CN106709915B - 一种图像重采样操作检测方法 - Google Patents
一种图像重采样操作检测方法 Download PDFInfo
- Publication number
- CN106709915B CN106709915B CN201710011788.XA CN201710011788A CN106709915B CN 106709915 B CN106709915 B CN 106709915B CN 201710011788 A CN201710011788 A CN 201710011788A CN 106709915 B CN106709915 B CN 106709915B
- Authority
- CN
- China
- Prior art keywords
- image
- kernel
- resampling
- convolution kernel
- convolution
- 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.)
- Expired - Fee Related
Links
- 238000012952 Resampling Methods 0.000 title claims abstract description 45
- 238000001514 detection method Methods 0.000 title claims abstract description 41
- 238000007906 compression Methods 0.000 claims abstract description 17
- 239000013598 vector Substances 0.000 claims abstract description 12
- 238000013145 classification model Methods 0.000 claims abstract description 8
- 238000012360 testing method Methods 0.000 claims abstract description 5
- 230000006835 compression Effects 0.000 claims description 16
- 238000000034 method Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 abstract description 4
- 238000012549 training Methods 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000000844 transformation Methods 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4023—Scaling of whole images or parts thereof, e.g. expanding or contracting based on decimating pixels or lines of pixels; based on inserting pixels or lines of pixels
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Compression Or Coding Systems Of Tv Signals (AREA)
Abstract
一种图像重采样操作检测方法：将图像重采样操作表示为模型；对被重采样之后的图像做初始的盲反卷积操作，得到初始核；求出不同大小的初始核，得到一组多尺度，不同大小的卷积核集合；再利用卷积核集合中的一个卷积核和卷积核所对应的原始图像做卷积的结果，与被重采样之后的图像进行比较，其中，质量差异最小的为最优核即是系统输出；将最优核展开成列向量；将所述的列向量放入分类器中训练模型，得到分类模型；对待测图像重复第2步～第5步，将得到的列向量放到第6步得到的分类模型中进行测试，得到最终检测结果。本发明能够有效减少用于支持向量机(SVM)分类器的训练时间。且抗压缩的能力强，且具有优秀的检测准确率。
Description
技术领域
本发明涉及一种图像篡改检测方法。特别是涉及一种图像重采样操作检测方法。
背景技术
随着低成本和高分辨率数字摄像头和复杂的编辑软件的出现，数字图像可以很容易地操纵和改变。伪造的数字图像往往难以从真实的照片中区别出来。因此，照片不再能作为事件真实性的记录。特别是在司法系统和新闻媒体这些领域，图像信息的真实性扮演着越发重要的角色。为了确保数字信息的真实性和完整性，数字图像被动取证技术应运而生。有别于以数字签名和数字水印为代表的主动取证技术，被动取证技术是仅根据获取的数字图像，寻找是否存在篡改后可能留下的各种痕迹，从而区分出自然图像与被篡改图像。
图像重采样操作，即通过像素之间的插值运算得到不同尺度大小的图像，一直是图像通用处理或者编辑篡改过程中常见的一种基本操作模式。通过检测重采样可以有效地辨别图像的真实性和处理历程。当两幅图像拼接在一起时，为了产生高质量连续的篡改图片，需要缩放、旋转等几何变换。通常，几何变换需要重采样和插值步骤。因此，重采样是图像篡改中最常见的操作，也成为篡改检测重点关注的操作之一。我们可以通过检测重采样留下的痕迹识别图像或者图像中的一部分是否经过改动。
目前已有许多学者围绕数字图像重采样操作的盲检测展开了相关研究。Popescu等人指出了图像经过重采样操作后，虽然视觉上差异并不明显，但是原始图像的统计分布被改变，会引入新的统计相关性。作者构建概率相关性图(probability-map)，实现对重采样操作的盲检测。Mahdian等人引入基于二阶导数协方差的特征，有效的反映信号的周期相关性。一般认为重采样操作会改变原始图像的纹理细节，基于这一思路，Hou等人将重采样的检测描述为一个纹理分类问题，利用先进的分类算法实现图像重采样检测。Matthias等人在概率相关性图(probability-map)的基础上，描述了重采样参数对周期性效应的影响，解析得到预期的重采样尖峰，取得良好的检测结果。Kirchne等人分析了在双JPEG压缩的情况下，如何检测重采样操作。作者公式化表述了JPEG压缩仿射变换如何影响重采样检测，提出一种更适应于双JPEG压缩下的检测方法。Feng等人提出利用归一化的能量密度检测重采样痕迹。在JPEG Q＝55的情况下，检测准确率依然能达到70％以上。但该方法依然是基于像素相关性的检测方法，文中并未提到对于最近邻插值等非周期性插值的检测效果。
虽然，对于重采样的检测已经进行多年，但依然存在诸多问题，例如抗JPEG压缩能力差、对特定缩放比例难以检测、对非周期性插值难以检测等。因此。提出一种更有效的图像重采样检测方法十分必要。
发明内容
本发明所要解决的技术问题是，提供一种检测特征维度低，抗压缩能力强，且具有优秀的检测准确率的图像重采样操作检测方法。
本发明所采用的技术方案是：一种图像重采样操作检测方法，包括如下步骤：
1)将图像重采样操作表示为如下模型：
R是被重采样之后的图像，I是原始图像，H是抽象的重采样操作，N是误差；
2)对被重采样之后的图像R做初始的盲反卷积操作，得到初始核H0：
3)求出不同大小的初始核H0，得到一组多尺度，不同大小的卷积核集合HS；
4)再利用卷积核集合HS中的一个卷积核Hi和卷积核Hi所对应的原始图像Ii做卷积的结果
与被重采样之后的图像R进行比较，其中，质量差异最小的为最优核H*即是系统输出；
5)将最优核H*展开成列向量；
6)将所述的列向量放入分类器中训练模型，得到分类模型；
7)对待测图像重复步骤2)～步骤5)，将得到的列向量放到步骤6)得到的分类模型中进行测试，得到最终检测结果。
步骤4)中所述的质量差异是由峰值信噪比计算得到，计算公式如下：
其中，Rt为图像R中第t个像素点，
为图像
中第t个像素点，n为图像中像素点总个数。
本发明的一种图像重采样操作检测方法，通过本发明方法的检测特征维度低，能够有效减少用于支持向量机(SVM)分类器的训练时间。本方法抗压缩的能力强，且具有优秀的检测准确率，同时填补了相关研究在图像重采样检测方面的空白。
附图说明
图1是本发明一种图像重采样操作检测方法的流程图；
图2是缩放比例为2.0时，最近邻插值的卷积核的效果图；
图3a是缩放比例为2.0，JPEG压缩Q为55时，双线性插值的卷积核的效果图；
图3b是缩放比例为2.0，JPEG压缩Q为25时，双线性插值的卷积核的效果图；
图3c是缩放比例为2.0，JPEG压缩Q为10时，双线性插值的卷积核的效果图。
具体实施方式
下面结合实施例和附图对本发明的一种图像重采样操作检测方法做出详细说明。
如图1所示，本发明的一种图像重采样操作检测方法，包括如下步骤：
1)将图像重采样操作表示为如下模型：
R是被重采样之后的图像，I是原始图像，H是抽象的重采样操作，N是误差；
2)在实际问题中，往往R为已知，I和H未知，至此，将图像重采样操作盲检测问题，转化为利用盲反卷积操作求解H，即，对被重采样之后的图像R做初始的盲反卷积操作，得到初始核H0：
3)求出不同大小的初始核H0，得到一组多尺度，不同大小的卷积核集合HS；
4)再利用卷积核集合HS中的一个卷积核Hi和卷积核Hi所对应的原始图像Ii做卷积的结果
与被重采样之后的图像R进行比较，其中，质量差异最小的为最优核H*即是系统输出；
所述的质量差异是由峰值信噪比计算得到，计算公式如下：
其中，Rt为图像R中第t个像素点，
为图像
中第t个像素点，n为图像中像素点总个数。
5)将最优核H*展开成列向量；
6)将所述的列向量放入分类器中训练模型，得到分类模型；
7)对待测图像重复步骤2)～步骤5)，将得到的列向量放到步骤6)得到的分类模型中进行测试，得到最终检测结果。
对一种图像重采样操作检测方法的验证实验如下：
本实验中的检测特征维度N取默认值20。本发明方法的检测性能通过准确率来衡量，定义如下：
其中PTP和PTN分别表示正确的正例和负例概率。
对从UCID图像数据库获取到的待测图像处理为例：
(1)由于最近邻插值算法往往不会引入插值的周期性，所以大多数传统方法无法有效检测。对于非周期的重采样检测，是传统重采样检测的难点。由于本发明的方法并不依赖于像素之间的周期性，所以对于非周期性重采样，取得了较好的实验结果。在缩放比例为2.0时，卷积核的结果如图2所示。我们从UCID中挑选了100张有代表性的图像，使用最近邻插值算法进行重采样。分别在缩放因子(scaling factor)为1.6、1.8、2.0时，测试检测效果，实验结果如表1所示。
(2)大多数传统重采样检测方法，在JPEG压缩下，效果会出现明显下降。JPEG压缩下的重采样检测，受到图像质量下降，JPEG块效应的干扰。本发明的方法对于JPEG干扰较为鲁棒。我们从UCID中挑选了100张有代表性的图像，对其进行重采样操作后，进行JPEG压缩。对于双线性重采样，在缩放因子为1.6，1.8，2.0时，测试了在JPEG压缩Q为55，25，10时的检测效果。当缩放比例为2.0的情况下，JPEG压缩Q为55时的卷积核结果如图3a所示，JPEG压缩Q为25时的卷积核结果如图3b所示，JPEG压缩Q为10时的卷积核结果如图3c所示。总体检测准确率如表2所示。
表1
| 图像缩放比例 | 准确率 |
| 1.6 | 93％ |
| 1.8 | 93％ |
| 2.0 | 100％ |
表2
| Q＝55 | Q＝25 | Q＝10 | |
| 缩放比例1.6 | 86％ | 81％ | 83％ |
| 缩放比例1.8 | 89％ | 85％ | 88％ |
| 缩放比例2.0 | 93％ | 87％ | 89％ |
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设计的技术范围内，可以做出很多变形或替换，这些都应该涵盖在本发明的保护范围之内。
Claims (2)
1.一种图像重采样操作检测方法，其特征在于，包括如下步骤：
1)将图像使用最近邻插值算法进行重采样操作表示为如下模型：
R是被重采样之后的图像，I是原始图像，H是抽象的重采样操作，N是误差；
2)对被重采样之后的图像R进行JPEG压缩；
3)对被重采样及JPEG压缩之后的图像R做初始的盲反卷积操作，得到卷积核Hi：
4)求出不同大小的卷积核Hi，得到一组多尺度，不同大小的卷积核集合HS；
5)再利用卷积核集合HS中的一个卷积核Hi和卷积核Hi所对应的原始图像Ii做卷积的结果与被重采样及JPEG压缩之后的图像R进行比较，其中，质量差异最小的为最优核H*即是系统输出；
6)将最优核H*展开成列向量；
7)将所述的列向量放入分类器中训练模型，得到分类模型；
8)对待测图像重复步骤3)～步骤6)，将得到的列向量放到步骤7)得到的分类模型中进行测试，得到最终检测结果。
2.根据权利要求1所述的一种图像重采样操作检测方法，其特征在于，步骤5)中所述的质量差异是由峰值信噪比计算得到，计算公式如下：
其中，Rt为图像R中第t个像素点，
为图像中第t个像素点，n为图像中像素点总个数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710011788.XA CN106709915B (zh) | 2017-01-06 | 2017-01-06 | 一种图像重采样操作检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710011788.XA CN106709915B (zh) | 2017-01-06 | 2017-01-06 | 一种图像重采样操作检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106709915A CN106709915A (zh) | 2017-05-24 |
| CN106709915B true CN106709915B (zh) | 2020-02-07 |
Family
ID=58908707
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710011788.XA Expired - Fee Related CN106709915B (zh) | 2017-01-06 | 2017-01-06 | 一种图像重采样操作检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106709915B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109544502B (zh) * | 2018-09-25 | 2023-06-30 | 中山大学 | 一种jpeg图像下采样因子估计方法 |
| CN111080587B (zh) * | 2019-12-04 | 2023-05-26 | 中山大学 | 一种基于卷积神经网络的重采样图像检测方法 |
| CN112861786B (zh) * | 2021-03-09 | 2022-12-02 | 南开大学 | 人脸篡改视频检测方法和人脸篡改视频检测装置 |
| CN115795370B (zh) * | 2023-02-10 | 2023-05-30 | 南昌大学 | 基于重采样痕迹的电子数字信息取证方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001043361A (ja) * | 1999-08-03 | 2001-02-16 | Yokogawa Electric Corp | 画像処理方法及びこれを用いた画像処理装置 |
| EP1953700A1 (en) * | 2005-11-21 | 2008-08-06 | Tsinghua University | System and method for reconstructing an image by rectilinear trajectory scanning |
| CN101452568A (zh) * | 2008-12-04 | 2009-06-10 | 上海大学 | 基于反卷积的篡改图像盲检测方法 |
| CN103136725A (zh) * | 2011-12-05 | 2013-06-05 | 方正国际软件有限公司 | 一种图像重采样方法及系统 |
| CN104036485A (zh) * | 2013-08-21 | 2014-09-10 | 江南大学 | 一种关于图像重采样篡改检测的方法 |
-
2017
- 2017-01-06 CN CN201710011788.XA patent/CN106709915B/zh not_active Expired - Fee Related
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001043361A (ja) * | 1999-08-03 | 2001-02-16 | Yokogawa Electric Corp | 画像処理方法及びこれを用いた画像処理装置 |
| EP1953700A1 (en) * | 2005-11-21 | 2008-08-06 | Tsinghua University | System and method for reconstructing an image by rectilinear trajectory scanning |
| CN101452568A (zh) * | 2008-12-04 | 2009-06-10 | 上海大学 | 基于反卷积的篡改图像盲检测方法 |
| CN103136725A (zh) * | 2011-12-05 | 2013-06-05 | 方正国际软件有限公司 | 一种图像重采样方法及系统 |
| CN104036485A (zh) * | 2013-08-21 | 2014-09-10 | 江南大学 | 一种关于图像重采样篡改检测的方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106709915A (zh) | 2017-05-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104933721B (zh) | 基于颜色滤波阵列特性的拼接图像篡改检测方法 | |
| Qureshi et al. | A bibliography of pixel-based blind image forgery detection techniques | |
| Kang et al. | Robust median filtering forensics using an autoregressive model | |
| Amerini et al. | A sift-based forensic method for copy–move attack detection and transformation recovery | |
| Dirik et al. | Image tamper detection based on demosaicing artifacts | |
| Chang et al. | A forgery detection algorithm for exemplar-based inpainting images using multi-region relation | |
| Verdoliva et al. | A feature-based approach for image tampering detection and localization | |
| CN103238159B (zh) | 用于图像认证的系统和方法 | |
| CN106709915B (zh) | 一种图像重采样操作检测方法 | |
| US7720288B2 (en) | Detecting compositing in a previously compressed image | |
| WO2008044026A1 (en) | Image descriptor for image recognition | |
| Zhang et al. | Boundary-based image forgery detection by fast shallow cnn | |
| Kaur et al. | Image forgery techniques: a review | |
| Hou et al. | Detection of hue modification using photo response nonuniformity | |
| CN104408728A (zh) | 一种基于噪声估计的伪造图像检测方法 | |
| Alamro et al. | Copy-move forgery detection using integrated DWT and SURF | |
| CN102609947B (zh) | 一种针对拼接篡改的数码照片伪造检测方法 | |
| Feng et al. | An energy-based method for the forensic detection of re-sampled images | |
| CN102301697B (zh) | 视频签名产生设备 | |
| Jarusek et al. | Photomontage detection using steganography technique based on a neural network | |
| CN106845540B (zh) | 一种图像重采样操作插值类型识别方法 | |
| CN111275687A (zh) | 一种基于连通区域标记的细粒度图像拼接检测方法 | |
| Wang et al. | Digital image forensics based on CFA interpolation feature and Gaussian mixture model | |
| Qiao et al. | Classifying between computer generated and natural images: An empirical study from RAW to JPEG format | |
| Zhao et al. | A comprehensive study on third order statistical features for image splicing detection |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200207 |