专利名称：基于小波域的图像拼接盲检测方法
技术领域：
本发明涉及的是一种图像处理技术领域的检测方法，具体是一种基于小波 域的图像拼接盲检测方法。
背景技术：
基于数字图像的易于篡改，特别是"移花接木"的拼接篡改十分常见，使 得数字图像的真实性鉴别问题在司法检测，新闻报道等领域有着十分重要的意 义。针对这种篡改，有主动鉴别和被动鉴别两种方式。主动鉴别主要是在数字 图像中加入数字水印，不过目前的相机大都不具备这种功能，因此实用性相对 较小。而被动鉴别，即在无任何先验信息条件下的盲检测虽然有很大发展潜力， 但是鉴别难度较大，因而发展比较缓慢。目前的盲检测方法研究主要有两种 基于篡改痕迹的检测和基于图像内容的检测。前者主要从篡改后留下的痕迹， 如光照不一致、相机来源不同等方面来鉴别，取得了不错的效果，但是这些方 法受到诸如光照条件、相机型号等条件的制约。后者则是利用模式识别的方法， 提取对图像拼接敏感的特征，用分类器判别图像是否篡改。这种方法适用范围 广泛，受到制约少，但是特征的选取至关重要，目前其准确度并不高。
经对现有技术文献的检索发现，Tian-TsongNg、 Shih-Fu Chang和Qibin Sun 等人在文献 "Blind detection of photomontage using higher order statistics[C]"(《利用高阶统计量的图像篡改盲检测》)(IEEEProceeding of International Symposium on Circuits and System. Vancouver, Canada: IEEE Press, 2004.688 691) (IEEE电路与系统会议论文集)，提出了基于图 像统计特征的双谱特征，并通过分类器来判断图像真伪。该方法对拼接篡改的 适用范围较广，但特征提取耗时较长，且检测准确率不够好，仅有71.5%。
发明内容
本发明目的在于针对现有技术的不足，提供一种基于小波域的图像拼接盲 检测方法。通过对自然图像小波高频子带系数分布模型分析，对图像特征提取，通过分类器判断，实现图像拼接盲检测。 本发明是通过以下技术方案实现的-
首先用自然图像的高频小波子带系数能够较好地拟合广义高斯分布 (General Gaussian Distribution, GGD);
当自然图像经过篡改后，其小波分解得到的高频子带系数的统计特性发生 变化，从而无法与广义高斯分布很好地吻合，因此，对每个高频子带，利用这
个特点进行特征提取；
在对图像小波分解后，用每个高频子带系数进行参数估计，与高频子带系 数的实际分布做比较，并利用它们之间的差别提取特征；
然后通过支持向量机SVM (Support Vector Machine)分类，对图像真伪进 行判别。
所述的图像特征提取，包括如下步骤
① 图像进行离散小波变换(DWT)后，对每一个高频子带，假设系数服从广 义高斯分布，利用大小为俯^的高频子带系数W力J)，求解下列方程式
r(V，(5/《丄丄l^ r2(3/v) 《層会台 、，"
其中r(。为gamma函数。可得到广义高斯分布概率密度函数的形状参数r 和方差参数^ 。并将估计出的参数值代入下式可得到广义高斯分布概率密度函
数"+^y士exP「["v脾&]卞其中朴揚)岸)。由于
自然图像的参数r一般在0. 5到0. 8之间，将参数H乍为一个特征。
② 将高频子带系数的系数最小值到最大值之间等分为《个区间，即区间长 度Z= (Max-Min) /《计算系数落在各个区间内的概率p(《)(b 1,2...幻，则实
际概率密度分布函数在每个区间中心处的取值近似为g(《)-p(《)/丄；
③ 在每个区间中心处，求实际图像的高频子带系数分布密度函数和其预测 函数值之间的差cfe/to(60 = |g(《)-;r(《)| ,将其平均值1 《 K
叾//"(《)=丄￡^^^9,)、所有区间内^/^(《)*丄的和^附=^^^"(60*丄作为
另外两个特征；
所述的SVM分类过程，包括如下步骤
① 用一些已知类别的图像构成训练集(包括真实图像和拼接图像)，对训练 集的每一幅图像提取上述的小波域特征，并用不同的标志位来标志其图像所属 类别(如标志位为1表示其为真实图像，-l表示拼接图像)；
② SVM分类器核函数选用径向基函数，将训练集特征送入支持向量机SVM， 利用交叉验证，获得使交叉验证准确率最高的最优参数C和g，并用其训练支持 向量机SVM;
(D对测试图像，提取上述小波域特征，并用训练过的支持向量机SVM判断 其所属类别。
本发明针对图像的拼接篡改，利用自然图像小波子带系数的广义高斯分布 特性提取特征，并用分类器进行分类，很好地解决了图像拼接盲检测问题。对 于要进行鉴别的图像，通过对其提取基于广义高斯分布的统计特征，经过分类 器即可给出其判定结果。
本发明具有效率高和准确率高的特点。采用本发明的方法，能够大大降低 算法的复杂度，可以明显地提高图像特征提取速度。而用分类器处理的时候， 分类速度几乎不受影响，因此效率提高很多，而准确率也较之双谱特征的分类 结果提高了将近3%。
图l为本发明流程图2为本发明广义高斯统计特征提取流程图。
具体实施例方式
下面结合附图对本发明的实施例作详细说明本实施例在国际上广泛使用 的哥伦比亚大学图片库下进行实施，给出了详细的实施方式和具体的操作过程， 但本发明的保护范围不限于下述的实施例。
哥伦比亚大学图片库包括933幅真实图片和912幅经拼接篡改的图片，可在 http:〃www. ee. Columbia. edu/ln/dvrrun/downloads/AuthSplicedDataSet/dlfonn. html获得。基于图像小波高频子带系数统计特征的分析，在图片被拼接篡改后，其统 计特征发生变化，通过特征提取后，经过SVM分类器进行分类，可迅速地判断出 其真实性。具体过程为-
第一步随机选取真实、篡改图片各770幅组成训练集，其余图片组成测试 集将933幅真实图片编号为1至933，利用随机函数，产生一组l-933之间的随 机数，将图片按照随机数的编号重新排列，取前770幅作为训练集部分，剩余作 为测试集部分；同理，在篡改图片集上进行类似的操作，可以建立起训练集和 测试集；
第二步对训练集中图像进行基于小波域的统计特征提取
(1) 对训练集中的每一幅图片，用Daubechies2小波进行2级离散小波变换。 对每个高频子带的系数矩阵， 一方面，将系数最小值到最大值之间等分为^256 个区间，即区间长度^ (Max-Min) Af，求出其实际概率密度函数在各个区间中 心处的值g(《)；另一方面，利用参数估计的方法得到广义高斯分布方差参数《 和形状参数r，将参数动值作为一个特征，并计算其概率密度函数;r(^;
(2) 在每个区间中心处，求实际图像的高频子带系数分布密度函数和其预
测函数值之间的差敲,)，将其平均值^^)=丄|>//"(《)、所有区间内
K ,=i
A/to (《)*丄的和wm = f A/to(6>,) *丄作为另外两个特征；
第三步训练SVM分类器对得到的训练集图像特征，用不同的标志位来标 志其图像所属类别(l表示其为真实图像，-l表示拼接图像)。SVM分类器可选用 libsvm，核函数选用径向基函数。对训练集中的图像特征，利用交叉验证，获 得使交叉验证准确率最高的最优参数a口g，并用这些参数对分类器进行训练；
第四步利用训练过的SVM分类器进行图像所属类别的判定与训练集中特
征提取方式类似，提取测试集中每一幅图像的特征，通过训练过的分类器，可 得到判定结果。将判定结果与测试图像实际所属类别比较，统计判定结果的正 确率。
在该实施案例中，最终得到的正确率为74.25%，对每幅图片的特征提取和 类型判别平均时间为1.9秒。而常规的双谱统计特征的正确率为71.48%，图片特征提取和类型判别平均时间为91.6秒。可以看出，较之常规方法，本实施例在 正确率和效率方面都有了明显的提高。
本实施例用广义高斯分布来拟合图像小波高频子带系数，并将拟合的广义 高斯分布密度函数作为实际高频子带系数的概率密度函数，利用二者的差别提 取统计特征。这种特征提取方法尚属首创。在发生拼接篡改时，由于统计特征 的改变，能利用这些特征对图像的真伪进行判定。实验表明，本实施例不仅在 判别的正确率上优于传统方法，且效率有了很大的改观。
权利要求
1、一种基于小波域的图像拼接盲检测方法，其特征在于首先用自然图像的高频小波子带系数拟合广义高斯分布；当自然图像经过篡改后，其小波分解得到的高频子带系数的统计特性发生变化，从而无法与广义高斯分布很好地吻合，因此，对每个高频子带，利用这个特点进行特征提取；在对图像小波分解后，用每个高频子带系数进行参数估计，与高频子带系数的实际分布做比较，并利用它们之间的差别提取特征；然后通过支持向量机SVM分类，对图像真伪进行判别。
2、 根据权利要求l所述的基于小波域的图像拼接盲检测方法，其特征是， 所述的图像特征提取，包括如下步骤-①图像进行离散小波变换后，对每一个高频子带，假设系数服从广义高斯 分布，利用大小为换#的高频子带系数『Ui)，求解下列方程式其中r(。为gamma函数，可得到广义高斯分布概率密度函数的形状参数r 和方差参数^;并将估计出的参数值代入下式可得到广义高斯分布概率密度函其中7(" = #(3潜(1/小参数W乍为一个特征；② 将高频子带系数的系数最小值到最大值之间等分为,个区间，即区间长 度Z= (Max-Min) 计算系数落在各个区间内的概率p(《)(/= 1,2..X)，则实际概率密度分布函数在每个区间中心处的取值近似为gp,) = i^60/Z ;③ 在每个区间中心处，求实际图像的高频子带系数分布密度函数和其预测《=ZZw2(z',7')v;/(v) 1函数值之间的差dfe/to(6!) = |g(6i)-;r(60|，将其平均值^a^) = if>e/to(《)、所有区间内de/top,) * Z的和= f A/to(《)* ￡作为另外两个特征。
3、 根据权利要求2所述的基于小波域的图像拼接盲检测方法，其特征是， 所述的支持向量机SVM分类过程，包括如下步骤① 用包括真实图像和拼接图像已知类别的图像构成训练集，对训练集的每 一幅图像提取上述的小波域特征，并用标志位来标志其图像所属类别；② SVM分类器核函数选用径向基函数，将训练集特征送入支持向量机SVM， 利用交叉验证，获得使交叉验证准确率最高的最优参数C和g，并用其训练支持 向量机SVM;③ 对测试图像，提取上述小波域特征，并用训练过的支持向量机SVM判断 其所属类别。
4、 根据权利要求3所述的基于小波域的图像拼接盲检测方法，其特征是， 所述的所属类别，是指标志位为1表示其为真实图像，-l表示拼接图像。
全文摘要
本发明涉及的是一种图像处理技术领域的基于小波域的图像拼接盲检测方法。本发明用广义高斯分布来拟合图像小波高频子带系数，并将估计出的拟合广义高斯分布密度函数作为实际高频子带系数的概率密度函数，利用二者的差别提取统计特征。在发生拼接篡改时，由于统计特征的改变，能利用这些特征对图像的真伪进行判定。本发明可以解决高阶统计特征准确率低，运行时间长的问题，从而使拼接篡改盲检测的效率和实用性大大提高。本发明被用于对实际的拼接图片检测，实验表明，该方法的实时性强，能够取得不错的效果，为进一步发展该领域奠定了很好的基础。
文档编号G06T1/00GK101655972SQ200910195778
公开日2010年2月24日 申请日期2009年9月17日 优先权日2009年9月17日
发明者张爱新, 彤 朱, 哲 李, 李建华, 李生红, 波 金, 进 马 申请人:上海交通大学