专利名称：防篡改的图像处理方法和装置的制作方法
技术领域：
本发明一般地涉及图像处理的技术领域，更具体而言，涉及图像验证和完整性保护，尤其涉及防篡改的图像处理方法和装置。
背景技术：
图像数据容易被篡改，也容易在传输或保存过程中出现误差或丢失。现有的技术手段允许修改图像的内容而难以被识别。在很多应用中，用户都需要检查图像的完整性，以确认图像未被篡改或者未出现误差或丢失。如法庭中用到图像作为证据时，需要证明该图像是未被篡改的。又如医学图像如电子病例中的图片资料需要保护其精确性。现有技术中，常常采用数字签名保护数据的完整性。然而对于图像而言，进行压缩、旋转、尺度变化、模糊等常规操作并不影响图像的内容因而不能被认为是对图像进行了篡改。为了保护图像的完整性，需要对图像的常规操作鲁棒的技术。数字水印尤其是鲁棒水印能够提供一定的鲁棒性同时保护图像不被篡改。如中国专利申请NO.CN101866477A，No. CN1658223提供了图像验证的数字水印。然而数字水印技术需要将完整性信息分散并嵌入到原始图像或视频中，一定程度上改变了原始数据，在很多应用场合下不方便使用。与数字水印技术相比较，鲁棒哈希技术(Perceptual Hashing,也可称为感知哈希，语义哈希，图像哈希)不需要将信息嵌入到原始数据中，因此适用于更多的应用。同时由于不需要嵌入到原始图像中，相应具有更高的鲁棒性。鲁棒哈希技术通常从图像中提取鲁棒特征，然后压缩生成鲁棒哈希值。这些鲁棒特征在图像的常规操作下改变较小，而对于图像的恶意篡改有着明显的改变。有关感知哈希的相关知识，例如可参见作者为牛夏牧，焦玉华，题目为“感知哈希综述”的文献(电子学报，Vol. 36，No. 7，2008)，以及作者为 WANG Shuo-zhong (王朔中),ZHANG Xin-peng (张新鹏)，题目为 “Recent developmentof perceptual image hashing，，的文献(Journal of Shanghai University (EnglishEdition),2007,11(4) :323331)。然而现有的鲁棒哈希算法通常仅能够识别较大区域的图像篡改。对于细小区域的篡改，通常为了达到鲁棒性的目的而不能识别。作者为Weng，L.，Preneel, B.，题目为“Attacking some perceptual image hash algorithms” (In !Proceedings ofInternational Conference on Multimedia Computing and Systems/InternationalConference on Multimedia and Expo-ICME (ICMCS). 2007)的文献中分析了几种著名的鲁棒哈希算法，并指出它们均不能抵抗对图像的细小区域的篡改。然而，图像的细小区域往往也可能包含重要的语义信息，例如，交通图片中车牌拍照的数字，商品的商标，建筑的旗帜等标志性信息。这一弱点使得这些鲁棒哈希算法不适用于图像验证和完整性保护。中国专利申请No. CN101079101公开了一种基于Zernike矩的鲁棒哈希图像认证方法，对图像的旋转，JPEG压缩，加噪和滤波操作具有一定的稳健性，同时能够区分剪贴等恶意操作。但是对于细小区域的篡改由于其鲁棒性的考虑将被忽略。中国专利申请No. CN1663276公开了用于信号验证的稳健签名，其中采用图像块的DC值作为特征，所得到的签名对于压缩有很好的鲁棒性，同时能够实现篡改定位。然而由于所选择的特征的鲁棒性有限，对于图像旋转，尺度变换等操作鲁棒性不强
发明内容
鉴于上述现有技术的状况，本发明的实施例希望提供一种简单高效的用于防图像篡改的图像处理方法和装置。根据本发明的实施例，提供一种防篡改的图像处理方法，包括分别获取原始图像的第一组鲁棒特征点的第一鲁棒特征表示以及待检测图像的第二组鲁棒特征点的第二鲁棒特征表示；将第一鲁棒特征表示和第二鲁棒特征表示进行匹配，以便获得不匹配特征点；以及基于不匹配特征点的分布特性来确定待检测图像相对于原始图像是否存在篡改。本发明实施例还提供一种防篡改的图像处理装置，包括特征表示获取单元，其被配置成分别获取原始图像的第一组鲁棒特征点的第一鲁棒特征表示以及待检测图像的第二组鲁棒特征点的第二鲁棒特征表示；匹配单元，其被配置成将第一鲁棒特征表示和第二鲁棒特征表示进行匹配，以便获得不匹配特征点；以及篡改判定单元，其被配置成基于不匹配特征点的分布特性来确定待检测图像相对于原始图像是否存在篡改。根据本发明实施例的上述防篡改的图像处理方法可以应用在新闻图片出版发行中。其中，通过该方法来识别出版发行中涉及的新闻图片相对于原始新闻图片是否存在篡改。根据本发明实施例的上述防篡改的图像处理方法还可以应用在智能交通监控系统中的应用。其中，通过该方法来识别被提交作为证据使用的交通违章画面相对于原始交通违章画面是否存在篡改。根据本发明实施例，还提供了一种存储有机器可读取的指令代码的程序产品，所述指令代码由机器读取并执行时，可执行上述的防篡改的图像处理方法。根据本发明实施例，还提供一种存储介质，其承载有机器可读取的指令代码，所述指令代码由机器读取并执行时，可执行上述的防篡改的图像处理方法。根据上述本发明实施例的防篡改图像处理技术，通过基于原始图像和待检测图像的鲁棒特征表示对不匹配特征点的分布特性进行分析，能够有效地将对图像的常规操作和对图像的篡改区分开来，具有足够的鲁棒性，同时能够准确地识别出是否对原始图像进行了篡改，尤其能够确保识别出是否存在细小区域中的篡改。由此兼顾了优异的鲁棒性和篡改识别的精确性两种性能。在下面的说明书部分中给出本发明实施例的各种具体实现方式，其中，详细说明用于充分地公开本发明实施例的优选实施例，而不对其施加限定。
通过结合附图对本发明的具体实施方式
的描述，本发明的以上的和其它目的、特点和优点将变得清楚。在各附图中，相同或类似的附图标记表示相同或者类似的功能部件或步骤。在附图中图I是根据本发明实施例的防篡改的图像处理方法的流程简图；图2A-2B是示出在一个具体例子中，原始图像以及针对其提取的鲁棒特征点的示意图；图3A-3C是分别示出对图2A所示的原始图像进行模糊操作后得到的图像、针对其提取的鲁棒特征点、以及与图2B中原始图像的特征点不匹配的特征点的示意图；图4A-4C是分别示出对图2A所示的原始图像进行压缩处理后得到的图像、针对其提取的鲁棒特征点、以及与图2B中原始图像的特征点不匹配的特征点的示意图；图5A-5C是分别示出对图2A所示的原始图像进行旋转操作后得到的图像、针对其 提取的鲁棒特征点、以及与图2B中原始图像的特征点不匹配的特征点的示意图；图6A-6C是分别示出对图2A所示的原始图像进行细小区域中的篡改后得到的图像、针对其提取的鲁棒特征点、以及与图2B中原始图像的特征点不匹配的特征点的示意图；图7A-7C是分别示出对图2A所示的原始图像进行模糊操作以及细小区域中的篡改后得到的图像、针对其提取的鲁棒特征点、以及与图2B中原始图像的特征点不匹配的特征点的示意8A-8C是分别示出对图2A所示的原始图像进行压缩操作以及细小区域中的篡改后得到的图像、针对其提取的鲁棒特征点、以及与图2B中原始图像的特征点不匹配的特征点的示意图；图9A-9C是分别示出对图2A所示的原始图像进行旋转操作以及细小区域中的篡改后得到的图像、针对其提取的鲁棒特征点、以及与图2B中原始图像的特征点不匹配的特征点的示意图；图10是根据本发明实施例的防篡改的图像处理装置的结构简化框图；图11是示出图10中的防篡改图像处理装置所包括的特征表示获取单元的一种具体实现方式的结构简化框图；图12是示出图10中的防篡改图像处理装置所包括的篡改判定单元的一种具体实现方式的结构简化框图；图13是示出图10中的防篡改图像处理装置所包括的篡改判定单元的另一种具体实现方式的结构简化框图；图14是示出图10中的防篡改图像处理装置所包括的篡改判定单元的又一种具体实现方式的结构简化框图；图15是示出图10中的防篡改图像处理装置所包括的篡改判定单元的再一种具体实现方式的结构简化框图；以及图16是作为本发明的实施例中可采用的信息处理设备的个人计算机的示例性结构的框图。
具体实施例方式下面参照附图来说明本发明的实施例。应当注意，为了避免因不必要的细节而模糊了本发明，在附图中仅仅示出了与根据本发明的实施方案密切相关的设备结构和/或处理步骤，而省略了与本发明关系不大的其他细节。在各附图中相同或者相似的构成元素或部分利用相同或者类似的附图标记来表示。图I是根据本发明实施例的防篡改的图像处理方法100的流程简图。如图I所示，方法100开始于步骤S110。在步骤S120，分别获取原始图像的第一组鲁棒特征点的第一鲁棒特征表示以及待检测图像的第二组鲁棒特征点的第二鲁棒特征表示。在步骤S130，将第一鲁棒特征表示和第二鲁棒特征表示进行匹配，以便获得不匹配特征点。在步骤S140，基于不匹配特征点的分布特性来确定待检测图像相对于原始图像是否存在篡改。下面结合各附图对图I所述方法100包含的各处理的具体实现方式进行详细描述。在此，待检测图像指的是需要判断其相对于原始图像是否存在篡改的图像。原始图像的鲁棒特征表示以及待检测图像的鲁棒特征表示需要最大限度地保持这些图像中各 特征点的特性，同时对于图像的常规操作，例如旋转、模糊处理、压缩等等是不敏感的(即，鲁棒的)而对于图像中存在的篡改是敏感的。因此，满足上述要求的任何特征表示都可以被用作这种鲁棒特征表示。在一种具体实现方式中，例如可以使用哈希技术来获得与原始图像和待检测图像相关的鲁棒哈希值，作为与这些图像相关的鲁棒特征表示。关于在步骤S120中获取的原始图像的第一鲁棒特征表示以及待检测图像的第二鲁棒特征表示，既可以从外部接收这些鲁棒特征表示，也可以是在方法100的处理中针对原始图像和待检测图像自行生成这些图像的鲁棒特征表示。当然，也可以是第一鲁棒特征表示和第二鲁棒特征表示中之一从外部接收，另一个在方法100的处理中自行生成。在自行生成第一鲁棒特征表示和/或第二鲁棒特征表示的一种具体实现方式中，可以通过提取图像的鲁棒特征点来生成第一鲁棒特征表示和/或第二鲁棒特征表示。具体而言，针对原始图像提取第一组鲁棒特征点，并对第一组鲁棒特征点进行处理以得到与第一组鲁棒特征点对应的第一鲁棒特征表示；和/或，针对待检测图像提取第二组鲁棒特征点，并对第二组鲁棒特征点进行处理以得到与第二组鲁棒特征点对应的第二鲁棒特征表
/Jn ο在针对原始图像和/或待检测图像提取鲁棒特征点的处理中，可以采用任何已知的或者将来开发出的合适的鲁棒特征提取技术。例如，可以采用SIFT，SURF和Harris角点等作为所提取的鲁棒特征点。SIFT (Scalelnvariant Feature Transformation,尺度不变特征转换，例如参见 Lowe, D. 0bject recognition from local scale-invariantfeatures. 1999), SURF (Speed Up Robust Feature,快速鲁棒性特征，例如参见 Bay, H.,Tuytelaars, T. ,Gool, L. V. Surf Speeded up robust features. In In ECCV. (2006))和Harris角点(例如参见Monga,V.，Evans,B. L. Robust perceptual image hashing usingfeature points. In Proceedings of the IEEE International Conference on ImageProcessing. 2004)等特征对图像的常规操作均具有较好的鲁棒性。图2B，3B，4B，5B，6B，7B，8B和9B分别示出了针对原始图像以及待检测图像，即，对原始图像经模糊处理的图像、对原始图像进行压缩的图像、对原始图像进行旋转的图像、对原始图像进行细小区域篡改的图像、对原始图像进行了模糊处理以及细小区域篡改的图像、对原始图像进行了压缩处理以及细小区域篡改的图像、以及对原始图像进行了旋转处理以及细小区域篡改的图像提取的鲁棒特征点的示意图。各图中黑色的圆点代表所提取的鲁棒特征点。接着对所提取出的鲁棒特征点进行相应处理以得到这些鲁棒特征点对应的鲁棒特征表示，例如鲁棒哈希值。此外，在现实应用中，有时对图像提取的鲁棒特征点较大，为了更加便利于后续的处理，可以在获得鲁棒哈希值之前对所提取的鲁棒特征点进行量化处理。下面给出对所提取出的鲁棒特征点进行量化处理一个具体例子。通过利用上述技术对图像(原始图像和待检测图像)提取出的每一个鲁棒特征点可以是一个一维或者多维矢量。对这些提取出的鲁棒特征点进行聚类。聚类例如可以通过利用各种已知的聚类技术来实现，细节在此不再赘述。然后，针对每一个聚类、对该聚类中所有特征点的每一维矢量分别计算平均值，例如，对于某个聚类中特征点的所有第一维矢量计算平均值，对于该聚类中特征点的所有第二维矢量计算平均值，等等，依此类推。对于·所有聚类中每个特征点的每一维矢量，如果大于与该维矢量相关的平均值，则将其量化为“ 1”，否则将其量化为“O”零。在这种情况下，实际上是根据计算得到的平均值为每一维矢量设置了两个量化区间，一个区间是大于该平均值的量化区间，一个是小于等于该平均值的量化区间。下面给出一个具体例子，例如，鲁棒特征点提取采用SURF特征点，特征点压缩方法采用通过为每一维矢量设定两个量化区间来将每一维矢量量化为I比特的方法。则每一个SURF特征点有128维矢量，相应地量化为128比特。通过这种处理方法，可以将从原始图像和待检测图像中提取的鲁棒特征点量化压缩为二进制的数字序列。这种量化过程由于是基于特征点的每一维矢量的平均值进行的，因此在较大程度上保持了特征点的特性，同时使得特征的数据量大幅下降，有利于后续的获得与鲁棒特征点相应的鲁棒特征表示(例如鲁棒哈希值)的处理，降低了系统计算负荷。在一种可替选的实现方式中，也可以将每一维矢量量化为至少两个比特。具体而言，根据上述得到的每一维矢量的平均值将设定至少两个量化区间，每个区间可对应多个比特的二进制值，作为与该区间对应的量化值。例如，可以根据每一维矢量的平均值设定三个量化区间，小于等于该平均值为一个区间，大于该平均值30%以下为一个区间，大于该平均值30%以上为一个区间，等等，每一个区间被分配多个比特的二进制值。对于每个特征点的每一维矢量，如果落在某个量化区间内，则量化为与该区间对应的多个比特。可见，量化区间越多，最终得到的鲁棒哈希值与原鲁棒特征点越接近，后续匹配的准确度越高，但是鲁棒哈希值也越长。因此，具体量化方式的选择是在图像处理的精确度与系统负荷之间的一种折衷，可根据实际需求来决定。虽然上面的描述中都是将鲁棒特征点量化压缩为二进制序列，但是这并不对本发明的实施例构成限制。将鲁棒特征点量化为任意的数字序列都是可行的。同样容易理解，对鲁棒特征点的鲁棒性能影响较小的其他量化压缩方法也可适用于本发明实施例中，与后续操作一起达到既鲁棒又能够识别出细小篡改的效果。从鲁棒特征点经压缩量化得到数字序列之后，既可以将该压缩得到的数字序列直接当作最终的鲁棒哈希值，也可以对该压缩得到的数字序列进行进一步处理，例如编码处理等，以便生成最终的鲁棒哈希值。从压缩得到的数字序列生成鲁棒哈希值的处理可利用各种常规的哈希技术来实现，具体细节在此不再赘述。
容易理解，如果所提取的鲁棒特征点并不是很大，则也可以直接利用这些提取出的鲁棒特征点来获得其鲁棒特征表示(例如鲁棒哈希值)而无需进行上述的量化压缩处理。在通过上述处理获得与原始图像以及待检测图像中提取出的鲁棒特征点的鲁棒特征表示之后，基于这些鲁棒特征表示进行匹配处理，以便得到不匹配特征点。可以通过现有的各种合适的匹配技术来执行这种匹配处理。例如，可以对鲁棒特征表示之间进行逐点比较以找出不匹配特征点；或者，可以将鲁棒特征表示进行整体比较，例如求取作为鲁棒特征表示的码字序列之间的汉明距离，以找出不匹配特征点。获得不匹配特征点之后，可根据这些不匹配特征点的分布特性来确定待检测图像相对于原始图像是否存在篡改。例如，不匹配特征点的分布特性可以是不匹配特征点的离散程度。在一种具体实现方式中，不匹配特征点的离散程度例如可以通过不匹配特征点的聚类密度来表征。下面描述求取不匹配特征点的聚类密度的示例。 在一个例子中，可以对不匹配的特征点进行聚类。例如采用mean-shift聚类方法按照特征点的距离进行聚类。mean shift聚类方法是目前一种常用的聚类方法，mean shift本质上是自适应的梯度上升搜索峰值的方法。用mean shift作聚类时,不需要事先指定聚类的个数。通过沿着概率密度的梯度上升方向迭代发现聚类的中心。有关mean-shift聚类方法的信息和知识,例如可以参见Dorin Comaniciu, Peter Meer等所著的“Mean shift A robust approach toward feature space analysis，，(IEEE Transactionson Pattern Analysis and Machine Intelligence, Vol. 24，No. 5，p603_619. 2002)。当然，本发明的实施例可以采用任何合适的聚类方法而不限制于某一种特定的聚类方法。在完成聚类以后，计算不匹配特征点的离散程度，S卩，这种离散程度表示不匹配特征点是聚集在少数几个聚类中还是分散分布于多数的聚类中。一般，图像中涉及篡改的区域，尤其是细小区域中的篡改其不匹配特征点的离散程度很低，而常规操作常常涉及图像全局，其不匹配特征点的离散程度较高。根据这一情况，可以设定合理的阈值将对图像的篡改和对图像的常规操作区分开，进一步地，通过对阈值进行适当的调整就可以确保识别对图像中细小区域的篡改。例如，如上所述，离散程度可通过计算聚类密度来计算。在本发明实施例的具体实现方式中，根据密度的一般概念密度=重量/面积，构造了如下的各种用于求取聚类密度的方法。根据求取聚类密度的一个具体示例，首先计算聚类中的每个点到其所属的聚类中心的距离
权利要求
1.一种防篡改的图像处理方法，包括分别获取原始图像的第一组鲁棒特征点的第一鲁棒特征表示，以及待检测图像的第二组鲁棒特征点的第二鲁棒特征表示；将所述第一鲁棒特征表示和所述第二鲁棒特征表示进行匹配，以便获得不匹配特征点；以及基于所述不匹配特征点的分布特性来确定所述待检测图像相对于所述原始图像是否存在桌改。
2.如权利要求I所述的防篡改的图像处理方法，其中，分别获取第一鲁棒特征表示和第二鲁棒特征表示包括通过如下方式生成第一鲁棒特征表示和/或第二鲁棒特征表示针对所述原始图像提取所述第一组鲁棒特征点，并对所述第一组鲁棒特征点进行处理以得到与所述第一组鲁棒特征点对应的第一鲁棒特征表示，和/或，针对所述待检测图像提取所述第二组鲁棒特征点，并对所述第二组鲁棒特征点进行处理以得到与所述第二组鲁棒特征点对应的第二鲁棒特征表示。
3.如权利要求2所述的防篡改的图像处理方法，其中，对第一组和/或第二组鲁棒特征点进行处理以得到第一和/或第二鲁棒特征表示包括分别对第一组和/或第二组鲁棒特征点进行聚类，针对每一个聚类、分别计算该聚类中所有特征点的每一维矢量的平均值，并根据所述平均值设定与所述每一维矢量相关的至少两个量化区间，每个量化区间对应一个量化值；对于所述第一组和/或第二组鲁棒特征点中每个特征点的每一维矢量，根据所述矢量落入哪个量化区间而为该矢量赋予与所落入的量化区间对应的量化值，以便分别对所述第一组和/或第二组鲁棒特征点进行压缩；以及生成经过压缩的第一组鲁棒特征点的第一鲁棒哈希值，作为与所述第一组鲁棒特征点对应的第一鲁棒特征表示，和/或生成经过压缩的第二组鲁棒特征点的第二鲁棒哈希值，作为与所述第二组鲁棒特征点对应的第二鲁棒特征表示。
4.如权利要求3所述的防篡改的图像处理方法，其中，根据平均值设定至少两个量化区间包括根据所述第一组和/或第二组鲁棒特征点中每个特征点的每一维矢量的平均值，分别设定与所述每一维矢量相关的、大于所述平均值的第一量化区间和小于等于所述平均值的第二量化区间；以及分别对第一组和/或第二组鲁棒特征点进行压缩包括对于所述第一组和/或第二组鲁棒特征点中每个特征点的每一维矢量，如果所述矢量的值落入与该矢量相关的第一量化区间中，则将该矢量量化为I，否则，将该矢量量化为O。
5.如权利要求1-4中任一项所述的防篡改的图像处理方法，其中，所述不匹配特征点的分布特性包括所述不匹配特征点的离散程度。
6.如权利要求5所述的防篡改的图像处理方法，其中，基于不匹配特征点的分布特性来确定所述待检测图像相对于所述原始图像是否存在篡改包括对所述不匹配特征点进行聚类处理；根据聚类处理得到的聚类计算聚类密度；以及如果聚类密度大于或者等于预定的第一阈值，则确定所述待检测图像相对于所述原始图像存在篡改。
7.如权利要求6所述的防篡改的图像处理方法，其中，所述聚类密度通过如下方式来计算针对所述不匹配特征点的每一个聚类，计算该聚类中每个特征点到聚类中心的距离；根据计算得到的每一个距离、求取与所有聚类内的至少一部分特征点的距离相关的加权平均值，作为与所有聚类对应的聚类密度。
8.如权利要求7所述的防篡改的图像处理方法，其中，通过如下公式中的任一种来计算所述聚类密度Den
9.如权利要求5所述的防篡改的图像处理方法，其中，基于不匹配特征点的分布特性来确定所述待检测图像相对于所述原始图像是否存在篡改包括对所述不匹配特征点进行聚类处理；如果所有聚类中存在至少一个如下的聚类，则确定所述待检测图像相对于所述原始图像存在篡改以该聚类的聚类中心为中心、预定大小的区域中不匹配特征点的数量大于预定的第二阈值。
10.如权利要求1-4中任一项所述的防篡改的图像处理方法，其中，基于不匹配特征点的分布特性来确定所述待检测图像相对于所述原始图像是否存在篡改包括确定所述第一组鲁棒特征点在所述原始图像中的原始特征点分布情况，以及，确定所述不匹配特征点在所述待检测图像中的不匹配特征点分布情况；以及将所述原始特征点分布情况与所述不匹配特征点分布情况进行比较，如果比较结果指示所述原始特征点分布情况与所述不匹配特征点分布情况之间的差异在第一预定范围之内，则判定所述待检测图像相对于所述原始图像不存在篡改，否则，判定所述待检测图像相对于所述原始图像存在篡改。
11.如权利要求1-4中任一项所述的防篡改的图像处理方法，其中，基于不匹配特征点的分布特性来确定所述待检测图像相对于所述原始图像是否存在篡改包括将所述不匹配特征点的分布特性模型与预先构建的、未经篡改但经过常规图像处理操作和/或经过篡改情况下不匹配点的分布特性模型进行比较；如果所述不匹配特征点的分布特性模型与未经篡改但经过常规图像处理操作情况下不匹配点的分布特性模型之间的差异在第二预定范围之内，则判定所述待检测图像相对于所述原始图像不存在篡改，否则，判定所述待检测图像相对于所述原始图像存在篡改；和/或如果所述不匹配特征点的分布特性模型与经过篡改情况下不匹配点的分布特性模型之间的差异在第三预定范围之内，则判定所述待检测图像相对于所述原始图像存在篡改，否则，判定所述待检测图像相对于所述原始图像不存在篡改。
12.—种防篡改的图像处理装置，包括特征表示获取单元，其被配置成分别获取原始图像的第一组鲁棒特征点的第一鲁棒特征表示以及待检测图像的第二组鲁棒特征点的第二鲁棒特征表示；匹配单元，其被配置成将所述第一鲁棒特征表示和所述第二鲁棒特征表示进行匹配，以便获得不匹配特征点；以及篡改判定单元，其被配置成基于所述不匹配特征点的分布特性来确定所述待检测图像相对于所述原始图像是否存在篡改。
13.如权利要求12所述的防篡改的图像处理装置，其中，所述特征表示获取单元被配置成通过如下方式生成第一鲁棒特征表示和/或第二鲁棒特征表示针对原始图像提取所述第一组鲁棒特征点，并对所述第一组鲁棒特征点进行处理以得到与所述第一组鲁棒特征点对应的第一鲁棒特征表示，和/或，针对待检测图像提取所述第二组鲁棒特征点，并对所述第二组鲁棒特征点进行处理以得到与所述第二组鲁棒特征点对应的第二鲁棒特征表示。
14.如权利要求13所述的防篡改的图像处理装置，其中，所述特征表示获取单元包括量化设置子单元，其被配置成分别对第一组和/或第二组鲁棒特征点进行聚类，针对每一个聚类、分别计算该聚类中所有特征点的每一维矢量的平均值，并根据所述平均值设定与所述每一维矢量相关的至少两个量化区间，每个量化区间对应一个量化值；压缩子单元，其被配置成对于所述第一组和/或第二组鲁棒特征点中每个特征点的每一维矢量，根据所述矢量落入哪个量化区间而为该矢量赋予与所落入的量化区间对应的量化值，以便分别对所述第一组和/或第二组鲁棒特征点进行压缩；以及特征表示获取子单元，其被配置成生成经过压缩的第一组鲁棒特征点的第一鲁棒哈希值，作为与所述第一组鲁棒特征点对应的第一鲁棒特征表示，和/或生成经过压缩的第二组鲁棒特征点的第二鲁棒哈希值，作为与所述第二组鲁棒特征点对应的第二鲁棒特征表/Jn ο
15.如权利要求14所述的防篡改的图像处理装置，其中，量化设置子单元被配置成根据所述第一组和/或第二组鲁棒特征点中每个特征点的每一维矢量的平均值，分别设定与所述每一维矢量相关的、大于所述平均值的第一量化区间和小于等于所述平均值的第二量化区间；以及所述压缩子单元被配置成通过如下方式分别对第一组和/或第二组鲁棒特征点进行压缩对于所述第一组和/或第二组鲁棒特征点中每个特征点的每一维矢量，如果所述矢量的值落入与该矢量相关的第一量化区间中，则将该矢量量化为1，否则，将该矢量量化为O。
16.如权利要求12-15中任一项所述的图像处理方法，其中，所述不匹配特征点的分布特性包括所述不匹配特征点的离散程度。
17.如权利要求16所述的防篡改的图像处理装置，其中，所述篡改判定单元包括第一聚类子单元，其被配置成对所述不匹配特征点进行聚类处理；聚类密度计算子单元，其被配置成根据由第一聚类子单元获得的聚类来计算聚类密度；以及第一篡改判定子单元，其被配置成如果聚类密度大于或者等于预定的第一阈值，则确定所述待检测图像相对于所述原始图像存在篡改。
18.如权利要求17所述的防篡改的图像处理装置，其中，所述聚类密度计算子单元通过如下方式来计算聚类密度针对所述不匹配特征点的每一个聚类，计算该聚类中每个特征点到聚类中心的距离；根据计算得到的每一个距离、求取与所有聚类内的至少一部分特征点的距离相关的加权平均值，作为与所有聚类对应的聚类密度。
19.如权利要求18所述的防篡改的图像处理装置，其中，通过如下公式中的任一种来计算所述聚类密度
20.如权利要求16所述的防篡改的图像处理装置，其中，所述篡改判定单元包括第二聚类子单元，其被配置成对所述不匹配特征点进行聚类处理；第二篡改判定子单元，其被配置成如果所有聚类中存在至少一个如下的聚类，则确定所述待检测图像相对于所述原始图像存在篡改以该聚类的聚类中心为中心、预定大小的区域中不匹配特征点的数量大于预定的第二阈值。
全文摘要
一种防篡改的图像处理方法和装置。该方法包括分别获取原始图像的第一组鲁棒特征点的第一鲁棒特征表示以及待检测图像的第二组鲁棒特征点的第二鲁棒特征表示；将第一鲁棒特征表示和第二鲁棒特征表示进行匹配，以便获得不匹配特征点；以及基于不匹配特征点的分布特性来确定待检测图像相对于原始图像是否存在篡改。通过本发明的实施例，通过基于原始图像和待检测图像的鲁棒特征表示对不匹配特征点的分布特性进行分析，能够有效地将对图像的常规操作和对图像的篡改区分开来，具有足够的鲁棒性，而且能够准确地识别出是否对原始图像进行了篡改。尤其能够确保识别出是否存在细小区域中的篡改。由此兼顾了优异的鲁棒性和篡改识别的精确性两种性能。
文档编号G06T7/00GK102930493SQ20111023492
公开日2013年2月13日 申请日期2011年8月12日 优先权日2011年8月12日
发明者李基 , 杨效伟 申请人:索尼公司