CN103366366A - 一种基于dft压缩域的智能纹理防伪方法 - Google Patents

Abstract

本发明涉及一种基于DFT压缩域智能纹理方法，首先进行图像特征提取，包括：（1）通过对原始纹理图像进行DFT变换，取前8×8个系数，再对变换系数进行反DFT变换，然后用基于均值的二值量化处理，得到原始纹理图像的一个视觉特征向量V(j);（2）用户用手机对待测的纹理标签图像进行扫描，上传到服务器，运用步骤1近似的方法求出待测图像的特征向量V’(j);然后再进行图像鉴别，包括：（3）求出原始纹理图像的视觉特征向量V(j)和待测图像的视觉特征向量V’(j)之间的归一化相关系数NC值；（4）将求出的NC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DFT压缩域的智能纹理防伪方法

技术领域

本发明涉及一种基于DFT图像压缩域的智能纹理防伪技术，是一种用于智能鉴别纹理防伪标签从而达到辨别商品真伪目的的方法，属于纹理防伪技术领域。

背景技术

假冒伪劣是社会一大危害，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。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：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，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。

上述鉴别方法在实际应用中存在不足之处在于：需要人工肉眼比对。无法实现防伪标签的自动鉴别，这对视力不好和光线较弱的情况下，用户鉴别比较困难。

常规的纹理防伪技术，在鉴别的智能化、快速性方面，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DFT压缩的智能纹理防伪方法，它具有自动鉴别纹理图像的能力，主要方法是：用户先对防伪标签进行手机拍照，提取图像，再上传图像到服务器，在服务器中与数据库中的原始防伪图像进行比对，实现鉴别真伪。采用这种方法，可以实现纹理图像的自动鉴别，并且鉴别的准确率较高，运算速度很快，耗时很短。

为了实现上述目的，本发明是这样进行的：先对原始纹理图像进行全图DFT变换，选取前8×8个DFT变换系数，然后再进行反DFT变换，然后在压缩域对压缩图像进行基于均值的二值量化处理，基于均值的二值量化处理思路是：在压缩域先计算像素的灰度平均值；然后将每个像素的灰度，与平均值进行比较。大于或等于平均值，记为1；小于平均值，记为0；这样在压缩域得到纹理图像的特征向量，该特征向量具有抗几何攻击的能力，然后通过对待测的纹理图像和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特征向量提取和图像鉴别两大部分，第一部分为特征向量提取，包括：（1）通过对纹理图像进行DFT变换，先取前8×8个系数，再对变换系数进行反DFT变换，然后再进行基于均值的二值量化行处理，在压缩域得到原始纹理图像的一个视觉特征向量V(j)；（2）同样通过全图DFT变换、反DFT变换和基于均值的二值量化处理，求出待测图像的视觉特征向量V’(j);第二部分为图像鉴别，包括：（3）求出原始纹理图像的视觉特征向量V(j)和待测图像的视觉特征向量V’(j)之间的归一化相关系数NC(Normalized Cross Correlation)。（4）将求出的NC值返回到用户的手机上。

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的纹理图像，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：图像特征提取

1）通过对原始纹理图像进行DFT变换，先取前8×8个系数，再对变换系数进行反DFT变换，然后基于均值的二值量化处理，得到原始纹理图像的一个视觉特征向量V(j)。

先对原图F(i,j)进行全图DFT变换，得到DFT系数矩阵FF(i,j),再从DFT系数矩阵FF(i,j)的前8×8个系数FF₈(i,j)，然后进行反DFT变换，得到反DFT变换后的图像FIF(i,j),再用基于均值的二值量化处理（用PHA2表示），得到图像的特征向量。主要过程描述如下：

FF₈(i,j)=DFT2(F(i,j))

FIF(i,j)=IDFT(FF₈(i,j))

FP(i,j)=PHA2(FIF(i,j))

V(j)=FP(i,j)

2）求出待测纹理图像的视觉特征向量V’(j)。

用户用手机对待测的纹理标签图像进行扫描，上传到服务器，设待测纹理图像为F’(i,j)，经过DFT变换，选取前8×8个变换系数，再进行反DFT变换，按上述步骤1类似的方法，求得待测图像的视觉特征向量V’(j)；

FF’₈(i,j)=DFT2(F’(i,j))

FIF’(i,j)=IDFT(FF’₈(i,j))

FP’(i,j)=PHA2(FIF’(i,j))

V’(j)=FP’(i,j)

第二部分：图像鉴别

3）求出原始纹理图像的视觉特征向量V(j)和待测图像的视觉特征向量V’(j)的归一化相关系数NC

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

4）将求得的NC值返回到用户手机上

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DFT压缩和基于均值的二值量化技术，能够自动鉴别纹理图像，并有较强的的抗常规攻击能力和几何攻击能力；2）方便快捷准确率高。由于用户只需要对整个纹理图片进行拍照上传就能自动鉴别真伪，十分便捷，实验表明该算法的准确率较高。

以下从理论基础和实验数据说明：

1）离散傅里叶变换

二维离散傅里叶正变换(DFT)公式如下：

$F(u,v)=\underset{x=0}{\overset{M-1}{\mathrm{\Σ}}}\underset{y=0}{\overset{N-1}{\mathrm{\Σ}}}f(x,y)\·e^{-j2\mathrm{\πxu}/M}{e}^{-2\mathrm{\πyv}/N}$

u＝0,1,…,M-1;v＝0,1,…,N-1;

二维离散傅里叶反变换(IDFT)公式如下：

$f(x,y)=\frac{1}{\mathrm{MN}}\underset{u=0}{\overset{M-1}{\mathrm{\Σ}}}\underset{v=0}{\overset{N-1}{\mathrm{\Σ}}}F(u,v)e^{j2\mathrm{\π}(\frac{\mathrm{ux}}{M}+\frac{\mathrm{vy}}{N})}$

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，DFT的系数符号是和分量的相位有关的。

2）基于均值的二值量化处理

其基本思路为

（1）计算像素的灰度平均值，这里在压缩域里图像的大小为8x8；

（2）将每个像素的灰度，与平均值进行比较。大于或等于平均值，记为1；小于平均值，记为0；

（3）将上一步的比较结果，组合在一起，就构成了一个64位的整数，这就是这张图片特征向量，或在有些文献中称之为图像指纹（image finger printer）。

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或是二维码扫描，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特征向量，那么当图像发生小的几何变换时，该图像的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。通过实验数据发现，将纹理图像的DFT变换和基于均值的二值量化处理相结合，可以找到一个抗几何攻击的特征向量。

我们选取一些常规攻击和几何攻击后的实验数据见表1，表1中用作测试的原始纹理图像(128x128)，见图1。表1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2至图4，受到几何攻击后的纹理图像见图5至图15。第3列到第10列，是选取在经过DFT反变换后第一行的8个像素值,这里用FF(1,1)-FF(1,8)表示。第11列是在压缩域求出的平均像素值。对于常规攻击和几何攻击，图像的像素值(选取整数部分)可能发生一些变化，但是它们与平均像素值的大小关系仍然不变，我们将大于或等于平均值，记为1；小于平均值，记为0，对应的序列为：“00000000”，见表1的第12列，观察该列可以发现，无论常规攻击、几何攻击该符号序列和原始纹理图像对应的序列值能保持相同。

表1DFT压缩域基于均值的二值量化处理后部分系数及受不同攻击后的变化值（8bit）

为了进一步证明在压缩域基于均值的二值序列是该图的一个重要特征，又把不同的测试图像S1-S8，对应图16至图23，通过在压缩与基于均值的二值量化处理，得到各个图像的序列值（8x8=64bit），求出每个纹理图像的序列值之间的归一化相关系数NC，计算结果如表2所示。

从表2可以看出，不同纹理图像之间的二值序列值V(j)相关系数较小，小于0.5。这说明采用上述方法求出的特征向量V(j),真实反映该纹理图像的主要视觉特征。不同的纹理图像，该值相关性较小。

表2不同不带黑框纹理图像哈希值之间的相关系数（64位）

	S1	S2	S3	S4	S5	S6	S7	S8
									S1	1.00	-0.08	0.05	-0.10	0.09	-0.25	0.18	0.20
S2	-0.08	1.00	0.06	0.03	-0.03	0.12	-0.07	0.01
									S3	0.05	0.06	1.00	0.01	0.23	-0.09	-0.21	0.15
S4	-0.10	0.03	0.01	1.00	-0.26	-0.11	0.10	-0.01
									S5	0.09	-0.03	0.23	-0.26	1.00	0.09	-0.09	-0.08
S6	-0.25	0.12	-0.09	-0.11	0.09	1.00	0.12	0.13
									S7	0.18	-0.07	-0.21	0.10	-0.09	0.12	1.00	0.21
S8	0.20	0.01	0.15	-0.01	-0.08	0.13	0.21	1.00

4）峰值信噪比

峰值信噪比的公式如下：

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

设图像每点的像素值为I(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。

5）归一化相关系数

归一化相关系数的公式如下：

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

V(j)表示原始纹理图像的特征向量，是64位的；V’(j)表示待测图像的特征向量，也是64位的。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是原始纹理图像。

图2是经过高斯干扰的图像(高斯干扰强度为3%)。

图3是经过JPEG攻击的图像(压缩质量为5%)。

图4是经过中值滤波的图像(经过[3,3]的10次滤波)。

图5是经过旋转变换的图像(旋转度数为5°)。

图6是缩放因子为0.5的图像。

图7是缩放因子为2.0的图像。

图8是经过垂直下移5pix的图像。

图9是经过Y轴剪切4%的图像。

图10是经过挤压扭曲攻击的图像(扭曲数量20%)。

图11是经过波纹扭曲攻击的图像(扭曲数量100%)。

图12是经过球面扭曲攻击的图像(扭曲数量10%)。

图13是经过旋转扭曲攻击的图像(扭曲度数40°)。

图14是经过水波扭曲攻击的图像(扭曲数量5%)。

图15是经过波浪随机扭曲攻击的图像(三角形)。

图16是标准测试图S1。

图17是标准测试图S2。

图18是标准测试图S3。

图19是标准测试图S4。

图20是标准测试图S5。

图21是标准测试图S6。

图22是标准测试图S7。

图23是标准测试图S8。

图24是没有干扰时相似度检测图像。

图25是经过高斯干扰时的相似度检测图像。

图26是经过JPEG攻击时的相似度检测图像。

图27是经过中值滤波时的相似度检测图像。

图28是经过旋转变换时的相似度检测图像。

图29是缩放因子为0.5时的相似度检测图像。

图30是缩放因子为2.0时的相似度检测图像。

图31是经过垂直下移5pix时的相似度检测图像。

图32是经过Y轴剪切4%时的相似度检测图像。

图33是经过挤压扭曲攻击时的相似度检测图像。

图34是经过波纹扭曲攻击时的相似度检测图像。

图35是经过球面扭曲攻击时的相似度检测图像。

图36是经过旋转扭曲攻击时的相似度检测图像。

图37是经过水波扭曲攻击时的相似度检测图像。

图38是经过波浪随机扭曲攻击时的相似度检测图像。

图39是手机拍摄的图片。

图40是经过手机拍摄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，这里纹理图像的大小为128×128。对应的全图DFT变换，选取前8×8个系数，再反DFT变换，然后对变换后的图像用基于均值的二值量化处理求出二值序列为。将求出的序列值作为图像特征向量V(j)。通过图像特征向量提取算法提取出V′(j)后，再计算V(j)和V′(j)的归一化相关系数NC，来判断是否为原始的纹理图像。

图1是不加干扰时的原始纹理图像；

图24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2是高斯噪声强度为3%时的原始纹理图像，在视觉上已很模糊；

图25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8.94dB，这时提取的相关系数NC=1.00，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	3	5	10	15	20	30
								PSNR(dB)	21.19	17.90	15.75	12.86	11.18	10.2	08.94
NC	1.00	1.00	1.00	1.00	1.00	1.00	1.00

(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3是压缩质量为5%的图像，该图已经出现方块效应；

图26是相似度检测，NC=1.00。

表4为纹理图像抗JPEG压缩的实验数据。当压缩质量为1%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(%)	1	3	5	10	20	30	40
								PSNR(dB)	21.59	21.88	23.00	24.58	26.91	28.55	29.46
NC	0.93	0.98	1.00	1.00	1.00	1.00	1.00

(3)中值滤波处理

图4是中值滤波参数为[3x3],滤波重复次数为10的纹理图像，图像已出现模糊；

图27是相似度检测，NC=0.97，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=0.93。

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5是旋转5°时的纹理图像，PSNR=13.32dB，信噪比很低；

图28是相似度检测，可以明显通过检测判断为原始纹理图像，NC=0.93。

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20°时，NC=0.77，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

旋转度数	3°	5°	8°	10°	13°	15°	18°	20°
									PSNR(dB)	15.27	13.32	11.69	10.91	10.08	9.64	9.10	8.86
NC	0.93	0.93	0.86	0.84	0.77	0.77	0.77	0.77

(2)缩放变换

图6是缩放因子为0.5的纹理图像，这时中心图像比原图小；

图29是相似度检测，NC=0.94，可以判断为是原始纹理图像。

图7是缩放因子为2.0的纹理图像，这时中心图像比原图大；

图30是相似度检测，NC=0.97，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=0.79，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	0.3	0.5	0.8	1.2	1.5	1.8	2.0
									NC	0.79	0.84	0.94	0.93	0.98	0.95	1.00	0.97

(3)平移变换

图8是纹理图像垂直下移5pix，这时PSNR=11.55dB，信噪比很低；

图31是相似度检测，NC=1.00，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。从表中得知当垂直下移14pix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9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32是相似度检测，NC=1.00，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	0.78	0.80	0.70

纹理图像抗局部非线性几何攻击能力：

(1)挤压扭曲

图10是扭曲数量20%时的纹理图像，PSNR=17.15dB，信噪比很低；

图33是相似度检测，可以测判断为原始纹理图像，NC=0.91。

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=0.73，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	0.98	0.91	0.91	0.82	0.77	0.73	0.73

(2)波纹扭曲

图11是扭曲数量100%时的纹理图像，PSNR=17.91dB，信噪比很低；

图34是相似度检测，可以测判断为原始纹理图像，NC=0.97。

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700%时，NC=0.70，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(%)	100	200	300	400	500	600	700
								PSNR(dB)	17.91	14.90	13.15	11.90	10.89	10.26	9.83
NC	0.97	0.81	0.76	0.81	0.74	0.79	0.70

(3)球面扭曲

图12是扭曲数量10%时的纹理图像，PSNR=16.81dB，信噪比很低；

图35是相似度检测，NC=0.97，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=0.85，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	0.97	0.97	0.83	0.85	0.85	0.85

(4)局部旋转扭曲

图13是扭曲度数40°时的纹理图像，PSNR=18.72dB，信噪比很低；

图36是相似度检测，NC=1.00，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=1.00，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	1.00	1.00	1.00	1.00	1.00	1.00

(5)水波扭曲

图14是扭曲数量5%时的纹理图像，PSNR=18.21dB，信噪比很低；

图37是相似度检测，NC=0.91，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40%时，NC=0.75，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(%)	2	5	10	20	30	40
							PSNR(dB)	21.41	18.21	14.73	11.51	8.59	7.34
NC	1.00	0.91	0.84	0.84	0.80	0.75

(6)波浪随机扭曲

图15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38是相似度检测，NC=0.88，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。纹理图像抗手机拍摄攻击能力：

手机拍摄攻击是一种综合性的攻击，图39是手机拍摄的纹理图像，PSNR=17.27dB，信噪比比较低。

图40是相似度检测，NC=0.91，可以判断为原始纹理图片。说明纹理图像具有良好的抗手机拍摄攻击能力。

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DFT压缩域的智能纹理防伪方法，其特征在于：基于DFT压缩域的抗几何攻击和抗局部非线性几何攻击的特征向量的提取，并将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，共计四个步骤：

第一部分是图像特征提取：

1）通过对纹理图像进行DFT变换，先取前8×8个系数，再对变换系数进行反DFT变换，然后在压缩域使用基于均值的二值量化方法对图像进行处理，得到原始纹理图像的一个视觉特征向量V(j)；

基于均值的二值量化过程为：先计算8×8个像素的灰度平均值，再将每个像素的灰度，与平均值进行比较，大于或等于平均值，记为1；小于平均值，记为0；这样求出待测图像的特征向量V(j)；

2）用户用手机对待测的纹理标签图像进行扫描，上传到服务器，然后通过对待测图像进行DFT变换，选取前8×8个系数反DFT变换，在压缩域用基于均值的二值量化技术得到待测纹理图像的一个视觉特征向量V’(j)；

第二部分是图像鉴别：通过归一化相关函数来鉴别图像的质量和相似度，并返回到用户手机上；

3)根据原始纹理图像的视觉特征向量V(j)和待测图像的视觉特征向量V’(j)求出两者之间归一化相关系数NC；

4)将求出的NC值返回到用户手机上；

通过归一化相关系数NC的大小，来确定纹理图像是否为原始纹理图像，达到自动鉴别纹理图像的目的，实现智能纹理防伪技术。

Images