CN111383226A - 基于局部二值模式的图像中值滤波区分方法 - Google Patents

Abstract

本发明公开了基于局部二值模式的图像中值滤波区分方法，提取待测图像一I₀与待测图像二I'₀的LBP特征；定义待测图像一I₀和待测图像二I'₀的具有LBP特征数量的比率

计算比率

的值，并判断待测图像一I₀与待测图像二I'₀中哪个是原始图像，哪个是与其对应的中值滤波版本。与现有图像中值滤波检测的一般框架不同，本发明的方法不依赖于任何统计学习模型，不需要任何分类器或阈值，而是通过计算单幅图像中特定的LBP特征模式的数量来实现的。本发明解决了现存技术使用大规模样本数据库训练学习模型或分类器的弊端，避免了靠人为设置阈值或通过实验获得阈值的主观性和片面性等问题；并且对JPEG压缩、旋转(任意角度)、重采样、直方图均衡化和添加噪声等操作具有较强的鲁棒性。

Description

基于局部二值模式的图像中值滤波区分方法

技术领域

本发明属于图像滤波检测技术领域，涉及一种基于局部二值模式的图像中值滤波区分方法。

背景技术

数字图像盲取证是一种保护图像内容真实性和完整性的有效技术，是指在没有先验信息的情况下，利用图像自身的底层特征或统计指纹来鉴别图像内容的真实性和完整性。然而，内容保持的图像处理操作极容易破坏这种底层特征或统计指纹。非线性中值滤波就是这样的一种操作，它不会改变图像内容，但会影响大量取证技术的有效性，如掩盖重采样的痕迹，消除由JPEG压缩引起的块效应统计痕迹，从而导致JPEG取证技术失效，等等。因此，在数字媒体内容安全保护领域，中值滤波检测已经引起了很大的关注，成为近年来学术界和产业界研究的新热点。

最早的中值滤波检测技术是数字图像取证技术的副产品，如文献[1]中报告的基于图像指纹的数字图像取证技术，可以识别不同类型的相机照片后处理，包括中值滤波，正确检测率大约为70％—80％。文献Chuang[2]提出了一种基于经验频率响应的图像篡改类型识别方法，该方法实质上是一种基于学习的分类方法，可以将中值滤波与JPEG压缩、上采样、下采样、平均滤波和直方图均衡化等五类操作区分开来，准确率约为90％。

随着取证技术的发展，近年来才出现了专业的中值滤波检测技术。在这些技术中，典型的方法依赖于中值滤波操作的某些特定的特征，如中值滤波容易在图像中产生常数或接近常数的区域，被称为条纹伪影。Kirchner和Fridrich[3]首先使用条纹伪影来检测中值滤波的图像。该方法统计图像中一阶差分为1和0的数目，将两者的比率作为特征，再根据阈值进行检测；该单一特征在未压缩图像中性能良好，但经过JPEG压缩的图像再经过中值滤波时，检测结果不再可靠。为了解决这个问题，作者们提出了另一种基于一阶差分的检测方法[4]，使用相邻像素差分矩阵(subtractive pixel adjacency matrix,SPAM)特征和具有高斯核函数的软间隔支持向量机(C-SVM)分类器来区分中值滤波的图像。Cao等人[5]提出了另一种利用条纹伪影检测中值滤波图像的方法。计算了纹理区域一阶差分图在水平方向和垂直方向上出现零值的概率，并将其融合形成标量统计指纹特征。实验结果表明，中值滤波具有较高的检测精度，特别是在中值滤波相对于原始图像或其他操作的情况下(线性缩放，高斯滤波，均值滤波，等等)。然而，这种方法在JPEG压缩后也会出现性能下降。

考虑到中值滤波操作所引起的像素之间的关联性，Yuan[6]认为中值滤波会在图像中引入特定的特征，称为局部依赖伪影。他定义了5个特征，称为中值滤波取证(MFF)特征，然后利用SVM作为分类器来区分中值滤波的图像。该方法当JPEG质量因子降低或图像缩小时，其检测性能会受到严重的影响。同样利用中值滤波操作所引起的像素之间的关联性，Chen等人[7]提出了一种基于差分域中两个特征集的中值滤波检测方法。第一个全局概率特征集(GPF)，是基于中值滤波图像的k阶差分上的经验累积分布函数(CDF)提出的；第二种局部相关特征集(local correlation feature set,LCF)，是基于不同差分域上相邻差分对的相关性提出的。他们使用GPF和LCF训练LibSVM分类器，区分中值滤波图像与未处理图像或均值滤波图像。他们还提出了一种使用局部二进制模式(LBP)的直方图来形成非线性描述符，训练SVM分类器的中值滤波检测方法[8]。此外，Zhang等人[9]提出了一种使用局部纹理算子检测中值滤波的方法，称为二阶局部三元模式(LTP)。然后，这些研究者使用了具有RBF核函数(径向基函数)为分类器的C-SVM检测中值滤波后图像。实验结果表明，该方案对于低分辨率和JPEG压缩后图像有明显的优越性，并且具有良好的抗噪声性。

考虑到对局部滤波图像检测时一些检测技术的性能会下降，Kang等人[10]分析了图像的中值滤波残差(MFR)的统计性质，用自回归(AR)模型进行了拟合，将AR系数作为特征，训练SVM分类器进行中值滤波检测。与SPAM[4]和MFF[6]相比，该方法对JPEG压缩具有更强的鲁棒性，并对局部滤波图像具有良好的检测性能。然而，当图像分辨率降低时其性能会下降，并且抗噪声攻击的性能较差。

随着卷积神经网络在模式识别领域的成功应用，学者们开始使用卷积神经网络检测中值滤波。最近，Chen等人[11]提出了一种基于深度学习的中值滤波取证方法，将特征提取和分类步骤结合到一个改进的基于CNN的模型中。使用从深度学习模型中自动学习的特征表示可以获得比使用手工特征更好的检测结果。此外，最近的工作[12]提出了一种取证技术，能够检测中值滤波器在一维信号中的应用，如音乐、语音等。虽然[12]不能应用于图像，但它确实是第一个不使用分类器模型来区分中值滤波的方法。

纵观目前的该类研究，普遍存在如下问题：(1)多数算法只能区分中值滤波图像与未经滤波的图像，不能鉴定图像是否经过中值滤波操作；(2)现存许多中值滤波检测算法为基于学习的方法，把中值滤波检测问题当作图像分类问题，此类方法需要大规模的原始图像和中值滤波图像作为训练样本数据集来训练分类器；(3)现存的多数算法缺乏对鲁棒性的讨论。

针对这些问题，本发明提供了两种基于局部二值模式的图像中值滤波检测算法。算法I能够有效区分原始图像和其对应的中值滤波图像，算法II能够鉴别图像是否经历过中值滤波操作。旨在解决现存技术使用大规模样本数据库训练学习模型或分类器的弊端，避免靠人为设置阈值或通过实验获得阈值的主观性和片面性等问题。与现有技术相比，本发明的方法在简单高效，精度高，同时具有较强的鲁棒性。

参考文献

[1]A.Swaminathan,M.Wu,and K.J.R.Liu,Digital image forensics viaintrinsic fingerprints[J],IEEE Transactions on Information Forensics andSecurity,2008,3(1):101–117.

[2]W.H.Chuang,A.Swaminathan,and M.Mu,“Tampering identification usingempirical frequency response,”in Proc.IEEE Int.Conf.Acoust.,Speech,SignalProcess.,2009,pp.1517–1520.

[3]M.Kirchner and J.Fridrich,“On detection of median filtering indigital images,”in Electron.Imaging,Media Forensics and Security II,2010,vol.7541 ofProc.SPIE,pp.1–12.

[4]T.Pevn′y,P.Bas,and J.Fridrich,“Steganalysis by subtractive pixeladjacency matrix,”IEEE Trans.Inf.Forensics Security,2010,Vol.5(2),pp.215–224.

[5]G.Cao,Y.Zhao,R.Ni,L.Yu,and H.Tian,“Forensic detection of medianfiltering in digital images,”in Proc.IEEE Int.Conf.Multimedia Expo,2010,pp.89–94.

[6]H.Yuan,“Blind forensics of median filtering in digital images,”IEEE Trans.Inf.Forensics Security,2011,Vol.6(4),pp.1335–1345.

[7]C.Chen,J.Ni and J.Huang,“Blind Detection of Median Filtering inDigital Images:A Difference Domain Based Approach,”IEEE Trans.on ImageProcessing,2013,Vol.22(12),pp.4699-4710.

[8]Z.Shen,J.Ni and C.Chen,“Blind detection of median filtering usinglinearand nonlinear descriptors,”Multimed Tools Appl.2014,DOI 10.1007/s11042-014-2407-2.

[9]Y.Zhang,S.Li,S.Wang,andY.Q.Shi,“Revealing the traces ofmedianfiltering using high-order local ternary patterns,”IEEE Signal Process.Lett.,2014,Vol.21(3),pp.275–280.

[10]X.Kang,M.C.Stamm,A.Peng,and K.J.R.Liu,“Robust median filteringforensics using an autoregressive model,”IEEE Trans.Inf.Forens.Security,2013,Vol.8(9),pp.1456–1468.

[11]J.Chen,X.Kang,Y.Liu,and Z.Jane Wang,“Median Filtering ForensicsBased on Convolutional Neural Networks,”IEEE Signal Processing Letters,2015,Vol.22(11),pp.1849-1853.

[12]C.Pasquini,G.Boato,N.Alajlan,Francesco G.B.De Natale,“ADeterministic Approach to Detect Median Filtering in 1D Data,”IEEETrans.Inf.Forens.Security,2016,vol.11(7),pp.1425-1437.

发明内容

本发明的目的是提供基于局部二值模式的图像中值滤波区分方法，具有能够有效区分未经滤波的图像(简称为原始图像)与其对应的中值滤波图像的特点。

本发明所采用的技术方案是，基于局部二值模式的图像中值滤波区分方法，具体按照以下步骤实施：

步骤1、提取待测图像一I₀与待测图像二I'₀的8位二进制LBP特征；

步骤2、定义步骤1中所提取的待测图像一I₀和待测图像二I'₀的LBP特征数量的比率

步骤3、计算待测图像一I₀和待测图像二I'₀的LBP特征数量的比率

的值，并判断待测图像一I₀是否为原始图像，待测图像二I'₀是否为中值滤波图像；或待测图像二I'₀是否为原始图像，待测图像一I₀是否为中值滤波图像。

本发明的特点还在于：

步骤1中8位二进制LBP特征是全零LBP特征模式、只有一位1的LBP特征模式及只有两位1的LBP特征模式。

定义计算这三种LBP特征模式数量的函数表示为：

式(1)中，符号#(x)为计数函数，表示x的个数，即s_n表示具有模式

的LBP特征的个数，

为二进制码，即为0或1，n为LBP特征模式的计数；

全零LBP特征只有一种模式，即[00000000]，利用式(1)计算模式为[00000000]的LBP特征的数量，记为S₁，即满足

l为LBP编码的码位。

只有一位1的LBP特征有8种模式，即[00000001]，[00000010]，[00000100]，[00001000]，[00010000]，[00100000]，[01000000]，[10000000]，利用式(1)统计只有一位1的LBP特征的数量，即满足

分别记为S₂，S₃，S₄，S₅，S₆，S₇，S₈，S₉。

只有两位1的LBP特征模式共有8种，利用式(1)统计只有两位1的LBP特征模式的数量，即满足

分别记为S₁₀，S₁₁，S₁₂，S₁₃，S₁₄，S₁₅，S₁₆，S₁₇。

步骤2具体按照以下步骤实施：

利用步骤1中的方法获得待测图像一I₀的LBP特征数量

待测图像二I'₀的LBP特征数量

定义比率

为：

式(3)中，

为待测图像一I₀的LBP特征数量，即

为待测图像二I'₀的LBP特征数量，即

步骤3定义区分规则：

规则1、所有

的值均大于1，则待测图像一I₀是原始图像，待测图像二I'₀是待测图像一I₀的中值滤波图像；

规则2、所有

的值均小于1，则待测图像二I'₀是原始图像，待测图像一I₀是待测图像二I'₀的中值滤波图像。

本发明的有益效果是：

(1)本发明提供了一种基于局部二值模式的图像中值滤波区分算法：能够有效区分原始图像与其对应的中值滤波图像。

(2)本发明的特点在于，①直接根据图像滤波操作所引起的LPB特征模式的变化寻找统计规律，不需要使用任何学习方法或分类器，避免了使用大规模样本数据库训练学习模型或分类器的弊端，方法简单高效，易于实现。②直接利用图像本身的纹理特征模式实现滤波检测，不需要任何阈值，避免了人为设置阈值或通过实验获得阈值的主观性和片面性。

(3)本发明的方法对于检测中值滤波，均值滤波和高斯滤波都有效。

(4)本发明的方法简单高效，具有较高的检测精度。

(5)本发明的方法对JPEG压缩、旋转(任意角度)、重采样、直方图均衡化和添加噪声等操作具有较强的鲁棒性。

附图说明

图1是LBP为[00000000]的3×3图像块经过中值滤波后的LBP模式图；

图2是LBP为[00000001]的3×3图像块经过中值滤波后的LBP模式图；

图3是LBP为[00000011]的3×3图像块经过中值滤波后的LBP模式图；

图4是原始图像和中值滤波图像中全零的LBP码和一位1的LBP码分布规律；

图5是原始图像和中值滤波图像中两位1的LBP码的分布规律；

图6是本发明与其他中值滤波检测方法的对比图。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。

因为中值滤波会改变图像像素值的大小，而图像的LBP特征值与像素值的大小和以及排列顺序直接相关，所以图像的LBP特征在中值滤波后会发生很大变化。在本发明中，利用图像的LBP特征模式在中值(均值、高斯)滤波前后的差异，探索图像LBP特征值的变化模式并寻找统计规律，通过分析特殊的LBP二进制码数目的变化规律，构造判别规则，从而对图像进行中值(均值、高斯)滤波检测。

本发明所采用的技术方案是，基于局部二值模式的图像中值滤波区分方法，具体按照以下步骤实施：

步骤1、提取待测图像一I₀与待测图像二I'₀的LBP特征；

步骤2、定义步骤1中所提取的待测图像一I₀和待测图像二I'₀的LBP特征数量的比率

步骤3、计算待测图像一I₀和待测图像二I'₀的LBP特征数量的比率

的值，并判断待测图像一I₀是否为原始图像，待测图像二I'₀是否为中值滤波图像；或待测图像二I'₀是否为原始图像，待测图像一I₀是否为中值滤波图像。

本发明的特点还在于：

步骤1中LBP特征是全零LBP特征模式、只有一位1的LBP特征模式及只有两位1的LBP特征模式。

定义计算这三种LBP特征模式数量的函数表示为：

式(1)中，符号#(x)为计数函数，表示x的个数，即s_n表示具有模式

的LBP特征的个数，

为二进制码，即为0或1，n为LBP特征模式的计数；

全零LBP特征只有一种模式，即[00000000]。利用式(1)计算模式为[00000000]的LBP特征的数量，记为S₁，即满足

l为LBP编码的码位。

只有一位1的LBP特征有8种模式，即[00000001]，[00000010]，[00000100]，[00001000]，[00010000]，[00100000]，[01000000]，[10000000]，利用式(1)统计只有一位1的LBP特征的数量，即满足

分别记为S₂，S₃，S₄，S₅，S₆，S₇，S₈，S₉。

只有两位1的LBP特征模式共有8种，利用式(1)统计只有两位1的LBP特征模式的数量，即满足

分别记为S₁₀，S₁₁，S₁₂，S₁₃，S₁₄，S₁₅，S₁₆，S₁₇。

步骤2具体按照以下步骤实施：

利用步骤1中的方法获得待测图像一I₀的LBP特征

待测图像二I'₀的LBP特征

定义比率

为：

式(3)中，

为待测图像一I₀的LBP特征，即

为待测图像二I'₀的LBP特征，即

步骤3定义区分规则：

规则1、所有

的值均大于1，则待测图像一I₀是原始图像，待测图像二I'₀是待测图像一I₀的中值滤波图像；

规则2、所有

的值均小于1，则待测图像二I'₀是原始图像，待测图像一I₀是待测图像二I'₀的中值滤波图像。

本发明基于局部二值模式的图像中值滤波区分方法，其原理如下：

第一步，对于测试图像I，首先提取其三种LBP特征，分别为：

(1)全零LBP特征模式

为了统计全零LBP特征模式的个数，定义符号#(x)，表示x的个数。

对测试图像I，考虑其59维8位二进制LBP特征模式为[00000000]的LBP码的数目表示为：

其中，

在以(x_i,y_j)为中心的3×3图像块中，当且仅当所有邻域像素值I(x_i+r,y_j+r)小于中心像素值I(x_i,y_j)(r＝1，下同)时，该图像块的特征模式为[00000000]。根据中值滤波的原理，中值滤波后，图像块的中心像素值I(x_i,y_j)会减小，因此，该图像块的LBP特征模式不再是[00000000]，也就是

如图1所示，左边图像块的LBP为[00000000]，中值滤波后，中心像素值40代替了原来的80，因此，右边图像块的LBP为[01111000]。

由此可知，中值滤波后，全零的8位二进制LBP码的个数会减小，据此，可以得出结论：中值滤波图像中全零的8位二进制LBP码的个数小于原始图像中全零的8位二进制LBP码的个数。

(2)只有一位1的LBP特征模式

对测试图像I，考虑59维LBP特征，统计只有一位1的8位二进制LBP码的数目，并表示为：

其中，

在以(x_i,y_j)为中心的3×3图像块中，当且仅当1个邻域像素值I(x_i+r,y_j+r)大于中心像素值I(x_i,y_j)时，8位二进制LBP中有一位为1，这些LBP的形式为：[00000001]，[00000010]，[00000100]，[00001000]，[00010000]，[00100000]，[01000000]和[10000000]，称为一位1的LBP。将其数目分别表示为s₂,s₃,...,s₉。中值滤波后，该图像块的中心像素值I(x_i,y_j)将被9个像素值的中间值代替，因而会减小。如图2所示，左边图像块的LBP是[00000001]，中值滤波后，中心像素值50取代了原来的80，因此，右边图像块图的LBP是[00111001]，即一位1的8位二进制LBP码的数目会减小。

由此可以得出结论：中值滤波图像中只有一位1的8位二进制LBP码的个数小于原始图像中只有一位1的8位二进制LBP码的个数。

(3)只有两位1的LBP特征模式

对测试图像I，考虑59维LBP特征，统计只有两位1的8位二进制LBP码的数目，并表示为：

其中，

在以(x_i,y_j)为中心的3×3图像块中，当且仅当2个邻域像素值I(x_i+r,y_j+r)大于中心像素值I(x_i,y_j)时，8位二进制LBP中有两位为1，这些LBP特征的形式为：[00000011]，[00000110]，[00001100]，[00011000]，[00110000]，[01100000]，[11000000]和[10000001]，称为两位1的LBP。将其数目分别表示为s₁₁,s₁₂,…,s₁₇。中值滤波后，在相同的3×3图像块中，中心像素值I(x_i,y_j)将被9个像素值的中间值取代，因而会减小。如图3所示，左边图像块的LBP是[00000011]，中值滤波后，中心像素值60代替了原来的80，因此，右边图像块的LBP是[00011011]，即两位1的LBP的数目会减小。

由此可以得出结论：中值滤波图像中只有两位1的8位二进制LBP码的个数小于原始图像中只有两位1的8位二进制LBP码的个数。

第二步，区分原始图像与其对应的中值、均值、高斯、滤波图像：

以中值滤波为例，对于测试图像I和它的中值滤波版本I^M，相应的LBP特征分别为：s₁,s₂,…,s₁₇和s₁ ^M,s₂ ^M,…,s₁₇ ^M。定义一个比率：

通过理论分析和实验比较得出：原始图像的特征s_n(n＝1,2,…,17)大于其对应的中值滤波图像的特征

进行了大量的实验来验证该结论，图4给出了10000幅测试图像的全零LBP码和一位1LBP码的分布规律，图5给出了两位1LBP码的分布规律。图中横坐标表示8位二进制LBP码的索引，纵坐标表示原始图像和中值滤波图像对应的LBP码的个数，由图4和图5可以看出，中值滤波图像中全零LBP码，一位1的LBP码和两位1的LBP码的个数分别小于原始图像中全零LBP码，一位1的LBP码和两位1的LBP码的个数。

根据理论分析和实验证明，定义一个指标来区分原始图像与中值滤波图像。对于测试图像I₀和其中值滤波图像I′₀，计算：

如果所有的值

均大于1，则I′₀是I₀的中值滤波版本，同理，可区分原始图像与其对应的均值、高斯滤波版本。

本发明方法的仿真实验结果：

1、精度分析

本实验主要用来测试发明的区别原始图像与其中值滤波操作检测方法的检测精度，为了验证该方法，选取了来自四个数据库BOWS2、NRCS(Nature ResourcesConservation Service)、UCID和联合数据库中(上述三个数据库的整合)的图像进行实验，在实验中，使用了不同大小的滤波窗口。滤波窗口的大小不同，LBP特征的维数不同，表1列出了实验参数。

在3×3的滤波窗口内，均匀模式的LBP特征有59类，其中，8位二进制码中，全是0的有一类，只有一位1的有8类，只有两位1的有8类，因此，本文中所用的8位二进制码共1+8+8＝17类。同理，在5×5的滤波窗口内，本文中所用的16位二进制码共1+16+16＝33类，在7×7的滤波窗口内本文中所用的24位二进制码共1+24+24＝49类。

表1实验参数

测试了4个数据库：UCID(1338幅512×384的图像)，BOWS2(10000幅512×512的图像)，NRCS(2221幅512×512的图像)和联合数据库(13559幅图)。对于原始图像和其对应的3×3中值滤波图像块，分别计算和比较了s₁,s₂,…,s₁₇和

并估计了检测率，结果如表2所示。

表2区分原始图像和其对应的3×3中值滤波图像的检测率(％)

对于原始图像和它5×5的中值滤波图像，分别计算和比较了h₁,h₂,…,h₃₃和

4个数据库的检测率如表3所示。

表3区分原始图像和其对应的5×5中值滤波图像的检测率(％)

由表2和表3可以看出，该方法能够以较高的检测率来区分原始图像和中值滤波图像。在表2中，一共统计了17对特征，所有的检测率大于90.99％，并有一半特征的检测率为100.00％。对窗口大小为5×5的中值滤波图像块，共调查了33对特征(见表3)，所有的检测率大于94.77％，并且大部分特征的检测率接近100.00％。实验结果表明，该方法有较高的检测率。

除了检测中值滤波，发明的方法对均值滤波和高斯滤波也是有效的，表4列出了滤波窗口为3×3的均值滤波和高斯滤波图像的检测率。

表4均值滤波和高斯滤波的检测率(％)

由表4可以看出，本发明的检测方法也能够以较高的检测率检测出均值滤波和高斯滤波，尤其以接近100％的检测率来区分原始图像和均值滤波图像。由于高斯滤波的标准偏差越小，图像越平滑，中心像素值越接近周围像素值，因此，当标准偏差小到0.5时，有四个检测率相对较低，分别是84.19％，84.29％，78.39％，79.23％，说明发明方法的性能随着高斯滤波的标准偏差减小而下降。当高斯滤波的标准偏差小到0.4时，发明的算法会失效。

2、鲁棒性分析

本实验主要用来检测发明的基于局部二值模式的图像中值滤波检测方法的鲁棒性，鲁棒是指即使图像经过几何变换或其他保留内容的变化，该方法仍然是有效的。不同的数据库，检测率稍微有点差别，因此，调查了联合数据库的检测率。实验中有13559幅测试图像和其对应的中值滤波图像，这些图像通过Stir Mark软件经过了JPEG压缩，重采样，直方图均衡化，添加噪声，滤波，旋转和缩放，然后分别计算和比较了s₁,s₂,…,s₁₇和s₁ ^M,s₂ ^M,…,s₁₇ ^M。表5，表6，表7和表8分别列出了图像经过不同因子的JPEG压缩、不同比率的重采样，直方图均衡化、添加不同噪声因子的椒盐噪声，均值滤波、不同标准偏差的高斯滤波，任意角度的旋转的检测率。

表5原始图像和中值滤波图像经过JPEG压缩和重采样的检测率(％)

表6原始图像和中值滤波图像经过直方图均衡化和添加噪声的检测率(％)

表7原始图像和中值滤波图像经过均值滤波和高斯滤波的检测率(％)

表8原始图像和中值滤波图像经过均值滤波和高斯滤波的检测率(％)

由表5可以看出，图像经过不同因子的JPEG压缩，该方法均具有较高的检测率，当JPEG压缩因子小到10时，该方法的检测率大于88.34％，当图像压缩到原来的0.8时，该方法的检测率大于94.60％，当图像放大为原来的3倍时，该方法的检测率不小于94.41％。表6表明图像经过直方图均衡化和添加不同噪声因子的椒盐噪声后，该方法的检测率仍然是稳定的。由表7可知，图像经过均值滤波和不同标准偏差的高斯滤波后，大部分特征的检测率高于99.00％。表8说明图像经过任意旋转后，此方法仍然是有效的。上述实验结果表明，图像经过几何变换，添加噪声，各种滤波后，发明的图像中值滤波检测方法的检测率仍然很高，说明该方法是鲁棒的。

3性能分析

为了评估提出方法的性能，我们与现有中值滤波检测的方法[4]，[9]，[10]，[6]，[11]，[7]和[8]进行了对比。图6列出了对比结果，其中，LR是分辨率的阈值，QF表示JPEG压缩质量因子，T是文献[9]中定义的阈值，在文献[6]中，c是一个定义的参数，w是滤波窗口的大小，K是差分阶。

由图6可以看出，当JPEG压缩因子小于50时，大部分现有的中值滤波检测方法都失效，然而，当JPEG压缩因子小到10时，我们的算法仍然是有效的，这意味着对于JPEG压缩，本发明的方法是鲁棒的。

Claims (8)

1.基于局部二值模式的图像中值滤波区分方法，其特征在于，具体按照以下步骤实施：

步骤1、提取待测图像一I₀与待测图像二I'₀的LBP特征；

步骤2、定义步骤1中所提取的待测图像一I₀和待测图像二I'₀的LBP特征数量的比率

步骤3、计算待测图像一I₀和待测图像二I'₀的LBP特征数量的比率

的值，并判断待测图像一I₀是否为原始图像，待测图像二I'₀是否为中值滤波图像；或待测图像二I'₀是否为原始图像，待测图像一I₀是否为中值滤波图像。

2.根据权利要求1所述的基于局部二值模式的图像中值滤波区分方法，其特征在于，所述步骤1中LBP特征是全零LBP特征模式、只有一位1的LBP特征模式及只有两位1的LBP特征模式。

3.根据权利要求2所述的基于局部二值模式的图像中值滤波区分方法，其特征在于，定义计算全零LBP特征模式、只有一位1的LBP特征模式及只有两位1的LBP特征模式这三种LBP特征模式数量的函数表示为：

式(1)中，符号#(x)为计数函数，表示x的个数，即s_n表示具有模式

的LBP特征的个数，

为二进制码，即0或1，n为LBP特征模式的计数。

4.根据权利要求3所述的基于局部二值模式的图像中值滤波区分方法，其特征在于，所述全零LBP特征只有一种模式，即[00000000]，利用式(1)计算模式为[00000000]的LBP特征的数量，记为S₁，即满足

l为LBP编码的码位。

5.根据权利要求3所述的基于局部二值模式的图像中值滤波区分方法，其特征在于，所述只有一位1的LBP特征有8种模式，即[00000001]，[00000010]，[00000100]，[00001000]，[00010000]，[00100000]，[01000000]，[10000000]，利用式(1)统计只有一位1的LBP特征的数量，即满足

分别记为S₂，S₃，S₄，S₅，S₆，S₇，S₈，S₉。

6.根据权利要求3所述的基于局部二值模式的图像中值滤波区分方法，其特征在于，所述只有两位1的LBP特征模式共有8种，利用式(1)统计只有两位1的LBP特征模式的数量，即满足

分别记为S₁₀，S₁₁，S₁₂，S₁₃，S₁₄，S₁₅，S₁₆，S₁₇。

7.根据权利要求1所述的基于局部二值模式的图像中值滤波区分方法，其特征在于，所述步骤2具体按照以下步骤实施：

利用步骤1中的方法获得待测图像一I₀的LBP特征

待测图像二I'₀的LBP特征

定义比率

为：

式(3)中，

为待测图像一I₀的LBP特征，即

为待测图像二I'₀的LBP特征，即

8.根据权利要求7所述的基于局部二值模式的图像中值滤波区分方法，其特征在于，所述步骤3定义区分规则：

规则1、所有

的值均大于1，则待测图像一I₀是原始图像，待测图像二I'₀是待测图像一I₀的中值滤波图像；

规则2、所有

的值均小于1，则待测图像二I'₀是原始图像，待测图像一I₀是待测图像二I'₀的中值滤波图像。

Images