CN111768368B - 一种基于最大稳定极值区域的图像区域复制篡改检测方法 - Google Patents

Abstract

本发明公开了一种基于最大稳定极值区域的图像区域复制篡改检测方法，包括以下步骤：首先提取图像的SIFT特征点并进行匹配；然后分别提取R，G，B三个颜色通道的最大稳定极值区域，将找到的特征点替换为所对应的最大稳定极值区域；找到极值区域数目最多的两个通道，将这两个通道上所对应的可疑区域分别利用颜色和锐利度进行匹配；最后，通过两个通道的可疑区域的交集定位篡改区域。本发明的方法直接针对图像对象，可以精确检测出复制区域的准确位置和形状；本发明的方法对于内容保持的图像处理操作，如不同质量因子的JPEG压缩，高斯噪声，椒盐噪声，中值滤波，维纳滤波，伽马矫正等具有较强的鲁棒性。

Description

一种基于最大稳定极值区域的图像区域复制篡改检测方法

技术领域

本发明属于图像篡改检测技术领域，涉及一种基于最大稳定极值区域的图像区域复制篡改检测方法。

背景技术

随着强大的图像编辑工具和图像处理软件的广泛使用，在不留下任何可见线索的情况下，数字图像的内容正在被随意的篡改着。这些篡改图像的存在引发了很多问题，甚至在许多领域中导致了犯罪。作为保护图像内容真实性和完整性的一项关键技术，近年来，数字图像被动取证技术已成为学术界和工业界的研究热点。

图像被动取证主要包括图像篡改检测、图像源识别和操作历史追踪。图像内容篡改包括异源图像拼接/合成，同源图像区域复制(也称为Copy-Move)攻击，和图像局部性质改变。由于区域复制是图像内容篡改的最常用手段之一，因此，近年来，针对图像区域复制攻击的检测方法得到了工业界和学术界的极大关注。图像区域复制攻击是指将一部分图像内容复制-粘贴到同一图像中，生成复制区域，其目的是隐藏图像对象或克隆特定区域以伪造不存在的场景，如图1所示，其中(a1)是真实图像；(a2)是对(a1)进行区域复制篡改后的图像；(b2)是对(b1)进行区域复制篡改后的图像；(c2)是对(c1)进行区域复制篡改后的图像；(d2)是对(d1)进行区域复制篡改后的图像。

图像区域复制篡改检测技术一经提出，就受到学界广泛关注。近年来，许多学者致力于图像区域复制篡改检测方法的研究，涌现出许多优秀的检测方法。在现存文献中，常见的图像区域复制篡改检测方法主要分为三大类：基于图像块的方法，基于特征点的方法以及图像块与特征点相结合的方法。

基于图像块的方法通常是将图像分割成规则或不规则的块，然后从每个块中提取特征，通过排序在所有特征集中搜索相似的特征对。基于图像块的方法由于需要在特征集中搜索相似的特征对，因而一般都存在计算效率低的问题。为了提高计算效率，许多研究者提出了基于特征点的图像区域复制检测方法。该类方法一经提出，学者们就展开了深入研究，近年来涌现出许多优秀的方法。文献[1]提出了一种使用不同特征点混合的方法，在该方法中，作者把SURF特征点与二元鲁棒不变可伸缩特征点(BRISK)相结合，该方法对常见的后处理操作具有较强的鲁棒性。文献[2]描述了一种图像复制区域检测方法，该方法利用PatchMatch算法对整个图像进行近似邻域计算，降低了计算复杂度。在2016年，文献[3]提出了一种使用Harris检测器提取图像特征点，并利用特征点邻域的统计特征进行区域复制检测。2017年，文献[4]提出一种基于全局内容验证的图像区域复制检测方法。2019年，文献[5]描述了一种基于SIFT、不变矩和区域生长技术的图像区域复制伪造检测方法。

基于特征点的图像Copy-Move篡改检测由于特征点的稀疏性，往往存在检测区域误差较大的问题(如图3所示)。最近，学者们将基于图像块的方法和基于特征点的方法相结合，提出了许多优秀的检测方法。文献[6]介绍了一种对几何变换具有鲁棒性的图像区域复制篡改检测方法。在该方法中，作者把以Harris角点为圆心的圆形邻域划分成扇形区域，并计算每个扇形区域的统计量，最后使用best-bin-first算法对圆形区域进行匹配。2017年，文献[7]报告了一种基于超像素分割和Harris特征点相结合的图像区域复制篡改检测方法。在该方法中，作者首先利用超像素分割和聚类分析技术将图像内容划分为复杂区域和平滑区域，然后提取以Harris角点为圆心的圆形邻域的特征，对复杂区域和平滑区域进行特征匹配，并进行篡改区域定位。2018年，文献[8]提出一种使用二进制判别特征的Copy-Move伪造检测方法。该方法首先提取Fast特征点，然后使用二进制判别描述符进行特征检测和匹配，将匹配的点替换为相应的超像素块，从而识别出篡改区域。

现存的问题：

(1)虽然基于图像块的图像区域复制篡改检测方法可以在大多数情况下检测出区域复制伪造，但大多数算法对于旋转或缩放操作不具有鲁棒性，特别是在复制区域被旋转或缩放的情况下，检测算法可能失效。此外，除了计算复杂度高之外，大多数基于图像块的检测方法的检测精度不够准确，如图2所示，其中(a1)和(a2)是原始图像，(b1)是对(a1)进行区域复制攻击后的篡改图像，(c1)是利用方法[11]对(b1)进行检测得到的结果；(b2)是对(a2)进行区域复制攻击后的篡改图像，(c2)是利用方法[11]对(b2)进行检测得到的结果。

(2)基于特征点的图像区域复制篡改检测方法可以准确地确定复制区域的位置，但是由于特征点的稀疏性，这些方法仍然不能准确地检测出复制区域的轮廓，如图3所示，其中(a)是原始图像，(b)是对(a)进行区域复制攻击后的篡改图像，(c)是利用方法[5]对(b)进行检测得到的结果。

(3)很多区域复制篡改检测方法对于自相似图像失效，也就是，往往把图像中的自然相似区域检测为复制区域，如文献[13]。

(4)相对于单纯的基于图像块的方法和基于特征点的方法，图像块与特征点相结合的方法的检测精度有了很大的提高，但是，由于特征点的稀疏性和图像块的局部整体性，这种方法依然存在漏检测和误检测的问题。

参考文献：

[1]Kumar S,Desai J V,Mukherjee S.A fast keypoint based hybrid methodfor copy move forgery detection[J].arXiv preprint arXiv:1612.03989,2015.

[2]Cozzolino D,Poggi G,Verdoliva L.Efficient dense-field copy–moveforgery detection[J].IEEE Transactions on Information Forensics and Security,2015,10(11):2284-2297.

[3]Wang X,He G,Tang C.Keypoints-based image passive forensics methodfor copy-move attacks[J].International Journal of Pattern Recognition andArtificial Intelligence,2016,30(03):1655008.

[4]Zhou Z,Wang Y,Wu Q M J,et al.Effective and efficient globalcontext verification for image copy detection[J].IEEE Transactions onInformation Forensics and Security,2017,12(1):48-63.

[5]Chen C C,Lu W Y,Chou C H.Rotational copy-move forgery detectionusing SIFT and region growing strategies[J].Multimedia Tools andApplications,2019:1-16.

[6]Chen L,Lu W,Ni J,et al.Region duplication detection based onHarris corner points and step sector statistics[J].Journal of VisualCommunication and image representation,2013,24(3):244-254.

[7]Liu Y,Wang H X,Wu H Z.An Efficient Copy-Move Detection AlgorithmBased on Superpixel Segmentation and Harris Key-Points[C].InternationalConference on Cloud Computing and Security.Springer,Cham,2017:61-73.

[8]Raju P M,Nair M S.Copy-move forgery detection using binarydiscriminant features[J].Journal of King Saud University-Computer andInformation Sciences,2018.

[9]Nistér D,Stewénius H.Linear time maximally stable extremal regions[C]//European Conference on Computer Vision.Springer,Berlin,Heidelberg,2008:183-196.

[10]Bahrami K,Kot A C.A fast approach for no-reference imagesharpness assessment based on maximum local variation[J].IEEE SignalProcessing Letters,2014,21(6):751-755.

[11]Wang X,Zhang X,Li Z,et al.A DWT-DCT based passive forensicsmethod for copy-move attacks[C].2011 Third International Conference onMultimedia Information Networking and Security.IEEE,2011:304-308.

[12]DG Lowe.Distinctive Image Features from Scale-Invariant Keypoints[J].International Journal of Computer Vision,2004,60(2):91-110.

[13]P.Kakar,N.Sudha.Exposing postprocessed copy–paste forgeriesthrough transform invariant features[J].IEEE Transactions on InformationForensics and Security,2012,7(3):1018-1028.

发明内容

本发明的目的是提供一种基于最大稳定极值区域的图像区域复制篡改检测方法，解决现有技术中存在的检测计算复杂度高，精度不准确的问题。

本发明所采用的技术方案是，一种基于最大稳定极值区域的图像区域复制篡改检测方法，具体按照以下步骤实施：

步骤1、提取图像的SIFT特征点并进行匹配；

步骤2、分别提取R，G，B三个颜色通道的最大稳定极值区域，将匹配的特征点替换为所对应的最大稳定极值区域；

步骤3、对图像进行锐利度估计和颜色特征估计；

步骤4、利用图像锐利度和颜色特征信息进行相似区域匹配；

步骤5、图像篡改区域定位。

本发明的特点还在于：

步骤1具体为，对图像f提取m个SIFT特征点{p₁,p₂,...,p_m}，并进行特征点匹配，利用随机抽样一致算法去除误匹配，得到经去除误匹配后的特征点集为{p₁,p₂,...,p_r}。

步骤2具体按照以下步骤实施：

步骤2.1、定义最大稳定极值区域；

对于大小为M×N的图像f，假设H为二维像素空间，U为灰度值空间，U＝{0,1,2,...,255}，C为空间H中定义的四邻域关系，即像素(x,y)的上下左右4邻域是：(x+1,y)，(x-1,y)，(x,y+1)，(x,y-1)；

将图像f转换为灰度图像f′：

f′＝0.2989R+0.587G+0.114B

则对于灰度图像f′：H→U是二维像素空间H到灰度值空间U的映射，灰度图像f′中的极值区域A满足下列条件：

其中关系E∈{＞,＜}，T(A)是区域A的边界，即：

如果E是关系“＞”，则区域A被称为最大极值区域并用A⁺表示；

如果E是关系“＜”，区域A被称为最小极值区域，用A^-表示；

为了寻找最大稳定极值区域，需要获得一系列嵌套的极值区域，为此，在图像空间中定义一个准则

其中Δ是最大稳定极值区域检测器的输入参数，Δ表示像素值的变化量，|·|表示集合的基数，A^+Δ和A^-Δ是极值区域并被定义为：

如果

是局部最小值，区域A被称为最大稳定极值区域；

步骤2.2、利用步骤2.1的方法在R,G,B通道上提取图像的最大稳定极值区域；

步骤2.3、检查步骤2.2中提取的最大稳定极值区域中是否包含了步骤1中所得到的匹配特征点{p₁,p₂,...,p_r}，若是，则将该特征点替换为与其对应的最大稳定极值区域，根据特征点之间的匹配关系得到最大稳定极值区域之间的对应关系，即匹配的区域，把这些区域定义为可疑区域

n为得到的匹配区域的数目。

步骤3具体按照以下步骤实施：

步骤3.1、图像锐利度估计；

利用最大局部方差，即MLV估计图像的锐利度分布，对于大小为M×N的灰度图像f′，记位置(x,y)的像素为f′_x,y，考虑一个包含f′_x,y的8邻域的3×3的块，定义f′_x,y的MLV为：

σ(f′_x,y)＝max{|f′_x,y-f′_u,v||u＝x-1,x,x+1；v＝y-1,y,y+1}

在图像中，MLV值较大的像素对锐利度估计的影响较大，通过对MLV值赋不同的权值来校正锐利度值，令

其中，

且γ_x,y表示在x×y大小的图像块的阶数；

将每个区域的锐利度特征定义为该区域的锐利度估计值的均值

即

其中，K×P表示该区域的大小；

步骤3.2、估计图像的颜色特征；

对每个区域，用R,G,B三个颜色通道的像素均值来表示该区域的颜色特征，分别用

表示，即

其中

分别表示的是第i个通道对应的第j个可疑区域提取的红色特征，绿色特征以及蓝色特征。

步骤4具体为，用图像锐利度和三个颜色通道的信息作为取证特征来进行相似区域检测；

令

其中

表示该区域锐利度估计值的均值，

分别表示该区域在R,G,B三个颜色通道的像素均值，对于区域j₁和区域j₂，定义它们之间的相似性度量L为：

其中

表示不同区域的特征向量；如果L比预定义的阈值w小，其中w＝4为实验测得，就将该区域定义为伪造区域。

步骤5具体为，分别计算R,G,B三通道提取的最大稳定极值区域的数目：Q_R,Q_G,Q_B，计算其中的最大值ω₁和次大值ω₂，即

ω＝{ω₁,ω₂}

定义ω₁和ω₂所对应的两个颜色通道的最大稳定极值区域为可疑区域，分别记为Y₁,Y₂，令Y＝Y₁∩Y₂，对Y进行形态学处理即得到篡改区域。

本发明的有益效果是：

(1)本发明一种基于最大稳定极值区域的图像Copy-Move篡改检测方法把最大稳定极值区域的概念引入到图像Copy-Move篡改检测中，利用最大稳定极值区域提取图像中具有视觉意义的对象；

(2)本发明提供了一种与现有方法完全不同的检测方法，该方法直接针对图像对象，可以精确检测出复制伪造区域的准确位置和形状，其像素级检测精度达到91.84％；

(3)本发明的方法具有辨别图像中的自相似区域与复制伪造区域的能力，能够在具有自相似区域的图像中检测出复制伪造区域；

(4)本发明的方法对于内容保持的图像处理操作，如不同质量因子的JPEG压缩，高斯噪声，椒盐噪声，中值滤波，维纳滤波，伽马矫正等具有较强的鲁棒性。

附图说明

图1是区域复制篡改图像示例图；

图2是方法[10]的检测结果示例图；

图3是方法[5]的检测结果示例图；

图4为本发明检测方法的流程图；

图5是本发明检测方法的SIFT特征点匹配示例图；

图6是本发明检测方法的对图5(c)去除误匹配后的匹配特征点示例图；

图7是本发明检测方法的四邻域关系示意图；

图8是本发明检测方法的极值区域示意图；

图9是本发明检测方法的不同通道提取的最大稳定极值区域示例图；

图10是本发明检测方法的可疑区域示意图；

图11是本发明检测方法的不同通道的伪造区域示意图；

图12是本发明检测方法的将两个通道上提取的可疑区域取交集得到篡改结果的示意图；

图13是本发明检测方法的区域复制篡改检测结果示例图；

图14是自相似图像区域复制篡改检测结果示例图；

图15是当篡改检测阈值U变化时，对于不同图像后处理操作下的实验结果所对应的ROC曲线图；

图16是不同质量因子JPEG压缩对区域复制篡改检测效果的影响示例；

图17是伽马矫正对区域复制篡改检测结果的影响示例图；

图18是本发明检测方法与方法[2]、[3]、[8]的比较结果示例图。

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。

本发明一种基于最大稳定极值区域的图像区域复制篡改检测方法，如图4所示，具体按照以下步骤实施：

步骤1.SIFT特征点的提取及匹配

尺度不变特征变换(Scale Invariant Feature Transform,SIFT)[12]是计算机视觉领域常用的图像特征提取算法之一，具有很强的局部描述能力，并对噪声失真和几何变换具有良好的鲁棒性，因此我们首先提取图像的SIFT特征点并进行匹配；

对于给定的图像f，假设提取了m个SIFT特征点{p₁,p₂,...,p_m}，根据文献[12]进行特征点匹配，图5举例说明了特征点匹配的情况，其中(a)是原始图像，(b)是对(a)进行区域复制篡改后的图像，(c)是利用方法[12]对(b)进行特征点匹配得到的结果图，从图5中可以看出，经过匹配后的特征点会有一些误匹配，利用随机抽样一致(Random SampleConsensus,RANSAC)算法去除误匹配后，假设得到的去除误匹配后的特征点集为{p₁,p₂,...,p_r}，如图6所示；

步骤2.提取最大稳定极值区域

步骤2.1最大稳定极值区域的定义

对于给定的大小为M×N的图像f，假设H为二维像素空间，U为灰度值空间，U＝{0,1,2,...,255}，C为空间H中定义的四邻域关系，如图7所示，即像素(x,y)的4邻域是：(x+1,y)，(x-1,y)，(x,y+1)，(x,y-1)(上下左右)；

将图像f转换为灰度图像f′：

f′＝0.2989R+0.587G+0.114B

则对于灰度图像f′：H→U是二维像素空间H到灰度值空间U的映射。灰度图像f′中的极值区域A，如图8所示，满足下列条件：

其中关系E∈{＞,＜}，T(A)是区域A的边界，即：

如果E是关系“＞”，则区域A被称为最大极值区域并用A⁺表示，如果E是关系“＜”，区域A被称为最小极值区域，用A^-表示；

为了寻找最大稳定极值区域，需要获得一系列嵌套的极值区域，为此，在图像空间中定义一个准则

其中Δ是最大稳定极值区域检测器的输入参数，表示像素值的变化量，|·|表示集合的基数，A^+Δ和A^-Δ是极值区域并被定义为：

如果

是局部最小值，区域A被称为最大稳定极值区域[9]；

步骤2.2提取图像的最大稳定极值区域

利用步骤2.1所描述的方法提取图像的最大稳定极值区域，为了观察灰度图像与R,G,B三个颜色通道分量上所提取的最大稳定极值区域的差异，我们从文献[3]描述的图像数据库中随机选取4幅图像，如图9中第一列所示，分别在灰度图像以及R,G,B三个颜色通道上提取最大稳定极值区域，得到的结果如图9所示，图9(a)是从文献[3]描述的图像库中随机选取的原始图像，(b)是在灰度图像上提取的最大稳定极值区域，(c)-(e)分别为在R,G,B三个通道上提取的最大稳定极值区域；

从图9中可以看出，在R,G,B通道上提取的最大稳定极值区域要比在灰度图上提取的最大稳定极值区域效果好，因此，我们最终在R,G,B通道上提取最大稳定极值区域；

步骤2.3.SIFT特征点与最大稳定极值区域的对应

最大稳定极值区域对于仿射变换具有不变性，SIFT特征对缩放和旋转具有不变性，因此，两种特征的结合对几何变换攻击具有更强的鲁棒性；

对于步骤2.2中提取的最大稳定极值区域，检查其中是否包含了步骤1所得到的匹配特征点{p₁,p₂,...,p_r}，若是，将特征点替换为与其对应的最大稳定极值区域，根据特征点之间的匹配关系得到最大稳定极值区域之间的对应关系，即匹配的区域，把这些区域定义为可疑区域，其对应的R、G、B分量表示为

n为得到的匹配区域的数目，如图10所示，其中圆圈表示特征点所对应的最大稳定极值区域。

步骤3.特征提取

步骤3.1.图像锐利度估计

根据文献[10]中的方法，利用最大局部方差(Maximum Local Variation，MLV)估计图像的锐利度分布，对于大小为M×N的灰度图像f′，记位置(x,y)的像素为f′_x,y，考虑一个包含f′_x,y的8邻域的3×3的块，定义f′_x,y的MLV为：

σ(f′_x,y)＝max{|f′_x,y-f′_u,v||u＝x-1,x,x+1；v＝y-1,y,y+1}

在图像中，MLV值较大的像素对锐利度估计的影响较大，我们通过对MLV值赋不同的权值来校正锐利度值，令

其中，

且γ_x,y表示在x×y大小的图像块的阶数；

把每个区域的锐利度特征定义为该区域的锐利度估计值的均值

即

其中，K×P表示该区域的大小；

步骤3.2.估计图像的颜色特征

因为区域复制会使复制区域与原始区域有相同的颜色，所以图像R,G,B颜色通道的信息对于复制区域检查至关重要，对于每个区域，我们用R,G,B三个颜色通道的像素均值来表示该区域的颜色特征，分别用

表示，即

其中

分别表示的是第j个可疑区域对应的红色通道分量、绿色通道分量以及蓝色通道分量；

因为区域复制篡改是将一部分图像内容复制-粘贴到同一图像中的其他位置，所以在复制区域与原始区域之间具有相同的纹理和颜色，我们用图像锐利度和三个颜色通道的信息作为取证特征来进行相似区域检测。

令

对于区域j₁和区域j₂，定义它们之间的相似性度量L为：

其中

表示不同区域的特征向量。如果距离L比阈值w(通过实验得w＝4)小，就将该区域定义为伪造区域；

步骤5.篡改区域定位

为了对篡改区域定位，我们首先分别计算R,G,B三通道提取的最大稳定极值区域的数目：Q_R,Q_G,Q_B。计算其中的最大值ω₁和次大值ω₂，即

ω＝{ω₁,ω₂}

定义ω₁和ω₂所对应的两个颜色通道的最大稳定极值区域为可疑区域，分别记为Y₁,Y₂，图11举例说明了最大稳定极值区域的数目最多和次多的两个颜色通道的可疑区域Y₁,Y₂，令

Y＝Y₁∩Y₂

对Y进行形态学处理得到复制伪造的区域。图12举例说明了检测到的结果。

本发明方法的仿真实验结果：

为了检测本文发明方法的性能，我们进行了大量的仿真实验，包括有效性测试，鲁棒性测试以及对比实验，实验数据库选用了CoMoFoD，MICC-F200以及文献[3]中介绍的测试图像库。

1.有效性测试

(1)视觉效果

为了验证本发明方法的有效性，我们首先从CoMoFoD图像库中随机选取6张篡改图像，利用本发明的方法对其进行检测，图13展示的是所得出的视觉效果图。在图13中，(a1)-(a6)是原始图像，(b1)-(b6)是篡改图像，其中(b1)-(b2)是将篡改区域只是经过复制平移后进行粘贴得到的篡改图像，(b3)-(b4)是将篡改区域经过旋转以后得到的篡改图像，(b5)-(b6)是将篡改区域进行缩放以后得到的篡改图像。(c1)-(c6)是篡改图像对应的实值图像，(d1)-(d6)是利用本发明的方法得到的检测结果。从图13所展示的结果中，可以看出本发明的方法能够有效地检测出复制伪造的区域。

(2)对自相似图像的有效性

很多区域复制篡改检测方法不能抗拒图像中自相似区域的干扰，也就是说，把图像中的自相似区域错误地检测为复制区域，从而对自相似图像的检测失效。为了测试本发明方法对自相似图像的检测性能，我们进行了大量的实验，图14举例说明了本发明方法对于自相似图像的检测结果。在图14中，(a1)-(a4)是存在自相似区域的自然图像，(b1)-(b4)是对图像(a1)-(a4)的区域复制篡改图像，(c1)-(c4)是篡改图像对应的实值图像，(d1)-(d4)是利用本发明方法对(b1)-(b4)的检测结果，从图14可以看出，本发明的方法具有辨别图像中的自相似区域与复制伪造区域的能力，即不受图像中自然相似区域的干扰，能够在具有自相似区域的图像中检测出复制伪造区域。

2.鲁棒性测试

(1)鲁棒性测试的数值结果

为了使篡改伪造的图像具有更加自然的视觉效果，伪造者通常采用不同的后处理操作来隐藏篡改伪造的痕迹。因此，抵抗后处理操作的能力是衡量图像区域复制伪造检测技术性能的重要指标。算法的鲁棒性指的是对图像后处理操作的稳定性，也就是说，即使经历过后处理操作，算法依然有效。最常用的图像后处理操作如JPEG压缩、Gaussian噪声、椒盐噪声、中值滤波、wiener滤波和Gamma校正等。为了测试本发明方法的鲁棒性，我们对经过不同后处理操作的篡改图像进行仿真实验。利用文献[3]中的图像数据库，我们创建了包含500幅原始图像和450幅篡改图像的数据集。通过对这些图像进行不同的后处理操作，得到不同篡改检测阈值U下的ROC曲线。

图15显示了当篡改检测阈值U变化时，对于不同图像后处理操作下的实验结果所对应的ROC曲线。其中(a)为对图像进行质量因子分别为90,80,70,60的JPEG压缩后的检测结果所得出的ROC曲线；(b)为对图像添加均值为0、标准差分别为0.02，0.04，0.06，0.08的Gaussian噪声后进行检测所得出的ROC曲线；(c)为对图像添加标准差分别为0.01，0.03，0.05和0.07的椒盐噪声后进行检测所得出的ROC曲线；(d)为对测试图像进行中值滤波后进行检测所得出的ROC曲线；(e)为对测试图像进行滤波器窗口分别为3×3，5×5，7×7的维纳滤波后进行检测所得到的ROC曲线；(f)为对测试图像进行伽马校正后进行检测所得到的ROC曲线。

从图15中可以看出，所本发明方法能够在较低的假阳性率下达到较高的准确率。在JPEG压缩的情况下，可以看出随着质量因子的降低，其检测性能趋于稳定。此外，本发明方法对于中值滤波，维纳滤波和伽马校正等操作也具有较强的鲁棒性。但是，当超声因子较大时，其检测精度有所下降。

(2)鲁棒性测试的视觉效果

为了研究不同质量因子的JPEG压缩对区域复制篡改检测算法的影响，我们首先对经过区域复制攻击图像分别进行质量因子为90、80、70和60的JPEG压缩，然后用本发明的方法进行检测，图16举例说明了检测结果的视觉效果。在图16中，(a1)、(b1)、(c1)、(d1)分别为质量因子为90、80、70、60的JPEG压缩图像，(a2)、(b2)、(c2)、(d2)分别为利用本发明的方法对(a1)、(b1)、(c1)、(d1)进行检测得到的结果。从图16可以看出，对于质量压缩因子为60以上的JPEG压缩图像，本发明的方法对压缩后的篡改图像仍能够检测出复制的区域，说明本发明的方法对于JPEG压缩具有较好的鲁棒性。

为了研究伽马校正对区域复制篡改检测算法的影响，我们首先对经过区域复制攻击的图像进行伽玛校正，然后用本发明的方法进行检测，图17举例说明了检测结果。在图17中，(a1)、(a2)、(a3)是经过伽马矫正的篡改图像，(b1)、(b2)、(b3)是利用本发明的方法对(a1)、(a2)、(a3)进行检测得到的结果。从图17中可以看出，本发明的方法对伽马校正后的篡改图像仍能够检测出复制的区域，说明本发明的方法对伽马校正具有很好的鲁棒性。

3.对比实验

为了进一步讨论本发明方法的性能，我们与相关工作[2],[3]和[8]中的方法进行比较，通过视觉效果和数值结果说明本发明方法的优越性。在实验中，我们用CoMoFoD和MICC-F200数据库中的图像作为测试图像。图18举例说明了本发明方法以及文献[2],[3]和[8]中的方法的检测结果。在图18中，(a1)、(b1)、(c1)、(d1)、(e1)是从CoMoFoD和MICC-F200数据库中随机取出的篡改图像，(a2)、(b2)、(c2)、(d2)、(e2)是分别是篡改图像所对应的实值图像，(a3)、(b3)、(c3)、(d3)、(e3)是方法[2]的检测结果，(a4)、(b4)、(c4)、(d4)、(e4)是方法[3]的检测结果，(a5)、(b5)、(c5)、(d5)、(e5)是方法[8]的检测结果，(a6)、(b6)、(c6)、(d6)、(e6)是本发明方法的检测结果。

从图18中可以看出，对于大多数图像，文献[2]都有较好的检测精度，但对于图(c1)，文献[2]所提出的方法将失效。文献[3]是基于特征点的定位方法，仅可以定位篡改区域的大致位置。文献[8]可以检测出篡改区域，但误检较高。与其他方法相比，我们的方法具有较好的定位效果。

为了更清楚地说明问题，我们从像素级考察衡量检测算法准确性的三个性能指标：精确率、召回率和F₁分数。

精确率(precision)定义为：

召回率(recall)定义为：

其中Z表示检测到的伪造区域，Z′表示实值图像中的伪造区域。

F₁分数定义为：

我们用本发明的方法以及方法[2],[3]和[8]对图18中的5个测试图像进行检测，并计算像素级精确率、召回率和F₁分数，结果见表1所示。

表1不同方法检测结果的比较

从表1可以看出，本发明方法的检测精度明显优于方法[2],[3]和[8]。

为了更好地说明本发明方法的优越性，我们把本发明方法与方法[2],[3]和[8]在CoMoFoD和MICC-F200图像库进行比较，并计算像素级精确率、召回率和F₁分数的平均值，结果见表2和表3。表2展示的是CoMoFoD图像库的平均检测结果。表3展示的是MICC-F200图像库的平均检测结果。从表2和表3可以看出，本发明方法的检测结果明显优于对比的方法。

表2 CoMoFoD图像库平均像素级检测精度(％)

表3 MICC-F200图像库平均像素级检测精度(％)

Claims (3)

1.一种基于最大稳定极值区域的图像区域复制篡改检测方法，其特征在于，具体按照以下步骤实施：

步骤1、提取图像的SIFT特征点并进行匹配：对图像f提取m个SIFT特征点{p₁,p₂,...,p_m}，并进行特征点匹配，利用随机抽样一致算法去除误匹配，得到经去除误匹配后的特征点集为{p₁,p₂,...,p_r}；

步骤2、分别提取R，G，B三个颜色通道的最大稳定极值区域，将匹配的特征点替换为所对应的最大稳定极值区域：

步骤2.1、定义最大稳定极值区域；

对于大小为M×N的图像f，假设H为二维像素空间，U为灰度值空间，U＝{0,1,2,...,255}，C为空间H中定义的四邻域关系，即像素(x,y)的上下左右4邻域是：(x+1,y)，(x-1,y)，(x,y+1)，(x,y-1)；

将图像f转换为灰度图像f′：

f′＝0.2989R+0.587G+0.114B

则对于灰度图像f′：H→U是二维像素空间H到灰度值空间U的映射，灰度图像f′中的极值区域A满足下列条件：

其中关系E∈{＞,＜}，T(A)是区域A的边界，即：

如果E是关系“＞”，则区域A被称为最大极值区域并用A⁺表示；

如果E是关系“＜”，区域A被称为最小极值区域，用A^-表示；

为了寻找最大稳定极值区域，需要获得一系列嵌套的极值区域，为此，在图像空间中定义一个准则

其中Δ是最大稳定极值区域检测器的输入参数，Δ表示像素值的变化量，|·|表示集合的基数，A^+Δ和A^-Δ是极值区域并被定义为：

如果

是局部最小值，区域A被称为最大稳定极值区域；

步骤2.2、利用步骤2.1的方法在R,G,B通道上提取图像的最大稳定极值区域；

步骤2.3、检查步骤2.2中提取的最大稳定极值区域中是否包含了步骤1中所得到的匹配特征点{p₁,p₂,...,p_r}，若是，则将该特征点替换为与其对应的最大稳定极值区域，根据特征点之间的匹配关系得到最大稳定极值区域之间的对应关系，即匹配的区域，把这些区域定义为可疑区域

j＝1,2,...,n，n为得到的匹配区域的数目；

步骤3、对图像进行锐利度估计和颜色特征估计；

步骤4、利用图像锐利度和颜色特征信息进行相似区域匹配；

步骤5、图像篡改区域定位：

分别计算R,G,B三通道的最大稳定极值区域的数目：Q_R,Q_G,Q_B，计算其中的最大值ω₁和次大值ω₂，即

ω＝{ω₁,ω₂}

定义ω₁和ω₂所对应的两个颜色通道的最大稳定极值区域为可疑区域，分别记为Y₁,Y₂，令Y＝Y₁∩Y₂，对Y进行形态学处理即得到复制伪造的区域。

2.根据权利要求1所述的一种基于最大稳定极值区域的图像区域复制篡改检测方法，其特征在于，所述步骤3具体按照以下步骤实施：

步骤3.1、图像锐利度估计；

利用最大局部方差，即MLV估计图像的锐利度分布，对于大小为M×N的灰度图像f′，记位置(x,y)的像素为f′_x,y，考虑一个包含f′_x,y的8邻域的3×3的块，定义f′_x,y的MLV为：

σ(f′_x,y)＝max{|f′_x,y-f′_u,v||u＝x-1,x,x+1；v＝y-1,y,y+1}

在图像中，MLV值较大的像素对锐利度估计的影响较大，通过对MLV值赋不同的权值来校正锐利度值，令

其中，

且γ_x,y表示在x×y大小的图像块的阶数；

将每个区域的锐利度特征定义为该区域的锐利度估计值的均值

即

其中，K×P表示该区域的大小；

表示区域A中(k,p)处的像素值；

步骤3.2、估计图像的颜色特征；

对每个区域，用R,G,B三个颜色通道的像素均值来表示该区域的颜色特征，分别用

表示，即：

其中

分别表示的是第i个通道对应的第j个可疑区域提取的红色特征，绿色特征以及蓝色特征。

3.根据权利要求2所述的一种基于最大稳定极值区域的图像区域复制篡改检测方法，其特征在于，所述步骤4具体为，用图像锐利度和三个颜色通道的信息作为取证特征来进行相似区域检测；

令

其中

表示该区域锐利度估计值的均值，

分别表示该区域在R,G,B三个颜色通道的像素均值，对于区域j₁和区域j₂，定义它们之间的相似性度量L为：

其中

表示不同区域的特征向量；如果距离L比预定义的阈值w小，其中w＝4为实验测得，就将该区域定义为伪造区域。

Images