CN107993230B - 基于三角网格综合特征的图像篡改检测方法 - Google Patents

Abstract

本发明公开了一种基于三角网格综合特征的图像篡改检测方法，首先对输入的图像实施高斯滤波预处理；其次，采用SLIC算法进行超像素分割，结合超像素内容，利用SIFER检测器在颜色不变量图像上进行自适应均匀性提点，根据DT算法在特征点上构造三角网格，并计算三角网格的两个特征，即三角网格内切圆部分的局部快速四元数圆谐傅里叶矩幅值和其他部分的平均梯度熵；然后，采用CSH方法进行三角网格的特征匹配；最后，利用DLF、优化的ZNCC、形态学方法进行后处理。

Description

基于三角网格综合特征的图像篡改检测方法

技术领域

本发明属于数字图像被动(盲)取证技术领域，涉及图像的复制粘贴篡改检测方法，特别涉及一种基于三角网格综合特征的图像篡改检测方法。

背景技术

近年来，随着计算机和网络技术的发展，数字图像的应用越来越广泛。然而，由于数字图像易于传播、修改的特点，造成大量虚假的伪造图像，降低了数字图像的可靠性。目前，图像篡改检测技术分为主动和被动(盲)取证方法：主动取证通过数字图像额外的信息取证，例如数字水印、数字签名；相反，被动(盲)取证，不需要通过额外信息就可以取证。

复制粘贴图像篡改检测一直是盲取证技术的热点。复制粘贴图像篡改是在同一幅图像中，对一处或多处区域进行复制粘贴篡改。目的是隐藏对象(例如：信息隐藏)，或者是强调特定的对象(例如：一群示威者)。复制粘贴伪造操作起来很容易，因为复制源和篡改区域均来源于同一幅图像。而同一幅图像中的色温度、噪声、光照条件无明显差别，因此，很难用肉眼找出篡改位置。同时，伪造过程也会加入一些额外的操作，像缩放、旋转、平移、压缩、模糊噪声等。通常情况下，复制粘贴篡改检测方法可归纳为基于分块和基于特征点的方法。基于分块的方法首先对图像实施预处理，将处理对象分为方形或圆形的块，这些块彼此间重叠或不重叠，然后提取块特征并进行匹配。基于块的方法与各种特征提取技术兼容，并且在匹配性能方面表现良好，但该方法仍存在一些局限性。当图像尺寸变大时，分块的数量急剧增加，会花费大量时间在块间进行比较，从而增加了整体的处理时间。此外，基于块的方法一般很难精确地标记篡改区域。基于点的方法在预处理阶段没有分块操作，首先对图像的角落、边缘等区域提取特征点，然后使用一组优秀的特征描述符来表示点，最后根据对特征点和其描述符的分类与匹配，找到图像中的重复区域。基于点的方法在处理时间和存储量方面具有优势，但在平滑、小面积以及高度相同区域表现不理想。

发明内容

本发明是为了解决现有篡改检测技术所存在的上述技术问题，提供一种基于三角网格综合特征的图像篡改检测方法。

本发明的技术解决方案是：一种基于三角网格综合特征的图像篡改检测方法，其特征在于按如下步骤进行：

约定：I指待检测的图像；I1为去噪后的图像；S_u(u＝1,2,……,l)表示超像素块；

是像素i在S_u中的概率；E_u是S_u的熵；I2为构造的颜色不变量图像；C_u表示分区编码，编码值0、1分别对应非纹理、纹理区域；T_k(k＝1,2,...,n)为第k个三角形，n为三角形的个数；I_k指T_k的内切圆；o_k、r_k是I_k的圆心、半径；A_k为I_k的外拓正方形；Q_k表示T_k除了I_k外的其余部分；

分别代表Q_k的R、G、B三通道下的梯度熵H_k；

指Q_k的平均梯度熵；WH_j是提取WH内核生成的M维度投影向量；p是特征向量；b_j是添加到随机投影的偏移量，范围在[0,r)，r是固设阈值；h_j(p)表示CSH算法的散列函数；g_i(p)由M维h_j(p)向量串联得到；T_i[g_i(p)]为g_i(p)生成的散列表；P_B表示patch的最近邻域集；a、b为patch中的元素。

a.初始设置

读取待检测图像I，将其与高斯平滑滤波器做卷积运算，去除噪声后得到图像I1；

b.超像素生成

结合图像I1的内容，利用SLIC方法生成紧凑且近似均匀的超像素块S_u,u＝1,2,……,l；

c.图像特征点提取

c.1根据下式计算每个超像素块S_u的熵：

c.2根据图像I1的色彩特征与几何结构特征，构造颜色不变量图像I2；

c.3统计熵分布量，按照如下规则将图像I2划分非纹理、纹理区域：

其中，

c.4针对两种区域，利用SIFER检测器在加和响应的尺度空间内，设置两种不同的窗口尺寸，实施特征点的提取；

d.三角网格构造

在上步得到的特征点上，使用DT技术快速构造三角网格T_k,k＝1,2,...,n；；

e.三角网格特征构造

e.1特征一：内切圆部分

e.1.1根据T_k,k＝1,2,...,n的三个顶点，求出内切圆I_k的圆心o_k、半径r_k；

e.1.2通过o_k、r_k可以求出I_k的外拓正方形A_k，并在A_k的四周“补0”；

e.1.3计算A_k的局部快速四元数圆谐傅里叶矩幅值；

e.1.4通过对矩值进行几何攻击，从而选取8个稳定的值，将其作为三角网格T_k的第一个特征；

e.2特征二：其他部分

e.2.1利用下式，得到三角网格T_k的剩余部分内容Q_k：

Q_k＝T_k-I_k,k＝1,2,…n；

e.2.2对Q_k的R、G、B三通道通过如下公式，分别计算其梯度熵

其中，Q_k中共有m个梯度级，p(i)是第i个梯度级出现的概率；

e.2.3计算Q_k的平均梯度熵

将其作为三角网格T_k的第二个特征：

e.3重复步骤e.1～e.2，直到计算出所有的三角网格的特征，每个三角网格特征向量表示为8个稳定的快速四元数圆谐傅里叶矩幅值和1个平均梯度熵；

f.三角网格特征匹配

f.1利用SVD技术对三角网格特征向量进行降维，使其从9维稀疏向量变成3维稠密向量，更好地体现数据核心特征；

f.2利用CSH算法对降维后的三角网格特征向量建立索引，投影在WH内核上，其散列函数定义为：

f.3将M维h_j(p)向量串联得到：

g_i(p)＝{h₁(p),h₂(p),...,h_M(p)}；

f.4生成散列表T_i[g_i(p)]；

f.5初始化ANNF，在T_i[g_i(p)]中循环搜索每个patch的相应候选匹配，产生一个最近邻域集P_B，如果来自P_B中的b与a最相似，且满足下式，那么更新ANNF(a)＝b

dist(a,b)<dist(a,ANNF(a))；

f.6对最近邻域集P_B中的各个元素进行再次投影，使用WH内核以欧氏距离为衡量标准排列元素，与当前patch的欧氏距离最小的patch为最近匹配，最终得到d个最近匹配；

g.后处理

g.1采用DLF技术来调整偏移量，消除错误匹配，以增加正确检测的概率；

g.2最后使用优化后的ZNCC算法和形态学操作对匹配的区域进行标记。

本发明首先对输入的图像实施高斯滤波预处理；其次，采用SLIC算法进行超像素分割，结合超像素内容，利用SIFER检测器在颜色不变量图像上进行自适应均匀性提点，通过DT算法在特征点上构造三角网格，并计算三角网格的两个特征，即三角网格内切圆部分的局部快速四元数圆谐傅里叶矩幅值和其他部分的平均梯度熵；然后，采用CSH方法进行三角网格的特征匹配；最后，利用DLF、优化的ZNCC、形态学方法进行后处理。实验结果表明，本发明的方法由于使用了有效的三角网格特征表示、较快的匹配方法以及优化的后处理，具有了较高的检测精度以及较快的检测速度。

与现有技术相比，本发明具有以下有益效果：

第一，提出了超像素级图像特征点提取，结合超像素内容，利用SIFER检测器在颜色不变量图像上提取特征点，使得特征点在分布上更均匀；

第二，三角网格特征通过局部快速四元数圆谐傅立叶矩的幅值与平均梯度熵表示，使得图像对旋转、平移、缩放等几何攻击具有良好的鲁棒性；

第三，使用CSH算法达到了快速匹配图像篡改区域的效果，同时有效的后处理亦加快了图像检测速度；

第四，基于三角网格综合特征的篡改检测方法，与基于块的方法相比，在处理速度上快于块方法；与基于特征点方法相比，在检测精度上更具有优势。

附图说明：

图1为本发明实施例未篡改图像、篡改图像以及复制区域示意图。

图2为本发明实施例篡改检测过程的结果图。

图3为本发明实施例来自FAU库检测结果图。

图4为本发明实施例来自GRIP库检测结果图。

图5为本发明实施例来自Ard库检测结果图。

图6为本发明实施例与FAU库的检测精度对比结果分析图。

图7为本发明实施例的流程图。

具体实施方式

本发明的方法如图7所示共包括六个阶段：超像素生成、图像特征点提取、三角网格构造、三角网格特征构造、三角网格特征匹配以及后处理。

约定：I指待检测的图像；I1为去噪后的图像；S_u(u＝1,2,……,l)表示超像素块；

是像素i在S_u中的概率；E_u是S_u的熵；I2为构造的颜色不变量图像；C_u表示分区编码，编码值0、1分别对应非纹理、纹理区域；T_k(k＝1,2,...,n)为第k个三角形，n为三角形的个数；I_k指T_k的内切圆；o_k、r_k是I_k的圆心、半径；A_k为I_k的外拓正方形；Q_k表示T_k除了I_k外的其余部分；

分别代表Q_k的R、G、B三通道下的梯度熵H_k；

指Q_k的平均梯度熵；WH_j是提取WH内核生成的M维度投影向量；p是特征向量；b_j是添加到随机投影的偏移量，范围在[0,r)，r是固设阈值；h_j(p)表示CSH算法的散列函数；g_i(p)由M维h_j(p)向量串联得到；T_i[g_i(p)]为g_i(p)生成的散列表；P_B表示patch的最近邻域集；a、b为patch中的元素。

a.初始设置

读取待检测图像I，将其与高斯平滑滤波器做卷积运算，去除噪声后得到图像I1；

b.超像素生成

结合图像I1的内容，利用SLIC方法生成紧凑且近似均匀的超像素块S_u,u＝1,2,……,l；

c.图像特征点提取

c.1根据下式计算每个超像素块S_u的熵：

c.2根据图像I1的色彩特征与几何结构特征，构造颜色不变量图像I2；

c.3统计熵分布量，按照如下规则将图像I2划分非纹理、纹理区域：

其中，

c.4针对两种区域，利用SIFER检测器在加和响应的尺度空间内，设置两种不同的窗口尺寸，实施特征点的提取；

d.三角网格构造

在上步得到的特征点上，使用DT技术快速构造三角网格T_k,k＝1,2,...,n；

e.三角网格特征构造

e.1特征一：内切圆部分

e.1.1根据T_k,k＝1,2,...,n的三个顶点，求出内切圆I_k的圆心o_k、半径r_k；

e.1.2通过o_k、r_k可以求出I_k的外拓正方形A_k，并在A_k的四周“补0”；

e.1.3计算A_k的局部快速四元数圆谐傅里叶矩幅值；

e.1.4通过对矩值进行几何攻击，从而选取8个稳定的值，将其作为三角网格T_k的第一个特征；

e.2特征二：其他部分

e.2.1利用下式，得到三角网格T_k的剩余部分内容Q_k：

Q_k＝T_k-I_k,k＝1,2,…n；

e.2.2对Q_k的R、G、B三通道通过如下公式，分别计算其梯度熵

其中，Q_k中共有m个梯度级，p(i)是第i个梯度级出现的概率；

e.2.3计算Q_k的平均梯度熵

将其作为三角网格T_k的第二个特征：

e.3重复步骤e.1～e.2，直到计算出所有的三角网格的特征，每个三角网格特征向量表示为8个稳定的快速四元数圆谐傅里叶矩幅值和1个平均梯度熵；

f.三角网格特征匹配

f.1利用SVD技术对三角网格特征向量进行降维，使其从9维稀疏向量变成3维稠密向量，更好地体现数据核心特征；

f.2利用CSH算法对降维后的三角网格特征向量建立索引，投影在WH内核上，其散列函数定义为：

f.3将M维h_j(p)向量串联得到：

g_i(p)＝{h₁(p),h₂(p),...,h_M(p)}；

f.4生成散列表T_i[g_i(p)]；

f.5初始化ANNF，在T_i[g_i(p)]中循环搜索每个patch的相应候选匹配，产生一个最近邻域集P_B，如果来自P_B中的b与a最相似，且满足下式，那么更新ANNF(a)＝b

dist(a,b)<dist(a,ANNF(a))；

f.6对最近邻域集P_B中的各个元素进行再次投影，使用WH内核以欧氏距离为衡量标准排列元素，与当前patch的欧氏距离最小的patch为最近匹配，最终得到d个最近匹配；

g.后处理

g.1采用DLF技术来调整偏移量，消除错误匹配，以增加正确检测的概率；

g.2最后使用优化后的ZNCC算法和形态学操作对匹配的区域进行标记。

实验测试和参数设置：

实验是在MATLAB R2011a环境下执行的，实验所涉及到的图像来自三个图像库，分别为FAU、GRIP和Ard，它们均已公开，可在网上自行搜索下载。

图1为本发明实施例未篡改图像、篡改图像以及复制区域示意图。

图2为本发明实施例篡改检测过程的结果图。

图3为本发明实施例来自FAU库检测结果图。

图4为本发明实施例来自GRIP库检测结果图。

图5为本发明实施例来自Ard库检测结果图。

图6为本发明实施例与FAU库的检测精度对比结果分析图。

实验结果表明，本发明的方法由于使用了有效的三角网格特征表示、较快的匹配方法以及优化的后处理，具有了较高的检测精度以及较快的检测速度。

Claims (1)

1.一种基于三角网格综合特征的图像篡改检测方法，其特征在于按如下步骤进行：

约定：I指待检测的图像；I1为去噪后的图像；S_u(u＝1,2,……,l)表示超像素块；

是像素i在S_u中的概率；E_u是S_u的熵；I2为构造的颜色不变量图像；C_u表示分区编码，编码值0、1分别对应非纹理、纹理区域；T_k(k＝1,2,...,n)为第k个三角形，n为三角形的个数；I_k指T_k的内切圆；o_k、r_k是I_k的圆心、半径；A_k为I_k的外拓正方形；Q_k表示T_k除了I_k外的其余部分；

分别代表Q_k的R、G、B三通道下的梯度熵H_k；

指Q_k的平均梯度熵；WH_j是提取WH内核生成的M维度投影向量；p是特征向量；b_j是添加到随机投影的偏移量，范围在[0,r)，r是固设阈值；h_j(p)表示CSH算法的散列函数；g_i(p)由M维h_j(p)向量串联得到；T_i[g_i(p)]为g_i(p)生成的散列表；P_B表示patch的最近邻域集；a、b为patch中的元素；

a.初始设置

读取待检测图像I，将其与高斯平滑滤波器做卷积运算，去除噪声后得到图像I1；

b.超像素生成

结合图像I1的内容，利用SLIC方法生成紧凑且近似均匀的超像素块S_u,u＝1,2,……,l；

c.图像特征点提取

c.1根据下式计算每个超像素块S_u的熵：

c.2根据图像I1的色彩特征与几何结构特征，构造颜色不变量图像I2；

c.3统计熵分布量，按照如下规则将图像I2划分非纹理、纹理区域：

其中，

c.4针对两种区域，利用SIFER检测器在加和响应的尺度空间内，设置两种不同的窗口尺寸，实施特征点的提取；

d.三角网格构造

在上步得到的特征点上，使用DT技术快速构造三角网格T_k,k＝1,2,...,n；

e.三角网格特征构造

e.1特征一：内切圆部分

e.1.1根据T_k,k＝1,2,...,n的三个顶点，求出内切圆I_k的圆心o_k、半径r_k；

e.1.2通过o_k、r_k可以求出I_k的外拓正方形A_k，并在A_k的四周“补0”；

e.1.3计算A_k的局部快速四元数圆谐傅里叶矩幅值；

e.1.4通过对矩值进行几何攻击，从而选取8个稳定的值，将其作为三角网格T_k的第一个特征；

e.2特征二：其他部分

e.2.1利用下式，得到三角网格T_k的剩余部分内容Q_k：

Q_k＝T_k-I_k,k＝1,2,…n；

e.2.2对Q_k的R、G、B三通道通过如下公式，分别计算其梯度熵

其中，Q_k中共有m个梯度级，p(i)是第i个梯度级出现的概率；

e.2.3计算Q_k的平均梯度熵

将其作为三角网格T_k的第二个特征：

e.3重复步骤e.1～e.2，直到计算出所有的三角网格的特征，每个三角网格特征向量表示为8个稳定的快速四元数圆谐傅里叶矩幅值和1个平均梯度熵；

f.三角网格特征匹配

f.1利用SVD技术对三角网格特征向量进行降维，使其从9维稀疏向量变成3维稠密向量，更好地体现数据核心特征；

f.2利用CSH算法对降维后的三角网格特征向量建立索引，投影在WH内核上，其散列函数定义为：

f.3将M维h_j(p)向量串联得到：

g_i(p)＝{h₁(p),h₂(p),...,h_M(p)}；

f.4生成散列表T_i[g_i(p)]；

f.5初始化ANNF，在T_i[g_i(p)]中循环搜索每个patch的相应候选匹配，产生一个最近邻域集P_B，如果来自P_B中的b与a最相似，且满足下式，那么更新ANNF(a)＝b

dist(a,b)<dist(a,ANNF(a))；

f.6对最近邻域集P_B中的各个元素进行再次投影，使用WH内核以欧氏距离为衡量标准排列元素，与当前patch的欧氏距离最小的patch为最近匹配，最终得到d个最近匹配；

g.后处理

g.1采用DLF技术来调整偏移量，消除错误匹配，以增加正确检测的概率；

g.2最后使用优化后的ZNCC算法和形态学操作对匹配的区域进行标记。

Images