。其中系数FD(1，1)表示纹理图像的直流分量值。对于常规攻击，这些低中频系数值基本保持不变，和原始纹理图像值近似相等；对于几何攻击，部分系数有较大变化，但是我们可以发现，纹理图像在受到几何攻击时，部分DWT-DCT低中频系数的大小发生了变化但其符号基本没有改变。我们将正的DWT-DCT系数用“1”表示(含值为零的系数)，负的系数用“0”表示，那么对于原始纹理图像来说，DWT-DCT系数矩阵中的FD(1，1)-FD(1，7)系数，对应的系数符号序列为：“1001010”，见表1.1和表1.2的第10列，观察该列可以发现，无论常规攻击、几何攻击还是局部非线性几何攻击该符号序列和原始纹理图像能保持相似，与原始纹理图像的归一化相关系数都较大(见第11列)，(方便起见这里取了7个DCT系数符号)。

为了进一步验证上述方法提取的特征向量是属于该纹理图像的一个视觉重要特征，我们又把不同的测试图像，见图4(a)-(h)，按照上述方法进行DWT-DCT变换，得到对应的DWT-DCT系数FD(1，1)-FD(4，8)，并且求出每个纹理图像变换系数符号序列之间的相关系数，计算结果如表2所示。

表1.1 图像全图DWT-DCT变换低中频部分系数及受不同攻击后的变化值

表1.2 图像受局部非线性几何攻击后DWT-DCT中低频部分系数的变化值

表2 不同纹理图像特征向量的相关系数(不带黑框)

	S1	S2	S3	S4	S5	S6	S7	S8
									S1	1.00	-0.08	0.10	-0.06	0.06	-0.09	0.13	-0.01
S2	-0.08	1.00	-0.01	0.01	0.03	0.00	0.08	0.02
									S3	0.10	-0.01	1.00	0.08	0.08	-0.02	-0.05	0.09
S4	-0.06	0.01	0.08	1.00	-0.01	0.00	-0.01	0.08
									S5	0.06	0.03	0.08	-0.01	1.00	0.13	-0.09	0.05
S6	-0.09	0.00	-0.02	0.00	0.13	1.00	0.04	0.11
									S7	0.13	0.08	-0.05	-0.01	-0.09	0.04	1.00	0.06
S8	-0.01	0.02	0.09	0.08	0.05	0.11	0.06	1.00

从表2可以看出，不同纹理图像之间，符号序列相差较大，相关度较小，远小于0.5。

这更加说明DWT-DCT系数符号序列可以反映该纹理图像的主要视觉特征。当纹理图像受到一定程度的常规攻击、几何攻击和局部非线性几何攻击后，该向量基本不变，这也符合DWT-DCT“有很强的提取图像特征”能力。

4)特征向量选取的长度

根据人类视觉特性(HVS)，低中频信号对人的视觉影响较大，代表着纹理图像的主要特征。因此所选取的纹理图像的视觉特征向量是低中频系数的符号，低中频系数的个数选择与进行全图DWT-DCT变换的原始纹理图像的大小、图像之间的相关性有关，L值越小，相关性会增大。在后面的试验中，选取L的长度为32。

综上所述，通过对纹理图像的全局DWT-DCT系数的分析，利用DWT-DCT低中频系数的符号序列得到一种取得纹理图像的一个抗局部非线性几何攻击和几何攻击的特征向量的方法，利用该特征向量和归一化相关系数实现了纹理图像智能鉴别的方法，即实现智能纹理防伪。经过实验证明，该方法实现了智能纹理防伪，并且在纹理图像遭受不同攻击下，仍能鉴别出是否为该原始纹理图像，有较好的鉴别准确率，而且耗时很短，运算速度很快。

5)峰值信噪比

峰值信噪比的公式如下：

$\mathrm{PSNR}=10\lg \left[\frac{\mathrm{MN}\underset{i,j}{\max }{\left(I(i,j)\right)}^2}{\underset{i}{\mathrm{\Σ}}\underset{j}{\mathrm{\Σ}}{(I(i,j)-I^{\′}(i,j))}^2}\right]$

设图像每点的像素值为I(i，j)，图像的平均像素值为Γ(i，j)，为方便运算，通常数字图像用像素方阵表示，即M＝N。峰值信噪比是一个表示信号最大可能功率和影响他的表示精度的破坏性噪声功率的比值的工程术语，通常采用峰值信噪比作为纹理图像质量的客观评价标准。

6)归一化相关系数

归一化相关系数的公式如下：

$\mathrm{NC}\left(n\right)=\frac{V\left(n\right)V^{\′}}{V^2\left(n\right)}$

V(n)表示第n个原始纹理图像的特征向量，其长度是32bit；V’表示待测纹理图像的特征向量，也是32bit。归一化相关系数是对两幅图像进行相似度衡量的一种方法，通过求归一化相关系数可以更加精确地用数据来客观评估图像的相似度。

附图说明

图1(a)是原始纹理图像。

图1(b)是经过高斯干扰的图像(高斯干扰强度为2％)。

图1(c)是经过JPEG攻击的图像(压缩质量为10％)。

图1(d)是经过中值滤波的图像(经过[3，3]的1次滤波)。

图2(a)是经过旋转变换的图像(旋转度数为5°)。

图2(b)是缩放因子为0.5的图像。

图2(c)是缩放因子为2.0的图像。

图2(d)是经过水平右移2pix的图像。

图2(e)是经过Y轴剪切4％的图像。

图3(a)是经过挤压扭曲攻击的图像(扭曲数量30％)。

图3(b)是经过波纹扭曲攻击的图像(扭曲数量100％)。

图3(c)是经过球面扭曲攻击的图像(扭曲数量20％)。

图3(d)是经过旋转扭曲攻击的图像(扭曲度数30°)。

图3(e)是经过水波扭曲攻击的图像(扭曲数量4％)。

图3(f)是经过波浪随机扭曲攻击的图像(三角形)。

图4(a)是标准测试图S1。

图4(b)是标准测试图S2。

图4(c)是标准测试图S3。

图4(d)是标准测试图S4。

图4(e)是标准测试图S5。

图4(f)是标准测试图S6。

图4(g)是标准测试图S7。

图4(h)是标准测试图S8。

图5(a)是没有干扰时相似度检测图像。

图5(b)是经过高斯干扰时的相似度检测图像。

图5(c)是经过JPEG攻击时的相似度检测图像。

图5(d)是经过中值滤波时的相似度检测图像。

图6(a)是经过旋转变换时的相似度检测图像。

图6(b)是缩放因子为0.5时的相似度检测图像。

图6(c)是缩放因子为2.0时的相似度检测图像。

图6(d)是经过水平右移2pix时的相似度检测图像。

图6(e)是经过Y轴剪切4％时的相似度检测图像。

图7(a)是经过挤压扭曲攻击时的相似度检测图像。

图7(b)是经过波纹扭曲攻击时的相似度检测图像。

图7(c)是经过球面扭曲攻击时的相似度检测图像。

图7(d)是经过旋转扭曲攻击时的相似度检测图像。

图7(e)是经过水波扭曲攻击时的相似度检测图像。

图7(f)是经过波浪随机扭曲攻击时的相似度检测图像。

具体实施方式

下面结合附图对本发明作进一步说明，选择一个带黑框的纹理图片作为原始纹理图像，加黑色边框是为了保证在几何变换时能量守恒，记为：F＝{f(i，j)|f(i，j)∈R；1≤i≤N1，1≤j≤N2}，见图1(a)，这里纹理图像的大小为128×128。对应的全图DWT-DCT系数矩阵为FD(i，j)，选择低中频系数Y(j)，1≤j≤L，第一个值Y(1)代表图像的直流分量，然后由低到高的频率顺序排列。考虑到检测效果的良好性，我们选择中低频的4x8＝32个系数做特征向量V，即L＝32。选取的DWT-DCT系数矩阵为FD(i，j)，1≤i≤4，1≤j≤8。通过图像特征向量提取算法提取出V′后，再计算V和V′的归一化相关系数NC(Normalized Cross Correlation)，来判断是否为原始的纹理图像。

图1(a)是不加干扰时的原始纹理图像；

图5(a)是不加干扰时相似度检测，可以看到NC＝1.00，明显通过检测可以判断为是原始的纹理图像。

下面我们通过具体实验来判断该智能纹理防伪方法的抗常规攻击能力、抗几何攻击能力和抗局部非线性几何攻击能力。

先测试该智能纹理防伪算法抗常规攻击的能力。

(1)加入高斯噪声

使用imnoise()函数在原始纹理图像中加入高斯噪音。

图1(b)是高斯噪声强度为2％时的原始纹理图像，在视觉上已很模糊；

图5(b)是相似度检测，NC＝1.00，明显通过检测可以判断为是原始纹理图像。

表3是纹理图片抗高斯干扰时的检测数据。从实验数据可以看到，当高斯噪声强度高达为30％时，纹理图像的PSNR降至8.81dB，这时提取的相关系数NC＝0.82，仍能通过检测判断为是原始纹理图像，这说明采用该发明有较好的抗高斯噪声能力。

表3 纹理图片抗高斯噪声干扰试验数据

噪声强度(％)	1	2	3	5	10	15	30
								PSNR(dB)	22.37	19.40	17.84	15.91	12.87	11.20	8.81
NC	1.00	1.00	1.00	1.00	0.94	0.88	0.82

(2)JPEG压缩处理

采用图像压缩质量百分数作为参数对纹理图像进行JPEG压缩；

图1(c)是压缩质量为10％的图像，该图已经出现方块效应；

图5(c)是相似度检测，NC＝0.88。

表4为纹理图像抗JPEG压缩的实验数据。当压缩质量为2％时，仍然可以判断为原始纹理图像，NC＝0.93，这说明采用该发明有好的抗JPEG压缩能力。

表4 纹理图片抗JPEG试验数据

压缩质量(％)	2	5	10	20	30	40
							PSNR(dB)	21.58	23.00	24.85	26.91	28.55	29.46
NC	0.93	0.82	0.88	1.00	0.94	1.00

(3)中值滤波处理

图1(d)是中值滤波参数为[3x3]，滤波重复次数为1的纹理图像，图像已出现模糊；

图5(d)是相似度检测，NC＝0.94，检测效果明显。

表5为纹理图像抗中值滤波能力，从表中看出，当中值滤波参数为[7x7]，滤波重复次数为10时，仍然可以通过检测可以判断为是原始纹理图像，NC＝0.63。

表5 纹理图片抗中值滤波实验数据

纹理图像抗几何攻击能力：

(1)旋转变换

图2(a)是旋转5°时的纹理图像，PSNR＝13.32dB，信噪比很低；

图6(a)是相似度检测，可以明显通过检测判断为原始纹理图像，NC＝0.88。

表6为纹理图像抗旋转攻击实验数据。从表中可以看到当纹理图像旋转10°时，NC＝0.82，仍然可以判断为原始纹理图像。

表6 纹理图片抗旋转攻击试验数据

(2)缩放变换

图2(b)是缩放因子为0.5的纹理图像，这时中心图像比原图小；

图6(b)是相似度检测，NC＝0.94，可以判断为是原始纹理图像。

图2(c)是缩放因子为2.0的纹理图像，这时中心图像比原图大；

图6(c)是相似度检测，NC＝0.94，可以判断为是原始纹理图像。

表7为纹理抗缩放攻击实验数据，从表7可以看到，当缩放因子小至0.2时，相关系数NC＝0.57，仍可判断为原始纹理图像，说明该发明有较强的抗缩放能力。

表7 纹理图片缩放攻击试验数据

缩放因子	0.2	0.5	0.7	0.9	1.3	1.5	1.7	2.0
									NC	0.57	0.94	0.76	0.70	0.63	0.94	0.88	0.94

(3)平移变换

图2(d)是纹理图像水平右移2pix，这时PSNR＝14.63dB，信噪比很低；

图6(d)是相似度检测，NC＝0.85，可以判断为原始纹理图像。

表8是纹理抗平移变换实验数据。从表中得知当水平右移8pix时，通过NC值检测仍然可以判断为原始纹理图像，故该发明有较强的抗平移能力。

表7 纹理图片抗平移试验数据

(4)剪切攻击

图2(e)是纹理图像按Y轴方向剪切4％的情况，这时顶部相对于原始纹理图像，已被剪切掉一部分了；

图6(e)是相似度检测，NC＝0.94，可以判断为是原始纹理图像。

表9为纹理图像抗剪切攻击的实验数据，从表中实验数据可知，该算法有一定的抗剪切能力。

表9 纹理图片抗切割试验数据

切割比例	4％	7％	14％
				PSNR(dB)	13.74	11.93	10.17
NC	1.00	0.81	0.88

纹理图像抗局部非线性几何攻击能力：

(1)挤压扭曲

图3(a)是扭曲数量30％时的纹理图像，PSNR＝15.59dB，信噪比很低；

图6(a)是相似度检测，可以测判断为原始纹理图像，NC＝0.88。

表10为纹理图像抗挤压扭曲实验数据。从表中可以看到当纹理图像遭受挤压扭曲，扭曲数量为70％时，NC＝0.69，仍然可以判断为原始纹理图像。说明纹理图像具有良好的抗挤压扭曲的能力。

表11 纹理图片抗挤压扭曲试验数据

扭曲数量(％)	10	20	30	40	50	60	70
								PSNR(dB)	20.17	17.15	15.59	14.42	13.39	12.48	11.63
NC	0.94	0.88	0.88	0.82	0.82	0.76	0.69

(2)波纹扭曲

图3(b)是扭曲数量100％时的纹理图像，PSNR＝17.91dB，信噪比很低；

图6(b)是相似度检测，可以测判断为原始纹理图像，NC＝0.89。

表11为纹理图像抗波纹扭曲实验数据。从表中可以看到当纹理图像遭受波纹扭曲，扭曲数量为400％时，NC＝0.56，仍然可以判断为原始纹理图像。说明纹理图像具有良好的抗波纹扭曲的能力。

表10 纹理图片抗波纹扭曲试验数据

扭曲数量(％)	50	100	200	300	400
						PSNR(dB)	21.52	17.91	14.90	13.15	11.90
NC	0.94	0.89	0.69	0.62	0.56

(3)球面扭曲

图3(c)是扭曲数量20％时的纹理图像，PSNR＝14.16dB，信噪比很低；

图6(c)是相似度检测，NC＝0.88，可以判断为原始纹理图像。

表12是纹理图像抗球面扭曲实验数据。从表中可以看到当纹理图像遭受球面扭曲，扭曲数量为50％时，NC＝0.63，仍然可以判断为原始纹理图像。说明纹理图像具有良好的抗球面扭曲的能力。

表12 纹理图片抗球面扭曲试验数据

扭曲数量(％)	5	10	20	30	40	50
							PSNR(dB)	21.39	16.81	14.16	12.70	11.72	11.02
NC	0.94	0.88	0.88	0.81	0.69	0.63

(4)局部旋转扭曲

图3(d)是扭曲度数30°时的纹理图像，PSNR＝19.07dB，信噪比很低；

图6(d)是相似度检测，NC＝0.88，可以判断为原始纹理图像。

表13是纹理图像抗局部旋转扭曲实验数据。从表中可以看到当纹理图像遭受局部旋转扭曲，扭曲度数为50°时，NC＝0.81，仍然可以判断为原始纹理图像。说明纹理图像具有良好的抗局部旋转扭曲的能力。

表13 纹理图片抗旋转扭曲试验数据

扭曲角度(度)	5	10	20	30	40	50
							PSNR(dB)	24.80	21.48	19.73	19.07	18.72	18.41
NC	0.94	0.94	0.88	0.88	0.81	0.81

(5)水波扭曲

图3(e)是扭曲数量4％时的纹理图像，PSNR＝19.34dB，信噪比很低；

图6(e)是相似度检测，NC＝0.82，可以判断为原始纹理图像。

表14是纹理图像抗水波扭曲实验数据。从表中可以看到当纹理图像遭受水波扭曲，扭曲数量为8％时，NC＝0.57，仍然可以判断为原始纹理图像。说明纹理图像具有良好的抗水波扭曲的能力。

表14 纹理图片抗水波扭曲试验数据

水波扭曲数量(％)	1	2	3	4	5	8
							PSNR(dB)	23.54	21.41	20.31	19.34	18.21	16.14
NC	0.88	0.77	0.82	0.82	0.76	0.57

(6)波浪随机扭曲

图3(f)是扭曲类型为三角形，生成器数为5，波长11至50，波幅6至11，水平比例100％，垂直比例100％时的纹理图像，PSNR＝12.04dB，信噪比很低；

图6(f)是相似度检测，NC＝0.76，可以判断为原始纹理图像。说明纹理图像具有良好的抗水波扭曲的能力。

通过以上的实验说明，该智能纹理防伪方法有较强的抗常规攻击、几何攻击和局部非线性几何攻击能力，能够快速的判断出是否为原始纹理图像，是一种智能的、时效的算法。

Claims (1)

1.一种基于DWT-DCT变换的智能纹理防伪方法，其特征在于：基于小波、余弦变换的抗几何攻击的特征向量的提取，并将数据库技术、图像小波变换、全局DCT变换、纹理图像的视觉特征向量和数理统计中的归一化相关系数的概念有机结合起来，实现了自动鉴别纹理图像的方法，该方法共分两个部分，共计五个步骤：

第一部分是建立纹理特征数据库；

1)通过对每个原始纹理图像进行小波变换，然后对小波变换的“近似系数”再进行全局DCT变换，在DCT的低中频系数中，得到原始纹理图像的一个抗几何攻击和抗局部非线性几何攻击的视觉特征向量V(n)；

先依次对每个原始纹理图片进行小波分解：对第n个原始纹理图像F(i，j)进行L级小波分解获得逼近子图系数FA_L(i，j)，然后对逼近子图FA_L(i，j)进行全局DCT变换，得到DWT-DCT系数矩阵FD(i，j)，再对DWT-DCT系数矩阵进行Zig-Zag扫描，得到频率由低到高的DWT-DCT系数序列Y(j)，取前L个值，并通过符号运算得到该纹理图像的视觉特征向量V(n)，主要过程描述如下：

FA_L(i，j)＝DWT2(F(i，j))

FD(i，j)＝DCT2(FA_L(i，j))

Y(j)＝Zig-Zag(FD(i，j))

V(n)＝Sign(Y(j))

2)将求出的这N个特征向量存放在纹理特征数据库中；

第二部分：图像自动鉴别

3)手机扫描待测纹理图片，并求出纹理图像的视觉特征向量V’；

设待测纹理图像为F’(i，j)，经过小波变换(DWT)，再对近似系数进行全局DCT变换后得到DWT-DCT系数矩阵为FD’(i，j)，按上述步骤1的方法，求得待测图像的视觉特征向量V’；

FA_L’(i，j)＝DWT2(F’(i，j))

FD’(i，j)＝DCT2(FA_L’(i，j))

Y’(j)＝Zig-Zag(FD’(i，j))

V’＝Sign(Y’(j))

4)求出所有N个原始纹理图像的视觉特征向量和待测纹理图像的视觉特征向量V’之间的归一化相关系数NC(n)；

$\mathrm{NC}\left(n\right)=\frac{V\left(n\right)V^{\′}}{V^2\left(n\right)}$

5)返回NC(n)最大值到用户手机；

利用归一化相关系数NC的最大值，来确定纹理图像与数据库的原始纹理图像的相似度。

Images