CN103258209A - 基于三阶统计特征和组合分类器的数字图像篡改盲检测方法 - Google Patents

Abstract

本发明涉及一种基于三阶统计特征和组合分类器的数字图像篡改盲检测方法。首先由真实图像和篡改图像构成训练集，利用三阶统计特征—条件共生概率矩阵对每幅图像分块离散余弦变换系数的块内和块间相关性进行建模，提取用于图像篡改检测的特征数据并按4（2T+1）³计算其特征维数；其后进行组合分类器训练，并保存基分类器模块文件；然后对测试图像，按上述方法获得特征数据；最后由保存的基分类器检测出数字图像是否篡改。将三阶统计特征用于图像内容特征描述，基于组合分类器对图像篡改进行检测，能够取得较高的图像篡改检测正确率，比基于支持向量机的图像篡改检测在实时性方面具有明显优势，大大提高了数字图像取证的实用性。

Description

基于三阶统计特征和组合分类器的数字图像篡改盲检测方法

技术领域

本发明涉及一种图像篡改检测方法，具体是一种基于三阶统计特征和组合分类器的数字图像篡改盲检测方法。 

背景技术

互联网技术、高性能图像获取设备和智能图像处理软件的快速发展在给人们带来便利的同时，也给人们带来了许多困扰，尤其是数字图像的真实性和完整性问题，有些恶意的篡改可能带来不良的社会影响或法律纠纷。因此，鉴定数字图像的真实性和完整性在司法鉴定和版权保护等领域有着十分重要的意义。目前，数字图像取证技术主要包含主动取证技术和被动取证技术两种方式。主动取证技术主要包括图像水印技术、图像数字签名技术等鉴定方法。其主要方式是事先在图像中嵌入保护信息，鉴定时通过检测水印或者比较数字签名，得出鉴定结果。但是这类检测方法需要人为预先加入水印或者签名等先验性信息。由于目前大多数图像获取设备并不具备水印或签名嵌入的功能，在这个背景下，被动取证技术应运而生并成为热点研究课题。被动取证技术不需要事先对图像进行签名或者嵌入水印等处理，而是通过图像内容特征分析，直接对内容真实性可疑的图像进行检测和取证。相比而言，被动取证技术不需要先验信息（水印和签名），更贴近于实际取证应用。近年来，国内外一些学者对被动取证技术做了一些理论研究，也取得了较好的鉴别效果。例如，Wen Chen等根据二维相位一致性和特征函数的统计矩信息，结合支持向量机（SVM，Support Vector Machine）技术对真实图像和篡改图像进行分类识别。Yun Qing Shi等提出了一个基于统计特征的图像被动取证模型，其基本思路是提取图像的Markov统计量和矩特征信息，采用SVM技术鉴别真实图像和篡改图像。Wei Wang等在色度空间提取图像的边缘信息，并求取边缘图像的灰度共生矩阵，最后将阈值化后的共生矩阵作为特征输入SVM进行分类识别，以达到检测的目的。上述 研究成果尚且未对高阶统计特征进行考虑，除此之外，特征数据的维度一旦过高，往往会导致分类器训练（分类）时间过长，甚至出现过拟合问题。 

发明内容

本发明目的是提供一种基于三阶统计特征和组合分类器（EC,Ensemble Classifiers）的数字图像篡改盲检测方法，它不仅具有较高的检测正确率，且检测实时性也比基于SVM的传统取证方法具有明显优势。 

离散余弦变换（DCT，Discrete Cosine Transform）是数码率压缩需要常用的一个变换编码方法。任何连续的实对称函数的付立叶变换中只含余弦项，因此余弦变换与付立叶变换一样有明确的物理意义。分块DCT是先将整体图像分成互不重叠的b×b像素块，然后对b×b像素块逐一进行DCT变换。 

数字图像的DCT系数主要存在三种相关性，即块内相关性、块间相关性和相位相关性。图像拼接操作扰乱了DCT系数的幅值分布，削弱了系数之间的相关性。鉴于此，在图像特征提取方面，本发明利用三阶统计特征—条件共生概率矩阵对块内相关性和块间相关性进行建模，以提取用于图像篡改检测的特征数据。在分类器方面，本发明使用组合分类器鉴别真实图像和篡改图像。组合分类器由若干个基分类器组成，每个基分类器是简单的线性分类器。组合分类器从训练集的特征空间中随机地选择特征子空间，特征子空间的个数与基分类器的个数相同，然后使用每个子空间中的特征训练基分类器，这样可以得到训练好的基分类器。在分类（篡改检测）时，对于测试样本特征，通过基分类器预测进行投票给出分类结果。组合分类器由若干个简单的线性分类器（即基分类器）组成，每个线性分类器由若干个维度的特征训练得来，因此分类速度能够大大提升，而且能避免出现过拟合问题。 

本发明的基于三阶统计特征和组合分类器的数字图像篡改盲检测方法，其步骤为： 

1)首先由真实图像和篡改图像构成训练集，利用三阶统计特征—条件共生 概率矩阵对每幅图像分块离散余弦变换系数的块内和块间相关性进行建模，提取用于图像篡改检测的特征数据，并按4（2T+1）³计算其特征维数； 

2)其后进行组合分类器训练，并保存基分类器模块文件； 

3)然后对测试图像，按1）的方法获得特征数据； 

4)最后由保存的基分类器检测出测试图像是否篡改； 

其中，T为阈值，T=2～5，优化阈值T取3。 

所述的图像特征数据提取，包括以下过程： 

①对图像进行8×8分块DCT，由此得到的DCT系数矩阵，再进行绝对值和取整操作，获得矩阵U； 

②将矩阵U中的每个8×8子块中的DCT系数通过之字形（Zigzag）扫描成64×1的列向量，然后通过行块和列块扫描方式分别将这些列向量组合起来，得到大小为64L的矩阵V和W，其中L表示矩阵U中总的8×8子块个数； 

③为了减小图像内容的影响，增强拼接效应，对U做两个方向差分（即水平和垂直）处理，得到差分矩阵E_h和E_v，其元素为： 

E_h(i,j)=U(i,j)-U(i+1,j) 

E_v(i,j)=U(i,j)-U(i,j+1) 

其中E_h表示矩阵U的水平方向的差分矩阵；E_v表示矩阵U的垂直方向的差分矩阵；E_h(i,j)表示矩阵E_h的第i行第j列元素；E_v(i,j)表示矩阵E_v的第i行第j列元素；U(i,j)表示矩阵U的第i行第j列元素；U(i+1,j)表示矩阵U的第i+1行第j列元素；U(i,j+1)表示矩阵U的第i行第j+1列元素； 

④同理，对矩阵V和W分别进行垂直方向的差分处理，得到差分矩阵F_v和G_v，其元素为： 

F_v(i,j)=V(i,j)-V(i,j+1) 

G_v(i,j)=W(i,j)-W(i,j+1) 

其中F_v表示矩阵V的垂直方向的差分矩阵；G_v表示矩阵W的垂直方向的差 分矩阵；F_v(i,j)表示矩阵F_v的第i行第j列元素；G_v(i,j)表示矩阵G_v的第i行第j列元素；V(i,j)表示矩阵V的第i行第j列元素；V(i,j+1)表示矩阵V的第i行第j+1列元素；W(i,j)表示矩阵W的第i行第j列元素；W(i,j+1)表示矩阵W的第i行第j+1列元素； 

⑤为了减小计算复杂度，对第③步和第④步得到的四个差分矩阵的元素进行阈值化处理： 

$E_h(i,j)=\left\{\begin{array}{cc}{E}_h(i,j)& \left|E_h(i,j)\right|<T\\ T& E_h(i,j)\&GreaterEqual;T\\ -T& E_h(i,j)\&le;-T\end{array}\right.\text{,}$ $E_v(i,j)=\left\{\begin{array}{cc}{E}_v(i,j)& \left|E_v(i,j)\right|<T\\ T& E_v(i,j)\&GreaterEqual;T\\ -T& E_v(i,j)\&le;-T\end{array}\right.,$

$F_v(i,j)=\left\{\begin{array}{cc}{F}_v(i,j)& \left|F_v(i,j)\right|<T\\ T& F_v(i,j)\&GreaterEqual;T\\ -T& F_v(i,j)\&le;-T\end{array}\right.,$ $G_v(i,j)=\left\{\begin{array}{cc}{G}_v(i,j)& \left|G_v(i,j)\right|<T\\ T& G_v(i,j)\&GreaterEqual;T\\ -T& G_v(i,j)\&le;-T\end{array}\right..$

⑥利用三阶统计特征—条件共生概率矩阵模型对上述的阈值化的差分矩阵进行建模，得到衡量块内DCT系数相关性的条件共生概率矩阵P₁和P₂的元素 

$P_1(T+l,T+m,T+n)=\frac{\underset{i=0}{\overset{M-3}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{N-1}{\mathrm{\&Sigma;}}}\mathrm{\&delta;}(E_h(i,j)-l)\mathrm{\&delta;}(E_h(i+1,j)-m)\mathrm{\&delta;}(E_h(i+2,j)-n)}{\underset{i=0}{\overset{M-3}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{N-1}{\mathrm{\&Sigma;}}}\mathrm{\&delta;}(E_h(i,j)-l)}$

$P_2(T+l,T+m,T+n)=\frac{\underset{i=0}{\overset{M-1}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{N-3}{\mathrm{\&Sigma;}}}\mathrm{\&delta;}(E_v(i,j)-l)\mathrm{\&delta;}(E_v(i,j+1)-m)\mathrm{\&delta;}(E_v(i,j+2)-n)}{\underset{i=0}{\overset{M-1}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{N-3}{\mathrm{\&Sigma;}}}\mathrm{\&delta;}(E_v(i,j)-l)}$

衡量块间DCT系数相关性的条件共生概率矩阵P₃和P₄的元素 

$P_3(T+l,T+m,T+n)=\frac{\underset{i=0}{\overset{M-1}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{N-3}{\mathrm{\&Sigma;}}}\mathrm{\&delta;}(F_v(i,j)-l)\mathrm{\&delta;}(F_v(i,j+1)-m)\mathrm{\&delta;}(F_v(i,j+2)-n)}{\underset{i=0}{\overset{M-1}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{N-3}{\mathrm{\&Sigma;}}}\mathrm{\&delta;}(F_v(i,j)-l)}$

$P_4(T+l,T+m,T+n)=\frac{\underset{i=0}{\overset{M-1}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{N-3}{\mathrm{\&Sigma;}}}\mathrm{\&delta;}(G_v(i,j)-l)\mathrm{\&delta;}(G_v(i,j+1)-m)\mathrm{\&delta;}(G_v(i,j+2)-n)}{\underset{i=0}{\overset{M-1}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{N-3}{\mathrm{\&Sigma;}}}\mathrm{\&delta;}(G_v(i,j)-l)}$

其中，M和N分别是阈值化的差分矩阵的水平和垂直方向尺寸；l表示E_h(i, j)、E_v(i,j)，F_v(i,j)或G_v(i,j)的元素取值；m表示E_h(i+1,j)、E_v(i,j+1),F_v(i,j+1)或G_v(i,j+1)；n表示E_h(i+2,j)、E_v(i,j+2),F_v(i,j+2)或G_v(i,j+2)的元素取值；l,m,n∈{-T,-T+1,…,0,…,T}；δ函数定义为 

$\mathrm{\&delta;}(x-x_0)=\left\{\begin{array}{cc}1,& x=x_0\\ 0,& x\&NotEqual;x_0\end{array}\right.$

因此，采用上述条件概率矩阵P₁，P2_，P₃和P₄的元素作为特征数据，其特征维数为4（2T+1）³。 

所述的组合分类器（EC）训练包括以下过程： 

①将训练集中的每幅图像的特征数据输入组合分类器； 

②初始化组合分类器的相关参数，包括训练集的特征维数d=4（2T+1）³、特征子空间维数d_sub、训练集样本数量及基分类器个数R。组合分类器从训练集的特征空间中随机地选出R个特征子空间，然后使用每个子空间中的特征训练对应的基分类器，可以得到R个训练好的基分类器。 

所述由保存的基分类器检测出测试图像是否篡改的步骤，包括以下过程： 

①基分类器根据测试图像的特征数据进行投票给出分类结果； 

②记录判决为真实图像的基分类器个数； 

③最终判决：大于R/2个基分类器将其判决为真实图像，那么该图像最终被分类判决为真实图像；小于R/2个基分类器将其判决为真实图像，那么该图像最终被分类判决为篡改图像；恰好有R/2个基分类器将其判决为真实图像，那么该图像所属类别被随机确定判决为真实图像或篡改图像。 

在组合分类器（EC）训练过程中，R个特征子空间是从训练集的特征空间中随机地选出的，为了减小这种随机性对检测结果的影响，本发明中的训练和测试需要重复进行10～30次，以各次检测结果的平均值作为最终检测结果。一般重复20次左右即可。 

本发明对由多个图像组成的测试集，也能很快地一个一个地依次进行检测。这种情况下，可以根据上述分类判决规则，依次对测试集中的样本进行分类判 决，还可以计算出检测正确率。 

本发明的方法将三阶统计特征用于图像内容特征描述，能够取得较高的图像篡改检测正确率；从实时性角度来说，基于组合分类器（EC）的图像篡改检测比基于支持向量机（SVM）的图像篡改检测具有明显优势。 

附图说明

图1是本发明的数字图像篡改盲检测流程框图； 

图2是本发明的图像特征提取流程框图； 

图3是行块和列块扫描方式示意图。 

具体实施方式

下面结合附图和具体实例对本发明的技术方案做详细说明。 

本发明在国际上广泛使用的哥伦比亚大学图像库下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。 

哥伦比亚大学图像库包含933幅BMP格式的真实图像和912幅BMP格式的篡改图像，可通过http://www.ee.columbia.edu/ln/dvmm/downloads/AuthSpliced DataSet/AuthSplicedDataSet.htm获得。组合分类器采用Binghamton大学Jessica Fridrich教授团队开发的基于Fisher线性判别的组合分类器，可通过http://dde.binghamton.edu/download/ensemble/获得。参照图1和图2，本发明的具体过程如下： 

①在哥伦比亚图像库中分别随机选取760幅真实图像和760幅篡改图像作为训练样本，再从剩余的172幅真实图像中随机取出152幅与剩余的152幅篡改图像作为测试样本； 

②训练样本和测试样本中的每一幅图像的特征提取具体过程如下： 

第一步：对图像进行8×8分块DCT，由此得到的DCT系数矩阵再进行绝对值和取整操作，获得矩阵U； 

第二步：将矩阵U中的每个8×8子块中的DCT系数通过之字形（Zigzag）扫描成64×1的列向量，然后通过行块和列块扫描方式（见图3）分别将这些列 向量组合起来，得到大小为64L的矩阵V和W，其中L表示矩阵U中总的8×8子块个数； 

第三步：对矩阵U做两个方向差分（即水平和垂直）处理，得到差分矩阵E_h和E_v，其元素为： 

E_h(i,j)=U(i,j)-U(i+1,j) 

E_v(i,j)=U(i,j)-U(i,j+1) 

第四步：对矩阵V和W分别进行垂直方向的差分处理，得到差分矩阵F_v和G_v，其元素为： 

F_v(i,j)=V(i,j)-V(i,j+1) 

G_v(i,j)=W(i,j)-W(i,j+1) 

第五步：对第三步和第四步得到的四个差分矩阵进行阈值化处理： 

$E_h(i,j)=\left\{\begin{array}{cc}{E}_h(i,j)& \left|E_h(i,j)\right|<T\\ T& E_h(i,j)\&GreaterEqual;T\\ -T& E_h(i,j)\&le;-T\end{array}\right.,$ $E_v(i,j)=\left\{\begin{array}{cc}{E}_v(i,j)& \left|E_v(i,j)\right|<T\\ T& E_v(i,j)\&GreaterEqual;T\\ -T& E_v(i,j)\&le;-T\end{array}\right.,$

$F_v(i,j)=\left\{\begin{array}{cc}{F}_v(i,j)& \left|F_v(i,j)\right|<T\\ T& F_v(i,j)\&GreaterEqual;T\\ -T& F_v(i,j)\&le;-T\end{array}\right.,$ $G_v(i,j)=\left\{\begin{array}{cc}{G}_v(i,j)& \left|G_v(i,j)\right|<T\\ T& G_v(i,j)\&GreaterEqual;T\\ -T& G_v(i,j)\&le;-T\end{array}\right.$

其中阈值T取3； 

第六步：利用条件共生概率矩阵模型对上述的阈值化的差分矩阵进行建模，得到衡量块内DCT系数相关性的条件共生概率矩阵P₁和P₂的元素 

$P_1(T+l,T+m,T+n)=\frac{\underset{i=0}{\overset{M-3}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{N-1}{\mathrm{\&Sigma;}}}\mathrm{\&delta;}(E_h(i,j)-l)\mathrm{\&delta;}(E_h(i+1,j)-m)\mathrm{\&delta;}(E_h(i+2,j)-n)}{\underset{i=0}{\overset{M-3}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{N-1}{\mathrm{\&Sigma;}}}\mathrm{\&delta;}(E_h(i,j)-l)}$

$P_2(T+l,T+m,T+n)=\frac{\underset{i=0}{\overset{M-1}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{N-3}{\mathrm{\&Sigma;}}}\mathrm{\&delta;}(E_v(i,j)-l)\mathrm{\&delta;}(E_v(i,j+1)-m)\mathrm{\&delta;}(E_v(i,j+2)-n)}{\underset{i=0}{\overset{M-1}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{N-3}{\mathrm{\&Sigma;}}}\mathrm{\&delta;}(E_v(i,j)-l)}$

衡量块间DCT系数相关性的条件共生概率矩阵P₃和P₄的元素 

$P_3(T+l,T+m,T+n)=\frac{\underset{i=0}{\overset{M-1}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{N-3}{\mathrm{\&Sigma;}}}\mathrm{\&delta;}(F_v(i,j)-l)\mathrm{\&delta;}(F_v(i,j+1)-m)\mathrm{\&delta;}(F_v(i,j+2)-n)}{\underset{i=0}{\overset{M-1}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{N-3}{\mathrm{\&Sigma;}}}\mathrm{\&delta;}(F_v(i,j)-l)}$

$P_4(T+l,T+m,T+n)=\frac{\underset{i=0}{\overset{M-1}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{N-3}{\mathrm{\&Sigma;}}}\mathrm{\&delta;}(G_v(i,j)-l)\mathrm{\&delta;}(G_v(i,j+1)-m)\mathrm{\&delta;}(G_v(i,j+2)-n)}{\underset{i=0}{\overset{M-1}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{N-3}{\mathrm{\&Sigma;}}}\mathrm{\&delta;}(G_v(i,j)-l)}$

其中，M和N分别是阈值化的差分矩阵的水平和垂直方向尺寸；l,m,n∈{-T,-T+1,…,0,…,T}；δ函数定义为 

$\mathrm{\&delta;}(x-x_0)=\left\{\begin{array}{cc}1,& x=x_0\\ 0,& x\&NotEqual;x_0\end{array}\right.$

因此，采用上述条件概率矩阵P₁，P₂，P₃和P₄的元素作为特征数据，其特征维数为1372； 

③初始化组合分类器的相关参数，训练集的特征维数d=1372，特征子空间维数d_sub=300，从训练集的特征空间中随机地选出R=50个特征子空间，然后使用每个子空间中的特征集训练对应的基分类器，可以得到50个训练好的基分类器； 

④通过基分类器对每幅测试图像进行预测，如果大于25个基分类器将其判决为真实图像，那么该图像最终被分类判决为真实图像；如果小于25个基分类器将其判决为真实图像，那么该图像最终被分类判决为篡改图像；如果恰好有25个基分类器将其判决为真实图像，那么该图像所属类别被随机确定判决为真实图像或篡改图像。根据上述分类判决规则，依次对测试集中的样本进行分类判决，然后计算检测正确率。为了减小训练集选择的随机性对检测正确率的影响，上述实验被重复进行20次，检测正确率取20次实验的平均值。 

本实施案例的计算机硬件配置为Intel(R)Core(TM)2Duo CPU E75002.93GHz，2.93GHz，RAM1.98GB，软件平台为Microsoft Windows XP Professional 2002和Matlab 2009b。实验结果如表1所示，从表1可以看出，组合分类器（EC）在检测正确率方面与SVM分类器不相上下，两者都能取得较 满意的检测正确率。此外，与SVM相比，EC的训练和测试时间较短、效率更高。因此，本发明更加适用于实时性需求较高的图像篡改检测。 

表1EC与SVM的检测结果比较 

Claims (7)

1.基于三阶统计特征和组合分类器的数字图像篡改盲检测方法，其特征在于：步骤包括

1)首先由真实图像和篡改图像构成训练集，利用三阶统计特征—条件共生概率矩阵对每幅图像分块离散余弦变换系数的块内和块间相关性进行建模，提取用于图像篡改检测的特征数据，并按4（2T+1）³计算其特征维数；

2)其后进行组合分类器训练，并保存基分类器模块文件；

3)然后对测试图像，按1）的方法获得特征数据；

4)最后由保存的基分类器检测出测试图像是否篡改；

其中，T为阈值，T=2～5。

2.根据权利要求1所述的方法，其特征在于：所述步骤1）包括以下过程：

①对图像进行8×8分块DCT，由此得到的DCT系数矩阵再进行绝对值和取整操作，获得矩阵U；

②将矩阵U中的每个8×8子块中的DCT系数通过之字形扫描成64×1的列向量，然后通过行块和列块扫描方式分别将这些列向量组合起来，得到大小为64L的矩阵V和W，其中L表示矩阵U中总的8×8子块个数；

③对矩阵U做水平和垂直两个方向的差分处理，得到差分矩阵E_h和E_v，其元素为：

E_h(i,j)=U(i,j)-U(i+1,j)

E_v(i,j)=U(i,j)-U(i,j+1)

④对矩阵V和W分别进行垂直方向的差分处理，得到差分矩阵F_v和G_v，其元素为：

F_v(i,j)=V(i,j)-V(i,j+1)

G_v(i,j)=W(i,j)-W(i,j+1)

⑤对第③步和第④步得到的四个差分矩阵的元素进行阈值化处理：

$E_h(i,j)=\left\{\begin{array}{cc}{E}_h(i,j)& \left|E_h(i,j)\right|<T\\ T& E_h(i,j)\&GreaterEqual;T\\ -T& E_h(i,j)\&le;-T\end{array}\right.\text{,}$ $E_v(i,j)=\left\{\begin{array}{cc}{E}_v(i,j)& \left|E_v(i,j)\right|<T\\ T& E_v(i,j)\&GreaterEqual;T\\ -T& E_v(i,j)\&le;-T\end{array}\right.,$

$F_v(i,j)=\left\{\begin{array}{cc}{F}_v(i,j)& \left|F_v(i,j)\right|<T\\ T& F_v(i,j)\&GreaterEqual;T\\ -T& F_v(i,j)\&le;-T\end{array}\right.,$ $G_v(i,j)=\left\{\begin{array}{cc}{G}_v(i,j)& \left|G_v(i,j)\right|<T\\ T& G_v(i,j)\&GreaterEqual;T\\ -T& G_v(i,j)\&le;-T\end{array}\right.$

⑥利用三阶统计特征—条件共生概率矩阵模型对上述的阈值化的差分矩阵进行建模，得到衡量块内DCT系数相关性的条件共生概率矩阵P₁和P₂的元素

$P_1(T+l,T+m,T+n)=\frac{\underset{i=0}{\overset{M-3}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{N-1}{\mathrm{\&Sigma;}}}\mathrm{\&delta;}(E_h(i,j)-l)\mathrm{\&delta;}(E_h(i+1,j)-m)\mathrm{\&delta;}(E_h(i+2,j)-n)}{\underset{i=0}{\overset{M-3}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{N-1}{\mathrm{\&Sigma;}}}\mathrm{\&delta;}(E_h(i,j)-l)}$

$P_2(T+l,T+m,T+n)=\frac{\underset{i=0}{\overset{M-1}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{N-3}{\mathrm{\&Sigma;}}}\mathrm{\&delta;}(E_v(i,j)-l)\mathrm{\&delta;}(E_v(i,j+1)-m)\mathrm{\&delta;}(E_v(i,j+2)-n)}{\underset{i=0}{\overset{M-1}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{N-3}{\mathrm{\&Sigma;}}}\mathrm{\&delta;}(E_v(i,j)-l)}$

衡量块间DCT系数相关性的条件共生概率矩阵P₃和P₄的元素

$P_3(T+l,T+m,T+n)=\frac{\underset{i=0}{\overset{M-1}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{N-3}{\mathrm{\&Sigma;}}}\mathrm{\&delta;}(F_v(i,j)-l)\mathrm{\&delta;}(F_v(i,j+1)-m)\mathrm{\&delta;}(F_v(i,j+2)-n)}{\underset{i=0}{\overset{M-1}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{N-3}{\mathrm{\&Sigma;}}}\mathrm{\&delta;}(F_v(i,j)-l)}$

$P_4(T+l,T+m,T+n)=\frac{\underset{i=0}{\overset{M-1}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{N-3}{\mathrm{\&Sigma;}}}\mathrm{\&delta;}(G_v(i,j)-l)\mathrm{\&delta;}(G_v(i,j+1)-m)\mathrm{\&delta;}(G_v(i,j+2)-n)}{\underset{i=0}{\overset{M-1}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{N-3}{\mathrm{\&Sigma;}}}\mathrm{\&delta;}(G_v(i,j)-l)}$

采用上述条件概率矩阵P₁，P₂，P₃和P₄的元素作为特征数据，其特征维数为4（2T+1）³；

上述，E_h表示矩阵U的水平方向的差分矩阵；E_v表示矩阵U的垂直方向的差分矩阵；E_h(i,j)表示矩阵E_h的第i行第j列元素；E_v(i,j)表示矩阵E_v的第i行第j列元素；U(i,j)表示矩阵U的第i行第j列元素；U(i+1,j)表示矩阵U的第i+1行第j列元素；U(i,j+1)表示矩阵U的第i行第j+1列元素；F_v表示矩阵V的垂直方向的差分矩阵；G_v表示矩阵W的垂直方向的差分矩阵；F_v(i,j)表示矩阵F_v的第i行第j列元素；G_v(i,j)表示矩阵G_v的第i行第j列元素；V(i,j)表示矩阵V的第i行第j列元素；V(i,j+1)表示矩阵V的第i行第j+1列元素；W(i,j)表示矩阵W的第i行第j列元素；W(i,j+1)表示矩阵W的第i行第j+1列元素；M和N分别是阈值化的差分矩阵的水平和垂直方向尺寸；l表示E_h(i,j)、E_v(i,j)，F_v(i,j)或G_v(i,j)的元素取值；m表示E_h(i+1,j)、E_v(i,j+1),F_v(i,j+1)或G_v(i,j+1)；n表示E_h(i+2,j)、E_v(i,j+2),F_v(i,j+2)或G_v(i,j+2)的元素取值；

l,m,n∈{-T,-T+1,…,0,…,T}；δ函数定义为：

$\mathrm{\&delta;}(x-x_0)=\left\{\begin{array}{cc}1,& x=x_0\\ 0,& x\&NotEqual;x_0\end{array}\right..$

3.根据权利要求1所述的方法，其特征在于：所述步骤2）包括以下过程：

①将训练集中的每幅图像的特征数据输入组合分类器；

②初始化组合分类器的参数：训练集样本数量，训练集的特征维数为d=4（2T+1）³，特征子空间维数为d_sub，从训练集的特征空间中随机地选出R个特征子空间；

③然后使用每个子空间中的特征集训练对应的基分类器，得到R个训练好的基分类器。

4.根据权利要求1、2或3所述的方法，其特征在于：阈值T取3。

5.根据权利要求1所述的方法，其特征在于：所述步骤4）包括以下过程

①基分类器根据测试图像的特征数据进行投票给出分类结果；

②记录判决为真实图像的基分类器个数；

③最终判决：大于R/2个基分类器将其判决为真实图像，那么该图像最终被分类判决为真实图像；小于R/2个基分类器将其判决为真实图像，那么该图像最终被分类判决为篡改图像；恰好有R/2个基分类器将其判决为真实图像，那么该图像所属类别被随机确定判决为真实图像或篡改图像。

6.根据权利要求1所述的方法，其特征在于：所述步骤2）和步骤4）重复进行10～30次，以各次检测结果的平均值作为最终检测结果。

7.根据权利要求1或6所述的方法，其特征在于：所述步骤2）和步骤4）重复进行20次。

Images