CN106845540B - 一种图像重采样操作插值类型识别方法 - Google Patents
一种图像重采样操作插值类型识别方法 Download PDFInfo
- Publication number
- CN106845540B CN106845540B CN201710014611.5A CN201710014611A CN106845540B CN 106845540 B CN106845540 B CN 106845540B CN 201710014611 A CN201710014611 A CN 201710014611A CN 106845540 B CN106845540 B CN 106845540B
- Authority
- CN
- China
- Prior art keywords
- image
- convolution kernel
- kernel
- resampling
- 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 43
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000001514 detection method Methods 0.000 claims abstract description 29
- 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 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000007906 compression Methods 0.000 abstract description 7
- 238000012706 support-vector machine Methods 0.000 abstract description 4
- 238000012549 training Methods 0.000 abstract description 2
- 230000006835 compression Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 230000009466 transformation Effects 0.000 description 3
- 230000009977 dual effect Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000012545 processing Methods 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
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000007635 classification algorithm Methods 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
一种图像重采样操作插值类型识别方法:将图像重采样操作表示模型;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,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H*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;对待测图像重复上述第1步~第5步的过程,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。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插值类型识别方法。
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、对非周期性插值难以检测、重采样操作插值类型识别难以检测等。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,不同的部分可能会经历不同类型的重采样插值操作。因此,提出一种图像重采样操作插值类型识别方法十分必要。
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插值类型识别方法。
本发明所采用的技术方案是:一种图像重采样操作插值类型识别方法,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。
2.根据权利要求1所述的一种图像重采样操作插值类型识别方法,其特征在于,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:
本发明的一种图像重采样操作插值类型识别方法,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插值类型识别方法的流程图;
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3是缩放比例为2.0时,双线性插值的卷积核的效果图;
图4是缩放比例为2.0时,双三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插值类型识别方法做出详细说明。
如图1所示,本发明的一种图像重采样操作插值类型识别方法,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;
所述的质量差异是由峰值信噪比计算得到,计算公式如下:
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插值类型识别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。
我们的方法能够区分不同重采样算法,在实际应用效果明显。缩放比例为2.0时,最近邻插值的卷积核的结果如图2所示,双线性插值的卷积核的结果如图3所示,双三线性插值的卷积核的结果如图4所示。我们从UCID中挑选了100张有代表性的图像,对它们进行不同缩放比例,不同种类的重采样操作。在缩放比例为2、3、4时,对于最近邻插值、双线性插值、三线性插值的区分结果如表1所示。
表1
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插值类型识别方法,其特征在于,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,得到卷积核Hi:
3)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;
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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710014611.5A CN106845540B (zh) | 2017-01-06 | 2017-01-06 | 一种图像重采样操作插值类型识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710014611.5A CN106845540B (zh) | 2017-01-06 | 2017-01-06 | 一种图像重采样操作插值类型识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106845540A CN106845540A (zh) | 2017-06-13 |
CN106845540B true CN106845540B (zh) | 2020-02-07 |
Family
ID=59117286
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710014611.5A Expired - Fee Related CN106845540B (zh) | 2017-01-06 | 2017-01-06 | 一种图像重采样操作插值类型识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106845540B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 CN201710014611.5A patent/CN106845540B/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 |
---|---|
CN106845540A (zh) | 2017-06-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220335561A1 (en) | Embedding signals in a raster image processor | |
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 | |
Liu et al. | A passive image authentication scheme for detecting region-duplication forgery with rotation | |
Amerini et al. | A sift-based forensic method for copy–move attack detection and transformation recovery | |
Chang et al. | A forgery detection algorithm for exemplar-based inpainting images using multi-region relation | |
US7720288B2 (en) | Detecting compositing in a previously compressed image | |
Zhang et al. | Boundary-based image forgery detection by fast shallow cnn | |
CN106709915B (zh) | 一种图像重采样操作检测方法 | |
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 | |
Feng et al. | An energy-based method for the forensic detection of re-sampled images | |
CN102609947B (zh) | 一种针对拼接篡改的数码照片伪造检测方法 | |
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 | |
Anwar et al. | Image forgery detection by transforming local descriptors into deep-derived features | |
Julliand et al. | Automated image splicing detection from noise estimation in raw images | |
Zhu et al. | A learning-to-rank approach for image scaling factor estimation | |
CN111275687B (zh) | 一种基于连通区域标记的细粒度图像拼接检测方法 | |
Xu et al. | Detecting image splicing using merged features in chroma space | |
WO2017179728A1 (ja) | 画像認識装置、画像認識方法および画像認識プログラム | |
Zhu et al. | Recaptured image forensics based on local ternary count of high order prediction error | |
Fan et al. | EXIF-white balance recognition for image forensic analysis | |
Kaur et al. | Forgery detection using noise estimation and hog feature extraction |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
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 |