CN110428402B - 图像篡改识别方法、装置、计算机设备及存储介质 - Google Patents

图像篡改识别方法、装置、计算机设备及存储介质 Download PDF

Info

Publication number
CN110428402B
CN110428402B CN201910649072.1A CN201910649072A CN110428402B CN 110428402 B CN110428402 B CN 110428402B CN 201910649072 A CN201910649072 A CN 201910649072A CN 110428402 B CN110428402 B CN 110428402B
Authority
CN
China
Prior art keywords
image
filtering
sub
sample set
band
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.)
Active
Application number
CN201910649072.1A
Other languages
English (en)
Other versions
CN110428402A (zh
Inventor
谭峻峰
侯全心
张小可
陈俊臣
杜海华
陈姝
陈默
常丹丹
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.)
Digital Guangdong Network Construction Co Ltd
Original Assignee
Digital Guangdong Network Construction Co Ltd
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 Digital Guangdong Network Construction Co Ltd filed Critical Digital Guangdong Network Construction Co Ltd
Priority to CN201910649072.1A priority Critical patent/CN110428402B/zh
Publication of CN110428402A publication Critical patent/CN110428402A/zh
Application granted granted Critical
Publication of CN110428402B publication Critical patent/CN110428402B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • 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
    • G06T2207/20024—Filtering details
    • 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
    • G06T2207/20024—Filtering details
    • G06T2207/20032—Median filtering
    • 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)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本申请涉及一种图像篡改识别方法、图像平滑滤波检测建模方法、图像中值滤波窗口检测建模方法、图像篡改识别装置、图像平滑滤波检测建模装置、图像中值滤波窗口检测建模装置、计算机设备和存储介质。所述图像篡改识别方法包括：获取待检测图像；将待检测图像输入第一平滑滤波检测模型；第一平滑滤波检测模型基于未滤波样本集、中值滤波样本集、均值滤波样本集以及高斯滤波样本集训练得到；根据第一平滑滤波检测模型的检测结果，识别待检测图像是否经平滑滤波篡改及平滑滤波方式。采用本方法能够使得图像篡改检测和识别结果更为全面和高效，准确度高；同时，基于机器学习算法使得图像篡改识别具有更为严密的理论基础，易于实现，实用性和可行性强。

Description

图像篡改识别方法、装置、计算机设备及存储介质
技术领域
本申请涉及图像检测技术领域，特别是涉及一种图像篡改识别方法、图像平滑滤波检测建模方法、图像中值滤波窗口检测建模方法、图像篡改识别装置、图像平滑滤波检测建模装置、图像中值滤波窗口检测建模装置、计算机设备和计算机可读存储介质。
背景技术
数字图像，是由模拟图像数字化得到的、以像素为基本元素的、可以用数字计算机或数字电路存储和处理的图像；近年来，数字图像成为了人们日常生活中最常用的一种信息媒介。随着Photoshop(PS)等图像编辑软件的普及，图像篡改变得十分容易。虽然互联网上广泛传播的被篡改图片大多用于娱乐，影响较小，但在司法、医学、新闻业和出版业等专业领域，图像的真实性和完整性需要得到绝对的保证；故而，用于识别图像来源、确认图像完整性和真实性、预测图像篡改历史的数字图像被动取证技术应运而生。相比图像主动取证技术，图像被动取证技术可以对任意数码成像设备获取的图像进行检测，而无需在待检测图像被篡改前预先嵌入额外信息(水印)，因此应用范围更为广泛。
为了掩盖篡改的痕迹，使其难以被肉眼及常见的取证检测器检测到，图像篡改者通常会对篡改图像进行平滑滤波(中值滤波、均值滤波或高斯滤波)的后处理；针对平滑滤波进行检测，可以有效地揭示图像的篡改历史。
目前，平滑滤波检测方法主要针对于中值滤波，例如，计算相邻像素完全相等的概率，然后根据人工选择的阈值判断是否经过中值滤波；或者，计算待检测图像中值滤波的残差，再从残差图像中计算空域特征，并利用统计分类器进行判断。然而，除了中值滤波，均值滤波和高斯滤波也是较为常见的平滑滤波操作，但目前的研究工作基本没有涉及后两类滤波，致使平滑滤波的检测方法不够全面，理论基础薄弱，且图像篡改识别准确度低，难度大。
发明内容
基于此，有必要针对上述技术问题，提供一种图像篡改识别方法、图像平滑滤波检测建模方法、图像中值滤波窗口检测建模方法、图像篡改识别装置、图像平滑滤波检测建模装置、图像中值滤波窗口检测建模装置、计算机设备和计算机可读存储介质。
一方面，本发明实施例提供一种图像平滑滤波检测建模方法，所述方法包括：
获取待检测图像；
将所述待检测图像输入第一平滑滤波检测模型；所述第一平滑滤波检测模型基于未滤波样本集、中值滤波样本集、均值滤波样本集以及高斯滤波样本集训练得到；
根据所述第一平滑滤波检测模型的检测结果，识别所述待检测图像是否经平滑滤波篡改及平滑滤波方式。
另一方面，本发明实施例提供一种图像平滑滤波检测建模方法，所述方法包括：
构建未滤波样本集、中值滤波样本集、均值滤波样本集以及高斯滤波样本集；
分别从所述未滤波样本集、所述中值滤波样本集、所述均值滤波样本集以及所述高斯滤波样本集中获取第一待训练样本；
提取所述第一待训练样本的频谱特征；
将所述第一待训练样本的频谱特征输入第一原始分类模型进行训练，以构建第一平滑滤波检测模型；所述第一平滑滤波检测模型用于检测图像是否经平滑滤波篡改及平滑滤波方式。
再一方面，本发明实施例提供一种图像中值滤波窗口检测建模方法，所述方法包括：
构建中值滤波样本集；
从所述中值滤波样本子集中获取第二待训练样本；
提取所述第二待训练样本的频谱特征；
将所述第二待训练样本的频谱特征输入第二原始分类模型进行训练，以构建第二平滑滤波检测模型；所述第二平滑滤波检测模型用于估计图像经中值滤波篡改的窗口规格。
再一方面，本发明实施例提供一种图像篡改识别装置，所述装置包括：
图像获取模块，用于获取待检测图像；
训练模块，用于将所述待检测图像输入第一平滑滤波检测模型；所述第一平滑滤波检测模型基于未滤波样本集、中值滤波样本集、均值滤波样本集以及高斯滤波样本集训练得到；
识别模块，用于根据所述第一平滑滤波检测模型的检测结果，识别所述待检测图像是否经平滑滤波篡改及平滑滤波方式。
再一方面，本发明实施例提供一种图像平滑滤波检测建模装置，所述装置包括：
第一样本集构建模块，用于构建未滤波样本集、中值滤波样本集、均值滤波样本集以及高斯滤波样本集；
第一样本获取模块，用于分别从所述未滤波样本集、所述中值滤波样本集、所述均值滤波样本集以及所述高斯滤波样本集中获取第一待训练样本；
第一特征提取模块，用于提取所述第一待训练样本的频谱特征；
第一模型构建模块，用于将所述第一待训练样本的频谱特征输入第一原始分类模型进行训练，以构建第一平滑滤波检测模型；所述第一平滑滤波检测模型用于检测图像是否经平滑滤波篡改及平滑滤波方式。
再一方面，本发明实施例提供一种图像中值滤波窗口检测建模装置，所述装置包括：
第二样本集构建模块，用于构建中值滤波样本集；
第二样本获取模块，用于从所述中值滤波样本子集中获取第二待训练样本；
第二特征提取模块，用于提取所述第二待训练样本的频谱特征；
第二模型构建模块，用于将所述第二待训练样本的频谱特征输入第二原始分类模型进行训练，以构建第二平滑滤波检测模型；所述第二平滑滤波检测模型用于估计图像经中值滤波篡改的窗口规格。
再一方面，本发明实施例提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述的图像篡改识别、图像平滑滤波检测建模，或图像中值滤波窗口检测建模方法的步骤。
再一方面，本发明实施例提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的图像篡改识别、图像平滑滤波检测建模，或图像中值滤波窗口检测建模方法的步骤。
上述技术方案中的一个技术方案具有如下优点或有益效果：该方案在获取待检测图像后，将待检测图像输入第一平滑滤波检测模型，其中，第一平滑滤波检测模型基于未滤波样本集、中值滤波样本集、均值滤波样本集以及高斯滤波样本集训练得到，这样，即可根据第一平滑滤波检测模型的检测结果，识别待检测图像是否经平滑滤波篡改，若经平滑滤波篡改，也可检测到是具体的平滑滤波方式为中值滤波、均值滤波或高斯滤波，因而，图像篡改检测和识别结果更为全面和高效，准确度高；同时，基于机器学习算法使得图像篡改识别具有更为严密的理论基础，易于实现，实用性和可行性强。
附图说明
图1为一个实施例中图像篡改识别方法的示意性流程图；
图2为一个实施例中图像平滑滤波检测建模方法的示意性流程图；
图3为一个实施例中图像中值滤波窗口检测建模方法的示意性流程图；
图4为一个实施例中图像篡改识别方法、图像平滑滤波检测建模方法、图像中值滤波窗口检测建模方法的示意性流程图；
图5为一个实施例中图像篡改识别装置的示意性结构图；
图6为一个实施例中图像平滑滤波检测建模装置的示意性结构图；
图7为一个实施例中图像中值滤波窗口检测建模装置的示意性结构图；
图8为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
在一个实施例中，如图1所示，提供了一种图像篡改识别方法，包括以下步骤：
S102，获取待检测图像。
其中，所获取的待检测图像，可以是用户使用电子设备(具有拍照功能)进行拍照，获取得到的图像，也可以是保存在电子设备、存储设备或网络上的照片，具体不作限定。
待检测图像指的是需要进行篡改识别的图像，既可以是包含多张照片的一个照片集，也可以是一张照片。
待检测图像的格式、大小、场景要素等均不作具体限定；其包含的场景要素可为至少一个，例如风景、海滩、蓝天、绿草、雪景、夜景、黑暗、背光、日出/日落、烟火、聚光灯、室内、远距、微距、文本文档、人像、婴儿、猫、狗、美食等。当然，以上并不是穷举，还包含很多其他类别的场景要素。
S104，将待检测图像输入第一平滑滤波检测模型；第一平滑滤波检测模型基于未滤波样本集、中值滤波样本集、均值滤波样本集以及高斯滤波样本集训练得到。
第一平滑滤波检测模型的各个样本集中，包含有经过对应篡改处理的图像样本数据，用于对第一平滑滤波检测模型的初始模型(初始模型是预先建立的、未经参数调整的模型，第一平滑滤波检测模型是初始模型经过训练后，最终得到的模型)进行训练；例如，未滤波样本集即未经过任何滤波篡改处理的图像数据集，中值滤波样本集即经过中值滤波篡改处理的图像数据集，均值滤波样本集即经过均值滤波篡改处理的图像数据集，高斯滤波样本集即经过高斯滤波篡改处理的图像数据集。
需要说明的是，第一平滑滤波检测模型的训练样本集，可以由诺丁汉特伦特大学(Nottingham Trent University)提供的UCID数据库和美国农业部自然资源保护局(USDANatural Resources Conservation Service)提供的NRCS数据库中的图像制成；当然，也可以由其他数据库中的图像制成，具体可根据实际情况进行设定。
S106，根据第一平滑滤波检测模型的检测结果，识别待检测图像是否经平滑滤波篡改及平滑滤波方式。
应当指出的是，本步骤中的平滑滤波检测模型的检测结果，可包括是否经平滑滤波篡改及平滑滤波方式；具体地，检测结果可为未经过平滑滤波篡改、经过平滑滤波篡改且平滑滤波方式为中值滤波、经过平滑滤波篡改且平滑滤波方式为均值滤波、经过平滑滤波篡改且平滑滤波方式为高斯滤波。
本发明实施例中，执行主体可为图像篡改识别设备或装置，具体可为数字信号处理器、各类终端(手机、平板电脑、台式电脑、笔记本电脑、可穿戴设备等)、服务器、客户端或云智能终端等，当然也可根据实际情况进行选择和变更。
实施例的图像篡改识别方法中，在获取到待检测图像后，将待检测图像输入第一平滑滤波检测模型，其中，第一平滑滤波检测模型基于未滤波样本集、中值滤波样本集、均值滤波样本集以及高斯滤波样本集训练得到，这样，即可根据第一平滑滤波检测模型的检测结果，识别待检测图像是否经平滑滤波篡改，若经平滑滤波篡改，也可检测到是具体的平滑滤波方式为中值滤波、均值滤波或高斯滤波，因而，图像篡改检测和识别结果更为全面和高效，准确度高；同时，基于机器学习算法使得图像篡改识别具有更为严密的理论基础，易于实现，实用性和可行性强。
在一些实施例中，S104中的第一平滑滤波检测模型的构建步骤，包括：构建未滤波样本集、中值滤波样本集、均值滤波样本集以及高斯滤波样本集；分别从未滤波样本集、中值滤波样本集、均值滤波样本集以及高斯滤波样本集中获取第一待训练样本；提取第一待训练样本的频谱特征；将第一待训练样本的频谱特征输入第一原始分类模型进行训练，以构建第一平滑滤波检测模型。
其中，中值滤波样本集、均值滤波样本集以及高斯滤波样本集的构建方法可为：将由数据相机拍摄得到的无损自然图像集转化为灰度图，然后分别用不同窗口大小的空域中值滤波、均值滤波和高斯滤波处理图像集，得到对应的训练样本集。
从各个样本集中获取第一待训练样本的一个具体的实施方式为，在获取到模型训练的指令后，可对该指令进行解析，得到样本集的存储地址；通过访问存储地址对应的存储空间，即可从访问的存储空间中提取存储的第一待训练样本；例如，从中值滤波样本集中获取第一待训练样本，即在获取到对模型进行中值滤波图像识别的训练指令后，对该指令进行解析，得到中值滤波样本集的存储地址；通过访问对应的存储空间，即可从中提取存储的第一待训练样本。
本步骤中，第一原始分类模型可依据输入的第一待训练样本的频谱特征进行训练，调整模型参数，直至输出的图像篡改的预测结果不断接近样本标注的篡改类型，训练结束即可得到第一平滑滤波检测模型。此处，第一原始分类模型即为的预先建立的“初始模型”，其种类可以但不局限于是神经网络模型、点云分类模型、支持向量机模型、逻辑回归模型中的一种或多种。
在一些实施例中，的提取第一待训练样本的频谱特征的步骤，可以包括：计算第一待训练样本的一维频谱；对一维频谱进行最大值下采样，得到第一子带；对一维频谱进行中值下采样，得到第二子带；对第一子带进行局部中值下采样，得到第三子带；对第一子带进行局部标准差下采样，得到第四子带；分别提取第二子带、第三子带和第四子带中的第一频谱特征、第二频谱特征及第三频谱特征；第一频谱特征为中频区域最大值，第二频谱特征为高频区域最小值，第三频谱特征为第一频谱特征与第二频谱特征的比值；将第二子带的第一频谱特征、第二频谱特征及第三频谱特征，第三子带的第一频谱特征、第二频谱特征及第三频谱特征，以及第四子带的第一频谱特征、第二频谱特征及第三频谱特征，确定为第一待训练样本的频谱特征。
在一些实施例中，的计算第一待训练样本的一维频谱的步骤，可以包括：确定滤波图像矩阵；滤波图像矩阵通过对第一待训练样本与高通滤波器进行卷积运算得到；获取一维序列；一维序列由滤波图像矩阵按行重排得到；对一维序列的绝对值进行快速傅氏变换，得到第一待训练样本的一维频谱。
在一些实施例中，的第一平滑滤波检测模型可以为采用高斯核作为非线性核函数的C-SVM支持向量机。通过采样支持向量机作为分类器，易于实现且性能可靠。
在一些实施例中，该图像篡改识别方法还可以包括：若第一平滑滤波检测模型的检测结果为待检测图像经平滑滤波篡改，且平滑滤波方式为中值滤波，则将待检测图像输入第二平滑滤波检测模型；第二平滑滤波检测模型基于中值滤波样本集训练得到；根据第二平滑滤波检测模型的检测结果，确定待检测图像中值滤波的窗口规格；根据中值滤波的窗口规格，识别待检测图像的篡改信息。通过该方法可使得图像篡改识别方法不仅可以识别出图像是否经平滑滤波篡改及平滑滤波方式，且可在识别出图像经中值滤波篡改后，具体识别出图像经过何种规格的窗口进行的中值滤波，可有效地识别出图像的历史篡改信息，识别功能更加全面、准确、高效。
在一些实施例中，该图像篡改识别方法还可以包括：若第一平滑滤波检测模型的检测结果为待检测图像经平滑滤波篡改，且平滑滤波方式为均值滤波，则获取待检测图像的频谱子带的自相关谱；根据自相关谱的整数频率的最大峰，确定待检测图像均值滤波的窗口规格；根据均值滤波的窗口规格，识别待检测图像的篡改信息。通过该方法可使得图像篡改识别方法不仅可以识别出图像是否经平滑滤波篡改及平滑滤波方式，且可在识别出图像经均值滤波篡改后，具体识别出图像经过何种规格的窗口进行的均值滤波，可进一步地识别出图像的历史篡改信息，识别功能更为全面，图像取证技术更为成熟。
在一些实施例中，的第二平滑滤波检测模型的构建步骤，可以包括：从中值滤波样本集中获取第二待训练样本；提取第二待训练样本的频谱特征；将第二待训练样本的频谱特征输入第二原始分类模型进行训练，以构建第二平滑滤波检测模型。
需要说明的是，此处的第二原始分类模型，与的第一原始分类模型相比，其训练过程、种类等均较为类似，此处不作赘述。
在一些实施例中，的提取第二待训练样本的频谱特征的步骤，可以包括：分别对转置前和转置后的第二待训练样本进行一阶差分，得到两个差分矩阵；将两个差分矩阵分别转化为差分符号图，得到两个差分符号图；根据差分符号图，确定单调区间图谱，得到两个单调区间图谱；将两个单调区间图谱进行叠加，并将叠加结果归一化为经验分布；提取经验分布中设定数量的特征向量，作为第二待训练样本的频谱特征。
应当指出的是，两个差分矩阵，其中一个是对转置前的第二待训练样本进行一阶差分得到的，另一个是对转置后的第二待训练样本进行一阶差分得到的；第二待训练样本的频谱特征，可通过提取经验分布的前15项特征向量得到。
在一些实施例中，差分符号图中各像素的数值为-1、0或1；此时，的根据差分符号图，确定单调区间图谱的步骤，可以包括：获取差分符号图每一行的像素的数值；若数值为1，则向后遍历，直到第一个数值为-1的像素，并将遍历起止的区间长度作为第一单调区间长度；若数值为-1，则向后遍历，直到第一个数值为1的像素，并将遍历起止的区间长度作为第二单调区间长度；根据第一单调区间长度和第二单调区间长度，得到差分符号图每一行的单调区间集合；合并差分符号图每一行的单调区间集合；统计合并后的集合的重复元素，生成单调区间图谱。
本申请的目的在于提供一种图像篡改识别方法，通过该方法可以分辨自然图像是否经过平滑滤波，并判断平滑滤波种类、识别滤波窗口的大小。这种方法不仅具有坚实的数学基础，而且简单高效，易于实现和硬件集成。
如图2所示，虚线框内的步骤为图像篡改识别方法中的第一平滑滤波检测模型和第二平滑滤波检测模型的其中一种训练流程，虚线框外的步骤为待检测图像的其中一种图像篡改识别流程；下文通过一个具体的实施例介绍本申请提出的图像篡改识别方法，包括：
1、构建训练样本集；训练样本集包括未滤波样本集、中值滤波样本集、均值滤波样本集以及高斯滤波样本集，每个样本集各包含2000张大小为384*512的未压缩图像。中值滤波、均值滤波以及高斯滤波对应的三种滤波器的窗口大小集合为{3×3,5×5,7×7}，即与未滤波的图像库相加，共计10个训练样本子库，分别为：原版的未篡改的子库记为GOR(未滤波样本集)，中值滤波样本集记为GMED＝{GMED3,GMED5,GMED7}，均值滤波样本集记为GAVE＝{GAVE3,GAVE5,GAVE7}，高斯滤波样本集记为GGAU＝{GGAU3,GGAU5,GGAU7}，上标中的3、5、7分别对应3×3、5×5和7×7的窗口大小。
2、提取第一待训练样本的频谱特征(图2所示的频谱特征F1)；对从训练样本集获取的第一待训练样本，计算重排的一维傅里叶频谱，并通过频谱下采样得到两个子带，从子带中提取9维特征，作为F1。具体为：
2.1、一维频谱计算：将大小为384*512的第一待训练样本图像I与高通滤波器D卷积得到滤波图像矩阵I1，然后将I1按行重排得到长度为384*512一维序列S1，然后取S1的绝对值计算FFT(快速傅氏变换)，得到频谱绝对值V1＝|FFT{|S1|}|。这里高通滤波器D可以选择普通的一阶行差分算子：D＝[-1,1]。
2.2、频谱子带生成：将长度为384*512的频谱V1按窗口大小为w＝512进行最大值下采样和中值下采样操作，生成两个长度为384的第一子带V1,max和第二子带V1,med：
V1,max(i)＝max({V1(wi),V1(wi+1),...,V1((w+1)i)})
V1,med(i)＝median({V1(wi),V1(wi+1),...,V1((w+1)i)})
其中V1,max和V1,med分别是最大值子带和中值子带，max(·)是对数值集合求最大值的操作，median(·)是对数值集合求中值的操作。然后再对最大值子带V1,max进行进一步下采样，以窗口大小为d＝8计算局部中值和标准差，得到第三子带V1,max,med和第四子带V1,max,std，其长度分别为48：
V1,max,med(i)＝max({V1,max(di),V1,max(di+1),...,V1,max((d+1)i)})
Figure BDA0002134564940000101
2.3、频谱特征F1提取：对V1,med取中频区域的最大值和高频区域的最小值，作为特征第一频谱特征f1和第二频谱特征f2，并以其比值f1/f2作为第三频谱特征f3：
f1＝max({V1,med(N×t1),V1,med(N×t1+1),...,V1,med(N×t2)})
Figure BDA0002134564940000111
f3＝f1/f2
其中，N＝384是子带V1,med的长度，t1＝1/8，和t2＝3/8是先验设定的低频区域和中频区域的截至范围。
利用同样的方法对于V1,max,med和V1,max,std提取频谱特征，分别得到f4,f5,f6和f7,f8,f9；将三组特征拼接，即可得到频谱特征F1。
3、提取第二待训练样本的频谱特征(图2所示的频谱特征F2)：对从中值滤波样本集和对应的原图像集中获得的第二待训练样本，计算图像的单调区间图谱MIH，从中提取15维特征，作为F2。具体为：
3.1、差分符号图计算：对第二待训练样本I计算一阶行差分得到差分矩阵I(1)，再根据差分值的正负符号取得差分符号图Isgn：
Isgn(i,j)＝sign(I(1)(i,j))
其中，Isgn中各像素取值范围只有{-1,0,1}。
3.2、游程统计：针对Isgn的第i行，第j个像素Isgn(i,j)，若其值为1，则向后遍历j直到第一个取值为-1的像素Isgn(i,k)，将第一单调区间长度k-j+1加入单调区间集合Ui；若其值为-1，则向后遍历j直到第一个取值为1的像素Isgn(i,k)，将第二单调区间长度k-j+1加入单调区间集合Ui。
3.3、单调区间图谱MIH计算：对Isgn逐行计算对应单调区间集合Ui，取Ui的并集为U，对集合重复元素进行统计得到柱状图，作为单调区间图谱MIH。
3.4、F2频谱特征计算：将第二待训练样本I转置后重复步骤3.1至步骤3.3，将转置前后的MIH叠加并归一化为经验分布Pmono，并截取其前15项Pmono(1:15)，作为频谱特征F2。
4、分类器训练：用F1训练第一原始分类模型(图2中的分类器C1)，用F2训练第二原始分类模型(图2中的分类器C2)。采用的统计分类器可均为C-SVM多分类器，且采用了高斯核作为非线性核函数：
K(xi,yj)＝exp(-γ||xi-yj||2),γ>0
其中，错误惩罚参数C和RBF核函数的参数γ需要合理选取，以避免过拟合训练，为此，可在参数网格(C,γ)∈{(2i,2j)|i,j∈{-5,...,5}}中遍历搜索，得到最优参数的值，采用四折交叉验证计算样本准确率。
另外，第一原始分类模型可为四分类器，四类训练样本分别来自GOR、GMED、GAVE和GGAU，且后三个训练样本的样本量可为GOR的三倍。具体地，为了平衡样本数量，后三个在四折交叉验证训练时，只选用总量的1/3。更具体地，GOR共计2000张图片，四折交叉验证时只提取1500张作为训练样本；而GMED存储有6000张图片，四折交叉验证时，从不同窗口的子库GMED3、GMED5和GMED7中各提取500张图片作为训练样本；从GAVE和GGAU的不同窗口的子库中提取的训练样本数量可同上设定。
5、图像检测：分类器C1、分类器C2训练完成后，即可用于图像篡改识别；具体地，对待检测图像重复步骤2的操作，得到频谱特征F1，用分类器C1判断是否滤波及滤波种类。如果检测结果为未滤波或经过高斯滤波，则算法停止。如果检测结果为中值滤波，跳转下述的步骤6。如果检测结果为均值滤波，跳转下述的步骤7。
6、中值滤波窗口估计：对待检测图像重复步骤3的操作，提取频谱特征F2并输入分类器C2，根据分类结果输出窗口大小，算法停止。
7、均值滤波窗口估计：对待检测图像的频谱子带计算自相关谱，并根据整数频率的最大峰位置估计窗口大小，算法停止。
其中，采用的频谱子带可为步骤2.2中生成的第一子带V1,med，其自相关函数的频谱即为功率谱V2＝|FFT{Rx{V1,med}}|。对V2取整数周期对应的频率集合的峰值，构成整数功率谱V2,int：
Figure BDA0002134564940000131
则估计得到的均值滤波窗口大小即为V2,int中最大值对应的下标。
对于实施例方案的可行性分析如下：
1、本申请通过选取一张测试图片，将其分别用窗口为3*3的中值滤波、均值滤波和高斯滤波处理后，计算得到频谱子带V1,med和V1,max；通过对比经三种不同滤波器处理的图像的中值子带V1,med和未经篡改的原图像的中值子带V1,med，可得知四条曲线不仅整体幅度不同，而且中频和高频的相对能量强度也不同，特别是均值滤波，其曲线有明显被调制的周期性。
2、针对测试图片，通过对比经三种不同滤波器处理的图像的最大值子带V1,max和未经篡改的原图像的最大值子带V1,max，可得知均值滤波具有最明显的特征，其中频和高频区域能量比值最大；对于原图像的曲线，其高频区域的能量方差明显比被滤波图像的更大。
3、针对测试图片，经过3*3、5*5和7*7的中值滤波后，绘制各自的单调区间图谱MIH，并获取测试图片未篡改时的单调区间图谱MIH；经对比，未篡改图片的MIH呈单峰偏态分布，曲线十分光滑，最大峰在n＝2的位置；经过中值滤波的图像其MIH不再是单峰分布，分布整体的均值变大，且曲线中有明显的局部极小。对于3*3中值滤波，局部极小出现在n＝3的位置；对于5*5中值滤波，局部极小出现在n＝5的位置；对于7*7中值滤波，局部极小出现在n＝7的位置。由此可见，MIH可以有效捕捉同一图像经三种不同窗口大小的滤波篡改后的区别。
综上所述，本申请提出的图像篡改识别方法，具有更加严实的数学基础。与空域特征相比，大部分的信号处理理论均建立在频率域，易于实现和验证；加之，图像经不同窗口大小的中值滤波篡改后，其对统计信号的单调区间分布所造成的影响也经过了严格的数学证明，保证了图像篡改识别结果的准确性和高效性。
另外，傅里叶频谱计算和下采样等操作是数字信号处理中的常见模块，容易通过硬件实现；采用支持向量机作为分类器，易于实现且性能可靠。
在一个实施例中，如图3所示，提供了一种图像平滑滤波检测建模方法，包括以下步骤：
S202，构建未滤波样本集、中值滤波样本集、均值滤波样本集以及高斯滤波样本集；
S204，分别从未滤波样本集、中值滤波样本集、均值滤波样本集以及高斯滤波样本集中获取第一待训练样本；
S206，提取第一待训练样本的频谱特征；
S208，将第一待训练样本的频谱特征输入第一原始分类模型进行训练，以构建第一平滑滤波检测模型；第一平滑滤波检测模型用于检测图像是否经平滑滤波篡改及平滑滤波方式。
该图像平滑滤波检测建模方法与图像篡改识别方法中的第一平滑滤波检测模型的构建过程相同，用于构建第一平滑滤波检测模型的各个实施例同样适用于本申请提出的图像平滑滤波检测建模方法，具体此处不作赘述。
该图像平滑滤波检测建模方法可用于检测图像是否经平滑滤波篡改及平滑滤波方式，采用本方法能够使得图像篡改检测和识别结果更为全面和高效，准确度高；同时，易于通过硬件实现，实用性和可行性强。
在一个实施例中，如图4所示，提供了一种图像中值滤波窗口检测建模方法，包括以下步骤：
S302，构建中值滤波样本集；
S304，从中值滤波样本子集中获取第二待训练样本；
S306，提取第二待训练样本的频谱特征；
S308，将第二待训练样本的频谱特征输入第二原始分类模型进行训练，以构建第二平滑滤波检测模型；第二平滑滤波检测模型用于估计图像经中值滤波篡改的窗口规格。
该图像中值滤波窗口检测建模方法与图像篡改识别方法中的第二平滑滤波检测模型的构建过程相同，用于构建第二平滑滤波检测模型的各个实施例同样适用于本申请提出的图像中值滤波窗口检测建模方法，具体此处不作赘述。
该图像中值滤波窗口检测建模方法可用于估计图像经中值滤波篡改的窗口规格，该方法可结合的图像平滑滤波检测建模方法，一并应用于本申请提出的图像篡改识别方法中，也可单独执行和使用；采用本方法能够进一步提高图像篡改检测和识别的全面性，易于通过硬件实现，可行性强。
应该理解的是，对于前述的各方法实施例，虽然流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，方法实施例的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
基于与实施例中的图像篡改识别方法相同的思想，本文还提供一种图像篡改识别装置。
在一个实施例中，如图5所示，提供了一种图像篡改识别装置，包括：图像获取模块401、训练模块402和识别模块403，其中：
图像获取模块401，用于获取待检测图像；
训练模块402，用于将待检测图像输入第一平滑滤波检测模型；第一平滑滤波检测模型基于未滤波样本集、中值滤波样本集、均值滤波样本集以及高斯滤波样本集训练得到；
识别模块403，用于根据第一平滑滤波检测模型的检测结果，识别待检测图像是否经平滑滤波篡改及平滑滤波方式。
在一些实施例中，图像篡改识别装置还包括：第一平滑滤波检测模型的构建模块，用于构建未滤波样本集、中值滤波样本集、均值滤波样本集以及高斯滤波样本集；分别从未滤波样本集、中值滤波样本集、均值滤波样本集以及高斯滤波样本集中获取第一待训练样本；提取第一待训练样本的频谱特征；将第一待训练样本的频谱特征输入第一原始分类模型进行训练，以构建第一平滑滤波检测模型。
在一些实施例中，第一平滑滤波检测模型的构建模块，具体用于：计算第一待训练样本的一维频谱；对一维频谱进行最大值下采样，得到第一子带；对一维频谱进行中值下采样，得到第二子带；对第一子带进行局部中值下采样，得到第三子带；对第一子带进行局部标准差下采样，得到第四子带；分别提取第二子带、第三子带和第四子带中的第一频谱特征、第二频谱特征及第三频谱特征；第一频谱特征为中频区域最大值，第二频谱特征为高频区域最小值，第三频谱特征为第一频谱特征与第二频谱特征的比值；将第二子带的第一频谱特征、第二频谱特征及第三频谱特征，第三子带的第一频谱特征、第二频谱特征及第三频谱特征，以及第四子带的第一频谱特征、第二频谱特征及第三频谱特征，确定为第一待训练样本的频谱特征。
在一些实施例中，第一平滑滤波检测模型的构建模块，具体还用于：确定滤波图像矩阵；滤波图像矩阵通过对第一待训练样本与高通滤波器进行卷积运算得到；获取一维序列；一维序列由滤波图像矩阵按行重排得到；对一维序列的绝对值进行快速傅氏变换，得到第一待训练样本的一维频谱。
在一些实施例中，第一平滑滤波检测模型为采用高斯核作为非线性核函数的C-SVM支持向量机。
在一些实施例中，图像篡改识别装置还包括：图像中值滤波窗口检测模块，用于若第一平滑滤波检测模型的检测结果为待检测图像经平滑滤波篡改，且平滑滤波方式为中值滤波，则将待检测图像输入第二平滑滤波检测模型；第二平滑滤波检测模型基于中值滤波样本集训练得到；根据第二平滑滤波检测模型的检测结果，确定待检测图像中值滤波的窗口规格；根据中值滤波的窗口规格，识别待检测图像的篡改信息；
和/或，图像均值滤波窗口检测模块，用于若第一平滑滤波检测模型的检测结果为待检测图像经平滑滤波篡改，且平滑滤波方式为均值滤波，则获取待检测图像的频谱子带的自相关谱；根据自相关谱的整数频率的最大峰，确定待检测图像均值滤波的窗口规格；根据均值滤波的窗口规格，识别待检测图像的篡改信息。
在一些实施例中，图像篡改识别装置还包括：第二平滑滤波检测模型的构建模块，用于从中值滤波样本集中获取第二待训练样本；提取第二待训练样本的频谱特征；将第二待训练样本的频谱特征输入第二原始分类模型进行训练，以构建第二平滑滤波检测模型。
在一些实施例中，第二平滑滤波检测模型的构建模块，具体用于：分别对转置前和转置后的第二待训练样本进行一阶差分，得到两个差分矩阵；将两个差分矩阵分别转化为差分符号图，得到两个差分符号图；根据差分符号图，确定单调区间图谱，得到两个单调区间图谱；将两个单调区间图谱进行叠加，并将叠加结果归一化为经验分布；提取经验分布中设定数量的特征向量，作为第二待训练样本的频谱特征。
在一些实施例中，差分符号图中各像素的数值为-1、0或1；第二平滑滤波检测模型的构建模块，具体还用于：获取差分符号图每一行的像素的数值；若数值为1，则向后遍历，直到第一个数值为-1的像素，并将遍历起止的区间长度作为第一单调区间长度；若数值为-1，则向后遍历，直到第一个数值为1的像素，并将遍历起止的区间长度作为第二单调区间长度；根据第一单调区间长度和第二单调区间长度，得到差分符号图每一行的单调区间集合；合并差分符号图每一行的单调区间集合；统计合并后的集合的重复元素，生成单调区间图谱。
关于图像篡改识别装置的具体限定可以参见上文中对于图像篡改识别方法的限定，在此不再赘述。图像篡改识别装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
此外，示例的图像篡改识别装置的实施方式中，各程序模块的逻辑划分仅是举例说明，实际应用中可以根据需要，例如出于相应硬件的配置要求或者软件的实现的便利考虑，将功能分配由不同的程序模块完成，即将图像篡改识别装置的内部结构划分成不同的程序模块，以完成以上描述的全部或者部分功能。
基于与实施例中的图像平滑滤波检测建模方法相同的思想，本文还提供一种图像平滑滤波检测建模装置。
在一个实施例中，如图6所示，提供了一种图像平滑滤波检测建模装置，包括：第一样本集构建模块501、第一样本获取模块502、第一特征提取模块503和第一模型构建模块504，其中：
第一样本集构建模块501，用于构建未滤波样本集、中值滤波样本集、均值滤波样本集以及高斯滤波样本集；
第一样本获取模块502，用于分别从未滤波样本集、中值滤波样本集、均值滤波样本集以及高斯滤波样本集中获取第一待训练样本；
第一特征提取模块503，用于提取第一待训练样本的频谱特征；
第一模型构建模块504，用于将第一待训练样本的频谱特征输入第一原始分类模型进行训练，以构建第一平滑滤波检测模型；第一平滑滤波检测模型用于检测图像是否经平滑滤波篡改及平滑滤波方式。
关于图像平滑滤波检测建模装置的具体限定可以参见上文中对于图像平滑滤波检测建模方法的限定，在此不再赘述。图像平滑滤波检测建模装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
此外，示例的图像平滑滤波检测建模装置的实施方式中，各程序模块的逻辑划分仅是举例说明，实际应用中可以根据需要，例如出于相应硬件的配置要求或者软件的实现的便利考虑，将功能分配由不同的程序模块完成，即将图像平滑滤波检测建模装置的内部结构划分成不同的程序模块，以完成以上描述的全部或者部分功能。
基于与实施例中的图像中值滤波窗口检测建模方法相同的思想，本文还提供一种图像中值滤波窗口检测建模装置。
在一个实施例中，如图7所示，提供了一种图像中值滤波窗口检测建模装置，包括：第二样本集构建模块601、第二样本获取模块602、第二特征提取模块603和第二模型构建模块604，其中：
第二样本集构建模块601，用于构建中值滤波样本集；
第二样本获取模块602，用于从中值滤波样本子集中获取第二待训练样本；
第二特征提取模块603，用于提取第二待训练样本的频谱特征；
第二模型构建模块604，用于将第二待训练样本的频谱特征输入第二原始分类模型进行训练，以构建第二平滑滤波检测模型；第二平滑滤波检测模型用于估计图像经中值滤波篡改的窗口规格。
关于图像中值滤波窗口检测建模装置的具体限定可以参见上文中对于图像中值滤波窗口检测建模方法的限定，在此不再赘述。图像中值滤波窗口检测建模装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
此外，示例的图像中值滤波窗口检测建模装置的实施方式中，各程序模块的逻辑划分仅是举例说明，实际应用中可以根据需要，例如出于相应硬件的配置要求或者软件的实现的便利考虑，将功能分配由不同的程序模块完成，即将图像中值滤波窗口检测建模装置的内部结构划分成不同的程序模块，以完成以上描述的全部或者部分功能。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取待检测图像；
将待检测图像输入第一平滑滤波检测模型；第一平滑滤波检测模型基于未滤波样本集、中值滤波样本集、均值滤波样本集以及高斯滤波样本集训练得到；
根据第一平滑滤波检测模型的检测结果，识别待检测图像是否经平滑滤波篡改及平滑滤波方式。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：构建未滤波样本集、中值滤波样本集、均值滤波样本集以及高斯滤波样本集；分别从未滤波样本集、中值滤波样本集、均值滤波样本集以及高斯滤波样本集中获取第一待训练样本；提取第一待训练样本的频谱特征；将第一待训练样本的频谱特征输入第一原始分类模型进行训练，以构建第一平滑滤波检测模型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：计算第一待训练样本的一维频谱；对一维频谱进行最大值下采样，得到第一子带；
对一维频谱进行中值下采样，得到第二子带；对第一子带进行局部中值下采样，得到第三子带；对第一子带进行局部标准差下采样，得到第四子带；分别提取第二子带、第三子带和第四子带中的第一频谱特征、第二频谱特征及第三频谱特征；第一频谱特征为中频区域最大值，第二频谱特征为高频区域最小值，第三频谱特征为第一频谱特征与第二频谱特征的比值；将第二子带的第一频谱特征、第二频谱特征及第三频谱特征，第三子带的第一频谱特征、第二频谱特征及第三频谱特征，以及第四子带的第一频谱特征、第二频谱特征及第三频谱特征，确定为第一待训练样本的频谱特征。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：确定滤波图像矩阵；滤波图像矩阵通过对第一待训练样本与高通滤波器进行卷积运算得到；获取一维序列；一维序列由滤波图像矩阵按行重排得到；对一维序列的绝对值进行快速傅氏变换，得到第一待训练样本的一维频谱。
在一个实施例中，第一平滑滤波检测模型为采用高斯核作为非线性核函数的C-SVM支持向量机。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：若第一平滑滤波检测模型的检测结果为待检测图像经平滑滤波篡改，且平滑滤波方式为中值滤波，则将待检测图像输入第二平滑滤波检测模型；第二平滑滤波检测模型基于中值滤波样本集训练得到；根据第二平滑滤波检测模型的检测结果，确定待检测图像中值滤波的窗口规格；根据中值滤波的窗口规格，识别待检测图像的篡改信息；
和/或，若第一平滑滤波检测模型的检测结果为待检测图像经平滑滤波篡改，且平滑滤波方式为均值滤波，则获取待检测图像的频谱子带的自相关谱；根据自相关谱的整数频率的最大峰，确定待检测图像均值滤波的窗口规格；根据均值滤波的窗口规格，识别待检测图像的篡改信息。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：从中值滤波样本集中获取第二待训练样本；提取第二待训练样本的频谱特征；将第二待训练样本的频谱特征输入第二原始分类模型进行训练，以构建第二平滑滤波检测模型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：分别对转置前和转置后的第二待训练样本进行一阶差分，得到两个差分矩阵；将两个差分矩阵分别转化为差分符号图，得到两个差分符号图；根据差分符号图，确定单调区间图谱，得到两个单调区间图谱；将两个单调区间图谱进行叠加，并将叠加结果归一化为经验分布；提取经验分布中设定数量的特征向量，作为第二待训练样本的频谱特征。
在一个实施例中，差分符号图中各像素的数值为-1、0或1；处理器执行计算机程序时还实现以下步骤：获取差分符号图每一行的像素的数值；若数值为1，则向后遍历，直到第一个数值为-1的像素，并将遍历起止的区间长度作为第一单调区间长度；若数值为-1，则向后遍历，直到第一个数值为1的像素，并将遍历起止的区间长度作为第二单调区间长度；根据第一单调区间长度和第二单调区间长度，得到差分符号图每一行的单调区间集合；合并差分符号图每一行的单调区间集合；统计合并后的集合的重复元素，生成单调区间图谱。
在一个实施例中，提供了另一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：构建未滤波样本集、中值滤波样本集、均值滤波样本集以及高斯滤波样本集；分别从未滤波样本集、中值滤波样本集、均值滤波样本集以及高斯滤波样本集中获取第一待训练样本；提取第一待训练样本的频谱特征；将第一待训练样本的频谱特征输入第一原始分类模型进行训练，以构建第一平滑滤波检测模型；第一平滑滤波检测模型用于检测图像是否经平滑滤波篡改及平滑滤波方式。
在一个实施例中，提供了另一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：构建中值滤波样本集；从中值滤波样本子集中获取第二待训练样本；提取第二待训练样本的频谱特征；将第二待训练样本的频谱特征输入第二原始分类模型进行训练，以构建第二平滑滤波检测模型；第二平滑滤波检测模型用于估计图像经中值滤波篡改的窗口规格。
提供的各计算机设备，可以是图像处理设备或其它终端设备，其内部结构图可以如图8所示。计算机设备可包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储图像篡改识别、图像平滑滤波检测建模和/或图像中值滤波窗口检测建模用数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种图像篡改识别方法、图像平滑滤波检测建模方法和/或图像中值滤波窗口检测建模方法。
本领域技术人员可以理解，图8中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取待检测图像；
将待检测图像输入第一平滑滤波检测模型；第一平滑滤波检测模型基于未滤波样本集、中值滤波样本集、均值滤波样本集以及高斯滤波样本集训练得到；
根据第一平滑滤波检测模型的检测结果，识别待检测图像是否经平滑滤波篡改及平滑滤波方式。
在一个实施例中，提供了另一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：构建未滤波样本集、中值滤波样本集、均值滤波样本集以及高斯滤波样本集；分别从未滤波样本集、中值滤波样本集、均值滤波样本集以及高斯滤波样本集中获取第一待训练样本；提取第一待训练样本的频谱特征；将第一待训练样本的频谱特征输入第一原始分类模型进行训练，以构建第一平滑滤波检测模型；第一平滑滤波检测模型用于检测图像是否经平滑滤波篡改及平滑滤波方式。
在一个实施例中，提供了另一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：构建中值滤波样本集；从中值滤波样本子集中获取第二待训练样本；提取第二待训练样本的频谱特征；将第二待训练样本的频谱特征输入第二原始分类模型进行训练，以构建第二平滑滤波检测模型；第二平滑滤波检测模型用于估计图像经中值滤波篡改的窗口规格。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其它实施例的相关描述。
本文实施例的术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或(模块)单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本文中提及的“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
在本文中提及的“第一\第二”仅仅是是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二”区分的对象在适当情况下可以互换，以使这里描述的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (13)

1.一种图像篡改识别方法，所述方法包括：
构建未滤波样本集、中值滤波样本集、均值滤波样本集以及高斯滤波样本集；
获取并解析第一原始分类模型的训练指令，得到所述未滤波样本集、所述中值滤波样本集、所述均值滤波样本集以及所述高斯滤波样本集的存储地址，访问存储地址对应的存储空间，提取第一待训练样本；
确定滤波图像矩阵；所述滤波图像矩阵通过对所述第一待训练样本与高通滤波器进行卷积运算得到；
获取一维序列；所述一维序列由所述滤波图像矩阵按行重排得到；
对所述一维序列的绝对值进行快速傅氏变换，得到所述第一待训练样本的一维频谱；
对所述一维频谱进行最大值下采样，得到第一子带；
对所述一维频谱进行中值下采样，得到第二子带；
对所述第一子带进行局部中值下采样，得到第三子带；
对所述第一子带进行局部标准差下采样，得到第四子带；
分别提取所述第二子带、所述第三子带和所述第四子带中的第一频谱特征、第二频谱特征及第三频谱特征；所述第一频谱特征为中频区域最大值，所述第二频谱特征为高频区域最小值，所述第三频谱特征为所述第一频谱特征与所述第二频谱特征的比值；
将所述第二子带的第一频谱特征、第二频谱特征及第三频谱特征，所述第三子带的第一频谱特征、第二频谱特征及第三频谱特征，以及所述第四子带的第一频谱特征、第二频谱特征及第三频谱特征，确定为所述第一待训练样本的频谱特征；
将所述第一待训练样本的频谱特征输入所述第一原始分类模型进行训练，以构建第一平滑滤波检测模型；
获取待检测图像；
将所述待检测图像输入所述第一平滑滤波检测模型；
根据所述第一平滑滤波检测模型的检测结果，识别所述待检测图像是否经平滑滤波篡改及平滑滤波方式。
2.根据权利要求1所述的方法，其特征在于，所述第一平滑滤波检测模型为采用高斯核作为非线性核函数的C-SVM支持向量机。
3.根据权利要求1至2任一项所述的方法，其特征在于，所述方法还包括：
若所述第一平滑滤波检测模型的检测结果为所述待检测图像经平滑滤波篡改，且平滑滤波方式为中值滤波，则将所述待检测图像输入第二平滑滤波检测模型；所述第二平滑滤波检测模型基于所述中值滤波样本集训练得到；
根据所述第二平滑滤波检测模型的检测结果，确定所述待检测图像中值滤波的窗口规格；
根据所述中值滤波的窗口规格，识别所述待检测图像的篡改信息；
和/或，
若所述第一平滑滤波检测模型的检测结果为所述待检测图像经平滑滤波篡改，且平滑滤波方式为均值滤波，则获取所述待检测图像的频谱子带的自相关谱；
根据所述自相关谱的整数频率的最大峰，确定所述待检测图像均值滤波的窗口规格；
根据所述均值滤波的窗口规格，识别所述待检测图像的篡改信息。
4.根据权利要求3所述的方法，其特征在于，所述第二平滑滤波检测模型的构建步骤，包括：
从所述中值滤波样本集中获取第二待训练样本；
提取所述第二待训练样本的频谱特征；
将所述第二待训练样本的频谱特征输入第二原始分类模型进行训练，以构建所述第二平滑滤波检测模型。
5.根据权利要求4所述的方法，其特征在于，所述提取所述第二待训练样本的频谱特征的步骤，包括：
分别对转置前和转置后的所述第二待训练样本进行一阶差分，得到两个差分矩阵；
将所述两个差分矩阵分别转化为差分符号图，得到两个差分符号图；
根据所述差分符号图，确定单调区间图谱，得到两个单调区间图谱；
将所述两个单调区间图谱进行叠加，并将叠加结果归一化为经验分布；
提取所述经验分布中设定数量的特征向量，作为所述第二待训练样本的频谱特征。
6.根据权利要求5所述的方法，其特征在于，所述差分符号图中各像素的数值为-1、0或1；
根据所述差分符号图，确定单调区间图谱的步骤，包括：
获取所述差分符号图每一行的像素的数值；
若所述数值为1，则向后遍历，直到第一个数值为-1的像素，并将遍历起止的区间长度作为第一单调区间长度；
若所述数值为-1，则向后遍历，直到第一个数值为1的像素，并将遍历起止的区间长度作为第二单调区间长度；
根据所述第一单调区间长度和所述第二单调区间长度，得到所述差分符号图每一行的单调区间集合；
合并所述差分符号图每一行的单调区间集合；
统计合并后的集合的重复元素，生成单调区间图谱。
7.一种图像平滑滤波检测建模方法，所述方法包括：
构建未滤波样本集、中值滤波样本集、均值滤波样本集以及高斯滤波样本集；
获取并解析第一原始分类模型的训练指令，得到所述未滤波样本集、所述中值滤波样本集、所述均值滤波样本集以及所述高斯滤波样本集的存储地址，访问存储地址对应的存储空间，提取第一待训练样本；
确定滤波图像矩阵；所述滤波图像矩阵通过对所述第一待训练样本与高通滤波器进行卷积运算得到；
获取一维序列；所述一维序列由所述滤波图像矩阵按行重排得到；
对所述一维序列的绝对值进行快速傅氏变换，得到所述第一待训练样本的一维频谱；
对所述一维频谱进行最大值下采样，得到第一子带；
对所述一维频谱进行中值下采样，得到第二子带；
对所述第一子带进行局部中值下采样，得到第三子带；
对所述第一子带进行局部标准差下采样，得到第四子带；
分别提取所述第二子带、所述第三子带和所述第四子带中的第一频谱特征、第二频谱特征及第三频谱特征；所述第一频谱特征为中频区域最大值，所述第二频谱特征为高频区域最小值，所述第三频谱特征为所述第一频谱特征与所述第二频谱特征的比值；
将所述第二子带的第一频谱特征、第二频谱特征及第三频谱特征，所述第三子带的第一频谱特征、第二频谱特征及第三频谱特征，以及所述第四子带的第一频谱特征、第二频谱特征及第三频谱特征，确定为所述第一待训练样本的频谱特征；
将所述第一待训练样本的频谱特征输入第一原始分类模型进行训练，以构建第一平滑滤波检测模型；所述第一平滑滤波检测模型用于检测图像是否经平滑滤波篡改及平滑滤波方式。
8.一种图像中值滤波窗口检测建模方法，所述方法包括：
构建中值滤波样本集；
从所述中值滤波样本集中获取第二待训练样本；
分别对转置前和转置后的所述第二待训练样本进行一阶差分，得到两个差分矩阵；
将所述两个差分矩阵分别转化为差分符号图，得到两个所述差分符号图；
根据所述差分符号图，确定单调区间图谱，得到两个所述单调区间图谱；
将所述两个单调区间图谱进行叠加，并将叠加结果归一化为经验分布；
提取所述经验分布中设定数量的特征向量，作为所述第二待训练样本的频谱特征；将所述第二待训练样本的频谱特征输入第二原始分类模型进行训练，以构建第二平滑滤波检测模型；所述第二平滑滤波检测模型用于估计图像经中值滤波篡改的窗口规格。
9.一种图像篡改识别装置，其特征在于，所述装置包括：
第一样本集构建模块，用于构建未滤波样本集、中值滤波样本集、均值滤波样本集以及高斯滤波样本集；
第一样本获取模块，用于获取并解析第一原始分类模型的训练指令，得到所述未滤波样本集、所述中值滤波样本集、所述均值滤波样本集以及所述高斯滤波样本集的存储地址，访问存储地址对应的存储空间，提取第一待训练样本；
第一特征提取模块，用于确定滤波图像矩阵；所述滤波图像矩阵通过对所述第一待训练样本与高通滤波器进行卷积运算得到；获取一维序列；所述一维序列由所述滤波图像矩阵按行重排得到；对所述一维序列的绝对值进行快速傅氏变换，得到所述第一待训练样本的一维频谱；对所述一维频谱进行最大值下采样，得到第一子带；对所述一维频谱进行中值下采样，得到第二子带；对所述第一子带进行局部中值下采样，得到第三子带；对所述第一子带进行局部标准差下采样，得到第四子带；分别提取所述第二子带、所述第三子带和所述第四子带中的第一频谱特征、第二频谱特征及第三频谱特征；所述第一频谱特征为中频区域最大值，所述第二频谱特征为高频区域最小值，所述第三频谱特征为所述第一频谱特征与所述第二频谱特征的比值；将所述第二子带的第一频谱特征、第二频谱特征及第三频谱特征，所述第三子带的第一频谱特征、第二频谱特征及第三频谱特征，以及所述第四子带的第一频谱特征、第二频谱特征及第三频谱特征，确定为所述第一待训练样本的频谱特征；
第一模型构建模块，用于将所述第一待训练样本的频谱特征输入所述第一原始分类模型进行训练，以构建第一平滑滤波检测模型；所述第一平滑滤波检测模型用于检测图像是否经平滑滤波篡改及平滑滤波方式；
图像获取模块，用于获取待检测图像；
训练模块，用于将所述待检测图像输入第一平滑滤波检测模型；所述第一平滑滤波检测模型基于未滤波样本集、中值滤波样本集、均值滤波样本集以及高斯滤波样本集训练得到；
识别模块，用于根据所述第一平滑滤波检测模型的检测结果，识别所述待检测图像是否经平滑滤波篡改及平滑滤波方式。
10.一种图像平滑滤波检测建模装置，其特征在于，所述装置包括：
第一样本集构建模块，用于构建未滤波样本集、中值滤波样本集、均值滤波样本集以及高斯滤波样本集；
第一样本获取模块，用于获取并解析第一原始分类模型的训练指令，得到所述未滤波样本集、所述中值滤波样本集、所述均值滤波样本集以及所述高斯滤波样本集的存储地址，访问存储地址对应的存储空间，提取第一待训练样本；
第一特征提取模块，用于确定滤波图像矩阵；所述滤波图像矩阵通过对所述第一待训练样本与高通滤波器进行卷积运算得到；获取一维序列；所述一维序列由所述滤波图像矩阵按行重排得到；对所述一维序列的绝对值进行快速傅氏变换，得到所述第一待训练样本的一维频谱；对所述一维频谱进行最大值下采样，得到第一子带；对所述一维频谱进行中值下采样，得到第二子带；对所述第一子带进行局部中值下采样，得到第三子带；对所述第一子带进行局部标准差下采样，得到第四子带；分别提取所述第二子带、所述第三子带和所述第四子带中的第一频谱特征、第二频谱特征及第三频谱特征；所述第一频谱特征为中频区域最大值，所述第二频谱特征为高频区域最小值，所述第三频谱特征为所述第一频谱特征与所述第二频谱特征的比值；将所述第二子带的第一频谱特征、第二频谱特征及第三频谱特征，所述第三子带的第一频谱特征、第二频谱特征及第三频谱特征，以及所述第四子带的第一频谱特征、第二频谱特征及第三频谱特征，确定为所述第一待训练样本的频谱特征；
第一模型构建模块，用于将所述第一待训练样本的频谱特征输入第一原始分类模型进行训练，以构建第一平滑滤波检测模型；所述第一平滑滤波检测模型用于检测图像是否经平滑滤波篡改及平滑滤波方式。
11.一种图像中值滤波窗口检测建模装置，其特征在于，所述装置包括：
第二样本集构建模块，用于构建中值滤波样本集；
第二样本获取模块，用于从所述中值滤波样本集中获取第二待训练样本；
第二特征提取模块，用于分别对转置前和转置后的所述第二待训练样本进行一阶差分，得到两个差分矩阵；将所述两个差分矩阵分别转化为差分符号图，得到两个所述差分符号图；根据所述差分符号图，确定单调区间图谱，得到两个所述单调区间图谱；将所述两个单调区间图谱进行叠加，并将叠加结果归一化为经验分布；提取所述经验分布中设定数量的特征向量，作为所述第二待训练样本的频谱特征；
第二模型构建模块，用于将所述第二待训练样本的频谱特征输入第二原始分类模型进行训练，以构建第二平滑滤波检测模型；所述第二平滑滤波检测模型用于估计图像经中值滤波篡改的窗口规格。
12.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述方法的步骤。
13.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的方法的步骤。
CN201910649072.1A 2019-07-18 2019-07-18 图像篡改识别方法、装置、计算机设备及存储介质 Active CN110428402B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910649072.1A CN110428402B (zh) 2019-07-18 2019-07-18 图像篡改识别方法、装置、计算机设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910649072.1A CN110428402B (zh) 2019-07-18 2019-07-18 图像篡改识别方法、装置、计算机设备及存储介质

Publications (2)

Publication Number Publication Date
CN110428402A CN110428402A (zh) 2019-11-08
CN110428402B true CN110428402B (zh) 2022-05-10

Family

ID=68410942

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910649072.1A Active CN110428402B (zh) 2019-07-18 2019-07-18 图像篡改识别方法、装置、计算机设备及存储介质

Country Status (1)

Country Link
CN (1) CN110428402B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111723714B (zh) * 2020-06-10 2023-11-03 上海商汤智能科技有限公司 识别人脸图像真伪的方法、装置及介质
CN112232305B (zh) * 2020-11-19 2024-06-14 中国银联股份有限公司 图像检测方法、装置、电子设备及介质
CN113569686A (zh) * 2021-07-20 2021-10-29 武汉中旗生物医疗电子有限公司 一种健壮平滑滤波方法、系统、设备及存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106373115A (zh) * 2016-08-22 2017-02-01 天津大学 一种平滑滤波操作类型及参数识别方法
CN106851140A (zh) * 2016-12-05 2017-06-13 宁波大学 一种使用空域平滑滤波的数字照片图像来源识别方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7039236B2 (en) * 2000-12-14 2006-05-02 Matsushita Electric Works, Ltd. Image processor and pattern recognition apparatus using the image processor

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106373115A (zh) * 2016-08-22 2017-02-01 天津大学 一种平滑滤波操作类型及参数识别方法
CN106851140A (zh) * 2016-12-05 2017-06-13 宁波大学 一种使用空域平滑滤波的数字照片图像来源识别方法

Also Published As

Publication number Publication date
CN110428402A (zh) 2019-11-08

Similar Documents

Publication Publication Date Title
Kwon et al. Learning jpeg compression artifacts for image manipulation detection and localization
US20240046105A1 (en) Image Quality Assessment Using Similar Scenes as Reference
Bayar et al. On the robustness of constrained convolutional neural networks to jpeg post-compression for image resampling detection
CN110428402B (zh) 图像篡改识别方法、装置、计算机设备及存储介质
CN102880726B (zh) 一种图像过滤方法及系统
CN110163188B (zh) 视频处理以及在视频中嵌入目标对象的方法、装置和设备
JP2021531571A (ja) 証明書画像抽出方法及び端末機器
Yao et al. Detecting copy-move forgery using non-negative matrix factorization
CN110942456B (zh) 篡改图像检测方法、装置、设备及存储介质
CN111860496A (zh) 车牌识别方法、装置、设备及计算机可读存储介质
CN115358952B (zh) 一种基于元学习的图像增强方法、系统、设备和存储介质
Sharma et al. A hybrid technique to discriminate Natural Images, Computer Generated Graphics Images, Spliced, Copy Move tampered images and Authentic images by using features and ELM classifier
Liu et al. Detection of JPEG double compression and identification of smartphone image source and post-capture manipulation
Tang et al. Improving cloud type classification of ground-based images using region covariance descriptors
Hakimi et al. Image-splicing forgery detection based on improved lbp and k-nearest neighbors algorithm
CN113971821A (zh) 驾驶员信息确定方法、装置、终端设备及存储介质
Elsharkawy et al. New and efficient blind detection algorithm for digital image forgery using homomorphic image processing
CN111783732A (zh) 团雾识别方法、装置、电子设备及存储介质
Rana et al. MSRD-CNN: Multi-scale residual deep CNN for general-purpose image manipulation detection
Vega et al. Image tampering detection by estimating interpolation patterns
CN113436078B (zh) 一种自适用图像超分辨率重构方法及装置
Muhammad Multi-scale local texture descriptor for image forgery detection
Dixit et al. Utilization of edge operators for localization of copy-move image forgery using WLD-HOG features with connected component labeling
Zhao et al. Source camera identification based on coupling coding and adaptive filter
Joshi et al. First steps toward CNN based source classification of document images shared over messaging app

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