CN106097379A - 一种使用自适应阈值的图像篡改检测与定位方法 - Google Patents

一种使用自适应阈值的图像篡改检测与定位方法 Download PDF

Info

Publication number
CN106097379A
CN106097379A CN201610588684.0A CN201610588684A CN106097379A CN 106097379 A CN106097379 A CN 106097379A CN 201610588684 A CN201610588684 A CN 201610588684A CN 106097379 A CN106097379 A CN 106097379A
Authority
CN
China
Prior art keywords
test
row
col
image
camera
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.)
Granted
Application number
CN201610588684.0A
Other languages
English (en)
Other versions
CN106097379B (zh
Inventor
郭浩龙
张�荣
郭立君
王潇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ningbo University
Original Assignee
Ningbo University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ningbo University filed Critical Ningbo University
Priority to CN201610588684.0A priority Critical patent/CN106097379B/zh
Publication of CN106097379A publication Critical patent/CN106097379A/zh
Application granted granted Critical
Publication of CN106097379B publication Critical patent/CN106097379B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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

Landscapes

  • Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种使用自适应阈值的图像篡改检测与定位方法，其基于模式噪声，并考虑了图像内容，其首先提取待测图像的噪声残差，并对待测图像、待测图像的噪声残差和待测图像来源相机的参考模式噪声进行不重叠分块，接着逐块计算待测图像的噪声残差和待测图像来源相机的参考模式噪声的相关性，然后根据对应的待测图像块的纹理复杂度选取阈值进行判决，从而能够消除纹理复杂度对检测结果的负面影响；其在采取不重叠分块确定大致篡改位置的基础上，采用快速的零均值归一化互相关算法进行相关性匹配，因此大大提高了本发明方法的篡改检测和定位效率，并且实现了对篡改精确定位的目的。

Description

一种使用自适应阈值的图像篡改检测与定位方法
技术领域
本发明涉及一种图像取证技术，尤其是涉及一种使用自适应阈值的图像篡改检测与定位方法。
背景技术
随着专业相机、消费相机和具有高清拍照功能的智能手机等图像获取设备的广泛普及，尤其是近些年智能手机的普及，全民已进入“读图时代”。为满足人们对图像编辑的要求，各种功能强大、操作简单的图像处理软件应运而生，但这也造成大量的篡改图像充斥网络、新闻等大众媒体，给社会带来了严重的信任危机。数字图像作为一种重要的信息载体，如何确保它在存储、传输和传播过程中的真实性，已成为数字图像取证领域的研究热点。
所有的图像篡改方式中，同图复制-粘贴和异图拼接是最为常见的。如何有效地对这两类图像篡改进行取证，国内外相关机构展开了深入研究。近年来，利用相机传感器模式噪声的检测方法受到了研究者的广泛关注。这一类检测方法对同图复制-粘贴、异图拼接和模糊润饰等多种图像篡改操作都具有通用性，在司法取证、保险取证、新闻、摄影大赛等领域的图片真实性检测中具有较好的应用前景。
相机传感器模式噪声，主要是由传感器的制作工艺不完美和材质不一致所导致。由于每部相机的模式噪声都具有唯一性，因此可看作相机指纹。利用相机传感器模式噪声的检测方法中的一种经典的基于模式噪声的篡改取证方法主要包括以下步骤：1)通过一部相机拍摄的多幅图像的噪声残差的平均获取相机的参考模式噪声R；2)获取待测图像的噪声残差W；3)采用滑窗方法，用事先设置的固定阈值对窗口内待测图像的噪声残差W与相机的参考模式噪声R的相关系数ρ(W,R)进行判决，实现篡改检测及定位。该篡改取证方法存在以下问题：1)在实际应用中，由于相机拍摄的图像的噪声残差和待测图像的噪声残差偏小，容易受到图像纹理等不利因素的影响，因此会造成篡改检测及定位效果不理想；2)采用的基于相关系数的固定阈值滑窗方法的效率极低，导致该篡改取证方法的效率也低下。
为解决经典的基于模式噪声的篡改取证方法存在的篡改检测及定位效果不理想的问题，可以从两个方向出发，一个方向是如何提高相机的模式噪声的质量，另一个方向是如何通过使用更好的相关性度量方法来提高检测效果。如：Mo Chen、Jessica Fridrich、Miroslav Goljan.Determining Image Origin and Integrity Using Sensor Noise[J].IEEE Transactions on Information and Security,2008,3(1):74-90(陈莫、杰西卡·弗里德里希、米罗斯拉夫·格兰，基于传感器模式噪声的图像来源与完整性检测[J].IEEE信息与安全.2008，第3期(1):74-90)，其提出用多幅纹理简单(如蓝天)的图像的噪声残差经最大似然估计获取相机的模式噪声，消除纹理细节的影响，然后采用零均值化法(zero-mean，ZM)和维纳滤波(Wiener filter，WF)处理CFA插值噪声和JPEG压缩块效应等随机噪声的干扰，从而提高相机的模式噪声的质量。又如：Miroslav Goljan、Jessica Fridrich、Filler.Large scale test of sensor fingerprint camera identification[C]SPIE Proceedings,Media Forensics and Security,2009,7254:0I01-12(米罗斯拉夫2格兰、杰西卡·弗里德里希、托马斯2菲勒，基于传感器指纹识别的大规模测试[C]，SPIE会议录，多媒体取证与安全，2009，7254:0I01-12)，其提出SPCE(signed peak-to-correlationenergy，有符号的峰值相关能量比值)方法，利用SPCE方法来提高检测效果。
上述两种方法是目前基于模式噪声的图像篡改检测的基本方法。这些方法虽然可以通过改善相机的模式噪声的质量或者改进相关性匹配方法提高检测结果，但由于待测图像的噪声残差容易受图像内容的影响，因此会导致不同内容的待测图像的检测结果存在较大差异。如何减小待测图像内容对其噪声残差的影响，提高检测效果，研究者从不同角度进行了分析。Li C.-T.Source camera identification using enhanced sensor patternnoise[J].IEEE Transactions on Information Forensics and Security,2010,5(2):280-287.(李长纯，使用增强的传感器模式噪声识别源相机方法[J]，IEEE信息取证与安全，2010，第5期(2)：280-287)，其提出6个增强模型，降低纹理干扰，再使用零均值化法和维纳滤波处理。之后Li C.-T.and Li Yue.Color-decoupled photo response non-uniformityfor digital image forensics[J].IEEE Transactions on Circuits and Systems forVideo Technology,2012,22(2):260–271(李长纯、李岳，基于颜色分离的光电响应不一致性的数字图像取证[J]，IEEE视频技术电路与系统，2012，第22期(2):260-271)，其建议从三个颜色通道分别提取噪声残差消除CFA插值的影响；Lin Xu、Li C.-T.PreprocessingReference Sensor Pattern Noise via Spectrum Equalization[J].IEEE Transactionson Information Forensics and Security,2016,11(1):126-140(林旭、李长纯，基于频谱均衡方法处理参考相机传感器模式噪声[J]，IEEE信息取证与安全，2016，第11期(1):126-140)，其提出采用频谱均衡化的思想滤除残差中的纹理分量。Kang Xiangui、Li Yinxiang、Qu Zhenhua、Huang Jiwu.Enhancing source camera identification performance witha camera reference phase sensor pattern noise[J].IEEE Transactions onInformation Forensics and Security,2012.7(2):393–402(康显桂、李寅祥、屈振华、黄继武，利用相机传感器模式噪声相位提高源相机识别率[J]，IEEE信息取证与安全，2012，第7期(2):393-402)，其借助噪声残差的相位剔除干扰噪声。Sara Parrilli、GiovanniPoggi、Carlo Sansone.on the influence of denoising in PRNU based forgerydetection[C]ACM Workshop Multimedia Forensics,2010:117–122.(萨拉·帕雷尔、乔凡·尼波吉、卡洛·桑索，基于降噪的光电响应不一致噪声伪造检测[C]，ACM多媒体取证，2010:117-122)和Kang Xiangui、Chen Jiansheng、Peng Anjie.A context-adaptive SPNpredictor for trustworthy source camera identification[J],EURASIP Journal onImage and Video Processing,2014(1):1–11(康显桂、陈建生、彭安杰，基于上下文自适应传感器模式噪声预测的相机源辨识[J]，EURASIP图像和视频处理，2014，(1):1-11)，其在获取噪声残差时分别采用BM3D和PCAI的滤波方法降低纹理影响。这些方法虽然都能提高待测图像的噪声残差的质量，从而能有效地解决纹理细节和干扰噪声等不利因素的影响，但是算法复杂度高，提取手段过于繁琐，且在提取过程中可能会引入新的随机噪声，即方法噪声。新的随机噪声可能对相机设备来源识别影响不大，此时计算图像整体的相关性，不考虑局部因素，然而在图像篡改检测时，通常是分块检测，新的随机噪声势必会影响局部块的相关性匹配。
基于以上原因，为消除图像内容的影响，避免引入新的噪声，提高检测效率，因此有必要研究一种考虑待测图像内容的快速篡改检测与定位方法。
发明内容
本发明所要解决的技术问题是提供一种使用自适应阈值的图像篡改检测与定位方法，其篡改检测与定位效率高，且能够消除图像纹理等不利因素对篡改检测与定位的干扰，实现篡改区域的精确定位。
本发明解决上述技术问题所采用的技术方案为：一种使用自适应阈值的图像篡改检测与定位方法，其特征在于包括以下步骤：
①选取一幅图像，将该图像作为待测图像，记为Itest；并获取N幅纹理简单的原始图像，将获取的第n幅纹理简单的原始图像记为Iorg,n；其中，拍摄每幅纹理简单的原始图像与拍摄Itest对应的原始图像所采用的相机为同一部相机，每幅纹理简单的原始图像与Itest的尺寸大小相同，宽度为col且高度为row，1≤n≤N，N≥2；
②对Itest进行小波降噪处理，得到Itest的降噪图像，记为I'test；然后根据Itest及I'test，计算Itest的噪声残差，记为Wtest，Wtest＝Itest-I'test；再采用零均值化法对Wtest进行处理，将得到的结果记为W'test；之后采用维纳滤波对W'test处理，将得到的结果作为Itest的最终噪声残差，记为
同样，对每幅纹理简单的原始图像进行小波降噪处理，得到每幅纹理简单的原始图像的降噪图像，将Iorg,n的降噪图像记为I'org,n；然后根据每幅纹理简单的原始图像及其降噪图像，计算每幅纹理简单的原始图像的噪声残差，将Iorg,n的噪声残差记为Worg,n，Worg,n＝Iorg,n-I'org,n；接着采用最大似然估计法，对所有纹理简单的原始图像的噪声残差进行处理，得到Itest所对应的相机的参考模式噪声，记为Rtest；再采用零均值化法对Rtest进行处理，将得到的结果记为R'test；之后采用维纳滤波对R'test处理，将得到的结果作为Itest所对应的相机的最终参考模式噪声，记为
③判断col％128和row％128是否均等于0，如果col％128和row％128均等于0，则直接执行步骤④；如果col％128等于0而row％128不等于0，则对Itest、和各自扩展128-row％128行，然后令row＝row+(128-row％128)，再执行步骤④；如果row％128等于0而col％128不等于0，则对Itest、和各自扩展128-col％128列，然后令col＝col+(128-col％128)，再执行步骤④；如果col％128和row％128均不等于0，则对Itest、和各自扩展128-row％128行，并扩展128-col％128列，然后令row＝row+(128-row％128)，令col＝col+(128-col％128)，再执行步骤④；其中，符号“％”为求余运算符，row＝row+(128-row％128)和col＝col+(128-col％128)中的“＝”为赋值符号；
④将Itest、和分别划分成个互不重叠的尺寸大小为128×128的图像块，将Itest中的第k个图像块记为将中的第k个图像块记为将中的第k个图像块记为然后计算Itest中的每个图像块的纹理复杂度，将的纹理复杂度记为接着采用SPCE方法，计算中的每个图像块与中对应位置的图像块的相关性，将与的相关性记为其中，
⑤根据Itest中的每个图像块的纹理复杂度，获取Itest中的每个图像块相应的自适应阈值；然后根据中的每个图像块与中对应位置的图像块的相关性及Itest中对应位置的图像块相应的自适应阈值，对Itest中对应位置的图像块进行相关性匹配，检测出Itest中对应位置的图像块是否发生过篡改；再将Itest中包含检测出的所有发生过篡改的图像块的最小矩形区域确定为Itest中的大致篡改区域；
⑥将中与Itest中的大致篡改区域相对应的矩形区域记为Atest，将中与Itest中的大致篡改区域相对应的矩形区域记为Btest；然后采用快速的零均值归一化互相关算法，计算Atest中的每个像素点与Btest中对应像素点的ZNCC系数，将Atest中坐标位置为t的像素点与Btest中坐标位置为t的像素点的ZNCC系数记为ZNCCt；然后由Atest中的所有像素点各自与Btest中对应像素点的ZNCC系数组成ZNCC关联图；其中，t∈Ωz，Ωz表示Atest或Btest中的所有像素点的坐标位置的集合，ZNCCt∈[0,1]；
⑦通过比较ZNCC关联图中的每个像素点的像素值与固定阈值th的大小，对ZNCC关联图中的每个像素点的像素值进行重置，对于ZNCC关联图中坐标位置为t的像素点的像素值ZNCCt，如果ZNCCt大于或等于th，则将ZNCCt重置为1；如果ZNCCt小于th，则将ZNCCt重置为0；
⑧先后利用腐蚀和膨胀技术对像素值重置后的ZNCC关联图中的每个像素点进行处理；然后根据膨胀处理后的ZNCC关联图中的每个像素点的像素值，确定Itest中的大致篡改区域中的每个像素点为篡改像素点还是为非篡改像素点，对于Itest中的大致篡改区域中坐标位置为t的像素点，若膨胀处理后的ZNCC关联图中坐标位置为t的像素点的像素值为0，则确定Itest中的大致篡改区域中坐标位置为t的像素点为篡改像素点；若膨胀处理后的ZNCC关联图中坐标位置为t的像素点的像素值为1，则确定Itest中的大致篡改区域中坐标位置为t的像素点为非篡改像素点。
所述的步骤③中对Itest、和各自扩展128-row％128行为在Itest、和各自的第row行的下方扩展128-row％128行，并使扩展的每行中的每个像素点的像素值等于第row行中对应坐标位置的像素点的像素值；对Itest、和各自扩展128-col％128列为在Itest、和各自的第col列的右方扩展128-col％128列，并使扩展的每列中的每个像素点的像素值等于第col列中对应坐标位置的像素点的像素值。
所述的步骤④中的的获取过程为：a1、令其中，和对应表示的信息熵、的边缘比率、的反差因子、的相关度和的能量；b1、对步骤a1得到的进行归一化处理，即令其中，Texturemin表示纹理复杂度中的最小值，Texturemax表示纹理复杂度中的最大值，中的符号“＝”为赋值符号。
所述的步骤④中其中，sign()为求符号函数，max()为求最大值函数，表示中坐标位置为s的像素点与中坐标位置为s的像素点的相关值，Ωk表示或中的所有像素点的坐标位置的集合，Ne×Ne表示或中以对应的像素点为中心的窗口区域的尺寸大小，ΩNe×Ne表示或中以对应的像素点为中心的窗口区域中的所有像素点的坐标位置的集合。
所述的步骤⑤中针对对进行相关性匹配，检测出是否发生过篡改的具体过程为：如果大于或等于相应的自适应阈值，则确定未发生过篡改；如果小于相应的自适应阈值，则确定发生过篡改。
所述的步骤⑥中其中，Atest(t)表示Atest中坐标位置为t的像素点的像素值，Btest(t)表示Btest中坐标位置为t的像素点的像素值，cov(Atest(t),Btest(t))表示Atest中坐标位置为t的像素点与Btest中坐标位置为t的像素点的协方差，var(Atest(t))表示Atest中坐标位置为t的像素点的方差，var(Btest(t))表示Btest中坐标位置为t的像素点的方差。
所述的步骤⑤中的获取Itest中的每个图像块相应的自适应阈值的具体过程为：
⑤_1、利用U部不同的相机各拍摄V幅场景不同的照片，共获得U×V幅照片，第u部相机拍摄的照片的宽度为colu且高度为rowu；然后从每部相机拍摄的所有照片中随机选取Z幅照片，并将随机选取的U×Z幅照片构成训练图像库，将训练图像库中的第i幅照片记为IX,i；接着对训练图像库中的每幅照片进行小波降噪处理，得到训练图像库中的每幅照片的降噪图像，将IX,i的降噪图像记为I'X,i；之后根据训练图像库中的每幅照片及其降噪图像，计算训练图像库中的每幅照片的噪声残差，将IX,i的噪声残差记为WX,i，WX,i＝IX,i-I'X,i；其中，U≥5，V≥400，1≤u≤U，200≤Z≤V，1≤i≤U×Z；
利用上述的每部相机重复拍摄纹理简单的同一场景G次，共获得U×G幅纹理简单的照片，将第j幅纹理简单的照片记为Ij；对每幅纹理简单的照片进行小波降噪处理，得到每幅纹理简单的照片的降噪图像，将Ij的降噪图像，记为I'j；然后根据每幅纹理简单的照片及其降噪图像，计算每幅纹理简单的照片的噪声残差，将Ij的噪声残差记为Wj，Wj＝Ij-I'j；接着采用最大似然估计法，对每部相机拍摄的所有纹理简单的照片的噪声残差进行处理之后，再分别进行零均值化和维纳滤波处理，得到每部相机的参考模式噪声，将第u部相机的参考模式噪声记为Ru；其中，G≥50，1≤j≤U×G；
⑤_2、通过判断每部相机拍摄的照片的尺寸大小能否被128×128整除，确定是否扩展该部相机的参考模式噪声和训练图像库中来自该部相机的每幅照片及其噪声残差，对于第u部相机拍摄的照片，判断colu％128和rowu％128是否均等于0，如果colu％128和rowu％128均等于0，则直接执行步骤⑤_3；如果colu％128等于0而rowu％128不等于0，则对Ru、训练图像库中来自第u部相机的每幅照片及其噪声残差各自扩展128-rowu％128行，然后令rowu＝rowu+(128-rowu％128)，再执行步骤⑤_3；如果rowu％128等于0而colu％128不等于0，则对Ru、训练图像库中来自第u部相机的每幅照片及其噪声残差各自扩展128-colu％128列，然后令colu＝colu+(128-colu％128)，再执行步骤⑤_3；如果colu％128和rowu％128均不等于0，则对Ru、训练图像库中来自第u部相机的每幅照片及其噪声残差各自扩展128-rowu％128行，并扩展128-colu％128列，然后令rowu＝rowu+(128-rowu％128)，令colu＝colu+(128-colu％128)，再执行步骤⑤_3；其中，符号“％”为求余运算符，rowu＝rowu+(128-rowu％128)和colu＝colu+(128-colu％128)中的“＝”为赋值符号；
⑤_3、将每部相机的参考模式噪声和训练图像库中来自该部相机的每幅照片及其噪声残差分别划分成多个互不重叠的尺寸大小为128×128的图像块；然后计算训练图像库中来自每部相机的每幅照片中的每个图像块的纹理复杂度，将训练图像库中来自第u部相机的第z幅照片中的第ku个图像块的纹理复杂度记为接着采用SPCE方法，计算训练图像库中来自每部相机的每幅照片的噪声残差中的每个图像块与该部相机的参考模式噪声中对应位置的图像块的相关性，将训练图像库中来自第u部相机的第z幅照片的噪声残差中的第ku个图像块与Ru中的第ku个图像块的相关性记为其中，1≤z≤Z，
⑤_4、将训练图像库中尺寸大小最小的照片的宽度和高度对应记为colmin和rowmin；然后按colmin和rowmin，对训练图像库中的每幅照片及其噪声残差和每部相机的参考模式噪声从左上角开始进行裁剪，使训练图像库中的所有照片及各自的噪声残差和每部相机的参考模式噪声的宽度均为colmin，且高度均为rowmin；再判断colmin％128和rowmin％128是否均等于0，如果colmin％128和rowmin％128均等于0，则直接执行步骤⑤_5；如果colmin％128等于0而rowmin％128不等于0，则对训练图像库中的每幅照片及其噪声残差和每部相机的参考模式噪声各自扩展128-rowmin％128行，然后令rowmin＝rowmin+(128-rowmin％128)，再执行步骤⑤_5；如果rowmin％128等于0而colmin％128不等于0，则对训练图像库中的每幅照片及其噪声残差和每部相机的参考模式噪声各自扩展128-colmin％128列，然后令colmin＝colmin+(128-colmin％128)，再执行步骤⑤_5；如果colmin％128和rowmin％128均不等于0，则对训练图像库中的每幅照片及其噪声残差和每部相机的参考模式噪声各自扩展128-rowmin％128行，并扩展128-colmin％128列，然后令rowmin＝rowmin+(128-rowmin％128)，令colmin＝colmin+(128-colmin％128)，再执行步骤⑤_5；其中，符号“％”为求余运算符，rowmin＝rowmin+(128-rowmin％128)和colmin＝colmin+(128-colmin％128)中的“＝”为赋值符号；
⑤_5、将第u部相机作为当前相机；
⑤_6、从训练图像库中来自除当前相机外的每部相机的所有照片中随机选取H幅照片，并由共选取得到的(U-1)×H幅照片构成异源照片集，记为Yu；其中，20≤H≤Z；
⑤_7、将当前相机的参考模式噪声Ru和Yu中的每幅照片及其噪声残差分别划分成个互不重叠的尺寸大小为128×128的图像块；然后计算Yu中的每幅照片中的每个图像块的纹理复杂度，将Yu中的第h幅照片中的第ky个图像块的纹理复杂度记为接着采用SPCE方法，计算Yu中的每幅照片的噪声残差中的每个图像块与当前相机的参考模式噪声Ru中对应位置的图像块的相关性，将Yu中的第h幅照片的噪声残差中的第ky个图像块与Ru中的第ky个图像块的相关性记为其中，1≤h≤(U-1)×H，
⑤_8、令u＝u+1，将下一部相机作为当前相机，然后返回步骤⑤_6继续执行，直至所有相机处理完毕；其中，u＝u+1中的“＝”为赋值符号；
⑤_9、将纹理复杂度的取值范围[0,1]分成33个纹理复杂度等级子区间，分别为[0,0.03)、[0.03,0.06)、……、[0.93,0.96)、[0.96,1]；然后根据步骤⑤_3中计算得到的所有图像块各自的纹理复杂度及步骤⑤_5至步骤⑤_8中计算得到的所有图像块各自的纹理复杂度所在的纹理复杂度等级子区间，将步骤⑤_3中计算得到的所有相关性及步骤⑤_5至步骤⑤_8中计算得到的所有相关性分成33类，从而得到每个纹理复杂度等级子区间下同源和异源照片对应的相关值分布；接着根据每个纹理复杂度等级子区间下同源和异源照片对应的相关值分布，使用Neyman-Pearson准则，在虚警率为Pf的情况下计算出每个纹理复杂度等级子区间下的相关性阈值；之后对所有纹理复杂度等级子区间下的相关性阈值进行拟合，拟合得到相关性阈值与纹理复杂度的关系曲线；其中，Pf∈[0.001,0.01]；
⑤_10、在相关性阈值与纹理复杂度的关系曲线上，找出与Itest中的每个图像块的纹理复杂度相对应的相关性阈值，作为该图像块相应的自适应阈值。
所述的步骤⑤_2中对Ru、训练图像库中来自第u部相机的每幅照片及其噪声残差各自扩展128-rowu％128行为在Ru、训练图像库中来自第u部相机的每幅照片及其噪声残差各自的第rowu行的下方扩展128-rowu％128行，并使扩展的每行中的每个像素点的像素值等于第rowu行中对应坐标位置的像素点的像素值；对Ru、训练图像库中来自第u部相机的每幅照片及其噪声残差各自扩展128-colu％128列为在Ru、训练图像库中来自第u部相机的每幅照片及其噪声残差各自的第colu列的右方扩展128-colu％128列，并使扩展的每列中的每个像素点的像素值等于第colu列中对应坐标位置的像素点的像素值；
所述的步骤⑤_4中对训练图像库中的每幅照片及其噪声残差和每部相机的参考模式噪声各自扩展128-rowmin％128行为在训练图像库中的每幅照片及其噪声残差和每部相机的参考模式噪声各自的第rowmin行的下方扩展128-rowmin％128行，并使扩展的每行中的每个像素点的像素值等于第rowmin行中对应坐标位置的像素点的像素值；对训练图像库中的每幅照片及其噪声残差和每部相机的参考模式噪声各自扩展128-colmin％128列为在训练图像库中的每幅照片及其噪声残差和每部相机的参考模式噪声各自的第colmin列的右方扩展128-colmin％128列，并使扩展的每列中的每个像素点的像素值等于第colmin列中对应坐标位置的像素点的像素值；
所述的步骤⑤_3中的的获取过程为：a2、令其中，和对应表示训练图像库中来自第u部相机的第z幅照片中的第ku个图像块的信息熵、边缘比率、反差因子、相关度和能量；b2、对步骤a2得到的进行归一化处理，即令其中，Texturemin表示纹理复杂度中的最小值，Texturemax表示纹理复杂度中的最大值，中的符号“＝”为赋值符号；所述的步骤⑤_3中其中，sign()为求符号函数，max()为求最大值函数，表示训练图像库中来自第u部相机的第z幅照片的噪声残差中的第ku个图像块中坐标位置为su的像素点与Ru中的第ku个图像块中坐标位置为su的像素点的相关值，表示训练图像库中来自第u部相机的第z幅照片的噪声残差中的第ku个图像块或Ru中的第ku个图像块中的所有像素点的坐标位置的集合，表示训练图像库中来自第u部相机的第z幅照片的噪声残差中的第ku个图像块或Ru中的第ku个图像块中以对应的像素点为中心的窗口区域的尺寸大小，表示训练图像库中来自第u部相机的第z幅照片的噪声残差中的第ku个图像块或Ru中的第ku个图像块中以对应的像素点为中心的窗口区域中的所有像素点的坐标位置的集合；
所述的步骤⑤_7中的的获取过程为：a3、令其中，和对应表示Yu中的第h幅照片中的第ky个图像块的信息熵、边缘比率、反差因子、相关度和能量；b3、对步骤a3得到的进行归一化处理，即令其中，Texturemin表示纹理复杂度中的最小值，Texturemax表示纹理复杂度中的最大值，中的符号“＝”为赋值符号；所述的步骤⑤_7中其中，sign()为求符号函数，max()为求最大值函数，表示Yu中的第h幅照片的噪声残差中的第ky个图像块中坐标位置为sy的像素点与Ru中的第ky个图像块中坐标位置为sy的像素点的相关值，表示Yu中的第h幅照片的噪声残差中的第ky个图像块或Ru中的第ky个图像块中的所有像素点的坐标位置的集合，表示Yu中的第h幅照片的噪声残差中的第ky个图像块或Ru中的第ky个图像块中以对应的像素点为中心的窗口区域的尺寸大小，表示Yu中的第h幅照片的噪声残差中的第ky个图像块或Ru中的第ky个图像块中以对应的像素点为中心的窗口区域中的所有像素点的坐标位置的集合。
所述的步骤⑦中取th＝0.06219。
所述的步骤⑧中先后利用腐蚀和膨胀技术对像素值重置后的ZNCC关联图中的每个像素点进行处理的过程为：先用半径为64个像素点的圆对像素值重置后的ZNCC关联图中的每个像素点进行腐蚀处理，再用半径为20个像素点的圆对腐蚀处理后的ZNCC关联图中的每个像素点进行膨胀处理。
与现有技术相比，本发明的优点在于：
1)本发明方法基于模式噪声，并考虑了图像内容，其首先提取待测图像的噪声残差，并对待测图像、待测图像的噪声残差和待测图像来源相机的参考模式噪声进行不重叠分块，接着逐块计算待测图像的噪声残差和待测图像来源相机的参考模式噪声的相关性，然后根据对应的待测图像块的纹理复杂度选取阈值进行判决，从而能够消除纹理复杂度对检测结果的负面影响。
2)本发明方法与现有的基于相关系数的固定阈值滑窗方法相比，由于本发明方法在采取不重叠分块确定大致篡改位置的基础上，采用快速的零均值归一化互相关算法进行相关性匹配，因此大大提高了本发明方法的篡改检测和定位效率。
3)本发明方法根据每个图像块的纹理复杂度来获取该图像块的自适应阈值，很好的消除了图像纹理的不利影响，再使用快速的零均值归一化互相关算法计算相关性，实现了对篡改位置的精确定位。
附图说明
图1为本发明方法的总体实现框图；
图2为本发明方法具体实施时拟合得到的相关性阈值与纹理复杂度的关系曲线；
图3a为一幅原始图像；
图3b为图3a经同图复制-粘贴篡改得到的篡改图像，其局部块的纹理复杂度属于[0.3361,0.9286]；
图3c为图3b的篡改位置(ground truth)；
图3d为利用本发明方法对图3b进行检测，精确地定位出的篡改区域；
图4a为另一幅原始图像；
图4b为使用两部相机拍摄同一场景然后将对应位置拼接得到的篡改图像，其局部块的纹理复杂度属于[0.2246,0.9379]；
图4c为图4b的篡改位置(ground truth)；
图4d为利用本发明方法对图4b进行检测，精确地定位出的篡改区域；
图5a为利用基于相关系数的固定阈值滑窗方法且阈值τ为0.02时对图3b进行检测得到的定位结果；
图5b为利用基于相关系数的固定阈值滑窗方法且阈值τ为0.015时对图3b进行检测得到的定位结果；
图5c为利用基于相关系数的固定阈值滑窗方法且阈值τ为0.010时对图3b进行检测得到的定位结果；
图5d为利用基于相关系数的固定阈值滑窗方法且阈值τ为0.007时对图3b进行检测得到的定位结果；
图6a为利用基于相关系数的固定阈值滑窗方法且阈值τ为0.02时对图4b进行检测得到的定位结果；
图6b为利用基于相关系数的固定阈值滑窗方法且阈值τ为0.015时对图4b进行检测得到的定位结果；
图6c为利用基于相关系数的固定阈值滑窗方法且阈值τ为0.010时对图4b进行检测得到的定位结果；
图6d为利用基于相关系数的固定阈值滑窗方法且阈值τ为0.007时对图4b进行检测得到的定位结果；
图7a为原始的蓝天图像，其局部块的纹理复杂度属于[0.1857,0.2886]；
图7b为图7a的篡改图像；
图7c为图7b的篡改位置(ground truth)；
图7d为利用本发明方法对图7b进行检测，精确地定位出的篡改区域；
图8a为原始的墙壁图像，其局部块的纹理复杂度属于[0.3228,0.4372]；
图8b为图8a的篡改图像；
图8c为图8b的篡改位置(ground truth)；
图8d为利用本发明方法对图8b进行检测，精确地定位出的篡改区域；
图9a为原始的地板图像，其局部块的纹理复杂度属于[0.3511,0.5296]；
图9b为图9a的篡改图像；
图9c为图9b的篡改位置(ground truth)；
图9d为利用本发明方法对图9b进行检测，精确地定位出的篡改区域；
图10a为原始的青草图像，其局部块的纹理复杂度属于[0.6601,0.8442]；
图10b为图10a的篡改图像；
图10c为图10b的篡改位置(ground truth)；
图10d为利用本发明方法对图10b进行检测，精确地定位出的篡改区域；
图11a为原始的枯草图像，其局部块的纹理复杂度属于[0.6927,0.9463]；
图11b为图11a的篡改图像；
图11c为图11b的篡改位置(ground truth)；
图11d为利用本发明方法对图11b进行检测，精确地定位出的篡改区域。
具体实施方式
以下结合附图实施例对本发明作进一步详细描述。
本发明提出的一种使用自适应阈值的图像篡改检测与定位方法，其总体实现框图如图1所示，其包括以下步骤：
①选取一幅图像，将该图像作为待测图像，记为Itest；并获取N幅纹理简单的原始图像，将获取的第n幅纹理简单的原始图像记为Iorg,n；其中，拍摄每幅纹理简单的原始图像与拍摄Itest对应的原始图像所采用的相机为同一部相机，每幅纹理简单的原始图像与Itest的尺寸大小相同，宽度为col且高度为row，1≤n≤N，N≥2，在本实施例中取N＝60。
在本实施例中，Itest可能是未经篡改的原始图像，也可能是经篡改后的篡改图像；在获取纹理简单的图像时是人为判断图像的纹理复杂度的，一般内容简单(如蓝天)的图像的纹理简单；纹理简单的原始图像可以是需要时拍摄得到，也可以是之前已拍摄的。
②对Itest进行小波降噪处理，得到Itest的降噪图像，记为I'test；然后根据Itest及I'test，计算Itest的噪声残差，记为Wtest，Wtest＝Itest-I'test；再采用现有的零均值化法对Wtest进行处理，将得到的结果记为W'test；之后采用现有的维纳滤波对W'test处理，将得到的结果作为Itest的最终噪声残差，记为
同样，对每幅纹理简单的原始图像进行小波降噪处理，得到每幅纹理简单的原始图像的降噪图像，将Iorg,n的降噪图像记为I'org,n；然后根据每幅纹理简单的原始图像及其降噪图像，计算每幅纹理简单的原始图像的噪声残差，将Iorg,n的噪声残差记为Worg,n，Worg,n＝Iorg,n-I'org,n；接着采用现有的最大似然估计法，对所有纹理简单的原始图像的噪声残差进行处理，得到Itest所对应的相机的参考模式噪声，记为Rtest；再采用现有的零均值化法对Rtest进行处理，将得到的结果记为R'test；之后采用现有的维纳滤波对R'test处理，将得到的结果作为Itest所对应的相机的最终参考模式噪声，记为
在此，采用现有的零均值化法和现有的维纳滤波对Wtest和Rtest先后进行处理，是为了尽量去除Wtest和Rtest中的非传感器模式噪声分量。
③判断col％128和row％128是否均等于0，如果col％128和row％128均等于0，则直接执行步骤④；如果col％128等于0而row％128不等于0，则在Itest、和各自的第row行的下方扩展128-row％128行，并使扩展的每行中的每个像素点的像素值等于第row行中对应坐标位置的像素点的像素值，然后令row＝row+(128-row％128)，再执行步骤④；如果row％128等于0而col％128不等于0，则在Itest、和各自的第col列的右方扩展128-col％128列，并使扩展的每列中的每个像素点的像素值等于第col列中对应坐标位置的像素点的像素值，然后令col＝col+(128-col％128)，再执行步骤④；如果col％128和row％128均不等于0，则在Itest、和各自的第row行的下方扩展128-row％128行，并使扩展的每行中的每个像素点的像素值等于第row行中对应坐标位置的像素点的像素值，在Itest、和各自的第col列的右方扩展128-col％128列，并使扩展的每列中的每个像素点的像素值等于第col列中对应坐标位置的像素点的像素值，然后令row＝row+(128-row％128)，令col＝col+(128-col％128)，再执行步骤④；其中，符号“％”为求余运算符，row＝row+(128-row％128)和col＝col+(128-col％128)中的“＝”为赋值符号。
④将Itest、和分别划分成个互不重叠的尺寸大小为128×128的图像块，将Itest中的第k个图像块记为将中的第k个图像块记为将中的第k个图像块记为然后计算Itest中的每个图像块的纹理复杂度，将的纹理复杂度记为接着采用SPCE方法，计算中的每个图像块与中对应位置的图像块的相关性，将与的相关性记为其中，
在此具体实施例中，步骤④中的的获取过程为：a1、令其中，和对应表示的信息熵、的边缘比率、的反差因子、的相关度和的能量；b1、由于步骤a1得到的因此对步骤a1得到的进行归一化处理，即令其中，Texturemin表示纹理复杂度中的最小值，Texturemax表示纹理复杂度中的最大值，中的符号“＝”为赋值符号，在本实施例中取Texturemax＝11.7375、Texturemin＝0.0381，Texturemin和Texturemax的值是通过对大量图像块测试得到的；步骤④中其中，sign()为求符号函数，max()为求最大值函数，表示中坐标位置为s的像素点与中坐标位置为s的像素点的相关值，Ωk表示或中的所有像素点的坐标位置的集合，Ne×Ne表示或中以对应的像素点为中心的窗口区域的尺寸大小，ΩNe×Ne表示或中以对应的像素点为中心的窗口区域中的所有像素点的坐标位置的集合。
⑤根据Itest中的每个图像块的纹理复杂度，获取Itest中的每个图像块相应的自适应阈值；然后根据中的每个图像块与中对应位置的图像块的相关性及Itest中对应位置的图像块相应的自适应阈值，对Itest中对应位置的图像块进行相关性匹配，检测出Itest中对应位置的图像块是否发生过篡改；再将Itest中包含检测出的所有发生过篡改的图像块的最小矩形区域确定为Itest中的大致篡改区域。
在此具体实施例中，步骤⑤中的获取Itest中的每个图像块相应的自适应阈值的具体过程为：
⑤_1、利用U部不同的相机各拍摄V幅场景不同的照片，共获得U×V幅照片，照片的内容可以是自然景观、人物或者动物等不同场景，第u部相机拍摄的照片的宽度为colu且高度为rowu；然后从每部相机拍摄的所有照片中随机选取Z幅照片，并将随机选取的U×Z幅照片构成训练图像库，将训练图像库中的第i幅照片记为IX,i；接着对训练图像库中的每幅照片进行小波降噪处理，得到训练图像库中的每幅照片的降噪图像，将IX,i的降噪图像记为I'X,i；之后根据训练图像库中的每幅照片及其降噪图像，计算训练图像库中的每幅照片的噪声残差，将IX,i的噪声残差记为WX,i，WX,i＝IX,i-I'X,i；其中，U≥5，在本实施例中取U＝10，V≥400，在本实施例中取V＝450，1≤u≤U，200≤Z≤V，在本实施例中取Z＝V＝450，1≤i≤U×Z；表1给出了10部不同的相机各自拍摄的照片的数量。
利用上述的每部相机重复拍摄纹理简单的同一场景(如蓝天)G次，共获得U×G幅纹理简单的照片，将第j幅纹理简单的照片记为Ij；对每幅纹理简单的照片进行小波降噪处理，得到每幅纹理简单的照片的降噪图像，将Ij的降噪图像，记为I'j；然后根据每幅纹理简单的照片及其降噪图像，计算每幅纹理简单的照片的噪声残差，将Ij的噪声残差记为Wj，Wj＝Ij-I'j；接着采用现有的最大似然估计法，对每部相机拍摄的所有纹理简单的照片的噪声残差进行处理之后，再分别进行零均值化和维纳滤波处理，得到每部相机的参考模式噪声，将第u部相机的参考模式噪声记为Ru；其中，G≥50，在本实施例中取G＝60，1≤j≤U×G，在拍摄纹理简单的照片时是人为判断的，一般内容简单(如蓝天)的场景拍摄得到的照片的纹理简单，零均值化处理的方式与步骤②中采用现有的零均值化法对Rtest进行处理的方式相同，维纳滤波处理的方式与步骤②中采用现有的维纳滤波对R'test处理的方式相同。
表1 10部不同的相机各自拍摄的照片的数量
手机型号 分辨率 照片数量 照片格式
HUAWEI honor6 3120×4160 450 JPEG
HUAWEI mate 7 2336×4160 450 JPEG
IPhone 5s_1 2448×3264 450 JPEG
IPhone 6s 2448×3264 450 JPEG
Nubia Z7mini 3120×4208 450 JPEG
Nubia Z7max 3120×4208 450 JPEG
One Plus A0001 3120×4160 450 JPEG
Samsung Galaxy S5 2988×5312 450 JPEG
SONY Xperia Z3 2160×3840 450 JPEG
Xiaomi 4 3120×4208 450 JPEG
⑤_2、通过判断每部相机拍摄的照片的尺寸大小能否被128×128整除，确定是否扩展该部相机的参考模式噪声和训练图像库中来自该部相机的每幅照片及其噪声残差，对于第u部相机拍摄的照片，判断colu％128和rowu％128是否均等于0，如果colu％128和rowu％128均等于0，则直接执行步骤⑤_3；如果colu％128等于0而rowu％128不等于0，则在Ru、训练图像库中来自第u部相机的每幅照片及其噪声残差各自的第rowu行的下方扩展128-rowu％128行，并使扩展的每行中的每个像素点的像素值等于第rowu行中对应坐标位置的像素点的像素值，然后令rowu＝rowu+(128-rowu％128)，再执行步骤⑤_3；如果rowu％128等于0而colu％128不等于0，则在Ru、训练图像库中来自第u部相机的每幅照片及其噪声残差各自的第colu列的右方扩展128-colu％128列，并使扩展的每列中的每个像素点的像素值等于第colu列中对应坐标位置的像素点的像素值，然后令colu＝colu+(128-colu％128)，再执行步骤⑤_3；如果colu％128和rowu％128均不等于0，则在Ru、训练图像库中来自第u部相机的每幅照片及其噪声残差各自的第rowu行的下方扩展128-rowu％128行，并使扩展的每行中的每个像素点的像素值等于第rowu行中对应坐标位置的像素点的像素值，在Ru、训练图像库中来自第u部相机的每幅照片及其噪声残差各自的第colu列的右方扩展128-colu％128列，并使扩展的每列中的每个像素点的像素值等于第colu列中对应坐标位置的像素点的像素值，然后令rowu＝rowu+(128-rowu％128)，令colu＝colu+(128-colu％128)，再执行步骤⑤_3；其中，符号“％”为求余运算符，rowu＝rowu+(128-rowu％128)和colu＝colu+(128-colu％128)中的“＝”为赋值符号。
⑤_3、将每部相机的参考模式噪声和训练图像库中来自该部相机的每幅照片及其噪声残差分别划分成多个互不重叠的尺寸大小为128×128的图像块；然后计算训练图像库中来自每部相机的每幅照片中的每个图像块的纹理复杂度，将训练图像库中来自第u部相机的第z幅照片中的第ku个图像块的纹理复杂度记为接着采用SPCE方法，计算训练图像库中来自每部相机的每幅照片的噪声残差中的每个图像块与该部相机的参考模式噪声中对应位置的图像块的相关性，将训练图像库中来自第u部相机的第z幅照片的噪声残差中的第ku个图像块与Ru中的第ku个图像块的相关性记为其中，1≤z≤Z，
在此，步骤⑤_3中的的获取过程为：a2、令其中，和对应表示训练图像库中来自第u部相机的第z幅照片中的第ku个图像块的信息熵、边缘比率、反差因子、相关度和能量；b2、由于步骤a2得到的因此对步骤a2得到的进行归一化处理，即令其中，Texturemin表示纹理复杂度中的最小值，Texturemax表示纹理复杂度中的最大值，中的符号“＝”为赋值符号，在本实施例中取Texturemax＝11.7375、Texturemin＝0.0381，Texturemin和Texturemax的值是通过对大量图像块测试得到的；其中，sign()为求符号函数，max()为求最大值函数，表示训练图像库中来自第u部相机的第z幅照片的噪声残差中的第ku个图像块中坐标位置为su的像素点与Ru中的第ku个图像块中坐标位置为su的像素点的相关值，表示训练图像库中来自第u部相机的第z幅照片的噪声残差中的第ku个图像块或Ru中的第ku个图像块中的所有像素点的坐标位置的集合，表示训练图像库中来自第u部相机的第z幅照片的噪声残差中的第ku个图像块或Ru中的第ku个图像块中以对应的像素点为中心的窗口区域的尺寸大小，表示训练图像库中来自第u部相机的第z幅照片的噪声残差中的第ku个图像块或Ru中的第ku个图像块中以对应的像素点为中心的窗口区域中的所有像素点的坐标位置的集合。
⑤_4、将训练图像库中尺寸大小最小的照片的宽度和高度对应记为colmin和rowmin；然后按colmin和rowmin，对训练图像库中的每幅照片及其噪声残差和每部相机的参考模式噪声从左上角开始进行裁剪，使训练图像库中的所有照片及各自的噪声残差和每部相机的参考模式噪声的宽度均为colmin，且高度均为rowmin；再判断colmin％128和rowmin％128是否均等于0，如果colmin％128和rowmin％128均等于0，则直接执行步骤⑤_5；如果colmin％128等于0而rowmin％128不等于0，则在训练图像库中的每幅照片及其噪声残差和每部相机的参考模式噪声各自的第rowmin行的下方扩展128-rowmin％128行，并使扩展的每行中的每个像素点的像素值等于第rowmin行中对应坐标位置的像素点的像素值，然后令rowmin＝rowmin+(128-rowmin％128)，再执行步骤⑤_5；如果rowmin％128等于0而colmin％128不等于0，则在训练图像库中的每幅照片及其噪声残差和每部相机的参考模式噪声各自的第colmin列的右方扩展128-colmin％128列，并使扩展的每列中的每个像素点的像素值等于第colmin列中对应坐标位置的像素点的像素值，然后令colmin＝colmin+(128-colmin％128)，再执行步骤⑤_5；如果colmin％128和rowmin％128均不等于0，则在训练图像库中的每幅照片及其噪声残差和每部相机的参考模式噪声各自的第rowmin行的下方扩展128-rowmin％128行，并使扩展的每行中的每个像素点的像素值等于第rowmin行中对应坐标位置的像素点的像素值，在训练图像库中的每幅照片及其噪声残差和每部相机的参考模式噪声各自的第colmin列的右方扩展128-colmin％128列，并使扩展的每列中的每个像素点的像素值等于第colmin列中对应坐标位置的像素点的像素值，然后令rowmin＝rowmin+(128-rowmin％128)，令colmin＝colmin+(128-colmin％128)，再执行步骤⑤_5；其中，符号“％”为求余运算符，rowmin＝rowmin+(128-rowmin％128)和colmin＝colmin+(128-colmin％128)中的“＝”为赋值符号。
⑤_5、将第u部相机作为当前相机。
⑤_6、从训练图像库中来自除当前相机外的每部相机的所有照片中随机选取H幅照片，并由共选取得到的(U-1)×H幅照片构成异源照片集，记为Yu；其中，20≤H≤Z，在本实施例中取H＝50。
⑤_7、将当前相机的参考模式噪声Ru和Yu中的每幅照片及其噪声残差分别划分成个互不重叠的尺寸大小为128×128的图像块；然后计算Yu中的每幅照片中的每个图像块的纹理复杂度，将Yu中的第h幅照片中的第ky个图像块的纹理复杂度记为接着采用SPCE方法，计算Yu中的每幅照片的噪声残差中的每个图像块与当前相机的参考模式噪声Ru中对应位置的图像块的相关性，将Yu中的第h幅照片的噪声残差中的第ky个图像块与Ru中的第ky个图像块的相关性记为其中，1≤h≤(U-1)×H，
在此，步骤⑤_7中的的获取过程为：a3、令其中，和对应表示Yu中的第h幅照片中的第ky个图像块的信息熵、边缘比率、反差因子、相关度和能量；b3、由于步骤a3得到的因此对步骤a3得到的进行归一化处理，即令其中，Texturemin表示纹理复杂度中的最小值，Texturemax表示纹理复杂度中的最大值，中的符号“＝”为赋值符号，在本实施例中取Texturemax＝11.7375、Texturemin＝0.0381，Texturemin和Texturemax的值是通过对大量图像块测试得到的；其中，sign()为求符号函数，max()为求最大值函数，表示Yu中的第h幅照片的噪声残差中的第ky个图像块中坐标位置为sy的像素点与Ru中的第ky个图像块中坐标位置为sy的像素点的相关值，表示Yu中的第h幅照片的噪声残差中的第ky个图像块或Ru中的第ky个图像块中的所有像素点的坐标位置的集合，表示Yu中的第h幅照片的噪声残差中的第ky个图像块或Ru中的第ky个图像块中以对应的像素点为中心的窗口区域的尺寸大小，表示Yu中的第h幅照片的噪声残差中的第ky个图像块或Ru中的第ky个图像块中以对应的像素点为中心的窗口区域中的所有像素点的坐标位置的集合。
⑤_8、令u＝u+1，将下一部相机作为当前相机，然后返回步骤⑤_6继续执行，直至所有相机处理完毕；其中，u＝u+1中的“＝”为赋值符号。
⑤_9、将纹理复杂度的取值范围[0,1]分成33个纹理复杂度等级子区间，分别为[0,0.03)、[0.03,0.06)、……、[0.93,0.96)、[0.96,1]；然后根据步骤⑤_3中计算得到的所有图像块各自的纹理复杂度及步骤⑤_5至步骤⑤_8中计算得到的所有图像块各自的纹理复杂度所在的纹理复杂度等级子区间，将步骤⑤_3中计算得到的所有相关性及步骤⑤_5至步骤⑤_8中计算得到的所有相关性分成33类，从而得到每个纹理复杂度等级子区间下同源和异源照片对应的相关值分布；接着根据每个纹理复杂度等级子区间下同源和异源照片对应的相关值分布，使用Neyman-Pearson(N-P)准则，在虚警率为Pf的情况下计算出每个纹理复杂度等级子区间下的相关性阈值；之后对所有纹理复杂度等级子区间下的相关性阈值进行拟合，拟合得到相关性阈值与纹理复杂度的关系曲线，如图2所示；其中，Pf∈[0.001,0.01]，在本实施例中取Pf＝0.01。
⑤_10、在相关性阈值与纹理复杂度的关系曲线上，找出与Itest中的每个图像块的纹理复杂度相对应的相关性阈值，作为该图像块相应的自适应阈值。
在此具体实施例中，步骤⑤中针对对进行相关性匹配，检测出是否发生过篡改的具体过程为：如果大于或等于相应的自适应阈值，则确定未发生过篡改；如果小于相应的自适应阈值，则确定发生过篡改。
⑥将中与Itest中的大致篡改区域相对应的矩形区域记为Atest，将中与Itest中的大致篡改区域相对应的矩形区域记为Btest；然后采用现有的快速的零均值归一化互相关算法(Zero Mean Normalized Cross Correlation，ZNCC)，计算Atest中的每个像素点与Btest中对应像素点的ZNCC系数，将Atest中坐标位置为t的像素点与Btest中坐标位置为t的像素点的ZNCC系数记为ZNCCt；然后由Atest中的所有像素点各自与Btest中对应像素点的ZNCC系数组成ZNCC关联图；其中，t∈Ωz，Ωz表示Atest或Btest中的所有像素点的坐标位置的集合，ZNCCt∈[0,1]。
在此具体实施例中，步骤⑥中其中，Atest(t)表示Atest中坐标位置为t的像素点的像素值，Btest(t)表示Btest中坐标位置为t的像素点的像素值，cov(Atest(t),Btest(t))表示Atest中坐标位置为t的像素点与Btest中坐标位置为t的像素点的协方差，var(Atest(t))表示Atest中坐标位置为t的像素点的方差，var(Btest(t))表示Btest中坐标位置为t的像素点的方差。
⑦通过比较ZNCC关联图中的每个像素点的像素值与固定阈值th的大小，对ZNCC关联图中的每个像素点的像素值进行重置，对于ZNCC关联图中坐标位置为t的像素点的像素值ZNCCt，如果ZNCCt大于或等于th，则将ZNCCt重置为1；如果ZNCCt小于th，则将ZNCCt重置为0。在本实施例中取th＝0.06219。
⑧先后利用腐蚀和膨胀技术对像素值重置后的ZNCC关联图中的每个像素点进行处理；然后根据膨胀处理后的ZNCC关联图中的每个像素点的像素值，确定Itest中的大致篡改区域中的每个像素点为篡改像素点还是为非篡改像素点，对于Itest中的大致篡改区域中坐标位置为t的像素点，若膨胀处理后的ZNCC关联图中坐标位置为t的像素点的像素值为0，则确定Itest中的大致篡改区域中坐标位置为t的像素点为篡改像素点；若膨胀处理后的ZNCC关联图中坐标位置为t的像素点的像素值为1，则确定Itest中的大致篡改区域中坐标位置为t的像素点为非篡改像素点。
在此具体实施例中，步骤⑧中先后利用腐蚀和膨胀技术对像素值重置后的ZNCC关联图中的每个像素点进行处理的过程为：先用半径为64个像素点的圆对像素值重置后的ZNCC关联图中的每个像素点进行腐蚀处理，再用半径为20个像素点的圆对腐蚀处理后的ZNCC关联图中的每个像素点进行膨胀处理。
为了进一步说明本发明方法的可行性和有效性，对本发明方法进行实验验证。
由于本发明方法需要已知待测图像的来源，因此需要使用者自己构建一个测试图像库，在此所构建的测试图像库如表2所示，其中每部相机对应100幅真实图像和100幅篡改图像，篡改图像是由Photoshop CS5经同图复制-粘贴和异图拼接两种篡改方式得到的，为达到以假乱真的效果，篡改块都是不规则的，篡改区域包含像素从3000～30000不等。测试环境为Windows 7平台，Intel Core i5-3470处理器，CPU频率为3.2GHz，编译环境为MatlabR2012a。
表2测试图像库
相机型号 分辨率 图像数量 图片格式
HTC M7 1520×2688 200 JPEG
IPhone 5s_2 2448×3264 200 JPEG
MEIZU MX4 3936×5248 200 JPEG
OPPO R7 3120×4160 200 JPEG
SONY Xperia Z1 2160×3840 200 JPEG
真实性检测结果：
将每一幅测试图像的真实性检测结果分为两类：篡改和真实。为评估检测与定位算法的性能，采用检测率(True Positive Rate，TPR)和虚警率(False Alarm Rate，FAR)两种定量参数进行评估，评估公式如下：其中，TN表示将篡改图像检测为篡改的数量，FP表示将篡改图像检测为真实的数量，FN表示将真实图像检测为篡改的数量。
分别使用传统的基于相关系数的固定阈值滑窗方法和本发明方法对表2所给出的测试图像库中的500幅真实图像和500幅篡改图像进行篡改检测实验。
基于相关系数的固定阈值滑窗方法在不同阈值下会有不同的检测结果，通过实验选择四个比较理想的阈值0.007、0.01、0.015、0.02进行对比。为了能够客观评价检测结果，基于相关系数的固定阈值滑窗方法和本发明方法中图像的噪声残差都采用零均值化法和维纳滤波处理。在计算TPR和FAR时，若某一幅图像篡改定位结果的像素点的总个数少于20个，则就将其判定为真实图像，反之，则判定其发生篡改。基于相关系数的固定阈值滑窗方法和本发明方法的检测结果如表3所示：
表3基于相关系数的固定阈值滑窗方法和本发明方法的检测结果比较
观察表3所示的检测结果，从表3中可以看出，本发明方法对篡改图像的TPR达到了98.8％，FAR为1.897％，而基于相关系数的固定阈值滑窗方法在不同阈值下的检测结果不尽相同，阈值τ为0.01、0.015和0.02时，虽然TPR与本发明方法对篡改图像的TPR相近或等于本发明方法对篡改图像的TPR，但FAR却远高于本发明方法的FAR；阈值τ为0.007时，虽然FAR与本发明方法的FAR相近，但TPR远低于本发明方法对篡改图像的TPR。同时，表3给出了基于相关系数的固定阈值滑窗方法和本发明方法各自在1000幅图像上的平均检测时间，对比可见本发明方法的效率远远高于基于相关系数的固定阈值滑窗方法的效率。由此可说明，本发明方法在保持较高检测率和检测效率的情况下，有效地降低了虚警。
篡改定位效果：
图3a给出了一幅原始图像；图3b给出了图3a经同图复制-粘贴篡改得到的篡改图像，其局部块的纹理复杂度属于[0.3361,0.9286]；图3c给出了图3b的篡改位置(groundtruth)；图3d给出了利用本发明方法对图3b进行检测，精确地定位出的篡改区域。图4a给出了另一幅原始图像；图4b给出了使用两部相机拍摄同一场景然后将对应位置拼接得到的篡改图像，其局部块的纹理复杂度属于[0.2246,0.9379]；图4c给出了图4b的篡改位置(ground truth)；图4d给出了利用本发明方法对图4b进行检测，精确地定位出的篡改区域。
在基于相关系数的固定阈值滑窗方法中，不排除可以通过调节阈值降低纹理复杂真实区域虚警的情形，但因此也可能造成对不同图像篡改区域定位结果的差异。图5a给出了利用基于相关系数的固定阈值滑窗方法且阈值τ为0.02时对图3b进行检测得到的定位结果，图5b给出了利用基于相关系数的固定阈值滑窗方法且阈值τ为0.015时对图3b进行检测得到的定位结果，图5c给出了利用基于相关系数的固定阈值滑窗方法且阈值τ为0.010时对图3b进行检测得到的定位结果，图5d给出了利用基于相关系数的固定阈值滑窗方法且阈值τ为0.007时对图3b进行检测得到的定位结果。图6a给出了利用基于相关系数的固定阈值滑窗方法且阈值τ为0.02时对图4b进行检测得到的定位结果，图6b给出了利用基于相关系数的固定阈值滑窗方法且阈值τ为0.015时对图4b进行检测得到的定位结果，图6c给出了利用基于相关系数的固定阈值滑窗方法且阈值τ为0.010时对图4b进行检测得到的定位结果，图6d给出了利用基于相关系数的固定阈值滑窗方法且阈值τ为0.007时对图4b进行检测得到的定位结果。从图5a至图6d中可以看出，阈值τ为0.02和0.015时，虽然大致定位出了篡改区域，但也把多处纹理复杂的真实区域检测为篡改区域；观察阈值τ为0.010和0.007时的结果，虽然在低阈值情况下消除了复杂纹理的影响，但定位效果却非常不理想，甚至出现无法定位的情况。
对比图3d及图5a至图5d，对比图4d及图6a至图6d，可以看出本发明方法不仅能精确定位出篡改区域，而且也有效消除了复杂纹理对检测的不利影响。
鲁棒性分析：
为了验证本发明方法对纹理复杂度的鲁棒性，又进行了多组实验。
图7a给出了原始的蓝天图像，其局部块的纹理复杂度属于[0.1857,0.2886]；图8a给出了原始的墙壁图像，其局部块的纹理复杂度属于[0.3228,0.4372]；图9a给出了原始的地板图像，其局部块的纹理复杂度属于[0.3511,0.5296]；图10a给出了原始的青草图像，其局部块的纹理复杂度属于[0.6601,0.8442]；图11a给出了原始的枯草图像，其局部块的纹理复杂度属于[0.6927,0.9463]；图7a、图8a、图9a、图10a和图11a的纹理复杂度由简单到复杂各不相同。图7b、图8b、图9b、图10b和图11b对应给出了图7a、图8a、图9a、图10a和图11a的篡改图像；图7c、图8c、图9c、图10c和图11c对应给出了图7b、图8b、图9b、图10b和图11b的篡改位置(ground truth)；图7d、图8d、图9d、图10d和图11d对应给出了利用本发明方法对图7b、图8b、图9b、图10b和图11b进行检测，精确地定位出的篡改区域。
观察利用本发明方法对五幅篡改图像检测的定位结果，可知无论篡改图像的纹理简单还是复杂，都能精确地定位出篡改区域，有效地消除了纹理对取证的影响。
经大量实验表明，本发明方法的检测率达到了98.8％，对1000幅图像的平均检测时间为26.76秒，效率远远高于现有方法，并且对不同纹理复杂度的篡改图像都具有鲁棒性，能达到对篡改区域精确定位的目的。

Claims (10)

1.一种使用自适应阈值的图像篡改检测与定位方法，其特征在于包括以下步骤：
①选取一幅图像，将该图像作为待测图像，记为Itest；并获取N幅纹理简单的原始图像，将获取的第n幅纹理简单的原始图像记为Iorg,n；其中，拍摄每幅纹理简单的原始图像与拍摄Itest对应的原始图像所采用的相机为同一部相机，每幅纹理简单的原始图像与Itest的尺寸大小相同，宽度为col且高度为row，1≤n≤N，N≥2；
②对Itest进行小波降噪处理，得到Itest的降噪图像，记为I'test；然后根据Itest及I'test，计算Itest的噪声残差，记为Wtest，Wtest＝Itest-I'test；再采用零均值化法对Wtest进行处理，将得到的结果记为W'test；之后采用维纳滤波对W'test处理，将得到的结果作为Itest的最终噪声残差，记为
同样，对每幅纹理简单的原始图像进行小波降噪处理，得到每幅纹理简单的原始图像的降噪图像，将Iorg,n的降噪图像记为I'org,n；然后根据每幅纹理简单的原始图像及其降噪图像，计算每幅纹理简单的原始图像的噪声残差，将Iorg,n的噪声残差记为Worg,n，Worg,n＝Iorg,n-I'org,n；接着采用最大似然估计法，对所有纹理简单的原始图像的噪声残差进行处理，得到Itest所对应的相机的参考模式噪声，记为Rtest；再采用零均值化法对Rtest进行处理，将得到的结果记为R'test；之后采用维纳滤波对R'test处理，将得到的结果作为Itest所对应的相机的最终参考模式噪声，记为
③判断col％128和row％128是否均等于0，如果col％128和row％128均等于0，则直接执行步骤④；如果col％128等于0而row％128不等于0，则对Itest、和各自扩展128-row％128行，然后令row＝row+(128-row％128)，再执行步骤④；如果row％128等于0而col％128不等于0，则对Itest、和各自扩展128-col％128列，然后令col＝col+(128-col％128)，再执行步骤④；如果col％128和row％128均不等于0，则对Itest、和各自扩展128-row％128行，并扩展128-col％128列，然后令row＝row+(128-row％128)，令col＝col+(128-col％128)，再执行步骤④；其中，符号“％”为求余运算符，row＝row+(128-row％128)和col＝col+(128-col％128)中的“＝”为赋值符号；
④将Itest、和分别划分成个互不重叠的尺寸大小为128×128的图像块，将Itest中的第k个图像块记为将中的第k个图像块记为将中的第k个图像块记为然后计算Itest中的每个图像块的纹理复杂度，将的纹理复杂度记为接着采用SPCE方法，计算中的每个图像块与中对应位置的图像块的相关性，将与的相关性记为其中，
⑤根据Itest中的每个图像块的纹理复杂度，获取Itest中的每个图像块相应的自适应阈值；然后根据中的每个图像块与中对应位置的图像块的相关性及Itest中对应位置的图像块相应的自适应阈值，对Itest中对应位置的图像块进行相关性匹配，检测出Itest中对应位置的图像块是否发生过篡改；再将Itest中包含检测出的所有发生过篡改的图像块的最小矩形区域确定为Itest中的大致篡改区域；
⑥将中与Itest中的大致篡改区域相对应的矩形区域记为Atest，将中与Itest中的大致篡改区域相对应的矩形区域记为Btest；然后采用快速的零均值归一化互相关算法，计算Atest中的每个像素点与Btest中对应像素点的ZNCC系数，将Atest中坐标位置为t的像素点与Btest中坐标位置为t的像素点的ZNCC系数记为ZNCCt；然后由Atest中的所有像素点各自与Btest中对应像素点的ZNCC系数组成ZNCC关联图；其中，t∈Ωz，Ωz表示Atest或Btest中的所有像素点的坐标位置的集合，ZNCCt∈[0,1]；
⑦通过比较ZNCC关联图中的每个像素点的像素值与固定阈值th的大小，对ZNCC关联图中的每个像素点的像素值进行重置，对于ZNCC关联图中坐标位置为t的像素点的像素值ZNCCt，如果ZNCCt大于或等于th，则将ZNCCt重置为1；如果ZNCCt小于th，则将ZNCCt重置为0；
⑧先后利用腐蚀和膨胀技术对像素值重置后的ZNCC关联图中的每个像素点进行处理；然后根据膨胀处理后的ZNCC关联图中的每个像素点的像素值，确定Itest中的大致篡改区域中的每个像素点为篡改像素点还是为非篡改像素点，对于Itest中的大致篡改区域中坐标位置为t的像素点，若膨胀处理后的ZNCC关联图中坐标位置为t的像素点的像素值为0，则确定Itest中的大致篡改区域中坐标位置为t的像素点为篡改像素点；若膨胀处理后的ZNCC关联图中坐标位置为t的像素点的像素值为1，则确定Itest中的大致篡改区域中坐标位置为t的像素点为非篡改像素点。
2.根据权利要求1所述的一种使用自适应阈值的图像篡改检测与定位方法，其特征在于所述的步骤③中对Itest、和各自扩展128-row％128行为在Itest、和各自的第row行的下方扩展128-row％128行，并使扩展的每行中的每个像素点的像素值等于第row行中对应坐标位置的像素点的像素值；对Itest、和各自扩展128-col％128列为在Itest、和各自的第col列的右方扩展128-col％128列，并使扩展的每列中的每个像素点的像素值等于第col列中对应坐标位置的像素点的像素值。
3.根据权利要求1所述的一种使用自适应阈值的图像篡改检测与定位方法，其特征在于所述的步骤④中的的获取过程为：a1、令其中，和对应表示的信息熵、的边缘比率、的反差因子、的相关度和的能量；b1、对步骤a1得到的进行归一化处理，即令其中，Texturemin表示纹理复杂度中的最小值，Texturemax表示纹理复杂度中的最大值，中的符号“＝”为赋值符号。
4.根据权利要求1所述的一种使用自适应阈值的图像篡改检测与定位方法，其特征在于所述的步骤④中其中，sign()为求符号函数，max()为求最大值函数，表示中坐标位置为s的像素点与中坐标位置为s的像素点的相关值，Ωk表示或中的所有像素点的坐标位置的集合，Ne×Ne表示或中以对应的像素点为中心的窗口区域的尺寸大小，ΩNe×Ne表示或中以对应的像素点为中心的窗口区域中的所有像素点的坐标位置的集合。
5.根据权利要求1至4中任一项所述的一种使用自适应阈值的图像篡改检测与定位方法，其特征在于所述的步骤⑤中针对对进行相关性匹配，检测出是否发生过篡改的具体过程为：如果大于或等于相应的自适应阈值，则确定未发生过篡改；如果小于相应的自适应阈值，则确定发生过篡改。
6.根据权利要求1所述的一种使用自适应阈值的图像篡改检测与定位方法，其特征在于所述的步骤⑥中其中，Atest(t)表示Atest中坐标位置为t的像素点的像素值，Btest(t)表示Btest中坐标位置为t的像素点的像素值，cov(Atest(t),Btest(t))表示Atest中坐标位置为t的像素点与Btest中坐标位置为t的像素点的协方差，var(Atest(t))表示Atest中坐标位置为t的像素点的方差，var(Btest(t))表示Btest中坐标位置为t的像素点的方差。
7.根据权利要求1所述的一种使用自适应阈值的图像篡改检测与定位方法，其特征在于所述的步骤⑤中的获取Itest中的每个图像块相应的自适应阈值的具体过程为：
⑤_1、利用U部不同的相机各拍摄V幅场景不同的照片，共获得U×V幅照片，第u部相机拍摄的照片的宽度为colu且高度为rowu；然后从每部相机拍摄的所有照片中随机选取Z幅照片，并将随机选取的U×Z幅照片构成训练图像库，将训练图像库中的第i幅照片记为IX,i；接着对训练图像库中的每幅照片进行小波降噪处理，得到训练图像库中的每幅照片的降噪图像，将IX,i的降噪图像记为I'X，i；之后根据训练图像库中的每幅照片及其降噪图像，计算训练图像库中的每幅照片的噪声残差，将IX,i的噪声残差记为WX,i，WX,i＝IX,i-I'X，i；其中，U≥5，V≥400，1≤u≤U，200≤Z≤V，1≤i≤U×Z；
利用上述的每部相机重复拍摄纹理简单的同一场景G次，共获得U×G幅纹理简单的照片，将第j幅纹理简单的照片记为Ij；对每幅纹理简单的照片进行小波降噪处理，得到每幅纹理简单的照片的降噪图像，将Ij的降噪图像，记为I'j；然后根据每幅纹理简单的照片及其降噪图像，计算每幅纹理简单的照片的噪声残差，将Ij的噪声残差记为Wj，Wj＝Ij-I'j；接着采用最大似然估计法，对每部相机拍摄的所有纹理简单的照片的噪声残差进行处理之后，再分别进行零均值化和维纳滤波处理，得到每部相机的参考模式噪声，将第u部相机的参考模式噪声记为Ru；其中，G≥50，1≤j≤U×G；
⑤_2、通过判断每部相机拍摄的照片的尺寸大小能否被128×128整除，确定是否扩展该部相机的参考模式噪声和训练图像库中来自该部相机的每幅照片及其噪声残差，对于第u部相机拍摄的照片，判断colu％128和rowu％128是否均等于0，如果colu％128和rowu％128均等于0，则直接执行步骤⑤_3；如果colu％128等于0而rowu％128不等于0，则对Ru、训练图像库中来自第u部相机的每幅照片及其噪声残差各自扩展128-rowu％128行，然后令rowu＝rowu+(128-rowu％128)，再执行步骤⑤_3；如果rowu％128等于0而colu％128不等于0，则对Ru、训练图像库中来自第u部相机的每幅照片及其噪声残差各自扩展128-colu％128列，然后令colu＝colu+(128-colu％128)，再执行步骤⑤_3；如果colu％128和rowu％128均不等于0，则对Ru、训练图像库中来自第u部相机的每幅照片及其噪声残差各自扩展128-rowu％128行，并扩展128-colu％128列，然后令rowu＝rowu+(128-rowu％128)，令colu＝colu+(128-colu％128)，再执行步骤⑤_3；其中，符号“％”为求余运算符，rowu＝rowu+(128-rowu％128)和colu＝colu+(128-colu％128)中的“＝”为赋值符号；
⑤_3、将每部相机的参考模式噪声和训练图像库中来自该部相机的每幅照片及其噪声残差分别划分成多个互不重叠的尺寸大小为128×128的图像块；然后计算训练图像库中来自每部相机的每幅照片中的每个图像块的纹理复杂度，将训练图像库中来自第u部相机的第z幅照片中的第ku个图像块的纹理复杂度记为接着采用SPCE方法，计算训练图像库中来自每部相机的每幅照片的噪声残差中的每个图像块与该部相机的参考模式噪声中对应位置的图像块的相关性，将训练图像库中来自第u部相机的第z幅照片的噪声残差中的第ku个图像块与Ru中的第ku个图像块的相关性记为其中，1≤z≤Z，
⑤_4、将训练图像库中尺寸大小最小的照片的宽度和高度对应记为colmin和rowmin；然后按colmin和rowmin，对训练图像库中的每幅照片及其噪声残差和每部相机的参考模式噪声从左上角开始进行裁剪，使训练图像库中的所有照片及各自的噪声残差和每部相机的参考模式噪声的宽度均为colmin，且高度均为rowmin；再判断colmin％128和rowmin％128是否均等于0，如果colmin％128和rowmin％128均等于0，则直接执行步骤⑤_5；如果colmin％128等于0而rowmin％128不等于0，则对训练图像库中的每幅照片及其噪声残差和每部相机的参考模式噪声各自扩展128-rowmin％128行，然后令rowmin＝rowmin+(128-rowmin％128)，再执行步骤⑤_5；如果rowmin％128等于0而colmin％128不等于0，则对训练图像库中的每幅照片及其噪声残差和每部相机的参考模式噪声各自扩展128-colmin％128列，然后令colmin＝colmin+(128-colmin％128)，再执行步骤⑤_5；如果colmin％128和rowmin％128均不等于0，则对训练图像库中的每幅照片及其噪声残差和每部相机的参考模式噪声各自扩展128-rowmin％128行，并扩展128-colmin％128列，然后令rowmin＝rowmin+(128-rowmin％128)，令colmin＝colmin+(128-colmin％128)，再执行步骤⑤_5；其中，符号“％”为求余运算符，rowmin＝rowmin+(128-rowmin％128)和colmin＝colmin+(128-colmin％128)中的“＝”为赋值符号；
⑤_5、将第u部相机作为当前相机；
⑤_6、从训练图像库中来自除当前相机外的每部相机的所有照片中随机选取H幅照片，并由共选取得到的(U-1)×H幅照片构成异源照片集，记为Yu；其中，20≤H≤Z；
⑤_7、将当前相机的参考模式噪声Ru和Yu中的每幅照片及其噪声残差分别划分成个互不重叠的尺寸大小为128×128的图像块；然后计算Yu中的每幅照片中的每个图像块的纹理复杂度，将Yu中的第h幅照片中的第ky个图像块的纹理复杂度记为接着采用SPCE方法，计算Yu中的每幅照片的噪声残差中的每个图像块与当前相机的参考模式噪声Ru中对应位置的图像块的相关性，将Yu中的第h幅照片的噪声残差中的第ky个图像块与Ru中的第ky个图像块的相关性记为其中，1≤h≤(U-1)×H，
⑤_8、令u＝u+1，将下一部相机作为当前相机，然后返回步骤⑤_6继续执行，直至所有相机处理完毕；其中，u＝u+1中的“＝”为赋值符号；
⑤_9、将纹理复杂度的取值范围[0,1]分成33个纹理复杂度等级子区间，分别为[0,0.03)、[0.03,0.06)、……、[0.93,0.96)、[0.96,1]；然后根据步骤⑤_3中计算得到的所有图像块各自的纹理复杂度及步骤⑤_5至步骤⑤_8中计算得到的所有图像块各自的纹理复杂度所在的纹理复杂度等级子区间，将步骤⑤_3中计算得到的所有相关性及步骤⑤_5至步骤⑤_8中计算得到的所有相关性分成33类，从而得到每个纹理复杂度等级子区间下同源和异源照片对应的相关值分布；接着根据每个纹理复杂度等级子区间下同源和异源照片对应的相关值分布，使用Neyman-Pearson准则，在虚警率为Pf的情况下计算出每个纹理复杂度等级子区间下的相关性阈值；之后对所有纹理复杂度等级子区间下的相关性阈值进行拟合，拟合得到相关性阈值与纹理复杂度的关系曲线；其中，Pf∈[0.001,0.01]；
⑤_10、在相关性阈值与纹理复杂度的关系曲线上，找出与Itest中的每个图像块的纹理复杂度相对应的相关性阈值，作为该图像块相应的自适应阈值。
8.根据权利要求7所述的一种使用自适应阈值的图像篡改检测与定位方法，其特征在于所述的步骤⑤_2中对Ru、训练图像库中来自第u部相机的每幅照片及其噪声残差各自扩展128-rowu％128行为在Ru、训练图像库中来自第u部相机的每幅照片及其噪声残差各自的第rowu行的下方扩展128-rowu％128行，并使扩展的每行中的每个像素点的像素值等于第rowu行中对应坐标位置的像素点的像素值；对Ru、训练图像库中来自第u部相机的每幅照片及其噪声残差各自扩展128-colu％128列为在Ru、训练图像库中来自第u部相机的每幅照片及其噪声残差各自的第colu列的右方扩展128-colu％128列，并使扩展的每列中的每个像素点的像素值等于第colu列中对应坐标位置的像素点的像素值；
所述的步骤⑤_4中对训练图像库中的每幅照片及其噪声残差和每部相机的参考模式噪声各自扩展128-rowmin％128行为在训练图像库中的每幅照片及其噪声残差和每部相机的参考模式噪声各自的第rowmin行的下方扩展128-rowmin％128行，并使扩展的每行中的每个像素点的像素值等于第rowmin行中对应坐标位置的像素点的像素值；对训练图像库中的每幅照片及其噪声残差和每部相机的参考模式噪声各自扩展128-colmin％128列为在训练图像库中的每幅照片及其噪声残差和每部相机的参考模式噪声各自的第colmin列的右方扩展128-colmin％128列，并使扩展的每列中的每个像素点的像素值等于第colmin列中对应坐标位置的像素点的像素值；
所述的步骤⑤_3中的的获取过程为：a2、令其中，和对应表示训练图像库中来自第u部相机的第z幅照片中的第ku个图像块的信息熵、边缘比率、反差因子、相关度和能量；b2、对步骤a2得到的进行归一化处理，即令其中，Texturemin表示纹理复杂度中的最小值，Texturemax表示纹理复杂度中的最大值，中的符号“＝”为赋值符号；所述的步骤⑤_3中其中，sign()为求符号函数，max()为求最大值函数，表示训练图像库中来自第u部相机的第z幅照片的噪声残差中的第ku个图像块中坐标位置为su的像素点与Ru中的第ku个图像块中坐标位置为su的像素点的相关值，表示训练图像库中来自第u部相机的第z幅照片的噪声残差中的第ku个图像块或Ru中的第ku个图像块中的所有像素点的坐标位置的集合，表示训练图像库中来自第u部相机的第z幅照片的噪声残差中的第ku个图像块或Ru中的第ku个图像块中以对应的像素点为中心的窗口区域的尺寸大小，表示训练图像库中来自第u部相机的第z幅照片的噪声残差中的第ku个图像块或Ru中的第ku个图像块中以对应的像素点为中心的窗口区域中的所有像素点的坐标位置的集合；
所述的步骤⑤_7中的的获取过程为：a3、令其中，和对应表示Yu中的第h幅照片中的第ky个图像块的信息熵、边缘比率、反差因子、相关度和能量；b3、对步骤a3得到的进行归一化处理，即令其中，Texturemin表示纹理复杂度中的最小值，Texturemax表示纹理复杂度中的最大值，中的符号“＝”为赋值符号；所述的步骤⑤_7中其中，sign()为求符号函数，max()为求最大值函数，表示Yu中的第h幅照片的噪声残差中的第ky个图像块中坐标位置为sy的像素点与Ru中的第ky个图像块中坐标位置为sy的像素点的相关值，表示Yu中的第h幅照片的噪声残差中的第ky个图像块或Ru中的第ky个图像块中的所有像素点的坐标位置的集合，表示Yu中的第h幅照片的噪声残差中的第ky个图像块或Ru中的第ky个图像块中以对应的像素点为中心的窗口区域的尺寸大小，表示Yu中的第h幅照片的噪声残差中的第ky个图像块或Ru中的第ky个图像块中以对应的像素点为中心的窗口区域中的所有像素点的坐标位置的集合。
9.根据权利要求1所述的一种使用自适应阈值的图像篡改检测与定位方法，其特征在于所述的步骤⑦中取th＝0.06219。
10.根据权利要求1所述的一种使用自适应阈值的图像篡改检测与定位方法，其特征在于所述的步骤⑧中先后利用腐蚀和膨胀技术对像素值重置后的ZNCC关联图中的每个像素点进行处理的过程为：先用半径为64个像素点的圆对像素值重置后的ZNCC关联图中的每个像素点进行腐蚀处理，再用半径为20个像素点的圆对腐蚀处理后的ZNCC关联图中的每个像素点进行膨胀处理。
CN201610588684.0A 2016-07-22 2016-07-22 一种使用自适应阈值的图像篡改检测与定位方法 Active CN106097379B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610588684.0A CN106097379B (zh) 2016-07-22 2016-07-22 一种使用自适应阈值的图像篡改检测与定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610588684.0A CN106097379B (zh) 2016-07-22 2016-07-22 一种使用自适应阈值的图像篡改检测与定位方法

Publications (2)

Publication Number Publication Date
CN106097379A true CN106097379A (zh) 2016-11-09
CN106097379B CN106097379B (zh) 2018-11-09

Family

ID=57450350

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610588684.0A Active CN106097379B (zh) 2016-07-22 2016-07-22 一种使用自适应阈值的图像篡改检测与定位方法

Country Status (1)

Country Link
CN (1) CN106097379B (zh)

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107067405A (zh) * 2017-03-30 2017-08-18 河海大学 基于尺度优选的遥感影像分割方法
CN107067397A (zh) * 2017-04-27 2017-08-18 北京环境特性研究所 一种基于红外图像复杂度的图像分级方法
CN107451990A (zh) * 2017-06-13 2017-12-08 宁波大学 一种使用非线性引导滤波的照片图像篡改检测方法
CN107563948A (zh) * 2017-08-22 2018-01-09 广西师范大学 基于信息隐藏的图像保护方法
CN108710893A (zh) * 2018-04-04 2018-10-26 中山大学 一种基于特征融合的数字图像相机源模型分类方法
CN110210498A (zh) * 2019-05-31 2019-09-06 北京交通大学 基于残差学习卷积融合网络的数字图像设备取证系统
CN110632094A (zh) * 2019-07-24 2019-12-31 北京中科慧眼科技有限公司 一种基于逐点比对分析的图纹质量检测方法，装置与系统
CN111709930A (zh) * 2020-06-15 2020-09-25 荆门汇易佳信息科技有限公司 基于模式噪声的图片出处与窜改认定方法
WO2020215676A1 (zh) * 2019-04-26 2020-10-29 平安科技（深圳）有限公司 基于残差网络的图像识别方法、装置、设备及存储介质
CN112419188A (zh) * 2020-11-23 2021-02-26 杭州丽视智能科技有限公司 图像噪声消除方法、装置、电子设备及计算机存储介质
CN112712134A (zh) * 2021-01-15 2021-04-27 中冶赛迪重庆信息技术有限公司 一种原料颗粒分类识别方法、系统、介质及电子终端
CN113627429A (zh) * 2021-08-12 2021-11-09 深圳市爱培科技术股份有限公司 一种图像的低纹理区域识别方法、装置、存储介质及设备
WO2022120532A1 (en) * 2020-12-07 2022-06-16 Huawei Technologies Co., Ltd. Presentation attack detection
CN117314940A (zh) * 2023-11-30 2023-12-29 诺伯特智能装备（山东）有限公司 基于人工智能的激光切割零件轮廓快速分割方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102013101A (zh) * 2010-11-27 2011-04-13 上海大学 一种经过模糊后处理的置换篡改图像盲检测方法
CN102968803A (zh) * 2012-11-15 2013-03-13 西安理工大学 针对cfa插值图像的篡改检测与篡改定位方法
US20150154463A1 (en) * 2013-12-04 2015-06-04 Irida Labs S.A. System and a method for the detection of multiple number-plates of moving cars in a series of 2-d images
CN104933721A (zh) * 2015-06-25 2015-09-23 西安理工大学 基于颜色滤波阵列特性的拼接图像篡改检测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102013101A (zh) * 2010-11-27 2011-04-13 上海大学 一种经过模糊后处理的置换篡改图像盲检测方法
CN102968803A (zh) * 2012-11-15 2013-03-13 西安理工大学 针对cfa插值图像的篡改检测与篡改定位方法
US20150154463A1 (en) * 2013-12-04 2015-06-04 Irida Labs S.A. System and a method for the detection of multiple number-plates of moving cars in a series of 2-d images
CN104933721A (zh) * 2015-06-25 2015-09-23 西安理工大学 基于颜色滤波阵列特性的拼接图像篡改检测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
LEVENT OZPARLAK等: "Digital image forensics using wavelet based image models", 《2011 IEEE 19TH CONFERENCE ON SIGNAL PROCESSING AND COMMUNICATIONS APPLICATIONS》 *
MEIJUAN WANG等: "Countering anti-forensics to wavelet-based compression", 《2014 IEEE INTERNATIONAL CONFERENCE ON IMAGE PROCESSING》 *
李岩等: "图像镜像复制粘贴篡改检测中的FI-SURF算法", 《通信学报》 *

Cited By (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107067405A (zh) * 2017-03-30 2017-08-18 河海大学 基于尺度优选的遥感影像分割方法
CN107067405B (zh) * 2017-03-30 2020-04-03 河海大学 基于尺度优选的遥感影像分割方法
CN107067397A (zh) * 2017-04-27 2017-08-18 北京环境特性研究所 一种基于红外图像复杂度的图像分级方法
CN107451990A (zh) * 2017-06-13 2017-12-08 宁波大学 一种使用非线性引导滤波的照片图像篡改检测方法
CN107451990B (zh) * 2017-06-13 2019-11-15 宁波大学 一种使用非线性引导滤波的照片图像篡改检测方法
CN107563948A (zh) * 2017-08-22 2018-01-09 广西师范大学 基于信息隐藏的图像保护方法
CN107563948B (zh) * 2017-08-22 2020-12-25 广西赛联信息科技股份有限公司 基于信息隐藏的图像保护方法
CN108710893A (zh) * 2018-04-04 2018-10-26 中山大学 一种基于特征融合的数字图像相机源模型分类方法
CN108710893B (zh) * 2018-04-04 2021-10-29 中山大学 一种基于特征融合的数字图像相机源模型分类方法
WO2020215676A1 (zh) * 2019-04-26 2020-10-29 平安科技（深圳）有限公司 基于残差网络的图像识别方法、装置、设备及存储介质
CN110210498B (zh) * 2019-05-31 2021-08-10 北京交通大学 基于残差学习卷积融合网络的数字图像设备取证系统
CN110210498A (zh) * 2019-05-31 2019-09-06 北京交通大学 基于残差学习卷积融合网络的数字图像设备取证系统
CN110632094A (zh) * 2019-07-24 2019-12-31 北京中科慧眼科技有限公司 一种基于逐点比对分析的图纹质量检测方法，装置与系统
CN110632094B (zh) * 2019-07-24 2022-04-19 北京中科慧眼科技有限公司 一种基于逐点比对分析的图纹质量检测方法，装置与系统
CN111709930A (zh) * 2020-06-15 2020-09-25 荆门汇易佳信息科技有限公司 基于模式噪声的图片出处与窜改认定方法
CN112419188A (zh) * 2020-11-23 2021-02-26 杭州丽视智能科技有限公司 图像噪声消除方法、装置、电子设备及计算机存储介质
WO2022120532A1 (en) * 2020-12-07 2022-06-16 Huawei Technologies Co., Ltd. Presentation attack detection
CN112712134A (zh) * 2021-01-15 2021-04-27 中冶赛迪重庆信息技术有限公司 一种原料颗粒分类识别方法、系统、介质及电子终端
CN113627429A (zh) * 2021-08-12 2021-11-09 深圳市爱培科技术股份有限公司 一种图像的低纹理区域识别方法、装置、存储介质及设备
CN117314940A (zh) * 2023-11-30 2023-12-29 诺伯特智能装备（山东）有限公司 基于人工智能的激光切割零件轮廓快速分割方法
CN117314940B (zh) * 2023-11-30 2024-02-02 诺伯特智能装备（山东）有限公司 基于人工智能的激光切割零件轮廓快速分割方法

Also Published As

Publication number Publication date
CN106097379B (zh) 2018-11-09

Similar Documents

Publication Publication Date Title
CN106097379B (zh) 一种使用自适应阈值的图像篡改检测与定位方法
Thai et al. Camera model identification based on the heteroscedastic noise model
Dirik et al. Image tamper detection based on demosaicing artifacts
Kang et al. Enhancing source camera identification performance with a camera reference phase sensor pattern noise
Lin et al. Preprocessing reference sensor pattern noise via spectrum equalization
Lawgaly et al. Sensor pattern noise estimation based on improved locally adaptive DCT filtering and weighted averaging for source camera identification and verification
Chierchia et al. On the influence of denoising in PRNU based forgery detection
Pan et al. Exposing image forgery with blind noise estimation
Villalba et al. Smartphone image clustering
Quan et al. On addressing the impact of ISO speed upon PRNU and forgery detection
CN105701813A (zh) 一种光场图像的显著性检测方法
JP2017511674A (ja) Ｊｐｅｇ圧縮画像に関連付けられる写真カメラモデルを特定するためのシステム、ならびに関連付けられる方法、使用およびアプリケーション
CN106851140B (zh) 一种使用空域平滑滤波的数字照片图像来源识别方法
Lawgaly et al. Image sharpening for efficient source camera identification based on sensor pattern noise estimation
Qiao et al. Source camera device identification based on raw images
Zhang et al. Identifying source camera using guided image estimation and block weighted average
CN111709930A (zh) 基于模式噪声的图片出处与窜改认定方法
Mehrish et al. Robust PRNU estimation from probabilistic raw measurements
Qiao et al. Identifying individual camera device from raw images
CN103593645A (zh) 剪切图像源相机识别方法
Flor et al. PRNU-based source camera identification for multimedia forensics
Chen et al. Focus manipulation detection via photometric histogram analysis
Chen et al. Hybrid saliency detection for images
Qu et al. Forensic sensor pattern noise extraction from large image data set
CN107451990B (zh) 一种使用非线性引导滤波的照片图像篡改检测方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant