CN110490789A - 一种基于颜色与结构特征的图像摘要获取方法 - Google Patents

Abstract

本发明涉及一种基于颜色与结构特征的图像摘要获取方法，该方法包括如下步骤：1)图像预处理；2)颜色特征提取：对预处理后的图像进行分块处理，基于颜色向量角和颜色欧式距离提取颜色特征；3)结构特征提取：对预处理后的图像提取亮度分量，对亮度分量应用四叉树分解提取结构特征；4)联合颜色特征和结构特征，并将其扰乱得到图像哈希序列，获得图像摘要。与现有技术相比，本发明具有较好的鲁棒性，且具有很低的碰撞率，可用于图像篡改检测，同时可以利用结构特征定位篡改区域。

Description

一种基于颜色与结构特征的图像摘要获取方法

技术领域

本发明涉及一种图像处理方法，尤其是涉及一种基于颜色与结构特征的图像摘要获取方法。

背景技术

近年来，互联网技术快速发展，图像的内容安全问题受到了人们的广泛关注。图像编辑软件的更新换代，人们能够轻松的对图像内容进行篡改，因此需要专门的技术方式来保证图像内容的可信程度。图像摘要又称为图像Hash，将图像单向映射为简短的一串数字或者序列。图像哈希通常应具备以下基本性质：1)鲁棒性，图像经过保持内容的图像处理如亮度调整、对比度调整、压缩等操作后，图像摘要不会有很大改变；2)唯一性，不同图像具有不同的图像摘要；3)安全性，不知道正确的密钥下，无法获得正确的图像摘要。

当前已经有许多技术被用来获取图像摘要：

唐振军等人将图像分块后重构为二次图像，然后通过PCA降维压缩来构建哈希，此方法对大部分的常规处理具有鲁棒性，但运算耗时长。

Kozat S等人对图像分块然后进行奇异值分解操作，然后通过奇异值分解系数构建二次图像，再对二次图像应用奇异值分解得到哈希序列，该方法的唯一性有待提升。

Tang等人提出一种基于局部线性嵌入进行降维的图像哈希算法，该算法首先对图像通过分块并计算平均值来获得一个二次图像，然后利用局部线性嵌入降维，用降维后的方差来构建哈希算法。

Qin等人提出一种基于双交叉模式纹理和显著结构的哈希算法，该算法首先通过双交叉模式编码得到纹理特征，然后通过丰富的角点探测得到显著区域的结构特征，联合纹理与结构特征得到最终的哈希虚了，算法对JPEG压缩、高斯低通滤波和图像缩放具有较好的鲁棒性。

李伟新等人利用Gabor变换构建图像结构图，然后利用极坐标变换使算法对旋转具有鲁棒性，最后进行加权求和并量化哈希序列，该算法在保证较好的鲁棒性和区别性的同时还实现了紧凑性。

Tang等人设计了基于主要DCT系数的哈希方法，该方法首先对图像分块，然后对图像块做DCT变换，对每个图像块的DCT变换矩阵的第一行和第一列进行二范数距离计算来构建哈希，由于DCT变换后图像信息主要集中于低频部分，只提取第一行和第一列会丢失图像信息特征，导致图像分类性能有待提高。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于颜色与结构特征的图像摘要获取方法。

本发明的目的可以通过以下技术方案来实现：

一种基于颜色与结构特征的图像摘要获取方法，该方法包括如下步骤：

1)图像预处理；

2)颜色特征提取：对预处理后的图像进行分块处理，基于颜色向量角和颜色欧式距离提取颜色特征；

3)结构特征提取：对预处理后的图像提取亮度分量，对亮度分量应用四叉树分解提取结构特征；

4)联合颜色特征和结构特征，并将其扰乱得到图像哈希序列，获得图像摘要。

步骤1)图像预处理具体为：对输入的图像进行高斯低通滤波处理并调整为相同尺寸：N×N。

步骤2)具体为：

21)将预处理后图像分割为L×L的图像块，并对每一个图像块中的所有像素求均值处理得到矩阵M，矩阵M中的每个元素表示相应图像块所有像素的平均像素值；

22)计算矩阵M的颜色向量角矩阵C₁，提取颜色向量角矩阵C₁的横向变化矩阵FH₁与纵向变化矩阵FZ₁；

23)计算矩阵M的颜色欧式距离矩阵C₂，提取颜色欧式距离矩阵C₂的横向变化矩阵FH₂与纵向变化矩阵FZ₂；

24)联合FH₁、FZ₁、FH₂和FZ₂获取图像的颜色特征向量F_C。

步骤22)颜色向量角矩阵C₁通过如下方式获得：

(22a)对于矩阵M中的元素P₁＝[R₁,G₁,B₁]，分别求取其与参考点P₂＝[R_m,G_m,B_m]的向量角θ，R₁,G₁和B₁分别为RGB颜色空间的红色、绿色和蓝色通道，R_m,G_m和B_m分别为RGB颜色空间三个通道的参考值：

(22b)将sinθ作为颜色向量角矩阵C₁中对应位置处的颜色向量角；

进而，

FH₁＝C₁(·,1:end-1)-C₁(·,2:end)，

FZ₁＝C₁(1:end-1,·)-C₁(2:end,·)，

其中，C₁(·,·)表示所有行与所有列，end表示矩阵最后一行或最后一列，end-1表示矩阵倒数第二行或倒数第二列。

步骤23)颜色欧式距离矩阵C₂通过如下方式获得：

(23a)对于矩阵M中的元素P₁＝[R₁,G₁,B₁]，分别求取其与参考点P₂＝[R_m,G_m,B_m]的欧式距离d，R₁,G₁和B₁分别为RGB颜色空间的红色、绿色和蓝色通道，R_m,G_m和B_m分别为RGB颜色空间三个通道的参考值：

(23b)将d作为颜色欧式距离矩阵C₂中对应位置处的颜色欧式距离；

进而，

FH₂＝C₂(·,1:end-1)-C₂(·,2:end)，

FZ₂＝C₂(1:end-1,·)-C₂(2:end,·)，

其中，C₂(·,·)表示所有行与所有列，end表示矩阵最后一行或最后一列，end-1表示矩阵倒数第二行或倒数第二列。

步骤24)具体为：

24a)将FH₁、FZ₁按行展开为FH′₁和FZ′₁并将其联合起来量化处理得到颜色向量角变化矩阵FC₁：FC₁＝round(1000×[FH′₁,FZ′₁])，round(·)表示四舍五入操作；

24b)将FH₂、FZ₂按行展开为FH′₂和FZ′₂并将其联合起来量化处理得到颜色欧式距离变化矩阵FC₂：FC₂＝round(1000×[FH′₂,FZ′₂])，round(·)表示四舍五入操作；

24c)确定颜色特征F_C，其中，F_C中第j个元素为：F_C(j)＝FC₁(j)+FC₂(j)，j＝1,2,...,M，M为FC₁中元素个数，也即为FC₂中元素个数。

步骤3)具体为：

31)将预处理后的图像转换为L*a*b颜色空间，并提取L分量作为图像的亮度分量；

32)对亮度分量采用四叉树分解技术获得亮度分量的四叉树结构图；

33)将四叉树结构图分割为L×L个小块，按照光栅扫描顺序统计每个小块中所包含的不同大小的区域总数量作为该小块的结构特征，进而得到图像的结构特征向量F_S＝[N(1),N(2),N(3),...,N(k),...,N(L²)]，N(k)为第k个小块中所包含的不同大小的区域总数量，k＝1,2,...,L²。

步骤4)具体为：

41)联合颜色特征向量F_C和结构特征向量F_S得到特征序列F_CS：F_CS＝[F_C,F_S]；

42)利用伪随机数生成器产生与特征序列F_CS相同长度的数组G；

43)根据下式将F_S扰乱获得图像摘要：H(i)＝F_CS(G(i))，G(i)为数组G中第i个数。

与现有技术相比，本发明具有如下优点：

(1)本发明基于颜色与结构特征的图像摘要获取方法，具有较好的鲁棒性和唯一性，能够检测篡改图像，可以应用于图像认证、图像拷贝检测和图像篡改检测等领域。

(2)本发明方法结合了颜色信息与结构特征，具有较好的分类性能，具有很低的碰撞率，具有较高的识别率。

附图说明

图1为本发明基于颜色与结构特征的图像摘要获取方法的流程框图；

图2为本发明常规图像处理对Hash的影响示意图；

图3为本发明唯一性分析结果图；

图4为本发明原始图像、篡改图像、定位结果以及Hash距离实例图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。注意，以下的实施方式的说明只是实质上的例示，本发明并不意在对其适用物或其用途进行限定，且本发明并不限定于以下的实施方式。

实施例

如图1所示，一种基于颜色与结构特征的图像摘要获取方法，该方法包括如下步骤：

1)图像预处理；

2)颜色特征提取：对预处理后的图像进行分块处理，基于颜色向量角和颜色欧式距离提取颜色特征；

3)结构特征提取：对预处理后的图像提取亮度分量，对亮度分量应用四叉树分解提取结构特征；

4)联合颜色特征和结构特征，并将其扰乱得到图像哈希序列，获得图像摘要。

步骤1)图像预处理具体为：对输入的图像进行高斯低通滤波处理并调整为相同尺寸：N×N。

步骤2)具体为：

21)将预处理后图像分割为L×L的图像块，并对每一个图像块中的所有像素求均值处理得到矩阵M，矩阵M中的每个元素表示相应图像块所有像素的平均像素值；

22)计算矩阵M的颜色向量角矩阵C₁，提取颜色向量角矩阵C₁的横向变化矩阵FH₁与纵向变化矩阵FZ₁；

23)计算矩阵M的颜色欧式距离矩阵C₂，提取颜色欧式距离矩阵C₂的横向变化矩阵FH₂与纵向变化矩阵FZ₂；

24)联合FH₁、FZ₁、FH₂和FZ₂获取图像的颜色特征向量F_C。

步骤22)颜色向量角矩阵C₁通过如下方式获得：

(22a)对于矩阵M中的元素P₁＝[R₁,G₁,B₁]，分别求取其与参考点P₂＝[R_m,G_m,B_m]的向量角θ，R₁,G₁和B₁分别为RGB颜色空间的红色、绿色和蓝色通道，R_m,G_m和B_m分别为RGB颜色空间三个通道的参考值：

(22b)将sinθ作为颜色向量角矩阵C₁中对应位置处的颜色向量角；

进而，

FH₁＝C₁(·,1:end-1)-C₁(·,2:end)，

FZ₁＝C₁(1:end-1,·)-C₁(2:end,·)，

其中，C₁(·,·)表示所有行与所有列，end表示矩阵最后一行或最后一列，end-1表示矩阵倒数第二行或倒数第二列，此处运算可通俗解释为：FH₁由C₁逐列作差得到，即C₁第一列元素减去C₁第二列对应位置处的元素得到FH₁第一列元素，C₁第二列元素减去C₁第三列对应位置处的元素得到FH₁第二列元素，以此类推；FZ₁由C₁逐行作差得到，即C₁第一行元素减去C₁第二行对应位置处的元素得到FZ₁第一行元素，C₁第二行元素减去C₁第三行对应位置处的元素得到FZ₁第二行元素，以此类推。

步骤23)颜色欧式距离矩阵C₂通过如下方式获得：

(23a)对于矩阵M中的元素P₁＝[R₁,G₁,B₁]，分别求取其与参考点P₂＝[R_m,G_m,B_m]的欧式距离d，R₁,G₁和B₁分别为RGB颜色空间的红色、绿色和蓝色通道，R_m,G_m和B_m分别为RGB颜色空间三个通道的参考值：

(23b)将d作为颜色欧式距离矩阵C₂中对应位置处的颜色欧式距离；

进而，

FH₂＝C₂(·,1:end-1)-C₂(·,2:end)，

FZ₂＝C₂(1:end-1,·)-C₂(2:end,·)，

其中，C₂(·,·)表示所有行与所有列，end表示矩阵最后一行或最后一列，end-1表示矩阵倒数第二行或倒数第二列，此处运算可通俗解释为：FH₂由C₂逐列作差得到，即C₂第一列元素减去C₂第二列对应位置处的元素得到FH₂第一列元素，C₂第二列元素减去C₂第三列对应位置处的元素得到FH₂第二列元素，以此类推；FZ₂由C₂逐行作差得到，即C₂第一行元素减去C₂第二行对应位置处的元素得到FZ₂第一行元素，C₂第二行元素减去C₂第三行对应位置处的元素得到FZ₂第二行元素，以此类推。

步骤24)具体为：

24a)将FH₁、FZ₁按行展开为FH′₁和FZ′₁并将其联合起来量化处理得到颜色向量角变化矩阵FC₁：FC₁＝round(1000×[FH′₁,FZ′₁])，round(·)表示四舍五入操作；

24b)将FH₂、FZ₂按行展开为FH′₂和FZ′₂并将其联合起来量化处理得到颜色欧式距离变化矩阵FC₂：FC₂＝round(1000×[FH′₂,FZ′₂])，round(·)表示四舍五入操作；

24c)确定颜色特征F_C，其中，F_C中第j个元素为：F_C(j)＝FC₁(j)+FC₂(j)，j＝1,2,...,M，M为FC₁中元素个数，也即为FC₂中元素个数。

步骤3)具体为：

31)将预处理后的图像转换为L*a*b颜色空间，并提取L分量作为图像的亮度分量；

32)对亮度分量采用四叉树分解技术获得亮度分量的四叉树结构图；

33)将四叉树结构图分割为L×L个小块，按照光栅扫描顺序统计每个小块中所包含的不同大小的区域总数量作为该小块的结构特征，进而得到图像的结构特征向量F_S＝[N(1),N(2),N(3),...,N(k),...,N(L²)]，N(k)为第k个小块中所包含的不同大小的区域总数量，k＝1,2,...,L²。

步骤4)具体为：

41)联合颜色特征向量F_C和结构特征向量F_S得到特征序列F_CS：F_CS＝[F_C,F_S]；

42)利用伪随机数生成器产生与特征序列F_CS相同长度的数组G；

43)根据下式将F_S扰乱获得图像摘要：H(i)＝F_CS(G(i))，G(i)为数组G中第i个数。

接收方具有和发送方相同的密钥。接收方收到可能经过攻击后的图像以及正确的图像摘要H₁。图像认证包括以下几个步骤：

(1)首先对接收图像通过正确密钥按照图像摘要生成方法求出摘要H₂。

(2)图像摘要H₁和H₂之间的欧氏距离即为两个图像Hash的距离。若距离小于阈值，则认为收到的图像与发送的图像是相似图像，否则图像是被攻击的图像。

(3)如果图像被判断为篡改图像，利用密钥恢复图像摘要H₂的原始排序，取结构特征序列F_S来定位篡改区域。

具体实施方案及性能分析：

在实施方案中对参数做如下设置：图像规格化大小N＝256，图像块大小L＝8，因此图像块的总个数为8×8＝64，颜色特征序列为112个十进制数,结构特征序列长度为64个十进制数，因此最终图像Hash是长度为112+64＝176个十进制数。

稳健性分析：

在稳健性分析中，对5幅512×512的测试图像Airplane，House，Lena，Baboon和Peppers进行各种常规处理，包括用光影魔术手进行嵌入水印；用Photoshop进行JPEG压缩编码、亮度调整和对比度调整；用MATLAB进行图像缩放、Gamma校正、添加高斯噪音、椒盐噪音、乘性噪音、旋转和3×3高斯低通滤波。表1列出了稳健性性能分析中各种保持内容的图像处理所用参数。

表1

对原始图像的Hash与经过不同处理后图像的Hash计算距离，如图2所示，图中横轴的序号对应于表1列出的各种处理序号，纵轴表示Hash距离，可以看出，随着旋转角度的增加，哈希距离急剧增加，这是因为采用了分块方案，旋转使图形块内容发生重大变化。可见本发明方法对图像旋转以外的常规图像处理具有良好的鲁棒性。

唯一性性能分析：

图像Hash的唯一性又称为抗碰撞性，即两幅内容不同的图像应具有完全不同的图像Hash。图3给出1000幅不同图像生成的C² ₁₀₀₀＝499500个图像对的Hash距离的概率分布图。均值和标准差分别为1525.1和326，可以看出哈希距离基本都大于500。

阈值确定：

首先建立Hash距离数据集，其中包括499500个不同图像对Hash距离和20000个相似图像对Hash距离。相似图像对包括JPEG压缩、Gamma校正、乘性噪音、亮度调整、对比度调整、椒盐噪音、水印、图像缩放、高斯滤波和高斯噪音。经过鲁棒性实验和唯一性实验可以知道阈值范围在460至660。方便起见将阈值定为500。

检错率和碰撞率：

定义检错率和碰撞率如下：

表2为本发明方法在阈值取500时的检错率和碰撞率。在图像Hash的性能指标中，碰撞率和检错率都很重要。从表2中可以看出本方法碰撞率较低。

表2

篡改检测分析：

图4为原图像与篡改图像以及Hash距离实例图，此为篡改检测的一些实例。可以看出所有图像对的距离都大于确定的阈值T(500)。总之，本专利提出的方法具有较好的稳健性和唯一性，能够检测篡改图像。它可以广泛应用于图像认证和图像检索领域。

上述实施方式仅为例举，不表示对本发明范围的限定。这些实施方式还能以其它各种方式来实施，且能在不脱离本发明技术思想的范围内作各种省略、置换、变更。

Claims (8)

1.一种基于颜色与结构特征的图像摘要获取方法，其特征在于，该方法包括如下步骤：

1)图像预处理；

2)颜色特征提取：对预处理后的图像进行分块处理，基于颜色向量角和颜色欧式距离提取颜色特征；

3)结构特征提取：对预处理后的图像提取亮度分量，对亮度分量应用四叉树分解提取结构特征；

4)联合颜色特征和结构特征，并将其扰乱得到图像哈希序列，获得图像摘要。

2.根据权利要求1所述的一种基于颜色与结构特征的图像摘要获取方法，其特征在于，步骤1)图像预处理具体为：对输入的图像进行高斯低通滤波处理并调整为相同尺寸：N×N。

3.根据权利要求1所述的一种基于颜色与结构特征的图像摘要获取方法，其特征在于，步骤2)具体为：

21)将预处理后图像分割为L×L的图像块，并对每一个图像块中的所有像素求均值处理得到矩阵M，矩阵M中的每个元素表示相应图像块所有像素的平均像素值；

22)计算矩阵M的颜色向量角矩阵C₁，提取颜色向量角矩阵C₁的横向变化矩阵FH₁与纵向变化矩阵FZ₁；

23)计算矩阵M的颜色欧式距离矩阵C₂，提取颜色欧式距离矩阵C₂的横向变化矩阵FH₂与纵向变化矩阵FZ₂；

24)联合FH₁、FZ₁、FH₂和FZ₂获取图像的颜色特征向量F_C。

4.根据权利要求3所述的一种基于颜色与结构特征的图像摘要获取方法，其特征在于，步骤22)颜色向量角矩阵C₁通过如下方式获得：

(22a)对于矩阵M中的元素P₁＝[R₁,G₁,B₁]，分别求取其与参考点P₂＝[R_m,G_m,B_m]的向量角θ，R₁,G₁和B₁分别为RGB颜色空间的红色、绿色和蓝色通道，R_m,G_m和B_m分别为RGB颜色空间三个通道的参考值：

(22b)将sinθ作为颜色向量角矩阵C₁中对应位置处的颜色向量角；

进而，

FH₁＝C₁(·,1:end-1)-C₁(·,2:end)，

FZ₁＝C₁(1:end-1,·)-C₁(2:end,·)，

其中，C₁(·,·)表示所有行与所有列，end表示矩阵最后一行或最后一列，end-1表示矩阵倒数第二行或倒数第二列。

5.根据权利要求3所述的一种基于颜色与结构特征的图像摘要获取方法，其特征在于，步骤23)颜色欧式距离矩阵C₂通过如下方式获得：

(23a)对于矩阵M中的元素P₁＝[R₁,G₁,B₁]，分别求取其与参考点P₂＝[R_m,G_m,B_m]的欧式距离d，R₁,G₁和B₁分别为RGB颜色空间的红色、绿色和蓝色通道，R_m,G_m和B_m分别为RGB颜色空间三个通道的参考值：

(23b)将d作为颜色欧式距离矩阵C₂中对应位置处的颜色欧式距离；

进而，

FH₂＝C₂(·,1:end-1)-C₂(·,2:end)，

FZ₂＝C₂(1:end-1,·)-C₂(2:end,·)，

其中，C₂(·,·)表示所有行与所有列，end表示矩阵最后一行或最后一列，end-1表示矩阵倒数第二行或倒数第二列。

6.根据权利要求3所述的一种基于颜色与结构特征的图像摘要获取方法，其特征在于，步骤24)具体为：

24a)将FH₁、FZ₁按行展开为FH′₁和FZ′₁并将其联合起来量化处理得到颜色向量角变化矩阵FC₁：FC₁＝round(1000×[FH′₁,FZ′₁])，round(·)表示四舍五入操作；

24b)将FH₂、FZ₂按行展开为FH′₂和FZ′₂并将其联合起来量化处理得到颜色欧式距离变化矩阵FC₂：FC₂＝round(1000×[FH′₂,FZ′₂])，round(·)表示四舍五入操作；

24c)确定颜色特征F_C，其中，F_C中第j个元素为：F_C(j)＝FC₁(j)+FC₂(j)，j＝1,2,...,M，M为FC₁中元素个数，也即为FC₂中元素个数。

7.根据权利要求3所述的一种基于颜色与结构特征的图像摘要获取方法，其特征在于，步骤3)具体为：

31)将预处理后的图像转换为L*a*b颜色空间，并提取L分量作为图像的亮度分量；

32)对亮度分量采用四叉树分解技术获得亮度分量的四叉树结构图；

33)将四叉树结构图分割为L×L个小块，按照光栅扫描顺序统计每个小块中所包含的不同大小的区域总数量作为该小块的结构特征，进而得到图像的结构特征向量F_S＝[N(1),N(2),N(3),...,N(k),...,N(L²)]，N(k)为第k个小块中所包含的不同大小的区域总数量，k＝1,2,...,L²。

8.根据权利要求7所述的一种基于颜色与结构特征的图像摘要获取方法，其特征在于，步骤4)具体为：

41)联合颜色特征向量F_C和结构特征向量F_S得到特征序列F_CS：F_CS＝[F_C,F_S]；

42)利用伪随机数生成器产生与特征序列F_CS相同长度的数组G；

43)根据下式将F_S扰乱获得图像摘要：H(i)＝F_CS(G(i))，G(i)为数组G中第i个数。