专利名称：：分形维数的计算机生成图像被动检测方法
技术领域：
：本发明涉及的是一种数字图像
技术领域：
的检测方法，具体是一种分形维数的计算机生成图像被动检测方法。
背景技术：
：近年来，计算机图像生成技术飞速发展，使计算机生成的图像越来越逼近于真实场景，以至于人眼几乎无法将其与自然图像区分开来，图像的真实性和唯一性受到巨大挑战。计算机生成图像是数字图像信息防伪被动鉴定工作所面临的一个主要数据来源，对自然图像和计算机生成图像的鉴别区分在犯罪调査、新闻报道、情报分析等众多领域具有至关重要的地位。现有针对计算机生成图像的被动鉴定的研究较少，成果亦不多。就现在所公开报道的研究工作来看，主要研究方向是基于整数维空间和分数维空间展开的。在整数维空间，S.Lyu和H.Farid在文章"Howrealisticisphotorealistic[J]"(《真实感图像有多逼真？》)(IEEETrans.SignalProcessing,53(2):845-850，2005)(IEEE信号处理期刊)提出首先对待测图像进行小波变换，然后在小波域上提取均值、方差、偏态、峰态四个统计量，将这四个统计量作为统计特征，然后对这些特征向量用机器学习方法进行分类判决。该方法只从统计上对图像进行分析，并未指出计算机生成图像与自然图像的本质差异，因此鉴别率并不理想。在分数维空间，Tian-TsongNg在文章"Physics-motivatedfeaturesfordistinguishingphotographicimagesandcomputergr即hics[C]'，(《基于物理特性区分自然图像和计算机生成图像》)(ACMMultimedia,Singapore,2005)(ACM多媒体会议)利用计算生成图像和自然图像本身之间所存在的三个固有差异性——对象模型差异、光线传输差异及图像获取过程差异，在分数维基础上提取这差异性特征。但由于该方法所涉及的数学模型在理论上还不是很成熟，尚需要进一步加以完善，因此，该方法最终的检测鉴别效果也仍不是很理想。
发明内容本发明目的在于针对现有技术的不足，提供一种分形维数的计算机生成图像被动检测方法。本发明改进了基于差分盒分形维数的计算机生成图像检测方法。提取图像差分盒分形维数特征，通过机器学习的方法检测计算机生成图像，其在检测准确性和操作效率上均达到较好的结果。本发明是通过以下技术方案实现的本发明首先在训练阶段对自然图像与计算机生成图像库中的每幅图像分别进行子块筛选，然后对每个图像子块分别计算其分形维数，进而得到一组特征向量，最后将该系列特征用SVM(SupportVectorMachines,支持向量机)进行训练得到最优分类器参数；在测试阶段，首先将待测图像进行如上类似处理得到分形特征向量，然后利用训练阶段得到的最优分类器进行分类鉴别进而得到检测结果。所述的训练阶段，包括如下步骤①为降低复杂度，首先将自然图像与计算机生成图像库中的每幅图像截取512X512子块作为待处理图像；②分别将①中得到的每幅图像划分为若干个64X64的图像子块，对每一个图像子块，计算其方差，再将其与整幅图像的方差w比较。若子块方差①小于《，则说明该子块变化相对于整幅图像的变化而言比较缓慢，图像内容较平缓，故将其删除，否则保留该子块，经过此步骤得到Z个子块，当Z〉32，则从￡个子块中舍弃方差小于"的(丄—32)个子块；当丄<32，则从丄个子块中选取方差小于《的(32-丄)个子块并重复步骤②，直至得到方差大于w的32个子块。③对上述得到的32个子块，采用差分盒分形维数方法分别计算其分形维数，得到一组32维特征向量。所述差分盒分形维数的计算步骤是-1)将MxM大小的子块以s"为格子逐点划分，此处选取^=2,3，分别得到每个格子中的像素灰度最大值/,^和最小值/皿；2)基于动态规划方法计算对应于2和的倍数大小格子中像素极值。以2、4、8为例，将上一步骤中对每个2X2格子计算的格子内像素灰度的最大最小值，作为第一层子结构的解保存下来，此时共得到32X32组最大最小值子对；求4X4格子内像素灰度的最大值和最小值，可知在第一层子结构中与此4X4格子位置相对应的4组2X2格子的最大最小值子对中査找即可，求得的最大值、最小值作为第二层子结构的解保存下来；依次类推，求2'x2'划分时的格子内像素灰度的最大最小值。此步骤最终得到以5=2，3，4，6，8，12为尺度的格子所对应的像素灰度的最大值和最小值。3)判断所选5是否能被M整除，如不能，则通过复制扩大进行图像子块窗口扩张，得到(^M)x("^M)的图像块。令r-^M，将图像想象成三维空间中的曲线，则xy平面被划分成许多"^的网格，在每个网格上，是一列""s的盒子，其中s为可变盒子高度，具体为s=maX/4-min/4,/JA^1，2，L,")表示sxs单位面积内"个像素灰度值的大小。设第(z'，7')网格所对应的盒子数为W，力=(max^t—min4)/r(1)覆盖整个图像块所需的盒子数为"，而尺度S下^x^原始图像子块的盒子数为乂=乂'/,，通过s的变化引起r的变化，用最小二乘法拟合lgiVf-lg(l"),求出的斜率即为盒子维数D,即图像分形维数。重复步骤①至步骤③，得到自然图像与计算机生成图像库中每幅图像的32维分形维数特征向量，分别将计算机生成图像特征向量及自然图像特征向量送入SVM进行训练，训练后得到的分类器模型用于后续判定操作。所述的测试阶段，包括如下步骤①输入待判图像，截取512X512图像块用于后续处理，并计算其方差^;②分别将①中得到的每幅图像划分为若干个64X64的图像子块，对每一个图像子块，计算其方差仏，再将其与整幅图像的方差w比较。若子块方差①小于《，则说明该子块变化相对于整幅图像的变化而言比较缓慢，图像内容较平缓，故将其删除，否则保留该子块，经过此步骤得到Z个子块，当Z〉32，则从丄个子块中舍弃方差小于"的"—32)个子块；当丄<32，则从Z个子块中选取方差小于w的(32-Z)个子块并重复步骤②，最终得到方差大于^的32个子块。③对由步骤②得到的32个子块，分别按所述分形维数的计算步骤计算其分形维数，最终得到一组32维特征向量；将由步骤③得到的32维特征向量输入训练后得到的分类器模型进行检测处理，得到最终的鉴别结果。本发明采用"盒子维"思想提取图像子块分形维数特征，较之传统的分形维数特征提取方法在复杂度上有了很大的改进；本发明增加了图像子块筛选操作步骤，一方面大大降低了后续操作步骤的处理量，另一方面将自然图像和计算机生成图像在自相似性上的区别更好地体现出来，使得检测率得以大幅提高。图1为本发明特征提取流程图。图2为本发明图像子块筛选流程图。图3为本发明中改进的差分盒分形维数计算方法流程图。图4为测试演示实例示意其中a、512*512图片，b、分块后图片，c、筛选后图片。具体实施例方式以下结合附图对本发明的实施例作详细说明本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过程，但本发明的保护范围不限于下述的实施例。如图l、图2和图3所示，本实施例包括以下步骤l.训练阶段①训练图片库建立——选取400幅自然图像，400幅计算机生成图像，图片格式均为jpeg，图片大小从400*600到1024*768不等。图片一部分来自哥伦比亚大学的图片库(http:〃www.ee.columbia.edu/ln/dv腿/downloads/PIM—PRCG—dataset/)，另一部分来自个人收藏。图片内容涵盖了人物、自然风景、建筑、静物等各个方面。其中，计算机生成图像所使用到的软件有3Dmax、Maya、Renderman、Shake、ZBrush等等；②图像子块筛选模块——对图片库中任一幅图截取512X512大小作为待处理图像(如图4.a)，计算其总体方差w;然后对其进行64X64的分块，得到图4.b，分别每一个图像子块计算其方差。，将其与整幅图像的方差^比较。若子块方差°"'小于w，则说明该子块变化相对于整幅图像的变化而言比较缓慢，图像内容较平缓，故将其删除，否则保留该子块，经过此步骤得到Z个子块。若丄〉32，则从Z个子块中舍弃方差小的G—32)个子块；若^<32，则从Z个子块中选取方差小的(32—Z)个子块进行重复，最终得到方差较大的32个子块，如图4.c所示；③计算图像子块分形维数一一采用差分盒分形维数方法分别计算上述32个子块的分形维数，得到一组32维特征向量。具体措施是将M-64的64X64大小子块以^"为格子逐点划分，此处选取^=2,3，分别得到一组各格子像素最大值乙^和/,;基于动态规划方法计算对应于2和3的倍数大小的格子中像素极值，取^=2，3，4，6，8，12;判断所选s是否能被M整除，如不能，则通过复制扩大进行图像子块窗口扩张，得到"fM)x^tM)的图像块；令"s/M，将图像想象成三维空间中的曲线，则xy平面被划分成许多"^的网格，在每个网格上，是一列s""'的盒子，其中s为可变盒子高度，具体为s=max/*—min/、/4^=1，2山，n)表示"s单位面积内w个像素灰度值的大小。设第("力网格所指的盒子数为",(/，力-(maxA-min/J"，覆盖整个图像块所需的盒子数为"，而尺度s下^x似原始图像子块的盒子数为iVr-W/"2，通过^的变化引起r的变化，用最小二乘法拟合ig^—ig(1^)，求出的斜率即为盒子维数D，即图像分形维数。在此例中，具体各子块分形维数如表l所示，其表中各位置分别对应上述各子块位置；表1分形维数<table>tableseeoriginaldocumentpage9</column></row><table><table>tableseeoriginaldocumentpage10</column></row><table>SVM支持向量机--种机器学习方法，此处引用Libsvm软件包进行处理(http:〃www.csie.ntu.edu.tw/~cjlin/libsvm)。将图像库中共800幅图像所对应的32维特征向量组织成Libsvm所需要结构(具体流程见http:〃www.csie.ntu.edu.tw广cjlin/p邻ers/guide/guide.pdO，其中，设数字1代表自然图像，o代表计算机生成图像。2.测试阶段①测试图像输入——选取任意自然图像或计算机生成图像，格式为jpeg，图片大小从400*600到1024*768中任意之一；②图像子块筛选模i央——将测试图像截取512X512大小作为待处理图像，接着对其进行64X64的分块，具体步骤与训练阶段步骤②相同。③计算图像子块分形维数一一采用上述差分盒分形维数方法分别计算上述32个子块的分形维数，得到一组32维特征向量；SVM支持向量机鉴别模块——此处引用Libsvm软件包进行处理(具体软件包可从此处下载http://www.csie.ntu.edu.tw/~cjlin/libsvm)。将此单幅图像的32为特征向量作为SVM鉴别器的原始输入(具体流程参见http:〃ww.csie.ntu.edu.tw/"cjlin/p寧rs/guide/guide.pdf)，最终得至U鉴另ll值1或0，l则判别为自然图像，o则为计算机生成图像。权利要求1、一种分形维数的计算机生成图像被动检测方法，其特征在于，首先在训练阶段对自然图像与计算机生成图像库中的每幅图像分别进行子块筛选，然后对每个图像子块分别计算其分形维数，进而得到一组特征向量，最后将该系列特征用支持向量机进行训练得到最优分类器参数；在测试阶段，首先将待测图像进行如上类似处理得到分形特征向量，然后利用训练阶段得到的最优分类器进行分类鉴别进而得到检测结果。2、根据权利要求1所述的分形维数的计算机生成图像被动检测方法，其特征是，所述的训练阶段，包括如下步骤①为降低复杂度，首先将自然图像与计算机生成图像库中的每幅图像截取512X512子块作为待处理图像，并计算其方差《;②分别将①中得到的每幅图像划分为若干个64X64的图像子块，对每一个图像子块，计算其方差①，再将其与整幅图像的方差w比较，若子块方差①小于w，则说明该子块变化相对于整幅图像的变化而言比较缓慢，图像内容较平缓，故将其删除，否则保留该子块，经过此步骤得到Z个子块，当^>32，则从1个子块中舍弃方差小于"的"_32)个子块；当丄<32，则从￡个子块中选取方差小于w的(32—丄)个子块并重复歩骤②，最终得到方差大于w的32个子块；③对上述得到的32个子块，采用差分盒分形维数方法分别计算其分形维数，得到一组32维特征向量；重复步骤①至步骤③，得到自然图像与计算机生成图像库中每幅图像的32维分形维数特征向量，分别将计算机生成图像特征向量及自然图像特征向量送入SVM进行训练，训练后得到的分类器模型用于后续判定操作。3、根据权利要求2所述的分形维数的计算机生成图像被动检测方法，其特征是，所述差分盒分形维数的计算步骤是1)将MxM大小的子块以"s为格子逐点划分，此处选取^=2，3，分别得到每组格子中的像素最大值/^和最小值/皿；2)基于动态规划方法计算对应于2和3的倍数大小的格子中像素极值。以2、4、8为例，将上一步骤中对每个2X2格子计算的格子内像素灰度的最大最小值作为第一层子结构的解保存下来，此时共得到32X32组最大最小值子对；求4X4格子内像素灰度的最大值和最小值，在第一层子结构中与此4X4格子位置相对应的4组2X2格子的最大最小值子对中查找即可，求得的最大值、最小值作为第二层子结构的解保存下来；依次类推，求2'x2'划分时的格子内像素灰度的最大最小值。此步骤最终得到以5=2，3，4，6，8，12为尺度的格子所对应的像素灰度的最大值和最小值；3)判断所选s是否能被M整除，如不能，则通过复制扩大进行图像子块窗口扩张，得到(^M)x(^M)的图像块，令/"-s/M，将图像想象成三维空间中的曲线，则xy平面被划分成许多^xs的网格，在每个网格上，是一列s"^'的盒子，其中s为可变盒子高度，s-max^-min/p/JA^1,2,L，")表示sxs单位面积内"个像素灰度值的大小；设第(Z'，y)网格所对应的盒子数为<formula>formulaseeoriginaldocumentpage3</formula>覆盖整个图像块所需的盒子数为^=S，而尺度s下MxM原始图像子块的盒子数为乂=乂'/，通过^的变化引起r的变化，用最小二乘法拟合lgA^-lg(l/")，求出的斜率即为盒子维数Z)，即图像分形维数。4、根据权利要求2所述的分形维数的计算机生成图像被动检测方法，其特征是，所述的测试阶段，包括如下步骤①输入待判图像，截取512X512图像块用于后续处理，并计算其方差"；②将①中得到的图像块划分为若干个64X64的图像子块，对每一个图像子块，计算其方差C7'，再将其与整幅图像的方差w比较，若子块方差^小于w，则说明该子块变化相对于整幅图像的变化而言比较缓慢，图像内容较平缓，故将其删除，否则保留该子块，经过此步骤得到Z个子块，当丄>32，则从丄个子块中舍弃方差小于w的(丄-32)个子块；当丄<32，则从Z个子块中选取方差小于"的(32—丄)个子块并重复步骤②，最终得到方差大于《的32个子块；③对由步骤②得到的32个子块，分别按所述分形维数的计算步骤计算其分形维数，最终得到一组32维特征向量；将由步骤③得到的32维特征向量输入训练阶段得到的分类器模型进行检测处理，得到最终的鉴别结果。全文摘要本发明涉及的是一种数字图像
技术领域：
的分形维数的计算机生成图像被动检测方法。首先在训练阶段对自然图像与计算机生成图像库中的每幅图像分别进行子块筛选，然后对每个图像子块分别计算其分形维数，进而得到一组特征向量，最后将该系列特征用支持向量机进行训练得到最优分类器参数；在测试阶段，首先将待测图像进行如上类似处理得到分形特征向量，然后利用训练阶段得到的最优分类器进行分类鉴别进而得到检测结果。本发明在传统的差分盒分形维数方法基础上增加了扩展窗口、基于动态规划思想的数据复用及可变盒子高度机制，这些都使得方法在计算复杂度和检测率上有了较大的提高。文档编号G06K9/62GK101655913SQ200910195780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日发明者姚丹红,张爱新,李建华,李生红,波苏,波金,陈香苹申请人:上海交通大学