CN104504669B - 一种基于局部二值模式的中值滤波检测方法 - Google Patents
一种基于局部二值模式的中值滤波检测方法 Download PDFInfo
- Publication number
- CN104504669B CN104504669B CN201410770968.2A CN201410770968A CN104504669B CN 104504669 B CN104504669 B CN 104504669B CN 201410770968 A CN201410770968 A CN 201410770968A CN 104504669 B CN104504669 B CN 104504669B
- Authority
- CN
- China
- Prior art keywords
- lbp
- pixel
- feature
- image
- features
- 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.)
- Expired - Fee Related
Links
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了基于局部二值模式的中值滤波检测方法,该方法包括步骤:步骤1、利用基于中心对称的局部二值模式算子(C‑LBP)定位特征提取区域,所提取的结果是将平坦区的像素去除,只保留用于提取特征的像素(即纹理区像素);步骤2、对纹理区域提取的检测特征进行直方图统计,统计结果作为检测特征;步骤3、利用检测中值滤波器形状的检测算子,获得中值滤波器的形状参数检测特征;步骤4、利用支持向量机(SVM)进行分类识别。与现有技术相比,本发明于SPAM(686维)和MFF(44维)来说,在保持较低的维度的前提下具有较高的检测率。
Description
技术领域
本发明涉及多媒体信息安全领域,本发明涉及一种基于局部二值模式的中值滤波检测方法,属于图像篡改检测领域。
背景技术
以数字图像、数字视频为代表的数字多媒体具有易编辑、易复制、易传播等特性,借助通用多媒体编辑软件,普通用户便可对其进行非常逼真的编辑或篡改,且不会留下直观的视觉痕迹。由于数字信息的透明性和易处理性,一些原本用于修饰、润色图像的处理技术却被别有用心的人用来篡改、伪造图像,数字图像被动取证技术正是在这样的背景下迅速发展起来。数字图像被动取证技术是国际上正在兴起的一个研究领域,它在不需要其它辅助信息的条件下,仅根据接收到的数字图像,即可实现对图像资源的真实性和完整性验证。
数字图像被动取证技术又叫盲取证技术,与“主动”取证技术相比,被动取证不需要预先向媒体添加信息,而是直接利用待认证媒体本身信息进行认证,这种特点让被动取证技术的应用范围更加宽广,但与此同时,由于被动取证技术不能从待测媒体中得到指示性先验信息,因此挑战性更大。当前比较热门的一个研究方向就是低通滤波检测,因为低通滤波操作经常应用于图像篡改操作过程中,以消除图像在拼接边缘产生的视觉或统计畸变。另一方面,它也会影响许多取证算法的可靠性;例如,中值滤波器可以当作一种有效的反取证工具,用于隐藏重采样篡改痕迹。因此,检测图像是否经历了滤波操作,是鉴别图像的原始性和完整性的有力佐证。
目前,中值滤波检测算法大多是基于空域提出,Fridrich等人认为“条纹伪影”(streaking artifact)是中值滤波图像的一种特殊痕迹,并基于像素的一阶差分提出了两种测量方法:第一种方法直接分析一阶差分的直方图比值,但不能抗JPEG压缩;第二种方法借鉴图像隐写分析中的SPAM(subtractive pixel adjacency matrix)特征,把水平、垂直和对角共八个方向的一阶差分值建模为n阶的马尔可夫链,并将其转移概率矩阵按方向平均组合为一组特征向量。实验结果表明,由于SPAM维数非常高(686维),当待测图像或图像块像素个数下降时,SPAM特征的性能也将大大下降。Yuan通过分析中值滤波操作对像素值统计特征的影响,提出了一组44维的检测特征MFF(the median filtering feature set),实验结果表明,无论是在高质量还是低质量的图像中,当以小图像块为检测单元时,MFF特征性能要优于SPAM特征;然而,MFF同样对JPEG压缩敏感,且性能与检测子块大小有关。
上述算法均能有效地检测中值滤波图像,但SPAM维数太大,耗费时间太长;MFF维数虽然相对较小,但其是统计特性算子,计算过程也较为复杂。因此,提出一种简单有效的中值滤波算子是非常有必要的。
发明内容
为了克服上述现有技术,本发明提出了一种基于局部二值模式的中值滤波检测方法,将纹理描述算子LBP引入图像篡改检测领域,利用较低维度就可以有效的检测出图像有无经过中值滤波处理,并且可以检测出中值滤波阶数;同时提出了一组五维算子,用以检测中值滤波器的形状。
本发明提出了一种基于局部二值模式的中值滤波检测方法,该方法包括以下步骤:
步骤1、利用基于中心对称的局部二值模式C-LBP算子定位特征,提取区域,即,将平坦区的像素去除,只保留纹理区像素;
步骤2、从待测图像的特征提取区域提出E-LBP特征和N-LBP特征,对两个特征进行直方图统计,统计结果作为检测特征;E-LBP特征表示在定义的邻域中,周围像素和中心像素的像素值相等的像素点的个数;N-LBP特征表示邻域内像素的灰度级个数;
步骤3、利用经过C-LBP提取出的纹理区中计算得到的5维特征S-LBP作为中值滤波形状检测算子,获得中值滤波器的形状参数;当待测图像被确认为经中值滤波处理的图像后,在计算出其E-LBP特征的基础上,统计不同方向上1的个数的比值;该S-LBP特征S-LBP=(S0,S1,...,S4))的计算公式如下所示,
j∈{0,1,2,3,4}
其中,ε是使C-LBP不为0的像素个数,即特征提取区域像素个数;
步骤4、利用支持向量机(SVM)进行分类识别,分类识别过程如下:
1)对数据集T1、T2、T3、T4分别提取E-LBP和N-LBP特征,并将得到的训练集输入C-SVM进行训练,得到训练模型model1;
2)对数据集T5、T6、T7分别提取S-LBP特征,将得到的训练集输入C-SVM进行训练,得到训练模型model2;重复该步骤,得到训练模型model3和model4;
3)对于待测图像image,利用C-LBP对其去除平坦区,提取E-LBP和N-LBP特征并输入到C-SVM利用训练模型model1分类识别,即可判定其有无经过中值滤波;若断定其为中值滤波图像后,根据其滤波阶数利用不同的训练模型进行进一步分类。
与现有技术相比,本发明于SPAM(686维)和MFF(44维)来说,在保持较低的维度的前提下具有较高的检测率。
附图说明
图1为本发明的基于局部二值模式的中值滤波检测方法的整体流程图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明,但本发明的实施范围并不局限于此。
步骤1、利用基于中心对称的局部二值模式算子(C-LBP)定位特征提取区域,即将平坦区的像素去除,只保留纹理区像素;可以将图像中的平坦区算子都筛选出去;同时,通过改变阈值T的值,还可以控制纹理区的像素数量。提取方法为:C-LBP的编码规则定义为,比较定义的邻域内以块中心像素为中心对称的像素对,若其差值大于等于T则为1,反之则为0。然后按顺序得到一个二进制串,将其转换为十进制数作为该中心像素的编码。公式如下:
其中:
上式中,P为所取的像素点的个数,R为邻域半径,T为阈值参数。通过上式可以看出,如果四组像素对的像素值差的绝对值都小于T,则C-LBP的值为0;这时我们将该邻域中心像素归类到平坦区内,之后的特征提取阶段不予考虑。
得到提取结果为:利用C-LBP算子,我们可以将图像中的平坦区算子都筛选出去;同时,通过改变阈值T的值,还可以控制纹理区的像素数量。
步骤2、对提取区域提出两种检测算子,对其进行直方图统计,统计结果作为检测特征;
E-LBP算子:其编码规则为,在定义的邻域中,比较周围像素和中心像素的像素值是否相等,若相等则置为1,不等置为0;之后统计周围1的个数作为中心像素的编码(范围为0-8),公式如下所示:
其中:
在经过C-LBP提取出的纹理区上进行提取E-LBP特征操作,每个像素点的特征值都是0到8之间的数,之后绘制该特征的直方图(即统计每个值的像素个数)作为检测特征(一共9维)。
N-LBP算子:其编码规则为,遍历邻域内所有像素点(包括中心像素),当像素灰度值第一次出现时,该像素编码值置为1,否则置为0;与E-LBP一样,将1的和作为中心像素的编码(范围为1-9,一共9维),显而易见,该值代表了该邻域内像素的灰度级个数,计算公式如下所示:
在经过C-LBP提取出的纹理区上进行提取N-LBP特征操作,每个像素点的特征值都是1到9之间的数,之后绘制该特征的直方图(即统计每个值的像素个数)作为检测特征(一共9维)。
步骤3、利用检测中值滤波器形状的检测算子,获得中值滤波器的形状参数;
检测算子描述:当待测图像被确认为经中值滤波处理的图像后,在计算出其E-LBP特征的基础上,统计不同方向上1的个数的比值。该特征
S-LBP=(S0,S1,...,S4)的计算公式如下所示,其中,ε是使C-LBP不为0的像素个数(即特征提取区域像素个数)。
其中:
j∈{0,1,2,3,4}
对于中值滤波图像,在经过C-LBP提取出的纹理区中分别计算S-LBP0,S-LBP1,…,S-LBP4,最后得到一组5维特征,将其作为中值滤波形状检测算子。
步骤4、利用支持向量机(SVM)进行分类识别。
分类识别实验准备:
1)采用C-SVM分类器,内核为高斯函数:
k(x,y)=exp(-γ||x-y||2),γ>0
通过10次交叉检验获取最佳核参数,搜索范围为(C,γ)∈{(2i,2j)|i,j∈Z},其中C是训练误差的补偿参数,γ为核参数。
2)图像库采用的是在数字取证和隐写领域广泛应用的BOWS2图像库,此图像库包含了10000幅未压缩的原始灰度图像,分辨率均为512×512。
3)制作训练集。首先将BOWS2图像库内的10000副原始灰度图像作为数据集T1,之后对其分别进行滤波阶数为3、5、7的方形中值滤波处理,一共得到3×10000副图像,分别生成数据集T2、T3、T4;对T1数据集内的图像分别进行3阶方形、十字形和对角形的中值滤波,同样得到3×10000副图像,分别生成数据集T5、T6、T7;同样对T1数据集内的图像分别进行5阶和7阶的方形、十字形和对角形的中值滤波,可以生成数据集T8、T9、T10和T11、T12、T13。
图像分类识别实验过程:
1)对T1、T2、T3、T4分别提取E-LBP和N-LBP特征,并将得到的训练集输入C-SVM进行训练,得到训练模型model1;
2)对T5、T6、T7分别提取S-LBP特征,将得到的训练集输入C-SVM进行训练,得到训练模型model2;重复该步骤,得到训练模型model3和model4。
3)对于待测图像image,利用C-LBP对其去除平坦区,提取E-LBP和N-LBP特征并输入到C-SVM利用训练模型model1分类识别,即可判定其有无经过中值滤波;若断定其为中值滤波图像后,根据其滤波阶数利用不同的训练模型进行进一步分类(例如,若滤波阶数为5,则利用model3输入C-SVM进行分类)。
尽管上面结合图对本发明进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨的情况下,还可以作出很多变形,这些均属于本发明的保护之内。
Claims (3)
1.一种基于局部二值模式的中值滤波检测方法,其特征在于,该方法包括以下步骤:
步骤(1)、利用基于中心对称的局部二值模式C-LBP算子定位特征,提取区域,即,将平坦区的像素去除,只保留纹理区像素;
步骤(2)、从待测图像的特征提取区域提出E-LBP特征和N-LBP特征,对两个特征进行直方图统计,统计结果作为检测特征;E-LBP特征表示在定义的邻域中,统计周围像素和中心像素的像素值相等的像素点的个数;N-LBP特征表示邻域内像素的灰度级个数;
步骤(3)、利用经过C-LBP提取出的纹理区中计算得到的5维特征S-LBP作为中值滤波形状检测算子,获得中值滤波器的形状参数;当待测图像被确认为经中值滤波处理的图像后,在计算出其E-LBP特征的基础上,统计不同方向上1的个数的比值;该S-LBP特征S-LBP=(S0,S1,...,S4)的计算公式如下所示,
其中,ε是使C-LBP不为0的像素个数,即特征提取区域像素个数;
步骤(4)、利用支持向量机(SVM)进行分类识别,分类识别过程如下:
1)对数据集T1、T2、T3、T4分别提取E-LBP和N-LBP特征,并将得到的训练集输入C-SVM进行训练,得到训练模型model1;
2)对数据集T5、T6、T7分别提取S-LBP特征,将得到的训练集输入C-SVM进行训练,得到训练模型model2;重复该步骤,得到训练模型model3和model4;
3)对于待测图像image,利用C-LBP对其去除平坦区,提取E-LBP和N-LBP特征并输入到C-SVM利用训练模型model1分类识别,即可判定其有无经过中值滤波;若断定其为中值滤波图像后,根据其滤波阶数利用不同的训练模型进行进一步 分类。
2.如权利要求1所述的基于局部二值模式的中值滤波检测方法,其特征在于,所述步骤(1)中的提取,还具体包括以下处理:
对整幅待测图像提取C-LBP特征,该特征的编码规则定义为:比较定义的邻域内以中心像素值为中心对称的像素对,若其差值大于T则为1,反之则为0;然后按顺序得到一个二进制串,将其转换为十进制数作为该中心像素的编码;公式如下:
其中:
如果四组像素对的像素值差的绝对值都小于T,则C-LBP的值为0;这时将该邻域中心像素归类到平坦区内,之后的特征提取阶段不予考虑。
3.如权利要求1所述的基于局部二值模式的中值滤波检测方法,其特征在于,所述步骤(2),还具体包括以下处理:
对E-LBP特征进行编码:在定义的邻域中,比较周围像素和中心像素的像素值是否相等,若相等则置为1,不等置为0;之后统计周围1的个数作为中心像素的编码,公式如下所示:
其中:
对N-LBP特征进行编码,遍历邻域内所有像素点,当像素灰度值第一次出现时,该像素编码值置为1,否则置为0;与E-LBP一样,将1的和作为中心像素的编码,计算公式如下所示:
在经过C-LBP提取出的纹理区上进行提取E-LBP和N-LBP特征操作,对于前者每个像素点的特征值都是0到8之间的数,对于后者每个像素点的特征值都是1到9之间的数,之后绘制该特征的直方图作为检测特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410770968.2A CN104504669B (zh) | 2014-12-12 | 2014-12-12 | 一种基于局部二值模式的中值滤波检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410770968.2A CN104504669B (zh) | 2014-12-12 | 2014-12-12 | 一种基于局部二值模式的中值滤波检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104504669A CN104504669A (zh) | 2015-04-08 |
CN104504669B true CN104504669B (zh) | 2018-03-23 |
Family
ID=52946063
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410770968.2A Expired - Fee Related CN104504669B (zh) | 2014-12-12 | 2014-12-12 | 一种基于局部二值模式的中值滤波检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104504669B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3113107B1 (en) * | 2015-07-02 | 2018-12-05 | Continental Automotive GmbH | Static soiling detection and correction |
US9858498B2 (en) * | 2015-09-23 | 2018-01-02 | Qualcomm Incorporated | Systems and methods for incremental object detection using dual-threshold local binary pattern operators |
CN105931192B (zh) * | 2016-03-21 | 2017-08-15 | 温州大学 | 基于加权中值滤波的图像纹理滤波方法 |
CN105913384B (zh) * | 2016-03-21 | 2017-08-15 | 温州大学 | 基于双边网格的实时加权中值滤波方法 |
CN107786867A (zh) * | 2016-08-26 | 2018-03-09 | 原相科技股份有限公司 | 基于深度学习架构的图像辨识方法及系统 |
US10726573B2 (en) | 2016-08-26 | 2020-07-28 | Pixart Imaging Inc. | Object detection method and system based on machine learning |
CN106570848A (zh) * | 2016-11-04 | 2017-04-19 | 浙江大学 | 基于局部二值模式和支持向量机的乳腺癌钙化点计算机辅助检测方法 |
CN108765357A (zh) * | 2018-05-29 | 2018-11-06 | 郑州云海信息技术有限公司 | 一种中值滤波方法及其装置 |
CN109727206B (zh) * | 2018-12-05 | 2023-05-02 | 安徽紫薇帝星数字科技有限公司 | 一种二值图像中值滤波的快速计算方法以及其实现方法 |
CN109885987B (zh) * | 2019-01-24 | 2023-01-24 | 中山大学 | 一种基于方向性局部二值模式的二值图像隐写分析方法 |
CN111462070A (zh) * | 2020-03-30 | 2020-07-28 | 西安理工大学 | 基于局部二值模式的图像中值滤波鉴别方法 |
CN111383226A (zh) * | 2020-03-30 | 2020-07-07 | 西安理工大学 | 基于局部二值模式的图像中值滤波区分方法 |
CN113343934A (zh) * | 2021-07-14 | 2021-09-03 | 华东理工大学 | 一种基于局部图像差异分析的手部饰品检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102592151B (zh) * | 2012-01-13 | 2014-08-06 | 中山大学 | 一种数字图像中值滤波的盲检测方法 |
-
2014
- 2014-12-12 CN CN201410770968.2A patent/CN104504669B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN104504669A (zh) | 2015-04-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104504669B (zh) | 一种基于局部二值模式的中值滤波检测方法 | |
Chen et al. | Blind detection of median filtering in digital images: A difference domain based approach | |
Kang et al. | Robust median filtering forensics using an autoregressive model | |
Yin et al. | Detecting seam carving based image resizing using local binary patterns | |
CN109543760B (zh) | 基于图像滤镜算法的对抗样本检测方法 | |
CN105590319A (zh) | 一种深度学习的图像显著性区域检测方法 | |
CN104598933A (zh) | 一种基于多特征融合的图像翻拍检测方法 | |
CN111860414A (zh) | 一种基于多特征融合检测Deepfake视频方法 | |
Feng et al. | Binary image steganalysis based on pixel mesh Markov transition matrix | |
Hou et al. | Detection of hue modification using photo response nonuniformity | |
CN104537381B (zh) | 一种基于模糊不变特征的模糊图像识别方法 | |
WO2013177969A1 (zh) | 基于对称邻域信息的盲隐写分析方法 | |
Nam et al. | Deep convolutional neural network for identifying seam-carving forgery | |
Nam et al. | Content-aware image resizing detection using deep neural network | |
CN110782442A (zh) | 一种基于多域耦合的图像人工模糊检测方法 | |
Rhee | Detection of spliced image forensics using texture analysis of median filter residual | |
Zhu et al. | Towards automatic wild animal detection in low quality camera-trap images using two-channeled perceiving residual pyramid networks | |
Gao et al. | Robust detection of median filtering based on data-pair histogram feature and local configuration pattern | |
CN108665495A (zh) | 图像处理方法及装置、移动终端 | |
Wang et al. | Image sharpening detection based on difference sets | |
CN112597904A (zh) | 一种用于高炉料面图像的识别与分类方法 | |
CN111080723B (zh) | 基于Unet网络的图像元素分割方法 | |
Chen et al. | Image splicing localization using residual image and residual-based fully convolutional network | |
Yang et al. | Restoration of partial blurred image based on blur detection and classification | |
Gupta et al. | A simplistic global median filtering forensics based on frequency domain analysis of image residuals |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180323 Termination date: 20181212 |
|
CF01 | Termination of patent right due to non-payment of annual fee |