CN108846868A - 一种基于cfa插值特性的数字图像真伪鉴别方法 - Google Patents

一种基于cfa插值特性的数字图像真伪鉴别方法 Download PDF

Info

Publication number
CN108846868A
CN108846868A CN201810375621.6A CN201810375621A CN108846868A CN 108846868 A CN108846868 A CN 108846868A CN 201810375621 A CN201810375621 A CN 201810375621A CN 108846868 A CN108846868 A CN 108846868A
Authority
CN
China
Prior art keywords
image
feature
interpolation
true
kinds
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.)
Granted
Application number
CN201810375621.6A
Other languages
English (en)
Other versions
CN108846868B (zh
Inventor
方针
苏文煊
周佳欣
王星雨
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Shanghai for Science and Technology
Original Assignee
University of Shanghai for Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Shanghai for Science and Technology filed Critical University of Shanghai for Science and Technology
Priority to CN201810375621.6A priority Critical patent/CN108846868B/zh
Publication of CN108846868A publication Critical patent/CN108846868A/zh
Application granted granted Critical
Publication of CN108846868B publication Critical patent/CN108846868B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于CFA插值特性的数字图像真伪鉴别方法，具体步骤是：首先，根据插值图像与理想全色图像的频谱差异，分块提取频谱变化和色度失真特征以反映CFA插值特性。其次，计算重插值前后的插值特性变化作为取证特征。最后，使用支持向量机分类，根据相邻块间取证特征的不一致鉴别图像真伪。与现有技术相比，本发明能够有效抵抗JPEG图像压缩、图像内容和成像设备变化的影响，提高鲁棒性。

Description

一种基于CFA插值特性的数字图像真伪鉴别方法
技术领域
本发明涉及一种基于CFA(color filter array，颜色滤波阵列)插值特性的数字图像真伪鉴别方法。
背景技术
如今图像内容的修改变得越来越容易，有时人们很难通过肉眼分辨图像的真伪，于是数字图像真伪鉴别技术应运而生。数字图像真伪鉴别技术是指对数字图像的篡改进行分析、鉴别和认证，目前主流的数字图像真伪鉴别方法可以分为三类：1)基于成像设备一致性的技术，2)基于图像篡改过程遗留痕迹特征的技术，3)基于图像内在统计特性的技术。其中基于图像篡改过程遗留痕迹特征的真实性检测往往只针对某一种篡改操作，若不能检测出异常特征只能排除特定类型的篡改操作，而不能认为图像是真实的，所以只能鉴伪不能鉴真；基于图像内在统计特性的真实性检测算法大都对训练样本依赖性较强；而基于成像设备一致性的真实性检测，不依赖对篡改操作类型的先验知识，对图像的恶意篡改操作具有更好的适用性。基于CFA插值特性的数字图像真伪鉴别方法就属于基于成像设备一致性这一类。
目前基于CFA插值特性提出的数字图像真伪鉴别方法中，比较具有代表性的如下：有的方法通过估计待测图像绿色分量的预测误差，对每个图像块计算加权方差作为块特征，使用EM(expectation maximization，期望值最大化)算法定位篡改区域；有的方法搭建了一个高斯模型来估计CFA插值图像的局部相关模式，并从中提取频域特征来检测图像中的CFA插值痕迹；还有的方法根据不同通道高频分量之间的频谱差异来鉴别通道间插值图像的真实性。具体方法可参阅如下文献：
1.Ferrara P,Bianchi T,de Rosa A,Image forgery localization via fine-grained analysis of CFAartifacts,IEEE Transactions on Information Forensicsand Security,2012,7(5):1566-1577.
2.Li L,Xue J,Wang X,A robust approach to detect digital forgeries byexploring correlation patterns,Pattern Analysis Applications,2013:1-15.
3.张晓琳，方针，张新鹏.利用通道间相关性的CFA图像盲取证，应用科学学报，2015，33(1):87-94.
上述的图像取证方法的准确率都较为可观，但其特征设计大多基于单通道插值图像，而在实际应用中更多的是通道间插值图像。同时，上述方法的检测结果也比较容易受到图像内容变化和JPEG(Joint Photographic Experts Group，联合图像专家小组)压缩的影响。
发明内容
本发明的目的在于针对已有技术存在的不足，提供一种基于CFA插值特性的数字图像真伪鉴别方法。本发明基于CFA插值引入的频谱变化和色度失真进行图像取证，能够有效抵抗JPEG图像压缩，提高篡改检测的鲁棒性。
为达到以上目的，本发明的构想是：
首先根据插值图像与理想全色图像的频谱差异，分块提取频谱变化和色度失真特征以反映CFA插值特性；其次计算重插值前后的插值特性变化作为取证特征；最后使用支持向量机分类，根据相邻块间取证特征的不一致鉴别图像真伪。
根据上述发明构想，本发明采用下述技术方案：
一种基于CFA插值特性的数字图像真伪鉴别方法，具体步骤如下：
1)将待测图像I分为m×n个相同大小的图像块，其中，第i行第j列的图像块记为Ii,j，i∈(1,m)，j∈(1,n)，i,j,m,n为整数；
2)对图像块Ii,j提取通道间频谱差能量特征Ui,j和色度失真特征Vi,j，得到图像块特征Fi,j＝{Ui,j,Vi,j}；
3)采用通道间插值算法对待测图像I进行CFA插值，对重插值图像重复上述步骤1)-2)，得到块特征F′i,j；
4)计算重插值前后的图像块特征差异Di,j作为取证特征：
Di,j＝|Fi,j-F′i,j| (4-1)
5)计算图像块Ii,j和相邻图像块之间的相关系数集合P：
P＝{Corr(Di,j,Di+g,j+h)|i∈(1,m)，j∈(1,n)，g,h∈[-1,1]，g,h∈Z} (5-1)
取P中的最大值、均值和中值，组成图像的块间一致性特征向量Y；
6)使用训练过的SVM(Support Vector Machine，支持向量机)分类器对特征向量Y进行分类，实现图像篡改检测，鉴别待检测图像的真伪。
所述步骤2)的具体步骤如下：
2-1)首先计算通道间频谱差的能量特征U：
区域Ω1定义为：
Ω1＝{(ω1,ω2)|ω1≤π∩ω2≤π} (2-1)
提取频谱差能量特征U：
其中b表示区域Ω1中元素的个数，ω1,ω2为频谱的横纵坐标，C(ω1,ω2)表示绿红频谱差，由式(2-3)计算得到，式中分别表示绿色和红色分量的频谱：
2-2)其次计算色度失真特征V：
对红绿、红蓝、绿蓝色差和色度分量C1，C2分别进行小波分解，得到每个分量的HL(水平高频竖直低频)、LH(水平低频竖直高频)、HH(水平高频竖直高频)三种高频子带，将三种色差分量的9种高频子带与两种色度分量的6种高频子带进行两两组合，并计算相关系数，则所有组合一共有54种相关系数，构成色度失真特征向量V的54维特征。
本发明与现有技术相比，具有如下的优点：
本发明方法利用图像处理和计算机技术提取数字图像频域特征以反应CFA插值特性，并据此区分自然图像和篡改图像。对于JPEG压缩、图像内容和成像设备变化具有更好的鲁棒性。
附图说明
图1为本发明“基于CFA插值特性的数字图像真伪鉴别”的流程框图。
图2为频谱区域Ω1示意图。
图3为实验所用自然图像举例。
图4为实验所用篡改图像举例。
具体实施方式
本发明优选实施例结合附图详述如下：
如图3所示为来自UCID(Uncompressed Colour Image Database，未压缩彩色图像库)库的自然图像举例，如图4所示使用UCID库生成的篡改图像举例，生成篡改图像时，使用通道间插值算法进行CFA插值，然后将重插值图像的部分内容拼接到真实图像中的随机位置得到篡改图像。
如图1所示，一种基于CFA插值特性的数字图像真伪鉴别方法，具体步骤如下：
1)将待测图像I分为3×3个相同大小的图像块，分别记为I1、I2、I3……I9；
2)对图像块I1～I9提取通道间频谱差能量特征U和色度失真特征V，得到块特征F1～F9：
2-1)首先计算通道间频谱差的能量特征U：
如图2所示，区域Ω1定义为：
Ω1＝{(ω1,ω2)|ω1≤π∩ω2≤π} (2-1)
提取频谱差能量特征U：
其中b表示区域Ω1中元素的个数，C(ω1,ω2)表示绿红频谱差，由式(2-3)计算得到，式中分别表示绿色和红色分量的频谱：
2-2)其次计算色度失真特征V：
对红绿、红蓝、绿蓝色差和色度分量C1，C2分别进行小波分解，得到每个分量的HL、LH、HH三种高频子带，将三种色差分量的9种高频子带与两种色度分量的6种高频子带进行两两组合，并计算相关系数，则所有组合一共有54种相关系数，构成色度失真特征向量V的54维特征。
3)采用通道间插值算法对I进行重插值，对重插值图像重复上述步骤，得到块特征F1 ′～F9′；
4)计算重插值前后的块特征差异D1-D9：
D＝|F-F′| (4-1)
5)计算I5和I1、I2、I3、I4、I6、I7、I8、I9之间的相关系数：
取这八个相关系数中的最大值、均值和中值，组成图像的块间一致性特征向量Y；
6)使用训练过的SVM分类器对Y进行分类，实现篡改检测，鉴别待检测图像的真伪。

Claims (2)

1.一种基于CFA插值特性的数字图像真伪鉴别方法，其特征在于，具体步骤如下：
1)将待测图像I分为m×n个相同大小的图像块，其中，第i行第j列的图像块记为Ii,j，i∈(1,m)，j∈(1,n)，i,j,m,n为整数；
2)对图像块Ii,j提取通道间频谱差能量特征Ui,j和色度失真特征Vi,j，得到图像块特征Fi,j＝{Ui,j,Vi,j}；
3)采用通道间插值算法对待测图像I进行CFA插值，对重插值图像重复上述步骤1)-2)，得到块特征F′i,j；；
4)计算重插值前后的图像块特征差异Di,j作为取证特征：
Di,j＝|Fi,j-F′i,j| (4-1)
5)计算图像块Ii,j和相邻图像块之间的相关系数集合P：
P＝{Corr(Di,j,Di+g,j+h)|i∈(1,m)，j∈(1,n)，g,h∈[-1,1]，g,h∈Z} (5-1)
取P中的最大值、均值和中值，组成图像的块间一致性特征向量Y；
6)使用训练过的SVM分类器对特征向量Y进行分类，实现图像篡改检测，鉴别待检测图像的真伪。
2.根据权利要求1所述的基于CFA插值特性的数字图像真伪鉴别方法，其特征在于，所述步骤2)的具体步骤如下：
2-1)首先计算通道间频谱差的能量特征U：
区域Ω1定义为：
Ω1＝{(ω1,ω2)|ω1≤π∩ω2≤π} (2-1)
提取频谱差能量特征U：
其中b表示区域Ω1中元素的个数，ω1,ω2为频谱的横纵坐标，C(ω1,ω2)表示绿红频谱差，由式(2-3)计算得到，式中分别表示绿色和红色分量的频谱：
2-2)其次计算色度失真特征V：
对红绿、红蓝、绿蓝色差和色度分量C1，C2分别进行小波分解，得到每个分量的HL水平高频竖直低频、LH水平低频竖直高频、HH水平高频竖直高频的三种高频子带，将三种色差分量的9种高频子带与两种色度分量的6种高频子带进行两两组合，并计算相关系数，则所有组合一共有54种相关系数，构成色度失真特征向量V的54维特征。
CN201810375621.6A 2018-04-25 2018-04-25 一种基于cfa插值特性的数字图像真伪鉴别方法 Active CN108846868B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810375621.6A CN108846868B (zh) 2018-04-25 2018-04-25 一种基于cfa插值特性的数字图像真伪鉴别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810375621.6A CN108846868B (zh) 2018-04-25 2018-04-25 一种基于cfa插值特性的数字图像真伪鉴别方法

Publications (2)

Publication Number Publication Date
CN108846868A true CN108846868A (zh) 2018-11-20
CN108846868B CN108846868B (zh) 2022-06-10

Family

ID=64212173

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810375621.6A Active CN108846868B (zh) 2018-04-25 2018-04-25 一种基于cfa插值特性的数字图像真伪鉴别方法

Country Status (1)

Country Link
CN (1) CN108846868B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101882304A (zh) * 2010-06-24 2010-11-10 西北工业大学 一种sar图像自适应去噪和特征增强方法
CN102262782A (zh) * 2011-07-05 2011-11-30 大连理工大学 一种利用cfa重采样插值定位拼接的数字图像取证方法
CN103793926A (zh) * 2014-02-27 2014-05-14 西安电子科技大学 基于样本重选择的目标跟踪方法
CN105979233A (zh) * 2016-06-30 2016-09-28 北京奇艺世纪科技有限公司 去马赛克方法、图像处理器及图像传感器

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101882304A (zh) * 2010-06-24 2010-11-10 西北工业大学 一种sar图像自适应去噪和特征增强方法
CN102262782A (zh) * 2011-07-05 2011-11-30 大连理工大学 一种利用cfa重采样插值定位拼接的数字图像取证方法
CN103793926A (zh) * 2014-02-27 2014-05-14 西安电子科技大学 基于样本重选择的目标跟踪方法
CN105979233A (zh) * 2016-06-30 2016-09-28 北京奇艺世纪科技有限公司 去马赛克方法、图像处理器及图像传感器

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
PASQUALE FERRARA ET AL.: "Image Forgery Localization via Fine-Grained Analysis of CFA Artifacts", 《IEEE TRANSACTIONS ON INFORMATION FORENSICS AND SECURITY》 *
卢燕飞 等: "基于颜色差分特性的图像篡改检测", 《北京交通大学学报》 *
张晓琳 等: "利用通道间相关性的CFA图像盲取证", 《应用科学学报》 *

Also Published As

Publication number Publication date
CN108846868B (zh) 2022-06-10

Similar Documents

Publication Publication Date Title
Li et al. No-reference image blur assessment based on discrete orthogonal moments
CN104598933B (zh) 一种基于多特征融合的图像翻拍检测方法
Muhammad et al. Copy-move forgery detection using dyadic wavelet transform
Anand et al. A copy move forgery detection to overcome sustained attacks using dyadic wavelet transform and SIFT methods
CN109255358B (zh) 一种基于视觉显著性和深度图的3d图像质量评价方法
CN110378324A (zh) 一种基于质量维度的人脸识别算法评估方法
CN102693522A (zh) 一种彩色图像区域复制篡改检测方法
CN109903302A (zh) 一种用于拼接图像的篡改检测方法
CN110782442B (zh) 一种基于多域耦合的图像人工模糊检测方法
Abidin et al. Copy-move image forgery detection using deep learning methods: a review
Xu et al. Forensic detection of Gaussian low-pass filtering in digital images
CN102063627B (zh) 基于多小波变换的自然图像和计算机生成图像的识别方法
Hou et al. Detection of hue modification using photo response nonuniformity
CN106157232A (zh) 一种数字图像特征感知的通用隐写分析方法
Hsu et al. An efficient detection algorithm for copy-move forgery
Mursi et al. An improved SIFT-PCA-based copy-move image forgery detection method
CN102957915A (zh) 针对双重jpeg压缩图像的篡改检测及篡改定位方法
CN109523452A (zh) 一种基于通道差分残差的彩色图像隐写检测方法
Muhammad Multi-scale local texture descriptor for image forgery detection
CN100481872C (zh) 基于色调模式的检测多种篡改的数字图像取证方法
CN107194926A (zh) 互补色小波域图像质量盲评价方法
CN112163540B (zh) 一种基于WiFi的姿态识别方法
Sarvaiya et al. Image registration using NSCT and invariant moment
CN100416594C (zh) 基于泽尔尼克矩的鞋印自动匹配方法
CN108846868A (zh) 一种基于cfa插值特性的数字图像真伪鉴别方法

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