CN115965581B - 一种复制-粘贴篡改图像检测方法、系统及设备 - Google Patents
一种复制-粘贴篡改图像检测方法、系统及设备 Download PDFInfo
- Publication number
- CN115965581B CN115965581B CN202211473688.6A CN202211473688A CN115965581B CN 115965581 B CN115965581 B CN 115965581B CN 202211473688 A CN202211473688 A CN 202211473688A CN 115965581 B CN115965581 B CN 115965581B
- Authority
- CN
- China
- Prior art keywords
- key point
- key
- hash table
- gradient
- algorithm
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 33
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 81
- 238000001914 filtration Methods 0.000 claims abstract description 19
- 238000000034 method Methods 0.000 claims abstract description 18
- 230000009466 transformation Effects 0.000 claims abstract description 11
- 238000000605 extraction Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 description 5
- 239000000284 extract Substances 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000012952 Resampling Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
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
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/758—Involving statistics of pixels or of feature values, e.g. histogram matching
-
- 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
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
-
- 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
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/86—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using syntactic or structural representations of the image or video pattern, e.g. symbolic string recognition; using graph matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/95—Pattern authentication; Markers therefor; Forgery detection
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种复制‑粘贴篡改图像检测方法、系统及设备。该方法包括:采用尺度不变特征变换算法提取待检测图像的关键点以及关键点对应的特征;基于关键点特征,采用梯度哈希匹配算法构建哈希表,并将关键点放入对应的哈希表序号的行中;采用k‑近邻算法对所述哈希表每一行中的关键点进行匹配,得到关键点对;采用距离聚类过滤算法对关键点对进行聚类分组,并保留集群组中关键点对的数量大于数量阈值的关键点对;在保留的关键点对中,以关键点为圆心依照设定的半径在待检测图像中标记圆形;所有圆形内的区域为待检测图像的篡改区域。本发明采用梯度哈希匹配算法以及距离聚类过滤算法能够提高复制‑粘贴篡改图像检测的效率和准确度。
Description
技术领域
本发明涉及图像篡改技术领域,特别涉及一种复制-粘贴篡改图像检测方法、系统及设备。
背景技术
图像复制-粘贴篡改是一项图像篡改技术。该技术复制图像的某些区域并粘贴到同一图像中的其他地方。为了伪造效果更加真实,粘贴区域可以是复制区域经过某种操作的某种变换形式;即,在粘贴之前,复制区域可以进行一些重采样操作(如旋转和缩放等几何操作)或降采样操作(如JPEG压缩、添加噪声和图像模糊)。在此领域,需要在图像经过重采样或降采样操作的情况下,快速地检测并且标记出篡改图像的复制和粘贴区域。
当前的复制-粘贴篡改检测算法可以被分为三类:基于块算法、基于关键点算法和基于深度学习算法。
基于块的算法流程是:先将图像分割成相互重叠的图像块;然后利用不变矩算法提取每块图像块的图像特征;再对所有图像块特征进匹配得到特征匹配对;最后,对特征匹配对进行后处理,过滤错误的特征匹配对,并利用匹配的特征对标记图像中的复制-粘贴篡改区域。
基于块的算法使用不变矩算法来提取图像块的特征,如:极复指数变换(PCET)、极余弦变换(PCT)、Zernike矩、径向谐波傅里叶矩(RHFMs)和离散解析傅里叶-梅林变换(DAFMT)。由于特征提取算法是在固定尺寸的图像块中提取特征,因此在面对大尺度缩放处理的篡改区域时,检测效果不好。同时,基于块的算法将图像分割成大量的相互重叠块,导致整个流程需要花费大量时间和计算资源在特征提取和匹配阶段,降低了检测效率。
基于关键点的算法流程是:首先,使用关键点提取算法在图像中提取关键点;然后,利用匹配算法对相似的关键点进行匹配得到关键点对;随后,过滤算法对所有关键点对中的错误的匹配对进行过滤,保留正确的关键点对;最后,抠图算法使用剩余的关键点对标记图像中的复制-粘贴篡改区域。
已有的基于关键点算法中,关键点提取算法(如:尺度不变特征变换算法(SIFT)和快速鲁棒特征算法(SURF))具有几何不变性和对噪声以及光照变化具有鲁棒性。其在有纹理的区域上可以提取大量的关键点,但是在面对光滑区域时,却无法提取足够的关键点用于篡改区域的检测。解决关键点提取算法在光滑区域无法提取足够数量关键点的问题,可以通过降低关键点提取算法的对比度阈值来增加关键点的数量。但是,通过此种方式,会大大增加总体的关键点数量,进而增加匹配关键点对的计算时间,降低篡改检测算法在检测篡改区域的效率。同时,在关键点匹配阶段,增加关键点数量会产生更多的错误关键点对,进而增加过滤算法过滤错误关键点对的难度,降低了检测篡改区域的准确度。
基于深度学习的算法的检测流程和前两类算法不一样。它使用大量的篡改图像对卷积神经网络进行训练,再使用训练好的网络来检测复制-粘贴篡改图像。基于深度学习的算法是一种数据依赖型的模型算法。复制-粘贴篡改图像的篡改区域类型多样。基于深度学习的算法可以检测出训练数据中已经标记的篡改区域的类别,却无法检测未在训练数据中标记的篡改区域类别。而且,相比于广泛应用深度学习算法的任务,对于复制-粘贴篡改检测任务,公共数据集中的图像数量通常远远不足以支持有效的模型训练。
发明内容
基于此,本发明提供了一种复制-粘贴篡改图像检测方法、系统及设备,用以提高篡改检测的准确度和效率。
为实现上述目的,本发明提供了如下方案:
一种复制-粘贴篡改图像检测方法,包括:
采用尺度不变特征变换算法提取待检测图像的关键点以及所述关键点对应的特征;
基于关键点特征,采用梯度哈希匹配算法构建哈希表,并将所述关键点放入对应的哈希表序号的行中;
采用k-近邻算法对所述哈希表每一行中的关键点进行匹配,得到关键点对;
采用距离聚类过滤算法对所述关键点对进行聚类分组,并保留集群组中关键点对的数量大于数量阈值的关键点对;
在保留的关键点对中,以关键点为圆心依照设定的半径在待检测图像中标记圆形;所有圆形内的区域为所述待检测图像的篡改区域。
可选地,基于关键点特征,采用梯度哈希匹配算法构建哈希表,并将所述关键点放入对应的哈希表序号的行中,具体包括:
对于每个关键点,以所述关键点为中心设定一个矩形窗口,并计算所述矩形窗口内所有像素的梯度;
将所述矩形窗口划分为4×4的单元格,每个单元格包括16个像素的梯度;所有单元格以及所有梯度构成所述关键点特征;
对每个单元格内的梯度进行统计,得到梯度直方图;
构建一个4维的空白哈希表;
对于每个关键点,筛选靠近所述关键点的4个单元格中梯度幅值最大的梯度,并记录梯度幅值最大的梯度对应的梯度直方图的序号;将所述序号作为所述关键点在所述哈希表中的键值;
将所述关键点放入对应键值的哈希表的行中。
可选地,采用k-近邻算法对所述哈希表每一行中的关键点进行匹配,得到关键点对,具体包括:
基于所述关键点特征,对于关键点ki,选取同一行中与关键点ki之间的欧式距离最小的两个关键点kx和ky;采用k-近邻算法计算欧氏距离;
当EDi,1/EDi,2<0.4时,确定关键点ki和关键点kx构成关键点对;其中,EDi,1<EDi,2;EDi,1为关键点ki和关键点kx之间的欧式距离,EDi,2为关键点ki和关键点ky之间的欧式距离。
可选地,所述欧氏距离的计算公式如下:
其中,EDa,b表示关键点ka和关键点kb的欧式距离,表示关键点ka的第j维特征,表示关键点kb的第j维特征。
可选地,采用距离聚类过滤算法对所述关键点对进行聚类分组,并保留集群组中关键点对的数量大于数量阈值的关键点对,具体包括:
构建距离约束,将满足所述距离约束的关键点对形成一个集群组;
对于每一个集群组,计算所述集群组中所述关键点对的数量平均值以及对应的标准差;
基于所述数量平均值及所述标准差计算数量阈值;
对于每一个集群组,若所述集群组中所述关键点对的数量大于数量阈值,则所述集群组中的所有关键点对都被视为正确匹配的关键点对,被保留;否则被视为错误匹配的关键点对,被删除。
可选地,所述数量平均值λ的计算公式如下:
其中,GP表示集群组集合,mi表示第i个集群组中关键点对的个数;
所述标准差ε的计算公式如下:
所述数量阈值T2的计算公式如下:
T2=λ-ε。
本发明还提供了一种复制-粘贴篡改图像检测系统,包括:
提取模块,用于采用尺度不变特征变换算法提取待检测图像的关键点以及所述关键点对应的特征;
哈希表构建模块,用于基于关键点特征,采用梯度哈希匹配算法构建哈希表,并将所述关键点放入对应的哈希表序号的行中;
匹配模块,用于采用k-近邻算法对所述哈希表每一行中的关键点进行匹配,得到关键点对;
聚类分组模块,用于采用距离聚类过滤算法对所述关键点对进行聚类分组,并保留集群组中关键点对的数量大于数量阈值的关键点对;
篡改区域确定模块,用于在保留的关键点对中,以关键点为圆心依照设定的半径在待检测图像中标记圆形;所有圆形内的区域为所述待检测图像的篡改区域。
本发明还提供了一种电子设备,包括存储器及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行上述复制-粘贴篡改图像检测方法。
本发明还提供了一种计算机可读存储介质,其存储有计算机程序,所述计算机程序被处理器执行时实现上述复制-粘贴篡改图像检测方法。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明采用梯度哈希匹配算法构建哈希表,能够在增加关键点数量的情况下,可以确保相似的关键点被正确地匹配为关键点对,以及降低匹配阶段的计算时间,提高检测效率;
本发明利用正确关键点对和错误关键点对的空间特性,采用距离聚类过滤算法来对它们进行区分,可以在过滤大量错误的关键点对的同时还能保证绝大多数正确的关键点对被保留下来,该过滤算法可以提高篡改检测的准确度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的复制-粘贴篡改图像检测方法的流程图;
图2为本发明提供的关键点特征提取示意图;其中,图2(a)为以关键点为中心设定的尺寸为16×16的矩形窗口,图2(b)为每个单元格内的像素梯度的梯度直方图;
图3为本发明提供的采用梯度哈希匹配算法构建哈希表的流程图。
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、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供了一种复制-粘贴篡改图像检测方法、系统及设备,用以提高篡改检测的准确度和效率。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例一
如图1所示,本发明提供的复制-粘贴篡改图像检测方法,包括以下步骤:
步骤101:采用尺度不变特征变换算法提取待检测图像的关键点以及所述关键点对应的特征。
在实际应用中,首先使用对比度阈值为0的尺度不变特征变换算法(SIFT)来提取图像的关键点以及关键点对应的128维梯度特征。其中,每个关键点提取128维特征可以形象地如图2所示。其中,实心点表示关键点。首先,如图2(a)所示,以关键点为中心设定一个尺寸为16×16的矩形窗口,并计算窗口内所有像素的梯度。图2(a)中,箭头的长度是梯度的幅值,箭头的方向是梯度的方向。其次,将16×16的矩形窗口划分出4×4的单元格。每个单元格包括16个像素的梯度。对每个单元格内的像素梯度进行统计,得到一个梯度直方图,如图2(b)所示。在每个直方图中,横坐标是梯度的方向,纵坐标是梯度的统计值。16个单元格以及每个单元格的16个梯度构成了关键点的128维特征。
步骤102:基于关键点特征,采用梯度哈希匹配算法构建哈希表,并将所述关键点放入对应的哈希表序号的行中。
在实际应用中,梯度哈希匹配算法根据SIFT提取的128维梯度特征的特点构造一个哈希表,依据关键点的部分梯度特征计算出关键点在表中的序号,作为将关键点放入对应序号的行中。
梯度哈希匹配算法的构建哈希表如图3所示。首先,构建一个4维的空白哈希表。然后,对步骤101中的16个单元格依次进行标号。选取临近关键点的4个单元格(即单元格6、7、10、11)来计算每个单元格中梯度幅值最大的梯度,并且记录梯度幅值最大的梯度在直方图的序号(如图3中的8、1、5、5)。利用4个直方图的最大梯度幅值序号作为关键点在哈希表的键值,将关键点放入对应键值的哈希表每一行中。
步骤103:采用k-近邻算法对所述哈希表每一行中的关键点进行匹配,得到关键点对。
在实际应用中,在哈希表每一行中,利用k-近邻算法将符合条件的关键点匹配成关键点对。
在使用k-近邻算法匹配的过程中,利用关键点的128维特征计算两个关键点的欧氏距离,如公式(1)所示:
其中,EDa,b表示关键点ka和关键点kb的欧式距离,表示关键点ka的第j维特征,表示关键点kb的第j维特征。
在哈希表每一行中,每个关键点都需要和其他关键点计算欧氏距离,然后取最小的两个距离。例如:在哈希表每一行中,首先计算所有关键点ki和其他关键点的距离值,记录最小的两项,分别称为EDi,1和EDi,2。EDi,1<EDi,2;EDi,1为关键点ki和关键点kx之间的欧式距离,EDi,2为关键点ki和关键点ky之间的欧式距离。其次,对于关键点ki,如果EDi,1和EDi,2满足公式(2)的条件,ki和kx是一对基于ki相似的关键点对;否则,没有一对基于ki相似的关键点对。
EDi,1/EDi,2<0.4 (2)
在梯度哈希匹配算法中,通过在哈希表每一行中计算每个关键点和同一行中其他关键点进行计算且匹配成关键点对。相比于每个关键点和所有其他关键点进行计算相比,本发明缩小了匹配的范围,提升了匹配的速度。并且,由于所选取的四个单元格在图像空间中与关键点最接近,该四个单元格的梯度和关键点的相关性最高,从而使得相似的关键点能分配在同一个行中,保证了匹配的准确性。
步骤104:采用距离聚类过滤算法对所述关键点对进行聚类分组,并保留集群组中关键点对的数量大于数量阈值的关键点对。
根据正确的关键点对在图中往往会聚集在一起而错误的关键点对则是无规则分散的特性,距离聚类过滤算法依据关键点对之间的距离来对关键点对进行聚类分组。组中关键点对的数量大于设定的阈值则保留下来,小于设定的阈值则删除。
在实际应用中,距离聚类过滤算法分为两步:距离聚类和错误关键点对过滤。
在描述距离聚类前,先做出以下定义:
定义-1:给定两个关键点ka和kb,设它们的空间坐标分别是(xa,ya)和(xb,yb),d(ka,kb)为两个关键点的空间距离,如公式(3)所示。
定义-2:设<ki,k’i>和<kj,k’j>分别为关键点对集合中的第i和第j对关键点对,ki和kj的空间距离为d(ki,kj);ki’和kj的空间距离为d(ki’,kj);ki和kj’的空间距离为d(ki,kj’);ki’和kj’的空间距离为d(ki’,kj’)。
定义-3:给定一幅图像,其行数和列数分别为row和col。设从图像中提取的关键点(步骤101)的个数为|K|,定义阈值T1如公式(4)所示。
定义-4:距离约束。如果要将一对关键点对添加到一个集群组中,则该关键点对需要对该集群组中的至少一对关键点对满足公式(5)。
在距离聚类中,首先使用第一个关键点对来形成第一个集群组。随后,如果后续的关键点对满足集群组对的距离约束,则将它们添加到集群组对中;如果后续的关键点对不满足集群组对的距离约束,则利用不满足距离约束的关键点对单独形成一个集群组。如果存在关键点对能同时满足两个或多个集群组的距离约束时,除了将该关键点对添加入其中一个集群组中,这些集群组会合并在一起成为一个新的集群组。
距离聚类步骤完成后,每对关键点对被分配到对应的集群组中。
给定集群组集合GP,其中第i个集群组(1≤i≤|GP|)记为gpi,该集群组的关键点对的对数记为mi。一个集群组中关键点对数量的平均值定义为λ,对应的标准差为ε(公式6)。阈值T2用于判断集群组中关键点对是否为错误匹配的关键点对,如公式7所示。
T2=λ-ε (7)
如果一个集群组中关键匹配点对的数量大于阈值T1,则该集群中的所有关键点对都被视为正确匹配的关键点对,都会被保留;否则被视为错误匹配的关键点对,都会被删除。
在图像中,正确和错误匹配的关键点对有不一样的分布。正确匹配的关键点对会密集地聚集在一起;而错误匹配的关键点对则会无规律地分布,并且错误匹配的关键点对只有少数相邻关键点对。依据正确和错误匹配的关键点对的不同分布,距离聚类过滤算法可以很好地对其进行区分,并且过滤错误匹配的关键点对,从而提升了检测算法的准确率。
步骤105:在保留的关键点对中,以关键点为圆心依照设定的半径在待检测图像中标记圆形;所有圆形内的区域为所述待检测图像的篡改区域。
在过滤完错误匹配的关键点对时,将保留下来的关键点坐标作为圆心,以公式(4)的距离阈值T1为半径,在输入图像上画一个圆形。被圆形包围的区域标记为篡改区域,未被圆形包围的区域标记为原始区域。原始区域的像素值全部修改为0,最终输出篡改区域标记图。
实施例二
为了执行上述实施例一对应的方法,以实现相应的功能和技术效果,下面提供了一种复制-粘贴篡改图像检测系统,包括:
提取模块,用于采用尺度不变特征变换算法提取待检测图像的关键点以及所述关键点对应的特征;
哈希表构建模块,用于基于关键点特征,采用梯度哈希匹配算法构建哈希表,并将所述关键点放入对应的哈希表序号的行中;
匹配模块,用于采用k-近邻算法对所述哈希表每一行中的关键点进行匹配,得到关键点对;
聚类分组模块,用于采用距离聚类过滤算法对所述关键点对进行聚类分组,并保留集群组中关键点对的数量大于数量阈值的关键点对;
篡改区域确定模块,用于在保留的关键点对中,以关键点为圆心依照设定的半径在待检测图像中标记圆形;所有圆形内的区域为所述待检测图像的篡改区域。
实施例三
本发明实施例三提供了一种电子设备,包括存储器及处理器,该存储器用于存储计算机程序,该处理器运行计算机程序以使电子设备执行实施例一的复制-粘贴篡改图像检测方法。
上述电子设备可以是服务器。
实施例四
本发明实施例四提供了一种计算机可读存储介质,其存储有计算机程序,该计算机程序被处理器执行时实现实施例一的复制-粘贴篡改图像检测方法。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例,基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
Claims (8)
1.一种复制-粘贴篡改图像检测方法,其特征在于,包括:
采用尺度不变特征变换算法提取待检测图像的关键点以及所述关键点对应的特征;
基于关键点特征,采用梯度哈希匹配算法构建哈希表,并将所述关键点放入对应的哈希表序号的行中;
采用k-近邻算法对所述哈希表每一行中的关键点进行匹配,得到关键点对;
采用距离聚类过滤算法对所述关键点对进行聚类分组,并保留集群组中关键点对的数量大于数量阈值的关键点对;
在保留的关键点对中,以关键点为圆心依照设定的半径在待检测图像中标记圆形;所有圆形内的区域为所述待检测图像的篡改区域;
其中,基于关键点特征,采用梯度哈希匹配算法构建哈希表,并将所述关键点放入对应的哈希表序号的行中,具体包括:
对于每个关键点,以所述关键点为中心设定一个矩形窗口,并计算所述矩形窗口内所有像素的梯度;
将所述矩形窗口划分为4×4的单元格,每个单元格包括16个像素的梯度;所有单元格以及所有梯度构成所述关键点特征;
对每个单元格内的梯度进行统计,得到梯度直方图;
构建一个4维的空白哈希表;
对于每个关键点,筛选靠近所述关键点的4个单元格中梯度幅值最大的梯度,并记录梯度幅值最大的梯度对应的梯度直方图的序号;将所述序号作为所述关键点在所述哈希表中的键值;
将所述关键点放入对应键值的哈希表的行中。
2.根据权利要求1所述的复制-粘贴篡改图像检测方法,其特征在于,采用k-近邻算法对所述哈希表每一行中的关键点进行匹配,得到关键点对,具体包括:
基于所述关键点特征,对于关键点ki,选取同一行中与关键点ki之间的欧式距离最小的两个关键点kx和ky;采用k-近邻算法计算欧氏距离;
当EDi,1/EDi,2<0.4时,确定关键点ki和关键点kx构成关键点对;其中,EDi,1<EDi,2;EDi,1为关键点ki和关键点kx之间的欧式距离,EDi,2为关键点ki和关键点ky之间的欧式距离。
3.根据权利要求2所述的复制-粘贴篡改图像检测方法,其特征在于,所述欧氏距离的计算公式如下:
其中,EDa,b表示关键点ka和关键点kb的欧式距离,表示关键点ka的第j维特征,/>表示关键点kb的第j维特征。
4.根据权利要求1所述的复制-粘贴篡改图像检测方法,其特征在于,采用距离聚类过滤算法对所述关键点对进行聚类分组,并保留集群组中关键点对的数量大于数量阈值的关键点对,具体包括:
构建距离约束,将满足所述距离约束的关键点对形成一个集群组;
对于每一个集群组,计算所述集群组中所述关键点对的数量平均值以及对应的标准差;
基于所述数量平均值及所述标准差计算数量阈值;
对于每一个集群组,若所述集群组中所述关键点对的数量大于数量阈值,则所述集群组中的所有关键点对都被视为正确匹配的关键点对,被保留;否则被视为错误匹配的关键点对,被删除。
5.根据权利要求4所述的复制-粘贴篡改图像检测方法,其特征在于,所述数量平均值λ的计算公式如下:
其中,GP表示集群组集合,mi表示第i个集群组中关键点对的个数;
所述标准差ε的计算公式如下:
所述数量阈值T2的计算公式如下:
T2=λ-ε。
6.一种复制-粘贴篡改图像检测系统,其特征在于,包括:
提取模块,用于采用尺度不变特征变换算法提取待检测图像的关键点以及所述关键点对应的特征;
哈希表构建模块,用于基于关键点特征,采用梯度哈希匹配算法构建哈希表,并将所述关键点放入对应的哈希表序号的行中;
匹配模块,用于采用k-近邻算法对所述哈希表每一行中的关键点进行匹配,得到关键点对;
聚类分组模块,用于采用距离聚类过滤算法对所述关键点对进行聚类分组,并保留集群组中关键点对的数量大于数量阈值的关键点对;
篡改区域确定模块,用于在保留的关键点对中,以关键点为圆心依照设定的半径在待检测图像中标记圆形;所有圆形内的区域为所述待检测图像的篡改区域;
其中,所述哈希表构建模块,用于基于关键点特征,采用梯度哈希匹配算法构建哈希表,并将所述关键点放入对应的哈希表序号的行中,具体包括:
对于每个关键点,以所述关键点为中心设定一个矩形窗口,并计算所述矩形窗口内所有像素的梯度;
将所述矩形窗口划分为4×4的单元格,每个单元格包括16个像素的梯度;所有单元格以及所有梯度构成所述关键点特征;
对每个单元格内的梯度进行统计,得到梯度直方图;
构建一个4维的空白哈希表;
对于每个关键点,筛选靠近所述关键点的4个单元格中梯度幅值最大的梯度,并记录梯度幅值最大的梯度对应的梯度直方图的序号;将所述序号作为所述关键点在所述哈希表中的键值;
将所述关键点放入对应键值的哈希表的行中。
7.一种电子设备,其特征在于,包括存储器及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行权利要求1-5中任一项所述的复制-粘贴篡改图像检测方法。
8.一种计算机可读存储介质,其特征在于,其存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1-5中任一项所述的复制-粘贴篡改图像检测方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211473688.6A CN115965581B (zh) | 2022-11-22 | 2022-11-22 | 一种复制-粘贴篡改图像检测方法、系统及设备 |
US18/515,832 US20240169691A1 (en) | 2022-11-22 | 2023-11-21 | Method, system and device for copy-paste tampered image detection |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211473688.6A CN115965581B (zh) | 2022-11-22 | 2022-11-22 | 一种复制-粘贴篡改图像检测方法、系统及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115965581A CN115965581A (zh) | 2023-04-14 |
CN115965581B true CN115965581B (zh) | 2023-09-12 |
Family
ID=87353946
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211473688.6A Active CN115965581B (zh) | 2022-11-22 | 2022-11-22 | 一种复制-粘贴篡改图像检测方法、系统及设备 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20240169691A1 (zh) |
CN (1) | CN115965581B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103744973A (zh) * | 2014-01-11 | 2014-04-23 | 西安电子科技大学 | 基于多特征哈希的视频拷贝检测方法 |
CN104182973A (zh) * | 2014-08-11 | 2014-12-03 | 福州大学 | 基于圆形描述算子csift的图像复制粘贴检测方法 |
CN105631871A (zh) * | 2015-12-28 | 2016-06-01 | 辽宁师范大学 | 基于四元数指数矩的彩色图像复制篡改检测方法 |
WO2018120724A1 (zh) * | 2016-12-30 | 2018-07-05 | 平安科技(深圳)有限公司 | 图像篡改检测方法、系统、电子装置及存储介质 |
CN109902700A (zh) * | 2017-12-11 | 2019-06-18 | 北京航天泰坦科技股份有限公司 | 一种基于哈希算法的大规模影像匹配方法 |
-
2022
- 2022-11-22 CN CN202211473688.6A patent/CN115965581B/zh active Active
-
2023
- 2023-11-21 US US18/515,832 patent/US20240169691A1/en active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103744973A (zh) * | 2014-01-11 | 2014-04-23 | 西安电子科技大学 | 基于多特征哈希的视频拷贝检测方法 |
CN104182973A (zh) * | 2014-08-11 | 2014-12-03 | 福州大学 | 基于圆形描述算子csift的图像复制粘贴检测方法 |
CN105631871A (zh) * | 2015-12-28 | 2016-06-01 | 辽宁师范大学 | 基于四元数指数矩的彩色图像复制篡改检测方法 |
WO2018120724A1 (zh) * | 2016-12-30 | 2018-07-05 | 平安科技(深圳)有限公司 | 图像篡改检测方法、系统、电子装置及存储介质 |
CN109902700A (zh) * | 2017-12-11 | 2019-06-18 | 北京航天泰坦科技股份有限公司 | 一种基于哈希算法的大规模影像匹配方法 |
Non-Patent Citations (1)
Title |
---|
复制—粘贴篡改图像被动检测算法研究与实现;杨继翔;CNKI优秀硕士学位论文全文库;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115965581A (zh) | 2023-04-14 |
US20240169691A1 (en) | 2024-05-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Fast and effective image copy-move forgery detection via hierarchical feature point matching | |
Walia et al. | Digital image forgery detection: a systematic scrutiny | |
Silva et al. | Going deeper into copy-move forgery detection: Exploring image telltales via multi-scale analysis and voting processes | |
Prakash et al. | Detection of copy-move forgery using AKAZE and SIFT keypoint extraction | |
Meena et al. | A copy-move image forgery detection technique based on Gaussian-Hermite moments | |
CN107622489B (zh) | 一种图像篡改检测方法及装置 | |
CN109063649B (zh) | 基于孪生行人对齐残差网络的行人重识别方法 | |
CN107506765B (zh) | 一种基于神经网络的车牌倾斜校正的方法 | |
CN108197644A (zh) | 一种图像识别方法和装置 | |
Li et al. | Keypoint-based copy-move detection scheme by adopting MSCRs and improved feature matching | |
Tahaoglu et al. | Ciratefi based copy move forgery detection on digital images | |
Davy et al. | Reducing anomaly detection in images to detection in noise | |
CN111275070B (zh) | 一种基于局部特征匹配的签名验证方法及设备 | |
CN111144425B (zh) | 检测拍屏图片的方法、装置、电子设备及存储介质 | |
Lu et al. | Copy-move image forgery detection based on evolving circular domains coverage | |
Emam et al. | A robust detection algorithm for image Copy-Move forgery in smooth regions | |
Wang et al. | Accurate and robust image copy-move forgery detection using adaptive keypoints and FQGPCET-GLCM feature | |
Fan et al. | An Improved SIFT-Based Copy-Move Forgery Detection Method Using T-Linkage and Multi-Scale Analysis. | |
Li et al. | Efficient properties-based learning for mismatch removal | |
Dixit et al. | Utilization of edge operators for localization of copy-move image forgery using WLD-HOG features with connected component labeling | |
CN115965581B (zh) | 一种复制-粘贴篡改图像检测方法、系统及设备 | |
CN112418262A (zh) | 车辆再识别的方法、客户端及系统 | |
CN112070714A (zh) | 一种基于局部三元计数特征的翻拍图像检测方法 | |
Li et al. | An improved PCB defect detector based on feature pyramid networks | |
Diaa | A Deep Learning Model to Inspect Image Forgery on SURF Keypoints of SLIC Segmented Regions |
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 |