CN104504669B

CN104504669B - 一种基于局部二值模式的中值滤波检测方法

Info

Publication number: CN104504669B
Application number: CN201410770968.2A
Authority: CN
Inventors: 苏育挺; 张静; 张承乾; 张天娇
Original assignee: Tianjin University
Current assignee: Tianjin University
Priority date: 2014-12-12
Filing date: 2014-12-12
Publication date: 2018-03-23
Anticipated expiration: 2034-12-12
Also published as: CN104504669A

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

一种基于局部二值模式的中值滤波检测方法

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,2^j)|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

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，

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：

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。