CN110147800A - 基于sift的图像复制粘贴篡改盲检方法 - Google Patents
基于sift的图像复制粘贴篡改盲检方法 Download PDFInfo
- Publication number
- CN110147800A CN110147800A CN201910420006.7A CN201910420006A CN110147800A CN 110147800 A CN110147800 A CN 110147800A CN 201910420006 A CN201910420006 A CN 201910420006A CN 110147800 A CN110147800 A CN 110147800A
- Authority
- CN
- China
- Prior art keywords
- point pair
- image
- feature
- points
- matching point
- 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.)
- Withdrawn
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 51
- 239000013598 vector Substances 0.000 claims abstract description 68
- 238000000034 method Methods 0.000 claims abstract description 46
- 230000008569 process Effects 0.000 claims description 20
- 238000012163 sequencing technique Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000007689 inspection Methods 0.000 claims description 6
- 238000005054 agglomeration Methods 0.000 claims description 3
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000012512 characterization method Methods 0.000 abstract 1
- 238000009877 rendering Methods 0.000 abstract 1
- 238000000605 extraction Methods 0.000 description 6
- 230000006835 compression Effects 0.000 description 5
- 238000007906 compression Methods 0.000 description 5
- 230000009466 transformation Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000012805 post-processing Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000005311 autocorrelation function Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
基于SIFT的图像复制粘贴篡改盲检方法，涉及数字图像取证及图像的复制粘贴篡改领域。解决了传统检测方法难以准确且快速进行检测图像的复制粘贴篡改的问题。本发明方法包括如下步骤：步骤一、通过SIFT特征匹配算法从待检测图像I中提取特征点；步骤二、根据特征点获得特征向量集合F；步骤三、对特征向量集合F进行匹配，获得初步匹配的匹配点对集合A；步骤四、剔除初步匹配的匹配点对集合中的误匹配点，获得一次匹配点对集合B；步骤五、剔除一次匹配点对集合B中的误匹配点，获得二次匹配点对集合，根据二次匹配点对集合在待检测图像I内进行图像绘制，其所获得的绘制区域表征图像复制粘贴篡改区域。本发明主要用于盲检图像。
Description
技术领域
本发明涉及数字图像取证及图像的复制粘贴篡改领域。
背景技术
当今，各种功能先进的数码产品及图像处理软件的快速发展，使得数字图像可以在不留下较明显篡改痕迹的情况下被伪造。当这些经过伪造的数字图像作为证据出现在法庭、学术等重要场合时，将会对人们的生活和社会产生严重的负面影响。因此，对伪造图像检测技术的研究具有非常重要的意义。
数字图像取证技术的目的是对图像的真实性和完整性进行鉴定。被动式的盲检测技术可以不依赖图像中任何预先嵌入的信息，仅根据图像自身的内容对图像的真实性和完整性进行认定。在众多改动图像方法之中，数字图像复制粘贴篡改是最常见的一类方式，它是通过复制图像中的一部分区域之后粘贴到同幅图像的另一区域，来实现伪造图像某一重要信息的目的。
图像的复制粘贴篡改是图像篡改中最普遍的一种方式，将图像的一部分复制并粘贴到同幅图像的另一部分以达到掩盖某一重要物体或人物的目的。由于篡改的部分是从同一幅图像中复制出来的，和原图像具有一样的光照强度、压缩系数、数码设备来源等内部特征，简单的边缘检测无法检测这种图像篡改。因此需要新的检测方法。
传统的图像的复制粘贴篡改盲检测算法主要有以下3大类：
(1)基于空间域像素匹配检测算法：
穷举搜索法:将待检测图像的各个像素值进行相减，搜索产生小于设定阈值差值的像素对，搜索出的像素对组成区域对应着复制区域和粘贴区域。
自相关检测法：将待检测图像的各个像素值进行自相关运算，产生自相关函数峰值的点为含有相同像素值的像素点，峰值对应坐标的含有相同像素值得像素点对的坐标偏移，利用坐标偏移完成复制区域和粘贴区域的定位。
遍历搜寻法：将图像划分成图像小块，将每一个图像小块作为模版遍历搜寻其他图像小块，当搜寻到和模版相同的图像块时，图像小块的尺寸增大后重新搜索，当搜索不到与模板相同的图像小块时停止搜索。
基于空间域像素匹配的检测算法简单直接，点对点的像素匹配有较好的检测效果。但穷举搜索法检测需要较长的时间，实用性不强；自相关检测法较小的篡改区域失效；噪声、有损压缩等图像后处理对检测结果具有较大影响。
(2)基于频域块匹配检测算法:
变换系数特征检测法：将图像划分为固定尺寸的图像块，图像块间有重叠的列或行，提取图像块的离散余弦变换(Discrete Cosine Transform,DCT)系数并量化然后将其作为行向量储存在一个矩阵中，对矩阵进行字典排序后计算相邻行所对应图像块的坐标偏移，坐标偏移出现频率大于设定阈值的对应图像块即为复制粘贴区域。
基于变换系数特征表示的检测算法简单，点对点的系数匹配方法带有较高检测率。但点对点的匹配使得检测算法产生较大的运算量大，因此检测耗时较多，同时此类检测算法对图像后处理的鲁棒性较差。
块降维特征检测法：用各种方法比如离散小波分解(Discrete WaveletTransform,DWT)，二进小波变换(Dyadic Wavelet Transform,DyWT)等对图像进行降维，提高算法的检测效率。基于块将维特征表示的检测算法简单，检测方法易于实现，具有很好的检测效率，对噪声、有损压缩等图像后处理有较好的鲁棒性，对轻微高斯模糊也具有一定鲁棒性。但对几何变换等图像处理的鲁棒性较差。
(3)基于鲁棒特征检测算法：
尺度不变特征提取检测法：使用尺度不变特征变换(Scale Invariant FeatureTransform,SIFT)进行特征提取，再使用欧式距离方法进行特征匹配完成篡改区域的定位。
基于尺度不变特征的检测算法对经过几何变换和光照度调整的图像篡改具有较好的检测性能，同时对噪声、压缩等具有鲁棒性，但特征算子数据量多，检测需要较长时间，且特征匹配结果会有较多误配点；对具有大面积纹理平滑区域的图像具有较低的检测准确度。
矩特征提取检测法:通过计算中心矩实现用9个模糊不变量代表图像块方示，并将不变量作为向量存入矩阵中，然后利用主成分变换和K-d树搜索实现特征匹配，最后用欧式距离方法完成篡改区域的定位。
基于矩特征的检测算法对模糊等图像后处理操作具有较好鲁棒性，且对噪声、有损压缩等操作也有较好的检测性能。但此类算法的计算较复杂，且Hu矩和Zernike矩受噪声影响较大。
发明内容
本发明是为了解决传统检测方法难以准确且快速进行检测图像的复制粘贴篡改的问题，本发明提供了基于SIFT的图像复制粘贴篡改盲检方法。SIFT中文全称为:尺度不变特征变换，英文翻译为Scale Invariant Feature Transform。
基于SIFT的图像复制粘贴篡改盲检方法，该方法包括如下步骤：
步骤一、通过SIFT特征匹配算法从待检测图像I中提取特征点；
步骤二、根据特征点获得特征向量集合F；
其中，
F＝{f1，f2，……，fn}；
fi表示第i个特征点所对应的特征向量，i＝1,2，…n，n表示特征点的数量，n≥50；
步骤三、对特征向量集合F进行匹配，获得初步匹配的匹配点对集合；
步骤四、剔除初步匹配的匹配点对集合中的误匹配点，获得一次匹配点对集合B；
步骤五、剔除一次匹配点对集合B中的误匹配点，获得二次匹配点对集合，根据二次匹配点对集合在待检测图像I内进行图像绘制，其所获得的绘制区域表征图像复制粘贴篡改区域，从而完成对待检测图像I的检测。
优选的是，步骤二中，根据特征点获得特征向量的具体过程为：
对特征点进行Haar小波计算，获得特征向量。
优选的是，步骤三中，对特征向量进行匹配，获得初步匹配的匹配点对集合F的具体过程为：
步骤三一、计算初步匹配的匹配点对集合F中第1至第n-4个特征向量的欧式距离集合分别为D1，D2，……，Dn-5，Dn-4；
其中，
第1个特征向量的欧式距离集合D1的获得过程为，依次计算f1分别与f2、f3、f4……fn-1和fn做差，将获得的n-1个差值从小到大排序得到集合D1；第2个特征向量的欧式距离集合D2的获得过程为，依次计算f2分别与f3、f4……fn-1和fn做差，将获得的n-2个差值从小到大排序得到集合D2；
依据集合D1和集合D2的获得过程，至
第n-5个特征向量的欧式距离集合Dn-5的获得过程为，依次计算fn-5分别与fn-4、fn-3、fn-2、fn-1和fn做差，将获得的5个差值从小到大排序得到集合Dn-5；
第n-4个特征向量的欧式距离集合Dn-4的获得过程为，依次计算fn-4分别与fn-3、fn-2、fn-1和fn做差，将获得的4个差值从小到大排序得到集合Dn-4；
步骤三二、将设定阈值T分别与n-4个特征向量的欧式距离集合进行匹配，获得匹配成功的所有特征点对向量集合A，所述的匹配成功的所有特征点对向量集合A为初步匹配的匹配点对集合，从而完成了对初步匹配的匹配点对集合的获取。
优选的是，步骤三二中，将设定阈值T分别与n-4个特征向量的欧式距离集合进行匹配，获得匹配成功的所有特征点对向量集合A，所述的匹配成功的所有特征点对向量集合A为初步匹配的匹配点对集合，从而完成了对初步匹配的匹配点对集合的获取的具体过程为：
步骤三二一、令i的初始值为1；
步骤三二二、判断Tij和Ti(j+1)是否符合条件Tij≤T≤Ti(j+1)，
结果为是，则确定第i个特征向量fi分别与fi+1、fi+2……fj-1，fj匹配成功，并将获得匹配成功的特征点对向量加入集合A，且j＞i，j为整数；
结果为否，结束；
其中，
Tij表示集合Di中第j个差值dij与第j+1个差值di(j+1)的比值；
dij表示集合Di中的第j个差值；
步骤三二三、i＝i+1，判断i是否满足条件i≤n-4；
结果为是，执行步骤三二二；
结果为否，结束。
优选的是，步骤四中，剔除初步匹配的匹配点对集合中的误匹配点，获得一次匹配点对集合的具体过程为：
采用凝聚层次聚类方法剔除初步匹配的匹配点对集合中的误匹配点，获得一次匹配点对集合。
优选的是，步骤五中，剔除一次匹配点对集合B中的误匹配点，获得二次匹配点对集合的具体过程为：
步骤五一、将待检测图像I划分成P行Q列的网格，网格的数目为P×Q，每个网格的大小为G×G像素，3≤G≤20，G为整数；
其中，P为大于或等于12的整数，Q为大于或等于12的整数；
步骤五二、根据一次匹配点对集合B，找到所有特征点所对应的位置坐标，再将所有特征点的位置坐标所对应的像素值置1，将待检测图像I中所有非特征点的位置坐标的像素值置0；
步骤五三、计算第1至第P×Q个网格中，每个网格内所有像素值之和，判断每个网格中的所有像素值之和是否大于阈值X′，结果为是，则判定该网格中的所有特征点为正确特征点，并将该网格中正确特征点加入集合C1，结果为否，则判定该网格中的所有特征点为错误的特征点，将错误的特征点剔除，错误的特征点剔除不加入集合C1；
步骤五四，待检测图像I的位置保持不变，将网格沿x轴方向和y轴方向移动半格，计算第1至第P×Q个网格中，每个网格内所有像素值之和，判断每个网格中的所有像素值之和是否大于阈值X′，结果为是，则判定该网格中的所有特征点为正确特征点，并将该网格中正确特征点加入集合C2，结果为否，则判定该网格中的所有特征点为错误的特征点，将错误的特征点剔除，错误的特征点剔除不加入集合C2；
步骤五五，将步骤五三获得的所有网格中正确特征点所对应的集合C1与步骤五四获得的所有网格中正确特征点所对应的集合C2取并集，获得集合C′；
步骤五六，根据集合C′中所有正确的特征点，到一次匹配点对集合B中查找与集合C′中所有正确的特征点相关的特征点对向量，并从一次匹配点对集合B中查找到的与集合C′中所有正确的特征点相关的特征点对向量加入集合C，从而完成了对二次匹配点对集合的求取；
所述的集合C为二次匹配点对集合。
本发明带来的有益效果是，
1)步骤二中，特征矢量提取时减少了一半(64)的维度，为后面的匹配降低了时间复杂度。
2)整个盲检过程中，依次对初步匹配的匹配点对集合A进行两次剔除误匹配点，使得盲检结果更加的准确。
3)本说明步骤三中所使用的匹配方式，避免了传统2NN匹配方法的弊端，2NN匹配方法只能进行两个特征点之间的匹配，无法进行多个特征点的匹配，因此，2NN检测无法解决图像中多个区域发生复制粘贴篡改的问题。
4)本发明步骤三中所使用的匹配方法，可以检测任意数目的篡改，传统算法只能检测2个目标的图像复制粘贴篡改，使其能够更加准确的的对图像篡改问题进行鉴别。
5)步骤五中在剔除错误的特征点时使用匹配方法取代传统的K-D树算法和RANSAC算法，使匹配过程中时间复杂度从O(N)降为O(1)。
附图说明
图1为本发明所述的基于SIFT的图像复制粘贴篡改盲检方法的原理示意图。
图2为采用本发明基于SIFT的图像复制粘贴篡改盲检方法实现盲检的效果图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，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的前提下所获得的所有其它实施例，都属于本发明保护的范围。
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
下面结合附图和具体实施例对本发明作进一步说明，但不作为本发明的限定。
参见图1说明本实施方式，本实施方式所述的基于SIFT的图像复制粘贴篡改盲检方法，该方法包括如下步骤：
步骤一、通过SIFT特征匹配算法从待检测图像I中提取特征点；
步骤二、根据特征点获得特征向量集合F；
其中，
F＝{f1，f2，……，fn}；
fi表示第i个特征点所对应的特征向量，i＝1,2，…n，n表示特征点的数量，n≥50；
步骤三、对特征向量集合F进行匹配，获得初步匹配的匹配点对集合；
步骤四、剔除初步匹配的匹配点对集合中的误匹配点，获得一次匹配点对集合B；
步骤五、剔除一次匹配点对集合B中的误匹配点，获得二次匹配点对集合，根据二次匹配点对集合在待检测图像I内进行图像绘制，其所获得的绘制区域表征图像复制粘贴篡改区域，从而完成对待检测图像I的检测。
本实施方式，步骤二中，特征矢量提取时，提取的是特征向量，使得特征矢量提取时减少了一半(64)的维度，为后面的匹配降低了时间复杂度，提高盲检的速度。且相初步匹配的匹配点对集合A依次进行了两次剔除误匹配点，使得匹配的结果更加的准确，本发明的效果图参见图2。
优选的实施方式为，步骤二中，根据特征点获得特征向量的具体过程为：对特征点进行Haar小波计算，获得特征向量。
优选的实施方式为，步骤三中，对特征向量进行匹配，获得初步匹配的匹配点对集合F的具体过程为：
步骤三一、计算初步匹配的匹配点对集合F中第1至第n-4个特征向量的欧式距离集合分别为D1，D2，……，Dn-5，Dn-4；
其中，
第1个特征向量的欧式距离集合D1的获得过程为，依次计算f1分别与f2、f3、f4……fn-1和fn做差，将获得的n-1个差值从小到大排序得到集合D1；第2个特征向量的欧式距离集合D2的获得过程为，依次计算f2分别与f3、f4……fn-1和fn做差，将获得的n-2个差值从小到大排序得到集合D2；
依据集合D1和集合D2的获得过程，至
第n-5个特征向量的欧式距离集合Dn-5的获得过程为，依次计算fn-5分别与fn-4、fn-3、fn-2、fn-1和fn做差，将获得的5个差值从小到大排序得到集合Dn-5；
第n-4个特征向量的欧式距离集合Dn-4的获得过程为，依次计算fn-4分别与fn-3、fn-2、fn-1和fn做差，将获得的4个差值从小到大排序得到集合Dn-4；
步骤三二、将设定阈值T分别与n-4个特征向量的欧式距离集合进行匹配，获得匹配成功的所有特征点对向量集合A，所述的匹配成功的所有特征点对向量集合A为初步匹配的匹配点对集合，从而完成了对初步匹配的匹配点对集合的获取。
本优选实施方式中，特征点匹配是指在找出图像的关键点并提取不变特征之后,寻找图像间特征点的对应关系。通常采用最近邻方法,即在提取的关键点集合中查找每一个关键点与其他所有关键点特征矢量的最近邻。理想状态下，一幅图像中相同部分区域的特征点应该具有相同的特征矢量，所以相同部分区域的特征点具有特征向量欧氏距离集合中的最近欧氏距离。给定一个阈值，如果最近邻的欧几里得距离(d1)与关键点的比率以及第二近邻的欧几里得(d2)距离关键点小于阈值T，则确定该对特征矢量匹配。这意味着待检测的图像具有图像复制粘贴篡改伪造。这种方法有个显而易见的弊端：无法进行多个特征点的匹配。因此，2NN检测无法解决图像中多个区域发生复制粘贴篡改的问题，其中，2NN的英文全称为:2Nearest Neighborhood，中文翻译为:二近邻。
由于是对特征向量集合F进行提取，使其维度由128降为64维特征矢量，对应相同区域的特征点的特征矢量间的欧氏距离较小，对应不同区域的特征点的特征矢量间的欧氏距离较大。步骤三的检测的思路是：匹配的关键点间(2个或者多个)的欧式距离的比值小(比如小于0.6)，随机的关键点间(2个或者多个)的欧式距离的比值大(比如大于0.6)。对于集合D，依次计算Tij≤T≤Ti(j+1)，则可获得匹配成功的所有特征点对向量集合A。
优选的实施方式为，步骤三二中，将设定阈值T分别与n-4个特征向量的欧式距离集合进行匹配，获得匹配成功的所有特征点对向量集合A，所述的匹配成功的所有特征点对向量集合A为初步匹配的匹配点对集合，从而完成了对初步匹配的匹配点对集合的获取的具体过程为：
步骤三二一、令i的初始值为1；
步骤三二二、判断Tij和Ti(j+1)是否符合条件Tij≤T≤Ti(j+1)，
结果为是，则确定第i个特征向量fi分别与fi+1、fi+2……fj-1，fj匹配成功，并将获得匹配成功的特征点对向量加入集合A，且j＞i，j为整数；
结果为否，结束；
其中，
Tij表示集合Di中第j个差值dij与第j+1个差值di(j+1)的比值；
dij表示集合Di中的第j个差值；
步骤三二三、i＝i+1，判断i是否满足条件i≤n-4；
结果为是，执行步骤三二二；
结果为否，结束。
优选的实施方式为，步骤四中，剔除初步匹配的匹配点对集合中的误匹配点，获得一次匹配点对集合的具体过程为：
采用凝聚层次聚类方法剔除初步匹配的匹配点对集合中的误匹配点，获得一次匹配点对集合。
优选的实施方式为，步骤五中，剔除一次匹配点对集合B中的误匹配点，获得二次匹配点对集合的具体过程为：
步骤五一、将待检测图像I划分成P行Q列的网格，网格的数目为P×Q，每个网格的大小为G×G像素，3≤G≤20，G为整数；
其中，P为大于或等于12的整数，Q为大于或等于12的整数；
步骤五二、根据一次匹配点对集合B，找到所有特征点所对应的位置坐标，再将所有特征点的位置坐标所对应的像素值置1，将待检测图像I中所有非特征点的位置坐标的像素值置0；
步骤五三、计算第1至第P×Q个网格中，每个网格内所有像素值之和，判断每个网格中的所有像素值之和是否大于阈值X′，结果为是，则判定该网格中的所有特征点为正确特征点，并将该网格中正确特征点加入集合C1，结果为否，则判定该网格中的所有特征点为错误的特征点，将错误的特征点剔除，错误的特征点剔除不加入集合C1；
步骤五四，待检测图像I的位置保持不变，将网格沿x轴方向和y轴方向移动半格，计算第1至第P×Q个网格中，每个网格内所有像素值之和，判断每个网格中的所有像素值之和是否大于阈值X′，结果为是，则判定该网格中的所有特征点为正确特征点，并将该网格中正确特征点加入集合C2，结果为否，则判定该网格中的所有特征点为错误的特征点，将错误的特征点剔除，错误的特征点剔除不加入集合C2；
步骤五五，将步骤五三获得的所有网格中正确特征点所对应的集合C1与步骤五四获得的所有网格中正确特征点所对应的集合C2取并集，获得集合C′；
步骤五六，根据集合C′中所有正确的特征点，到一次匹配点对集合B中查找与集合C′中所有正确的特征点相关的特征点对向量，并从一次匹配点对集合B中查找到的与集合C′中所有正确的特征点相关的特征点对向量加入集合C，从而完成了对二次匹配点对集合的求取；
所述的集合C为二次匹配点对集合。
虽然在本文中参照了特定的实施方式来描述本发明，但是应该理解的是，这些实施例仅仅是本发明的原理和应用的示例。因此应该理解的是，可以对示例性的实施例进行许多修改，并且可以设计出其它的布置，只要不偏离所附权利要求所限定的本发明的精神和范围。应该理解的是，可以通过不同于原始权利要求所描述的方式来结合不同的从属权利要求和本文中所述的特征。还可以理解的是，结合单独实施例所描述的特征可以使用在其它所述实施例。
Claims (6)
1.基于SIFT的图像复制粘贴篡改盲检方法，其特征在于，该方法包括如下步骤：
步骤一、通过SIFT特征匹配算法从待检测图像I中提取特征点；
步骤二、根据特征点获得特征向量集合F；
其中，
F＝{f1，f2，……，fn}；
fi表示第i个特征点所对应的特征向量，i＝1,2，…n，n表示特征点的数量，n≥50；
步骤三、对特征向量集合F进行匹配，获得初步匹配的匹配点对集合；
步骤四、剔除初步匹配的匹配点对集合中的误匹配点，获得一次匹配点对集合B；
步骤五、剔除一次匹配点对集合B中的误匹配点，获得二次匹配点对集合，根据二次匹配点对集合在待检测图像I内进行图像绘制，其所获得的绘制区域表征图像复制粘贴篡改区域，从而完成对待检测图像I的检测。
2.根据权利要求1所述的基于SIFT的图像复制粘贴篡改盲检方法，其特征在于，步骤二中，根据特征点获得特征向量的具体过程为：
对特征点进行Haar小波计算，获得特征向量。
3.根据权利要求1所述的基于SIFT的图像复制粘贴篡改盲检方法，其特征在于，步骤三中，对特征向量进行匹配，获得初步匹配的匹配点对集合F的具体过程为：
步骤三一、计算初步匹配的匹配点对集合F中第1至第n-4个特征向量的欧式距离集合分别为D1，D2，……，Dn-5，Dn-4；
其中，
第1个特征向量的欧式距离集合D1的获得过程为，依次计算f1分别与f2、f3、f4……fn-1和fn做差，将获得的n-1个差值从小到大排序得到集合D1；
第2个特征向量的欧式距离集合D2的获得过程为，依次计算f2分别与f3、f4……fn-1和fn做差，将获得的n-2个差值从小到大排序得到集合D2；
依据集合D1和集合D2的获得过程，至
第n-5个特征向量的欧式距离集合Dn-5的获得过程为，依次计算fn-5分别与fn-4、fn-3、fn-2、fn-1和fn做差，将获得的5个差值从小到大排序得到集合Dn-5；
第n-4个特征向量的欧式距离集合Dn-4的获得过程为，依次计算fn-4分别与fn-3、fn-2、fn-1和fn做差，将获得的4个差值从小到大排序得到集合Dn-4；
步骤三二、将设定阈值T分别与n-4个特征向量的欧式距离集合进行匹配，获得匹配成功的所有特征点对向量集合A，所述的匹配成功的所有特征点对向量集合A为初步匹配的匹配点对集合，从而完成了对初步匹配的匹配点对集合的获取。
4.根据权利要求3所述的基于SIFT的图像复制粘贴篡改盲检方法，其特征在于，步骤三二中，将设定阈值T分别与n-4个特征向量的欧式距离集合进行匹配，获得匹配成功的所有特征点对向量集合A，所述的匹配成功的所有特征点对向量集合A为初步匹配的匹配点对集合，从而完成了对初步匹配的匹配点对集合的获取的具体过程为：
步骤三二一、令i的初始值为1；
步骤三二二、判断Tij和Ti(j+1)是否符合条件Tij≤T≤Ti(j+1)，
结果为是，则确定第i个特征向量fi分别与fi+1、fi+2……fj-1，fj匹配成功，并将获得匹配成功的特征点对向量加入集合A，且j＞i，j为整数；
结果为否，结束；
其中，
Tij表示集合Di中第j个差值dij与第j+1个差值di(j+1)的比值；
dij表示集合Di中的第j个差值；
步骤三二三、i＝i+1，判断i是否满足条件i≤n-4；
结果为是，执行步骤三二二；
结果为否，结束。
5.根据权利要求1所述的基于SIFT的图像复制粘贴篡改盲检方法，其特征在于，步骤四中，剔除初步匹配的匹配点对集合中的误匹配点，获得一次匹配点对集合的具体过程为：
采用凝聚层次聚类方法剔除初步匹配的匹配点对集合中的误匹配点，获得一次匹配点对集合。
6.根据权利要求1所述的基于SIFT的图像复制粘贴篡改盲检方法，其特征在于，步骤五中，剔除一次匹配点对集合B中的误匹配点，获得二次匹配点对集合的具体过程为：
步骤五一、将待检测图像I划分成P行Q列的网格，网格的数目为P×Q，每个网格的大小为G×G像素，3≤G≤20，G为整数；
其中，P为大于或等于12的整数，Q为大于或等于12的整数；
步骤五二、根据一次匹配点对集合B，找到所有特征点所对应的位置坐标，再将所有特征点的位置坐标所对应的像素值置1，将待检测图像I中所有非特征点的位置坐标的像素值置0；
步骤五三、计算第1至第P×Q个网格中，每个网格内所有像素值之和，判断每个网格中的所有像素值之和是否大于阈值X′，结果为是，则判定该网格中的所有特征点为正确特征点，并将该网格中正确特征点加入集合C1，结果为否，则判定该网格中的所有特征点为错误的特征点，将错误的特征点剔除，错误的特征点剔除不加入集合C1；
步骤五四，待检测图像I的位置保持不变，将网格沿x轴方向和y轴方向移动半格，计算第1至第P×Q个网格中，每个网格内所有像素值之和，判断每个网格中的所有像素值之和是否大于阈值X′，结果为是，则判定该网格中的所有特征点为正确特征点，并将该网格中正确特征点加入集合C2，结果为否，则判定该网格中的所有特征点为错误的特征点，将错误的特征点剔除，错误的特征点剔除不加入集合C2；
步骤五五，将步骤五三获得的所有网格中正确特征点所对应的集合C1与步骤五四获得的所有网格中正确特征点所对应的集合C2取并集，获得集合C′；
步骤五六，根据集合C′中所有正确的特征点，到一次匹配点对集合B中查找与集合C′中所有正确的特征点相关的特征点对向量，并从一次匹配点对集合B中查找到的与集合C′中所有正确的特征点相关的特征点对向量加入集合C，从而完成了对二次匹配点对集合的求取；
所述的集合C为二次匹配点对集合。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910420006.7A CN110147800A (zh) | 2019-05-20 | 2019-05-20 | 基于sift的图像复制粘贴篡改盲检方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910420006.7A CN110147800A (zh) | 2019-05-20 | 2019-05-20 | 基于sift的图像复制粘贴篡改盲检方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110147800A true CN110147800A (zh) | 2019-08-20 |
Family
ID=67592275
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910420006.7A Withdrawn CN110147800A (zh) | 2019-05-20 | 2019-05-20 | 基于sift的图像复制粘贴篡改盲检方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110147800A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111767956A (zh) * | 2020-06-30 | 2020-10-13 | 苏州科达科技股份有限公司 | 图像篡改检测方法、电子设备、存储介质 |
| CN111881938A (zh) * | 2020-06-24 | 2020-11-03 | 广西大学 | 一种基于盲取证技术的图像真伪鉴别的方法 |
| WO2022062343A1 (zh) * | 2020-09-28 | 2022-03-31 | 苏州科达科技股份有限公司 | 图像移除篡改盲检测方法、系统、设备及存储介质 |
| CN117392760A (zh) * | 2023-12-12 | 2024-01-12 | 河海大学 | 一种基于折半交叉网络的健康指导方法和系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101706944A (zh) * | 2009-11-03 | 2010-05-12 | 上海大学 | 基于量化表估计的检测jpeg图像篡改的方法 |
| CN104616297A (zh) * | 2015-01-26 | 2015-05-13 | 山东省计算中心（国家超级计算济南中心） | 一种用于图像篡改取证的改进型sift算法 |
| CN104616276A (zh) * | 2013-11-04 | 2015-05-13 | 沈阳工大普日软件技术有限公司 | 数字图像篡改盲检测系统 |
| IN2013MU03129A (zh) * | 2013-10-01 | 2015-07-17 | Kulkarni Vaishali Shrinivas Mrs | |
| CN106600598A (zh) * | 2016-12-22 | 2017-04-26 | 辽宁师范大学 | 基于局部网格匹配的彩色图像篡改检测方法 |
-
2019
- 2019-05-20 CN CN201910420006.7A patent/CN110147800A/zh not_active Withdrawn
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101706944A (zh) * | 2009-11-03 | 2010-05-12 | 上海大学 | 基于量化表估计的检测jpeg图像篡改的方法 |
| IN2013MU03129A (zh) * | 2013-10-01 | 2015-07-17 | Kulkarni Vaishali Shrinivas Mrs | |
| CN104616276A (zh) * | 2013-11-04 | 2015-05-13 | 沈阳工大普日软件技术有限公司 | 数字图像篡改盲检测系统 |
| CN104616297A (zh) * | 2015-01-26 | 2015-05-13 | 山东省计算中心（国家超级计算济南中心） | 一种用于图像篡改取证的改进型sift算法 |
| CN106600598A (zh) * | 2016-12-22 | 2017-04-26 | 辽宁师范大学 | 基于局部网格匹配的彩色图像篡改检测方法 |
Non-Patent Citations (4)
| Title |
|---|
| IRENE AMERINI 等: "A SIFT-based forensic method for copy-move attack detection and transformation recovery", 《IEEE TRANSACTIONS ON INFORMATION FORENSICS AND SECURITY》 * |
| JIAWANG BIAN 等: "GMS: Grid-Based Motion Statistics for Fast, Ultra-Robust Feature Correspondence", 《2017 IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION (CVPR)》 * |
| YIGANG ZHOU 等: "Copy-move forgery detection using improved SIFT", 《EIGHTH INTERNATIONAL CONFERENCE ON DIGITAL IMAGE PROCESSING (ICDIP)》 * |
| 骆伟祺 等: "鲁棒的区域复制图像篡改检测技术", 《计算机学报》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111881938A (zh) * | 2020-06-24 | 2020-11-03 | 广西大学 | 一种基于盲取证技术的图像真伪鉴别的方法 |
| CN111881938B (zh) * | 2020-06-24 | 2022-07-12 | 广西大学 | 一种基于盲取证技术的图像真伪鉴别的方法 |
| CN111767956A (zh) * | 2020-06-30 | 2020-10-13 | 苏州科达科技股份有限公司 | 图像篡改检测方法、电子设备、存储介质 |
| WO2022062343A1 (zh) * | 2020-09-28 | 2022-03-31 | 苏州科达科技股份有限公司 | 图像移除篡改盲检测方法、系统、设备及存储介质 |
| CN117392760A (zh) * | 2023-12-12 | 2024-01-12 | 河海大学 | 一种基于折半交叉网络的健康指导方法和系统 |
| CN117392760B (zh) * | 2023-12-12 | 2024-04-23 | 河海大学 | 一种基于折半交叉网络的健康指导方法和系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Lee | Copy-move image forgery detection based on Gabor magnitude | |
| Al-Qershi et al. | Passive detection of copy-move forgery in digital images: State-of-the-art | |
| CN110147800A (zh) | 基于sift的图像复制粘贴篡改盲检方法 | |
| Jaiprakash et al. | Low dimensional DCT and DWT feature based model for detection of image splicing and copy-move forgery | |
| Muhammad et al. | Copy-move forgery detection using dyadic wavelet transform | |
| Abidin et al. | Copy-move image forgery detection using deep learning methods: a review | |
| Wang et al. | LBP-SVD based copy move forgery detection algorithm | |
| Yeap et al. | Image forensic for digital image copy move forgery detection | |
| Dua et al. | Detection and localization of forgery using statistics of DCT and Fourier components | |
| Alamro et al. | Copy-move forgery detection using integrated DWT and SURF | |
| Liu et al. | Improved SIFT-based copy-move detection using BFSN clustering and CFA features | |
| 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 | |
| Das et al. | A robust method for detecting copy-move image forgery using stationary wavelet transform and scale invariant feature transform | |
| Amiri et al. | Copy-Move Forgery Detection by an Optimal Keypoint on SIFT (OKSIFT) Method. | |
| Soni et al. | Image forensic using block-based copy-move forgery detection | |
| CN111881938B (zh) | 一种基于盲取证技术的图像真伪鉴别的方法 | |
| Panzade et al. | Copy-move forgery detection by using HSV preprocessing and keypoint extraction | |
| Dixit et al. | Copy-move image forgery detection a review | |
| Yohannan et al. | Detection of copy-move forgery based on Gabor filter | |
| Ustubioglu et al. | A novel keypoint based forgery detection method based on local phase quantization and SIFT | |
| Soni et al. | Dual System for Copy-move Forgery Detection using Block-based LBP-HF and FWHT Features. | |
| Du et al. | Image copy-move forgery detection based on SIFT-BRISK | |
| Sulaiman et al. | Image tampering detection using extreme learning machine | |
| Ahmed et al. | Blind copy-move forgery detection using SVD and KS test | |
| Kurien et al. | Accurate and efficient copy-move forgery detection |
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 | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20190820 |