CN114677333A - 一种基于直方图的图像对比度增强检测方法 - Google Patents

Abstract

本发明请求保护一种基于直方图特征的图像对比度增强检测方法，涉及数字图像处理、计算机视觉、机器学习等技术领域。具体步骤为：1)搜集并整理公开的图像样本；2)对公开图像进行多种对比度增强操作以完成图像篡改数据集的构建；3)通过篡改图像的直方图进行对比度增强操作的痕迹特征提取；3)利用支持向量机(SVM)对提取到的痕迹特征进行训练；4)利用训练得到的模型对其他篡改图像直方图中的提取到的痕迹特征进行测试，得到最终分类结果。5)利用所提取的痕迹特征对经过伽马校正后的图像进行伽马参数值的估计。本方法可以对现实中的篡改图像进行检测，也可以对伽马校正图像进行参数值的估计，并且取得较好的分类精度。

Description

一种基于直方图的图像对比度增强检测方法

技术领域

本发明涉及基于直方图特征的图像对比度增强检测方法，属于数字图像处理、计算机视觉、机器学习等技术领域。

背景技术

随着数字成像和处理技术的快速发展，大量功能强大的媒体编辑软件应运而生，使得复杂的图像伪造变得容易和频繁。因此，人类对数字图像的完整性和真实性的信任无法得到保证。这些伪造图像的传播也会给社会带来许多不良影响。因此，越来越需要开发技术来研究图像处理。数字图像取证就是这样的一种技术。图像取证大概可以分为主动方法和被动方法两类。主动方法使用图像的先验信息进行验证，被动方法则不需要图像的先验信息，仅依靠图像本身进行取证。由于主动方法无法保证数据处理时的时效性和有效性，因此被动方法成为图像取证的热门领域。近年来提出了很多被动方法，根据被篡改的图像语义内容是否发生变化，通常分为局部篡改和全局篡改。局部篡改将图像的某些部分进行篡改，常见的篡改方式包括复制移动和拼接。而全局篡改则通常作用于局部篡改操作之后，用于隐藏局部篡改的痕迹，常见的全局篡改操作方式包括对比度增强、滤波、JPEG压缩等。对比度增强操作因为其简单性和易用性得到了广泛应用，而这种全局篡改操作会影响局部操作的检测效果，因此对全局篡改操作进行检测变得越来越重要。

针对对比度增强检测，目前已经提出了一些方法。这些方法大致可以分为基于传统特征提取的方法和基于神经网络的方法。传统的特征提取一般是在空间域和频率域上进行的，常见的空间域方法是通过统计特征进行计算，例如直方图、灰度共生矩阵；而频率域上进行特征提取前需要先对图像进行一些变换，例如离散傅里叶变换、小波变换等，即将其数据从空间域转为频率域，然后通过计算高低频之间的差异进行痕迹的提取。基于神经网络的方法通常也是先进行篡改痕迹的提取，然后再输入到神经网络里进行分类。现存方法虽然在一定程度上达到了检测效果，但仍存在一些缺陷：(1)现存方法只能针对某种特定的对比度增强操作进行检测，无法同时区分多种对比度增强操作；(2)对于同种类型不同参数值的对比度增强方法，也无法同时进行区分；(3)无法得知对比度增强的程度，不能为后续任务提供线索。

经过检索，CN111161163A一种直方图双重伽马校正的红外图像对比度增强方法，一种直方图双重伽马校正的红外图像对比度增强方法，其技术方案包括：计算图像的理论灰度范围及有效灰度级数；进行直方图均值归一化处理；统计直方图中有效灰度级占比，计算得到校正参数Gamma0和Gamma1；对直方图数据进行分类，然后分别进行参数为Gamma0和Gamma1的幂指数校正；利用校正后直方图得到映射表，根据映射表对所有数据进行查表替换操作，最后得到对比度增强图像。本方法除了需要统计全图的直方图外，其余操作都是采用点处理算法，因此处理效率高，占用资源少实时性好,且方法复杂度低，通过对直方图分成两部分分别进行Gamma幂指数校正处理，对直方图合理控制及调整，内部参数自适应控制，可达到较好的对比度增强效果，适用范围广泛，本方法可以对各种类型红外图像进行增强，包括热红外及近红外等，方法中的Gamma参数针对图像直方图所具有的独特信息进行自动调整，对直方图进行增强。

该专利是一种基于直方图双重伽马校正的红外图像对比度增强方法，通过对图像直方图数据的统计和分类，选择不同的两个伽马参数值分别对分类好的直方图数据进行伽马校正操作，是一种图像对比度增强方法。而本发明是对对比度增强后的图像进行检测的方法，通过本算法，可以分辨出哪些图像经过了对比度增强操作。本发明同样是基于直方图，先计算图像的累积分布函数选择特征提取的有效选择范围，然后计算直方图中两个相邻零间隙箱之间的距离构造特征向量，即零间隙跨度特征，将此特征作为辨别不同对比度增强操作的痕迹特征。

发明内容

本发明旨在解决以上现有技术的问题。提出了一种基于直方图的图像对比度增强检测方法。本发明的技术方案如下：

一种基于直方图的图像对比度增强检测方法，其包括以下步骤：

(1)获取公开的用于图像篡改检测的原始图像样本；

(2)对搜集到的原始图像样本使用对比度增强操作进行全局篡改操作并完成篡改图像数据集的构建；

(3)对篡改图像的直方图进行痕迹特征提取；此步骤包括痕迹特征提取的有效范围选择以及零间隙跨度特征的提取；

(4)利用SVM对得到的零间隙跨度特征进行模型训练；

(5)利用训练得到的模型对输入的图像进行测试，得到最终的检测结果；

(6)利用步骤(3)得到的零间隙跨度特征进行伽马校正图像的伽马参数值的估计。

进一步的，所述步骤(2)中使用对比度增强操作进行全局篡改操作包括直方图均衡化和伽马校正。

进一步的，所述(3)对篡改图像的直方图进行痕迹特征提取；包括痕迹特征提取的有效范围选择以及痕迹特征的提取，具体包括：

定义由对比度增强操作引起的直方图中的零间隙为：

b_k＝0,min{b_k-1,b_k+1}＞τ

其中b_k是图像归一化直方图中第k个箱子中的高度，该公式中第一个子方程确保对应的箱子高度为0，第二个子方程保持相邻箱子达到一定高度；提出基于直方图的零间隙跨度特征作为对比度增强操作的痕迹特征，零间隙跨度指在图像直方图中两个相邻零间隙之间的距离，假设K是一个集合，包含直方图中所有零间隙位置的索引，其定义如下：

其中零间隙跨度特征Z是一个256维的特征向量，分别对应直方图的256个像素。i是K集合中第i个元素，上述公式统计了直方图中两个零间隙之间的箱子数量，该值被记录在零间隙跨度特征Z的相应索引中。

进一步的，考虑只在累积分布函数的上升区间进行痕迹特征的提取，为了找到该有效范围，图像的累积分布函数曲线cdf上t点处的斜率cdf'(t)定义为：

其中x(t)∈{0,1,...,255}是t处的像素灰度值，提出有效选择范围的起始灰度级R_s和R_e定义如下：

R_s＝min{x(t)|cdf'(t)≠0,cdf(t)≠0}

R_e＝min{x(t)|cdf'(t)＜δ,cdf(t)≠0}

其中δ不能设置太大，否则用于提取零间隙跨度特征的有效范围将变短，并且有用的灰度值将丢失，使得提取到的痕迹特征不足以表示对比度增强操作留下的的指纹。

进一步的，所述(4)利用SVM对得到的零间隙跨度特征进行模型训练，具体包括：

SVM的训练过程利用网格搜索和交叉验证优化两个会影响分类器分类精度和泛化能力的超参数惩罚因子c和核参数g，其中c的范围设置为[2^-2,2⁴]，g的范围设置为[2^-4,2⁴]。

进一步的，所述(6)利用步骤(3)得到的零间隙跨度特征进行伽马校正图像的伽马参数值的估计，具体步骤如下：

定义两个受伽马校正影响最大的变量作为估计伽马参数值的特征，其中第一个变量是零间隙跨度特征Z中的最大跨度值S₁，定义如下：

第二个变量是零间隙跨度值中的跨度最大值S₂，定义如下：

S₂＝maxZ(i)

然后对于所提取的零间隙跨度特征的非零部分进行二次曲线拟合，并选择最大跨度值的中间位置a、第二大跨度值的中间位置b、第三大跨度值的中间位置c；然后确定这三点在这条曲线上的斜率g'(a)、g'(b)和g'(c)；；通过这三个斜率的关系判断出伽马参数值的大致范围：当经过γ＜1的伽马校正后，这三点的斜率值依次上升；当经过γ＞1的伽马校正后，这三点的斜率值依次下降；

最后通过逻辑回归对伽马参数值进行估计，定义如下：

其中，γ＜1和γ＞1采用不同的α、β和θ。

本发明的优点及有益效果如下：

本发明提出的一种基于直方图特征的图像对比度增强检测方法就是基于图像直方图而产生的一种可适用于多种对比度增强检测的通用有效方法。该方法基本解决了之前对比度增强检测方法存在的问题，在同时面对多种对比度增强图像时能够进行有效区分并且保持较高的分类准确率，并可以进行伽马校正参数值的估计任务。

本发明利用数字图像处理、计算机视觉、机器学习等技术，实现了对比度增强检测任务。本发明是一个基于直方图特征的方法，根据图像的直方图提取痕迹特征再利用SVM进行分类即可得到良好的分类结果，所提出的特征同时也可用于估计伽马校正后图像的伽马参数值估计。本发明具有以下优点：

(1)利用matlab平台进行训练和测试，成本低廉；

(2)是一个基于图像直方图的特征提取方法，本发明首先通过累积分布函数进行特征提取的有效范围选择，以保证选取到对比度增强操作的痕迹最明显的部分。然后通过计算直方图中两个相邻零间隙箱之间的具体作为检测对比度增强操作的痕迹特征，即零间隙跨度特征。本发明仅依赖图像直方图中的零间隙跨度特征就可以提取到用于检测多种对比度增强方法的通用痕迹特征，简单而有效；

(3)本发明提取的痕迹特征可以同时对多种对比度增强操作进行区分，对于具有不同参数值的同种对比度增强操作方法也具有良好的区分效果。同时对于伽马校正后图像的伽马参数值估计具有一定的准确度。本发明具有较高的准确率，针对任意不同种类的对比度增强操作，其分类准确率均高于95％；针对不同的伽马参数值，其估计值与实际值的均方误差低于0.1156。

(4)可以辅助相关的图像取证或图像安全工作，进而降低篡改图像对个人和社会带来的不利影响，具有实际意义，并且取得较好效果。

附图说明

图1是本发明提供优选实施例的系统流程图；

图2(a1)-(a4)是原始图像和经过不同对比度增强操作后的图像；

图2(b1)-(b4)是原始图像和经过不同对比度增强操作后的图像各自对应的直方图；

图2(c1)-(c4)是不同图像基于直方图提取到的痕迹特征(零间隙跨度特征)。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、详细地描述。所描述的实施例仅仅是本发明的一部分实施例。

本发明解决上述技术问题的技术方案是：

系统流程图如图1所示，一种基于直方图特征的对比度增强检测方法，包括以下步骤：

第一步：搜集并整理公开的用于图像篡改检测的原始图像样本；

第二步：对搜集到的篡改图像样本使用常见的对比度增强方法进行全局篡改操作并完成篡改图像数据集的构建；

优选的，所述使用对比度增强操作进行全局篡改操作包括直方图均衡化和伽马校正。

第三步：对篡改图像的直方图进行痕迹特征提取，此步骤包括痕迹特征提取的有效范围选择以及痕迹特征的提取，具体步骤如下：

由于对比度增强操作会导致像素值的重映射，这会直接导致图像直方图中出现峰值和零间隙。对于不同的对比度增强操作，其产生零间隙和峰值的位置也是不同的，本发明只关注因对比度增强操作引起的直方图中的零间隙，其定义如下：

b_k＝0,min{b_k-1,b_k+1}＞τ

其中b_k是图像归一化直方图中第k个箱子中的高度，该公式中第一个子方程确保对应的箱子高度为0，第二个子方程保持相邻箱子达到一定高度。本发明提出基于直方图的零间隙跨度特征作为对比度增强操作的痕迹特征，零间隙跨度指在图像直方图中两个相邻零间隙之间的距离，假设K是一个集合，包含直方图中所有零间隙位置的索引，零间隙跨度特征的定义如下：

其中零间隙跨度特征Z是一个256维的特征向量，分别对应直方图的256个像素。i是K集合中第i个元素。上述公式统计了直方图中两个零间隙之间的箱子数量，该值被记录在零间隙跨度特征Z的相应索引中。

可以注意到的是，已有的图像对比度增强操作检测方法都是直接在固定的灰度检测范围内进行特征的提取，但由于图像直方图两端可能存在大段连续的没有像素值分布的灰度级，这会导致在累积分布函数曲线上出现斜率为0的直线。没有像素值分布的灰度级无法反映对比度增强操作留下的痕迹，所以在整个图像灰度范围内提取的痕迹特征严重影响检测效果。因此我们考虑只在累积分布函数的上升区间进行痕迹特征的提取，为了找到该有效范围，图像的累积分布函数曲线cdf上t点处的斜率cdf'(t)定义为：

其中x(t)∈{0,1,...,255}是t处的像素灰度值。所提出的有效选择范围的起始灰度级R_s和R_e定义如下：

R_s＝min{x(t)|cdf'(t)≠0,cdf(t)≠0}

R_e＝min{x(t)|cdf'(t)＜δ,cdf(t)≠0}

其中δ不能设置太大，否则用于提取零间隙跨度特征的有效范围将变短，并且有用的灰度值将丢失，使得提取到的痕迹特征不足以表示对比度增强操作的指纹。

第四步：利用SVM对步骤(3)得到的零间隙跨度特征进行模型训练；

SVM的训练过程包括优化两个会影响分类器分类精度和泛化能力的超参数(惩罚因子c和核参数g)，其中c的范围设置为[2^-2,2⁴]，g的范围设置为[2^-4,2⁴]。

第五步：利用步骤(4)训练得到的模型对输入的图像的零间隙跨度特征进行测试，得到最终的分类结果。

第六步：利用零间隙跨度特征对伽马校正图像的伽马参数值进行估计，具体步骤如下：

定义两个受伽马校正影响最大的变量作为估计伽马参数值的特征，其中第一个变量是零间隙跨度特征Z中的最大跨度值S₁，定义如下：

第二个变量是零间隙跨度值中的跨度最大值S₂，定义如下：

S₂＝maxZ(i)

然后对于所提取的零间隙跨度特征的非零部分进行二次曲线拟合，并选择最大跨度值的中间位置a、第二大跨度值的中间位置b、第三大跨度值的中间位置c。然后确定这三点在这条曲线上的斜率g'(a)、g'(b)和g'(c)。通过这三个斜率的关系判断出伽马参数值的大致范围：当经过γ＜1的伽马校正后，这三点的斜率值依次上升；当经过γ＞1的伽马校正后，这三点的斜率值依次下降。

最后通过逻辑回归对伽马参数值进行估计，定义如下：

其中，γ＜1和γ＞1采用不同的α、β和θ。

实验方法：

在本实验过程中，我们搜集并整理了多种公开的篡改图像，并将其中的50％作为训练集来训练SVM分类器，将另外的50％作为测试集测试所提出基于直方图的对比度增强检测方法的检测精度，并对所有经过伽马校正操作后的图像进行伽马参数值的估计。

第一步：利用直方图均衡化和伽马校正对搜集到的所有篡改图像进行对比度增强操作，即为每张图像生成不同程度的对比度增强图像。

第二步：使用Matlab运行程序，将训练集图片和对应的标签输入到SVM中去，经过训练参数的调优后，得到最终训练好的模型。

第三步：使用训练好的模型来测试测试集中的图像并根据对应的标签计算出检测的分类准确度。。

第四步：使用零间隙跨度特征对伽马校正图像的伽马参数值进行估计。

实验证明，本发明所提方法在经过训练后，可以有效地分辨出不同的对比度增强图像，对于任意组合的对比度增强图像，其分类准确均高于95％。对于伽马校正图像的伽马参数值，其估计值与真实值的均方误差低于0.1156。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后，技术人员可以对本发明作各种改动或修改，这些等效变化和修饰同样落入本发明权利要求所限定的范围。

Claims (6)

1.一种基于直方图的图像对比度增强检测方法，其特征在于，包括以下步骤：

(1)获取公开的用于图像篡改检测的原始图像样本；

(2)对搜集到的原始图像样本使用对比度增强操作进行全局篡改操作并完成篡改图像数据集的构建；

(3)对篡改图像的直方图进行痕迹特征提取；此步骤包括痕迹特征提取的有效范围选择以及零间隙跨度特征的提取；

(4)利用SVM对得到的零间隙跨度特征进行模型训练；

(5)利用训练得到的模型对输入的图像进行测试，得到最终的检测结果；

(6)利用步骤(3)得到的零间隙跨度特征进行伽马校正图像的伽马参数值的估计。

2.根据权利要求1所述的一种基于直方图的图像对比度增强检测方法，其特征在于，所述步骤(2)中使用对比度增强操作进行全局篡改操作包括直方图均衡化和伽马校正。

3.根据权利要求1所述的一种基于直方图的图像对比度增强检测方法，其特征在于，所述(3)对篡改图像的直方图进行痕迹特征提取；包括痕迹特征提取的有效范围选择以及痕迹特征的提取，具体包括：

定义由对比度增强操作引起的直方图中的零间隙为：

b_k＝0,min{b_k-1,b_k+1}＞τ

其中b_k是图像归一化直方图中第k个箱子中的高度，该公式中第一个子方程确保对应的箱子高度为0，第二个子方程保持相邻箱子达到一定高度；提出基于直方图的零间隙跨度特征作为对比度增强操作的痕迹特征，零间隙跨度指在图像直方图中两个相邻零间隙之间的距离，假设K是一个集合，包含直方图中所有零间隙位置的索引，其定义如下：

其中零间隙跨度特征Z是一个256维的特征向量，分别对应直方图的256个像素。i是K集合中第i个元素，上述公式统计了直方图中两个零间隙之间的箱子数量，该值被记录在零间隙跨度特征Z的相应索引中。

4.根据权利要求3所述的一种基于直方图的图像对比度增强检测方法，其特征在于，考虑只在累积分布函数的上升区间进行痕迹特征的提取，为了找到该有效范围，图像的累积分布函数曲线cdf上t点处的斜率cdf'(t)定义为：

其中x(t)∈{0,1,...,255}是t处的像素灰度值，提出有效选择范围的起始灰度级R_s和R_e定义如下：

R_s＝min{x(t)|cdf'(t)≠0,cdf(t)≠0}

R_e＝min{x(t)|cdf'(t)＜δ,cdf(t)≠0}

其中δ不能设置太大，否则用于提取零间隙跨度特征的有效范围将变短，并且有用的灰度值将丢失，使得提取到的痕迹特征不足以表示对比度增强操作留下的的指纹。

5.根据权利要求1所述的一种基于直方图的图像对比度增强检测方法，其特征在于，所述(4)利用SVM对得到的零间隙跨度特征进行模型训练，具体包括：

SVM的训练过程利用网格搜索和交叉验证优化两个会影响分类器分类精度和泛化能力的超参数惩罚因子c和核参数g，其中c的范围设置为[2^-2,2⁴]，g的范围设置为[2^-4,2⁴]。

6.根据权利要求5所述的一种基于直方图的图像对比度增强检测方法，其特征在于，所述(6)利用步骤(3)得到的零间隙跨度特征进行伽马校正图像的伽马参数值的估计，具体步骤如下：

定义两个受伽马校正影响最大的变量作为估计伽马参数值的特征，其中第一个变量是零间隙跨度特征Z中的最大跨度值S₁，定义如下：

第二个变量是零间隙跨度值中的跨度最大值S₂，定义如下：

S₂＝max Z(i)

然后对于所提取的零间隙跨度特征的非零部分进行二次曲线拟合，并选择最大跨度值的中间位置a、第二大跨度值的中间位置b、第三大跨度值的中间位置c；然后确定这三点在这条曲线上的斜率g'(a)、g'(b)和g'(c)；；通过这三个斜率的关系判断出伽马参数值的大致范围：当经过γ＜1的伽马校正后，这三点的斜率值依次上升；当经过γ＞1的伽马校正后，这三点的斜率值依次下降；

最后通过逻辑回归对伽马参数值进行估计，定义如下：

其中，γ＜1和γ＞1采用不同的α、β和θ。

Images