CN103593645A - 剪切图像源相机识别方法 - Google Patents
剪切图像源相机识别方法 Download PDFInfo
- Publication number
- CN103593645A CN103593645A CN201310473289.4A CN201310473289A CN103593645A CN 103593645 A CN103593645 A CN 103593645A CN 201310473289 A CN201310473289 A CN 201310473289A CN 103593645 A CN103593645 A CN 103593645A
- Authority
- CN
- China
- Prior art keywords
- image
- snp
- camera
- source
- identification
- 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.)
- Pending
Links
Images
Abstract
本发明公开了一种剪切图像源相机识别方法，该方法按以下过程进行：图像采集：针对不同的图像采集设备，分别采集若干幅图像，建立相机全分辨率图像数据库；建立相机参考SNP库；剪切图像源辨识：①提取待检剪切图像的传感器噪声模式（SNP）；②按光栅扫描方式逐次计算剪切图像SNP与某台相机对应区域SNP间的相关性，并取最大值作为剪切图像与该台相机的相关性；③利用最大相关性分类器识别源相机。本发明的方法的核心是基于双域多分辨率双边滤波的传感器模式噪声（SNP）提取技术，针对CMOS或CCD传感器，该方法可以有效克服场景污迹特别是强边缘对识别精度的影响，与最大相关系数分类器结合，能够保证剪切图像源相机识别的准确率。
Description
技术领域
本发明属于信息安全领域中的被动媒体认证技术，尤其涉及一种剪切图像源相机识别方法。
背景技术
数字图像源辨识手段包括主动和被动两种方式。主动辨识是指在原始图像中人工嵌入认证水印或从成像设备中计算图像hash等识别信息，由于成本和法律的原因多数消费类数码相机无法使用这种方式认证，由此推动了被动式辨识技术的发展，即利用数字图像内在特征确定是哪一台数码相机采集了指定图像。例如在对持有儿童色情图像嫌疑人的起诉中，被动辨识技术能够证明色情图像是否由特定相机采集，而不是由计算机生成的。显然，随着数码相机的普及，对特定数字图像源的可靠、快速和低成本识别的需求也不断增加。现有的识别相机源的方法都有明显的限制和/或有限的可靠性。最简单的方法是检测图像文件本身，如头信息、JPEG量化矩阵等。然而，这些信息容易受到攻击者的篡改，或者在图像处理期间易于丢失。局部像素缺陷也曾用于识别特定的设备，然而，有些相机没有像素缺陷，有些相机在图像后处理期间已经剔除了像素缺陷，而且不可能在每幅场景图像中都能观察到像素缺陷。由此希望能够提取一种呈现于所有品牌和型号相机中的信号，且该信号是不容易毁坏的。特别是给定一组数码相机，期望能够识别是哪一台相机采集了指定的图像，或返回一个否定报告，即该图像是由未知成像设备拍摄的。
每台相机中都有独特的固有传感器模式噪声（Sensor Pattern Noise，简称SNP），它起源于相机传感器的非均匀性。对特定传感器而言，这种非均匀性具有唯一性，因此允许经由CMOS或CCD传感器唯一识别相机。这种传感器模式噪声呈现在由数码相机拍摄的每幅图像中，即使对图像进行处理，往往也难以把它从图像细节中区分出来。因此，SNP的精确提取是提高相机识别率的关键。SNP的主要成分是光响应非均匀性（PRNU）噪声，对部分中低档相机而言还包括固定模式噪声（FPN）。SNP类似于高斯白噪声，但其能量从低频到高频逐渐衰减，即能量主要集中在低频部分。US7787030给出的SNP提取方法，忽略了低频近似部分的SNP，只是在高频段反复提取，通常会受到场景细节的高度污染，因此降低了图像源辨识的精度。为了补偿来自场景细节的影响，必须对全分辨率原始图像（如Olympus C3030的2048×1536）进行分析，才能获得可接受的识别率。但大多情形下有待辨识的图像通常是剪切过的（如480×320、640×480等），此时，US7787030所给出的方法误识率很高，无法满足图像源辨识的实际需要。如何提高低分辨率剪切图像的源辨识率是我们面临的挑战。
发明内容
本发明的目的在于提供一种剪切图像源相机识别方法，旨在解决低分辨率剪切图像的源相机识别问题。
本发明采用的技术方案是：
一种剪切图像源相机识别方法，其特征在于，所述剪切图像源相机识别方法按以下过程进行：
（1）采集图像
针对不同的图像采集设备，分别采集若干幅图像，建立相机全分辨率图像数据库；
（2）建立相机参考SNP库
首先利用正交小波变换的去相关性在小波域对强度图像进行分解；
然后依据不同变换系数和SNP频域分布的特点，采用自适应最小均方误差滤波近似估计小波变换后高频细节部分的传感器噪声模式，而在近似子带则施加具有边缘保护能力的双边滤波器，在边缘保护的同时，有效去除低频SNP；
（3）剪切图像源辨识
剪切图像源辨识包括以下步骤：
①提取待检剪切图像的传感器噪声模式；
②按光栅扫描方式逐次计算剪切图像SNP与某台相机对应区域SNP间的相关性，并取最大值作为剪切图像与该台相机的相关性；
③利用最大相关性分类器识别源相机。
所述剪切图像源相机识别方法，其特征在于，所述建立相机参考SNP库中由于SNP主要分布在低频，因此在强度图像转换回空域后，再次利用空域双边滤波器；最终通过图像强度分量滤波前后的残差矩阵获得源相机参考模式噪声和待检剪切图像的传感器模式噪声，提取并计算源相机参考模式噪声，建立相机参考SNP库。
所述剪切图像源相机识别方法，其特征在于，SNP提取是按以下方式进行的：
针对每幅全分辨率或待检剪切强度图像V(x)，假设V(x)由SNP 图像N(x)与无噪图像U(x)叠加构成，x代表像素点的位置；首先利用正交小波变换的去相关性在小波域对强度图像V(x)进行分解，则所获高频细节子带变换系数v为U(x)和N(x)对应的正交小波变换系数u和n的叠加，然后依据不同变换系数和SNP频域分布的特点，采用自适应最小均方误差滤波近似估计小波变换后高频细节部分的传感器噪声模式，而在近似子带则施加具有边缘保护能力的双边滤波器，在边缘保护的同时，有效去除低频SNP；由于SNP主要分布在低频，因此在强度图像转换回空域后，再次利用空域双边滤波器；最终通过图像强度分量滤波前后的残差矩阵获得源相机参考模式噪声SNPs和待检剪切图像的传感器模式噪声SNP，提取并计算源相机参考模式噪声SNPs，建立相机参考SNP库。
本发明的有益效果在于：
本发明提供的剪切图像源相机识别方法，该方法的核心是基于双域多分辨率双边滤波的传感器模式噪声（SNP）提取技术，针对CMOS或CCD传感器，该方法可以有效克服场景污迹特别是强边缘对识别精度的影响，与最大相关系数分类器结合，能够保证剪切图像源相机识别的准确率。
附图说明
图1是本发明提供的剪切图像源相机识别方法的流程图。
图2是本发明提供的剪切图像源相机识别方法中SNP的提取流程。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
图1出示了本发明提供的剪切图像源相机识别方法。为了便于说明，仅仅示出了与本发明相关的部分。
如图1所示，剪切图像源相机识别方法，该方法包含以下步骤：
㈠、图像采集：利用CCD或CMOS成像设备，如Casio Z33/Z8（JPEG，1600×1200）、Panasonic LS80（JPEG，2048×1536）、Fujifilm FPz5（JPEG，2304×1728）和Olympus C765（TIFF，2288×1712）等分别采集若干幅（100-300幅）一致性较好的图像（如蓝天等），建立各台相机全分辨率图像数据库。
㈡、如图2所示，相机参考模式噪声（SNPs）库的建立基于传感器模式噪声（SNP）提取技术；SNP 图像N(x)与无噪图像U(x)叠加构成原始强度图像V(x)，x代表像素点的位置。
SNP提取是按以下方式进行的：
针对每幅全分辨率或待检剪切强度图像V(x)，假设V(x)由SNP 图像N(x)与无噪图像U(x)叠加构成，x代表像素点的位置。首先利用正交小波变换的去相关性在小波域对强度图像V(x)进行分解，则所获高频细节子带变换系数v为U(x)和N(x)对应的正交小波变换系数u和n的叠加，然后依据不同变换系数和SNP频域分布的特点，采用自适应最小均方误差滤波近似估计小波变换后高频细节部分的传感器噪声模式，而在近似子带则施加具有边缘保护能力的双边滤波器，在边缘保护的同时，有效去除低频SNP；由于SNP主要分布在低频，因此在强度图像转换回空域后，再次利用空域双边滤波器；最终通过图像强度分量滤波前后的残差矩阵获得源相机参考模式噪声（SNPs）和待检剪切图像的传感器模式噪声（SNP），提取并计算源相机参考模式噪声（SNPs），建立相机参考SNP库。
㈢、剪切图像源辨识方法：
①提取待检剪切图像的传感器噪声模式（SNP）；
②按光栅扫描方式逐次计算剪切图像SNP与某台相机对应区域SNP间的相关性，并取最大值作为剪切图像与该台相机的相关性；
③利用最大相关性分类器识别源相机。
剪切图像源相机识别方法，该方法的核心是基于双域多分辨率双边滤波的传感器模式噪声（SNP）提取技术。针对CMOS或CCD传感器，该方法可以有效克服场景污迹特别是强边缘对识别精度的影响，与最大相关系数分类器结合，能够保证剪切图像源相机识别的准确率。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (3)
1.一种剪切图像源相机识别方法，其特征在于，所述剪切图像源相机识别方法按以下过程进行：
（1）采集图像
针对不同的图像采集设备，分别采集若干幅图像，建立相机全分辨率图像数据库；
（2）建立相机参考SNP库
首先利用正交小波变换的去相关性在小波域对强度图像进行分解；
然后依据不同变换系数和SNP频域分布的特点，采用自适应最小均方误差滤波近似估计小波变换后高频细节部分的传感器噪声模式，而在近似子带则施加具有边缘保护能力的双边滤波器，在边缘保护的同时，有效去除低频SNP；
（3）剪切图像源辨识
剪切图像源辨识包括以下步骤：
①提取待检剪切图像的传感器噪声模式；
②按光栅扫描方式逐次计算剪切图像SNP与某台相机对应区域SNP间的相关性，并取最大值作为剪切图像与该台相机的相关性；
③利用最大相关性分类器识别源相机。
2.如权利要求1所述剪切图像源相机识别方法，其特征在于，所述建立相机参考SNP库中由于SNP主要分布在低频，因此在强度图像转换回空域后，再次利用空域双边滤波器；最终通过图像强度分量滤波前后的残差矩阵获得源相机参考模式噪声和待检剪切图像的传感器模式噪声，提取并计算源相机参考模式噪声，建立相机参考SNP库。
3.如权利要求1所述剪切图像源相机识别方法，其特征在于，SNP提取是按以下方式进行的：
针对每幅全分辨率或待检剪切强度图像V(x)，假设V(x)由SNP 图像N(x)与无噪图像U(x)叠加构成，x代表像素点的位置；首先利用正交小波变换的去相关性在小波域对强度图像V(x)进行分解，则所获高频细节子带变换系数v为U(x)和N(x)对应的正交小波变换系数u和n的叠加，然后依据不同变换系数和SNP频域分布的特点，采用自适应最小均方误差滤波近似估计小波变换后高频细节部分的传感器噪声模式，而在近似子带则施加具有边缘保护能力的双边滤波器，在边缘保护的同时，有效去除低频SNP；由于SNP主要分布在低频，因此在强度图像转换回空域后，再次利用空域双边滤波器；最终通过图像强度分量滤波前后的残差矩阵获得源相机参考模式噪声SNPs和待检剪切图像的传感器模式噪声SNP，提取并计算源相机参考模式噪声SNPs，建立相机参考SNP库。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310473289.4A CN103593645A (zh) | 2013-10-11 | 2013-10-11 | 剪切图像源相机识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310473289.4A CN103593645A (zh) | 2013-10-11 | 2013-10-11 | 剪切图像源相机识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN103593645A true CN103593645A (zh) | 2014-02-19 |
Family
ID=50083777
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201310473289.4A Pending CN103593645A (zh) | 2013-10-11 | 2013-10-11 | 剪切图像源相机识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN103593645A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106408036A (zh) * | 2015-07-30 | 2017-02-15 | 中国科学院深圳先进技术研究院 | 一种图像相机源识别的方法及系统 |
| CN106851140A (zh) * | 2016-12-05 | 2017-06-13 | 宁波大学 | 一种使用空域平滑滤波的数字照片图像来源识别方法 |
| CN107045632A (zh) * | 2015-10-29 | 2017-08-15 | 尼尔森（美国）有限公司 | 用于从成像文件提取文本的方法和设备 |
| CN110097132A (zh) * | 2019-05-07 | 2019-08-06 | 电子科技大学 | 一种识别数字照片与拍摄相机的方法 |
| CN111178166A (zh) * | 2019-12-12 | 2020-05-19 | 中国科学院深圳先进技术研究院 | 一种基于图像内容自适应的相机源识别方法 |
| CN112367457A (zh) * | 2020-04-08 | 2021-02-12 | 齐鲁工业大学 | 一种视频prnu噪声提取方法及相机源检测方法 |
-
2013
- 2013-10-11 CN CN201310473289.4A patent/CN103593645A/zh active Pending
Non-Patent Citations (1)
| Title |
|---|
| 王庚中，郎文辉，杨学志，王建社: "《利用局部区域SPN的非侵入式图像源辨识研究》", 《中国图象图形学报》 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106408036A (zh) * | 2015-07-30 | 2017-02-15 | 中国科学院深圳先进技术研究院 | 一种图像相机源识别的方法及系统 |
| CN107045632A (zh) * | 2015-10-29 | 2017-08-15 | 尼尔森（美国）有限公司 | 用于从成像文件提取文本的方法和设备 |
| CN106851140A (zh) * | 2016-12-05 | 2017-06-13 | 宁波大学 | 一种使用空域平滑滤波的数字照片图像来源识别方法 |
| CN106851140B (zh) * | 2016-12-05 | 2019-08-20 | 宁波大学 | 一种使用空域平滑滤波的数字照片图像来源识别方法 |
| CN110097132A (zh) * | 2019-05-07 | 2019-08-06 | 电子科技大学 | 一种识别数字照片与拍摄相机的方法 |
| CN110097132B (zh) * | 2019-05-07 | 2020-12-08 | 电子科技大学 | 一种识别数字照片与拍摄相机的方法 |
| CN111178166A (zh) * | 2019-12-12 | 2020-05-19 | 中国科学院深圳先进技术研究院 | 一种基于图像内容自适应的相机源识别方法 |
| CN112367457A (zh) * | 2020-04-08 | 2021-02-12 | 齐鲁工业大学 | 一种视频prnu噪声提取方法及相机源检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Li et al. | Color-decoupled photo response non-uniformity for digital image forensics | |
| Kang et al. | Enhancing source camera identification performance with a camera reference phase sensor pattern noise | |
| CN103593645A (zh) | 剪切图像源相机识别方法 | |
| Hsu et al. | Video forgery detection using correlation of noise residue | |
| Lin et al. | Preprocessing reference sensor pattern noise via spectrum equalization | |
| Luo et al. | A survey of passive technology for digital image forensics | |
| Al-Ani et al. | On the SPN estimation in image forensics: a systematic empirical evaluation | |
| CN102819831B (zh) | 基于模式噪声大分量的相机来源取证方法 | |
| CN106709866B (zh) | 证件照去除网格水印的方法及装置、人脸验证方法及装置 | |
| CN105224903B (zh) | 一种二维码的防伪方法和二维码的读取装置 | |
| CN103646550A (zh) | 一种智能车牌识别系统 | |
| CN103561271A (zh) | 静止摄像头拍摄的运动目标被移除视频空域篡改检测方法 | |
| Lawgaly et al. | Image sharpening for efficient source camera identification based on sensor pattern noise estimation | |
| Li et al. | Digital camera identification using colour-decoupled photo response non-uniformity noise pattern | |
| CN110121109A (zh) | 面向监控系统数字视频实时溯源方法、城市视频监控系统 | |
| US20230091865A1 (en) | Face image verification method and apparatus, electronic device, and storage medium | |
| Al-Ani et al. | A novel image filtering approach for sensor fingerprint estimation in source camera identification | |
| Mehrish et al. | Robust PRNU estimation from probabilistic raw measurements | |
| Hu et al. | Using improved imaging sensor pattern noise for source camera identification | |
| Qiao et al. | Identifying individual camera device from raw images | |
| CN106920266B (zh) | 验证码的背景生成方法和装置 | |
| CN111861976B (zh) | 一种基于硬件指纹相关性的数字图像源拍摄设备识别方法 | |
| Jöchl et al. | Device (in) dependence of deep learning-based image age approximation | |
| Gharibi et al. | Using the local information of image to identify the source camera | |
| Rabah et al. | Semi-blind source scanner identification |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20140219 |