CN108319986B - 基于prnu的图像来源的鉴定方法及其系统 - Google Patents

Abstract

本发明涉及基于PRNU的图像来源的鉴定方法及其系统，该方法包括获取待测设备以及待测图像；提取所有待测设备的PRNU，形成PRNU库；提取待测图像的PRNU；根据待测图像的PRNU计算待测图像与PRNU库相匹配的概率；选取概率高的拍摄设备作为待测图像的来源设备。本发明通过分别获取待测设备的PRNU以及待测图像的PRNU，将两者匹配，进行图像来源的识别，在获取PRNU的过程中，对待测图像打印后的画面严格把控，以弱化图像内容的影响，提高图像来源识别的准确率，准确区分每一个拍摄设备个体，由于PRNU的唯一性，即使两个拍摄设备是同一型号也能区分，实现提高图像来源识别的准确率，准确区分每一个拍摄设备个体。

Description

基于PRNU的图像来源的鉴定方法及其系统

技术领域

本发明涉及图像鉴定技术领域，更具体地说是指基于PRNU的图像来源的鉴定方法及其系统。

背景技术

随着数码设备和图像处理软件技术的快速发展，人们已可以很轻松地获取和修改数字图像。但先进的技术在给人们的生活带来便利的同时，也暴露出了很多安全问题。图像一直是直观可靠的信息来源。但随着科技的发展，图像变得越来越多，而生成和篡改图片也变得越来越简单，若不法分子将伪造的数字图像用于新闻、证物和科学研究等正式场合，将会混淆视听，对事件的真实性和社会的稳定性产生严重的影响。因此，确保数字图像真实性和完整性的数字图像取证技术已受到广大研究者的关注，判断图像的拍摄设备及图片是否被修改过尤其重要。

目前，鉴别图像是否来自其所声称的设备，是图像鉴别领域的重要一环。现有技术中，最简单的方法是通过检查图像头信息来确认相片来源，但这样的做法无法检测到头信息是否被修改；另一种更可靠的方法是通过分析图像噪声识别来源，但由于图像模式噪声受图像内容影响严重，因此只能用于区分拍摄设备品牌，而不能具体区分每一个拍摄设备个体。

因此，有必要设计一种新的图像来源的鉴定方法，实现弱化图像内容的影响，提高图像来源识别的准确率，准确区分每一个拍摄设备个体。

发明内容

本发明的目的在于克服现有技术的缺陷，提供基于PRNU的图像来源的鉴定方法及其系统。

为实现上述目的，本发明采用以下技术方案：基于PRNU的图像来源的鉴定方法，所述方法包括：

获取待测设备以及待测图像；

提取所有待测设备的PRNU，形成PRNU库；

提取待测图像的PRNU；

根据待测图像的PRNU计算待测图像与PRNU库相匹配的概率；

选取概率高的拍摄设备作为待测图像的来源设备。

其进一步技术方案为：提取所有待测设备的PRNU，形成PRNU库的步骤，包括以下具体步骤：

打印待测图像；

利用待测设备获取训练样本；

对训练样本进行旋转预处理；

对预处理后的训练样本做维纳滤波处理，获取无噪原图；

将训练样本与对应的无噪原图相减，形成对应待测设备的PRNU；

针对待测设备的PRNU进行加权平均处理，形成PRNU库。

其进一步技术方案为：提取待测图像的PRNU的步骤，包括以下具体步骤：

对待测图像进行旋转预处理；

对旋转预处理后的待测图像进行维纳滤波处理，获取无噪待测图；

根据旋转预处理后的待测图像减去无噪待测图，并对相减结果进行加权平均处理，形成待测图像的PRNU。

其进一步技术方案为：根据待测图像的PRNU计算待测图像与PRNU库相匹配的概率的步骤，包括以下具体步骤：

使用正态分布拟合获取待测设备的PRNU以及训练样本的相关性分布，形成相关性分布库；

计算待测图像的PRNU与待测设备的PRNU的相关性；

根据待测图像的PRNU与待测设备的PRNU的相关性在相关性分布库中的位置，获取待测图像来自于各个待测拍摄设备的概率。

本发明还提供了基于PRNU的图像来源的鉴定系统，包括获取单元、PRNU库形成单元、图像PRNU获取单元、概率计算单元以及选取单元；

所述获取单元，用于获取待测设备以及待测图像；

所述PRNU库形成单元，用于提取所有待测设备的PRNU，形成PRNU库；

所述图像PRNU获取单元，用于提取待测图像的PRNU；

所述概率计算单元，用于根据待测图像的PRNU计算待测图像与PRNU库相匹配的概率；

所述选取单元，用于选取概率高的拍摄设备作为待测图像的来源设备。

其进一步技术方案为：所述PRNU库形成单元包括打印模块、样本获取模块、样本旋转模块、样本滤波模块、设备PRNU获取模块以及设备PRNU处理模块；

所述打印模块，用于打印待测图像；

所述样本获取模块，用于利用待测设备获取训练样本；

所述样本旋转模块，用于对训练样本进行旋转预处理；

所述样本滤波模块，用于对预处理后的训练样本做维纳滤波处理，获取无噪原图；

所述设备PRNU获取模块，用于将训练样本与对应的无噪原图相减，形成对应待测设备的PRNU；

所述设备PRNU处理模块，用于针对待测设备的PRNU进行加权平均处理，形成PRNU库。

其进一步技术方案为：所述图像PRNU获取单元包括图像旋转模块、图像滤波模块以及图像处理模块；

所述图像旋转模块，用于对待测图像进行旋转预处理；

所述图像滤波模块，用于对旋转预处理后的待测图像进行维纳滤波处理，获取无噪待测图；

所述图像处理模块，用于根据旋转预处理后的待测图像减去无噪待测图，并对相减结果进行加权平均处理，形成待测图像的PRNU。

其进一步技术方案为：所述概率计算单元包括第一相关性分布模块、第二相关性计算模块以及概率获取模块；

所述第一相关性分布模块，用于使用正态分布拟合获取待测设备的PRNU以及训练样本的相关性分布，形成相关性分布库；

所述第二相关性计算模块，用于计算待测图像的PRNU与待测设备的PRNU的相关性；

所述概率获取模块，用于根据待测图像的PRNU与待测设备的PRNU的相关性在相关性分布库中的位置，获取待测图像来自于各个待测拍摄设备的概率。

本发明与现有技术相比的有益效果是：本发明的基于PRNU的图像来源的鉴定方法，通过分别获取待测设备的PRNU以及待测图像的PRNU，将两者进行匹配，进行图像来源的识别，在获取PRNU的过程中，对待测图像的打印后的画面严格把控，以弱化图像内容的影响，提高图像来源识别的准确率，进而能准确区分每一个拍摄设备个体，由于PRNU的唯一性，使得即使两个拍摄设备是同一型号也能区分，实现提高图像来源识别的准确率，准确区分每一个拍摄设备个体。

下面结合附图和具体实施例对本发明作进一步描述。

附图说明

图1为本发明具体实施例提供的基于PRNU的图像来源的鉴定方法的流程图；

图2为本发明具体实施例提供的提取所有待测设备的PRNU并形成PRNU库的流程图；

图3为本发明具体实施例提供的提取待测图像的PRNU的流程图；

图4为本发明具体实施例提供的根据待测图像的PRNU计算待测图像与PRNU库相匹配的概率的流程图；

图5为本发明具体实施例提供的基于PRNU的图像来源的鉴定系统的结构框图；

图6为本发明具体实施例提供的PRNU库形成单元的结构框图；

图7为本发明具体实施例提供的图像PRNU获取单元的结构框图；

图8为本发明具体实施例提供的概率计算单元的结构框图；

图9为本发明具体实施例一提供的待测图像的PRNU与待测设备的PRNU的相关性的分布示意图；

图10为本发明具体实施例二提供的待测图像的PRNU与待测设备的PRNU的相关性的分布示意图。

具体实施方式

为了更充分理解本发明的技术内容，下面结合具体实施例对本发明的技术方案进一步介绍和说明，但不局限于此。

如图1～10所示的具体实施例，本实施例提供的基于PRNU的图像来源的鉴定方法，可以运用在鉴定图像过程中，实现弱化图像内容的影响，提高图像来源识别的准确率，准确区分每一个拍摄设备个体。

上述的PRNU为光照响应不一致性噪声(Photo-Response Non-Uniformity Noise，PRNU)。

如图1所示，本实施例提供了基于PRNU的图像来源的鉴定方法，该方法包括：

S1、获取待测设备以及待测图像；

S2、提取所有待测设备的PRNU，形成PRNU库；

S3、提取待测图像的PRNU；

S4、根据待测图像的PRNU计算待测图像与PRNU库相匹配的概率；

S5、选取概率高的拍摄设备作为待测图像的来源设备。

更进一步地，在某些实施例中，对于上述的S2步骤，提取所有待测设备的PRNU，形成PRNU库的步骤，包括以下具体步骤：

S21、打印待测图像；

S22、利用待测设备获取训练样本；

S23、对训练样本进行旋转预处理；

S24、对预处理后的训练样本做维纳滤波处理，获取无噪原图；

S25、将训练样本与对应的无噪原图相减，形成对应待测设备的PRNU；

S26、针对待测设备的PRNU进行加权平均处理，形成PRNU库。

对于上述的S21步骤以及S22步骤，具体是打印待测图像I，并用待测设备分别拍摄打印出来的待测图像M张作为训练样本，此过程必须拍摄画面与待测图像尽量一致，以用于弱化图像内容影响。

对于上述的S23步骤，具体是针对每一个待测设备Ci(1≤i≤N)，对其M张横向训练样本做180度旋转预处理，增加样本丰富性。

对于上述的S24步骤，上述的维纳滤波(wiener filtering)处理，是一种基于最小均方误差准则、对平稳过程的最优估计器。这种滤波器的输出与期望输出之间的均方误差为最小，是一个最佳滤波系统，可用于提取被平稳噪声所污染的信号，从连续的(或离散的)输入数据中滤除噪声和干扰以提取有用信息的过程称为滤波，这是信号处理中经常采用的主要方法之一，具有十分重要的应用价值，而相应的装置称为滤波器，根据滤波器的输出是否为输入的线性函数，可将它分为线性滤波器和非线性滤波器两种，维纳滤波器是一种线性滤波器。具体是1.3使用滑动窗口对每一个训练样本I_ij(1≤i≤N,1≤j≤M)做维纳滤波去除图像噪声，得到无噪原图I_ij(0)。

对于上述的S25步骤，将训练样本I_ij与其无噪原图I_ij(0)相减，即可得到从该训练样本提取的PRNU值K_ij。

对于上述的S26步骤，对每一个待测设备Ci(1≤i≤N)，其光照响应不一致性噪声Ki(1≤i≤N)等于每个样本提取的光照响应不一致性噪声的加权平均，其中权值为无噪原图的取值；以此得到待测拍摄设备的PRNU库{K₁…K_N}。

另外，在某些实施例中，上述的S3步骤，提取待测图像的PRNU的步骤，包括以下具体步骤：

S31、对待测图像进行旋转预处理；

S32、对旋转预处理后的待测图像进行维纳滤波处理，获取无噪待测图；

S33、根据旋转预处理后的待测图像减去无噪待测图，并对相减结果进行加权平均处理，形成待测图像的PRNU。

具体地，对于上述的S31步骤至S33步骤，对横向待测图像I做180度旋转预处理，获得2张预待测图像I₁和I₂；使用滑动窗口分别对I₁和I₂做维纳滤波去除图像噪声，得到无噪原图I₁(0)和I₂(0)；待测图像的PRNU值K等于I₁和I₂减去它们的无噪原图的加权平均。

更进一步地，上述的S4步骤，根据待测图像的PRNU计算待测图像与PRNU库相匹配的概率的步骤，包括以下具体步骤：

S41、使用正态分布拟合获取待测设备的PRNU以及训练样本的相关性分布，形成相关性分布库；

S42、计算待测图像的PRNU与待测设备的PRNU的相关性；

S43、根据待测图像的PRNU与待测设备的PRNU的相关性在相关性分布库中的位置，获取待测图像来自于各个待测拍摄设备的概率。

对于上述的S41步骤至S43步骤，根据每个待测拍摄设备C_i的PRNU值K_i与其训练样本的PRNU值K_ij的相关性cori₁…cori_M，使用正态分布拟合得到拍摄设备C_i的相关性分布f_i；计算待测图像I的PRNU值K与待测拍摄设备C_i的PRNU值Ki的相关性cor_i，并根据cor_i在正态分布f_i的位置得到待测图片I来自于各个待测拍摄设备C_i的概率，待测图像I最可能来自于概率最高的拍摄设备。

本实施例中，采用PRNU值来做相机的“数字指纹”的特性，缘由于PRNU值的唯一性，举个例子，从市面上获取四台相机A、B、X1和X2，共三个型号，其中X1和X2是同一型号的两台相机。分别用四台相机拍摄白墙照片24张，其中20张作为训练样本用于提取相机的光照响应不一致性噪声，剩下的4张用于测试相关性，即测试样本一共16张。具体验证步骤如下：

对每一台相机，分别用其训练样本计算其光照响应不一致性噪声，得到KA、KB、KC、KD；

对每一张测试照片，分别提取它们的PRNU值Ki(1≤i≤16),并计算Ki与KA、KB、KX1、KX2的相关性，得到corij(1≤i≤16,j∈{A,B,C,D})。

如图9和图10所示，分别显示了cori·(i∈{X1拍摄的测试照片})和cori·(i∈{X2拍摄的测试照片})的散点图。由此可见对于每一个cori·(1≤i≤16)，cori*(*表示测试照片实际拍摄相机)都远大于与其他相机光照响应不一致性噪声的相关性。通过计算均值可以得到与实际拍摄相机的平均相关性比其他相机的大约30个标准差。

另外，再举一个例子，从市面上获取两台型号相同的相机A和B，用相机A拍摄待测照片I。根据如下步骤验证本方法：

打印待测照片I。分别用相机A和B对打印出来的照片拍摄30张照片，要求拍摄内容与待测照片尽量一致；

用上述的两套训练样本计算相机A和B的光照响应不一致性噪声KA和KB，并根据样本提取的光照响应不一致性噪声与估计的相机光照响应不一致性噪声之间的相关性，拟合相关性分布；

计算待测照片的光照响应不一致性噪声，并计算其与相机A、B的光照响应不一致性噪声之间的相关性；

根据待测照片与两相机的相关性在其各自相关性分布中的位置，可以计算出待测照片I来自拍摄设备A的概率为72.13％，来自拍摄设备B的概率为0.01％；

因此可以判断待测照片I大概率来自相机A。

上述的基于PRNU的图像来源的鉴定方法，通过分别获取待测设备的PRNU以及待测图像的PRNU，将两者进行匹配，进行图像来源的识别，在获取PRNU的过程中，对待测图像的打印后的画面严格把控，以弱化图像内容的影响，提高图像来源识别的准确率，进而能准确区分每一个拍摄设备个体，由于PRNU的唯一性，使得即使两个拍摄设备是同一型号也能区分，实现提高图像来源识别的准确率，准确区分每一个拍摄设备个体。

如图5所示，本实施例还提供了基于PRNU的图像来源的鉴定系统，其包括获取单元1、PRNU库形成单元2、图像PRNU获取单元3、概率计算单元4以及选取单元5。

获取单元1，用于获取待测设备以及待测图像。

PRNU库形成单元2，用于提取所有待测设备的PRNU，形成PRNU库。

图像PRNU获取单元3，用于提取待测图像的PRNU。

概率计算单元4，用于根据待测图像的PRNU计算待测图像与PRNU库相匹配的概率。

选取单元5，用于选取概率高的拍摄设备作为待测图像的来源设备。

在某些实施例中，对于上述的PRNU库形成单元2包括打印模块21、样本获取模块22、样本旋转模块23、样本滤波模块24、设备PRNU获取模块25以及设备PRNU处理模块26。

打印模块21，用于打印待测图像。

样本获取模块22，用于利用待测设备获取训练样本。

样本旋转模块23，用于对训练样本进行旋转预处理。

样本滤波模块24，用于对预处理后的训练样本做维纳滤波处理，获取无噪原图。

设备PRNU获取模块25，用于将训练样本与对应的无噪原图相减，形成对应待测设备的PRNU。

设备PRNU处理模块26，用于针对待测设备的PRNU进行加权平均处理，形成PRNU库。

对于打印模块21以及样本获取模块22而言，具体是打印待测图像I，并用待测设备分别拍摄打印出来的待测图像M张作为训练样本，此过程必须拍摄画面与待测图像尽量一致，以用于弱化图像内容影响。

对于样本旋转模块23而言，具体是针对每一个待测设备Ci(1≤i≤N)，对其M张横向训练样本做180度旋转预处理，增加样本丰富性。

对于样本滤波模块24而言，维纳滤波(wiener filtering)处理，是一种基于最小均方误差准则、对平稳过程的最优估计器。这种滤波器的输出与期望输出之间的均方误差为最小，是一个最佳滤波系统，可用于提取被平稳噪声所污染的信号，从连续的(或离散的)输入数据中滤除噪声和干扰以提取有用信息的过程称为滤波，这是信号处理中经常采用的主要方法之一，具有十分重要的应用价值，而相应的装置称为滤波器，根据滤波器的输出是否为输入的线性函数，可将它分为线性滤波器和非线性滤波器两种，维纳滤波器是一种线性滤波器。具体是1.3使用滑动窗口对每一个训练样本I_ij(1≤i≤N,1≤j≤M)做维纳滤波去除图像噪声，得到无噪原图I_ij(0)。

设备PRNU获取模块25具体是将训练样本I_ij与其无噪原图I_ij(0)相减，即可得到从该训练样本提取的PRNU值K_ij。

而对于上述的设备PRNU处理模块26而言，对每一个待测设备Ci(1≤i≤N)，其光照响应不一致性噪声Ki(1≤i≤N)等于每个样本提取的光照响应不一致性噪声的加权平均，其中权值为无噪原图的取值；以此得到待测拍摄设备的PRNU库{K₁…K_N}。

另外，在某些实施例中，上述的图像PRNU获取单元3包括图像旋转模块31、图像滤波模块32以及图像处理模块33。

图像旋转模块31，用于对待测图像进行旋转预处理。

图像滤波模块32，用于对旋转预处理后的待测图像进行维纳滤波处理，获取无噪待测图。

图像处理模块33，用于根据旋转预处理后的待测图像减去无噪待测图，并对相减结果进行加权平均处理，形成待测图像的PRNU。

具体是对横向待测图像I做180度旋转预处理，获得2张预待测图像I₁和I₂；使用滑动窗口分别对I₁和I₂做维纳滤波去除图像噪声，得到无噪原图I₁(0)和I₂(0)；待测图像的PRNU值K等于I₁和I₂减去它们的无噪原图的加权平均。

更进一步地，在某些实施例中，上述的概率计算单元4包括第一相关性分布模块41、第二相关性计算模块42以及概率获取模块43。

第一相关性分布模块41，用于使用正态分布拟合获取待测设备的PRNU以及训练样本的相关性分布，形成相关性分布库。

第二相关性计算模块42，用于计算待测图像的PRNU与待测设备的PRNU的相关性。

概率获取模块43，用于根据待测图像的PRNU与待测设备的PRNU的相关性在相关性分布库中的位置，获取待测图像来自于各个待测拍摄设备的概率。

根据每个待测拍摄设备C_i的PRNU值K_i与其训练样本的PRNU值K_ij的相关性cori₁…cori_M，使用正态分布拟合得到拍摄设备C_i的相关性分布f_i；计算待测图像I的PRNU值K与待测拍摄设备C_i的PRNU值Ki的相关性cor_i，并根据cor_i在正态分布f_i的位置得到待测图片I来自于各个待测拍摄设备C_i的概率，待测图像I最可能来自于概率最高的拍摄设备。

本实施例中，采用PRNU值来做相机的“数字指纹”的特性，缘由于PRNU值的唯一性，举个例子，从市面上获取四台相机A、B、X1和X2，共三个型号，其中X1和X2是同一型号的两台相机。分别用四台相机拍摄白墙照片24张，其中20张作为训练样本用于提取相机的光照响应不一致性噪声，剩下的4张用于测试相关性，即测试样本一共16张。具体验证步骤如下：

对每一台相机，分别用其训练样本计算其光照响应不一致性噪声，得到KA、KB、KC、KD；

对每一张测试照片，分别提取它们的PRNU值Ki(1≤i≤16),并计算Ki与KA、KB、KX1、KX2的相关性，得到corij(1≤i≤16,j∈{A,B,C,D})。

如图9和图10所示，分别显示了cori·(i∈{X1拍摄的测试照片})和cori·(i∈{X2拍摄的测试照片})的散点图。由此可见对于每一个cori·(1≤i≤16)，cori*(*表示测试照片实际拍摄相机)都远大于与其他相机光照响应不一致性噪声的相关性。通过计算均值可以得到与实际拍摄相机的平均相关性比其他相机的大约30个标准差。

另外，再举一个例子，从市面上获取两台型号相同的相机A和B，用相机A拍摄待测照片I。根据如下步骤验证本方法：

打印待测照片I。分别用相机A和B对打印出来的照片拍摄30张照片，要求拍摄内容与待测照片尽量一致；

用上述的两套训练样本计算相机A和B的光照响应不一致性噪声KA和KB，并根据样本提取的光照响应不一致性噪声与估计的相机光照响应不一致性噪声之间的相关性，拟合相关性分布；

计算待测照片的光照响应不一致性噪声，并计算其与相机A、B的光照响应不一致性噪声之间的相关性；

根据待测照片与两相机的相关性在其各自相关性分布中的位置，可以计算出待测照片I来自拍摄设备A的概率为72.13％，来自拍摄设备B的概率为0.01％；

因此可以判断待测照片I大概率来自相机A。

上述的基于PRNU的图像来源的鉴定系统，通过分别获取待测设备的PRNU以及待测图像的PRNU，将两者进行匹配，进行图像来源的识别，在获取PRNU的过程中，对待测图像的打印后的画面严格把控，以弱化图像内容的影响，提高图像来源识别的准确率，进而能准确区分每一个拍摄设备个体，由于PRNU的唯一性，使得即使两个拍摄设备是同一型号也能区分，实现提高图像来源识别的准确率，准确区分每一个拍摄设备个体。

上述仅以实施例来进一步说明本发明的技术内容，以便于读者更容易理解，但不代表本发明的实施方式仅限于此，任何依本发明所做的技术延伸或再创造，均受本发明的保护。本发明的保护范围以权利要求书为准。

Claims (6)

1.基于PRNU的图像来源的鉴定方法，其特征在于，所述方法包括：

获取待测设备以及待测图像；

提取所有待测设备的PRNU，形成PRNU库；

提取待测图像的PRNU；

根据待测图像的PRNU计算待测图像与PRNU库相匹配的概率；

选取概率高的拍摄设备作为待测图像的来源设备；

提取待测图像的PRNU的步骤，包括以下具体步骤：

对待测图像进行旋转预处理；

对旋转预处理后的待测图像进行维纳滤波处理，获取无噪待测图；

根据旋转预处理后的待测图像减去无噪待测图，并对相减结果进行加权平均处理，形成待测图像的PRNU；

对横向待测图像I做180度旋转预处理，获得2张预待测图像I1和I2；使用滑动窗口分别对I1和I2做维纳滤波去除图像噪声，得到无噪原图I1(0)和I2(0)；待测图像的PRNU值K等于I1和I2减去它们的无噪原图的加权平均。

2.根据权利要求1所述的基于PRNU的图像来源的鉴定方法，其特征在于，提取所有待测设备的PRNU，形成PRNU库的步骤，包括以下具体步骤：

打印待测图像；

利用待测设备获取训练样本；

对训练样本进行旋转预处理；

对预处理后的训练样本做维纳滤波处理，获取无噪原图；

将训练样本与对应的无噪原图相减，形成对应待测设备的PRNU；

针对待测设备的PRNU进行加权平均处理，形成PRNU库。

3.根据权利要求2所述的基于PRNU的图像来源的鉴定方法，其特征在于，根据待测图像的PRNU计算待测图像与PRNU库相匹配的概率的步骤，包括以下具体步骤：

使用正态分布拟合获取待测设备的PRNU以及训练样本的相关性分布，形成相关性分布库；

计算待测图像的PRNU与待测设备的PRNU的相关性；

根据待测图像的PRNU与待测设备的PRNU的相关性在相关性分布库中的位置，获取待测图像来自于各个待测拍摄设备的概率。

4.基于PRNU的图像来源的鉴定系统，其特征在于，包括获取单元、PRNU库形成单元、图像PRNU获取单元、概率计算单元以及选取单元；

所述获取单元，用于获取待测设备以及待测图像；

所述PRNU库形成单元，用于提取所有待测设备的PRNU，形成PRNU库；

所述图像PRNU获取单元，用于提取待测图像的PRNU；

所述概率计算单元，用于根据待测图像的PRNU计算待测图像与PRNU库相匹配的概率；

所述选取单元，用于选取概率高的拍摄设备作为待测图像的来源设备；

所述图像PRNU获取单元包括图像旋转模块、图像滤波模块以及图像处理模块；

所述图像旋转模块，用于对待测图像进行旋转预处理；

所述图像滤波模块，用于对旋转预处理后的待测图像进行维纳滤波处理，获取无噪待测图；

所述图像处理模块，用于根据旋转预处理后的待测图像减去无噪待测图，并对相减结果进行加权平均处理，形成待测图像的PRNU；

对横向待测图像I做180度旋转预处理，获得2张预待测图像I1和I2；使用滑动窗口分别对I1和I2做维纳滤波去除图像噪声，得到无噪原图I1(0)和I2(0)；待测图像的PRNU值K等于I1和I2减去它们的无噪原图的加权平均。

5.根据权利要求4所述的基于PRNU的图像来源的鉴定系统，其特征在于，所述PRNU库形成单元包括打印模块、样本获取模块、样本旋转模块、样本滤波模块、设备PRNU获取模块以及设备PRNU处理模块；

所述打印模块，用于打印待测图像；

所述样本获取模块，用于利用待测设备获取训练样本；

所述样本旋转模块，用于对训练样本进行旋转预处理；

所述样本滤波模块，用于对预处理后的训练样本做维纳滤波处理，获取无噪原图；

所述设备PRNU获取模块，用于将训练样本与对应的无噪原图相减，形成对应待测设备的PRNU；

所述设备PRNU处理模块，用于针对待测设备的PRNU进行加权平均处理，形成PRNU库。

6.根据权利要求5所述的基于PRNU的图像来源的鉴定系统，其特征在于，所述概率计算单元包括第一相关性分布模块、第二相关性计算模块以及概率获取模块；

所述第一相关性分布模块，用于使用正态分布拟合获取待测设备的PRNU以及训练样本的相关性分布，形成相关性分布库；

所述第二相关性计算模块，用于计算待测图像的PRNU与待测设备的PRNU的相关性；

所述概率获取模块，用于根据待测图像的PRNU与待测设备的PRNU的相关性在相关性分布库中的位置，获取待测图像来自于各个待测拍摄设备的概率。

Images