CN110210489A - 基于arma模型和数对直方图的中值滤波取证识别方法 - Google Patents
基于arma模型和数对直方图的中值滤波取证识别方法 Download PDFInfo
- Publication number
- CN110210489A CN110210489A CN201910438620.6A CN201910438620A CN110210489A CN 110210489 A CN110210489 A CN 110210489A CN 201910438620 A CN201910438620 A CN 201910438620A CN 110210489 A CN110210489 A CN 110210489A
- Authority
- CN
- China
- Prior art keywords
- median filtering
- image
- images
- histogram
- evidence obtaining
- 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.)
- Pending
Links
- 238000001914 filtration Methods 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 21
- 241001123248 Arma Species 0.000 title claims abstract description 17
- 238000012360 testing method Methods 0.000 claims abstract description 12
- 238000010008 shearing Methods 0.000 claims abstract description 7
- 230000006835 compression Effects 0.000 claims abstract description 3
- 238000007906 compression Methods 0.000 claims abstract description 3
- 239000011159 matrix material Substances 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 4
- 238000003491 array Methods 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 235000013399 edible fruits Nutrition 0.000 claims 1
- 238000001514 detection method Methods 0.000 abstract description 4
- 239000003814 drug Substances 0.000 abstract description 2
- 238000009510 drug design Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 5
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000005315 distribution function Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 206010000234 Abortion spontaneous Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005242 forging Methods 0.000 description 1
- 208000015994 miscarriage Diseases 0.000 description 1
- 238000000682 scanning probe acoustic microscopy Methods 0.000 description 1
- 208000000995 spontaneous abortion Diseases 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise 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
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了基于ARMA模型和数对直方图的中值滤波取证识别方法，首先进行不同图像大小的剪切，形成大小为32×32，64×64以及128×128的图像块，而后，对这些图像块进行3×3和5×5的中值滤波，3×3的均值滤波以及标准差为0.5的高斯滤波，而后，为了测试算法的鲁棒性，将上述这些生成的图像进行压缩因子为70的JPEG压缩，最后，测试算法在这些中值滤波图像和其他图像上的识别性能，本发明设计合理，利用数对直方图和自回归滑动平均模型的系数特征实现了对中值滤波图像的检测识别，算法具有良好的性能和鲁棒性，能有效地应用医学、新闻媒体、司法鉴定、保险理赔、军事等真实性要求较高的图像认证中。
Description
技术领域
本发明涉及图形处理的技术的领域，具体涉及ARMA模型和数对直方图特征的中值滤波取证识别方法。
背景技术
随着网络技术和软件技术的快速发展，数字图像的生成已经变得非常简单和快捷，因此，图像的安全变得非常重要，如果伪造的图像用于舆论宣传、司法认证等重要领域，将会误导视听，造成司法不公，所以，如何识别真实的和伪造的图像是一个日益重要的研究课题。
由于中值滤波可以用于图像的美化和去噪，因此，中值滤波被广泛应用于图像处理，而人们对中值滤波的取证识别也进行了大量的研究，提出了多种识别方法。其中，Kirchner et al.提出了基于减法像素邻接矩阵(subtractive pixel adjacent matrix，SPAM)的中值滤波识别方。Yuan等人提出了基于中值滤波取证特征(median filteringforensics，MFF)集的识别方法。Chen等提出了基于融合累积分布函数(cumulativedistribution function，CDF)和局部相关特征(local correlation feature set,LCF)的GLF特征的中值滤波识别方法。Zhang等人利用220维的二阶LTP(local ternary patterns)模式特征对中值滤波进行了识别研究。Niu等人则提出了基于局部差数算子(localdifference descriptor，LDD)特征的中值滤波识别方法。此外，最近,Kang等人利用一阶自回归模型(one-dimensional autoregressive model(1D-AR)系数特征实现了中值滤波的识别。Yang等人通过计算滤波残差上的二阶自回归模型(one-dimensionalautoregressive model(2D-AR)系数特征实现了中值滤波的识别。为了利用频域特征进行中值滤波的识别，Liu等人提出了基于频域环形累积点(annular accumulated points，AAP)的中值滤波识别方法。
上述这些方法在中值滤波取证识别方法取得了良好的效果。现有的一些技术虽然运算量小，但是识别性能低，具有一定的可提升的空间。为了提高识别性能，我们提出了一种高性能的中值滤波取证识别技术，并在UCID、BOWS2、DID、BOSS和NRCS等典型数据库上进行了测试。
发明内容
本发明的目的是为解决上述不足，提供ARMA模型和数对直方图特征的中值滤波取证识别方法。
本发明的目的是通过以下技术方案实现的：
ARMA模型和数对直方图特征的中值滤波取证识别方法，具体步骤如下：(1)对数据集UCID、BOWS2、BOSS、DID以及NRCS分别进行不同图像大小的剪切，形成大小为32×32，64×64以及128×128的图像块，形成多个不同的数据集合；(2)对每个数据集合中的图像进行特征提取：对剪切后的图像块进行3×3和5×5的中值滤波，3×3的均值滤波以及标准差为0.5的高斯滤波；然后测试算法的鲁棒性，将上述这些生成的图像进行压缩因子为70的JPEG压缩；最后，测试算法在这些中值滤波图像和其他图像上的识别性能，得到识别结果。
对每个数据集合中的图像进行特征提取具体如下：(a)假定图像的矩阵为D，则计算如下的四个差数图像矩阵：
(b)计算每个矩阵的ARMA特征；(c)计算数对直方图特征(d)将生成的数对直方图特征和ARMA特征融合成为一个特征向量。
测试算法在这些中值滤波图像和其他图像上的识别性能采用支持向量机对原始图像(均值滤波和高斯滤波)的特征和中值滤波图像的特征进行取证识别。
中值滤波图像和其他图像上的识别性能采用进行图片性能识别，其中Pfp和Pfn分别为正向错误识别率和负向错误识别零，显然，Pe越小性能越好。
本发明具有如下有益的效果：
本发明设计合理，利用数对直方图和自回归滑动平均模型的系数特征实现了对中值滤波图像的检测识别，算法具有良好的性能和鲁棒性，能有效地应用医学、新闻媒体、司法鉴定、保险理赔、军事等真实性要求较高的图像认证中。
附图说明
图1为本发明的特征提取流程图；
图2为本发明的局部篡改识别结果图，(a)：第一幅原始图像；(b)：第二幅原始图像；(c)：由(b)粘贴滤波后的局部到(a)进行的篡改；(d)：篡改识别的部分。
具体实施方式
下面结合附图对本发明作进一步的说明：
如图1和图2所示，ARMA模型和数对直方图特征的中值滤波取证识别方法，具体步骤如下：(1)对数据集UCID、BOWS2、BOSS、DID以及NRCS分别进行不同图像大小的剪切，形成大小为32×32，64×64以及128×128的图像块，形成多个不同的数据集合；(2)对每个数据集合中的图像进行特征提取：对剪切后的图像块进行3×3和5×5的中值滤波，3×3的均值滤波以及标准差为0.5的高斯滤波；然后测试算法的鲁棒性，将上述这些生成的图像进行压缩因子为70的JPEG压缩；最后，测试算法在这些中值滤波图像和其他图像上的识别性能，得到识别结果。
对每个数据集合中的图像进行特征提取具体如下：(a)假定图像的矩阵为D，则计算如下的四个差数图像矩阵：
(b)计算每个矩阵的ARMA特征；(c)计算数对直方图特征(d)将生成的数对直方图特征和ARMA特征融合成为一个特征向量。
测试算法在这些中值滤波图像和其他图像上的识别性能采用支持向量机对原始图像(均值滤波和高斯滤波)的特征和中值滤波图像的特征进行取证识别。
中值滤波图像和其他图像上的识别性能采用进行图片性能识别，其中Pfp和Pfn分别为正向错误识别率和负向错误识别零，显然，Pe越小性能越好。识别结果见表1，表2和表3。
表1算法在UCID数据库上的识别性能及其和其他算法的比较(黑体标注的是性能最好的结果)
表2算法在UCID、DID和BOWS2数据库上的识别性能及其和其他算法的比较(黑体标注的是性能最好的结果)
表3算法在BOSS、NRCS和BOWS2数据库上的识别性能及其和2D-AR的比较(黑体标注的是性能最好的结果)
以上所述，实施方式仅仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明技术的精神的前提下，本领域工程技术人员对本发明的技术方案作出的各种变形和改进，均应落入本发明的权利要求书确定的保护范围内。
Claims (4)
1.基于ARMA模型和数对直方图的中值滤波取证识别方法，其特征在于：具体步骤如下：(1)对数据集UCID、BOWS2、BOSS、DID以及NRCS分别进行不同图像大小的剪切，形成大小为32×32，64×64以及128×128的图像块，形成多个不同的数据集合；(2)对每个数据集合中的图像进行特征提取：对剪切后的图像块进行3×3和5×5的中值滤波，3×3的均值滤波以及标准差为0.5的高斯滤波；然后测试算法的鲁棒性，将上述这些生成的图像进行压缩因子为70的JPEG压缩；最后，测试算法在这些中值滤波图像和其他图像上的识别性能，得到识别结果。
2.根据权利要求1所述的ARMA模型和数对直方图特征的中值滤波取证识别方法，其特征在于：所述的对每个数据集合中的图像进行特征提取具体如下：(a)假定图像的矩阵为D，则计算如下的四个差数图像矩阵：
(b)计算每个矩阵的ARMA特征；(c)计算数对直方图特征(d)将生成的数对直方图特征和ARMA特征融合成为一个特征向量。
3.根据权利要求1所述的ARMA模型和数对直方图特征的中值滤波取证识别方法，其特征在于：所述的测试算法在这些中值滤波图像和其他图像上的识别性能采用支持向量机对原始图像(均值滤波和高斯滤波)的特征和中值滤波图像的特征进行取证识别。
4.根据权利要求1所述的ARMA模型和数对直方图特征的中值滤波取证识别方法，其特征在于：所述的中值滤波图像和其他图像上的识别性能采用进行图片性能识别，其中Pfp和Pfn分别为正向错误识别率和负向错误识别零，显然，Pe越小性能越好。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910438620.6A CN110210489A (zh) | 2019-05-24 | 2019-05-24 | 基于arma模型和数对直方图的中值滤波取证识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910438620.6A CN110210489A (zh) | 2019-05-24 | 2019-05-24 | 基于arma模型和数对直方图的中值滤波取证识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110210489A true CN110210489A (zh) | 2019-09-06 |
Family
ID=67788548
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910438620.6A Pending CN110210489A (zh) | 2019-05-24 | 2019-05-24 | 基于arma模型和数对直方图的中值滤波取证识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110210489A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111383226A (zh) * | 2020-03-30 | 2020-07-07 | 西安理工大学 | 基于局部二值模式的图像中值滤波区分方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105868778A (zh) * | 2016-03-28 | 2016-08-17 | 天津大学 | 一种基于频域波动特征的中值滤波检测方法 |
-
2019
- 2019-05-24 CN CN201910438620.6A patent/CN110210489A/zh active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105868778A (zh) * | 2016-03-28 | 2016-08-17 | 天津大学 | 一种基于频域波动特征的中值滤波检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| ABHINAV GUPTA: "Analytical Global Median Filtering Forensics Based", 《ACM TRANS. MULTIMEDIA COMPUT. COMMUN.》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111383226A (zh) * | 2020-03-30 | 2020-07-07 | 西安理工大学 | 基于局部二值模式的图像中值滤波区分方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Mushtaq et al. | Digital image forgeries and passive image authentication techniques: a survey | |
| Hussain et al. | Evaluation of image forgery detection using multi-scale weber local descriptors | |
| CN102609948B (zh) | 一种针对复制粘贴篡改的数码照片伪造检测方法 | |
| Saleh et al. | Evaluation of image forgery detection using multi-scale weber local descriptors | |
| Armas Vega et al. | Copy-move forgery detection technique based on discrete cosine transform blocks features | |
| Murali et al. | Comparision and analysis of photo image forgery detection techniques | |
| CN103839083B (zh) | 一种jpeg图片量化表篡改的检测方法 | |
| CN110457996B (zh) | 基于vgg-11卷积神经网络的视频运动对象篡改取证方法 | |
| CN102693522A (zh) | 一种彩色图像区域复制篡改检测方法 | |
| Ulutas et al. | A new copy move forgery detection method resistant to object removal with uniform background forgery | |
| AlSawadi et al. | Copy-move image forgery detection using local binary pattern and neighborhood clustering | |
| CN112215780B (zh) | 基于类特征修复融合的图像取证对抗性攻击防御方法 | |
| Muhammad et al. | A non-intrusive method for copy-move forgery detection | |
| Peng et al. | Median filtering forensics using multiple models in residual domain | |
| Dixit et al. | Copy-move forgery detection exploiting statistical image features | |
| Xiao et al. | Securing the socio-cyber world: Multiorder attribute node association classification for manipulated media | |
| Trung et al. | Blind inpainting forgery detection | |
| Flor et al. | PRNU-based source camera identification for multimedia forensics | |
| Zhang et al. | Image splicing localization using noise distribution characteristic | |
| CN110210489A (zh) | 基于arma模型和数对直方图的中值滤波取证识别方法 | |
| CN103903271A (zh) | 一种针对自然图像和基于dwt压缩篡改图像的图像的取证方法 | |
| Wang et al. | Structure-priority image restoration through genetic algorithm optimization | |
| Gupta et al. | A simplistic global median filtering forensics based on frequency domain analysis of image residuals | |
| CN105868778A (zh) | 一种基于频域波动特征的中值滤波检测方法 | |
| Zhang et al. | Image splicing detection scheme based on error level analysis and local binary pattern |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190906 |