CN107622489B - 一种图像篡改检测方法及装置 - Google Patents
一种图像篡改检测方法及装置 Download PDFInfo
- Publication number
- CN107622489B CN107622489B CN201710942123.0A CN201710942123A CN107622489B CN 107622489 B CN107622489 B CN 107622489B CN 201710942123 A CN201710942123 A CN 201710942123A CN 107622489 B CN107622489 B CN 107622489B
- Authority
- CN
- China
- Prior art keywords
- image
- sub
- target sub
- images
- detected
- 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
Images
Landscapes
- Editing Of Facsimile Originals (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例公开了一种图像篡改检测方法及装置。其中,方法包括利用滑动窗口将待检测图像切分为多个彼此间有重叠区域的子图像;利用离散解析傅里叶‑梅林变换方法提取各子图像的特征向量;利用局部敏感哈希算法对各特征向量进行多次投影,分别得到每个子图像多个相同个数的投影值;判断是否存在满足预设投影条件的目标子图像对;若否,则待检测图像没有被篡改,若是,则利用韦伯局部描述子方法和方差函数计算目标子图像对中各目标子图像的过滤参考值,并判断各过滤参考值是否都大于阈值,若是,则待检测图像被篡改;若否,则待检测图像没有被篡改。本申请提供的技术方案提高了图像篡改检测的准确度,降低了计算复杂度,提高了查全率。
Description
技术领域
本发明实施例涉及图像处理技术领域,特别是涉及一种图像篡改检测方法及装置。
背景技术
随着计算机计算与图像处理技术的快速发展,用户可通过一些图像处理软件对原始图像的进行修改或制作,以使处理过图像与这些原始图像无法利用人眼辨别真伪。但是,对数字图像或其他类型图像的处理,也就是说篡改后的伪造图像可能会带来安全风险或其他一些社会问题,例如新闻图像经过篡改后会使读者对真实的事件的认知造成曲解,鉴于此,图像篡改技术应用而生。
图像篡改技术是为了检测当前图像是否为完整的原始图像,也就是说原始图像是否经过处理或篡改。现有技术一般基于离散余弦变换(DCT)的方法去检测合成图像,即将图像分割成重叠的方形子块,用DCT从子块提取图像特征,然后使用字典排序对子块特征按照一定规则排序,相似的特征向量将被匹配并识别篡改区域。
但是,当图像伪造者使用一些几何操作和后处理操作,如旋转、缩放及其它几何形变、加入高斯噪声等,用来掩饰一些重要的特征并获得更逼真的篡改图像。这些几何操作通常不会大幅度改变图像本身的特征内容,其图像特征内容仍保持相对的一致性,而现有技术中的图像篡改检测方法无法准确的检测是否经过复杂几何操作的处理,因而导致图像篡改的检测准确性降低,无法准确的识别图像是否经过篡改。
发明内容
本发明实施例的目的是提供一种图像篡改检测方法及装置,以提高图像篡改检测的准确率。
为解决上述技术问题,本发明实施例提供以下技术方案:
本发明实施例一方面提供了一种图像篡改检测方法,包括:
采用预设窗口大小、按照预设像素间隔值,利用滑动窗口将待检测图像切分为多个彼此间有重叠区域的子图像;
利用离散解析傅里叶-梅林变换方法,对各所述子图像进行特征提取,以得到各所述子图像的特征向量;
利用局部敏感哈希算法对各所述特征向量进行多次投影,每个所述特征向量对应的投影值个数相同,以得到各所述子图像的多个投影值;
判断是否存在满足预设投影条件的目标子图像对,若是,执行后续操作,若否,则待检测图像没有被篡改;
利用韦伯局部描述子方法得到所述目标子图像对中各目标子图像的差分激励图,利用方差函数对各差分激励图进行统计得到各目标子图像的过滤参考值,并判断各过滤参考值是否都大于阈值,若是,则待检测图像被篡改;若否,则待检测图像没有被篡改。
可选的,所述判断是否存在满足预设投影条件的目标子图像对,若是,执行后续操作,若否,则待检测图像没有被篡改的过程,包括:
对当前子图像的每个投影值,依次与其余各子图像的每个投影值进行比较;
判断所述当前子图像与其余各子图像中包括的相同投影值的个数是否超过预设个数;
若是,则存在包括多个目标子图像的目标子图像对,所述目标子图像对由当前子图像和至少一个其余各子图像构成,执行后续操作;
若否,则待检测图像没有被篡改。
可选的,所述若是,则存在包括多个目标子图像的目标子图像对的过程,包括:
若是,则存在包括多个目标子图像的目标子图像对,判断目标子图像个数是否超过三个;
若否,执行后续操作;若是,依次计算所述当前目标子图像与各候选目标子图像的欧式距离,所述候选目标子图像为所述目标子图像对中除所述当前目标子图像之外的目标子图像;
从计算得到的多个欧式距离中选择超过预设像素阈值的目标欧式距离;
所述目标欧式距离对应的当前目标子图像与候选目标子图像,构成所述目标子图像对。
可选的,所述利用局部敏感哈希算法对各所述特征向量进行多次投影,以得到各所述子图像的多个投影值包括:
对每个所述特征向量,分别将其映射到多条由均值为0、方差为1高斯分布随机分布产生的直线上;
利用局部敏感哈希公式,求取各所述特征向量的投影值,每个所述特征向量的投影值个数与所述直线的条数相同。
可选的,所述利用韦伯局部描述子方法得到所述目标子图像对中各目标子图像的差分激励图,利用方差函数对各差分激励图进行统计得到各目标子图像的过滤参考值的过程,包括:
分别将各目标子图像转化为灰度图,利用韦伯局部描述子方法中的差分激励分量提取各灰度图中的高频分量,以作为各灰度图对应的显著特征,得到各目标子图像对应的差分激励图;
依次计算每个差分激励图的各个像素点的差分激励值,并将各目标子图像对应的多个差分激励值在0~225的范围内进行归一化;
利用方差函数计算归一化后的各差分激励图,得到各目标子图像的过滤参考值。
可选的,在所述采用预设窗口大小、按照预设像素间隔值,利用滑动窗口将待检测图像切分为多个彼此间有重叠区域的子图像之前,还包括:
利用高斯低通滤波器对所述待检测图像进行滤波处理,以滤除所述待检测图像背景噪声中的中高频信号分量。
可选的,所述利用高斯低通滤波器对所述待检测图像进行滤波处理,以滤除所述待检测图像背景噪声中的中高频信号分量为:
利用标准差为0.5、滤波模板尺寸为5×5的高斯低通滤波器对所述待检测图像进行滤波处理,以滤除所述待检测图像的中高频信号分量。
可选的,所述采用预设窗口大小、按照预设像素间隔值,利用滑动窗口将待检测图像切分为多个彼此间有重叠区域的子图像包括:
利用尺寸为33×33的窗口、按照从左到右、从上到下每隔2个像素,利用滑动窗口将待检测图像切分为多个彼此间有重叠区域的子图像。
本发明实施例另一方面提供了一种图像篡改检测装置,包括:
图像分割模块,用于采用预设窗口大小、按照预设像素间隔值,利用滑动窗口将待检测图像切分为多个彼此间有重叠区域的子图像;
特征向量提取模块,用于利用离散解析傅里叶-梅林变换方法,对各所述子图像进行特征提取,以得到各所述子图像的特征向量;
分类预处理模块,用于利用局部敏感哈希算法对各所述特征向量进行多次投影,每个所述特征向量对应的投影值个数相同,以得到各所述子图像的多个投影值;
初步篡改判断模块,用于判断是否存在满足预设投影条件的目标子图像对,若是,执行后续操作,若否,则待检测图像没有被篡改;
过滤误匹配模块,用于利用韦伯局部描述子方法得到所述目标子图像对中各目标子图像的差分激励图,利用方差函数对各差分激励图进行统计得到各目标子图像的过滤参考值,并判断各过滤参考值是否都大于阈值,若是,则待检测图像被篡改;若否,则待检测图像没有被篡改。
可选的,所述初步篡改判断模块包括:
投影值比较单元,用于对当前子图像的每个投影值,依次与其余各子图像的每个投影值进行比较;
投影条件判断单元,用于判断所述当前子图像与其余各子图像中包括的相同投影值的个数是否超过预设个数;
判断执行单元,用于若是,则存在包括多个目标子图像的目标子图像对,所述目标子图像对由当前子图像和至少一个其余各子图像构成,执行后续操作;若否,则待检测图像没有被篡改。
本发明实施例提供了一种图像篡改检测方法,利用滑动窗口将待检测图像切分为多个彼此间有重叠区域的子图像;利用离散解析傅里叶-梅林变换方法提取各子图像的特征向量;利用局部敏感哈希算法对各特征向量进行多次投影,分别得到每个子图像多个相同个数的投影值;判断是否存在满足预设投影条件的目标子图像对;若否,则待检测图像没有被篡改,若是,执行后续操作,即利用韦伯局部描述子方法得到所述目标子图像对中各目标子图像的差分激励图,利用方差函数对各差分激励图进行统计得到各目标子图像的过滤参考值,并判断各过滤参考值是否都大于阈值,若是,则待检测图像被篡改;若否,则待检测图像没有被篡改。
本申请提供的技术方案的优点在于,由于离散解析傅里叶-梅林变换方法具有抗旋转和抗缩放的特性,且该方法的结构简单、时间复杂度低,对待检测图像利用该方法进行特征提取,不仅降低了图像篡改检测过程中的计算复杂度,还可有效的检测使用几何操作进行篡改的图像,针对经过旋转、缩放等后处理的复制-粘贴篡改的图像,提高了这类型图像篡改检测的准确率;利用局部敏感哈希算法进行图像特征的分类匹配,可加快数据查找过程,提高图像检测的效率;此外,利用韦伯局部描述子方法进行误篡改的过滤,进一步的提升了图像篡改检测的准确率,从而有利于提高查全率。
此外,本发明实施例还针对图像篡改检测方法提供了相应的实现装置,进一步使得所述方法更具有实用性,所述装置具有相应的优点。
附图说明
为了更清楚的说明本发明实施例或现有技术的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种图像篡改检测方法的流程示意图;
图2为本发明实施例提供的另一种图像篡改检测方法的流程示意图;
图3为本发明实施例提供的图像篡改检测装置的一种具体实施方式结构图;
图4为本发明实施例提供的图像篡改检测装置的另一种具体实施方式结构图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面结合附图和具体实施方式对本发明作进一步的详细说明。显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等是用于区别不同的对象,而不是用于描述特定的顺序。此外术语“包括”和“具有”以及他们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可包括没有列出的步骤或单元。
本申请的发明人经过研究发现,由于图像伪造者使用一些几何操作,如平移、旋转、缩放及其它几何形变等,用来掩饰一些重要的特征并获得更逼真的篡改图像。这些几何操作通常不会大幅度改变图像本身的特征内容,其图像特征内容仍保持相对的一致性。对于图像篡改检测方法而言,现有技术方法包括基于离散余弦变换(DCT)的方法、主成分分析(PCA)包括二维尺度的TDPCA被提出通过降低特征向量维度来降低计算的复杂性和计算成本、小波分解(DWT)、使用DWT和DCT-QCD去检测合成篡改操作,这些方法没有办法准确的检测复杂几何操作的篡改。
考虑到几何不变矩是高度集中图像几何特征,不变矩可作为另一种解决复制-移动图像检测的方案,现有技术还提出使用ZMs提取图像全局和局部的纹理特征,但ZMs的内在缺陷是它的核函数非常复杂,且基于ZMs的检测方法有着相对高的计算复杂性和昂贵的计算成本。为了克服ZMs的缺陷,现有技术中有人提出极谐变换(PHTs)方法,PHTs是定义在极坐标单位圆上的矩,PHTs的核函数结构远远比ZMs和CZMI要简单,相应的,PHTs的计算时间也远远低于ZMs,但是PHTs的核函数也有其固有的缺陷,其大部分基于PHTs的方法缺乏缩放不变性或者无法检测缩放操作。
鉴于此,本申请通过利用滑动窗口将待检测图像切分为多个彼此间有重叠区域的子图像;利用离散解析傅里叶-梅林变换方法提取各子图像的特征向量;利用局部敏感哈希算法对各特征向量进行多次投影,分别得到每个子图像多个相同个数的投影值;判断是否存在满足预设投影条件的目标子图像对;若否,则待检测图像没有被篡改,若是,执行后续操作,即利用韦伯局部描述子方法计算目标子图像对中各目标子图像的差分激励值,并判断各差分激励值是否都大于阈值,若是,则待检测图像被篡改;若否,则待检测图像没有被篡改。
在介绍了本发明实施例的技术方案后,下面详细的说明本申请的各种非限制性实施方式。
首先参见图1,图1为本发明实施例提供的一种图像篡改检测方法的流程示意图,本发明实施例可包括以下内容:
S101:采用预设窗口大小、按照预设像素间隔值,利用滑动窗口将待检测图像切分为多个彼此间有重叠区域的子图像。
可利用尺寸为33×33的窗口(单位为像素)、按照从左到右、从上到下每隔2个像素,利用滑动窗口将待检测图像切分为多个彼此间有重叠区域的子图像,当然,也可选取其他尺寸的窗口,按照其他像素间隔值进行图像切割。
子图像的数量由像素间隔值、窗口大小、待检测图像的大小确定。
可以理解的是,彼此间有重叠区域的子图像为相邻位置的子图像具有重叠的区域,而非切割出的所有子图像间皆有重叠区域,由于切割出来的相邻的子图像间有重叠区域,故可知像素间隔值应该不大于子图像的大小,例如子图像的大小为3*5,那么像素间隔值应该不大于3。
待检测图像为输入检测是否经过篡改的图像。
S102:利用离散解析傅里叶-梅林变换方法,对各子图像进行特征提取,以得到各子图像的特征向量。
离散解析傅里叶-梅林变换方法(discrete analytical Fourier-Mellintransform,DAFMT)的基函数具有正交性,具有抗旋转和抗缩放的特性,并且该方法的结构简单、时间复杂度低,适合用于检测经过复制-粘贴篡改的图像。
具体的,可利用下式公式进行特征提取:
其中,Mf,nl(x,y)为提取的特征向量,M和N是子图像的长和宽;x和y是子图像在坐标系中的坐标;Knl(x,y)是DAFMT的核函数,σ是一个固定值,等于2;系数n和重复度l的取值满足:n+l≤3,n≥0,l≤2;
S103:利用局部敏感哈希算法对各特征向量进行多次投影,每个特征向量对应的投影值个数相同,以得到各子图像的多个投影值。
局部敏感哈希(Local Sensitive Hashing,LSH)用于对图像特征进行分类。它是一种用于海量高维数据的近似最近邻快速查找技术。这方法采用一些类似索引的技术来加快查找过程,从而快速准确地将特征进行分类。
如果只是利用一个值进行后续操作,误差较大,导致检测结果不精确,故,可进行多次投影,得到多个投影值,利用投影值衡量子图像间相似性,投影值个数可为8个,当然本申请对此不做任何限定。
具体过程可为:
对每个特征向量,分别将其映射到多条由均值为0、方差为1高斯分布随机分布产生的直线上;
利用局部敏感哈希公式,求取各特征向量的投影值,每个特征向量的投影值个数与直线的条数相同。
举例来说,使用LSH(Local Sensitive Hashing)局部敏感哈希方法对每幅子图像的特征向量Mf,nl(x,y)进行8次投影,即对于每个特征向量来说,将该特征向量映射到8条由均值为0、方差为1高斯分布随机分布产生的直线r上,将投影后的结果存储在矩阵中,矩阵可为n*m维的矩阵,n为子图像的块数,m依次为每个子图像投影值。
其中,LSH的公式可如下:
其中,h(v)为投影值,v为特征向量,w为区间宽度,a为常数,r为直线向量,w、a、r可根据具体的需求进行取值。
S104:判断是否存在满足预设投影条件的目标子图像对,若是,则执行S105,若否,则待检测图像没有被篡改。
S105:利用韦伯局部描述子方法得到所述目标子图像对中各目标子图像的差分激励图,利用方差函数对各差分激励图进行统计得到各目标子图像的过滤参考值。
S106:判断各过滤参考值是否都大于阈值,若是,则待检测图像被篡改;若否,则待检测图像没有被篡改。
预设投影条件为用于判断子图像间是否有经过旋转、缩放等后处理的复制-粘贴篡改的区域,即用于判断待检测图像是否被篡改。
满足预设投影条件的子图像可能有两幅子图像,或者3幅子图像,或者4幅及以上多幅,即目标子图像对包括两幅以上的子图像。而满足预设投影条件的多幅子图像间不一定为真正经过旋转、缩放等后处理的复制-粘贴篡改的子图像,故进一步的,为了提高检测的准确度,对目标子图像对进行判断,具体可为:
分别将各目标子图像转化为灰度图,利用韦伯局部描述子方法中的差分激励分量提取各灰度图中的高频分量,以作为各灰度图对应的显著特征,得到各目标子图像对应的差分激励图;
依次计算每个差分激励图的各个像素点的差分激励值,并将各目标子图像对应的多个差分激励值在0~225的范围内进行归一化;
利用方差函数计算归一化后的各差分激励图,得到各目标子图像的过滤参考值。
利用韦伯局部描述子得到子图像块的差动激励图,假设子图像块的大小是33×33,相邻有8个像素点,求当前像素点和相邻像素点的差动激励值,得到的差动激励值是属于当前像素点的。在这种情况下,不求图像的边缘像素点的差动激励,因为边缘像素没有8个像素点,所以最后得到的差动激励图是一幅31×31的图。
如果至少存在两幅目标子图像对经方差来计算归一化后的差分激励得到的结果都大于阈值,例如400,则认为这些目标子图像是真正的复制-粘贴区域。韦伯局部描述子方法的差分激励分量[ξ(xc)]的公式如下:
Vs 00=xc;
其中,xc是当前像素点的像素值,xi(i=0,1,…,p-1)表示xc的p个相邻的像素值。
需要说明的是,本申请主要针对经过旋转、缩放等后处理的复制-粘贴篡改的图像,对该类型处理过的图像,具有高准确度的检测率。
为了验证本申请提供的技术方案具有实际的效果,且具有高的检测准确率,可从复制-粘贴篡改图像的基准评价数据库,选取数据库里面旋转、缩放、高斯噪声和JPEG压缩4种类别图像作为实验图像,实验图像在测试之前已清楚哪些为篡改后的图像哪些为没有篡改的图像,分别对这些实验图像按照本申请技术方案进行检测,证实了本申请技术方案具有高的篡改图像的检测准确率。
在本发明实施例提供的技术方案中,由于离散解析傅里叶-梅林变换方法具有抗旋转和抗缩放的特性,且该方法的结构简单、时间复杂度低,对待检测图像利用该方法进行特征提取,不仅降低了图像篡改检测过程中的计算复杂度,还可有效的检测使用几何操作进行篡改的图像,针对经过旋转、缩放等后处理的复制-粘贴篡改的图像,提高了这类型图像篡改检测的准确率;利用局部敏感哈希算法进行图像特征的分类匹配,可加快数据查找过程,提高图像检测的效率;此外,利用韦伯局部描述子方法进行误匹配的过滤,进一步的提升了图像篡改检测的准确率,从而有利于提高查全率。
此外,请参见图2,图2为本发明实施例提供的另一种图像篡改检测方法的流程示意图,具体的可包括以下内容:
S201:利用高斯低通滤波器对待检测图像进行滤波处理,以滤除待检测图像背景噪声中的中高频信号分量。
在一种具体的实施方式中,可利用标准差为0.5、滤波模板尺寸为5×5的高斯低通滤波器对待检测图像进行滤波处理,以滤除待检测图像的中高频信号分量。当然,也可采用其他类型的滤波器,本申请对此不做任何限定。
利用滤波器将待检测图像中的背景噪声去除,有助于提升图像后期处理的精度,有利于提升图像篡改检测的准确度。
S202:采用预设窗口大小、按照预设像素间隔值,利用滑动窗口将待检测图像切分为多个彼此间有重叠区域的子图像。
S203:利用离散解析傅里叶-梅林变换方法,对各子图像进行特征提取,以得到各子图像的特征向量。
S204:利用局部敏感哈希算法对各特征向量进行多次投影,每个特征向量对应的投影值个数相同,以得到各子图像的多个投影值。
具体的,S202-S204与上述实施例S101-S103描述相一致,此处就不再赘述。
S205:对当前子图像的每个投影值,依次与其余各子图像的每个投影值进行比较。
S206:判断当前子图像与其余各子图像中包括的相同投影值的个数是否超过预设个数,若是,则执行S207,若否,则待检测图像没有被篡改。
如果是,则存在包括多个目标子图像的目标子图像对,目标子图像对由当前子图像和至少一个其余各子图像构成。
举例来说,待检测图像分割为4幅子图像A、B、C及D,每幅子图像有8个投影值,子图像A(1.1、3.2、4、2、2.5、3.8、4.2及6.5)、B(1.5、3.2、4.1、2.8、2.5、3、4.2及6)、C(1、3、4、4.1、2.6、3.7、4.5及6.8)及D(1.1、3、4、2.1、2.5、3.9、4.3及6.5)若对子图像A来说,也即是说当前子图像为子图像A,子图像A的8个投影值与子图像B的8个投影值中有三个相同投影值,与子图像C有1个值相同,与子图像D有4个相同值,当预设个数为3时,那么目标子图像对包括当前子图像(子图像A)和子图像B、子图像D,子图像A、B及D为目标子图像。
由于3幅目标子图像A、B及D,有可能出现不为真正的复制-粘贴处理的图像,为了过滤误匹配,进一步的,还可包括:
若是,则存在包括多个目标子图像的目标子图像对,判断目标子图像个数是否超过三个;
若否,执行后续操作;若是,依次计算当前目标子图像与各候选目标子图像的欧式距离,候选目标子图像为目标子图像对中除当前目标子图像之外的目标子图像;
从计算得到的多个欧式距离中选择超过预设像素阈值的目标欧式距离;
目标欧式距离对应的当前目标子图像与候选目标子图像,构成目标子图像对。
即目标子图像A与B的欧式距离,目标子图像A与及D的欧式距离,目标子图像B与D的欧式距离,如果欧式距离大于预设像素阈值(例如100),则保留,如果小于,则舍弃。
若目标子图像A与B的欧式距离为90,目标子图像A与及D的欧式距离为120,目标子图像B与D的欧式距离为80,预设像素阈值为100,那么目标子图像A与及D为当前目标子图像与候选目标子图像,也即目标子图像对中包括的目标子图像为子图像A与及D。
S207:利用韦伯局部描述子方法得到目标子图像对中各目标子图像的差分激励图,利用方差函数对各差分激励图进行统计得到各目标子图像的过滤参考值。
S208:判断各过滤参考值是否都大于阈值,若是,则待检测图像被篡改;若否,则待检测图像没有被篡改。
具体的,S207-S208与上述实施例S105-S106描述相一致,此处就不再赘述。
由上可知,本发明实施例进一步利用欧式距离对目标子图像对中的各个目标子图像进行判断,过滤误匹配的子图像,进一步的提升了图像篡改检测的准确率,从而有利于提高了查全率。
本发明实施例还针对图像篡改检测方法提供了相应的实现装置,进一步使得所述方法更具有实用性。下面对本发明实施例提供的图像篡改检测装置进行介绍,下文描述的图像篡改检测装置与上文描述的图像篡改检测方法可相互对应参照。
参见图3,图3为本发明实施例提供的图像篡改检测装置在一种具体实施方式下的结构图,该装置可包括:
图像分割模块301,用于采用预设窗口大小、按照预设像素间隔值,利用滑动窗口将待检测图像切分为多个彼此间有重叠区域的子图像。
特征向量提取模块302,用于利用离散解析傅里叶-梅林变换方法,对各子图像进行特征提取,以得到各子图像的特征向量。
分类预处理模块303,用于利用局部敏感哈希算法对各特征向量进行多次投影,每个特征向量对应的投影值个数相同,以得到各子图像的多个投影值。
初步篡改判断模块304,用于判断是否存在满足预设投影条件的目标子图像对,若是,执行后续操作,若否,则待检测图像没有被篡改。
过滤误匹配模块305,用于利用韦伯局部描述子方法得到目标子图像对中各目标子图像的差分激励图,利用方差函数对各差分激励图进行统计得到各目标子图像的过滤参考值,并判断各过滤参考值是否都大于阈值,若是,则待检测图像被篡改;若否,则待检测图像没有被篡改。
可选的,在本实施例的一些实施方式中,请参阅图4,所述装置例如还可以包括:
图像预处理模块306,用于利用高斯低通滤波器对待检测图像进行滤波处理,以滤除待检测图像背景噪声中的中高频信号分量。
在一种具体的实施方式下,所述图像预处理模块306可为利用高斯低通滤波器对待检测图像进行滤波处理,以滤除待检测图像背景噪声中的中高频信号分量的模块。
在另外一种实施方式中,所述分类预处理模块303可包括:
投影单元,用于对每个特征向量,分别将其映射到多条由均值为0、方差为1高斯分布随机分布产生的直线上;
计算单元,用于利用局部敏感哈希公式,求取各特征向量的投影值,每个特征向量的投影值个数与直线的条数相同。
此外,在一种具体的实施方式下,所述初步篡改判断模块304可包括:
投影值比较单元,用于对当前子图像的每个投影值,依次与其余各子图像的每个投影值进行比较;
投影条件判断单元,用于判断当前子图像与其余各子图像中包括的相同投影值的个数是否超过预设个数;
判断执行单元,用于若是,则存在包括多个目标子图像的目标子图像对,目标子图像对由当前子图像和至少一个其余各子图像构成,执行后续操作;若否,则待检测图像没有被篡改。
在另外一种具体实施方式下,所述判断执行单元还可包括:
判断子单元,用于判断目标子图像个数是否超过三个;
执行子单元,用于若否,执行后续操作;若是,依次计算当前目标子图像与各候选目标子图像的欧式距离,候选目标子图像为目标子图像对中除当前目标子图像之外的目标子图像;
选取子单元,用于从计算得到的多个欧式距离中选择超过预设像素阈值的目标欧式距离;目标欧式距离对应的当前目标子图像与候选目标子图像,构成目标子图像对。
可选的,在本实施例其他的一些实施方式中,所述过滤误匹配模块305还可以包括:
初始值计算单元,用于分别将各目标子图像转化为灰度图,利用韦伯局部描述子方法中的差分激励分量提取各灰度图中的高频分量,以作为各灰度图对应的显著特征,得到各目标子图像对应的差分激励图;
归一化单元,用于依次计算每个差分激励图的各个像素点的差分激励值,并将各目标子图像对应的多个差分激励值在0~225的范围内进行归一化;
计算单元,用于利用方差函数计算归一化后的各差分激励图,得到各目标子图像的过滤参考值。
在一种具体的实施方式中,所述图像分割模块301可为利用尺寸为33×33的窗口、按照从左到右、从上到下每隔2个像素,利用滑动窗口将待检测图像切分为多个彼此间有重叠区域的子图像的模块。
本发明实施例所述图像篡改检测装置的各功能模块的功能可根据上述方法实施例中的方法具体实现,其具体实现过程可以参照上述方法实施例的相关描述,此处不再赘述。
由上可知,本发明实施例由于离散解析傅里叶-梅林变换方法具有抗旋转和抗缩放的特性,且该方法的结构简单、时间复杂度低,对待检测图像利用该方法进行特征提取,不仅降低了图像篡改检测过程中的计算复杂度,还可有效的检测使用几何操作进行篡改的图像,针对经过旋转、缩放等后处理的复制-粘贴篡改的图像,提高了这类型图像篡改检测的准确率;利用局部敏感哈希算法进行图像特征的分类匹配,可加快数据查找过程,提高图像检测的效率;此外,利用韦伯局部描述子方法进行误匹配的过滤,进一步的提升了图像篡改检测的准确率,从而提高查全率。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本发明所提供的一种图像篡改检测方法以及装置进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (10)
1.一种图像篡改检测方法,其特征在于,包括:
采用预设窗口大小、按照预设像素间隔值,利用滑动窗口将待检测图像切分为多个彼此间有重叠区域的子图像;
利用离散解析傅里叶-梅林变换方法,对各所述子图像进行特征提取,以得到各所述子图像的特征向量;
利用局部敏感哈希算法对各所述特征向量进行多次投影,每个所述特征向量对应的投影值个数相同,以得到各所述子图像的多个投影值;
判断是否存在满足预设投影条件的目标子图像对;
若否,则待检测图像没有被篡改;
若是,则利用韦伯局部描述子方法得到所述目标子图像对中各目标子图像的差分激励图,利用方差函数对各差分激励图进行统计得到各目标子图像的过滤参考值,并判断各过滤参考值是否都大于阈值,若是,则待检测图像被篡改;若否,则待检测图像没有被篡改。
2.根据权利要求1所述的图像篡改检测方法,其特征在于,所述判断是否存在满足预设投影条件的目标子图像对;若否,则待检测图像没有被篡改;若是,则利用韦伯局部描述子方法得到所述目标子图像对中各目标子图像的差分激励图,利用方差函数对各差分激励图进行统计得到各目标子图像的过滤参考值,并判断各过滤参考值是否都大于阈值,若是,则待检测图像被篡改;若否,则待检测图像没有被篡改的过程,包括:
对当前子图像的每个投影值,依次与其余各子图像的对应的投影值进行比较;
判断所述当前子图像与其余各子图像中包括的相同投影值的个数是否超过预设个数;
若是,则存在包括多个目标子图像的目标子图像对,所述目标子图像对由当前子图像和至少一个其余各子图像构成,利用韦伯局部描述子方法得到所述目标子图像对中各目标子图像的差分激励图,利用方差函数对各差分激励图进行统计得到各目标子图像的过滤参考值,并判断各过滤参考值是否都大于阈值,若是,则待检测图像被篡改;
若否,则待检测图像没有被篡改。
3.根据权利要求2所述的图像篡改检测方法,其特征在于,所述若是,则存在包括多个目标子图像的目标子图像对的过程,包括:
若是,则存在包括多个目标子图像的目标子图像对,判断目标子图像个数是否超过三个;
若目标子图像个数不超过三个,则所述目标子图像对由当前子图像和至少一个其余各子图像构成,利用韦伯局部描述子方法得到所述目标子图像对中各目标子图像的差分激励图,利用方差函数对各差分激励图进行统计得到各目标子图像的过滤参考值,并判断各过滤参考值是否都大于阈值,若是,则待检测图像被篡改;
若目标子图像个数超过三个,依次计算所述当前目标子图像与各候选目标子图像的欧式距离,所述候选目标子图像为所述目标子图像对中除所述当前目标子图像之外的目标子图像;从计算得到的多个欧式距离中选择超过预设像素阈值的目标欧式距离;所述目标欧式距离对应的当前目标子图像与候选目标子图像,构成所述目标子图像对;利用韦伯局部描述子方法得到所述目标子图像对中各目标子图像的差分激励图,利用方差函数对各差分激励图进行统计得到各目标子图像的过滤参考值,并判断各过滤参考值是否都大于阈值,若是,则待检测图像被篡改。
4.根据权利要求1所述的图像篡改检测方法,其特征在于,所述利用局部敏感哈希算法对各所述特征向量进行多次投影,以得到各所述子图像的多个投影值包括:
对每个所述特征向量,分别将其映射到多条由均值为0、方差为1高斯分布随机分布产生的直线上;
利用局部敏感哈希公式,求取各所述特征向量的投影值,每个所述特征向量的投影值个数与所述直线的条数相同。
5.根据权利要求1至4任意一项所述的图像篡改检测方法,其特征在于,所述利用韦伯局部描述子方法得到所述目标子图像对中各目标子图像的差分激励图,利用方差函数对各差分激励图进行统计得到各目标子图像的过滤参考值的过程,包括:
分别将各目标子图像转化为灰度图,利用韦伯局部描述子方法中的差分激励分量提取各灰度图中的高频分量,以作为各灰度图对应的显著特征,得到各目标子图像对应的差分激励图;
依次计算每个差分激励图的各个像素点的差分激励值,并将各目标子图像对应的多个差分激励值在0~225的范围内进行归一化;
利用方差函数计算归一化后的各差分激励图,得到各目标子图像的过滤参考值。
6.根据权利要求5所述的图像篡改检测方法,其特征在于,在所述采用预设窗口大小、按照预设像素间隔值,利用滑动窗口将待检测图像切分为多个彼此间有重叠区域的子图像之前,还包括:
利用高斯低通滤波器对所述待检测图像进行滤波处理,以滤除所述待检测图像背景噪声中的中高频信号分量。
7.根据权利要求6所述的图像篡改检测方法,其特征在于,所述利用高斯低通滤波器对所述待检测图像进行滤波处理,以滤除所述待检测图像背景噪声中的中高频信号分量为:
利用标准差为0.5、滤波模板尺寸为5×5的高斯低通滤波器对所述待检测图像进行滤波处理,以滤除所述待检测图像的中高频信号分量。
8.根据权利要求5所述的图像篡改检测方法,其特征在于,所述采用预设窗口大小、按照预设像素间隔值,利用滑动窗口将待检测图像切分为多个彼此间有重叠区域的子图像包括:
利用尺寸为33×33的窗口、按照从左到右、从上到下每隔2个像素,利用滑动窗口将待检测图像切分为多个彼此间有重叠区域的子图像。
9.一种图像篡改检测装置,其特征在于,包括:
图像分割模块,用于采用预设窗口大小、按照预设像素间隔值,利用滑动窗口将待检测图像切分为多个彼此间有重叠区域的子图像;
特征向量提取模块,用于利用离散解析傅里叶-梅林变换方法,对各所述子图像进行特征提取,以得到各所述子图像的特征向量;
分类预处理模块,用于利用局部敏感哈希算法对各所述特征向量进行多次投影,每个所述特征向量对应的投影值个数相同,以得到各所述子图像的多个投影值;
初步篡改判断模块,用于判断是否存在满足预设投影条件的目标子图像对,若是,执行后续操作,若否,则待检测图像没有被篡改;
过滤误匹配模块,用于利用韦伯局部描述子方法计算所述目标子图像对中各目标子图像的差分激励值,并判断各所述差分激励值是否都大于阈值,若是,则待检测图像被篡改;若否,则待检测图像没有被篡改。
10.根据权利要求9所述的图像篡改检测装置,其特征在于,所述初步篡改判断模块包括:
投影值比较单元,用于对当前子图像的每个投影值,依次与其余各子图像的对应的投影值进行比较;
投影条件判断单元,用于判断所述当前子图像与其余各子图像中包括的相同投影值的个数是否超过预设个数;
判断执行单元,用于若是,则存在包括多个目标子图像的目标子图像对,所述目标子图像对由当前子图像和至少一个其余各子图像构成,执行后续操作;若否,则待检测图像没有被篡改。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710942123.0A CN107622489B (zh) | 2017-10-11 | 2017-10-11 | 一种图像篡改检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710942123.0A CN107622489B (zh) | 2017-10-11 | 2017-10-11 | 一种图像篡改检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107622489A CN107622489A (zh) | 2018-01-23 |
CN107622489B true CN107622489B (zh) | 2020-06-09 |
Family
ID=61090305
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710942123.0A Expired - Fee Related CN107622489B (zh) | 2017-10-11 | 2017-10-11 | 一种图像篡改检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107622489B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108268904B (zh) * | 2018-03-01 | 2022-03-25 | 中国银行股份有限公司 | 一种图片识别方法、装置及电子设备 |
CN109213183A (zh) * | 2018-05-31 | 2019-01-15 | 上海大学 | 噪声攻击下网络化视觉倒立摆系统稳定控制方法 |
CN110457996B (zh) * | 2019-06-26 | 2023-05-02 | 广东外语外贸大学南国商学院 | 基于vgg-11卷积神经网络的视频运动对象篡改取证方法 |
CN110458009B (zh) * | 2019-07-04 | 2022-02-18 | 浙江大华技术股份有限公司 | 图片信息、人脸检测、以图搜图的处理方法及相关设备 |
CN110555792B (zh) * | 2019-08-16 | 2022-05-17 | 广东外语外贸大学南国商学院 | 基于归一化直方图综合特征向量的图像篡改盲检测方法 |
CN110895811B (zh) * | 2019-11-05 | 2023-05-09 | 泰康保险集团股份有限公司 | 一种图像篡改检测方法和装置 |
CN112150450B (zh) * | 2020-09-29 | 2021-03-16 | 武汉大学 | 一种基于双通道U-Net模型的图像篡改检测方法及装置 |
CN112802140A (zh) * | 2021-03-03 | 2021-05-14 | 中天恒星(上海)科技有限公司 | 防止和识别图像篡改的图像编码系统 |
CN113450330B (zh) * | 2021-06-29 | 2022-03-18 | 山东大学 | 基于分割和深度卷积网络的图像复制-粘贴篡改检测方法 |
CN113537042B (zh) * | 2021-07-14 | 2024-05-28 | 北京工商大学 | 一种共享可更新的Deepfake视频内容监管方法 |
CN114218613A (zh) * | 2021-12-14 | 2022-03-22 | 云从科技集团股份有限公司 | 图像篡改检测方法、装置以及计算机可读存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6567533B1 (en) * | 1993-11-18 | 2003-05-20 | Digimarc Corporation | Method and apparatus for discerning image distortion by reference to encoded marker signals |
CN106327481A (zh) * | 2016-08-10 | 2017-01-11 | 东方网力科技股份有限公司 | 基于大数据的图像篡改检测方法及装置 |
-
2017
- 2017-10-11 CN CN201710942123.0A patent/CN107622489B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6567533B1 (en) * | 1993-11-18 | 2003-05-20 | Digimarc Corporation | Method and apparatus for discerning image distortion by reference to encoded marker signals |
CN106327481A (zh) * | 2016-08-10 | 2017-01-11 | 东方网力科技股份有限公司 | 基于大数据的图像篡改检测方法及装置 |
Non-Patent Citations (3)
Title |
---|
数字图像合成篡改取证技术研究;刘晓霞;《中国优秀硕士学位论文全文数据库》;20130315;全文 * |
数字图像复制_粘贴篡改检测与定位算法;许曼曼,杨继翔;《软件导刊》;20161128;全文 * |
鲁棒且可区分的拷贝检测技术研究;周志立;《中国优秀博士学位论文全文数据库》;20131122;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN107622489A (zh) | 2018-01-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107622489B (zh) | 一种图像篡改检测方法及装置 | |
Jaberi et al. | Accurate and robust localization of duplicated region in copy–move image forgery | |
Lee | Copy-move image forgery detection based on Gabor magnitude | |
Prakash et al. | Detection of copy-move forgery using AKAZE and SIFT keypoint extraction | |
CN106557740B (zh) | 一种遥感图像中油库目标的识别方法 | |
Xiao et al. | Defocus blur detection based on multiscale SVD fusion in gradient domain | |
Thajeel et al. | A Novel Approach for Detection of Copy Move Forgery using Completed Robust Local Binary Pattern. | |
Mursi et al. | An improved SIFT-PCA-based copy-move image forgery detection method | |
Kumar et al. | Salient keypoint-based copy–move image forgery detection | |
CN110147800A (zh) | 基于sift的图像复制粘贴篡改盲检方法 | |
Cao et al. | Automatic latent value determination | |
Isaac et al. | A key point based copy-move forgery detection using HOG features | |
Isaac et al. | Image forgery detection using region–based Rotation Invariant Co-occurrences among adjacent LBPs | |
Kaur et al. | Efficient hybrid passive method for the detection and localization of copy-moveand spliced images | |
Huynh-Kha et al. | A robust algorithm of forgery detection in copy-move and spliced images | |
CN111768368B (zh) | 一种基于最大稳定极值区域的图像区域复制篡改检测方法 | |
Doegar et al. | Image forgery detection based on fusion of lightweight deep learning models | |
Nawaz et al. | Image authenticity detection using DWT and circular block-based LTrP features | |
Zhong et al. | Copy-move forgery detection using adaptive keypoint filtering and iterative region merging | |
Rathi et al. | Copy move forgery detection by using integration of SLIC and SIFT | |
CN108304838B (zh) | 一种图片信息识别方法及终端 | |
Sreelakshmy et al. | An improved method for copy-move forgery detection in digital forensic | |
Zhong et al. | A new shadow detection and depth removal method for 3D text recognition in scene images | |
Ahmed et al. | Blind copy-move forgery detection using SVD and KS test | |
Makandar et al. | Spliced Image Forgery Detection Using Adaptive Over-Segmentation Combined With AKAZE, ORB, and SIFT Feature Descriptors |
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 |
Granted publication date: 20200609 Termination date: 20201011 |
|
CF01 | Termination of patent right due to non-payment of annual fee |