CN104715257A - 一种图像中值滤波检测方法及装置 - Google Patents

Abstract

本发明适用于图像技术领域，提供了一种图像中值滤波检测方法及装置，包括：获取待检测图像的像素矩阵，并对获取到的待检测图像进行滤波处理，生成滤波图像的像素矩阵；根据预先建立的残差值生成模型以及所述滤波图像的像素矩阵，生成残差图像的残差值；根据预先建立的残差图像自相关系数生成模型以及所述残差图像的残差值，生成所述残差图像的自相关系数矩阵；将所述残差图像自相关系数矩阵转化为特征矢量；根据训练得到中值滤波分类器，以及所述残差图像自相关系数矩阵，判断所述待测图像是否经过中值滤波。本发明提高了检测图像是否经过中值滤波的效率和准确率。

Description

一种图像中值滤波检测方法及装置

技术领域

本发明属于图像技术领域，尤其涉及一种图像中值滤波检测方法及装置。

背景技术

随多媒体信息技术的发展，数字图片取代了胶片。图像处理软件，如Photoshop等软件功能日益强大，使得任何人都可篡改图片，并利用中值滤波技术使篡改过的图像消除篡改图像时留下的痕迹。修改后的图片，即便是专家亦很难辨别其真假，在某些情况下对数字图像的恶意篡改和传播，会给社会和人们的生活带来巨大危害，因此，我们需要对图像进行认证，以判断其原始性和真实性。由于中值滤波处理会在图像中留下处理的痕迹，因而通过检测图像是否经过中值滤波处理，也能为图像认证提供新的证据。

然而，现有图像中值滤波检测方法，其提取的特征矢量判别性不足，难以有效检测再次JPEG压缩的中值滤波图像，检测的准确率随着图像压缩因子和图像尺寸的减小而急剧降低。例如，当待检测图像经历了中值滤波，然后又进行了JPEG压缩，由于低质量因子的JPEG压缩在量化的过程中，能够明显地干扰中值滤波留下的痕迹，此时，由于提取的特征矢量判别性不足，因此难以有效检测再次JPEG压缩的中值滤波图像，检测的准确率随着图像压缩因子和图像尺寸的减小而急剧降低。

发明内容

本发明实施例的目的在于提供一种图像中值滤波检测方法，旨在解决现有图像中值滤波检测方法，其提取的特征矢量判别性不足，难以有效检测再次JPEG压缩的中值滤波图像，检测的准确率随着图像压缩因子和图像尺寸的减小而急剧降低的问题。

本发明实施例是这样实现的，一种图像中值滤波检测方法，包括：

获取待检测图像的像素矩阵，并对获取到的待检测图像进行滤波处理，生成滤波图像的像素矩阵；

根据预先建立的残差值生成模型以及所述滤波图像的像素矩阵，生成所述残差图像的残差值；

根据预先建立的残差图像自相关系数生成模型以及所述残差图像的残差值，生成所述残差图像的自相关系数矩阵；

将所述残差图像自相关系数矩阵转化为特征矢量；

根据训练得到中值滤波分类器，以及所述残差图像自相关系数矩阵，判断所述待测图像是否经过中值滤波。

本发明实施例的另一目的在于提供一种图像中值滤波检测装置，包括：

获取单元，用于获取待检测图像的像素矩阵，并对获取到的待检测图像进行滤波处理，生成滤波图像的像素矩阵；

第一生成单元，用于根据预先建立的残差值生成模型以及所述滤波图像的像素矩阵，生成所述残差图像的残差值；

第二生成单元，用于根据预先建立的残差图像自相关系数生成模型以及所述残差图像的残差值，生成所述残差图像的自相关系数矩阵；

转化单元，用于将所述残差图像自相关系数矩阵转化为特征矢量；

判断单元，用于根据训练得到中值滤波分类器，以及所述残差图像自相关系数矩阵，判断所述待测图像是否经过中值滤波。

在本发明实施例中，通过根据训练得到中值滤波分类器，以及所述残差图像自相关系数矩阵，判断所述待测图像是否经过中值滤波，避免了提取的特征矢量判别性不足，难以有效检测再次JPEG压缩的中值滤波图像的情况，同时避免了检测的准确率随着图像压缩因子和图像尺寸的减小而急剧降低的情况，从而提高了检测图像是否经过中值滤波的效率和准确率。

附图说明

图1是本发明实施例提供的图像中值滤波检测方法的实现流程图；

图2是三种图像残差自相关系数的较佳的样例图；

图3是中值滤波分类器为支持向量机的训练流程图；

图4是本发明在实施应用中生成特征矢量的较佳的实施流程图；

图5是本发明在实施应用中生成特征矢量的较佳的实施流程图；

图6是本发明实施例提供的图像中值滤波检测装置的结构框图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

图1是本发明实施例提供的一种图像中值滤波检测方法的实现流程图，详述如下：

在步骤S101中，获取待检测图像的像素矩阵，并对获取到的待检测图像进行滤波处理，生成滤波图像的像素矩阵；

其中，待检测图像表示需要进行检测图像中值滤波的图像。

获取待检测图像，可采用现有技术的任一种方式获取，如通过上网的方式获取，或通过本地数据库导入的方式获取。

待检测图像以矩阵的形式进行记录存储。

其中，所述滤波包括中值滤波、均值滤波以及高斯滤波。

其中，当所述滤波包括中值滤波、均值滤波以及高斯滤波时，所述对获取到的待检测图像进行滤波处理，生成所述待检测图像滤波后的像素矩阵，包括：

将待检测图像的像素矩阵进行中值滤波，生成经过中值滤波的像素矩阵；

将待检测图像的像素矩阵进行均值滤波，生成经过均值滤波的像素矩阵；

将待检测图像的像素矩阵进行高斯滤波，生成经过高斯滤波的像素矩阵。

对输入待检测图像的像素矩阵I，分别进行窗口大小为3x3的中值滤波，均值滤波，以及标准差为0.5的高斯滤波，得到滤波后像素矩阵t＝1,2,3。表示I经中值滤波后的像素矩阵，表示I经均值滤波后的像素矩阵，表示I经均值滤波后的像素矩阵。

在步骤S102中，根据预先建立的残差值生成模型以及所述残差图像的像素矩阵，生成所述残差图像的残差值；

作为本发明的一个优选实施例，在所述根据预先建立的残差值生成模型以及所述残差图像的像素矩阵，生成所述残差图像的残差值之前，包括：

建立残差值生成模型：

  (i,j)∈{1,2...M}×{1,2...N},t＝1,2,3

其中，I表示待检测图像的像素矩阵，I为一个M行N列像素矩阵；

表示待检测图像经过滤波后的像素矩阵，为一个M行N列像素矩阵；

i表示像素矩阵的第i行，j表示像素矩阵的第i列；

I(i,j)表示待检测图像的像素矩阵中的第i行j列的像素值；

t表示残差图像的像素矩阵的序号，对应于待检测图像滤波操作的滤波器类别；

表示第t个滤波图像的像素矩阵中的第i行j列的像素值；

d_t(i,j)表示的第t个残差图像的像素矩阵中i行j列处的残差值；

M表示像素矩阵的行数，N表示像素矩阵的列数。

在本实施例中，根据预先建立的残差值生成模型，将待检测图像的像素矩阵中像素值与滤波图像的像素矩阵中的像素值相减，生成残差图像的残差值，包括：

将待检测图像的像素矩阵中像素值与经过中值滤波的像素矩阵相减，生成中值滤波残差图像的残差值;

将待检测图像的像素矩阵中像素值与经过均值滤波的像素矩阵相减，生成均值滤波残差图像的残差值。

将待检测图像的像素矩阵中像素值与经过高斯滤波的像素矩阵相减，生成高斯滤波残差图像的残差值。

在步骤S103中，根据预先建立的残差图像自相关系数生成模型以及所述残差图像的残差值，生成所述残差图像的自相关系数矩阵；

作为本发明的一个优选实施例，在所述根据预先建立的残差图像自相关系数生成模型以及所述残差图像的残差值，生成所述残差图像的自相关系数矩阵之前，包括：

建立残差值生成模型：

${\mathrm{\&rho;}}_t(m,n)=\left\{\begin{array}{cc}\frac{\underset{i=1}{\overset{M-m}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{N-n}{\mathrm{\&Sigma;}}}{d}_t(i,j)d_t(i+m,j+n)}{\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{N}{\mathrm{\&Sigma;}}}{d}_t{(i,j)}^2}& m\&GreaterEqual;0,n\&GreaterEqual;0\\ \frac{\underset{i=1}{\overset{M-m}{\mathrm{\&Sigma;}}}\underset{j=1-n}{\overset{N}{\mathrm{\&Sigma;}}}{d}_t(i,j)d_t(i+m,j+n)}{\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{N}{\mathrm{\&Sigma;}}}{d}_t{(i,j)}^2}& m>0,n<0\end{array}\right.$

其中，ρ_t(m,n)=ρ_t(-m,-n)；

(m,n)∈{-M+1,-M+2...,M-1}×{-N+1,-N+2...,N-1}；

t表示残差图像的像素矩阵的序号；

d_t(i,j)表示的第t个残差图像中第i行第j列处的残差值；

M表示像素矩阵的行数，N表示像素矩阵的列数。

可选地，建立残差值生成模型，也可以为

${\mathrm{\&gamma;}}_t(m,n)=\left\{\begin{array}{cc}\frac{\underset{i=1}{\overset{M-m}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{N-n}{\mathrm{\&Sigma;}}}{d}_t(i,j)d_t(i+m,j+n)}{\mathrm{MN}}& m\&GreaterEqual;0,n\&GreaterEqual;0\\ \frac{\underset{i=1}{\overset{M-m}{\mathrm{\&Sigma;}}}\underset{j=1-n}{\overset{N}{\mathrm{\&Sigma;}}}{d}_t(i,j)d_t(i+m,j+n)}{\mathrm{MN}}& m>0,n<0\end{array}\right.$

将分子和分母中d_t替换为即中心化自相关系数和中心化自协方差。

其中，ρ_t(m,n)=ρ_t(-m,-n)；

(m,n)∈{-M+1,-M+2...,M-1}×{-N+1,-N+2...,N-1}；

t表示残差图像的像素矩阵的序号；

d_t(i,j)表示的第t个残差图像中第i行第j列处的残差值；

M表示像素矩阵的行数，N表示像素矩阵的列数。

在本发明实例中，m和n的取值为(m,n)∈{-3,-2,...,3}×{-3,-2,...,3}，故最终得到的自相关系数ρ_t(m,n)为7x7的矩阵。

在步骤S105中，将所述残差图像自相关系数矩阵转化为特征矢量；

参考图2，图2是三种图像残差自相关系数的较佳的样例图。

根据图2所示圆圈的位置，将三种图像残差自相关系数矩阵ρ_t(m,n)中除去ρ_t(0,0)以外不相等的系数提取出来并向量化（注：ρ_t(0,0)＝1），组合成特征矢量，最终特征矢量的维数为24*3=72。

在步骤S106中，根据训练得到中值滤波分类器以及所述特征矢量，判断所述待测图像是否经过中值滤波。

其中，分类器包括但不限于支持向量机(Support Vector Machine，SVM）、最近邻分类器，神经网络分类器等。

参考图3，图3是中值滤波分类器为支持向量机的训练流程图，其训练流程如下：

a）收集大量的未经过中值滤波的图像形成图像库D^ORI，图像库中的图像数量为w。对图像库D^ORI中的每幅图像进行3x3窗口的中值滤波，构成图像库D^MF3；对D^IRO中的每幅图像进行3x3窗口的均值滤波，构成图像库D^AVE；对D^IRO中的每幅图像进行3x3窗口，核函数标准差σ=^0.5的高斯滤波，构成图像库D^GAU；对D^ORI中的每幅图像进行尺度因子为0.9的线性下采样，构成图像库D^DOWS；（说明：由于中值滤波和均值滤波、高斯滤波、下采样这三类操作在图像上留下的统计痕迹极为相似，为了让分类器能学习到中值滤波与这三类操作的统计差异，故负样本图像库中包含了滤波参数较小的均值滤波、高斯滤波和下采样图像）。

b)图像库D^MF3和D^MF5分别为正样本图像库D^POS（库中所有图像经过中值滤波），将图像库D^ORI、D^AVG、D^GAU、D^DOWS分别为负样本图像库D^NEG；根据模块1所述步骤，计算D^pos中每幅图像的特征向量，标记为“+1”，计算D^NEG中每幅图像的特征向量，标记为“-1”。

c）将上述所得特征向量和类别标记用于训练SVM分类器，得到SVM判断模型（通过调用libSVM的接口函数svmtrain）。

判断所述待测图像是否经过中值滤波，其判断流程如下：

a)对待检测图像，根据步骤S104计算其特征矢量；

b）将所得特征矢量输入至模块2训练好的SVM分类器，得到判断类标；

c)若判断类标为“+1”，则判断待检测图像经过中值滤波；若判断类标为“-1”，则判断为未经过中值滤波。

在本实施例中，在提取特征时同时使用了三种滤波的残差图像，避免了仅在差分图像或中值滤波残差图像上进行特征提取的情况，使用的特征矢量更细致地刻画了中值滤波在图像造成的统计痕迹，因而能更好地区分中值滤波和均值滤波、中值滤波和高斯滤波、中值滤波和下采样操作。

此外，在计算特征矢量时，使用了二维自相关系数，而非一维统计模型因而能更好地挖掘二维残差图像的统计特性，故能获得更好的检测准确率。

作为本发明的一个实施例，参考图4，图4是本发明在实施应用中生成特征矢量的较佳的实施流程图。

作为本发明的一个实施例，参考图5，图5是本发明在实施应用中生成特征矢量的较佳的实施流程图。

作为本发明的一个实施例，为了评估本发明和现有技术方案在小尺寸和经过JPEG压缩的图像上的性能，设置了以下3组实验。

第一组实验：

本组实验测试的是各技术方案对质量因子为90的JPEG压缩的鲁棒性。即：待检测图像首先经历了中值滤波，然后又进行了质量因子为90的JPEG压缩。显然在这种情况下，JPEG压缩会干扰中值滤波的检测。

表1列出了在这种情况下，各技术方案区分中值滤波图像和原始图像、区分中值滤波图像和均值滤波图像、区分中值滤波图像和高斯滤波图像，区分中值滤波图像和下采样图像的准确率。最高检测准确率用加粗字体标注。

参考表1，表1是JPEG压缩因子为90时的检测准确率表，单位：%。（JPEG压缩因子：90）

由表1数据可以看出，在中等质量因子的JPEG压缩情况下，本发明对中值滤波操作的检测准确率较现有技术方案有明显的提高，在检测3×3窗口中值滤波时，提升幅度尤为明显，具体表现为图像尺寸为256×256、64×64和16×16时，本发明各种情况下准确率较现有技术方案分别提高约2～5%、7～9%和9～10%。此外，由表1可以发现现有技术方案1和2的准确率随图像尺寸的减小而急剧下降，而本发明的检测准确率则相对平稳，即便在图像尺寸为16×16时，检测3×3和5×5窗口中值滤波的准确率都仍然高于97%，然而现有技术方案在检测3×3窗口中值滤波的准确率都低于90%

第二组实验：

本组实验测试的是各技术方案对质量因子为60的JPEG压缩的鲁棒性。

参考表2，表2是JPEG压缩因子为60时的检测准确率表，单位：%。（JPEG压缩因子：60）。

由表2数据可以看出，在中等质量因子的JPEG压缩情况下，本发明对中值滤波操作的检测准确率较现有技术方案依然有明显的提高，尤其在检测各尺寸图像的3×3窗口中值滤波，以及检测图像尺寸为16×16时的5×5窗口中值滤波。由表2同样可以发现现有技术方案1和2的准确率随图像尺寸的减小而急剧下降，而本发明的检测准确率则相对平稳，同时当图像尺寸为16×16时，本发明方法各种情况下的准确率较现有技术方案高约6～12%，准确率都在93%以上。

第三组实验：

本组实验测试的是各技术方案对质量因子为30的JPEG压缩的鲁棒性。

参考表3，表3是JPEG压缩因子为90时的检测准确率表，单位：%。（JPEG压缩因子：30）

类似地，由表2数据可以看出，在低质量因子的JPEG压缩情况下，本发明对中值滤波操作的检测准确率较现有技术方案依然有明显的提高，当图像尺寸为16×16时，本发明方法各种情况下的准确率较现有技术方案高约5～10%，且都在88%以上

通过对照表1、表2和表3，可以发现在图像尺寸一定时，本发明和现有技术方案1和2的准确率都随着JPEG压缩因子的减小而有所降低，但是在三种不同压缩因子下，本发明的准确率较现有技术方案1和2都有明显的提高。

图6是本发明实施例提供的一种图像中值滤波检测装置，为了便于说明，仅示出了与本实施例相关的部分。

参照图6，该图像中值滤波检测装置，包括：

获取单元61，用于获取待检测图像的像素矩阵，并对获取到的待检测图像进行滤波处理，生成滤波图像的像素矩阵；

第一生成单元62，用于根据预先建立的残差值生成模型以及所述滤波图像的像素矩阵，生成所述残差图像的残差值；

第二生成单元63，用于根据预先建立的残差图像自相关系数生成模型以及所述残差图像的残差值，生成所述残差图像的自相关系数矩阵；

转化单元64，用于将所述残差图像自相关系数矩阵转化为特征矢量；

判断单元65，用于根据训练得到中值滤波分类器，以及所述残差图像自相关系数矩阵，判断所述待测图像是否经过中值滤波。

进一步地，在该图像中值滤波检测装置中，所述滤波包括中值滤波、均值滤波以及高斯滤波。

进一步地，在该图像中值滤波检测装置中，所述第一生成单元，还用于将待检测图像的像素矩阵进行中值滤波，生成中值滤波残差图像的像素矩阵；

用于将待检测图像的像素矩阵进行均值滤波，生成均值滤波残差图像的像素矩阵；

用于将待检测图像的像素矩阵进行高斯滤波，生成高斯滤波残差图像的像素矩阵。

进一步地，在该图像中值滤波检测装置中，还包括：

第一建立单元，用于建立残差值生成模型：

  (i,j)∈{1,2...M}×{1,2...N},t＝1,2,3...X

其中，I表示待检测图像的像素矩阵，I为一个M行N列像素矩阵；

表示待检测图像经过滤波后的像素矩阵，为一个M行N列像素矩阵；

i表示像素矩阵的第i行，j表示像素矩阵的第i列；

I(i,j)表示待检测图像的像素矩阵中的第i行j列的像素值；

t表示残差图像的像素矩阵的序号，对应于待检测图像滤波操作的滤波器类别；

表示第t个滤波图像的像素矩阵中的第i行j列的像素值；

d_t(i,j)表示的第t个残差图像的像素矩阵中i行j列处的残差值；

M表示像素矩阵的行数，N表示像素矩阵的列数，X表示残差图像的像素矩阵的序号数。

进一步地，在该图像中值滤波检测装置中，还包括：

第二建立单元，用于建立残差值生成模型：

${\mathrm{\&rho;}}_t(m,n)=\left\{\begin{array}{cc}\frac{\underset{i=1}{\overset{M-m}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{N-n}{\mathrm{\&Sigma;}}}{d}_t(i,j)d_t(i+m,j+n)}{\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{N}{\mathrm{\&Sigma;}}}{d}_t{(i,j)}^2}& m\&GreaterEqual;0,n\&GreaterEqual;0\\ \frac{\underset{i=1}{\overset{M-m}{\mathrm{\&Sigma;}}}\underset{j=1-n}{\overset{N}{\mathrm{\&Sigma;}}}{d}_t(i,j)d_t(i+m,j+n)}{\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{N}{\mathrm{\&Sigma;}}}{d}_t{(i,j)}^2}& m>0,n<0\end{array}\right.$

其中，ρ_t(m,n)=ρ_t(-m,-n)；

(m,n)∈{-M+1,-M+2...,M-1}×{-N+1,-N+2...,N-1}；

t表示残差图像的像素矩阵的序号；

d_t(i,j)表示的第t个残差图像中第i行第j列处的残差值；

M表示像素矩阵的行数，N表示像素矩阵的列数。

本发明实施例提供的装置可以应用在前述对应的方法实施例中，详情参见上述实施例的描述，在此不再赘述。

通过以上的实施方式的描述，所属领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在可读取的存储介质中，如计算机的软盘，硬盘或光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述的方法。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种图像中值滤波检测方法，其特征在于，包括：

获取待检测图像的像素矩阵，并对获取到的待检测图像进行滤波处理，生成滤波图像的像素矩阵；

根据预先建立的残差值生成模型以及所述滤波图像的像素矩阵，生成所述残差图像的残差值；

根据预先建立的残差图像自相关系数生成模型以及所述残差图像的残差值，生成所述残差图像的自相关系数矩阵；

将所述残差图像自相关系数矩阵转化为特征矢量；

根据训练得到中值滤波分类器，以及所述残差图像自相关系数矩阵，判断所述待测图像是否经过中值滤波。

2.如权利要求1所述的方法，其特征在于，所述滤波包括中值滤波、均值滤波以及高斯滤波。

3.如权利要求2所述的方法，其特征在于，当所述滤波包括中值滤波、均值滤波以及高斯滤波时，所述对获取到的待检测图像进行滤波处理，生成所述待检测图像滤波后的像素矩阵，包括：

将待检测图像的像素矩阵进行中值滤波，生成经过中值滤波的像素矩阵；

将待检测图像的像素矩阵进行均值滤波，生成经过均值滤波的像素矩阵；

将待检测图像的像素矩阵进行高斯滤波，生成经过高斯滤波的像素矩阵。

4.如权利要求1所述的方法，其特征在于，在所述根据预先建立的残差值生成模型以及所述滤波图像的像素矩阵，生成所述残差图像的残差值之前，包括：

建立残差值生成模型：

  (i,j)∈{1,2...M}×{1,2...N},t＝1,2,3...X

其中，I表示待检测图像的像素矩阵，I为一个M行N列像素矩阵；

表示待检测图像经过滤波后的像素矩阵，为一个M行N列像素矩阵；

i表示像素矩阵的第i行，j表示像素矩阵的第j列；

I(i,j)表示待检测图像的像素矩阵中的第i行j列的像素值；

t表示残差图像的像素矩阵的序号，对应于待检测图像滤波操作的滤波器类别；

表示第t个滤波图像的像素矩阵中的第i行j列的像素值；

d_t(i,j)表示的第t个残差图像的像素矩阵中i行j列处的残差值；

M表示像素矩阵的行数，N表示像素矩阵的列数，X表示残差图像的像素矩阵的序号数。

5.如权利要求1所述的方法，其特征在于，在所述根据预先建立的残差图像自相关系数生成模型以及所述残差图像的残差值，生成所述残差图像的自相关系数矩阵之前，还包括：

建立残差图像自相关系数生成模型：

${\mathrm{\&rho;}}_t(m,n)=\left\{\begin{array}{cc}\frac{\underset{i=1}{\overset{M-m}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{N-n}{\mathrm{\&Sigma;}}}{d}_t(i,j)d_t(i+m,j+n)}{\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{N}{\mathrm{\&Sigma;}}}{d}_t{(i,j)}^2}& m\&GreaterEqual;0,n\&GreaterEqual;0\\ \frac{\underset{i=1}{\overset{M-m}{\mathrm{\&Sigma;}}}\underset{j=1-n}{\overset{N}{\mathrm{\&Sigma;}}}{d}_t(i,j)d_t(i+m,j+n)}{\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{N}{\mathrm{\&Sigma;}}}{d}_t{(i,j)}^2}& m>0,n<0\end{array}\right.$

其中，ρ_t(m,n)=ρ_t(-m,-n)；

(m,n)∈{-M+1,-M+2...,M-1}×{-N+1,-N+2...,N-1}；

t表示残差图像的像素矩阵的序号，对应于待检测图像滤波操作的滤波器类别；

d_t(i,j)表示的第t个残差图像中第i行第j列处的残差值；

M表示像素矩阵的行数，N表示像素矩阵的列数。

6.一种图像中值滤波检测装置，其特征在于，包括：

获取单元，用于获取待检测图像的像素矩阵，并对获取到的待检测图像进行滤波处理，生成待检测图像滤波后的的像素矩阵；

第一生成单元，用于根据预先建立的残差值生成模型以及所述滤波图像的像素矩阵，生成所述残差图像的残差值；

第二生成单元，用于根据预先建立的残差图像自相关系数生成模型以及所述残差图像的残差值，生成所述残差图像的自相关系数矩阵；

转化单元，用于将所述残差图像自相关系数矩阵转化为特征矢量；

判断单元，用于根据训练得到中值滤波分类器，以及所述残差图像自相关系数矩阵，判断所述待测图像是否经过中值滤波。

7.如权利要求6所述的装置，其特征在于，所述滤波包括中值滤波、均值滤波以及高斯滤波。

8.如权利要求7所述的装置，其特征在于，所述第一生成单元，还用于将待检测图像的像素矩阵进行中值滤波，生成经过中值滤波的像素矩阵；

用于将待检测图像的像素矩阵进行均值滤波，生成经过均值滤波的像素矩阵；

用于将待检测图像的像素矩阵进行高斯滤波，生成经过高斯滤波的像素矩阵。

9.如权利要求6所述的装置，其特征在于，还包括：

第一建立单元，用于建立残差值生成模型：

  (i,j)∈{1,2...M}×{1,2...N},t＝1,2,3...X

其中，I表示待检测图像的像素矩阵，I为一个M行N列像素矩阵；

表示待检测图像经过滤波后的像素矩阵，为一个M行N列像素矩阵；

i表示像素矩阵的第i行，j表示像素矩阵的第i列；

I(i,j)表示待检测图像的像素矩阵中的第i行j列的像素值；

t表示残差图像的像素矩阵的序号，对应于待检测图像滤波操作的滤波器类别；

表示第t个滤波图像的像素矩阵中的第i行j列的像素值；

d_t(i,j)表示的第t个残差图像中i行j列处的残差值；

M表示像素矩阵的行数，N表示像素矩阵的列数，X表示残差图像的像素矩阵的序号数。

10.如权利要求6所述的装置，其特征在于，还包括：

第二建立单元，用于建立残差图像自相关系数生成模型：

${\mathrm{\&rho;}}_t(m,n)=\left\{\begin{array}{cc}\frac{\underset{i=1}{\overset{M-m}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{N-n}{\mathrm{\&Sigma;}}}{d}_t(i,j)d_t(i+m,j+n)}{\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{N}{\mathrm{\&Sigma;}}}{d}_t{(i,j)}^2}& m\&GreaterEqual;0,n\&GreaterEqual;0\\ \frac{\underset{i=1}{\overset{M-m}{\mathrm{\&Sigma;}}}\underset{j=1-n}{\overset{N}{\mathrm{\&Sigma;}}}{d}_t(i,j)d_t(i+m,j+n)}{\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{N}{\mathrm{\&Sigma;}}}{d}_t{(i,j)}^2}& m>0,n<0\end{array}\right.$

其中，ρ_t(m,n)=ρ_t(-m,-n)；

(m,n)∈{-M+1,-M+2...,M-1}×{-N+1,-N+2...,N-1}；

t表示残差图像的像素矩阵的序号，对应于待检测图像滤波操作的滤波器类别；

d_t(i,j)表示的第t个残差图像中第i行第j列处的残差值；

M表示像素矩阵的行数，N表示像素矩阵的列数。