CN104408728A - 一种基于噪声估计的伪造图像检测方法 - Google Patents

Abstract

本发明提供了一种基于噪声估计的伪造图像检测方法，属于图像检测领域。本方法包括：S1.图像预处理：将待检测的图像首先从RGB彩色空间转换到HSV彩色空间；S2.图像块的分割：在HSV彩色空间中将待检测的图像分割成多个非重叠的图像块；S3.图像噪声估计：计算每一个图像块的噪声方差；S4.图像块的分类：基于噪声方差，首先采用无监督聚类方法对所有图像块进行初步分类，然后采用基于支持向量机的有监督聚类方法进行进一步的分类，提高检测的正确率。

Description

一种基于噪声估计的伪造图像检测方法

技术领域

本发明属于图像检测领域，具体涉及一种基于噪声估计的伪造图像检测方法。

背景技术

随着互联网和数码照相机的快速发展以及图像编辑软件功能的日益强大，数字图像的真实可靠性越来越难保证。在图像处理过程中，图像噪声经常会被引入到篡改的区域中。

图像的噪声检测已经被广泛用于图像源的识别和图像的伪造检测。相机响应的非一致性是图像传感器一种独有的随机特征，它被作为一种固有指纹来识别已知图像的源相机。Mo Chen等人提出了一个使用像素PRNU进行设备识别和完整性验证的统一框架。Y.Sutcu等人提出了将去马赛克特征与PRNU结合，经过一个两轮的学习过程来识别图像的方法。Hongmei Gou等人通过使用三组特征介绍了一个用于图像篡改检测和数字图像隐藏分析的方法。他们研究出一种去噪声算法来获得图像的噪声估计。利用小波分析来获得第二组特征，通过相邻预测误差来获得第三组特征。使用这些特征来建立一个分类器进行篡改图像的识别。然而，监督式学习方法不能提供一个精确的范围以及定位图像的篡改区域。另外一个局限性在于只有几个特定的相机模型能够被这种学习算法所检测。

Popescu和Farid提出了一种噪声不一致的检测方法，他们对整个被检测图像划分重叠块，然后再评估重叠块的噪声方差。他们的方法使用了图像块的第二阶矩和第四阶矩来估计噪声方差。该方法假设图像是含高斯白噪声与一个非高斯未被污染的图像。这种方法也假定了原始信号的峰态是已知的，但在实际中这多半是不正确的。Babak Mahdian和Stanislav Saic提出了另一种能够检测图像噪声不一致的研究方法。他们介绍了一种检测噪声水平变化的分割方法。局部噪声的估计是基于非重叠块的最高分辨率的高通对角小波系数。该方法利用了一种广泛使用的中值法来估计每一块的噪声标准偏差。一旦每一块的噪声标准偏差被估计出来，它就被用作同质性条件来将被检测图像分割为几个同类的子区域。这个可以通过一个简单的区域合并分割技术得以实现。尽管这种方法能够锁定篡改的区域，但阈值必须要仔细地筛选。否则就很难将篡改的区域从图像其他区域分离开来。

发明内容

本发明的目的在于解决上述现有技术中存在的难题，提供一种基于噪声估计的伪造图像检测方法，提高检测的正确率。

本发明是通过以下技术方案实现的：

一种基于噪声估计的伪造图像检测方法，包括：

S1，图像预处理：将待检测的图像首先从RGB彩色空间转换到HSV彩色空间；

S2，图像块的分割：在HSV彩色空间中将待检测的图像分割成多个非重叠的图像块；

S3，图像噪声估计：计算每一个图像块的噪声方差；

S4，图像块的分类：基于噪声方差，首先采用无监督聚类方法对所有图像块进行初步分类，然后采用基于支持向量机的有监督聚类方法进行进一步的分类，提高检测的正确率。

所述步骤S1中的HSV彩色空间的三个变量分别是：色调，饱和度S，亮度V，S和V是线性特征且在[01]之间取值；H的范围从0到360度；从RGB彩色空间转换到HSV彩色空间后，选择HSV彩色空间的饱和度成分用于步骤S2中。

所述步骤S2是这样实现的：

将待测图像分割成R*R像素大小的图像块Bi，一个M*N像素大小的图像所分割成的图像块的总数为

所述R*R取32*32。

所述步骤S4是这样实现的：

采用无监督聚类方法将图像块分成两类，得到标记图像块，然后进行SVM训练数据选择阶段：

假定两个学习类的中心距离为r，只选择到它的学习类中心距离小于1/3r的标记样本作为SVM的训练输入；

最后，对噪声方差应用SVM分类训练器得到分类结果。

与现有技术相比，本发明的有益效果是：本发明方法使用了结合K-means无监督聚类和SVM有监督聚类的一种稳定的混合分类器来得到更精确的检测。实验结果证明了该方法能够定位所篡改的区域，例如图像噪声，或者人为添加噪声的伪造，以及用于特别视觉效果的模糊，提高了检测性能和增加了伪造检测的应用范围。

附图说明

图1基于噪声估计的伪造图像检测方法。

图2a)K-means的分类结果

图2b)将K-means和SVM混合的分类结果

图3结合K-means和SVM的混合分类法的步骤框图。

具体实施方式

下面结合附图对本发明作进一步详细描述：

一种通用的隐藏篡改痕迹方法就是在修改过的图像区域增加局部随机噪声。通常情况下，一幅完整的真实图像上的噪声的值是均衡的。在图像篡改的过程中由于噪声的引进，位于被篡改区域图像块的噪声方差和整张图像其他区域图像块的噪声方差会有所差异。这样图像噪声方差的不一致就可以被用作识别图像伪造区域的证据。此外，当不同来源的两个或者多个图像被拼接在一起时，伪造的图像也会包含带有不同噪声方差的多个区域。因此，图像中不同噪声方差的检测对于图像伪造检测是非常有效的。

本发明提出了一种有效的基于检测HSV彩色图像噪声方差的不一致性的伪造图像检测方法，该方法是基于对HSV彩色空间的噪声估计，以及结合了无监督和有监督聚类的混合聚类方法。一个待检测的图像首先被从RGB彩色空间中转换成HSV彩色空间，并且在HSV空间中被分割成了非重叠的图像块。然后，计算每一个局部图像块的噪声方差，将它作为无监督聚类的输入，基于估计的噪声值，使用一种无监督聚类步骤来将这些图像块分类。最后，使用一种基于SVM(支持向量机)的有监督聚类方法来进一步提高检测的正确率。实验结果证明所使用的方法能够有效地从伪造的图像中检测出篡改的区域。

图1描述了本发明所提出的基于HSV彩色空间进行噪声估计并且结合无监督聚类和有监督聚类的混合聚类方法的伪造检测方法。可疑图像首先从RGB彩色空间被转换到HSV彩色空间中。接着，它被分割成非重叠的图像块。然后使用文献“Stanislav Pyatykh，J¨urgen Hesser and Lei Zheng，Image NoiseLevel Estimation by Principal Component Analysis，IEEE Transactions onImage Processing，vol.22，no.2，(2013)，pp.687-699”所介绍的一种有效的噪声估计方法来估计每一个局部块的噪声方差。接着使用一种简单的无监督聚类方法(K-means)对这些估计的噪声方差进行分类，这些图像块被分成两类。最后只有靠近于K-means学习类中心的标签样本才被用于对SVM分类器进行训练从而来获得更好的分类结果。

本发明的具体步骤如下：

1.图像预处理

HSV彩色空间是一个不同的彩色系统，它被认为是比RGB系统更加符合人类视觉特性。这三个变量分别是：色调Hue(H)，饱和度Saturation(S)，亮度Value(V)。S和V是线性特征且在[01]之间取值。S代表的是颜色的“纯度”，V存储了强度信息。色调H的范围从0到360度，表示了颜色的光谱成分。首先将RGB彩色空间转换为HSV彩色空间，并且选择HSV彩色空间的饱和度成分用于下一步的图像块分割。

2.图像块的分割

为了定位图像伪造的区域，可疑图像被分割成R*R像素大小的图像块Bi用于局部噪声估计。假定图像块要小于待检测的受损区域的大小。一个M*N像素大小的图像所分割成的图像块的总数为

通常情况下，噪声估计的准确性取决于像素块的大小。为了获得一个合适的像素块大小，本发明使用了噪声估计算法对随机选择的不同大小的图像块进行检测从而来评估噪声估计的性能。从KODAK数据集中随机选择20个样本图像用于获得图像块的尺寸。分别获得了16*16像素，32*32像素，64*64像素大小的图像块。对于每一个尺寸大小，制作了100张伪造图像块，这些图像都是随机的从源图像中的不同位置裁切而得到的。分别对这些图像块增加标准偏差σ＝5，10，15的高斯白噪声进行处理。评估结果证明了对于大小为32*32像素的图像块，噪声估计能够获得最好的结果。

3.图像噪声估计

目前已经有无数的图像噪声估计的方法被提出，这些方法一般可以分为以下几类：基于块的，基于平滑的，基于梯度的。在本发明方法中利用了一个有效的基于块的噪声估计方法，该方法可以处理带纹理的图像，甚至带有不均匀区域的图像。

把x看成大小为S₁×S₂的无噪声图像，S₁作为列数，S₂表示行数，y＝x+n表示一个被零均值、信号独立的加性高斯白噪声n所污染的图像，噪声的方差σ²是未知的，需要估计的。

每一个图像x，n，y都包含了N＝(S₁-M₁+1)(S₂-M₂+1)个大小为M₁×M₂的图像块。左上角位置取自集合{1，...，S₁-M₁+1}×{1，...，S₂-M₂+1}。这些块可以被重新排列成带有M＝M₁M₂个元素的向量并视为实现随机向量X，N，Y各自的x_i，n_i，y_i，i＝1，...，N。当n是信号独立的加性高斯白噪声时，N～N_M(0，σ²I)和cov(X，N)＝0。

用S_X，S_Y分别表示X和Y的样本协方差矩阵，为带有相应正规化特征向量S_X的特征值，为带有相应正规化向量S_Y的特征值。然后，表示Y的样本主成份，这种主成分具有性质这里s²表示样本方差。

为了利用主成分分析法估计噪声方差，定义了一类无噪声的图像，这种无噪声的图像满足下列假设：

假设1：m是一个预定义的正整数。无噪声图像x中的信息就某种意义而言是多余的，x_i位于子空间维数M-m小于坐标M数。

这种假设意味着在X成分中一种线性相关存在，例如，在图像x中的图像块中的像素的线性相关。这种假设也意味着X沿任何到V_M-m的方向正交都有零方差。

以下原理提供了一个应用PCA对噪声估计的方法：

原理1：如果假设1的条件得到满足，那么上界趋于

$E\left(\right|{\widetilde{\mathrm{\λ}}}_{Y,i}-{\mathrm{\σ}}^2\left|\right)=O({\mathrm{\σ}}^2/\sqrt{N})N\→\∞---\left(1\right)$

其中，i＝M-m+1，....，M

原理1给出了一个收敛速度的临界。它表明了的期望值按照的速度或者更快的速度收敛到零。按照原理1，当假设1满足的时候：

$\underset{N\→\∞}{\lim }E\left(\right|{\widetilde{\mathrm{\λ}}}_{Y,m}-{\mathrm{\σ}}^2\left|\right)=0---\left(2\right)$

即的平均值收敛于σ²。因此，将估计为噪声方差。由于平均值的收敛表明了概率的收敛，就可以作为噪声方差的统一估计量。

3.4图像块的分类

一旦估计了每个图像块的噪声方差，一个简单的无监督分类算法(K-means)首先被用于初始分类。所有的图像块都被分成两类。一般的，图像润饰伪造区域要小于真实图像的区域，因此具有更少块的聚类被认为是润饰区域。虽然基于PCA的图像噪声估计方法能很好的处理带有纹理的图像，甚至是带有不均匀区域的图像，但是利用k-means算法的分类仍然有可以改善的误检测。图2a)显示了其错误的分类结果。

为了提高分类性能，本发明提出了一种结合K-means和SVM的混合的分类方法从而来获得更高的正确率。该方法如图3所示：

应用K-means进行初始分类后得到标记图像块后，开始进行SVM训练数据选择阶段。假定两个学习类的中心距离为r。只选择到它的学习类中心距离小于1/3r的标记样本作为SVM的训练输入。最后，对噪声方差应用SVM分类训练器来得到更好的分类结果。图2b)说明了使用混和分类法所得到的结果。与图2a)比较，改善的图2b)聚类方法能够获得比K-means方法更好的分类性能。

下面描述了所使用的检测方法的实验结果。使用KODAK数据库中的无压缩的真彩色图像制作了一组伪造图像。随机选择一个图像区域进行添加标准方差σ＝5，10，15的高斯白噪声。对于每个噪声方差，制作了150张伪造图像。把这些图像分成32×32的像素块进行初始检测，因为这种大小的尺寸块能够获得最好的性能。一个在LSSVM工具中带有RBF核的支持向量机(SVM)分类器被用在实验中。使用“网格搜索”的方法找到RBF核的最优参数σ和γ。

使用本发明方法对这些伪造图像进行检测后发现，本发明方法能够有效的定位所篡改的区域。

Photoshop中的一种最新伪造技术能够在一个单独的图像中完成一种很有趣的伪造。使用本发明方法对这种伪造图像进行检测，检测结果证明，本发明方法能以一个合理的精确度检测这些图像的局部润饰区域。

在数字图像处理过程中，模糊是一种非常常见的处理。它能够用于减少不连续程度或者移除不需要的瑕疵。最后，它能够用于制作似乎真实的图像伪造。应用本发明方法在另外一个手工的模糊图像中做了另外一个实验，实验结果证明了本发明方法也能够以合理的检测精度检测模糊操作的图像伪造区域。

上述技术方案只是本发明的一种实施方式，对于本领域内的技术人员而言，在本发明公开了应用方法和原理的基础上，很容易做出各种类型的改进或变形，而不仅限于本发明上述具体实施方式所描述的方法，因此前面描述的方式只是优选的，而并不具有限制性的意义。

Claims (5)

1.一种基于噪声估计的伪造图像检测方法，其特征在于：所述方法包括：

S1，图像预处理：将待检测的图像首先从RGB彩色空间转换到HSV彩色空间；

S2，图像块的分割：在HSV彩色空间中将待检测的图像分割成多个非重叠的图像块；

S3，图像噪声估计：计算每一个图像块的噪声方差；

S4，图像块的分类：基于噪声方差，首先采用无监督聚类方法对所有图像块进行初步分类，然后采用基于支持向量机的有监督聚类方法进行进一步的分类，提高检测的正确率。

2.根据权利要求1所述的基于噪声估计的伪造图像检测方法，其特征在于：所述步骤S1中的HSV彩色空间的三个变量分别是：色调H，饱和度S，亮度V，S和V是线性特征且在[0 1]之间取值；H的范围从0到360度；从RGB彩色空间转换到HSV彩色空间后，选择HSV彩色空间的饱和度成分用于步骤S2中。

3.根据权利要求2所述的基于噪声估计的伪造图像检测方法，其特征在于：所述步骤S2是这样实现的：

将待测图像分割成R*R像素大小的图像块Bi，一个M*N像素大小的图像所分割成的图像块的总数为

4.根据权利要求3所述的基于噪声估计的伪造图像检测方法，其特征在于：所述R*R取32*32。

5.根据权利要求4所述的基于噪声估计的伪造图像检测方法，其特征在于：所述步骤S4是这样实现的：

采用无监督聚类方法将图像块分成两类，得到标记图像块，然后进行SVM训练数据选择阶段：

假定两个学习类的中心距离为r，只选择到它的学习类中心距离小于1/3r的标记样本作为SVM的训练输入；

最后，对噪声方差应用SVM分类训练器得到分类结果。