基于dct域统计特性的自然图像与计算机生成图像的鉴别方法

专利名称：基于dct域统计特性的自然图像与计算机生成图像的鉴别方法
技术领域：
本发明涉及图像鉴别技术领域，尤其涉及的是一种基于DCT域统计特性的自然图像与计算机生成图像的鉴别方法。
背景技术：
随着信息时代的到来，数字化成像设备越来越普遍，传统的胶片图像正逐步被数字图像所取代，但数字图像更很容易被篡改，伪造。一些3D图像生成软件可以轻易的生成以假乱真的计算机图像，以至于人眼几乎无法将其与自然图像区分开来。随着数字图像的应用范围不断扩大，特别是其在新闻、司法等行业的应用不断增多，面对大量的数字图像如何鉴别其相应的来源便成了一个急需解决的问题。真实图像和计算机生成图像的鉴别方法，一直是数字图像取证中的重要问题，也是首要的问题。自然图像PM是指由数码相机、扫描仪等成像设备获取的真实世界的影像，它强调由真实世界获取。而计算机生成图像CG是指由计算机通过图像处理软件(常用的有3Ds MAX, Maya, Softimage等)生成的与真实世界相似的影像,它虽有真实世界的对应物，但不是由真实世界直接获得。CG的生成过程是首先构建一个3D多边模型模拟期望的形状，然后为模型赋予颜色和纹理，并且用模拟光源照射，最后将修饰好的模型送到一个虚拟的照相机前成像，生成图像。两者在平滑度、色彩数量、直方图连续性和细小纹理复杂度等方面有很大的不同。目前多数的数字图像处理软件都是在电脑上操作的，也即那些伪造、篡改的图像都是在电脑上操作的，对计算机生成图像和自然图像的区别的认识，将对篡改图像的篡改区域的认识起到引领作用，可以依此来对篡改图像进行检测，因此对计算机生成图像的检测研究就具有十分重要的意义。现有的自然图像与计算机鉴别方法的特征提取都是采用单一类型的特征信息，信息涵盖不全，分析能力不强，收集到的特征信息不能够十分准确地用于计算机生成图像和自然图像的检测。比如，目前基于离散小波变换的统计特征提取技术、特征阀值判决技术等都没有包含足够全面的特征信息，以至于自动检测的准确率不高。经过现有技术文献的检索发现，S. Lyu和H. Farid在文章“How Realistic isPhotorealistic ，，(IEEE Transactions on Signal Processing, 2005, 53 (2) :845-850.)(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，鉴别率只有84. 97%,因此鉴别率并不理想。W. Chen和Q. Y. shi在文章“Identifying Computer Graphics using HSV Color Model and Statistical Momentsof Characteristic Functions，， (IEEE International Conference on Multimedia andExpo. Beijing IEEE, 2007 :1123-1126.) 一种基于HSV颜色模型的统计方法来区分Photo和CG，将图像由RGB颜色空间映射到HSV颜色空间，然后对图像进行离散小波变换(DWT)以及离散傅里叶变换(DFT)之后，再统计图像特征进行图像分类鉴别，进一步提高了图像的鉴别准确率。鉴别率只有82. 1%，该方法的鉴别率并不理想。李文祥和张涛在文章“基于二阶差分统计量的自然图像与计算机图形的鉴别”(计算机辅助设计与图形学学报计算机辅助设计与图形学学报.2010,22(9) =195-200.)提出一种基于图像二阶差分统计量的鉴别方法.首先在HSV颜色空间提取图像及其校准图像的二阶差分信号和预测误差信号，在此基础上提取二阶差分信号的方差、峰度以及预测误差信号的I 4阶统计量，并将其作为分类特征，结合Fisher线性判别分析，实现2类图像的正确分类.实进一步提高了图像的鉴别准确率。鉴别率达到了 92.8%。王让定和郭克在专利中“基于多小波变换的自然图像和计算机生成图像的识别方法”(专利号201010618428. 4)中公开了一种基于多小波变换的自然图像和计算机生成图像的识别方法，特点包括以下步骤(I)将训练样本图像和测试样本图像转换到HSV颜色空间，分别获取相应的色相分量图像、饱和度图像和亮度量图像；(2)将各分量图像进行预处理后再将各分量图像进行一阶多小波变换；(3)将获得的色相分量图像、饱和度分量图像和亮度分量图像的16个子带作为对象，计算每个子带小波系数的均值、方差、偏斜度和峰度，获得192个特征值；(4)将特征值校准再归一化处理后代入SVM分类器中进行训练和测试，获得图像的类别，检测识别率达到了 92. 79%。现有的自然图像与计算机鉴别方法的特征提取都是采用单一类型的特征信息，信息涵盖不全，分析能力不强，收集到的特征信息不能够十分准确地用于计算机生成图像和自然图像的检测。比如，目前基于离散小波变换的统计特征提取技术、特征阀值判决技术等都没有包含足够全面的特征信息，以至于自动检测的准确率不高。

发明内容
针对目前自然图像和计算机生成图像的鉴别方法鉴定准确率不高的问题，提出了一种基于DCT域统计特性的自然图像与计算机生成图像的鉴别方法。本发明的技术方案如下一种基于DCT域统计特性的自然图像与计算机生成图像的鉴别方法，包括以下步骤(1)首先对待测图像进行高斯模糊处理、降维处理，然后对图像R、G、B3个通道分别进行8X8的不重复块DCT离散余弦变换，得到的8X8分块DCT系数矩阵；(2)对每一通道DCT域AC系数的首位有效数字的分布进行统计，得到3条概率分布曲线；(3)计算3条概率分布曲线的平均绝对差分，若平均绝对差分大于设定的阈值T，说明3条概率分布曲线的重合程度不强，将待测图像判定为自然图像，否则判定为计算机生成图像；所述平均绝对差分
定义如下
权利要求
1.一种基于DCT域统计特性的自然图像与计算机生成图像的鉴别方法，其特征在于，包括以下步骤(1)首先对待测图像进行高斯模糊处理、降维处理，然后对图像R、G、B3个通道分别进行8X8的不重复块DCT离散余弦变换，得到的8X8分块DCT系数矩阵；(2)对每一通道DCT域AC系数的首位有效数字的分布进行统计，得到3条概率分布曲线；(3)计算3条概率分布曲线的平均绝对差分，若平均绝对差分大于设定的阈值T，说明3条概率分布曲线的重合程度不强，将待测图像判定为自然图像，否则判定为计算机生成图像；所述平均绝对差分15定义如下
2.根据权利要求I所述的鉴别方法，其特征在于，所述步骤(I)中，所述的对图像进行高斯模糊处理，模糊半径设定为0. 3，在二维空间正态分布方程为
3.根据权利要求I所述的鉴别方法，其特征在于，所述步骤(3)中，所述阈值T的确定方法如下 (1)首先对实验组图像进行高斯模糊处理、降维处理，然后对图像R、G、B3个通道分别进行8 X 8的不重复块离散余弦变换，得到的8 X 8分块DCT系数矩阵； (2)对每一通道DCT域AC系数的首位有效数字的分布进行统计，得到3条概率分布曲线. (3)计算3条曲线的平均绝对差分，通过统计实验组图像的平均绝对差分，比较出平均绝对差分的最大值与最小值，并以最小值为初始值，初始值与每一个平均绝对差分作对比，统计出自然图像平均绝对差分小于初始值的个数A以及计算机生成图像平均绝对差分大于初始值的个数B，通过A的值除以自然图像的个数，计算出自然图像的鉴别错误率，利用同样的方法计算出计算机生成图像的鉴别错误率，得到相应的鉴别正确率后，取两个鉴别正确率平均数，得到最终的鉴别平均正确率，在初始值的基础上加上0. 00001，直到数值等于平均绝对差分的最大值， 利用上述方法统计出最高的鉴别正确率已经对应的数值，此数值就是阈值T。
全文摘要
本发明公开了一种基于DCT域统计特性的自然图像与计算机生成图像的鉴别方法，其特征在于，包括以下步骤(1)首先对待测图像进行高斯模糊处理、降维处理，然后对图像R、G、B3个通道分别进行8×8的不重复块DCT离散余弦变换，得到的8×8分块DCT系数矩阵；(2)对每一通道DCT域AC系数的首位有效数字的分布进行统计，得到3条概率分布曲线；(3)计算3条概率分布曲线的平均绝对差分，若平均绝对差分大于设定的阈值T，说明3条曲线的重合程度不强，将待测图像判定为自然图像，否则判定为计算机生成图像。实验结果显示，这种算法提高了自然图像与计算机生成图像的鉴别准确率。与已有算法相比具有更高的识别率，鉴别准确率达到95.22％，且计算量小、易于实现。
文档编号G06T7/00GK102968793SQ20121046978
公开日2013年3月13日 申请日期2012年11月20日 优先权日2012年11月20日
发明者陈长宝, 张震, 杨宇豪, 杜红民, 谢永杰, 佟森峰, 庄东刚, 盛铎, 宋超, 范秉琪, 赵晓祥, 崔帅 申请人:百年金海安防科技有限公司, 郑州大学