CN106056523A - 数字图像拼接篡改盲检测方法 - Google Patents

Abstract

本发明公开了数字图像拼接篡改盲检测方法，利用LMD和CCDCT方法分别对图像特征提取，LMD将原始信号分解为若干PF分量之和，PF分量由包络信号和纯调频信号相乘而得，包络信号表示PF分量的瞬时幅值，瞬时频率可由纯调频信号求得。因此所有PF分量的瞬时幅值和瞬时频率构成原始信号的完备时‑频分布，在这基础上进行特征提取能够在一定程度上反应拼接操作造成的影响。由于拼接操作会影响图像的平滑、一致、连续、规则等特性，从而改变像素间的内在联系，利用CCDCT方法得到一系列二维数组，这些数组能够反应以上性质的变化，因此用CCDCT方法提取特征，能够有效地检测拼接图像；将以上两种方法提取的特征作为混合特征结合Adaboost分类器鉴别图像的真实性，取得较好的效果。

Description

数字图像拼接篡改盲检测方法

技术领域

本发明涉及数字图像拼接篡改盲检测方法，具体涉及一种对图像进行特征提取并判定其是否经过拼接篡改的方法，属于数字图像处理技术领域。

背景技术

随着电子技术的发展，数字图像已广泛的应用于人们的日常办公、学习与生活中，但先进的技术往往是把双刃剑，在给人们带来便利的同时也引发了许多困扰。人们可以根据自己的意愿肆意的篡改数字图像，使得他人无法用肉眼辨别一副数字图像的真伪。数字图像的安全认证技术可以保证数字图像信息的真伪，是目前大力发展的一种信息安全技术。与数字水印、数字签名等主动认证技术相比，基于图像分析的被动盲认证技术在认证过程中仅仅依赖于图像自身的一些特征(统计)信息，不需要加入额外的鉴别信息。图像的拼接篡改是指将不同幅图片(或者同一幅图片)的一部分通过拷贝的方式覆盖到图片的另一区域，以达到修改图像内容的目的。近年来，随着Photoshop等专业图像处理软件的普及，以拼接篡改为代表的图片造假事件不断涌现。因此，基于图像自身信息的图像拼接篡改盲检测技术，引起了人们的广泛关注。

拼接篡改会影响图像中某些特征信息的平滑性、一致性、连续性和规则性。目前，大多数的拼接篡改检测是通过检测图像的某些特征来实现的。Ng等(Blind Detection ofPhotomontage Using Higher Order Statistic.ISCAS'04,2004:688-691)利用图像的归一化双谱的幅度均值和负相位熵作为特征能实现拼接篡改取证。Johnson等(ExposingDigital Forgeriesin Complex Lighting Environments.IEEE TIFS,2007,2(3):450-461)建立图像强度与复杂光照环境之间的低阶近似线性模型，提出从图像中估计环境光照参数的方法，若两个区域之间的光照参数归一化大于某预设门限，则认为两个区域是在不同条件下拍摄的，否则，认为是在相同条件下拍摄的。文献(Detection of Image SplicingBased on Hilbert-Huang Transform and Moments of Characteristic Functions withWavelet Decomposition.IDWSDM'06,2006:177-187)提出两类用于图像拼接篡改取证的特征。第1类特征以Hilbert-Huang变换为基础，第2类特征为待检测图像及其小波变换的各子带图像、预测误差图像及其小波变换的各子带图像的特征函数的一阶至三阶矩。局部均值分解(LMD)是近年来提出的一种新的非线性、非平稳信号分析方法。LMD依据信号本身的信息进行自适应分解，得到的时频分布能够清晰准确地反映出信号能量在空间各尺度上的分布规律。目前，LMD已成功应用于脑电信号分析领域。

发明内容

本发明所要解决的技术问题是：提供数字图像拼接篡改盲检测方法，基于局部均值分解(Local Mean Decomposition，LMD)和组合DCT系数法(CCDCT)对图像特征提取，并利用Adaboost分类器鉴别图像的真实性，通过分析各尺度空间上的图像能量分布和局部频率分布规律，有效地检测图像的拼接篡改。

本发明为解决上述技术问题采用以下技术方案：

数字图像拼接篡改盲检测方法，包括如下步骤：

步骤1，获取数字图像的训练样本图像和检测样本图像，对所有样本图像做横向蛇形扫描和纵向蛇形扫描，将所有样本图像由二维图像转化为一维信号；

步骤2，利用局部均值分解方法对经过横向蛇形扫描后得到的一维信号进行分解，得到若干个PF分量，取前4个PF分量的瞬时幅值和瞬时频率，分别计算瞬时幅值和瞬时频率各自对应的均值、方差、偏度和峰度；对经过纵向蛇形扫描后得到的一维信号进行上述相同的处理，共得到64维特征值；

步骤3，对所有样本图像进行离散余弦变换得到二维数组，用一维离散Haar小波对二维数组进行一级小波分解，得到小波分量；将所有样本图像作为0级小波分量，再由所有小波分量得到直方图特征方程，进而求解直方图质心，得到5维特征值；

步骤4，计算步骤3得到的二维数组的预测误差二维矩阵，对预测误差二维矩阵进行与步骤3相同的处理，得到5维特征值；

步骤5，将所有样本图像分别做2*2、4*4、8*8三次分块，并对每次分块后的图像进行步骤3与步骤4相同的处理，得到30维特征值；

步骤6，将步骤2-步骤5得到的特征值串联后，做归一化处理，利用Adaboost算法对训练样本图像归一化处理后的特征值进行训练，得到Adaboost分类器，将检测样本图像归一化处理后的特征值输入Adaboost分类器进行检测分类。

作为本发明的一种优选方案，步骤2所述利用局部均值分解方法对经过横向蛇形扫描后得到的一维信号进行分解，得到若干个PF分量的具体过程为：

(a)找出一维信号的所有极大、极小值点，计算任意两个相邻极值点的平均值，用直线将所有相邻的平均值点连接起来形成折线，并利用滑动平均法对上述折线做平滑处理得到局部均值函数；

(b)计算任意两个相邻极值点的包络估计值，用直线将所有相邻的包络估计值点连接起来形成折线，并利用滑动平均法对上述折线做平滑处理得到包络估计函数；

(c)将局部均值函数从一维信号中分离出来得到分离后的函数，利用包络估计函数对分离后的函数进行解调，得到解调后的函数，

(d)将解调后的函数代替(a)中的一维信号并重复(a)和(b)，求得新的包络估计函数，当1-Δ≤新的包络估计函数≤1+Δ时，将解调后的函数作为纯调频函数，Δ为参考量；否则，将解调后的函数代替(a)中的一维信号并重复(a)-(d)；

(e)当(a)-(d)迭代终止时，将所有的包络估计函数相乘可得包络信号，该包络信号与(d)得到的纯调频函数相乘得到PF分量；

(f)将PF分量从一维信号中分离出来，并产生新的一维信号，将新的一维信号代替(a)中的一维信号并重复(a)-(e)，当新的一维信号为单调函数时，迭代终止。

作为本发明的一种优选方案，步骤4所述计算步骤3得到的二维数组的预测误差二维矩阵的具体方法为：计算二维数组的预测二维矩阵，二维数组与预测二维矩阵的差即为预测误差二维矩阵；其中，预测二维矩阵中各像素的值由卷积公式得到，卷积过程中，当当前像素位于二维数组的第一行、第一列、最后一行或最后一列时，对二维数组进行扩展，在二维数组的第一行上面增加一行、第一列前面增加一列、最后一行下面增加一行、最后一列后面增加一列，且增加的行和列的像素值均为0；所述卷积公式为：

$N_{x,y}=\begin{array}{c}{w}_0\×O_{x-1,y-1}+w_1\×O_{x,y-1}+w_2\×O_{x+1,y-1}+\\ w_3\×O_{x-1,y}+w_4\×O_{x,y}+w_5\×O_{x+1,y}+\\ w_6\×O_{x-1,y+1}+w_7\×O_{x,y+1}+w_8\×O_{x+1,y+1}\end{array},$

其中，N_x,y表示预测二维矩阵中像素(x,y)的值，w₀,w₁,w₂,w₃,w₄,w₅,w₆,w₇,w₈均表示权重，O_x-1,y-1,O_x,y-1,O_x+1,y-1,O_x-1,y,O_x,y,O_x+1,y,O_x-1,y+1,O_x,y+1,O_x+1,y+1分别对应表示二维数组中像素(x-1,y-1),(x,y-1),(x+1,y-1),(x-1,y),(x,y),(x+1,y),(x-1,y+1),(x,y+1),(x+1,y+1)的值。

作为本发明的一种优选方案，步骤6所述利用Adaboost算法对训练样本图像归一化处理后的特征值进行训练，得到Adaboost分类器的具体过程为：

(a)将各训练样本图像归一化处理后的特征值作为训练样本进行训练，并设置最大迭代次数；

(b)对各训练样本赋予初始权值，使用具有初始权值分布的训练样本进行学习，并得到弱分类器，计算弱分类器在训练样本上的分类误差率，根据分类误差率计算该弱分类器的系数；更新训练样本的权值，对更新权值后的训练样本进行上述同样的处理；

(c)当到达最大迭代次数时，迭代终止，并将每次迭代得到的弱分类器组合起来，得到Adaboost分类器。

作为本发明的一种优选方案，所述对各训练样本赋予初始权值中，初始权值均相同。

本发明采用以上技术方案与现有技术相比，具有以下技术效果：

1、本发明数字图像拼接篡改盲检测方法，属于非线性过程，LMD在处理非线性、非平稳信号方面有着广泛的应用，相比与经典的经验模式分解(EMD)、小波变换等方法，其具有很强的自适应性。

2、本发明数字图像拼接篡改盲检测方法，采用新的非线性、非平稳信号分析方法LMD对图像进行特征提取，能够清晰描述信号能量在空间各尺度上的分布，LMD能够根据信号自身的特性进行自适应分解，所得的PF分量都具有一定的物理意义且能够反映信号的固有模态，LMD在克服能量泄露、减少迭代次数和保留信号信息完整性等方面的性能更为优越。

3、本发明数字图像拼接篡改盲检测方法，由于拼接操作的复杂多样性，不能期望用一个块的二维离散余弦变换(BDCT)就能有效捕捉到这些改变。选用不同尺寸的块，采用CCDCT进行特征提取，CCDCT的系数能察觉到不同形式的频率分布改变，因而能用从CCDCT二维数组里提取的特征值区分出拼接图像和自然图像。

4、本发明数字图像拼接篡改盲检测方法，将LMD方法和CCDCT方法提取的特征作为混合特征，对图像进行拼接检测，取得了较好的效果。

附图说明

图1是本发明数字图像拼接篡改盲检测方法的实施流程图。

图2是本发明中LMD特征提取过程流程图。

图3是本发明中预测误差二维矩阵求解所用的卷积模版示意图。

图4是本发明中CCDCT特征提取过程流程图。

具体实施方式

下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。

如图1所示，为本发明数字图像拼接篡改盲检测方法的实施流程图，具体步骤如下：

1、局部均值分解(LMD)特征提取

从本质上讲，LMD方法是依据信号的局部时间尺度特征，按照频率由高到低的顺序从原始信号中分离出纯调频信号和包络信号的过程，纯调频信号和包络信号相乘以后便可以得到一个PF分量，该瞬时频率具有物理意义。迭代处理使所有的PF分量分离出来，便可得到原始信号的时频分布。对于任意非平稳信号x(t)，其分解过程如图2所示。LMD特征提取之前将二维图像通过蛇形扫描转化为一维信号。

(a)寻找原始信号所有局部极大(小)值点n_i，求解任意两个相邻极值点的平均值：

$m_i=\frac{n_i+n_{i+1}}{2}---\left(1\right)$

用直线连接所有相邻的平均值点m_i，使用滑动平均法对形成的折线进行平滑处理形成的曲线即局部均值函数m₁₁(t)。

(b)求出包络估计值：

$a_i=\frac{|n_i-n_{i+1}|}{2}---\left(2\right)$

用直线连接所有相邻的包络估计值点a_i，使用滑动平均方法对其进行平滑处理可得包络估计函数a₁₁(t)。

(c)在原始信号x(t)中，分离局部均值函数m₁₁(t)可得：

h₁₁(t)＝x(t)-m₁₁(t) (3)

(d)使用包络估计函数a₁₁(t)对h₁₁(t)进行解调，得到：

s₁₁(t)＝h₁₁(t)/a₁₁(t) (4)

理想情形是此时s₁₁(t)为纯调频信号，其包络估计函数a₁₂(t)＝1。否则需要将s₁₁(t)作为待分析信号不断重复迭代过程(a)至(d)，直至s_1n(t)的包络估计函数a_1(n+1)(t)＝1，也即s_1n(t)为一个纯调频函数。在实验中a_1(n+1)(t)往往不能达到理想条件，这时可以设置一个参考量Δ，当满足1-Δ≤a_1(n+1)(t)≤1+Δ时，迭代终止。

(e)所有包络估计函数相乘可得包络信号(瞬时幅值函数)：

$a_1\left(t\right)=a_{11}\left(t\right)a_{12}\left(t\right)...a_{1(n+1)}\left(t\right)=\underset{q=1}{\overset{n+1}{\Π}}{a}_{1q}\left(t\right)---\left(5\right)$

(f)包络信号a₁(t)和纯调频信号s_1n(t)相乘所得结果即为初始信号的第一PF分量：

P₁(t)＝a₁(t)s_1n(t) (6)

它包含了原始信号中频率最高的成分，P₁(t)是一个单分量的调幅-调频讯号，式(6)中，包络信号a₁(t)就是PF分量的瞬时幅值，其瞬时频率f₁(t)则可以由纯调频信号s_1n(t)求出，即：

$f_1\left(t\right)=\frac{1}{2\mathrm{\π}}\frac{d\[\arccos \left(s_{1n}\right(t\left)\right)\]}{dt}---\left(7\right)$

(g)从原始信号x(t)中将第一个PF分量P₁(t)分离出来就产生了全新信号u₁(t)，将u₁(t)作为原始数据重复步骤(a)至(f)，循环k次后，当u_k(t)为单调函数时循环终止：

$\left.\begin{array}{c}{u}_1\left(t\right)=x\left(t\right)-P_1\left(t\right)\\ u_2\left(t\right)=u_1\left(t\right)-P_2\left(t\right)\\ .\\ .\\ .\\ u_k\left(t\right)=u_{k-1}\left(t\right)-P_k\left(t\right)\end{array}\right\}---\left(8\right)$

依据式(8)，原始信号x(t)可以由所有的PF分量和u_k(t)重新构造，即：

$x\left(t\right)=\underset{p=1}{\overset{k}{\Σ}}{P}_p\left(t\right)+u_k\left(t\right)---\left(9\right)$

按照时间-频率-幅值的三维分布重新组合k个PF分量的瞬时幅值和瞬时频率可复原信号的完整时频分布。

2、CCDCT特征提取

(a)组合DCT系数法(CCDCT)

图像的拼接过程改变了其局部频率分布，二维离散余弦变换(BDCT)的系数能够有效的反映出频率的变化。且由于拼接操作的复杂多样性，不能期望用一个块的BDCT就能有效捕捉到这些改变。选用不同尺寸的块，CCDCT的系数能察觉到不同形式的频率分布改变，因而能用从CCDCT二维数组里提取的特征值区分出拼接图像和自然图像。本发明分别采用2*2、4*4和8*8的块对图像进行特征提取，如图4所示。

(b)卷积模版计算预测误差二维矩阵

预测误差二维矩阵能减少图像纹理多样性所带来的影响并且能够显著地增强拼接带来的赝像。预测图像二维矩阵中坐标为(x,y)点的像素值N_x,y可由模版W在原图像二维数组O上根据下式进行处理：

$N_{x,y}=\begin{array}{c}{w}_0\×O_{x-1,y-1}+w_1\×O_{x,y-1}+w_2\×O_{x+1,y-1}+\\ w_3\×O_{x-1,y}+w_4\×O_{x,y}+w_5\×O_{x+1,y}+\\ w_6\×O_{x-1,y+1}+w_7\×O_{x,y+1}+w_8\×O_{x+1,y+1}\end{array}---\left(10\right)$

也可表示为：N＝W*O。其中，系数w是卷积模版中对应位置的权重。预测误差二维矩阵ΔN即为原图像二维数组O与预测图像二维矩阵N的差：

ΔN＝O-N (11)

(c)离散小波变换(DWT)

离散小波变换是对基本小波的尺度和平移进行离散化。在图像处理领域有着广泛的应用。DWT在空间频率分析上有着优越的表现，很容易找到时域或频域的瞬时或者小范围的变化。小波分解在同一级的不同子带上产生的系数是相互独立的，因此从同一级的不同子带上提取的特征也是相互独立的，因此DWT在检测拼接图像方面是个很好的选择。为了减少计算量，本发明采用一维Haar小波对图像的CCDCT数组、预测误差二维数组等做小波分解，产生小波分量，进而计算统计矩。

(d)直方图特征方程的质心计算

将小波分量转化为一阶直方图，对一阶直方图做离散傅立叶变换，得到直方图特征方程，然后求得直方图特征方程的质心。质心能够有效的反映出直方图特征方程的能量分布。直方图质心的求解过程如下：

$COM\left(H\right(k\left)\right)=\frac{\underset{k\∈K}{\Σ}k\left|H\left(k\right)\right|}{\underset{k\∈K}{\Σ}\left|H\left(k\right)\right|}---\left(12\right)$

K∈{0,1,2…,N/2}表示频率，为k的集合，H(k)是在k处对应的特征方程，N是离散傅立叶变换的长度。

3、特征融合及数据归一化

由LMD和CCDCT分别提取64-D和40-D特征值，将两组特征串联的混合特征作为总特征共104-D。因为这些特征数据值的大小差别很大，所以对特征数据做归一化处理，以提高分类器的检测率。

4、Adaboost分类

Adaboost是一个自适应增强分类器,它的自适应在于：前一个基本分类器分错的样本会得到加强，加权后的全体样本再次被用来训练下一个基本分类器。同时，在每一轮中加入一个新的弱分类器，直到达到某个预定的足够小的错误率或达到预先指定的最大迭代次数。

Adaboost的算法流程如下：

步骤1，初始化训练样本的权值分布。每一个训练样本最开始时都被赋予相同的权值1/N，N为训练样本的个数：

D₁＝(d₁₁,d₁₂,…,d_1N),d_1l＝1/N,l＝1,2,…,N (13)

步骤2，进行多次迭代，用m＝1,2,…,M表示第多少次迭代：

a.使用具有权值分布D_m的训练数据集学习，得到基本分类器：

G_m(x)：x→{-1,+1} (14)

b.计算G_m(x)在训练数据集上的分类误差率：

$e_m=P\left(G_m\right(x_l)\≠y_l)=\underset{l=1}{\overset{N}{\Σ}}{d}_{ml}I\left(G_m\right(x_l)\≠y_l)---\left(15\right)$

由上式可知，G_m(x)在训练数据集上的误差率e_m就是被G_m(x)误分类样本的权值之和。

c.计算G_m(x)的系数，α_m表示G_m(x)在最终分类器中的重要程度(目的：得到基本分类器在最终分类器中所占的权重)：

${\mathrm{\α}}_m=\frac{1}{2}log\frac{1-e_m}{e_m}---\left(16\right)$

由上式可知，时，α_m≥0，且α_m随着e_m的减小而增大，意味着分类误差率越小的基本分类器在最终分类器中的作用越大。

d.更新训练数据集的权值分布(目的：得到训练样本的新的权值分布)，用于下一次迭代：

D_m+1＝(d_m+1,1,d_m+1,2,…,d_m+1,N) (17)

$d_{m+1,l}=\frac{d_{ml}}{Z_m}\exp (-{\mathrm{\α}}_m{y}_l{G}_m(x_l\left)\right),l=1,2,...,N---\left(18\right)$

使得被基本分类器G_m(x)误分类样本的权值增大，而被正确分类样本的权值减小。就这样，通过这样的方式，Adaboost方法能“重点关注”或“聚焦于”那些较难分的样本上。

其中，Z_m是规范化因子，使得D_m+1成为一个概率分布：

$Z_m=\underset{l=1}{\overset{N}{\Σ}}{d}_{ml}\exp (-{\mathrm{\α}}_m{y}_l{G}_m(x_l\left)\right)---\left(19\right)$

步骤3，组合各个弱分类器：

$f\left(x\right)=\underset{m=1}{\overset{M}{\Σ}}{\mathrm{\α}}_m{G}_m\left(x\right)---\left(20\right)$

从而得到最终分类器，如下：

$G\left(x\right)=sign\left(f\right(x\left)\right)=sign\left(\underset{m=1}{\overset{M}{\Σ}}{\mathrm{\α}}_m{G}_m\right(x\left)\right)---\left(21\right)$

本发明对一副图像进行LMD特征提取和CCDCT特征提取，并将所得的特征值作为混合特征值，然后对混合特征的数据进行归一化处理，用Adaboost算法进行分类检测，最终检测结果显示其能够有效的对真实图像和拼接图像进行区分，且效果相对其他算法要好。

以上实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。

Claims (5)

1.数字图像拼接篡改盲检测方法，其特征在于，包括如下步骤：

步骤1，获取数字图像的训练样本图像和检测样本图像，对所有样本图像做横向蛇形扫描和纵向蛇形扫描，将所有样本图像由二维图像转化为一维信号；

步骤2，利用局部均值分解方法对经过横向蛇形扫描后得到的一维信号进行分解，得到若干个PF分量，取前4个PF分量的瞬时幅值和瞬时频率，分别计算瞬时幅值和瞬时频率各自对应的均值、方差、偏度和峰度；对经过纵向蛇形扫描后得到的一维信号进行上述相同的处理，共得到64维特征值；

步骤3，对所有样本图像进行离散余弦变换得到二维数组，用一维离散Haar小波对二维数组进行一级小波分解，得到小波分量；将所有样本图像作为0级小波分量，再由所有小波分量得到直方图特征方程，进而求解直方图质心，得到5维特征值；

步骤4，计算步骤3得到的二维数组的预测误差二维矩阵，对预测误差二维矩阵进行与步骤3相同的处理，得到5维特征值；

步骤5，将所有样本图像分别做2*2、4*4、8*8三次分块，并对每次分块后的图像进行步骤3与步骤4相同的处理，得到30维特征值；

步骤6，将步骤2-步骤5得到的特征值串联后，做归一化处理，利用Adaboost算法对训练样本图像归一化处理后的特征值进行训练，得到Adaboost分类器，将检测样本图像归一化处理后的特征值输入Adaboost分类器进行检测分类。

2.根据权利要求1所述数字图像拼接篡改盲检测方法，其特征在于，步骤2所述利用局部均值分解方法对经过横向蛇形扫描后得到的一维信号进行分解，得到若干个PF分量的具体过程为：

(a)找出一维信号的所有极大、极小值点，计算任意两个相邻极值点的平均值，用直线将所有相邻的平均值点连接起来形成折线，并利用滑动平均法对上述折线做平滑处理得到局部均值函数；

(b)计算任意两个相邻极值点的包络估计值，用直线将所有相邻的包络估计值点连接起来形成折线，并利用滑动平均法对上述折线做平滑处理得到包络估计函数；

(c)将局部均值函数从一维信号中分离出来得到分离后的函数，利用包络估计函数对分离后的函数进行解调，得到解调后的函数，

(d)将解调后的函数代替(a)中的一维信号并重复(a)和(b)，求得新的包络估计函数，当1-Δ≤新的包络估计函数≤1+Δ时，将解调后的函数作为纯调频函数，Δ为参考量；否则，将解调后的函数代替(a)中的一维信号并重复(a)-(d)；

(e)当(a)-(d)迭代终止时，将所有的包络估计函数相乘可得包络信号，该包络信号与(d)得到的纯调频函数相乘得到PF分量；

(f)将PF分量从一维信号中分离出来，并产生新的一维信号，将新的一维信号代替(a)中的一维信号并重复(a)-(e)，当新的一维信号为单调函数时，迭代终止。

3.根据权利要求1所述数字图像拼接篡改盲检测方法，其特征在于，步骤4所述计算步骤3得到的二维数组的预测误差二维矩阵的具体方法为：计算二维数组的预测二维矩阵，二维数组与预测二维矩阵的差即为预测误差二维矩阵；其中，预测二维矩阵中各像素的值由卷积公式得到，卷积过程中，当当前像素位于二维数组的第一行、第一列、最后一行或最后一列时，对二维数组进行扩展，在二维数组的第一行上面增加一行、第一列前面增加一列、最后一行下面增加一行、最后一列后面增加一列，且增加的行和列的像素值均为0；所述卷积公式为：

$N_{x,y}=\begin{array}{c}{w}_0\×O_{x-1,y-1}+w_1\×O_{x,y-1}+w_2\×O_{x+1,y-1}+\\ w_3\×O_{x-1,y}+w_4\×O_{x,y}+w_5\×O_{x+1,y}+\\ w_6\×O_{x-1,y+1}+w_7\×O_{x,y+1}+w_8\×O_{x+1,y+1}\end{array},$

其中，N_x,y表示预测二维矩阵中像素(x,y)的值，w₀,w₁,w₂,w₃,w₄,w₅,w₆,w₇,w₈均表示权重，O_x-1,y-1,O_x,y-1,O_x+1,y-1,O_x-1,y,O_x,y,O_x+1,y,O_x-1,y+1,O_x,y+1,O_x+1,y+1分别对应表示二维数组中像素(x-1,y-1),(x,y-1),(x+1,y-1),(x-1,y),(x,y),(x+1,y),(x-1,y+1),(x,y+1),(x+1,y+1)的值。

4.根据权利要求1所述数字图像拼接篡改盲检测方法，其特征在于，步骤6所述利用Adaboost算法对训练样本图像归一化处理后的特征值进行训练，得到Adaboost分类器的具体过程为：

(a)将各训练样本图像归一化处理后的特征值作为训练样本进行训练，并设置最大迭代次数；

(b)对各训练样本赋予初始权值，使用具有初始权值分布的训练样本进行学习，并得到弱分类器，计算弱分类器在训练样本上的分类误差率，根据分类误差率计算该弱分类器的系数；更新训练样本的权值，对更新权值后的训练样本进行上述同样的处理；

(c)当到达最大迭代次数时，迭代终止，并将每次迭代得到的弱分类器组合起来，得到Adaboost分类器。

5.根据权利要求4所述数字图像拼接篡改盲检测方法，其特征在于，所述对各训练样本赋予初始权值中，初始权值均相同。