CN106056600A - 一种基于Contourlet变换的图像拼接检测方法 - Google Patents

Abstract

本发明提供一种基于Contourlet变换的图像拼接检测方法，利用Contourlet变换能够很好的描述图像中的轮廓和方向性纹理信息的优点，首先对训练图像进行Contourlet变换后提取Markov特征，并使用基于支持向量机的回归特征消除方法SVM‑RFE对特征集进行降维，提升检测效率和准确率，使用降维后的特征集训练找到最优参数并得到SVM分类模型，然后对测试图像提取相应的特征向量，使用得到的分类模型对测试图像的特征向量进行分类预测，得到测试图像是否经过拼接操作的判断结果。本发明在一种新的变换域提取特征，具有很好的检测效率和准确率。

Description

一种基于Contourlet变换的图像拼接检测方法

技术领域

本发明涉及数字图像取证技术领域，更具体地，涉及一种基于Contourlet变换的图像拼接检测方法。

背景技术

随着网络和智能设备的普及，数字图像在信息传播中的重要性日益突出。但是由于数字图像编辑技术的快速发展，数字图像内容的篡改变得越来越容易，这为数字图像的真实性和安全性带来了挑战。因此，如何实现数字图像在传播、共享和应用过程中的内容真实性和安全性的可靠认证具有重要的实际意义。

图像拼接检测是数字图像取证技术的一个重要分支，其目的是为了检测数字图像中是否存在拼接篡改操作，即检测给定的数字图像是否是通过裁剪和合成操作从而生成的组合图像。图像拼接的目的通常是为了隐藏原始图像中的一些重要信息或者替换为新的内容，从而使图像表达篡改者想要传达的信息。通过对图像拼接内容的精心选择和对拼接边缘的修饰操作可以使得拼接痕迹很难通过肉眼来判别。因此有效的图像拼接检测在信息安全保障体系中可以发挥非常重要的作用。图像拼接检测技术主要可以应用在：司法刑侦取证、新闻纪实、科技报道等应用领域中。

现有的图像拼接检测技术主要分为两种：一种基于图像内容模糊度的差异，这类方法基于图像拼接引入的新的图像块和拼接边缘部分的模糊度可能与原始图像的模糊度不同，因此可以利用局部模糊估计的方法来估计图像每个部分的模糊度并依据模糊度的差异来判断图像是否经过拼接，但是这类方法最后需要依据人工来判断；另一种是基于图像变换域的统计特征，利用各种图像变换对图像内容进行变换和分解，并利用机器学习的方法对图像的不同信息进行分析和提取统计特征进行分类，这类方法之间的区别主要在于图像变换域和统计特征选取。

发明内容

本发明提供一种基于Contourlet变换的图像拼接检测方法，能够有效地检测图像中是否存在拼接操作，具有检测快、不需要人为判断和鲁棒性高的优点。

为了达到上述技术目的，本发明的技术方案如下：

一种基于Contourlet变换的图像拼接检测方法，包括以下步骤：

S1：选取图像训练集：训练集包含没有经过任何篡改操作的原始图像和经过拼接篡改的拼接图像；

S2：对训练图像进行Contourlet变换：对于图像训练集的每一张图像，分别进行相同的Contourlet变化，使用k层的Contourlet分解，相应的每层金字塔方向滤波器DFB的向量个数设为{f1,f2,…,fn}，每层分解会得到对应{2^f1,2^f2,…,2^fn}个系数子带，并且第一层分解时，会额外得到一个低通系数子带，因此一共得到K＝1+2^f1+2^f2+…+2^fn个系数子带，每个子带为一个系数矩阵；

S3：提取Markov特征：针对每张图像的每个系数子带提取Markov特征，先将系数子带矩阵的每个系数取整和取绝对值，再按照水平方向和垂直方向计算其差分矩阵，会得到两个差分矩阵，对每个差分矩阵的系数，使用阈值T进行截断操作，大于T的系数全部替换为T，小于-T的系数全部替换为-T，然后对每个差分矩阵计算其水平方向和垂直方向的Markov转移概率矩阵，将得到的4个Markov转移概率矩阵连在一起作为该系数子带的特征向量，再将每张图像的所有系数子带的特征向量连接在一起，得到该图像的Markov特征向量；

S4：训练特征准备：得到训练集所有图像的特征向量后，将原始图像的特征向量标识为+1，将拼接图像的特征向量标识为-1，将两类特征集作为SVM的特征训练集，特征集每行对应一张图像的特征向量，每列对应一种特征；

S5：SVM-RFE降维：使用基于支持向量机的回归特征消除方法SVM-RFE对特征训练集的每一列特征进行排序，得到特征排序列表，按照特征排序列表对每张图像的特征向量选择前n个特征值构成新的特征向量，进而组成一个新的特征向量集；

S6：寻找最优的惩罚参数c和核参数g并训练得到分类器：对降维后得到的特征向量集和相应的标识集使用径向基内核的SVM训练，使用网格搜索的方法搜索最优的惩罚参数c和核参数g，得到分类器模型；

S7：测试图像提取特征：对测试图像进行与上面训练图像相同的Contourlet变换，对得到的每个系数子带提取Markov特征得到特征向量，即进行类似S2和S3的操作，然后按照S5得到的特征排序列表选取前n个特征值，得到测试图像的特征向量；

S8：分类预测：加载S6得到的SVM分类模型，对S7得到的测试图像的特征向量进行分类预测，得到预测结果，+1代表测试图像为原始图像，-1代表测试图像为拼接图像。

本发明中，首次在Contourlet变换域提取特征进行图像拼接检测。在图像变化域上提取特征并利用机器学习的方式来对测试图像进行分类预测，避免了人工按照经验来判断的操作。

进一步地，所述步骤S3的处理过程如下：

S301：取整和取绝对值：针对每个系数子带，将每个系数取整和取绝对值得到C_x，x对应图像的第x个系数子带；

S302：根据公式(1)和公式(2)计算其水平方向和垂直方向的差分矩阵：

D_xh＝C_x(u,v)-C_x(u+1,v) (1)

D_xv＝C_x(u,v)-C_x(u,v+1) (2)

其中，u和v代表C_x系数的坐标，D_xh和D_xv分别代表C_x在水平方向和垂直方向的差分矩阵；

S303：阈值截断：对每个差分矩阵的系数，使用阈值T进行截断操作，大于T的系数全部替换为T，小于-T的系数全部替换为-T；

S304：提取Markov特征：根据公式(3)到公式(6)计算两个差分矩阵对应的水平方向和差分方向的Markov转移概率矩阵：

$M_{xhh}(i,j)=\frac{{\mathrm{\Σ}}_{u=1}^{S_{xu-2}}{\mathrm{\Σ}}_{v=1}^{S_{xv}}\mathrm{\δ}(D_{xh}(u,v)=i,D_{xh}(u+1,v)=j)}{{\mathrm{\Σ}}_{u=1}^{S_{xu-2}}{\mathrm{\Σ}}_{v=1}^{S_{xv}}\mathrm{\δ}(D_{xh}(u,v)=i)}---\left(3\right)$

$M_{xhv}(i,j)=\frac{{\mathrm{\Σ}}_{u=1}^{S_{xu-1}}{\mathrm{\Σ}}_{v=1}^{S_{xv-1}}\mathrm{\δ}(D_{xh}(u,v)=i,D_{xh}(u,v+1)=j)}{{\mathrm{\Σ}}_{u=1}^{S_{xu-1}}{\mathrm{\Σ}}_{v=1}^{S_{xv-1}}\mathrm{\δ}(D_{xh}(u,v)=i)}---\left(4\right)$

$M_{xvh}(i,j)=\frac{{\mathrm{\Σ}}_{u=1}^{S_{xu-1}}{\mathrm{\Σ}}_{v=1}^{S_{xv-1}}\mathrm{\δ}(D_{xv}(u,v)=i,D_{xv}(u+1,v)=j)}{{\mathrm{\Σ}}_{u=1}^{S_{xu-1}}{\mathrm{\Σ}}_{v=1}^{S_{xv-1}}\mathrm{\δ}(D_{xv}(u,v)=i)}---\left(5\right)$

$M_{xvv}(i,j)=\frac{{\Σ}_{u=1}^{S_{xu}}{\Σ}_{v=1}^{S_{xv-2}}\mathrm{\δ}(D_{xv}(u,v)=i,D_{xv}(u,v+1)=j)}{{\Σ}_{u=1}^{S_{xu}}{\Σ}_{v=1}^{S_{xv-2}}\mathrm{\δ}(D_{xv}(u,v)=i)}---\left(6\right)$

其中，S_xu和S_xv分别对应C_x系数子带矩阵水平方向和垂直方向的维数，M_xhh和M_xhv分别代表D_xh的水平方向和垂直方向的Markov转移概率矩阵，M_xvh和M_xvv分别代表D_xv的水平方向和垂直方向的Markov转移概率矩阵，i,j∈{-T,-T+1,…,-1,0,1,…,T-1,T}代表C_x系数的各种取值组合，并且：

S305：连接特征：对于每个子带，将4个Markov转移概率矩阵连在一起得到该子带的特征向量，然后连接各个子带的特征向量可以得到每张图像的特征向量。

与现有技术相比，本发明技术方案的有益效果是：

本发明先对图像进行Contourlet变换，Contourlet变换能够很好的描述图像中的轮廓和方向性纹理信息，因此能够很好地突出对原始图像进行拼接操作带来的在图像轮廓和纹理上的差异，在变换分解得到的各个子带上提取Markov特征能够用来捕获多方向和多尺度的差异信息，能够得到有效的分类器，因此在检测准确率上得到了保证，同时使用机器学习的方式，避免了过多的人为操作，在检测效率上也得到了保证。

附图说明

图1为本发明方法的步骤流程图；

图2为本发明方法的Contourlet变化对图像的多尺度多方向分解效果图。

具体实施方式

附图仅用于示例性说明，不能理解为对本专利的限制；

为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；

对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。

下面结合附图和实施例对本发明的技术方案做进一步的说明。

实施例1

如图1所示，一种基于Contourlet变换的图像拼接检测方法，包括以下步骤：

S1：选取图像训练集：训练集包含没有经过任何篡改操作的原始图像和经过拼接篡改的拼接图像，本实例中使用由IEEE Information Forensics and SecurityTechnical Committee提供的关于数字图像拼接检测IFS-TC图像集，其包含1050张原始图像和1150张拼接图像；

S2：对训练图像进行Contourlet变换：IFS-TC图像集所有图像均为彩色图像，对训练集的每张图像分别进行相同的Contourlet变化，使用k层的Contourlet分解，相应的每层金字塔方向滤波器DFB的向量个数设为{f1,f2,…,fn}，每层分解会得到对应{2^f1,2^f2,…,2^fn}个系数子带，并且第一层分解时，会额外得到一个低通系数子带，因此一共得到K＝1+2^f1+2^f2+…+2^fn个系数子带，每个子带为一个系数矩阵，本实例中分解层数k＝3，DFB的向量个数为{2,3,3}，因此系数子带个数K＝21；

S3：提取Markov特征：针对每张图像的每个系数子带提取Markov特征，先将系数子带矩阵的每个系数取整和取绝对值，再按照水平方向和垂直方向计算其差分矩阵，会得到两个差分矩阵，对每个差分矩阵的系数，使用阈值T进行截断操作，大于T的系数全部替换为T，小于-T的系数全部替换为-T，然后对每个差分矩阵计算其水平方向和垂直方向的Markov转移概率矩阵，将得到的4个Markov转移概率矩阵连在一起作为该系数子带的特征向量，再将每张图像的所有系数子带的特征向量连接在一起，得到该图像的Markov特征向量；

进一步地，所述步骤S3的处理过程如下：

S301：取整和取绝对值：针对每个系数子带，将每个系数取整和取绝对值得到C_x，x对应图像的第x个系数子带；

S302：根据公式(1)和公式(2)计算其水平方向和垂直方向的差分矩阵：

D_xh＝C_x(u,v)-C_x(u+1,v) (1)

D_xv＝C_x(u,v)-C_x(u,v+1) (2)

其中，u和v代表C_x系数的坐标，D_xh和D_xv分别代表C_x在水平方向和垂直方向的差分矩阵；

S303：阈值截断：对每个差分矩阵的系数，使用阈值T进行截断操作，大于T的系数全部替换为T，小于-T的系数全部替换为-T，本实例中，阈值T＝3；

S304：提取Markov特征：根据公式(3)到公式(6)计算两个差分矩阵对应的水平方向和差分方向的Markov转移概率矩阵：

$M_{xhh}(i,j)=\frac{{\mathrm{\Σ}}_{u=1}^{S_{xu-2}}{\mathrm{\Σ}}_{v=1}^{S_{xv}}\mathrm{\δ}(D_{xh}(u,v)=i,D_{xh}(u+1,v)=j)}{{\mathrm{\Σ}}_{u=1}^{S_{xu-2}}{\mathrm{\Σ}}_{v=1}^{S_{xv}}\mathrm{\δ}(D_{xh}(u,v)=i)}---\left(3\right)$

$M_{xhv}(i,j)=\frac{{\mathrm{\Σ}}_{u=1}^{S_{xu-1}}{\mathrm{\Σ}}_{v=1}^{S_{xv-1}}\mathrm{\δ}(D_{xh}(u,v)=i,D_{xh}(u,v+1)=j)}{{\mathrm{\Σ}}_{u=1}^{S_{xu-1}}{\mathrm{\Σ}}_{v=1}^{S_{xv-1}}\mathrm{\δ}(D_{xh}(u,v)=i)}---\left(4\right)$

$M_{xvh}(i,j)=\frac{{\mathrm{\Σ}}_{u=1}^{S_{xu-1}}{\mathrm{\Σ}}_{v=1}^{S_{xv-1}}\mathrm{\δ}(D_{xv}(u,v)=i,D_{xv}(u+1,v)=j)}{{\mathrm{\Σ}}_{u=1}^{S_{xu-1}}{\mathrm{\Σ}}_{v=1}^{S_{xv-1}}\mathrm{\δ}(D_{xv}(u,v)=i)}---\left(5\right)$

$M_{xvv}(i,j)=\frac{{\Σ}_{u=1}^{S_{xu}}{\Σ}_{v=1}^{S_{xv-2}}\mathrm{\δ}(D_{xv}(u,v)=i,D_{xv}(u,v+1)=j)}{{\Σ}_{u=1}^{S_{xu}}{\Σ}_{v=1}^{S_{xv-2}}\mathrm{\δ}(D_{xv}(u,v)=i)}---\left(6\right)$

其中，S_xu和S_xv分别对应C_x系数子带矩阵水平方向和垂直方向的维数，M_xhh和M_xhv分别代表D_xh的水平方向和垂直方向的Markov转移概率矩阵，M_xvh和M_xvv分别代表D_xv的水平方向和垂直方向的Markov转移概率矩阵，i,j∈{-T,-T+1,…,-1,0,1,…,T-1,T}代表C_x系数的各种取值组合，并且：

本实例中，i,j∈{-3,-2,-1,0,1,2,3}，因此，i和j一共有7*7＝49种组合方式；

S305：连接特征：对于每个子带，将4个Markov转移概率矩阵连在一起得到该子带的特征向量，然后连接各个子带的特征向量可以得到每张图像的特征向量，本实例中，在每个系数子带上可以提取49*4＝196维的Markov特征，一共21个系数子带，因此对于每张图像会提取到196*21＝4116维的特征向量。

S4：训练特征准备：得到训练集所有图像的特征向量后，将原始图像的特征向量标识为+1，将拼接图像的特征向量标识为-1，将两类特征集作为SVM的特征训练集，特征集每行对应一张图像的特征向量，每列对应一种特征，本实例中，原始图像训练集的特征集为一个1050*4116的矩阵，拼接图像训练集的特征集为1150*4116的矩阵；

S5：SVM-RFE降维：使用基于支持向量机的回归特征消除方法SVM-RFE对特征训练集的每一列特征进行排序，得到特征排序列表，按照特征排序列表对每张图像的特征向量选择前n个特征值，组成一个新的特征向量集，本实例中，n＝200，降维后得到1050*200的原始图像特征矩阵和1150*200的拼接图像特征矩阵；

S6：寻找最优的惩罚参数c和核参数g并训练得到分类器：对降维后得到的特征向量集和相应的标识集使用径向基内核的SVM训练，使用网格搜索的方法搜索最优的惩罚参数c＝5.656854和核参数g 0.013139，使用c和g以及训练特征集和标签训练得到分类器模型；

S7：测试图像提取特征：对测试图像进行与上面训练图像相同的Contourlet变换，对得到的每个系数子带提取Markov特征得到特征向量，即进行类似S2和S3的操作，可以为每张测试图像得到4116维的特征向量，然后按照S5得到的特征排序列表选取前200个特征值，得到测试图像的200维的特征向量，本实例中使用了160张原始图像和192张拼接图像作为测试集，最后得到一个352*200的测试特征矩阵；

S8：分类预测：加载S6得到的SVM分类模型，对S7得到的测试图像的特征向量进行分类预测，得到预测结果，本实例中的预测结果如图2所示，前150个点代表实际为原始图像的预测值，后192个点代表实际为拼接图像的预测值，其中大于0的预测值会被调整到+1，其他的调整到-1，得到最后的预测结果，+1代表测试图像为原始图像，-1代表测试图像为拼接图像，从图中可以明显看到，大部分图像都预测准确，分类预测的结果比较理想。

相同或相似的标号对应相同或相似的部件；

附图中描述位置关系的用于仅用于示例性说明，不能理解为对本专利的限制；

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (2)

1.一种基于Contourlet变换的图像拼接检测方法，其特征在于，包括以下步骤：

S1：选取图像训练集：训练集包含没有经过任何篡改操作的原始图像和经过拼接篡改的拼接图像；

S2：对训练图像进行Contourlet变换：对于图像训练集的每一张图像，分别进行相同的Contourlet变化，使用k层的Contourlet分解，相应的每层金字塔方向滤波器DFB的向量个数设为{f1,f2,…,fn}，每层分解会得到对应{2^f1,2^f2,…,2^fn}个系数子带，并且第一层分解时，会额外得到一个低通系数子带，因此一共得到K＝1+2^f1+2^f2+…+2^fn个系数子带，每个子带为一个系数矩阵；

S3：提取Markov特征：针对每张图像的每个系数子带提取Markov特征，先将系数子带矩阵的每个系数取整和取绝对值，再按照水平方向和垂直方向计算其差分矩阵，会得到两个差分矩阵，对每个差分矩阵的系数，使用阈值T进行截断操作，大于T的系数全部替换为T，小于-T的系数全部替换为-T，然后对每个差分矩阵计算其水平方向和垂直方向的Markov转移概率矩阵，将得到的4个Markov转移概率矩阵连在一起作为该系数子带的特征向量，再将每张图像的所有系数子带的特征向量连接在一起，得到该图像的Markov特征向量；

S4：训练特征准备：得到训练集所有图像的特征向量后，将原始图像的特征向量标识为+1，将拼接图像的特征向量标识为-1，将两类特征集作为SVM的特征训练集，特征集每行对应一张图像的特征向量，每列对应一种特征；

S5：SVM-RFE降维：使用基于支持向量机的回归特征消除方法SVM-RFE对特征训练集的每一列特征进行排序，得到特征排序列表，按照特征排序列表对每张图像的特征向量选择前n个特征值构成新的特征向量，进而组成一个新的特征向量集；

S6：寻找最优的惩罚参数c和核参数g并训练得到分类器：对降维后得到的特征向量集和相应的标识集使用径向基内核的SVM训练，使用网格搜索的方法搜索最优的惩罚参数c和核参数g，得到分类器模型；

S7：测试图像提取特征：对测试图像进行与上面训练图像相同的Contourlet变换，对得到的每个系数子带提取Markov特征得到特征向量，即进行类似S2和S3的操作，然后按照S5得到的特征排序列表选取前n个特征值，得到测试图像的特征向量；

S8：分类预测：加载S6得到的SVM分类模型，对S7得到的测试图像的特征向量进行分类预测，得到预测结果，+1代表测试图像为原始图像，-1代表测试图像为拼接图像。

2.根据权利要求1所述的方法，其特征在于，所述步骤S3的处理过程如下：

S301：取整和取绝对值：针对每个系数子带，将每个系数取整和取绝对值得到C_x，x对应图像的第x个系数子带；

S302：根据公式(1)和公式(2)计算其水平方向和垂直方向的差分矩阵：

D_xh＝C_x(u,v)-C_x(u+1,v) (1)

D_xv＝C_x(u,v)-C_x(u,v+1) (2)

其中，u和v代表C_x系数的坐标，D_xh和D_xv分别代表C_x在水平方向和垂直方向的差分矩阵；

S303：阈值截断：对每个差分矩阵的系数，使用阈值T进行截断操作，大于T的系数全部替换为T，小于-T的系数全部替换为-T；

S304：提取Markov特征：根据公式(3)到公式(6)计算两个差分矩阵对应的水平方向和差分方向的Markov转移概率矩阵：

$M_{xhh}(i,j)=\frac{{\mathrm{\Σ}}_{u=1}^{S_{xu-2}}{\mathrm{\Σ}}_{v=1}^{S_{xv}}\mathrm{\δ}\left(D_{xh}\right(u,v)=i,D_{xh}(u+1,v)=j)}{{\mathrm{\Σ}}_{u=1}^{S_{xu-2}}{\mathrm{\Σ}}_{v=1}^{S_{xv}}\mathrm{\δ}\left(D_{xh}\right(u,v)=i)}---\left(3\right)$

$M_{xhv}(i,j)=\frac{{\mathrm{\Σ}}_{u=1}^{S_{xu-1}}{\mathrm{\Σ}}_{v=1}^{S_{xv-1}}\mathrm{\δ}\left(D_{xh}\right(u,v)=i,D_{xh}(u,v+1)=j)}{{\mathrm{\Σ}}_{u=1}^{S_{xu-1}}{\mathrm{\Σ}}_{v=1}^{S_{xv-1}}\mathrm{\δ}\left(D_{xh}\right(u,v)=i)}---\left(4\right)$

$M_{xvh}(i,j)=\frac{{\mathrm{\Σ}}_{u=1}^{S_{xu-1}}{\mathrm{\Σ}}_{v=1}^{S_{xv-1}}\mathrm{\δ}\left(D_{xv}\right(u,v)=i,D_{xv}(u+1,v)=j)}{{\mathrm{\Σ}}_{u=1}^{S_{xu-1}}{\mathrm{\Σ}}_{v=1}^{S_{xv-1}}\mathrm{\δ}\left(D_{xv}\left(u,v\right)=i\right)}---\left(5\right)$

$M_{xvv}(i,j)=\frac{{\mathrm{\Σ}}_{u=1}^{S_{xu}}{\mathrm{\Σ}}_{v=1}^{S_{xv-2}}\mathrm{\δ}\left(D_{xv}\right(u,v)=i,D_{xv}(u,v+1)=j)}{{\mathrm{\Σ}}_{u=1}^{S_{xu}}{\mathrm{\Σ}}_{v=1}^{S_{xv-2}}\mathrm{\δ}\left(D_{xv}\left(u,v\right)=i\right)}---\left(6\right)$

其中，S_xu和S_xv分别对应C_x系数子带矩阵水平方向和垂直方向的维数，M_xhh和M_xhv分别代表D_xh的水平方向和垂直方向的Markov转移概率矩阵，M_xvh和M_xvv分别代表D_xv的水平方向和垂直方向的Markov转移概率矩阵，i,j∈{-T,-T+1,…,-1,0,1,…,T-1,T}代表C_x系数的各种取值组合，并且：

S305：连接特征：对于每个子带，将4个Markov转移概率矩阵连在一起得到该子带的特征向量，然后连接各个子带的特征向量可以得到每张图像的特征向量。