CN104616276A - 数字图像篡改盲检测系统 - Google Patents
数字图像篡改盲检测系统 Download PDFInfo
- Publication number
- CN104616276A CN104616276A CN201310538212.0A CN201310538212A CN104616276A CN 104616276 A CN104616276 A CN 104616276A CN 201310538212 A CN201310538212 A CN 201310538212A CN 104616276 A CN104616276 A CN 104616276A
- Authority
- CN
- China
- Prior art keywords
- image
- blind
- detection system
- digital image
- oeil
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
数字图像篡改盲检测系统属于图像信息安全领域,尤其涉及一种数字图像篡改盲检测系统。本发明提供一种可有效抵抗几何攻击、检测效率高、精确度高的数字图像篡改盲检测系统。本发明包括如下步骤:(1)图像特征提取与一致性模型建立;(2)图像盲取证算法;(3)图像分类与盲改图像定位;(4)结果输出。
Description
技术领域
本发明属于图像信息安全领域,尤其涉及一种数字图像篡改盲检测系统。
背景技术:
与日俱增的数字图像在日常生活和生产中得到了广泛的应用,同时各类图像编辑软件也随之而兴起,使得一般和专业用户都能很容易对图像“移花接木”。近年来,图像造假事件严重影响着着政治、文化、新闻、军事、科学等多个领域,产生了无可估量的严重后果。以往完全依赖于提前向图像中嵌入水印或数字签名的主动取证方法由于其预处理的复杂性已经不能满足现在形势的需要,而被动取证技术可以在毫无任何外界帮助信息的基础上实现图像的最终取证,更加符合实际的图像篡改检测需要,因此,被动式图像取证也已经成为当前该领域中的研究热点。
数字图像篡改盲检测技术主要由基于图像伪造过程痕迹,基于成像设备一致性,基于自然图像统计特性的盲检测技术组成。随着图像处理与基于内容的图像检索技术的发展,上述各个关键部分的研究都有一定程度的进展。但是,在实际的应用中仍然存在很多问题,主要有以下几点:
(1)基于像素匹配的区域复制检测的方法,该方法虽然降低了计算复杂度,但其检测结果过于依赖于复制区域和篡改区域的定位。
(2)采用傅立叶梅林变换作为块特征,并用bloom过滤器计数方法代替以往的字典排序方法,该方法能有效抵抗缩放、平移和轻微旋转后处理操作,但不能抵抗高斯噪声和模糊的干扰。
(3)应用SIFT特征旋转、缩放的不变性进行SIFT特征匹配,实现区域复制篡改,该方法实现了对旋转、缩放后处理的检测,但不能辨别出复制区域和篡改区域。
(4)基于图像融合和尺度不变特征变换特征匹配的区域复制篡改检测算法,该算法主要针对高分辨率图像的篡改检测,但是其检测效果和耗费时间主要依赖图像的内容,图像融合使得细节更加丰富,而细节内容丰富的图像会检测出较多的SIFT特征点,对应的特征点匹配时间也相对延长,因此会影响检测效率。
发明内容
本发明旨在克服现有技术的不足之处而提供一种可有效抵抗几何攻击、检测效率高、精确度高的数字图像篡改盲检测系统。
为达到上述目的,本发明是这样实现的:
本发明包括如下步骤:
(1)图像特征提取与一致性模型建立;
(2)图像盲取证算法;
(3)图像分类与盲改图像定位;
(4)结果输出。
作为一种优选方案,本发明所述图像盲取证算法包括如下步骤:
(1)圆窗归一化展开;
(2)自适应频带收缩的相位相关计算;
(3)基于标准的相位相关的偏移角度估计;
(4)根据偏移角度进行篡改区域标记。
进一步地,本发明所述圆窗归一化展开包括如下步骤:
(1)圆窗重叠块划分;
(2)极坐标系—直角坐标系变换。
更进一步地,本发明所述自适应频带收缩的相位相关计算包括如下步骤:
(1)对矩形图像进行离散傅立叶变换;
(2)设计一个关于分形维数的频带收缩阈值函数。
另外,本发明所述基于标准的相位相关的偏移角度估计包括如下步骤:
(1)计算偏移位置;
(2)计算每次进行匹配的两个圆窗图像块的偏移角度。
其次,本发明所述根据偏移角度进行篡改区域标记包括如下步骤:
(1)利用数学形态学方法搜索相似圆块;
(2)通过递归的方式搜索;
(3)将匹配的最终相似区域对进行颜色标记。
本发明采用的是一种基于圆窗展开和相位相关技术的区域复制篡改检测算法,主要利用圆块图像的有效频域信息进行相位相关计算,凭借获取的峰值来确定圆块间的相似性。区域边界估计阶段使用了依据偏移角度进行种子填充的方法,可以有效提高算法的检测效率,并且针对偏移角度存在误差现象,采用了一种角度校正方法。同时针对带有几何变换和其它润饰的图像区域复制篡改检测技术进行研究。
图像盲检测包括如下步骤:
步骤一:圆窗归一化展开
对于输入的待检测图像进行圆窗重叠块划分,然后通过极坐标变换将其统一转换到矩形窗中。通过该操作,可以得到具有相同大小的矩形图像,为后续对圆窗图像实施傅立叶变换和相位相关计算提供了归一化数据的基础。
步骤二:自适应频带收缩的相位相关计算
对上一步获取的矩形图像进行离散傅立叶变换,采用图像粗糙度估计方法(分形维数法)估算图像表面粗糙度细节,并设计一个关于分形维数的频带收缩阈值函数,依据该函数可以实现对具有不同表面细节图像的动态频带收缩,进而提高相位相关计算峰值的准确性。
步骤三:基于标准的相位相关的偏移角度估计
依据标准相位相关计算而得到的峰值位置,可以得到每次进行匹配的两个圆窗图像块的偏移角度。该偏移角度将成为第四步骤中篡改块搜索的主要依据。
步骤四:根据偏移角度进行篡改区域标记
利用数学形态学方法(种子填充法)以初始相似圆窗圆心位置为种子点,在其四个相邻矩形内按照第三步骤得到的偏移角度继续搜索相似圆块,并对相似块进行标记,通过递归的方式搜索,直到没有相似块时停止搜索。然后将匹配的最终相似区域对进行颜色标记,然后输出并显示。
本发明相对其它检索方法,具有以下几个优点:
第一,有效抵抗平移、翻转、旋转和缩放的几何攻击。本发明采用圆块对图像进行划分,以极坐标形式将圆窗图像展开,生成具有旋转不变性的图像矩形块,实现任意角度旋转篡改区域定位,抵抗人为干扰的影响。
第二,提高了算法的检测效率。本发明以一种基于分形维数的自适应频带收缩结合相位相关技术实现图像匹配。本方法主要通过估计图像纹理粗糙度实现有效频带信息的截取,而分形维数能够直观地反应一幅图像的纹理粗糙度特性,因此选取分形维数估计算法实现纹理粗糙度估计,并构造了一个分形维数与频带收缩系数的分段函数,从而有效实现了依据图像纹理特性动态收缩频带。
第三,提高了算法的检测精准确度。本发明采用一种篡改区域边界估计方法,本方法主要根据估计出的圆块间偏移角度对圆窗图像进行相同角度旋转,并以圆块图像的最小外接正方形图像为种子点,在其四邻域邻接矩形内继续搜索相似块,递归搜索直至峰值小于相似阈值或篡改块已被搜索过停止,通过实验结果表明,该算法避免了以往遍历块搜索方法的高计算量问题。
附图说明
图1为本发明模块发布示意图;
图2为本发明流程图;
图3为本发明圆窗归一化展开示意图;
图4a为本发明待检测图像中一滑动圆窗;
图4b为本发明归一化矩形块图像;
图5为本发明差分盒维数方法示意图;
图6为本发明旋转的复制、粘贴区域内的圆窗归一化结果;
图7为本发明篡改区域边界估计(种子填充法);
图8为本发明图像区域复制篡改检测结果。
具体实施方式:
结合附图,本发明有3个主要模块,分别为基于图像伪造过程痕迹模块,基于成像设备一致性模块,基于自然图像统计特性模块组成。其具体方式如图1所示。
图像篡改盲检测流程如图2所示,包括8个步骤。其中,步骤1至步骤3对圆窗进行归一化展开;步骤4至步骤6计算自适应频带收缩的相位相关;步骤7估计偏移角度;步骤8估计篡改区域边界。
步骤1:极坐标系—直角坐标系转换
设(x,y)为直角坐标系中的任意一点,ρ为极坐标系下的极径,θ为极角,那么,极坐标转换到直角坐标的公式如下:
反之,直角坐标转换到极坐标公式可表示为:
步骤2:归一化矩形大小确定
由于圆窗半径设定为16,则其外围最大周长为2*π*16(向下取整后值为100),由此可见,要想保留圆窗图像的全部细节,矩形窗的长度取值必须大于100,同时考虑接下来将对其进行傅立叶变换操作,为了计算方便,需要使矩形窗的长度为2n(n=1,2,3,...),由此,综合以上两方面因素将矩形窗的长度选定为128=27。与此同时,由图3可见,极坐标系下极径的取值范围在[0,16]区间。因此,展开矩形的最大宽度即为16。
步骤3:圆窗归一化展开
根据步骤1和步骤2所述,假设原图像为F(u,v),归一化展开之后的图像为E(x,y),则对于展开之后矩形块中的坐标(x,y),可以计算出该坐标对应极坐标系中的极角θ为2πy/128,极径ρ为x。由此,可得与之对应的原图像的坐标偏置为:
其中bx为x轴方向的偏置,by为y轴方向的偏置,令dx为bx的整数部分,rx为bx的小数部分,同理,dy为by的整数部分,ry为by的小数部分,由于在展开过程中,容易出现图像像素畸变或空洞的现象,因此,本文选用双线性插值算法,可将归一化展开后的图像表示如下:
E(x,y)=(1-rx)(1-ry)F(dx,dy)+(1-rx)ryF(dx,dy+1)+rx(1-ry)F(dx+1,dy)+rxryF(dx+1,dy+1)
图4a为待检测图像中任意滑动的一个圆窗,展开之后的效果如图4b。
步骤4:图像傅里叶变换和相位相关
对于一个二维图像F(u,v),图像大小为M×N,则其离散傅立叶变换f(u,v),傅立叶逆变换F(x,y),相关性矩阵C(x,y)和C(x,y)的傅里叶逆变换,公式如下:
当通过计算的两幅图像区别很小的时候,C(x,y)的傅立叶逆变换rfg会形成一个“峰值”,其取值区间在0至1之间。并且,当且仅当两幅图像完全一致的时候,峰值会达到1,此时其余点的函数值将趋近于0。此外,若将一幅图像按照移动向量平移,那么,通过傅里叶逆变换计算得来的相关性矩阵的峰值也会相应在相位相关矩阵中沿着移动向量的方向平移(a,b)。
步骤5:分形维数估计
本发明采用差分盒维数算法进行分形维数估计,估计的基本过程如下:
Step1.选取圆窗的最小外接正方形图像f(x,y)作为分形维数的计算对象,其大小为32*32,将其分割成L×L大小的网格,其中1<L≤M/2,M是L的整数倍数,令r=L/M。
Step2.将外接正方形图像f(x,y)映射到3-D空间U(f(x,y),z)中,(x,y)为图像f(x,y)的2-D空间位置坐标,垂直轴z表示f(x,y)在(x,y)坐标位置上的灰度值。此时,经过step1划分的L×L大小的网格就被映射成L×L×L大小的正方盒子,如图5所示。
Step3.如果图像的第(i,j)个网格内图像的最小和最大灰度值分别位于第k和l个盒子,那么,第(i,j)个网格上覆盖的所有盒子数为:
nr(i,j)=l-k+1
所有图像平面上的盒子总数为:
Step4.对不同r的值分别计算nr和Nr,分形维数D可由最小二乘法线性拟合而求得,D的计算公式如下:
步骤6:构造一个自适应收缩系数调整函数
其中,λ为傅立叶变换频带收缩系数,D为通过差分盒维数法估计的分形维数。
步骤7:偏移角度估计
对于存在几何旋转的区域复制篡改图像,检测到的原区域和篡改区域之间必定存在一定的偏移旋转角度,如图5所示,区域C为复制源区域,区域T为篡改区域,对复制区域C中的滑动圆块R1、篡改区域T内的圆块R2分别进行归一化展开,展开后的图像分别为E1和E2。假设复制源区域C旋转的角度为θ,圆块R2展开的矩形图像E1是将圆块R1展开的矩形图像E2的一端截取θ*128/2π长度,拼接到自己的另一端。
相应的,在R1和R2傅立叶变换的相位相关矩阵的逆傅立叶变换矩阵中,峰值也会随着旋转的变化而移动(0,θ*128/2π)。若逆傅立叶变换后的峰值Y轴坐标为V,则偏移(旋转)的角度θ的值,公式如下:
θ=V*2π/128
步骤8:篡改区域边界估计
本发明的篡改区域边界估计方法是基于偏移角度的种子填充法,并且考虑到若使用圆窗匹配会忽略圆窗弧度周围的像素,因此,采用圆窗最小外接正方形进行匹配。篡改区域边界估计的总体基本过程如下:
Step1.首先利用前面提到的最优峰值选取方法,搜索并定位一对最为相似的初始圆块区域对(C1,C2),对于这两个圆窗,将其分别拓展为正方形窗(S1,S2),其边长大小等于圆窗的直径。
Step2.根据步骤7介绍的偏转角度估计方法,计算出两个圆窗的偏移角度,并对圆窗拓展正方形窗也按照偏移角度进行相应旋转。
Step3.以正方形窗(S1,S2)为种子点,分别向外做种子填充式的扩散。即是说,从定位好的两个正方形窗(S1,S2)开始,分别计算出各个方形窗四邻域的邻接正方形窗矩阵(如图6),进而分别对两两矩阵进行相位相关的计算。
Step4当相位相关的逆傅立叶变换的峰值小于某一阈值T'(T'≈0.8T),或者这个正方形窗已经被搜索过,这时停止搜索,转至Step5。反之,继续以新拓展好的方形窗为种子点,重新执行Step3。
Step5.对拓展过的正方形窗做标记(相似的窗分别记为1),并在图像中用特殊颜色显示。
图7中红色圆代表两个初始定位的相似圆窗,将二者按照估计出的偏转角度进行相应旋转,然后对两个圆窗分别进行方形窗扩展(记为黄色方块),计算方形窗的四邻域的邻接方形矩阵(黄色方块),计算相位相关逆傅立叶变换峰值,根据上述的Step4依此类推,即可以完成整个篡改区域的定位和标记,并且能够识别出篡改区域的大致边界,结果如图8所示。
本发明对单一后处理操作、混合后处理操作进行了实验验证,并且给出了包含六种不同篡改方式的检测结果。其次对所有的篡改方式在JPEG有损压缩和高斯白噪声的干扰下进行了鲁棒性分析,实验显示了该方法的有效性。本发明具有较强的抗噪声和JPEG有损压缩能力,并且针对不同的篡改方式的检测率和误检率都相对稳定,且具有相对较高的检测率。
可以理解地是,以上关于本发明的具体描述,仅用于说明本发明而并非受限于本发明实施例所描述的技术方案,本领域的普通技术人员应当理解,仍然可以对本发明进行修改或等同替换,以达到相同的技术效果;只要满足使用需要,都在本发明的保护范围之内。
Claims (6)
1.数字图像篡改盲检测系统,其特征在于包括如下步骤:
(1)图像特征提取与一致性模型建立;
(2)图像盲取证算法;
(3)图像分类与盲改图像定位;
(4)结果输出。
2.根据权利要求1所述数字图像篡改盲检测系统,其特征在于所述图像盲取证算法包括如下步骤:
(1)圆窗归一化展开;
(2)自适应频带收缩的相位相关计算;
(3)基于标准的相位相关的偏移角度估计;
(4)根据偏移角度进行篡改区域标记。
3.根据权利要求2所述数字图像篡改盲检测系统,其特征在于所述圆窗归一化展开包括如下步骤:
(1)圆窗重叠块划分;
(2)极坐标系—直角坐标系变换。
4.根据权利要求2所述数字图像篡改盲检测系统,其特征在于所述自适应频带收缩的相位相关计算包括如下步骤:
(1)对矩形图像进行离散傅立叶变换;
(2)设计一个关于分形维数的频带收缩阈值函数。
5.根据权利要求2所述数字图像篡改盲检测系统,其特征在于所述基于标准的相位相关的偏移角度估计包括如下步骤:
(1)计算偏移位置;
(2)计算每次进行匹配的两个圆窗图像块的偏移角度。
6.根据权利要求2所述数字图像篡改盲检测系统,其特征在于所述根据偏移角度进行篡改区域标记包括如下步骤:
(1)利用数学形态学方法搜索相似圆块;
(2)通过递归的方式搜索;
(3)将匹配的最终相似区域对进行颜色标记。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310538212.0A CN104616276A (zh) | 2013-11-04 | 2013-11-04 | 数字图像篡改盲检测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310538212.0A CN104616276A (zh) | 2013-11-04 | 2013-11-04 | 数字图像篡改盲检测系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104616276A true CN104616276A (zh) | 2015-05-13 |
Family
ID=53150709
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310538212.0A Pending CN104616276A (zh) | 2013-11-04 | 2013-11-04 | 数字图像篡改盲检测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104616276A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105241540A (zh) * | 2015-10-08 | 2016-01-13 | 重庆平伟实业股份有限公司 | Mems振幅测量方法 |
CN105427350A (zh) * | 2015-12-28 | 2016-03-23 | 辽宁师范大学 | 基于局部四元数指数矩的彩色图像复制篡改检测方法 |
CN110059719A (zh) * | 2019-03-18 | 2019-07-26 | 西北工业大学 | 一种基于沃尔什变换的图像矩的目标识别方法 |
CN110147800A (zh) * | 2019-05-20 | 2019-08-20 | 哈尔滨工业大学 | 基于sift的图像复制粘贴篡改盲检方法 |
CN110659679A (zh) * | 2019-09-16 | 2020-01-07 | 大连理工大学 | 一种基于自适应滤波与耦合性编码的图像来源鉴别方法 |
CN111008955A (zh) * | 2019-11-06 | 2020-04-14 | 重庆邮电大学 | 多尺度图像块匹配的快速复制粘贴篡改检测方法 |
-
2013
- 2013-11-04 CN CN201310538212.0A patent/CN104616276A/zh active Pending
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105241540A (zh) * | 2015-10-08 | 2016-01-13 | 重庆平伟实业股份有限公司 | Mems振幅测量方法 |
CN105241540B (zh) * | 2015-10-08 | 2018-05-18 | 重庆平伟实业股份有限公司 | Mems振幅测量方法 |
CN105427350A (zh) * | 2015-12-28 | 2016-03-23 | 辽宁师范大学 | 基于局部四元数指数矩的彩色图像复制篡改检测方法 |
CN105427350B (zh) * | 2015-12-28 | 2018-12-07 | 辽宁师范大学 | 基于局部四元数指数矩的彩色图像复制篡改检测方法 |
CN110059719A (zh) * | 2019-03-18 | 2019-07-26 | 西北工业大学 | 一种基于沃尔什变换的图像矩的目标识别方法 |
CN110059719B (zh) * | 2019-03-18 | 2022-08-09 | 西北工业大学 | 一种基于沃尔什变换的图像矩的目标识别方法 |
CN110147800A (zh) * | 2019-05-20 | 2019-08-20 | 哈尔滨工业大学 | 基于sift的图像复制粘贴篡改盲检方法 |
CN110659679A (zh) * | 2019-09-16 | 2020-01-07 | 大连理工大学 | 一种基于自适应滤波与耦合性编码的图像来源鉴别方法 |
CN110659679B (zh) * | 2019-09-16 | 2022-02-11 | 大连理工大学 | 一种基于自适应滤波与耦合性编码的图像来源鉴别方法 |
CN111008955A (zh) * | 2019-11-06 | 2020-04-14 | 重庆邮电大学 | 多尺度图像块匹配的快速复制粘贴篡改检测方法 |
CN111008955B (zh) * | 2019-11-06 | 2023-05-26 | 重庆邮电大学 | 多尺度图像块匹配的快速复制粘贴篡改检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ye et al. | Fast and robust matching for multimodal remote sensing image registration | |
CN104616276A (zh) | 数字图像篡改盲检测系统 | |
Boscaini et al. | Learning class‐specific descriptors for deformable shapes using localized spectral convolutional networks | |
Al-Qershi et al. | Passive detection of copy-move forgery in digital images: State-of-the-art | |
CN104933721B (zh) | 基于颜色滤波阵列特性的拼接图像篡改检测方法 | |
Zhang et al. | Copy-move forgery detection based on SVD in digital image | |
CN104182973A (zh) | 基于圆形描述算子csift的图像复制粘贴检测方法 | |
Li et al. | RIFT: Multi-modal image matching based on radiation-invariant feature transform | |
Sun et al. | Nonoverlapping blocks based copy‐move forgery detection | |
Chen et al. | Robust affine-invariant line matching for high resolution remote sensing images | |
CN101109818A (zh) | 遥感影像高精度控制点自动选择方法 | |
CN103294676A (zh) | 一种基于gist全局特征和sift局部特征的网络图片内容重复检测方法 | |
Gou et al. | Data hiding in curves with application to fingerprinting maps | |
Song et al. | Image forgery detection based on motion blur estimated using convolutional neural network | |
CN106056122A (zh) | 一种基于kaze特征点的图像区域复制粘贴篡改检测方法 | |
Tao et al. | A pipeline for 3-D object recognition based on local shape description in cluttered scenes | |
Zhang et al. | Improved Fully Convolutional Network for Digital Image Region Forgery Detection. | |
Huang et al. | SAR and optical images registration using shape context | |
Shi et al. | Robust image registration using structure features | |
Selvaraj et al. | Enhanced copy–paste forgery detection in digital images using scale‐invariant feature transform | |
CN105787464A (zh) | 一种大量图片在三维场景中的视点标定方法 | |
Sethi et al. | Curve and surface duals and the recognition of curved 3D objects from their silhouettes | |
CN104820992B (zh) | 一种基于超图模型的遥感图像语义相似性度量方法及装置 | |
CN102024244A (zh) | 基于图像特征区域的水印嵌入、检测方法及其装置 | |
CN107993230A (zh) | 基于三角网格综合特征的图像篡改检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20150513 |