一种针对图像内容感知篡改的检测方法与流程

本发明涉及计算机视觉技术﹑数字图像处理
技术领域：
，特别涉及一种针对图像内容感知篡改的检测方法。
背景技术：
：随着信息技术和移动互联网的迅猛发展，数字图像已经被广泛应用在人们的生活与工作中。然而，随着数字图像处理技术发展和相应软件的不断涌现，严重的损害了数字图像的真实性与完整性，破坏了人们传统上“眼见为实”的这种对图像的信赖。特别是随着移动设备快速发展，同一幅图像可能会在不同尺寸的移动设备上显示。为了适应这种显示设备多样化的要求，基于内容感知的图像缩放技术随之产生，该技术包括seamcarving技术和seaminsertion技术两方面，在对数字图像进行宽高非等比例缩放时可以避免图像内容扭曲变形，尽可能的保留用户更关心的高能量值区域，删除能量值较低的区域《seamcarvingforcontent-awareimageresizing》。如图1-3为图像在水平和垂直两个方向上的内容感知缩放效果，结果表明基于内容感知的图像缩放算法达到令人满意的视觉效果。然而，利用此技术也可以对数字图像的内容进行篡改，放大数字图像中对自己有利的内容，缩小甚至删除数字图像中对自己不利的内容，这就是图像的内容感知篡改。如图4-6所示，利用内容感知篡改将图像中的某个目标移除，这样将改变原图像的语义内容，而视觉上又无法判断数字图像是否经历过这样的篡改操作《seamcarvingforcontent-awareimageresizing》。如果使用此技术来伪造法庭证据、篡改科技成果等，必然给国家和社会带来非常恶劣的影响。因此，如何既准确又高效的检测数字图像的内容感知篡改是当前数字图像取证领域中亟待解决的问题。技术实现要素：为了解决
背景技术：
提出的技术问题，本发明提供一种针对图像内容感知篡改的检测方法，采用基于改进的ltp和能量偏差特征的图像内容感知篡改检测方法，解决传统方法对图像中相对平滑的区域发生篡改检测不敏感的问题。为了达到上述目的，本发明采用以下技术方案实现：一种针对图像内容感知篡改的检测方法，包括两个阶段，一阶段是对分类器的训练阶段，采用支持向量机作为分类器；另一阶段是对内容感知篡改的检测阶段；训练阶段：图像经过预处理之后，分别提取ltp特征和能量偏差特征，使用联合特征来训练分类器，得出原始图像和篡改图像的二分类；检测阶段：选取设定数量的检测样本，提取ltp特征和能量偏差特征，使用上述的分类器得出检测结果。在所述的训练阶段和检测阶段中，采用基于改进的ltp和能量偏差的特征提取方法；首先，改进原始ltp算子，增强其中阈值t的自适应性，利用改进的ltp算子描述数字图像因内容感知篡改所导致的邻域像素相关性的变化；然后，将ltp特征与能量偏差特征相结合，使用联合特征来训练分类器。通过对支持向量机svm分类器进行训练﹑检测，以此来检测数字图像是否经过内容感知篡改；1)改进原始ltp算子，使其增强抗噪声能力及幅度描述能力，能更好的反应像素与邻域像素的偏离程度，具体实现采用增量步长局部采样方式，步骤如下：增量计算邻域的像素平均强度差：δci为各邻域像素与中心像素强度差，n为采用增量采样的邻域像素点数，增量步长为2i。增量计算邻域纹理波动程度ω：增量计算像素与邻域像素的离散度d：增量计算局部邻域的均值μ：其中，ci为各邻域像素的强度，cc为邻域的中心像素强度，n为采用增量采样的邻域像素点数，增量步长为2i。增量计算局部邻域的方差σ：通过离散度d与方差σ的差值得到阈值t：t＝|d-σ|(6)改进后的ltp算子对于噪声具有一定的鲁棒性，而且在一定程度上可以将带噪声的平滑区域和纹理变化区域分开，对于相对平滑区域也能准确地描述邻域像素间的相关性；2)当篡改比例较大时，采用改进的ltp特征与能量偏差特征相结合的联合特征进行检测，效果更佳。所述的能量偏差特征包括两种：像素能量偏差和seam能量偏差，能量偏差特征的提取方法，具体步骤如下：1)像素能量偏差特征提取，有4维特征：水平方向能量偏差：垂直方向能量偏差：其中，图像的大小为m×n，i(i,j)为图像中的像素强度。2)seam的能量偏差特征提取：根据篡改过程中所选取的seam方向不同，即水平seam或垂直seam，提取seam的能量偏差特征可以取水平方向或竖直方向各有3维特征：垂直seam能量最大值：垂直seam能量最小值：垂直seam能量平均值：水平seam能量最大值：水平seam能量最小值：水平seam能量平均值：其中，图像的大小为m×n，e(m,j)为通过像素i(i,j)的seam在垂直方向上的能量累积，e(m,j)为通过像素i(i,j)的seam在水平方向上的能量累积。与现有技术相比，本发明的有益效果是：使用改进的ltp和能量偏差特征相结合来检测图像的内容感知篡改，与传统的检测方法相比最大的优点是，该方法既充分考虑了在图像相对平滑区域中邻域像素的强度差值变化较小的特点，又考虑到相对平滑区域与纹理区域在较小的邻域范围内容易混淆的问题，改进了ltp算子，使其对图像邻域像素的相关性能够进行更准确地描述，并且排除噪声的干扰。同时与能量偏差特征相结合，当篡改比例较大时能够获得更准确的检测效果。附图说明图1为数字图像内容感知缩放效果图的原始图像；图2为图1的水平方向缩小50％后的图像；图3为图1的垂直方向缩小50％后的图像；图4为数字图像的内容感知篡改示例图的原始图像；图5为图4选中移出目标的图像；图6为图4内容感知篡改的图像；图7为本发明的方法的总体框架图。具体实施方式以下结合附图对本发明提供的具体实施方式进行详细说明。如图7所示，一种针对图像内容感知篡改的检测方法，包括两个阶段，一阶段是对分类器的训练阶段，采用支持向量机(svm)作为分类器；另一阶段是对内容感知篡改的检测阶段；训练阶段：图像经过预处理之后，分别提取ltp特征和能量偏差特征，使用联合特征来训练分类器，得出原始图像和篡改图像的二分类；检测阶段：选取设定数量的检测样本，合理选取检测的样本数量，尽量满足训练样本与检测样本数之比为5:1，这样的检测效果更佳，提取ltp特征和能量偏差特征，使用上述的分类器得出检测结果。1)预处理对于rgb模型中的彩色图像，使用如式(11)所示的方程式将其转换成灰度图像，方便后续的处理。i＝0.299r+0.587g+0.114b(11)2)特征提取使用统计直方图来对测量值分等级量化，查找所有测量值的最大值与最小值，通过他们确定区间范围。在这个区间内二次划分出若干小区间，统计测量值落在各小区间内次数。这样可以用横坐标表示测量值，纵坐标表示该测量值在各区间内出现的频度，形成统计直方图。3)分类器训练本发明选用支持向量机(svm)作为分类器。通过使用改进的ltp特征与能量偏差特征的联合特征对svm分类器进行训练，使用联合特征会比单一特征效果更好。为了避免分类器出现过拟合现象，提高泛化能力，这里通过最小化经验风险和置信范围来降低泛化误差，提高分类器的准确性。核函数使用rbf核函数，通过5折交叉验证获得最优参数c和γ。在所述的训练阶段和检测阶段中，采用基于改进的ltp和能量偏差特征提取方法；首先，改进原始ltp算子，增强其中阈值t的自适应性，利用改进的ltp算子描述数字图像因内容感知篡改所导致的邻域像素相关性的变化；然后，将ltp特征与能量偏差特征相结合，使用联合特征来训练分类器。通过对支持向量机svm分类器进行训练﹑检测，以此来检测数字图像是否经过内容感知篡改；1)改进原始ltp算子，使其增强抗噪声能力及幅度描述能力，能更好的反应像素与邻域像素的偏离程度，具体实现采用增量步长局部采样方式，步骤如下：增量计算邻域的像素平均强度差：δci为各邻域像素与中心像素强度差，n为采用增量采样的邻域像素点数，增量步长为2i。增量计算邻域纹理波动程度ω：增量计算像素与邻域像素的离散度d：增量计算局部邻域的均值μ：其中，ci为各邻域像素的强度，cc为邻域的中心像素强度，n为采用增量采样的邻域像素点数，增量步长为2i。增量计算局部邻域的方差σ：通过离散度d与方差σ的差值得到阈值t：t＝|d-σ|(6)改进后的ltp算子对于噪声具有一定的鲁棒性，而且在一定程度上可以将带噪声的平滑区域和纹理变化区域分开，对于相对平滑区域也能准确地描述邻域像素间的相关性；2)当篡改比例较大时，采用改进的ltp特征与能量偏差特征相结合的联合特征进行检测，效果更佳。所述的能量偏差特征包括两种：像素能量偏差和seam能量偏差，能量偏差特征的提取方法，具体步骤如下：3)像素能量偏差特征提取，有4维特征：水平方向能量偏差：次对角线上能量偏差：其中，图像的大小为m×n，i(i,j)为图像中的像素强度。4)seam的能量偏差特征提取：根据篡改过程中所选取的seam方向不同，即水平seam或垂直seam，提取seam的能量偏差特征可以取水平方向或竖直方向各有3维特征：垂直seam能量最大值：垂直seam能量最小值：垂直seam能量平均值：水平seam能量最大值：水平seam能量最小值：水平seam能量平均值：其中，图像的大小为m×n，e(m,j)为通过像素i(i,j)的seam在垂直方向上的能量累积，e(m,j)为通过像素i(i,j)的seam在水平方向上的能量累积。实施例：本发明实施例使用的图像库是ucid图像库，图像库详情请见文献《ucid-anuncompressedcolorimagedatabase》。共有1338张不同内容的图像，图像大小分别为512×384或384×512两种。为了验证本发明方法的有效性，实施例从原始图像集中随机选取1200张图像作为原始图像的训练集，再分别对这些图像使用内容感知篡改方法形成对应的篡改图像，篡改比率分别为5％，7％，10％，15％，20％，分别从上述五大类图像集中随机抽取240幅图像(共计1200张图像)作为篡改图像训练集。测试阶段，在原始图像集和篡改图像集中分别随机抽取240张图像进行测试。测试结果如表1。表1该方法对图像内容感知篡改检测的效果篡改比率/％真阳率/％真阴率/％正确率/％578.8380.8779.75785.5484.8784.271085.6884.5985.791588.3585.3887.862094.4991.7693.94mix86.8083.2485.89由表1数据看出，采用本发明的基于改进的ltp和能量偏差特征提取方法，对于低篡改比率(5％)的检测准确率可以达到79.75％，对于高篡改比率(20％)的检测准确率可以达到93.94％，混合检测(mix)也可以达到85.89％的准确率，说明该方法能够获得更准确的检测效果。对于任意篡改比率的图像检测，真阳率和真阴率相差不大，说明该方法在检测正负两方面样本的能力基本相当，没有过大的偏差，分类器比较稳定，模型性能比较优越。以上实施例在以本发明技术方案为前提下进行实施，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上述的实施例。上述实施例中所用方法如无特别说明均为常规方法。当前第1页12