发明内容
为了解决上述技术问题,本发明提出了一种采用两种纹理描述技术提取图像的特征向量的方法,并据此利用分类器对图像进行分类预测,从而识别图像是否为翻拍图像。
本发明首先提出了一种识别翻拍图像的方法,包括:步骤一,接收电子图像;步骤二,对所述电子图像进行高通滤波,获得所述电子图像的残差图像;步骤三,使用局部二值模式LBP描述方法对残差图像的每一个像素的纹理进行描述,生成纹理描述图像;步骤四,生成所述纹理描述图像的共生矩阵;步骤五,对所述共生矩阵进行归一化,作为该电子图像的特征向量;步骤六,将所述电子图像的特征向量输入已经训练好的分类器,根据分类器的输出结果判断该电子图像是否是翻拍图像,其中,将多个已知是否为翻拍图像的电子图像作为图像库对分类器进行训练,从而获得所述已经训练好的分类器。
根据本发明的一个方面,所述纹理描述图像中的每一个像素均使用相应的LBP值进行描述,其中每一个像素的LBP值通过如下步骤获得:利用LBP-mean方法得到目标像素及所述目标像素周围八个像素的平均残差值lm,其计算公式为:lm=mean(l0,l1,...,l7,lc);其中,mean()是求平均值的函数,l0,l1,...,l7分别是目标像素周围八个像素的残差值,lc是目标像素pc的残差值,lm为求出的平均残差值。在得到平均残差值之后,利用下式计算目标像素的LBP值:其中,LBPpc是目标像素pc的LBP值;s()为取符号函数,即如果自变量为正数则s为1,否则为0;l2i是与目标像素pc共边的四个像素即像素p0、p2、p4以及p6的残差值;lm是所述平均残差值。
根据本发明的一个方面,所述步骤四具体包括根据所述纹理描述图像中连续水平或垂直相邻的LBP值出现的次数生成共生矩阵,所述共生矩阵中的每一个值均表示一种连续水平或垂直相邻的LBP值在所述纹理描述图像中出现的次数。
根据本发明的一个方面,在所述步骤五中,首先将共生矩阵转换为向量,然后找出该向量中的最大值,将该向量中的每个值除以该最大值得到的值作为归一化后的向量值,从而生成所述特征向量。
根据本发明的一个方面,在步骤二中,采用隐写分析技术SRM中的滤波方法对所述电子图像进行高通滤波。
根据本发明的一个方面,在所述步骤六中,分类器选用支持向量机或集成分类器,在对这些分类器进行训练时,首先将所述图像库中的图像执行所述步骤一到步骤五以提取各自的特征向量,然后根据该特征向量以及表示是否为翻拍图像的数据对分类器进行训练,从而得到所述已经训练好的分类器。
本发明还提出了一种识别翻拍图像的装置,包括:接收单元,用于接收电子图像;滤波单元,用于对所述电子图像进行高通滤波,获得所述电子图像的残差图像;描述单元,用于使用局部二值模式LBP描述方法对残差图像的每一个像素的纹理进行描述,生成纹理描述图像;生成单元,用于生成所述纹理描述图像的共生矩阵;提取单元,用于对所述共生矩阵进行归一化,作为该电子图像的特征向量;识别单元,用于将所述电子图像的特征向量输入已经训练好的分类器,根据分类器的输出结果判断该电子图像是否是翻拍图像,其中,将多个已知是否为翻拍图像的电子图像作为图像库对分类器进行训练,从而获得所述已经训练好的分类器。
根据本发明的一个方面,在描述单元中,所述纹理描述图像中的每一个像素均使用相应的LBP值进行描述,其中所述描述单元用于通过执行以下步骤获得每一个像素的LBP值:利用LBP-mean方法得到目标像素及所述目标像素周围八个像素的平均残差值lm,其计算公式为:lm=mean(l0,l1,...,l7,lc);其中,mean()是求平均值的函数,l0,l1,...,l7分别是目标像素周围八个像素的残差值,lc是目标像素pc的残差值,lm为求出的平均残差值。在得到平均残差值之后,利用下式计算目标像素的LBP值:其中,LBPpc是目标像素pc的LBP值;s()为取符号函数,即如果自变量为正数则s为1,否则为0;l2i是与目标像素pc共边的四个像素即像素p0、p2、p4以及p6的残差值;lm是所述平均残差值。
根据本发明的一个方面,所述生成单元具体用于根据所述纹理描述图像中连续水平或垂直相邻的LBP值出现的次数生成共生矩阵,所述共生矩阵中的每一个值均表示一种连续水平或垂直相邻的LBP值在所述纹理描述图像中出现的次数。
根据本发明的一个方面,所述提取单元用于首先将共生矩阵转换为向量,然后找出该向量中的最大值,将该向量中的每个值除以该最大值得到的值作为归一化后的向量值,从而生成所述特征向量。
根据本发明的一个方面,在滤波单元中,采用隐写分析技术SRM中的滤波方法对所述电子图像进行高通滤波。
根据本发明的一个方面,在识别单元中,分类器选用支持向量机或集成分类器,在对这些分类器进行训练时,首先将所述图像库中的图像执行所述步骤一到步骤五以提取各自的特征向量,然后根据该特征向量以及表示是否为翻拍图像的数据对分类器进行训练,从而得到所述已经训练好的分类器。
由此可见,本发明提出的技术方案依次运用两种纹理描述技术,即局部二值模式和共生矩阵,并考虑共生矩阵的大小对该方法带来的复杂度,提出了一种新的局部二值模式描述方法,从而能够生成适当的共生矩阵。根据本方法,能够在不增加时间和空间复杂度的情况下提高翻拍图像的识别精确度。
具体实施方式
仅为说明的目的提出下述实施例,这些实施例并不限定本发明的保护范围。
图1示出了本发明提出的识别翻拍图像的方法的总体流程图。
步骤一,接收电子图像;
步骤二,对所述电子图像进行高通滤波,获得所述电子图像的残差图像;
步骤三,使用局部二值模式(Local Binary Pattern,简称LBP)描述方法对残差图像的每一个像素的纹理进行描述,生成纹理描述图像;
步骤四,生成所述纹理描述图像的共生矩阵;
步骤五,对所述共生矩阵进行归一化,作为该电子图像的特征向量;
步骤六,将所述电子图像的特征向量输入已经训练好的分类器,根据分类器的输出结果判断该电子图像是否是翻拍图像。
其中,步骤一中接收的电子图像可为使用数码相机拍摄的任何二维图像。
在步骤二中,可采用隐写分析技术SRM(Spatial Rich Model,简称SRM)中的滤波方法对所述电子图像进行高通滤波,所述隐写分析技术具有六种残差类型,每种残差类型具有多种“spam”或“minmax”类型残差,因此它最终可获得39种残差模型。本发明所提出的方法可择一使用所述残差模型。当然,步骤二还可使用其他高通滤波器对电子图像进行高通滤波,这里不再一一介绍。
在步骤六中,分类器可选用支持向量机(SVM)或集成分类器进行分类预测,在对这些分类器进行训练时,首先选择图像库,该图像库中存在多个翻拍和非翻拍图像,将这些图像通过所述步骤一到步骤五提取各自的特征向量,将该特征向量以及表示是否为翻拍图像的数据输入分类器中,从而得到训练好的分类器。由于本领域技术人员了解对分类器进行训练的方法,这里不再进行进一步的描述。
下面,重点介绍本发明所提出的提取特征向量的方法。
所述LBP描述方法能够描述每个像素局部纹理,传统的LBP描述方法,采用像素点周围的八个像素点来计算该像素的LBP值,并且它不适合从多个方向和角度描述细微的图像修改痕迹。
图2示出了电子图像局部像素的放大图。其中,目标像素即位于中间像素用pc表示,其周围包括八个像素,分别为p0,p1,p2,…,p7,在传统的LBP描述方法中,目标像素pc所对应的LBP值通过比较它与周围八个像素之间的强度值大小关系获得,采用下述公式:
(公式1)
其中LBPpc是目标像素pc的LBP值;s()为取符号函数,即如果自变量为正数则s为1,否则为0;li是pc周围八个像素的残差值,通过残差图像即可获得该残差值;lc是pc的强度值。
然而,传统的LBP描述方法容易造成局部纹理信息的缺失,此外,使用传统的LBP描述方法所获得的目标像素的LBP值范围较大([0,255]),这样,在步骤四中所生成的共生矩阵会变得更大(特别是共生矩阵的维度较高时),从而不利于之后特征向量的提取以及分类器的分类。为了降低复杂度并克服纹理信息确实这一问题,本发明提出了一种新的LBP描述方法。
仍然参见图2所示的局部像素放大图,本发明选用与目标像素pc的四条边共边的四个像素点作为计算目标像素LBP值的参考点,而并不采用所有的八个点,如图2所示,即选用p0、p2、p4、以及p6作为参考点;此外,为了解决局部纹理信息缺失的问题,本发明采用了LBP-mean方法,利用该方法可综合考虑所有像素的强度值。下面具体对这种方法做出介绍。
首先,利用LBP-mean方法得到目标像素及其周围八个像素的平均残差值lm,其计算公式如下:
lm=mean(l0,l1,...,l7,lc) (公式2)
其中,mean()是求平均值的函数,l0,l1,...,l7分别是目标像素周围八个像素的残差值,lc是目标像素pc的残差值,lm为求出的平均残差值。
在下面对于目标像素的LBP值计算过程中,利用到了上述平均值,也就是说,它充分考虑了目标像素本身以及周围像素的纹理信息,解决了传统LBP算法中纹理信息缺失的问题。这将在下文进行进一步描述。
在得到平均残差值之后,利用下式计算目标像素的LBP值:
(公式3)
其中,LBPpc是目标像素pc的LBP值;s()为取符号函数,即如果自变量为正数则s为1,否则为0;l2i是与目标像素pc共边的四个像素即p0、p2、p4、以及p6的残差值;lm是所述平均残差值。选用这四个像素作为参考点的原因在于,它们距离目标像素的距离最近,能够描述最为轻微的图像纹理变化,这对于翻拍图像来说更具有针对性,原因在于翻拍图像的纹理变化较小。
根据该公式可以看出,其考虑了更为丰富的局部纹理信息,而且其取值范围相较传统的LBP方法有着较大幅度的减小,根据公式3可知,其取值范围为[0,15],这将在下面的共生矩阵的计算中大大减少该方法的复杂度,这将在下文中进一步描述。
根据上述方法,可生成步骤三中的纹理描述图像,在该图像中,每个像素使用一个LBP值进行描述。
本发明的步骤四中提出的共生矩阵通过统计相邻位置数值出现的次数,可有效发现图像自然统计特征的变化。本发明中所使用的是根据连续水平或垂直相邻的LBP值出现的次数生成的共生矩阵,即共生矩阵中的每一个值均表示一种连续水平或垂直相邻的LBP值在所述纹理描述图像中出现的次数。举例来说,如果选择两个相邻的LBP值,那么所生成的共生矩阵相当于一个二维矩阵A,矩阵中的每一个值A[m,n]表示两个相邻的LBP值(m,n)在该纹理描述图像中出现的次数。
如果利用传统的LBP方法生成二维的共生矩阵,由于LBP值的取值范围为[0,255],那么该共生矩阵包括256×256个值,即为256行256列的矩阵;而采用本发明所提出的LBP描述方法,其大小仅为16×16,极大减少了以后计算的复杂度。此外,如果选择三个或者更多相邻的LBP值生成三维或更多维度的共生矩阵,那么本发明提出的取值范围较小的LBP值的优势则更大。
本发明提出的步骤五中,可通过首先将共生矩阵转换为向量(例如提取出矩阵每一行并排成一行),然后找出向量中的最大值,向量中的每个值除以该最大值得到的值作为归一化后的向量值,从而生成所述特征向量。
在使用本发明所提出的方法进行的试验中,在步骤六中采用了1000幅真实图像和1000幅翻拍图像作为图像库对分类器进行训练,并将3000幅图像作为输入图像来判断该方法的准确率,经试验发现,采用不同的残差模型具有不同的识别准确率,但所有的准确率均达到了85%以上,最优的准确率达到90%以上,并且相对于传统的检测方法,准确率更高,而且所采用的特征向量的维度更低。因此,本发明的方法能够在保证算法复杂度较低的情况下提高翻拍图像的识别准确率。
此外,本发明还提出了一种用于执行上述方法的装置,所述装置所包含的各个单元分别用于执行该方法的各个步骤或子步骤,这里不再赘述。
本发明所提出的上述实施例仅为对本发明的说明,并不作为对本发明保护范围的限制。本领域技术人员可基于上述说明对本发明作出修改,这些修改同样属于本发明公开的内容而落入本发明的保护范围内。