CN111027573B - 基于盲取证技术的图像真伪鉴别方法 - Google Patents
基于盲取证技术的图像真伪鉴别方法 Download PDFInfo
- Publication number
- CN111027573B CN111027573B CN201911250961.7A CN201911250961A CN111027573B CN 111027573 B CN111027573 B CN 111027573B CN 201911250961 A CN201911250961 A CN 201911250961A CN 111027573 B CN111027573 B CN 111027573B
- Authority
- CN
- China
- Prior art keywords
- image
- exif information
- matrix
- images
- noise characteristic
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 239000011159 matrix material Substances 0.000 claims abstract description 74
- 239000013598 vector Substances 0.000 claims description 32
- 206010034972 Photosensitivity reaction Diseases 0.000 claims description 8
- 230000036211 photosensitivity Effects 0.000 claims description 8
- 230000035945 sensitivity Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 238000011430 maximum method Methods 0.000 claims description 2
- 238000007796 conventional method Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 206010034960 Photophobia Diseases 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 208000013469 light sensitivity Diseases 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G06T5/70—
-
- 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
- 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
- G06V10/20—Image preprocessing
- G06V10/34—Smoothing or thinning of the pattern; Morphological operations; Skeletonisation
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Abstract
本发明公开了一种基于盲取证技术的图像真伪鉴别方法，包括以下步骤：取一组真实拍摄的图像进行训练，分别构造噪声特征矩阵X和EXIF信息矩阵Y；根据Wj＝(XTX)‑1XTYj得到权重Wj；再分别构造另一组真实拍摄的图像的噪声特征矩阵X'和EXIF信息矩阵Y'；根据|ej|＝|Y'j‑X'Wj|求出各EXIF信息特征的误差，并进一步获得综合阈值p；之后构建待检测图像的噪声特征矩阵X”和EXIF信息矩阵Y”，根据公式|e'j|＝|Y”j‑X”Wj|求出待检测图像的各EXIF信息特征的误差，并进一步获得总误差p'，最后将p'与p比较来判断待检测图像的真伪。
Description
技术领域
本发明涉及图像真伪的识别方法，具体涉及一种基于盲取证技术的图像真伪鉴别方法。
背景技术
随着现代计算机科学与技术的高速发展，有着高分辨率的数码相机和功能强大的图像制作软件变得常见，它们的出现使人们的日常休闲生活变得越来越精彩，但同时利用软件对图像的修改也带来很多的信任危机。一些居心叵测的人利用这些高级软件篡改图像，增加了法律鉴定、行政破案、重要信息调查、科学实验等重要领域的取证难度性，这些伪造的图像会误导大众对于真相的判断，造成一定损失甚至是重大的损失，因此研究图像的真伪鉴别技术变得越来越重要。
虽然盲取证研究在国内外都取得了一定的成绩，但是目前盲取证技术还处于探索阶段，还存在着一些问题需要去解决，主要有一下几个不足：
(1)现有的盲取证技术能够识别的种类比较单一。盲取证技术相关的算法只是针对某个方面进行识别，比如拼接、合成，如果该算法拿去识别增强过图像，那么就很可能识别不出来。所以目前还没有一个算法能够识别全部的篡改种类。
(2)现有的盲取证算法适应性还比较弱。虽然盲取证技术发展到现在已经有了很多理论的成果，但是现实的网络环境非常复杂，篡改的图像种类也很复杂，这使得许多图像篡改检测方法仅仅只是在实验室中获得成功，如果图像的篡改种类超过实验室数据库中篡改的种类，那么检测的结果可能会出现错误，导致篡改的图像被识别为正常图像。
(3)现有的盲取证算法鲁棒性还比较差，如果图片受到了压缩或者是增加噪声，那么有些盲取证算法可能会失效。
因此，有必要提出一个更为健全的能够识别全部篡改种类的盲取证识别真伪方法。
发明内容
本发明要解决的技术问题是基于现有技术存在的不足，提供一种能够识别出全部篡改的基于盲取证技术的图像真伪鉴别方法。
这解决上述技术问题，本所述的基于盲取证技术的图像真伪鉴别方法，包括以下步骤：
1)从一组真实拍摄的图像中提取各图像的噪声特征，得到各图像的噪声特征向量Xi，其中，1≤i≤n且为整数，n表示真实拍摄的图像的幅数，为正整数；然后将所有图像的噪声特征向量构成一个噪声特征矩阵X；
2)对同一组真实拍摄图像中的每一幅图像提取j个EXIF信息特征，其中j≥1且为正整数，得到各图像的EXIF信息特征向量Yi，将所有图像的EXIF信息特征向量构成一个矩阵，得到EXIF信息矩阵Y；
3)根据公式Wj＝(XTX)-1XTYj((XTX)-1表示矩阵XTX的逆矩阵，XT表示矩阵X的逆矩阵)建立图像的噪声特征和EXIF信息特征的相关性，得到权重Wj；其中Yj为EXIF信息矩阵Y的第j列；
4)从另一组真实拍摄的图像中分别提取各图像的噪声特征和EXIF信息特征，分别构造得到所有图像的噪声特征矩阵X'和EXIF信息矩阵Y'；根据公式|ej|＝|Y'j-X'Wj|求出各EXIF信息特征的误差，并将各EXIF信息特征的最大误差作为EXIF信息特征的分量阈值pj，然后将各分量阈值pj之和作为综合阈值p；
5)从待检测图像中分别提取图像的噪声特征和EXIF信息特征，分别构造该图像的噪声特征矩阵X”和EXIF信息矩阵Y”；根据公式|e'j|＝|Y”j-X”Wj|求出待检测图像的各EXIF信息特征的误差，并将各EXIF信息特征的最大误差相加得到总误差p'，再将该总误差p'与综合阈值p进行比较，当总误差p'小于综合阈值p时说明待检测图像为真实图像，否则为篡改图像。
本发明所述方法的步骤1)中，n的取值越大，本发明所述算法的精度越高。实现步骤1)的具体方法如下：
1.1)将各真实拍摄的图像进行灰度化，得到相应的灰度化图像；
1.2)对各灰度化图像进行去噪，得到相应的去噪后的平滑图像；
1.3)将灰度化图像和与其对应的平滑图像做差，得到相应的残差图；
1.4)对各残差图进行二值化，得到相应的二值化后的图像；
1.5)从各二值化后的图像中获取网格特征数字统计图，得到相应的噪声特征统计表；
1.6)将所得各噪声特征统计表转化为一维的特征向量，即得到各图像的噪声特征向量值Xi；
1.7)将所有图像的噪声特征向量构成一个噪声特征矩阵X。
在上述实现构造噪声特征矩阵X方法的步骤1.1)中，采用常规的方法将图像进行灰度化，优选是采用最大值法将各真实拍摄的图像转化为灰度化图像。
在上述实现构造噪声特征矩阵X方法的步骤1.2)中，采用常规的方法对灰度化图像进行去噪，优选是通过高斯滤波对灰度化图像进行去噪。
在上述实现构造噪声特征矩阵X方法的步骤1.3)中，采用现有常规方法将灰度化图像和平滑图像做差。
在上述实现构造噪声特征矩阵X方法的步骤1.4)中，在进行二值化的过程中，采用图像的平均灰度值作为二值化阈值g，将大于阈值g的像素设为1；将小于阈值g的像素设为0：
其中，C表示残差图矩阵，x，y分别表示矩阵的横坐标和纵坐标，A'表示残差图矩阵C二值化后的矩阵。
残差图经二值化之后也可以说是变成了1或0的矩阵。
在上述实现构造噪声特征矩阵X方法的步骤1.5)中，通过将二值化后的图像水平平均划线分成a等份，且将其竖直平均划线分成a等份，然后分别统计每一份中像素为1的个数，再将每一份中的统计值组合在一起，构成一个a*a的噪声特征统计表。对于a的取值可根据需要进行确定，优选为5-10之间的任意正整数，进一步优选a＝8。
本发明所述方法的步骤2)中，提取的EXIF信息特征的个数可根据需要进行确定，本申请中优选为5个，分别对应为快门速度、感光度、光圈值、亮度值和曝光值，计算公式分别如下：
快门速度：
感光度：
光圈值：q＝log2(N2)；
亮度值：l＝q+k-g；
曝光值：b＝q+k；
上述公式中，k表示快门速度，单位为秒，t表示曝光时间，单位为秒；g表示感光度，I表示感光速率；q表示光圈值，N是光圈数；l表示亮度值；b表示曝光值。
本发明所述方法的步骤4)中，所述另一组真实拍摄的图像应与步骤1)中选取的真实拍摄的图像不重复，其数量可以根据需要选取，同样的，选取的图像数量越大，本发明所述算法的精度越高，进一步优选与前述步骤1)中的图像数量相同。
与现有技术相比，本发明以图像的噪声特征信息为切入点，提取图像的噪声特征和图像的EXIF信息特征，并研究两者之间的相关性，利用这种相关性来估计待检测图像的EXIF信息的特征，并检测该图像的真伪性，判断该图像是否经过了修改，以此确定图像是否已被图像滤镜、模糊等修改。基于此，本发明所述方法能够识别出全部类型的篡改图像。
附图说明
图1为本发明实施例1中由真实拍摄的图像图像得到权重的流程图。
图2为本发明实施例1中对待检测图像进行真伪鉴别的流程图。
图3为本发明实施例2中作为例子进行展开描述的第1幅真实拍摄的图像。
图4为本发明实施例2中对图3所示图像进行灰度化后所得的灰度化图像。
图5为本发明实施例2中对图4所示图像进行去噪后所得的平滑图像。
图6为本发明实施例2中将图4所示图像和图5所示图像做差后所得的残差图；
图7为本发明实施例2中对图6所示图像进行二值化后所得的二值化后的图像；
图8为本发明实施例2中作为待检测图像的图像。
具体实施方式
下面结合具体实施例对本发明作进一步的详述，以更好地理解本发明的内容，但本发明并不限于以下实施例。
实施例1
基于盲取证技术的图像真伪鉴别方法，包括以下步骤：
1)从一组真实拍摄的图像中提取各图像的噪声特征，得到各图像的噪声特征向量Xi，其中，1≤i≤n且为整数，n表示真实拍摄的图像的幅数，为正整数；然后将所有图像的噪声特征向量构成一个噪声特征矩阵X；具体包括以下步骤：
1.1)采用最大值法A(e,f)＝max(R(e,f),G(e,f),B(e,f))(其中e,f分别表示为图像中像素矩阵的行和列，R、G、B分别表示图像中红、黄、蓝各颜色分量矩阵，A表示灰度化后的图像矩阵)将各真实拍摄的图像转化为灰度化图像，得到二维的灰度化图像；
1.2)通过高斯滤波
(其中σ为1.0，e,f分别表示像素矩阵的行和列)对各灰度化图像进行去噪，得到去噪后的平滑图像；
1.3)将各灰度化图像和与其对应的平滑图像做差，得到相应的残差图；
1.4)对各残差图进行二值化，得到相应的二值化后的图像；
以整幅图像的平均灰度值作为二值化阈值g，将大于阈值g的像素设为1；将小于阈值g的像素设为0，二值化之后也可以说是变成了1或0的矩阵：
其中，C表示残差图矩阵，x，y分别表示矩阵的横坐标和纵坐标，A'表示残差图矩阵C二值化后的矩阵；
1.5)从各二值化后的图像中获取网格特征数字统计图，得到相应的噪声特征统计表；
通过将二值化后的图像水平平均划线分成8等份，且将其竖直平均划线分成8等份，然后分别统计每一份中像素为1的个数，再将每一份中的统计值组合在一起，构成一个8*8的噪声特征统计表；
1.6)将所得各噪声特征统计表转化为一维的特征向量，即得到各图像的噪声特征向量Xi；
1.7)将所有图像的噪声特征向量构成一个噪声特征矩阵X；
2)对步骤1)选取的真实拍摄图像中的每一幅图像提取j个EXIF信息特征，其中j＝5，得到各图像的EXIF信息特征向量Yi，将所有图像的EXIF信息特征向量构成一个矩阵，得到EXIF信息矩阵Y；
所述的5个EXIF信息特征为分别对应为快门速度(j＝1)、感光度(j＝2)、光圈值(j＝3)、亮度值(j＝4)和曝光值(j＝5)，计算公式分别如下：
快门速度：
感光度：
光圈值：q＝log2(N2)；
亮度值：l＝q+k-g；
曝光值：b＝q+k；
上述公式中，k表示快门速度，单位为秒，t表示曝光时间，单位为秒；g表示感光度，I表示感光速率；q表示光圈值，N是光圈数；1表示亮度值；b表示曝光值；
3)根据公式Wj＝(XTX)-1XTYj建立图像的噪声特征和EXIF信息特征的相关性，得到权重Wj；其中Yj为EXIF信息矩阵Y的第j列；由真实拍摄的图像图像得到权重的流程图如图1所示；
4)从另一组数量与步骤1)选取的真实图像数量相当但不重复的真实拍摄的图像中分别提取各图像的噪声特征和EXIF信息特征，分别构造得到所有图像的噪声特征矩阵X′和EXIF信息矩阵Y′；根据公式|ej|＝|Y′j-X′Wi|求出各EXIF信息特征的误差，并将各EXIF信息特征的最大误差作为EXIF信息特征的分量阈值pj，然后将各分量阈值pj之和作为综合阈值p；
5)从待检测图像中分别提取图像的噪声特征和EXIF信息特征，分别构造该图像的噪声特征矩阵X″和EXIF信息矩阵Y″；根据公式|e′j|＝|Y″j-X″Wj|求出待检测图像的各EXIF信息特征的误差，并将各EXIF信息特征的最大误差相加得到总误差p′，再将该总误差p′与综合阈值p进行比较，当总误差p′小于综合阈值p时说明待检测图像为真实图像，否则为篡改图像。对待检测图像进行真伪鉴别的流程图如图2所示。
实施例2
下面以一个具体的例子来进一步说明本发明所述方法，以更好地理解本发明的内容。
基于盲取证技术的图像真伪鉴别方法，包括以下步骤：
1)从10幅真实拍摄的图像中提取各图像的噪声特征，得到各图像的噪声特征向量Xi，其中，1≤i≤10且为整数；然后将所有图像的噪声特征向量构成一个噪声特征矩阵X；具体的实现步骤如下：
1.1)将各真实拍摄的图像进行灰度化，得到二维的灰度化图像；具体以图3所示的图像作为第1幅真实拍摄的图像为例进行展开描述：
采用最大值法A(e,f)＝max(R(e,f),G(e,f),B(e,f))(其中e,f分别表示为图像中像素矩阵的行和列，R、G、B分别表示图像中红、黄、蓝各颜色分量矩阵，A表示灰度化后的图像矩阵)将图像转化为灰度化图像(如图4所示)。在灰度化之前，图像是三维的，在灰度化之后图像是二维的。
1.2)对灰度化图像进行去噪，得到去噪后的平滑图像；
通过高斯滤波
(其中σ为1.0，e,f分别表示像素矩阵的行和列)对图4所示灰度化图像去噪，去噪后得到平滑图像(如图5所示)。
1.3)将灰度化图像和平滑图像做差，得到残差图；
将图4所示灰度化图像和图5所示平滑图像做差，得到残差图(如图6所示)，残差图就是图像的噪声。
1.4)对残差图进行二值化，得到二值化后的图像；
对图5所示的残差图进行二值化，二值化后的图像如图7所示。二值化是将整个图像呈现出明显的黑白效果的过程，使图像中数据量大为减少，从而能凸显出目标的轮廓，简单来说就是将数组转换为0和1的形式。在转换之前，需要设置一个阈值，在本例中以整幅图像的平均灰度值作为二值化阈值g，将大于阈值g的像素设为1；将小于阈值g的像素设为0，二值化之后也可以说是变成了1或0的矩阵：
其中，C表示残差图矩阵，x，y分别表示矩阵的横坐标和纵坐标，A'表示残差图矩阵C二值化后的矩阵。。
1.5)从二值化后的图像中获取网格特征数字统计图，得到噪声特征统计表；
在图像二值化之后要获取网格特征数字统计图，也就是噪声的特征。首先将二值化后的矩阵(即二值化后的图像)水平平均划线分成8份，竖直平均划线分成8份，然后分别统计每一份中像素点为1的个数，最后将每一份的统计值组合在一起，构成8*8的噪声特征统计表，如下述表1所示。
表1：
1.6)将所得噪声特征统计表转化为一维的特征向量，即得到噪声特征向量值Xi；
1.7)将上述二维的噪声特征统计表转化为一维的特征向量，即将噪声特征统计表的每一行全部放到一行即得到一维向量，所得一维向量就是图像的噪声特征值。
X1＝[0,0,0,0,2,1,0,7,1,0,0,2,3,11,66,51,5,11,29,90,120,147,151,156,122,125,1
09,121,111,100,100,54,24,50,82,90,73,17,101,60,25,75,62,47,41,33,9,2,9,8,4,9,6,11,3,1,0,0,0,1,1,6,1,2]
按上述步骤1.1)至步骤1.6)所述方法获得其它9幅图像的噪声特征向量，分别如下：
X2＝[0,0,1,0,2,1,3,1,10,17,12,16,4,51,23,44,114,90,94,83,44,89,133,135,99,
94,120,125,109,94,147,85,87,90,91,124,120,83,146,131,65,23,72,76,80,72,67,51,8,4,3,15,6,6,7,3,4,0,5,3,5,2,3]
X3＝[2,2,4,1,1,4,4,3,59,57,63,24,56,45,32,5,124,70,103,119,42,45,96,88,143,
136,132,83,85,86,136,146,128,89,131,87,88,125,103,126,65,55,65,34,64,79,
72,25,7,7,11,10,13,7,5,4,5,1,2,3,1,4,3,1]
X4＝[0,0,0,0,5,6,2,1,10,26,15,17,28,60,53,77,61,12,36,19,28,36,63,8,136,142,
74,74,51,136,56,17,118,59,37,61,15,20,142,144,87,229,36,53,124,3,7,26,98,
110,98,68,83,45,12,15,6,8,1,3,8,6,1,0]
X5＝[0,1,0,2,0,1,3,1,9,63,24,49,78,35,56,61,82,109,43,142,52,62,126,89,134,
108,99,82,127,110,112,123,84,102,134,129,88,89,86,80,45,59,64,52,26,58,
27,28,4,4,5,5,7,7,5,6,6,4,3,1,1,0,6,4]
X6＝[0,2,0,0,0,1,2,2,6,55,33,79,33,50,13,31,49,121,135,72,112,65,94,130,122,
103,101,112,110,105,119,132,110,110,88,81,100,102,126,147,77,47,34,66,
66,65,65,26,11,9,5,4,13,5,5,11,6,3,4,1,6,3,4,0]
X7＝[0,4,1,0,0,3,2,3,15,21,2,74,53,75,14,74,126,99,83,61,120,57,37,122,127,
130,125,109,107,137,102,137,136,140,115,125,147,111,84,141,58,41,80,33,
59,56,43,28,3,8,5,12,7,13,12,10,1,6,1,6,1,2,0,4]
X8＝[0,1,4,2,4,2,4,1,73,65,60,66,31,50,47,43,63,60,84,57,127,149,33,94,86,
136,150,84,146,81,128,135,117,142,143,124,89,95,92,82,26,57,77,41,45,80,
77,61,15,12,7,11,6,6,11,9,2,4,5,4,3,4,3,0]
X9＝[0,0,0,5,2,5,3,3,18,11,25,59,63,56,1,68,141,123,35,75,115,118,57,62
,127,113,124,96,92,138,134,146,87,92,87,114,93,143,87,83,53,67,39,30,40,
32,51,75,11,4,8,3,9,8,15,13,3,6,0,2,6,0,0,0]
X10＝[0,0,0,1,0,5,2,4,67,26,45,79,44,27,50,29,121,80,89,114,147,69,131,119,
147,82,105,127,99,96,130,124,121,126,83,104,112,97,130,140,37,64,28,71,
28,55,42,69,9,9,14,7,8,15,3,15,1,0,5,3,0,0,0,0]
最后将各噪声特征向量构成一个噪声特征矩阵X，如下：
X＝[X1；X2；X3；X4；X5；X6；X7；X8；X9；X10]
2)对步骤1)所选取的10幅真实拍摄的图像中的每一幅图像提取5个EXIF信息特征，得到各图像的EXIF信息特征向量Yi，将所有图像的EXIF信息特征向量构成一个矩阵，得到EXIF信息矩阵Y；
其中，提取的5个EXIF信息特征分别对应为快门速度(j＝1)、感光度(j＝2)、光圈值(j＝3)、亮度值(j＝4)和曝光值(j＝5)，计算公式分别如下：
快门速度：
感光度：
光圈值：q＝log2(N2)；
亮度值：l＝q+k-g；
曝光值：b＝q+k；
上述公式中，k表示快门速度，单位为秒，t表示曝光时间，单位为秒；g表示感光度，I表示感光速率；q表示光圈值，N是光圈数；1表示亮度值；b表示曝光值。
从10幅真实拍摄的图像中提取所得的各图像的EXIF信息特征向量分别如下：
Y1＝[1.8，10.044，4，7.8443，11.844]
Y2＝[1.8，8.0661，2.6781，7.188，9.8661]
Y3＝[1.8，3.7004，5，0.50044，5.5004]
Y4＝[1.8，10.548，2.6781，9.6698，12.348]
Y5＝[2.2，5.0589，7，0.25889，7.2589]
Y6＝[2.2，5.0589，6.3219，0.93697，7.2589]
Y7[2.2，5.6439，7，0.84386，7.8439]
Y8＝[2.2，5.0589，6.6781，0.58082，7.2589]
Y9＝[2.2，6.6439，7.6781，1.1658，8.8439]
Y10＝[2.2，4.3219，7.6781，-1.1561，6.5219]
最后将各EXIF信息特征向量构成一个噪声特征矩阵Y(注意矩阵中各列与前述限定的j＝1至5是哪个参数对应)，如下：
Y＝[y1；y2；y3；y4；y5；y6；y7；y8；y9；y10]
3)根据公式Wj＝(XTX)-1XTYj建立图像的噪声特征和EXIF信息特征的相关性，得到权重Wj；其中Yj为EXIF信息矩阵Y的第j列，Wj为第j个EXIF信息特征的权重，所得各权重分别如下：
W1＝[13.5781250000000 -6.92578125000000 -4.654687500000003.25000000000000 0.818750000000000 -1.24707031250000 -1.97890625000000 -0.0546874999999999 0.117410278320313 -0.0126953125000000 0.08784179687500000.0618164062500000 0.0502441406250000 -0.0182617187500000 -0.0256347656250000
0.0372070312500000 -0.00307617187500000 -0.0121337890625000
0.0132812500000000 0.0230133056640625 -0.00114135742187500
-0.0191650390625000 0.0459472656250000 -0.0394531250000000
-0.00268592834472656 -0.0170776367187500 0.0197387695312500-0.0197265625000000 -0.0180664062500000 -0.00381469726562500
-0.00297851562500000 -0.0240234375000000 0.0150390625000000-0.0126953125000000 0.00458984375000000 0.00574951171875000
-0.0237792968750000 -0.00366210937500000 0.008020019531250000.0411865234375000 0.0218017578125000 -0.0201049804687500
-0.0102050781250000 -0.0122314453125000 -0.0310058593750000-0.00313720703125000 -0.0375976562500000 0.0242797851562500-0.0193847656250000-0.00605468750000000 -0.0291503906250000-0.08603515625000000.00217285156250000 0.113696289062500
-0.0230468750000000 -0.0326904296875000 0.02500000000000000.0783203125000000 0.963964843750000 0.560742187500000
1.72812500000000 0.244921875000000 1.75468750000000
1.86533203125000]
W2＝[50.6782948980320-33.5991626353336 -15.6971033682178
8.96038466608075 1.48524494572439 -2.71711040028090
-6.46966481326560 -1.11293446080406 0.458716148614814
-0.0407915268182392 0.237049596370738 0.127815754033202
0.207668058975109 0.0460795936449668 -0.0794930858690069
0.216869774526604 0.0208907797543615 -0.0479616611976849
0.0833810931249841 0.0895690819125795 0.0484981168561712
-0.0466730863680550 0.178958026731442 -0.124492210559591
-0.00608399489224911 -0.0576002732915846 0.0519475270703532-0.0809163962633256 -0.0499965421561974 0.0251298629540576-0.0173436448576849-0.0619126634396937 0.0140234472296285-0.122509700368453 0.0531530834622495 -0.00740319721150351
-0.0439052609929613 -0.00418790958310676 0.05122656475391590.115530638150646 0.0498969523139224 -0.0388931948386714
0.0435187067992294 -0.0769791124484277 -0.0787532287484941
-0.0220073682988921 -0.143387977021454 0.0996150383766017
-0.0932064958474759 -0.00884446542244740 0.0506885940602624-0.123491749474039 0.0884940418559205 0.269245878670452
-0.0723207525478519 -0.258964849003827 0.0570901726804566
0.217705580523377 1.87262872485178 1.77937223204608
3.42045149744189 1.55954564278488 4.50394461526292
5.66294534503525]
W3＝[33.1305178141112-16.0726645750260 -12.2237869110177
9.58826427272497 2.30634013041932 -3.27420748369759
-5.46961582508953 0.470517767791380 0.288052588567991
-0.0473131605732355 0.268633283226291 0.231371655508693
0.144793621541094 -0.0893455912800333 -0.0667491079546898
0.0389250634873517 -0.0299015258155970 -0.0336369255184390
0.0310392731595097 0.0740772935939306 -0.0381512940493604
-0.0457257738389093 0.122502405662867 -0.114093791625130
-0.00345407950780833 -0.0413679794186967 0.0640479972053144-0.0371294966033989 -0.0465723852521081 -0.02183288069741240.00156014636854570-0.0714697902671247 0.07962543756190790.0108038399981229 -0.02664227254201800.0242724879259740
-0.0868877674778719 0.00225915445903602 0.009171126651968830.111561732151474 0.0810104509018712 -0.0667622554657538
-0.0609688156953012 -0.00880653140417450 -0.0725211671188060
-0.00446145048488574 -0.130454628211274 0.0682051255867362
-0.0612301215418878 -0.0634579649204404 -0.143811541625924-0.343823656991308 -0.0347347963190194 0.390714418539910
0.0251233147239225 -0.00560659158877912 0.0220068033614406
0.449301551134343 3.18833187253162 1.05061502914434
5.70772977668707 0.144261006416199 4.64688240710639
4.60131872603847]
W4＝[31.1259020839208-24.4522793103076 -8.12800395720014
2.62212039335578 -0.00234518469492653 -0.689973229083308
-2.97895523817607 -1.63813972859544 0.288073838367136
-0.00617367874500377 0.0562581100194471 -0.0417394952254905
0.113118578059015 0.117163466175000 -0.0383787435393172
0.215151742289253 0.0477161336949587 -0.0264585247417461
0.0656230699654744 0.0385050939827114 0.0855080534836566
-0.0201123515916457 0.102402886693575 -0.0498515439344605
-0.00531584372916739 -0.0333099305916380 0.00763829939628889
-0.0635134621599266 -0.0214905631540893 0.0431480463858450-0.0218823068512306 -0.0144663106725689 -0.0505629278322795
-0.146008852866576 0.0843851997542677 -0.0259261734187275
0.0192032096099106 -0.0101091734171428 0.0500754576331971
0.0451554294366716 -0.00931174077544881 0.00776408015833257
0.0942824443695303 -0.0804040263567531 -0.0372379210046882
-0.0206831248452563 -0.0505310050601800 0.0556896979461154-0.0513611399305880 0.0485588119979928 0.165349745061186
0.134296751267268 0.125401689737440 -0.00777225080695750
-0.120490942271775 -0.286048687102548 0.0600833693190163
-0.153275658110966 -0.351738303929839 1.28949939040174
-0.559153279245179 1.66020651136868 1.61174970815653
2.92695865024679]
W5＝[64.2564198980320-40.5249438853336 -20.3517908682178
12.2103846660807 2.30399494572439 -3.96418071278090
-8.44857106326560 -1.16762196080406 0.576126426935127
-0.0534868393182392 0.324891393245738 0.189632160283202
0.257912199600109 0.0278178748949668 -0.105127851494007
0.254076805776604 0.0178146078793615 -0.0600954502601849
0.0966623431249842 0.112582387576642 0.0473567594342962
-0.0658381254305550 0.224905292356442 -0.163945335559591
-0.00876992323697566 -0.0746779100103347 0.0716862966016032
-0.100642958763326 -0.0680629484061973 0.0213151656884326
-0.0203221604826848 -0.0859361009396936 0.0290625097296286
-0.135205012868453 0.0577429272122494 -0.00165368549275351
-0.0676845578679614 -0.00785001895810669 0.0592465842851659
0.156717161588146 0.0716987101264225 -0.0589981753074213
0.0333136286742294 -0.0892105577609276 -0.109759088123494
-0.0251445753301421 -0.180985633271454 0.123894823532852
-0.112591261472476 -0.0148991529224475 0.0215382034352623
-0.209526905724040 0.0906668934184204 0.382942167732952
-0.0953676275478514 -0.291655278691327 0.0820901726804560
0.296025893023379 2.83659356860179 2.34011441954607
5.14857649744189 1.80446751778488 6.25863211526292
7.52827737628525]
4)另取10幅真实拍摄的图像，按照前述步骤1)和步骤2)的方法分别提取其中各图像的噪声特征和EXIF信息特征，分别构造得到所有图像的噪声特征矩阵X'和EXIF信息矩阵Y'，如下所示：
X'1＝[2,1,1,5,4,2,5,1,36,31,62,64,15,40,36,52,115,121,63,112,109,49,44,90,
148,104,121,95,133,98,115,129,143,148,118,89,90,98,139,98,69,34,76,41,31,35,57,48,7,13,10,10,14,6,12,12,2,3,0,0,3,5,6,0]
X'2＝[1,0,2,4,0,4,3,1,19,74,13,67,44,80,7,36,42,146,30,123,128,135,40,78,
98,136,110,144,92,98,90,89,141,121,119,90,140,124,104,116,44,24,34,27,31,34,45,23,14,15,9,9,7,14,7,4,5,2,1,2,0,0,6,6]
X'3＝[3,0,2,2,5,1,1,1,52,59,52,37,44,24,60,16,113,52,74,105,124,39,142,123,
114,110,111,101,116,116,138,136,125,106,137,117,104,146,142,119,57,55,32,38,48,34,71,31,5,5,5,8,7,15,8,5,6,6,3,0,1,2,4,1]
X'4＝[0,4,3,3,0,0,1,1,4,2,8,66,66,58,12,53,42,147,108,126,84,82,129,40,46,
92,107,139,137,84,108,117,109,126,124,100,110,81,149,91,87,42,32,49,40,
78,76,23,65,6,8,10,15,8,15,6,12,4,3,0,0,1,0,6,1]
X'5＝[1,3,0,0,1,2,3,5,13,69,52,31,16,35,39,10,101,57,76,100,60,65,104,62,
138,149,131,104,121,87,144,142,138,98,122,81,110,102,91,92,45,25,56,48,
62,62,58,22,3,7,9,11,8,13,12,15,3,2,0,0,5,2,0,1]
X'6＝[1,2,0,3,3,0,3,5,52,77,20,55,24,54,56,6,60,57,110,132,71,124,111,30,
122,107,145,80,112,110,112,134,102,135,113,82,92,131,113,90,40,57,31,65,34,75,36,66,5,6,4,10,11,10,8,11,0,4,4,0,1,0,1,0]
X'7＝[0,3,3,0,0,2,0,3,68,67,21,50,47,44,70,22,68,44,143,108,88,107,95,108,
118,131,117,150,95,87,87,84,108,111,105,134,124,134,146,149,31,28,62,25,52,52,72,49,8,11,12,9,7,4,10,6,0,0,1,3,4,2,5,2]
X'8＝[0,0,3,1,2,3,2,1,66,35,72,32,62,32,65,61,75,56,125,144,69,111,83,130,
134,91,141,150,116,142,121,90,94,108,133,138,136,102,117,86,26,28,61,50,
31,50,29,23,14,10,15,12,10,13,14,15,0,6,0,6,0,3,5,1]
X'9＝[3,0,3,5,0,3,2,0,7,51,53,59,72,79,62,47,142,100,32,44,134,88,132,55,
119,124,82,123,105,83,114,93,88,94,90,93,83,125,100,118,62,50,52,47,27,
49,72,73,6,5,10,11 8,5,15,4,0,0,1,0,0,0,6,5]
X'10＝[0,0,5,0,5,5,4,3,15,32,11,3,76,25,24,27,86,108,33,131,97,133,72,83,83,
92,127,103,143,88,150,118,130,150,100,109,113,134,138,87,30,41,23,51,40,30,32,75,11,9,14,4,12,12,10,5,4,2,0,1,6,0,1,0]
X'＝[X'1；X'2；X'3；X'4；X'5；X'6；X'7；X'8；X'9；X'10]
然后再根据公式|ej|＝|Y'j-X'Wj|求出各EXIF信息特征的误差，并将各EXIF信息特征的最大误差作为EXIF信息特征的分量阈值pj，然后将各分量阈值pj之和作为综合阈值p；其中，各分量阈值pj和综合阈值p如下述表2所示：
表2：
5)以图8所示图像为待检测图像，从中分别提取图像的噪声特征和EXIF信息特征，分别构造该图像的噪声特征矩阵X”和EXIF信息矩阵Y”，具体如下：
X”＝[3,1,5,1,1,2,3,1,80,27,24,5,24,4,41,61,106,40,39,124,139,94,43,129,104,100,132,80,83,127,122,117,131,130,135,100,129,119,108,84,67,40,57,65,26,
27,53,49,14,13,12,3,3,4,13,15,4,0,5,0,0,4,2,4]
Y”＝[2.2,10.0589,2.0123,-5.8465,4.2123]
然后根据公式|e'j|＝|Y”j-X”Wj|求出待检测图像的各EXIF信息特征的误差，并将各EXIF信息特征的最大误差相加得到总误差p'＝403.7071，由总误差p'小于综合阈值p，因此，判定该待检测图像为正常图像。
Claims (6)
1.基于盲取证技术的图像真伪鉴别方法，包括以下步骤：
1)从一组真实拍摄的图像中提取各图像的噪声特征，得到各图像的噪声特征向量Xi，其中，1≤i≤n且为整数，n表示真实拍摄的图像的幅数，为正整数；然后将所有图像的噪声特征向量构成一个噪声特征矩阵X；具体的实现步骤如下：
1.1)将各真实拍摄的图像进行灰度化，得到相应的灰度化图像；
1.2)对各灰度化图像进行去噪，得到相应的去噪后的平滑图像；
1.3)将灰度化图像和与其对应的平滑图像做差，得到相应的残差图；
1.4)对各残差图进行二值化，得到相应的二值化后的图像；
1.5)从各二值化后的图像中获取网格特征数字统计图，得到相应的噪声特征统计表；
1.6)将所得各噪声特征统计表转化为一维的特征向量，即得到各图像的噪声特征向量值Xi；
1.7)将所有图像的噪声特征向量构成一个噪声特征矩阵X；
2)对同一组真实拍摄图像中的每一幅图像提取j个EXIF信息特征，其中j≥1且为正整数，得到各图像的EXIF信息特征向量Yi，将所有图像的EXIF信息特征向量构成一个矩阵，得到EXIF信息矩阵Y；
3)根据公式Wj＝(XTX)-1XTYj建立图像的噪声特征和EXIF信息特征的相关性，得到权重Wj；其中Yj为EXIF信息矩阵Y的第j列；
4)从另一组真实拍摄的图像中分别提取各图像的噪声特征和EXIF信息特征，分别构造得到所有图像的噪声特征矩阵X'和EXIF信息矩阵Y'；根据公式|ej|＝|Y'j-X'Wj|求出各EXIF信息特征的误差，并将各EXIF信息特征的最大误差作为EXIF信息特征的分量阈值pj，然后将各分量阈值pj之和作为综合阈值p；
5)从待检测图像中分别提取图像的噪声特征和EXIF信息特征，分别构造该图像的噪声特征矩阵X”和EXIF信息矩阵Y”；根据公式|e'j|＝|Y”j-X”Wj|求出待检测图像的各EXIF信息特征的误差，并将各EXIF信息特征的最大误差相加得到总误差p'，再将该总误差p'与综合阈值p进行比较，当总误差p'小于综合阈值p时说明待检测图像为真实图像，否则为篡改图像。
2.根据权利要求1所述的基于盲取证技术的图像真伪鉴别方法，其特征在于：步骤1.1)中，采用最大值法将各真实拍摄的图像转化为灰度化图像。
3.根据权利要求1所述的基于盲取证技术的图像真伪鉴别方法，其特征在于：步骤1.2)中，通过高斯滤波对灰度化图像进行去噪。
4.根据权利要求1所述的基于盲取证技术的图像真伪鉴别方法，其特征在于：步骤1.4)中，在进行二值化的过程中，采用图像的平均灰度值作为二值化阈值g，将大于阈值g的像素设为1；将小于阈值g的像素设为0。
5.根据权利要求1所述的基于盲取证技术的图像真伪鉴别方法，其特征在于：步骤1.5)中，先将二值化后的图像水平平均划线分成8份，竖直平均划线分成8份，然后分别统计每一份中像素为1的个数，再将每一份中的统计值组合在一起，构成一个8*8的噪声特征统计表。
6.根据权利要求1所述的基于盲取证技术的图像真伪鉴别方法，其特征在于：步骤2)中，提取的EXIF信息特征为快门速度、感光度、光圈值、亮度值和曝光值，计算公式分别如下：
快门速度：
感光度：
光圈值：q＝log2(N2)；
亮度值：l＝q+k-g；
曝光值：b＝q+k；
上述公式中，k表示快门速度，单位为秒，t表示曝光时间，单位为秒；g表示感光度，I表示感光速率；q表示光圈值，N是光圈数；l表示亮度值；b表示曝光值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911250961.7A CN111027573B (zh) | 2019-12-09 | 2019-12-09 | 基于盲取证技术的图像真伪鉴别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911250961.7A CN111027573B (zh) | 2019-12-09 | 2019-12-09 | 基于盲取证技术的图像真伪鉴别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111027573A CN111027573A (zh) | 2020-04-17 |
| CN111027573B true CN111027573B (zh) | 2023-05-12 |
Family
ID=70205404
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911250961.7A Active CN111027573B (zh) | 2019-12-09 | 2019-12-09 | 基于盲取证技术的图像真伪鉴别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111027573B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN111881844B (zh) * | 2020-07-30 | 2021-05-07 | 北京嘀嘀无限科技发展有限公司 | 一种判断图像真实性的方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101493938A (zh) * | 2009-02-27 | 2009-07-29 | 西北工业大学 | 基于噪声分布规律检测伪造图像的方法 |
| JP2011238056A (ja) * | 2010-05-11 | 2011-11-24 | National Printing Bureau | 画像形成体の真偽判別方法 |
| CN104408728A (zh) * | 2014-12-03 | 2015-03-11 | 天津工业大学 | 一种基于噪声估计的伪造图像检测方法 |
| CN105844638A (zh) * | 2016-03-23 | 2016-08-10 | 武汉大学 | 一种通过相机噪声实现鉴别照片真伪的方法及系统 |
| CN107437293A (zh) * | 2017-07-13 | 2017-12-05 | 广州市银科电子有限公司 | 一种基于票据全局特征的票据防伪鉴别方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP6063315B2 (ja) * | 2013-03-26 | 2017-01-18 | 富士フイルム株式会社 | 真贋判定システム，特徴点登録装置およびその動作制御方法，ならびに照合判定装置およびその動作制御方法 |
| WO2017094761A1 (ja) * | 2015-11-30 | 2017-06-08 | 凸版印刷株式会社 | 識別方法、ならびに識別媒体 |
-
2019
- 2019-12-09 CN CN201911250961.7A patent/CN111027573B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101493938A (zh) * | 2009-02-27 | 2009-07-29 | 西北工业大学 | 基于噪声分布规律检测伪造图像的方法 |
| JP2011238056A (ja) * | 2010-05-11 | 2011-11-24 | National Printing Bureau | 画像形成体の真偽判別方法 |
| CN104408728A (zh) * | 2014-12-03 | 2015-03-11 | 天津工业大学 | 一种基于噪声估计的伪造图像检测方法 |
| CN105844638A (zh) * | 2016-03-23 | 2016-08-10 | 武汉大学 | 一种通过相机噪声实现鉴别照片真伪的方法及系统 |
| CN107437293A (zh) * | 2017-07-13 | 2017-12-05 | 广州市银科电子有限公司 | 一种基于票据全局特征的票据防伪鉴别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111027573A (zh) | 2020-04-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Park et al. | Double JPEG detection in mixed JPEG quality factors using deep convolutional neural network | |
| Luo et al. | A survey of passive technology for digital image forensics | |
| Swaminathan et al. | Digital image forensics via intrinsic fingerprints | |
| CN110717450B (zh) | 自动识别原始文档的翻拍图像的训练方法和检测方法 | |
| Shen et al. | Hybrid no-reference natural image quality assessment of noisy, blurry, JPEG2000, and JPEG images | |
| CN109948566B (zh) | 一种基于权重融合与特征选择的双流人脸反欺诈检测方法 | |
| CN112001429B (zh) | 一种基于纹理特征的深度伪造视频检测方法 | |
| CN108171250A (zh) | 目标检测方法及装置 | |
| CN111027573B (zh) | 基于盲取证技术的图像真伪鉴别方法 | |
| CN104408728A (zh) | 一种基于噪声估计的伪造图像检测方法 | |
| Deborah et al. | Detection of fake currency using image processing | |
| CN110121109A (zh) | 面向监控系统数字视频实时溯源方法、城市视频监控系统 | |
| Li et al. | Identifying photorealistic computer graphics using second-order difference statistics | |
| Swaminathan et al. | Component forensics | |
| CN112801037A (zh) | 一种基于连续帧间差异的人脸篡改检测方法 | |
| CN111709930A (zh) | 基于模式噪声的图片出处与窜改认定方法 | |
| CN109784357B (zh) | 一种基于统计模型的图像重拍检测方法 | |
| CN111259792A (zh) | 基于dwt-lbp-dct特征的人脸活体检测方法 | |
| CN113936252A (zh) | 基于视频监控的电瓶车智能管理系统及方法 | |
| Julliand et al. | Automated image splicing detection from noise estimation in raw images | |
| CN117314714A (zh) | 基于双域和多尺度网络的文档图像篡改检测与分类方法 | |
| CN108960285B (zh) | 一种分类模型生成方法、舌体图像分类方法及装置 | |
| CN111275687A (zh) | 一种基于连通区域标记的细粒度图像拼接检测方法 | |
| Rabah et al. | Semi-blind source scanner identification | |
| Murali et al. | Detection of copy-create image forgery using luminance level techniques |
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 |