CN104599279A - 一种基于二次缝裁剪特征的图像盲检测方法 - Google Patents

Abstract

本发明提供了一种基于二次缝裁剪特征的图像盲检测方法，属于图像处理中的图像盲取证领域。所述方法包括：(1)对图像进行一次额外的缝裁剪操作获得额外缝裁剪图像；(2)进行特征提取：计算该图像和其对应的额外缝裁剪图像间的相似度特征、能量比特征以及缝距离差值特征；(3)利用提取到的相似度特征、能量比特征以及缝距离差值特征，通过训练支持向量机来检测缝裁剪。本发明方法所提取的特征维度低，因此有更低的计算复杂度，同时本发明有更高的检测率。

Description

一种基于二次缝裁剪特征的图像盲检测方法

技术领域

本发明属于图像处理中的图像盲取证领域，具体涉及一种基于二次缝裁剪特征的图像盲检测方法。

背景技术

Seam carving，即缝裁剪，是一种有效的基于内容感知改变图像尺寸的方法。由于它可以克服传统缩放和裁剪的限制，现在已经获得一定程度的普及。缝裁剪会自动删除图像中最不重要的路径来减小图像的尺寸，这种最不重要的路径被称为缝，同时也可以插入缝来放大图像。缝定义为一条从上到下或从左到右贯穿图像的8连通的低能量像素线。可以用动态规划技术来选定每个方向的最佳缝，而所谓最佳缝，是指具有最小积累能量的缝，其中积累能量表示了缝中像素的结合重要性。

最常用的能量函数定义如下：

$e\left(I\right)=\left|\frac{\∂}{\∂x}I\right|+\left|\frac{\∂}{\∂y}I\right|---\left(1\right)$

其中，I是一个n×m的图像。对于一条垂直缝，可以定义为：

$s^x={\left\{s_i^x\right\}}_{i=1}^n={\{(x\left(i\right),i)}_{i=1}^n\},s.t.\∀j,|x\left(i\right)-x(i-1)|\≤1---\left(2\right)$

其中x表示映射x：[1，...，n]→[1，...，m]。最佳缝s^*是一条能量总和最小的缝，可以通过动态规划M对于每个入口(i，j)的所有可能的连接缝计算而得。

M(i，j)＝e(i，j)+min(M(i-1，j-1)，M(i，j-1)，M(i-1，j+1))    (3)

对于图像缩小，缝的甄选可以保证维持图像结构，删除尽量多的低能量像素，并留下尽量多的高能量像素。

对于通过缝裁剪进行图像放大，这相当于是缩小图像的“逆过程”。如果需要对一幅图像放大k个像素，我们应该先找出前k条会被移除的缝，然后分别插入这些缝s和其左右邻居的平均值(水平缝插入缝与上下邻居的均值)。

除了改变图像尺寸，缝裁剪还能用来实现图像内容放大，以及对象移除。内容放大是通过结合缝裁剪和等比例缩放实现的，先通过缝裁剪缩小图像，减少“非重要”的区域，在用等比例缩放放大至原始大小，从而实现对图像主要内容的放大。对象移除只需为需要移除的对象分配低能量，然后进行缝裁剪即可。

缝裁剪是一种内容感知图像重定向算法，已经获得了广泛的使用，并已成功地应用于改变数字图像尺寸和在保留重要内容的同时故意删除图像中的物体。缝裁剪的广泛应用对于图形取证方面造成了严重的挑战。在2013年6月由IEEE信息取证和安全技术委员会(IFS-TC)举办的首届图像取证挑战难题中，如何检测缝裁剪操作已经成为一个图像取证科学挑战问题。

由于缝裁剪的这些特征，常规的检测方法很多都不适用，检测非常困难。从2009年开始，开始有一些关于缝裁剪取证方面的成果。首先是2009年，Sarkar等人提出的通过提取324维的马尔科夫特征来检测缝裁剪。这些特征由基于8×8块的离散余弦变换域(DCT)上的二维差分直方图组成，最初是由Shi等人提出用于检测基于JPEG的隐写，现在扩展用于检测缝裁剪。该方法主要计算在水平、垂直、主对角线、次对角线四个方向的第一顺序差分数组，并且对于缩小和放大，检测率分别可达到80％和85％，但是低缩放比例的图像检测效果并没有那么好。这篇文章还通过线性相关对缝插入进行检测和定位，即使插入的比例很小的时候，检测率也较高。实验的图像集由4500幅来自MM270K数据库的图像组成，原始图像为QF＝75的且为首次压缩的JPEG格式图像。

在2010年，Fillion和Sharma提出几个直观的特征用于缝裁剪检测。这些统计特征集包括基于能量偏差的特征、基于缝行为的特征、基于更高次序的图像统计特征(小波绝对矩)、基于第二次缝裁剪的特征。他们取得了更好的检测结果，对于缝裁剪20％和30％的图像，检测率分别达到了84.0％和91.3％。同时，他们还对故意缩放，即删除特定对象进行检测，相同条件下，四种特征组合检测正确率为76％。

Seung-Jin Ryu等人提取了包括平均列能量、平均行能量、平均能量、最大缝、最小缝等14个特征，并通过SVM训练进行检测。在不同的缩放比例下正确率为71.52％到93.5％，但是对于特定对象移除的图像还有一定的局限性。

Qingzhong liu合并了空间域的基于替换重压缩的特征和在DCT域上基于替换重压缩的邻近联合密度来检测JPEG格式图像中的基于内容感知的图像伪造。

Wen-Lung Chang等人提出针对JPEG格式的缝裁剪图像的检测。该检测技术是以方格特征区域矩阵(blocking artifact characteristics matrix，BACM)为基础。对于原始的JPEG图像，方格特征区域矩阵会是对称且完整的，而对于破坏过的图像，方格特征区域矩阵的对称性会被破坏。在计算出方格特征区域矩阵后，他们从中定义了18维的特征，并将这些特征经由支持向量机作训练来检测图像是原始图像还是经过缝裁剪修改过的图像。实验使用UCID图像数据集，原始图像为QF＝75的JPEG格式图像。

2014年，台湾的Jyh-Da Wei等人提出了一种基于块的检测方法。首先，将图像分为2*2的小方块。对于每个小块定义了9种2*3的块，作为可能有缝裁剪效果的候选块。然后通过余弦相似和仲裁块计算出哪个是最佳块，并计算垂直、对角线、斜对角线方向的块转换概率矩阵，组成252维的检测。最后，将这些特征通过支持向量机进行训练检测图像是否经过缝裁剪操作。这种方法对于缝裁剪20％和50％的图像检测结果可以达到92.2％和95.8％。

然而现有方法的检测率还不足，还可以进一步提高，同时现有方法所提取的特征维度较高，需要较高的计算复杂度。

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，提供一种基于二次缝裁剪特征的图像盲检测方法，用于检测图像是否经过了缝裁剪(或缝插入)操作，并提高检测率，并降低计算复杂度。

本发明是通过以下技术方案实现的：

一种基于二次缝裁剪特征的图像盲检测方法，所述方法包括：

(1)对图像进行一次额外的缝裁剪操作获得额外缝裁剪图像；

(2)进行特征提取：计算该图像和其对应的额外缝裁剪图像间的相似度特征、能量比特征以及缝距离差值特征；

(3)利用提取到的相似度特征、能量比特征以及缝距离差值特征，通过训练支持向量机(SVM)来检测缝裁剪。

所述步骤(1)是这样实现的：

对于所有大小为M×N的TIF或JPEG格式的图像，首先通过缝裁剪算法在所述图像的横向和纵向分别找到k条缝，然后将这k条缝移除，最后得到(M-k)×(N-k)的缝裁剪图像，即为额外缝裁剪图像；

M、N为一副图像的像素的行数和列数。

所述步骤(2)包括：

计算图像和其对应的额外缝裁剪图像间的相似度特征：

采用双向的相似度测量方法来计算图像和额外缝裁剪图像间的相似度特征。

所述步骤(2)包括：

计算图像和其对应的额外缝裁剪图像间的能量比例特征：

对于一幅图像，均值能量和能量方差分别定义为：

${\mathrm{Energy}}_{\mathrm{mean}}=\frac{1}{M*N}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}\left(\right|\frac{\∂}{\∂x}I(i,j)|+|\frac{\∂}{\∂y}I(i,j)\left|\right)---\left(5\right)$

${\mathrm{Energy}}_{\mathrm{variance}}=\frac{1}{M*N}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}\left(\right|\left|\frac{\∂}{\∂x}I(i,j)\right|-\left|\frac{\∂}{\∂y}I(i,j)\right|\left|\right)---\left(6\right)$

其中，I是一个M×N的图像，为图像在x方向上的梯度，为图像在y方向上的梯度，实验中，将能量比定义为：

${\mathrm{Proportion}}_{\mathrm{energy}}=\frac{E_{\mathrm{testing}}-E_{\mathrm{carved}}}{E_{\mathrm{testing}}}---\left(7\right)$

其中，E_testing是图像的均值能量或能量方差，E_carved是额外缝裁剪图像的均值能量或能量方差。

所述步骤(2)包括：

计算图像和其对应的额外缝裁剪图像间的缝距离差值特征：

首先，对于水平缝，缝距离定义为：

$D_p=\underset{j=1}{\overset{N_p}{\mathrm{\Σ}}}\frac{|y_p\left(j\right)-y_{\mathrm{tot}}\left(j\right)|}{N_p}---\left(8\right)$

其中D_p是通过图像p％的最佳缝和整幅图像最佳缝的p％间的缝距离，y_p是图像p％的最佳缝的纵坐标，y_tot是整幅图像最佳缝的p％的纵坐标，N_p是p％的图像的像素个数；垂直缝的计算方法与此相同；

其次，计算图像与其对应的额外缝裁剪图像的缝距离差值：

Diff_{seamdis tan ce}＝Dp_testing-Dp_carved    (9)

其中，Ep_testing是图像的缝距离，Dp_carved是额外缝裁剪图像的缝距离。

所述p取值为10、25、50、75。

所述步骤(3)是这样实现的：

将11维特征送入支持向量机进行训练分类，从而实现缝裁剪的检测；

所述11维特征包括：1维的相似度特征，2维的均值能量和能量方差的能量比，以及8维缝距离差值特征，其中，8维缝距离差值特征包括水平方向p分别取10％、25％、50％、75％的4维缝距离差值特征的和垂直方向p分别取10％、25％、50％、75％的4维缝距离差值特征。

所述将11维特征送入支持向量机进行训练分类，从而实现缝裁剪的检测是这样实现的：

训练分类包括训练阶段和分类阶段，在训练阶段，用户给定原始图像和缝裁剪图像，假定原始图像的标志为1，缝裁剪图像的标志为-1；

对原始图像进行步骤(1)和步骤(2)的处理，获得原始图像的11维特征，对缝裁剪图像进行步骤(1)和步骤(2)的处理，获得缝裁剪图像的11维特征，将原始图像的11维特征和标志1，以及缝裁剪图像的11维特征和标志-1送到支持向量机进行训练，获得一个分类模型；

对待检测图像进行步骤(1)和步骤(2)的处理，获得待检测图像的11维特征，在分类阶段，将待检测图像的11维特征送到训练阶段获得的分类模型中，如果输出结果为1，则表示该待检测图像是原始图像，如果输出结果为-1，则表示该待检测图像是缝裁剪过的图像；

所述待检测图像是训练阶段时用的原始图像或缝裁剪图像，或者任意原始图像或缝裁剪图像。

所述训练支持向量机采用带RBF核的LSSVM作为分类器。

与现有技术相比，本发明的有益效果是：本发明方法所提取的特征维度低，因此有更低的计算复杂度，同时本发明有更高的检测率。

附图说明

图1(a)是原始图像

图1(b)是缝裁剪20％的图像

图1(c)是缝裁剪30％的图像

图1(d)是图1(a)缝裁剪3％后的图像

图1(e)是图1(b)缝裁剪3％后的图像

图1(f)是图1(c)缝裁剪3％后的图像

图2是本发明方法的步骤框图。

具体实施方式

下面结合附图对本发明作进一步详细描述：

本发明通过额外缝裁剪行为的特征提出了一种新的缝裁剪检测方法。本发明是基于这样的事实：即缝裁剪操作虽然可以维持图像的主要内容，但是仍会引起一些失真和形变；如果删除的缝的数量超过了一定的范围时，那么原始图像的主要信息就会被破坏，从而导致缝裁剪后的图像与原始图像不再相似。

基于对图像进行一次额外缝裁剪操作后的观察发现，原始图像的相似性、能量比和缝距离差值与缝裁剪过的图像都有很大的差别，本发明提出了一种新的图像盲检测方法，主要用于检测图像是否经过了缝裁剪(或缝插入)操作。

本发明的实验结果表明，与其他现有的缝裁剪检测方法相比，本发明所提取的特征方法不仅能达到更好的检测率，对于缝裁剪30％、40％、50％的图像，本发明方法的检测率分别为93.81％、97.83％和98.85％，而且具有更低维的特征，因为本发明方法只有11维的特征，而现有的方法的特征维数分别为14、72、252、324。

缝裁剪是一种内容感知的图像重定位算法，可用于调整图像大小和从数字图像中故意删除对象。尽管缝裁剪可以通过移除低能量像素线来维持图像的主要内容，但是实验表明在随着移除缝数量的增加，缝裁剪也会引起图像的失真。当移除的缝的数量超过一定的范围时，原始图像被破坏，缝裁剪图像与原始图像不再相似。

在图1(a)-图1(f)为待检测图像及其额外缝裁剪后的图像对比，其中，图1(a)为原始图像，图1(b)为缝裁剪20％的图像(原始图像的长和宽的20％被移除)，图1(c)为缝裁剪30％的图像，图1(d)、图1(e)、图1(f)分别为图1(a)、图1(b)、图1(c)再额外缝裁剪3％的图像。采用块匹配方法(请参考Barnes，C.，et al.，PatchMatch：A Randomized Correspondence Algorithm for StructuralImage Fditing.ACM TRANSACTIONS ON GRAPHICS，2009.28(243).)计算测试图像和其额外缝裁剪后的图像的不相似度值。图1(a)和图1(d)的不相似度为7.7625，图1(b)和图1(e)的不相似度为21.1560，图1(c)和图1(f)的不相似度为25.3562，可以看出图1(a)和图1(d)的不相似度与图1(b)和图1(e)、图1(c)和图1(f)的不相似度值有很大的不同。通过大量的实验观察到，当从原始图像中移除k条缝(k小于临界值)，带有最少积累能量的不重要的缝被移除，因此原始图像和其对应的缝裁剪图像比较相似。然而，当缝裁剪图像中这些低能量的不重要的缝已经被移除，再做一次额外的缝裁剪时，那些带有高能量的重要的缝将会被移除，因此缝裁剪图像和其对应的额外缝裁剪的图像相似度较低。由此可见，图像的相似度可以作为检测缝裁剪操作的一个特征。

对于图像能量，原始图像中只有低能量缝被移除，而缝裁剪图像在做额外缝裁剪时会移除高能量的缝，因此，移除的缝的能量与整幅图像的能量比可以作为检测图像缝裁剪操作的另一个特征。

基于“Fillion，C.and G.Sharma.Detecting content adaptive scalingof images for forensic applications.2010”中的观点，可以知道，缝裁剪图像的最佳缝路径会更加分散，而原始图像的最佳缝可能会保持它原来的路径，或者可以在附近找到最小路径。图像在经过缝裁剪后，最佳缝路径会由于图像更多的部分被遍历而改变，最小缝路径也会更趋于分散。因此测试图像与其缝裁剪后的图像的缝间距差值将作为检测缝裁剪的第三个特征。

基于以上提到的缝裁剪图像的特征，本发明提出了一种针对缝裁剪图像有效的盲检测方法。

本发明的检测流程如图2所示，图2中的表示待检测图像与缝裁剪图像两者间的一种计算，包括相似度、缝距离差值、能量比。具体流程规则如下所示：

首先，对待检测图像进行一次额外的缝裁剪操作，然后计算待检测图像和其对应的缝裁剪图像的相似性、能量比例，以及缝距离差值。最后，提取11维特征并通过训练支持向量机分类器来检测缝裁剪，从而识别图像是原始图像还是已经被缝裁剪修饰过的图像。

具体如下：

(1)获得额外缝裁剪图像。

对于所有大小为M×N(M、N为一副图像像素的行数和列数)的TIF或JPEG格式的待检测图像，首先通过缝裁剪算法(请参考Avidan，S.and A.Shamir，Seam carving for content-aware image resizing，ACM Transactions ongraphics.2007)在图像的横向和纵向分别找到k条缝(k是一个可调整的参数，在实验中取M或N的3％、5％、10％、15％、20％)，然后将这k条缝移除(基于前述的缝裁剪算法就可以找到k条缝，也可以确定每一条缝的位置)，最后得到(M-k)×(N-k)的缝裁剪图像，即为额外缝裁剪图像。

(2)计算待检测图像与步骤(1)得到的额外缝裁剪图像间的相似度特征。

实验中，采用双向的相似度测量来计算待检测图像和额外缝裁剪图像间的相似度。

双向的相似度测量方法是由Simakov提出，用于总结图像或视频(请参考Barnes，C.，et al.，PatchMatch：A Randomized Correspondence Algorithmfor Structural Image Editing.ACM TRANSACTIONS ON GRAPHICS，2009.28(243))。它的基本思想是，一个良好的视觉概要应满足两个属性，即它应该要尽可能多的保留原始图像信息，并且要尽可能少的引入新的信息。

对于测试图像S和其对应的额外缝裁剪图像T，距离测量定义为S中所有块到T中最接近的块的平均距离与T中所有块到S中最接近的块的平均距离之和：

其中，s和t是图像S和T的块，NS和NT是S和T中块的数量，对于每个块s，通过EM(Expectation Maximization-期望最大化)迭代算法找到的最佳相似块t，并测量他们的距离D(s，t)，D(s，t)为图像块中每个像素值的差方和SSD(Sum ofSquared Differences)。d_complete(S，T)测量了关于S从“完整性”到T的误差，而d_cohere(S，T)测量了关于S从“相干性”到T的误差。

(3)计算待检测图像与步骤(1)得到的额外缝裁剪图像间的能量比特征。

对于一幅图像，均值能量和能量方差分别定义为：

${\mathrm{Energy}}_{\mathrm{mean}}=\frac{1}{M*N}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}\left(\right|\frac{\∂}{\∂x}I(i,j)|+|\frac{\∂}{\∂y}I(i,j)\left|\right)---\left(5\right)$

${\mathrm{Energy}}_{\mathrm{variance}}=\frac{1}{M*N}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}\left(\right|\left|\frac{\∂}{\∂x}I(i,j)\right|-\left|\frac{\∂}{\∂y}I(i,j)\right|\left|\right)---\left(6\right)$

其中，I是一个M×N的图像，为图像在x方向上的梯度，为图像在y方向上的梯度。实验中，将能量比定义为：

${\mathrm{Proportion}}_{\mathrm{energy}}=\frac{E_{\mathrm{testing}}-E_{\mathrm{carved}}}{E_{\mathrm{testing}}}---\left(7\right)$

其中，E_testing是待检测图像的均值能量或能量方差，E_carved是额外缝裁剪图像的均值能量或能量方差。

(4)计算待检测图像与步骤(1)得到的额外缝裁剪图像间的缝距离差值特征。

首先，引用“Fillion，C.and G.Sharma.Detecting content adaptivescaling of images for forensic applicatiohs.2010”中用到的缝距离。对于水平缝，缝距离定义为：

$D_p=\underset{j=1}{\overset{N_p}{\mathrm{\Σ}}}\frac{|y_p\left(j\right)-y_{\mathrm{tot}}\left(j\right)|}{N_p}---\left(8\right)$

其中D_p是通过图像p％(p一般取值为10、25、50、75)的最佳缝(使用Avidan，S.and A.Shamir，Seam carving for content-aware image resizing，ACM Transactiohs on graphics.2007方法获得最佳缝)和整幅图像最佳缝的p％间的缝距离，y_p是图像p％的最佳缝的纵坐标，y_tot是整幅图像最佳缝的p％的纵坐标，N_p是p％的图像的像素个数。垂直缝的计算方法与此相同。

其次，计算了测试图像与其对应的额外缝裁剪图像的缝距离差值：

Diff_{seamdis tan ce}＝Ep_testing-Dp_carved    (9)

其中，Dp_testing是测试图像的缝距离，Dp_carved是额外缝裁剪图像的缝距离。

(5)将前面获得的三个特征集作为特征送入支持向量机(SVM)进行训练分类，从而判断待检测图像是原始图像还是经过缝裁剪后的图像。具体如下：假定训练的时候原始图像的标志为1，缝裁剪过的图像标志为-1，将训练用的原始图像和缝裁剪图像，在经过上述特征提取后得到的特征及对应的标志送到支持向量机进行训练，得到一个分类模型。对于待检测图像，也提取上述特征，将特征送到训练出的分类模型中，如果输出结果为1，则表示该检测图像是原始图像，如果输出结果为-1，则表示该检测图像是缝裁剪过的图像。

这些特征包括：步骤(2)获得的1维的相似度，步骤(3)获得的2维的均值能量和能量方差的能量比(就是分别将均值能量、能量方差代入(7)求得两个能力比对)、以及步骤(4)获得的8维缝距离差值(其中，缝距离差值包括水平方向和垂直方向，p分别取10％、25％、50％、75％)。实验中采用带RBF核的LSSVM作为分类器，这是一个目前大家比较公认的比较好的支持向量机分类方案，当然也可以使用其他支持向量机，如LibSVM等。采用“网格搜索”的方法来搜索RBF核的最优参数σ和γ。

这样就实现了盲检测，即提前不需要了解原始图像的先验信息，给定一副待检测图像，基于本发明方法，最后会给出这幅图像是原始图像还是缝裁剪过的图像。

为了检测本发明提出的缝裁剪图像检测方法的有效性，并且可以和其他现有的缝裁剪图像检测技术作对比，实验使用目前常用的UCID数据集(请参考

Schaefer，G.and M.Stich.UCID：an Uncompressed Color Image Database.in SPIE，Storage and Retrieval Methods and Application for Multimedia.2004)进行测试，UCID数据集还在其他的检测方法中使用。UCID图像集由1338幅彩色无压缩的TIFF图像组成，它的主题包括自然景观和人造物体，同时还涵盖了室内场景和室外场景，所有的图像都是尺寸为384*512的彩色图像。对于缝裁剪图像，本发明将UCID图像通过缝裁剪算法(Seam Carving)每隔10％做一次缝裁剪，即缩小10％到50％。同样的，还基于缝裁剪方法(请参考Avidan，S.and A.Shamir，Seam carving for content-aware image resizing，ACMTransactions on graphics.2007)将UCID图像每隔10％做一次缝插入，即放大10％到50％。从每个数据集中随机选取800幅图像作为测试图像。实验中将图像集随机分为两部分，一部分用于SVM训练，剩下的用于测试。对于额外裁剪的图像，按照原始图像的3％、5％、10％、15％，以及20％进行缝裁剪。

进行了一系列的实验。首先对于缝裁剪和缝插入做了针对相似度的评估，然后评估了三种特征的检测性能，最后将实验结果与之前的检测成果做了比较

1、相似度测试：

表1和表2分别为通过相似度检测缝裁剪和缝插入的结果。从表1和表2可以发现，额外裁剪3％比额外裁剪5％、10％、15％和20％的时候检测结果要好。额外裁剪3％的缝裁剪10％、20％、30％、40％、50％的检测结果分别为67.963％、76.25％、86.115％、93.295％、96.227％，对于额外裁剪3％的缝插入10％、20％、30％、40％、50％的检测准确率分别为56.7％、63.75％、65.65％、68.75％和73.25％。

表1

表2

2、混合特征测试

基于额外裁剪3％，利用三种特征混合检测缝裁剪和缝插入的检测结果分别见于表3和表4。结果表明，对于缝裁剪，相似度是最有效的特征，而对于缝插入最有效的特征是能量比。并且在结合三种特征检测的时候，检测结果有很明显的改善。其中，对于缝裁剪10％、20％、30％、40％、50％的检测准确率分别为69.54％、83.44％、93.81％、97.83％、98.85％；对于缝插入10％、20％、30％、40％、50％的检测准确率分别为73.75％、87.4％、92.83％、97.32％，以及98.63％。

表3

表4

除了检测原始图像和缝裁剪10％到50％的图像的分类效果，还评估了关于缝裁剪10％、20％、30％，及50％的图像的检测性能。表5与表6分别表明了对于缝裁剪图像和缝插入图像在额外缝裁剪3％的检测结果。这表明本发明方法依然很有效。

表5

表6

3、结果对比

还与其他使用UCID数据库的检测结果做了对比，缝裁剪对比结果如表7所示，其中一些结果参考自(Sarkar，A.，L.Nataraj and B.S.Manjunath.Detection ofseam carving and localization of seam insertions in digital images.2009；Fillion，C.and G.Sharma.Detecting content adaptive scaling of images for forensic applications.2010；Ryu，S.J.，H.Y.Lee and H.K.Lee，Detection of Content-Aware Image ResizingUsing Seam Properties.Applied Mechanics and Materials，2013.284：p.3074-3078；Wei，J.，Y.Lin and Y.Wu，A patch analysis method to detect seamcarved images.Pattern Recognition Letters，2014.36：p.100-106。)，本发明取了额外裁剪为3％的缝裁剪检测结果。结果表明，本发明的方法在特征维数很低的情况下，检测结果也很出色。然而，本发明的方法对于缩小10％的图像的检测率为69.54％，低于“Fillion，C.and G.Sharma.Detecting content adaptive scaling ofimages for forensic applications.2010”中的73.25％和“Ryu，S.J.，H.Y.Lee and H.K.Lee，Detection of Content-Aware Image Resizing Using Seam Properties.AppliedMechanics and Materials，2013.284：p.3074--3078”中的71.52％。另外对于缩小20％的图像，检测结果为83.44％，低于使用块分析的方法“Wei，J.，Y.Lin and Y.Wu，A patch analysis method to detect seam carved images.Pattern RecognitionLetters，2014.36：p.100--106”中的92.2％。原始图像与缝裁剪10％的图像检测结果不佳的原因是，原始图像与缝裁剪10％的图像不相似度很小，并且由于移除少量低能量缝，能量的改变也很少。

表7

本发明主要针对通过缝裁剪或缝插入调整图像大小的内容感知方法的检测，提出了对图像做额外缝裁剪，并提取包括相似度、缝距离差值和能量比例组成的特征集，然后通过支持向量机训练的检测方法。在额外裁剪3％的时候，本发明方法对于缩小10％、30％、50％的图像，检测率分别达到了69.54％、93.81％和98.85％。

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 (9)

1.一种基于二次缝裁剪特征的图像盲检测方法，其特征在于：所述方法包括：

(1)对图像进行一次额外的缝裁剪操作获得额外缝裁剪图像；

(2)进行特征提取：计算该图像和其对应的额外缝裁剪图像间的相似度特征、能量比特征以及缝距离差值特征；

(3)利用提取到的相似度特征、能量比特征以及缝距离差值特征，通过训练支持向量机来检测缝裁剪。

2.根据权利要求1所述的基于二次缝裁剪特征的图像盲检测方法，其特征在于：所述步骤(1)是这样实现的：

对于所有大小为M×N的TIF或JPEG格式的图像，首先通过缝裁剪算法在所述图像的横向和纵向分别找到k条缝，然后将这k条缝移除，最后得到(M-k)×(N-k)的缝裁剪图像，即为额外缝裁剪图像；

M、N为一副图像的像素的行数和列数。

3.根据权利要求2所述的基于二次缝裁剪特征的图像盲检测方法，其特征在于：所述步骤(2)包括：

计算图像和其对应的额外缝裁剪图像间的相似度特征：

采用双向的相似度测量方法来计算图像和额外缝裁剪图像间的相似度特征。

4.根据权利要求3所述的基于二次缝裁剪特征的图像盲检测方法，其特征在于：所述步骤(2)包括：

计算图像和其对应的额外缝裁剪图像间的能量比例特征：

对于一幅图像，均值能量和能量方差分别定义为：

${\mathrm{Energy}}_{\mathrm{mean}}=\frac{1}{M*N}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}\left(\right|\frac{\∂}{\∂x}I(i,j)|+|\frac{\∂}{\∂y}I(i,j)\left|\right)---\left(5\right)$

${\mathrm{Energy}}_{\mathrm{variance}}=\frac{1}{M*N}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}\left(\right|\left|\frac{\∂}{\∂x}I(i,j)\right|-\left|\frac{\∂}{\∂y}I(i,j)\right|\left|\right)$

其中，I是一个M×N的图像，为图像在x方向上的梯度，为图像在y方向上的梯度，实验中，将能量比定义为：

${\mathrm{Proportion}}_{\mathrm{energy}}=\frac{E_{\mathrm{testing}}-E_{\mathrm{carved}}}{E_{\mathrm{testing}}}---\left(7\right)$

其中，E_testing是图像的均值能量或能量方差，E_carved是额外缝裁剪图像的均值能量或能量方差。

5.根据权利要求4所述的基于二次缝裁剪特征的图像盲检测方法，其特征在于：所述步骤(2)包括：

计算图像和其对应的额外缝裁剪图像间的缝距离差值特征：

首先，对于水平缝，缝距离定义为：

$D_p=\underset{j=1}{\overset{N_p}{\mathrm{\Σ}}}\frac{|y_p\left(j\right)-y_{\mathrm{tot}}\left(j\right)|}{N_p}---\left(8\right)$

其中D_p是通过图像p％的最佳缝和整幅图像最佳缝的p％间的缝距离，y_p是图像p％的最佳缝的纵坐标，y_tpt是整幅图像最佳缝的p％的纵坐标，N_p是p％的图像的像素个数；垂直缝的计算方法与此相同；

其次，计算图像与其对应的额外缝裁剪图像的缝距离差值：

Diff_seamdistance＝Dp_testing-Dp_carced   (9)

其中，Dp_testing是图像的缝距离，Dp_carved是额外缝裁剪图像的缝距离。

6.根据权利要求5所述的基于二次缝裁剪特征的图像盲检测方法，其特征在于：所述p取值为10、25、50、75。

7.根据权利要求6所述的基于二次缝裁剪特征的图像盲检测方法，其特征在于：所述步骤(3)是这样实现的：

将11维特征送入支持向量机进行训练分类，从而实现缝裁剪的检测；

所述11维特征包括：1维的相似度特征，2维的均值能量和能量方差的能量比，以及8维缝距离差值特征，其中，8维缝距离差值特征包括水平方向p分别取10％、25％、50％、75％的4维缝距离差值特征的和垂直方向p分别取10％、25％、50％、75％的4维缝距离差值特征。

8.根据权利要求7所述的基于二次缝裁剪特征的图像盲检测方法，其特征在于：所述将11维特征送入支持向量机进行训练分类，从而实现缝裁剪的检测是这样实现的：

训练分类包括训练阶段和分类阶段，在训练阶段，用户给定原始图像和缝裁剪图像，假定原始图像的标志为1，缝裁剪图像的标志为-1；

对原始图像进行步骤(1)和步骤(2)的处理，获得原始图像的11维特征，对缝裁剪图像进行步骤(1)和步骤(2)的处理，获得缝裁剪图像的11维特征，将原始图像的11维特征和标志1，以及缝裁剪图像的11维特征和标志-1送到支持向量机进行训练，获得一个分类模型；

对待检测图像进行步骤(1)和步骤(2)的处理，获得待检测图像的11维特征，在分类阶段，将待检测图像的11维特征送到训练阶段获得的分类模型中，如果输出结果为1，则表示该待检测图像是原始图像，如果输出结果为-1，则表示该待检测图像是缝裁剪过的图像；

所述待检测图像是训练阶段时用的原始图像或缝裁剪图像，或者任意原始图像或缝裁剪图像。

9.根据权利要求1至8任一所述的基于二次缝裁剪特征的图像盲检测方法，其特征在于：所述训练支持向量机采用带RBF核的LSSVM作为分类器。