CN111754380A - 图像篡改区域的定位方法、装置及存储介质 - Google Patents
图像篡改区域的定位方法、装置及存储介质 Download PDFInfo
- Publication number
- CN111754380A CN111754380A CN202010596676.7A CN202010596676A CN111754380A CN 111754380 A CN111754380 A CN 111754380A CN 202010596676 A CN202010596676 A CN 202010596676A CN 111754380 A CN111754380 A CN 111754380A
- Authority
- CN
- China
- Prior art keywords
- coefficient
- block
- region
- noise value
- tampered
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T1/00—General purpose image data processing
- G06T1/0021—Image watermarking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2201/00—General purpose image data processing
- G06T2201/005—Image watermarking
- G06T2201/0065—Extraction of an embedded watermark; Reliable detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Editing Of Facsimile Originals (AREA)
Abstract
本申请涉及一种图像篡改区域的定位方法、装置及存储介质,属于图像处理技术领域,该方法包括:对目标图像进行离散小波变换,得到目标图像的对角小波系数矩阵;对对角小波系数矩阵按照不同尺寸进行多次分块,得到每次分块对应的分块系数集;分别对各个分块系数集中的各个分块系数进行噪声估计,得到各个分块系数对应的分块噪声值;结合多次分块对应的各个分块噪声值确定目标图像中的篡改区域;可以解决现有的图像篡改检测方法的适用场景受限的问题;由于图像篡改区域的噪声分布通常与正常区域的噪声分布不同,因此,通过对各个区域的噪声进行估计以检测篡改区域,可以扩大图像篡改检测方法的适用范围,并提高定位篡改区域的准确性。
Description
技术领域
本申请涉及一种图像篡改区域的定位方法、装置及存储介质,属于图像处理技术领域。
背景技术
随着图像编辑技术和处理工具的迅速发展,数字图像越来越容易被篡改而使得人眼难以辨识。如何检测图像篡改区域已成为亟待解决的问题。
申请号为201810064940.5的发明专利《一种JPEG重压缩图像篡改定位方法》提出了一种利用JPEG重压缩进行图像篡改检测。该方法利用二阶灰度梯度共生矩阵对待检测图像DCT系数进行建模,得到混合分布模型,最后进行篡改定位。
然而,上述方式只适用于JPEG压缩图像,对未经过DCT压缩的图像无法检测是否存在篡改。
发明内容
本申请提供了一种图像篡改区域的定位方法、装置及存储介质,可以解决现有的图像篡改检测方法的适用场景受限的问题。本申请提供如下技术方案:
第一方面,提供了一种图像篡改区域的定位方法,所述方法包括:
对目标图像进行离散小波变换,得到所述目标图像的对角小波系数矩阵;所述对角小波系数矩阵用于指示所述目标图像的噪声分布;
对所述对角小波系数矩阵按照不同尺寸进行多次分块,得到每次分块对应的分块系数集;
分别对各个所述分块系数集中的各个分块系数进行噪声估计,得到各个所述分块系数对应的分块噪声值;
结合多次分块对应的各个所述分块噪声值确定所述目标图像中的篡改区域。
可选地,对于所述多次分块中任意两次分块对应的第一分块系数集和第二分块系数集,所述结合多次分块对应的各个分块噪声值确定所述目标图像中的篡改区域,包括:
按照所述第一分块系数集中的各个第一分块系数对应的分块噪声值对各个第一分块系数进行聚类,得到第一篡改区域集和第一正常区域集;
根据所述第一分块系数集中各个第一分块系数对应的分块噪声值和所述第二分块系数集中各个第二分块系数对应的分块噪声值,重新确定所述第一篡改区域集中各个第一篡改区域的区域噪声值和所述第一正常区域集中各个第一正常区域的区域噪声值;
按照各个区域的区域噪声值对所述各个区域进行聚类,得到第二篡改区域集和第二正常区域集,所述第二篡改区域集为所述目标图像上的图像篡改区域。
可选地,所述根据所述第一分块系数集中各个第一分块系数对应的分块噪声值和所述第二分块系数集中各个第二分块系数对应的分块噪声值,重新确定所述第一篡改区域集中各个第一篡改区域的区域噪声值和所述第一正常区域集中各个第一正常区域的区域噪声值,包括:
对于所述第一正常区域集中每个第一正常区域内的每个第一分块系数,将所述第一分块系数对应的分块噪声值确定为所述第一正常区域内所述第一分块系数对应位置的区域噪声值;
对于所述第一篡改区域集中每个第一篡改区域内的每个第二分块系数,将所述第二分块系数对应的分块噪声值确定为所述第一篡改区域内所述第二分块系数对应位置的区域噪声值;
对于所述第一正常区域和所述第一篡改区域之间的边界区域内的每个相重叠的第一分块系数和第二分块系数,计算所述第一分块系数对应的分块噪声值和所述第二分块系数对应的分块噪声值的加权值,得到所述边界区域内所述第一分块系数和所述第二分块系数相重叠位置的区域噪声值。
可选地,所述按照所述第一分块系数集中的各个第一分块系数对应的分块噪声值对各个第一分块系数进行聚类,得到第一篡改区域集和第一正常区域集,包括:
使用KMeans聚类算法对所述各个第一分块系数对应的分块噪声值进行聚类,得到两个分类;其中,所述KMeans聚类算法的聚类中心的数量为2,每个分类包括至少一个第一分块系数;
将所述两个分类中第一分块系数的数量较小的分类确定为所述第一篡改区域集;
将所述两个分类中第一分块系数的数量较大的分类确定为所述第一正常区域集。
可选地,所述分别对各个所述分块系数集中的各个分块系数进行噪声估计,得到各个所述分块系数对应的分块噪声值,包括:
对于每个分块系数,对所述分块系数再次进行分块得到子块系数;
计算每个子块系数的方差;
基于主成分分析法按照各个子块系数的方差确定所述分块系数的分块噪声值。
可选地,所述基于主成分分析法按照各个子块系数的方差确定所述分块系数的分块噪声值,包括:
将各个子块系数的方差按照从小到大的顺序排序;
将每个子块系数的方差与第k次迭代的方差阈值进行比较,所述方差阈值为排序后的方差的p分位数,p的值随着k的增加逐次减小;所述k正整数,所述p为大于0且小于或等于1的小数;
将比较结果为小于或等于所述方差阈值的子块集合进行主成分分析,并经过奇异值分解,得到第k次迭代的多个特征值;
将所述第k次迭代的多个特征值按照从小到大的顺序进行排序;
确定排序在第m位的特征值与排序在第1位的特征值之差是否满足迭代条件,所述迭代条件基于上一次迭代时的噪声值确定,初始化的噪声值为预设数值;
在满足迭代条件时,根据所述排序在第1位的特征值更新所述分块系数的噪声值,并令k的值加1,再次执行所述将每个子块系数的方差与第k次迭代的方差阈值进行比较的步骤,直至所述排序在第m位的特征值与所述排序在第1位的特征值之差不满足迭代条件时停止,将上一次迭代时确定出的噪声值确定为所述分块系数的分块噪声值,m为大于1的整数。
可选地,所述迭代条件通过下式表示:
λYp,m-λYp,min≥aσ2/M
其中,λYp,m为所述排序在第m位的特征值;λYp,min为所述排序在第1位的特征值;σ为所述上一次迭代时的噪声值;a和M均为常数。
第二方面,提供了一种图像篡改区域的定位装置,所述装置包括:
小波变换模块,用于对目标图像进行离散小波变换,得到所述目标图像的对角小波系数矩阵;所述对角小波系数矩阵用于指示所述目标图像的噪声分布;
系数分块模块,用于对所述对角小波系数矩阵按照不同尺寸进行多次分块,得到每次分块对应的分块系数集;
噪声估计模块,用于分别对各个所述分块系数集中的各个分块系数进行噪声估计,得到各个所述分块系数对应的分块噪声值;
区域定位模块,用于结合多次分块对应的各个所述分块噪声值确定所述目标图像中的篡改区域。
第三方面,提供一种图像篡改区域的定位装置,所述装置包括处理器和存储器;所述存储器中存储有程序,所述程序由所述处理器加载并执行以实现第一方面所述的图像篡改区域的定位方法。
第四方面,提供一种计算机可读存储介质,所述存储介质中存储有程序,所述程序由所述处理器加载并执行以实现第一方面所述的图像篡改区域的定位方法。
本申请的有益效果在于:通过对目标图像进行离散小波变换,得到目标图像的对角小波系数矩阵;对对角小波系数矩阵按照不同尺寸进行多次分块,得到每次分块对应的分块系数集;分别对各个分块系数集中的各个分块系数进行噪声估计,得到各个分块系数对应的分块噪声值;结合多次分块对应的各个分块噪声值确定目标图像中的篡改区域;可以解决现有的图像篡改检测方法的适用场景受限的问题;由于图像篡改区域的噪声分布通常与正常区域的噪声分布不同,因此,通过对各个区域的噪声进行估计以检测篡改区域,可以扩大图像篡改检测方法的适用范围,并提高定位篡改区域的准确性。
另外,由于在对对角小波系数矩阵进行分块时,随着分块尺寸的增大,噪声估计准确性提高,但是会导致篡改区域定位不够精细;随着分块尺寸的减小,篡改区域定位更精准,但是噪声估计与实际差异增加。而本实施例通过采用两次分块操作,每次分块操作对应的尺寸不同,噪声估计结果在两者之间提供平衡,既可以保证定位的准确性,又可以保证噪声估计的准确性。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,并可依照说明书的内容予以实施,以下以本申请的较佳实施例并配合附图详细说明如后。
附图说明
图1是本申请一个实施例提供的离散小波变换的示意图;
图2是本申请一个实施例提供的图像篡改区域的定位方法的流程图;
图3是本申请一个实施例提供的对角小波系数矩阵的示意图;
图4是本申请一个实施例提供的图像篡改区域的定位装置的框图;
图5是本申请一个实施例提供的图像篡改区域的定位装置的框图。
具体实施方式
下面结合附图和实施例,对本申请的具体实施方式作进一步详细描述。以下实施例用于说明本申请,但不用来限制本申请的范围。
首先,对本申请涉及的若干名词进行介绍。
离散小波变换(Discrete Wavelet Transform,DWT):是对基本小波的尺度和平移进行离散化。以二维的DWT为例,(参考图1)DWT的原理包括:
1、对输入信号x[m,n]在行方向上分别作高通、降频处理和低通、降频处理;
2、对v1,L[m,n]与v1,H[m,n]延m方向分别作高通、降频处理和低通、降频处理。
图1中,g[n]:低通滤波器(low pass filter),可以将输入信号的高频部分滤掉而输出低频部分。h[n]:高通滤波器(high pass filter),与低通滤波器相反,滤掉低频部分而输出高频部分。↓Q:降采样滤波器(downsampling filter),如果x[n]作为输入,则输出y[n]=x[Qn]。本实施例中以Q=2为例进行说明。
其中,对角高频信息D(或称高频逼近分量、对角小波系数等)在水平方向和垂直方向上都是高频的,可以用来指示噪声分布。另外,A是低频信息,H是水平高频信息,V是垂直高频信息。
可选地,小波函数的类型可以为多种,比如:Daubechies(dbN)小波(紧支集正交小波)、Symlet(symN)小波(近似对称的紧支集正交小波)等,本申请不对离散小波变换过程中使用的函数类型作限定。
主成分分析(Principal Component Analysis,PCA):是一种通过正交变换将一组可能存在相关性的变量转换为一组线性不相关的变量的统计方法。转换后的这组变量叫主成分。主成分分析的原理包括:用F1(选取的第一个线性组合,即第一个综合指标)的方差来表达,Var(F1)越大,表示F1包含的信息越多。在所有的线性组合中选取的F1是方差最大的,因此F1称为第一主成分。如果第一主成分不足以代表原来P个指标的信息,再考虑选取F2即选取第二个线性组合,为了有效地反映原来信息,F1已有的信息不再出现在F2中,即要求Cov(F1,F2)=0,F2称为第二主成分,依此类推,可以构造出第三、第四,……,第P个主成分。
奇异值分解(Singular Value Decomposition,SVD):就是把矩阵分成多个“分力”,奇异值的大小,就是各个“分力”的大小。SVD的原理是将原始的数据集X分解成三个矩阵U、Σ和VT:
Xd×n=Ud×dΣd×nVT n×n
其中,Σ是对角矩阵,对角元素称为奇异值,这些奇异值是矩阵XXT的特征值的平方根。
分位数(Quantile),亦称分位点:是指连续分布函数中的一个点。
K均值聚类(Kmeans)算法:用于将相似的样本归类到一个类别中。Kmeans算法的原理包括:
1、随机选取k个聚类中心;
2、遍历所有数据,将每个数据划分到最近的聚类中心中;
3、计算每个聚类的平均值,并作为新的聚类中心;
4、重复执行步骤2和3,直到这k个聚类中心不再变化或迭代次数达到预设次数;得到k个分类。
下面对本申请提供的图像篡改区域的定位方法进行详细说明。
可选地,本申请以各个实施例的执行主体为电子设备为例进行说明,该电子设备具有图像处理能力。电子设备可以为终端或者服务器,终端可以是手机、平板电脑、计算机、或者视频会议终端等,本实施例不对终端的设备类型作限定。
图2是本申请一个实施例提供的图像篡改区域的定位方法的流程图。该方法至少包括以下几个步骤:
步骤201,对目标图像进行离散小波变换,得到目标图像的对角小波系数矩阵;对角小波系数矩阵用于指示目标图像的噪声分布。
电子设备获取到原始图像后,检测该原始图像是否为灰度图;若不是灰度图,则将原始图像转换为灰度图,得到目标图像;若是灰度图,则该原始图像即为目标图像。
可选地,参考图3,电子设备利用Daubechies 8小波函数对目标图像进行离散小波变换,得到目标图像(M×N)31的对角小波系数矩阵(M'×N')32。由于对角小波系数矩阵在水平方向和垂直方向上都是高频的,因此,可以用来指示目标图像的噪声分布。当然,在其它实施例中,电子设备也可以使用其它小波函数进行离散小波变换,本实施例不对小波函数的类型作限定。
步骤202,对对角小波系数矩阵按照不同尺寸进行多次分块,得到每次分块对应的分块系数集。
每次分块得到的分块系数集中不同的分块系数互不重叠。
示意性地,本实施例以对对角小波系数矩阵进行两次分块为例进行说明,在实际实现时,电子设备也可以对对角小波系数矩阵进行更多次地分块,本实施例不对分块次数作限定。此时,电子设备对对角小波系数矩阵按照第一尺寸进行分块,得到第一分块系数集;第一分块系数集内的不同第一分块系数之间互不重叠。对对角小波系数矩阵按照第二尺寸再次进行分块,得到第二分块系数集;第二分块系数集内不同第二分块系数之间互不重叠。
需要补充说明的是,电子设备可以同时对对角小波系数进行多次分块;或者,先按照第一尺寸进行分块、再按照第二尺寸进行分块;或者,先按照第二尺寸进行分块、再按照第一尺寸进行分块,本实施例不对分块顺序作限定。
第一尺寸小于对角小波系数矩阵的尺寸。可选地,第一尺寸可以为64×64、32×32等,本实施例不对第一尺寸的取值作限定。
以第一尺寸为64×64为例,若对角小波系数矩阵的尺寸为M'×N',则得到的第一分块系数集包括[M'/64]」×[N'/64]个第一分块系数。
第二尺寸与第一尺寸不同。可选地,第二尺寸小于第一尺寸。本实施例中,通过设置第二尺寸小于第一尺寸,可以在篡改定位时实现由粗略到精细地定位,提高定位效果。
比如:第二尺寸为32×32,若对角小波系数矩阵的尺寸为M'×N',则得到的第二分块系数集包括[M'/32]」×[N'/32]个第二分块系数。
步骤203,分别对各个分块系数集中的各个分块系数进行噪声估计,得到各个分块系数对应的分块噪声值。
本实施例中,电子设备对每次分块得到的分块系数集中的各个分块系数利用主成分分析进行噪声估计。
可选地,分别对各个分块系数集中的各个分块系数进行噪声估计,得到各个分块系数对应的分块噪声值,包括:
1、对于每个分块系数,对分块系数再次进行分块得到子块系数。
由于本实施例中通过每个子块系数的方差进行噪声估计,因此,为了保证方差不会存在突变,相邻的子块系数之间存在重叠。
在一个示例中,对分块系数再次进行分块,得到子块系数,包括:将预设的第三尺寸的滑动窗口在分块系数上滑动,每次滑动的步数为a个小波系数,不同位置的滑动窗口对应一个子块系数。第三尺寸小于第一尺寸和第二尺寸。a小于第三尺寸,且a为正整数。
比如:第三尺寸为5×5,a为1,则对每个64×64的分块系数再次进行分块时,每隔一个系数滑动一次滑动窗口,得到多个子块系数。相邻的子块系数(上下相邻或者左右相邻)之间存在4×5个系数的重叠。
2、计算每个子块系数的方差。
3、基于主成分分析法按照各个子块系数的方差确定分块系数的分块噪声值。
在一个示例中,基于主成分分析法按照各个子块系数的方差确定分块系数的分块噪声值,包括:将各个子块系数的方差按照从小到大的顺序排序;将每个子块系数的方差与第k次迭代的方差阈值进行比较,方差阈值为排序后的方差的p分位数,p的值随着k的增加逐次减小;k正整数,p为大于0且小于或等于1的小数;将比较结果为小于或等于方差阈值的子块集合进行主成分分析,并经过奇异值分解,得到第k次迭代的多个特征值;将第k次迭代的多个特征值按照从小到大的顺序进行排序;确定排序在第m位的特征值与排序在第1位的特征值之差是否满足迭代条件,该迭代条件基于上一次迭代时的噪声值确定,初始化的噪声值为预设数值;在满足迭代条件时,根据排序在第1位的特征值更新第一分块系数的噪声值,并令k的值加1,再次执行将每个子块系数的方差与第k次迭代的方差阈值进行比较的步骤,直至排序在第m位的特征值与排序在第1位的特征值之差不满足迭代条件时停止,将上一次迭代时确定出的噪声值确定为分块系数的分块噪声值。
迭代过程可以通过下式表示:{Yp|s2(yi)≤Q(p),i=1,…,N}。其中,Yp表示小于或等于方差阈值的子块集合;yi表示第i个子块系数;s2(yi)表示第i个子块系数的方差;Q(p)表示第k次迭代的方差阈值;N表示子块系数的总数。在一个示例中,p的值从1降至0.1,每次迭代减少0.05,σ为前一次噪声估计值,初始化σ的值为C0*Q(0.0005),C0为预设常数。在其他实施例中,p的取值范围可以是其它范围、每次迭代减小的值可以为其它数值、σ的初始化值可以为其它数值,本实施例对此不作限定。
其中,m为大于1的整数。在一个示例中,m的值为7,当然,也可以为其它数值,本实施例不对m的取值作限定。
可选地,迭代条件通过下式表示:
λYp,m-λYp,min≥aσ2/M
其中,λYp,m为排序在第m位的特征值;λYp,min为排序在第1位的特征值;σ为上一次迭代时的噪声值;a和M均为常数。比如:a的值为49、M的值为7,当然,在实际实现时,a和M也可以为其它数值,本实施例不对a和M的取值作限定。
可选地,根据排序在第1位的特征值更新分块系数的噪声值,包括:将分块系数的噪声值更新为排序在第1位的特征值的开根号值。即:
其中,σ’为本次迭代确定出的噪声值,即,更新后的分块系数的噪声值。
步骤204,结合多次分块对应的各个分块噪声值确定目标图像中的篡改区域。
对于所述多次分块中任意两次分块对应的第一分块系数集和第二分块系数集,所述结合多次分块对应的各个分块噪声值确定目标图像中的篡改区域,包括:按照第一分块系数集中的各个第一分块系数对应的分块噪声值对各个第一分块系数进行聚类,得到第一篡改区域集和第一正常区域集;根据第一分块系数集中各个第一分块系数对应的分块噪声值和第二分块系数集中各个第二分块系数对应的分块噪声值,重新确定第一篡改区域集中各个第一篡改区域的区域噪声值和第一正常区域集中各个第一正常区域的区域噪声值;按照各个区域的区域噪声值对各个区域进行聚类,得到第二篡改区域集和第二正常区域集,第二篡改区域集为目标图像上的图像篡改区域。
可选地,电子设备使用KMeans聚类算法对各个第一分块系数对应的分块噪声值进行聚类,得到两个分类;其中,KMeans聚类算法的聚类中心的数量为2,每个分类包括至少一个第一分块系数;将两个分类中第一分块系数的数量较小的分类确定为第一篡改区域集;将两个分类中第一分块系数的数量较大的分类确定为第一正常区域集。对于第一篡改区域和第一正常区域的分界,将该分界区域的系数称为区域边界。
可选地,根据第一分块系数集中各个第一分块系数对应的分块噪声值和第二分块系数集中各个第二分块系数对应的分块噪声值,重新确定第一篡改区域集中各个第一篡改区域的区域噪声值和第一正常区域集中各个第一正常区域的区域噪声值,包括:对于第一正常区域集中每个第一正常区域内的每个第一分块系数,将第一分块系数对应的分块噪声值确定为第一正常区域内第一分块系数对应位置的区域噪声值;对于第一篡改区域集中每个第一篡改区域内的每个第二分块系数,将第二分块系数对应的分块噪声值确定为第一篡改区域内第二分块系数对应位置的区域噪声值;对于第一正常区域和第一篡改区域之间的边界区域内的每个相重叠的第一分块系数和第二分块系数,计算第一分块系数对应的分块噪声值和第二分块系数对应的分块噪声值的加权值,得到边界区域内第一分块系数和第二分块系数相重叠位置的区域噪声值。
其中,计算第一分块系数对应的分块噪声值和第二分块系数对应的第二噪声值的加权值,得到边界区域内第一分块系数和第二分块系数相重叠位置的区域噪声值,包括:计算第一分块系数对应的分块噪声值与第一权重的乘积加上第二分块系数对应的分块噪声值与第二权重的乘积之和,得到分块噪声值的加权值。
可选地,第一权重大于第二权重。
比如:第一权重为0.8、第二权重为0.2,则对于边界区域内任意的第一分块系数和第二分块系数的重叠区域,该重叠区域的区域噪声值为0.8*第一噪声值+0.2*第二噪声值。
可选地,按照各个区域的区域噪声值对各个区域进行聚类,得到第二篡改区域集和第二正常区域集,包括:电子设备使用KMeans聚类算法对各个区域的区域噪声值进行聚类,得到两个分类;其中,KMeans聚类算法的聚类中心的数量为2,每个分类包括至少一个区域噪声值对应的区域;将两个分类中分块系数的数量较小的分类确定为第二篡改区域集;将两个分类中分块系数的数量较大的分类确定为第二正常区域集。
可选地,电子设备在确定出第二篡改区域集和第二正常区域集之后,将第二篡改区域集内各个第二篡改区域对应的像素值赋值为第一像素值;将第二正常区域集内各个第二正常区域对应的像素值赋值为第二像素值。第一像素值与第二像素值不同。比如:第一像素值为255,第二像素值为0,得到对角小波系数矩阵对应的二值图。
可选地,电子设备在确定出第二篡改区域集和第二正常区域集之后,基于第二篡改区域集中各个第二篡改区域的位置生成目标图像的掩码图。掩码图用于指示目标图像中的第二篡改区域。
综上所述,本实施例提供的图像篡改区域的定位方法,通过对目标图像进行离散小波变换,得到目标图像的对角小波系数矩阵;对对角小波系数矩阵按照不同尺寸进行多次分块,得到每次分块对应的分块系数集;分别对各个分块系数集中的各个分块系数进行噪声估计,得到各个分块系数对应的分块噪声值;结合多次分块对应的各个分块噪声值确定目标图像中的篡改区域;可以解决现有的图像篡改检测方法的适用场景受限的问题;由于图像篡改区域的噪声分布通常与正常区域的噪声分布不同,因此,通过对各个区域的噪声进行估计以检测篡改区域,可以扩大图像篡改检测方法的适用范围,并提高定位篡改区域的准确性。
另外,由于在对对角小波系数矩阵进行分块时,随着分块尺寸的增大,噪声估计准确性提高,但是会导致篡改区域定位不够精细;随着分块尺寸的减小,篡改区域定位更精准,但是噪声估计与实际差异增加。而本实施例通过采用两次分块操作,每次分块操作对应的尺寸不同,噪声估计结果在两者之间提供平衡,既可以保证定位的准确性,又可以保证噪声估计的准确性。
另外,通过设置第二尺寸小于第一尺寸,可以在篡改定位时实现由粗略到精细地定位,提高定位效果。
另外,本实施例提供的基于噪声估计的方式进行图像篡改区域检测适用于所有在采集图像时由于传感器或者其他原因产生噪声的图像,不仅仅局限于JPEG压缩图像,更具有普适性。
图4是本申请一个实施例提供的图像篡改区域的定位装置的框图。该装置至少包括以下几个模块:小波变换模块410、系数分块模块420、噪声估计模块430和区域定位模块440。
小波变换模块410,用于对目标图像进行离散小波变换,得到所述目标图像的对角小波系数矩阵;所述对角小波系数矩阵用于指示所述目标图像的噪声分布;
系数分块模块420,用于对所述对角小波系数矩阵按照不同尺寸进行多次分块,得到每次分块对应的分块系数集;
噪声估计模块430,用于分别对各个所述分块系数集中的各个分块系数进行噪声估计,得到各个所述分块系数对应的分块噪声值;
区域定位模块440,用于结合多次分块对应的各个所述分块噪声值确定所述目标图像中的篡改区域。
相关细节参考上述方法实施例。
需要说明的是:上述实施例中提供的图像篡改区域的定位装置在进行图像篡改区域的定位时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将图像篡改区域的定位装置的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的图像篡改区域的定位装置与图像篡改区域的定位方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
图5是本申请一个实施例提供的图像篡改区域的定位装置的框图。该装置至少包括处理器501和存储器502。
处理器501可以包括一个或多个处理核心,比如:4核心处理器、8核心处理器等。处理器501可以采用DSP(Digital Signal Processing,数字信号处理)、FPGA(Field-Programmable Gate Array,现场可编程门阵列)、PLA(Programmable Logic Array,可编程逻辑阵列)中的至少一种硬件形式来实现。处理器501也可以包括主处理器和协处理器,主处理器是用于对在唤醒状态下的数据进行处理的处理器,也称CPU(Central ProcessingUnit,中央处理器);协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中,处理器501可以在集成有GPU(Graphics Processing Unit,图像处理器),GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中,处理器501还可以包括AI(Artificial Intelligence,人工智能)处理器,该AI处理器用于处理有关机器学习的计算操作。
存储器502可以包括一个或多个计算机可读存储介质,该计算机可读存储介质可以是非暂态的。存储器502还可包括高速随机存取存储器,以及非易失性存储器,比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中,存储器502中的非暂态的计算机可读存储介质用于存储至少一个指令,该至少一个指令用于被处理器501所执行以实现本申请中方法实施例提供的图像篡改区域的定位方法。
在一些实施例中,图像篡改区域的定位装置还可选包括有:外围设备接口和至少一个外围设备。处理器501、存储器502和外围设备接口之间可以通过总线或信号线相连。各个外围设备可以通过总线、信号线或电路板与外围设备接口相连。示意性地,外围设备包括但不限于:射频电路、触摸显示屏、音频电路、和电源等。
当然,图像篡改区域的定位装置还可以包括更少或更多的组件,本实施例对此不作限定。
可选地,本申请还提供有一种计算机可读存储介质,所述计算机可读存储介质中存储有程序,所述程序由处理器加载并执行以实现上述方法实施例的图像篡改区域的定位方法。
可选地,本申请还提供有一种计算机产品,该计算机产品包括计算机可读存储介质,所述计算机可读存储介质中存储有程序,所述程序由处理器加载并执行以实现上述方法实施例的图像篡改区域的定位方法。
以上所述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。
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 (10)
1.一种图像篡改区域的定位方法,其特征在于,所述方法包括:
对目标图像进行离散小波变换,得到所述目标图像的对角小波系数矩阵;所述对角小波系数矩阵用于指示所述目标图像的噪声分布;
对所述对角小波系数矩阵按照不同尺寸进行多次分块,得到每次分块对应的分块系数集;
分别对各个所述分块系数集中的各个分块系数进行噪声估计,得到各个所述分块系数对应的分块噪声值;
结合多次分块对应的各个所述分块噪声值确定所述目标图像中的篡改区域。
2.根据权利要求1所述的方法,其特征在于,对于所述多次分块中任意两次分块对应的第一分块系数集和第二分块系数集,所述结合多次分块对应的各个分块噪声值确定所述目标图像中的篡改区域,包括:
按照所述第一分块系数集中的各个第一分块系数对应的分块噪声值对各个第一分块系数进行聚类,得到第一篡改区域集和第一正常区域集;
根据所述第一分块系数集中各个第一分块系数对应的分块噪声值和所述第二分块系数集中各个第二分块系数对应的分块噪声值,重新确定所述第一篡改区域集中各个第一篡改区域的区域噪声值和所述第一正常区域集中各个第一正常区域的区域噪声值;
按照各个区域的区域噪声值对所述各个区域进行聚类,得到第二篡改区域集和第二正常区域集,所述第二篡改区域集为所述目标图像上的图像篡改区域。
3.根据权利要求2所述的方法,其特征在于,所述根据所述第一分块系数集中各个第一分块系数对应的分块噪声值和所述第二分块系数集中各个第二分块系数对应的分块噪声值,重新确定所述第一篡改区域集中各个第一篡改区域的区域噪声值和所述第一正常区域集中各个第一正常区域的区域噪声值,包括:
对于所述第一正常区域集中每个第一正常区域内的每个第一分块系数,将所述第一分块系数对应的分块噪声值确定为所述第一正常区域内所述第一分块系数对应位置的区域噪声值;
对于所述第一篡改区域集中每个第一篡改区域内的每个第二分块系数,将所述第二分块系数对应的分块噪声值确定为所述第一篡改区域内所述第二分块系数对应位置的区域噪声值;
对于所述第一正常区域和所述第一篡改区域之间的边界区域内的每个相重叠的第一分块系数和第二分块系数,计算所述第一分块系数对应的分块噪声值和所述第二分块系数对应的分块噪声值的加权值,得到所述边界区域内所述第一分块系数和所述第二分块系数相重叠位置的区域噪声值。
4.根据权利要求2所述的方法,其特征在于,所述按照所述第一分块系数集中的各个第一分块系数对应的分块噪声值对各个第一分块系数进行聚类,得到第一篡改区域集和第一正常区域集,包括:
使用KMeans聚类算法对所述各个第一分块系数对应的分块噪声值进行聚类,得到两个分类;其中,所述KMeans聚类算法的聚类中心的数量为2,每个分类包括至少一个第一分块系数;
将所述两个分类中第一分块系数的数量较小的分类确定为所述第一篡改区域集;
将所述两个分类中第一分块系数的数量较大的分类确定为所述第一正常区域集。
5.根据权利要求1所述的方法,其特征在于,所述分别对各个所述分块系数集中的各个分块系数进行噪声估计,得到各个所述分块系数对应的分块噪声值,包括:
对于每个分块系数,对所述分块系数再次进行分块得到子块系数;
计算每个子块系数的方差;
基于主成分分析法按照各个子块系数的方差确定所述分块系数的分块噪声值。
6.根据权利要求5所述的方法,其特征在于,所述基于主成分分析法按照各个子块系数的方差确定所述分块系数的分块噪声值,包括:
将各个子块系数的方差按照从小到大的顺序排序;
将每个子块系数的方差与第k次迭代的方差阈值进行比较,所述方差阈值为排序后的方差的p分位数,p的值随着k的增加逐次减小;所述k正整数,所述p为大于0且小于或等于1的小数;
将比较结果为小于或等于所述方差阈值的子块集合进行主成分分析,并经过奇异值分解,得到第k次迭代的多个特征值;
将所述第k次迭代的多个特征值按照从小到大的顺序进行排序;
确定排序在第m位的特征值与排序在第1位的特征值之差是否满足迭代条件,所述迭代条件基于上一次迭代时的噪声值确定,初始化的噪声值为预设数值;
在满足迭代条件时,根据所述排序在第1位的特征值更新所述分块系数的噪声值,并令k的值加1,再次执行所述将每个子块系数的方差与第k次迭代的方差阈值进行比较的步骤,直至所述排序在第m位的特征值与所述排序在第1位的特征值之差不满足迭代条件时停止,将上一次迭代时确定出的噪声值确定为所述分块系数的分块噪声值,m为大于1的整数。
7.根据权利要求6所述的方法,其特征在于,所述迭代条件通过下式表示:
λYp,m-λYp,min≥aσ2/M
其中,λYp,m为所述排序在第m位的特征值;λYp,min为所述排序在第1位的特征值;σ为所述上一次迭代时的噪声值;a和M均为常数。
8.一种图像篡改区域的定位装置,其特征在于,所述装置包括:
小波变换模块,用于对目标图像进行离散小波变换,得到所述目标图像的对角小波系数矩阵;所述对角小波系数矩阵用于指示所述目标图像的噪声分布;
系数分块模块,用于对所述对角小波系数矩阵按照不同尺寸进行多次分块,得到每次分块对应的分块系数集;
噪声估计模块,用于分别对各个所述分块系数集中的各个分块系数进行噪声估计,得到各个所述分块系数对应的分块噪声值;
区域定位模块,用于结合多次分块对应的各个所述分块噪声值确定所述目标图像中的篡改区域。
9.一种图像篡改区域的定位装置,其特征在于,所述装置包括处理器和存储器;所述存储器中存储有程序,所述程序由所述处理器加载并执行以实现如权利要求1至7任一项所述的图像篡改区域的定位方法。
10.一种计算机可读存储介质,其特征在于,所述存储介质中存储有程序,所述程序被处理器执行时用于实现如权利要求1至7任一项所述的图像篡改区域的定位方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010596676.7A CN111754380A (zh) | 2020-06-28 | 2020-06-28 | 图像篡改区域的定位方法、装置及存储介质 |
PCT/CN2020/121512 WO2022000861A1 (zh) | 2020-06-28 | 2020-10-16 | 图像篡改区域的定位方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010596676.7A CN111754380A (zh) | 2020-06-28 | 2020-06-28 | 图像篡改区域的定位方法、装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111754380A true CN111754380A (zh) | 2020-10-09 |
Family
ID=72677498
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010596676.7A Pending CN111754380A (zh) | 2020-06-28 | 2020-06-28 | 图像篡改区域的定位方法、装置及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN111754380A (zh) |
WO (1) | WO2022000861A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112614116A (zh) * | 2020-12-28 | 2021-04-06 | 厦门市美亚柏科信息股份有限公司 | 一种用于数字图像的篡改检测方法和系统 |
WO2022000861A1 (zh) * | 2020-06-28 | 2022-01-06 | 苏州科达科技股份有限公司 | 图像篡改区域的定位方法、装置及存储介质 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114092821B (zh) * | 2022-01-21 | 2022-04-08 | 北京艾尔思时代科技有限公司 | 基于无人机影像与自适应阈值的小麦倒伏提取方法和系统 |
CN116049905B (zh) * | 2023-04-03 | 2024-03-29 | 锐仕方达人才科技集团有限公司 | 一种基于检测系统文件变化的防篡改系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102184537A (zh) * | 2011-04-22 | 2011-09-14 | 西安理工大学 | 基于小波变换和主成分分析的图像区域篡改检测方法 |
CN102881006A (zh) * | 2012-08-03 | 2013-01-16 | 吉林禹硕动漫游戏科技股份有限公司 | 多投影显示系统中的图像拼接与融合方法 |
CN110827198A (zh) * | 2019-10-14 | 2020-02-21 | 唐山学院 | 基于压缩感知和超分辨率重构的多相机全景图像构建方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10361866B1 (en) * | 2018-08-13 | 2019-07-23 | Truepic Inc. | Proof of image authentication on a blockchain |
CN111275687B (zh) * | 2020-01-20 | 2023-02-28 | 西安理工大学 | 一种基于连通区域标记的细粒度图像拼接检测方法 |
CN111754380A (zh) * | 2020-06-28 | 2020-10-09 | 苏州科达科技股份有限公司 | 图像篡改区域的定位方法、装置及存储介质 |
-
2020
- 2020-06-28 CN CN202010596676.7A patent/CN111754380A/zh active Pending
- 2020-10-16 WO PCT/CN2020/121512 patent/WO2022000861A1/zh active Application Filing
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102184537A (zh) * | 2011-04-22 | 2011-09-14 | 西安理工大学 | 基于小波变换和主成分分析的图像区域篡改检测方法 |
CN102881006A (zh) * | 2012-08-03 | 2013-01-16 | 吉林禹硕动漫游戏科技股份有限公司 | 多投影显示系统中的图像拼接与融合方法 |
CN110827198A (zh) * | 2019-10-14 | 2020-02-21 | 唐山学院 | 基于压缩感知和超分辨率重构的多相机全景图像构建方法 |
Non-Patent Citations (1)
Title |
---|
HUI ZENG等: ""Image splicing localization using PCA-based noise level estimation"", 《MULTIMEDIA TOOLS AND APPLICATIONS》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022000861A1 (zh) * | 2020-06-28 | 2022-01-06 | 苏州科达科技股份有限公司 | 图像篡改区域的定位方法、装置及存储介质 |
CN112614116A (zh) * | 2020-12-28 | 2021-04-06 | 厦门市美亚柏科信息股份有限公司 | 一种用于数字图像的篡改检测方法和系统 |
CN112614116B (zh) * | 2020-12-28 | 2022-06-28 | 厦门市美亚柏科信息股份有限公司 | 一种用于数字图像的篡改检测方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
WO2022000861A1 (zh) | 2022-01-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111754380A (zh) | 图像篡改区域的定位方法、装置及存储介质 | |
CN109598231B (zh) | 一种视频水印的识别方法、装置、设备及存储介质 | |
CN109344618B (zh) | 一种基于深度森林的恶意代码分类方法 | |
WO2018090937A1 (zh) | 图像处理方法、终端及存储介质 | |
CN108564579B (zh) | 一种基于时空相关的混凝土裂缝检测方法及检测装置 | |
CN110533632B (zh) | 图像模糊篡改检测方法、装置、计算机设备和存储介质 | |
CN112328715B (zh) | 视觉定位方法及相关模型的训练方法及相关装置、设备 | |
Su et al. | A novel forgery detection algorithm for video foreground removal | |
CN112668577A (zh) | 大尺度图像中目标物体的检测方法、终端及装置 | |
CN113159200A (zh) | 对象分析方法、装置及存储介质 | |
CN116543261A (zh) | 用于图像识别的模型训练方法、图像识别方法设备及介质 | |
CN110163095B (zh) | 回环检测方法、回环检测装置及终端设备 | |
CN112906652A (zh) | 一种人脸图像的识别方法、装置、电子设备及存储介质 | |
CN117095198A (zh) | 遥感图像检索网络训练方法、应用方法、电子设备及介质 | |
Chen et al. | An improved local descriptor and threshold learning for unsupervised dynamic texture segmentation | |
EP2852918B1 (en) | Method and apparatus for generating shape descriptor of a model | |
CN115601684A (zh) | 突发事件预警方法、装置、电子设备及存储介质 | |
CN115311632A (zh) | 一种基于多摄像头的车辆重识别方法和设备 | |
Kekre et al. | Detection of cancer using vector quantization for segmentation | |
CN113888428A (zh) | 一种基于局部对比度的红外弱小目标检测方法及装置 | |
CN114005140A (zh) | 一种人员识别方法、装置、设备、行人监控系统及存储介质 | |
CN113435312A (zh) | 审讯场景的监测方法、设备及存储介质 | |
CN112580442A (zh) | 一种基于多维金字塔层次模型的行为识别方法 | |
CN112037174A (zh) | 染色体异常检测方法、装置、设备及计算机可读存储介质 | |
Salhi et al. | Pretreatment approaches for texture image segmentation |
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: 20201009 |