基于量化差分共生矩阵的小尺寸图像平滑滤波检测算法

1.本发明涉及图像处理技术领域，尤其涉及一种基于量化差分共生矩阵的小尺寸图像平滑滤波检测算法。


背景技术：

2.数字图像处理技术的快速发展，使得图像编辑、篡改甚至伪造变得极其容易，一些原有用于修饰数字图像的处理手段却被伪造者用于篡改图像。因此，对数字图像的处理历史进行识别尤为必要。图像处理历史主要包括平滑、锐化、对比度增强、jpeg压缩等，其中平滑作为数字图像处理的常见技术，被广泛用于图像去噪、模糊和美化，但也经常被图像伪造者用来遮盖篡改图像后留下的痕迹，因此检测图像是否经历过平滑滤波处理是鉴别图像原始性和完整性的有力佐证。
3.目前各种平滑滤波检测的研究中，针对中值滤波检测的成果较为丰富。早期有文献根据中值滤波特有的“streaking”特性提出了基于一阶差分直方图的中值滤波检测方法，该方法不具备对jpeg压缩的鲁棒性，作者借鉴了隐写分析中的spam特征(文1：“pevny t,bas p,fridrich j.steganalysis by subtractive pixel adjacency matrix[j].ieee transactions on information forensics and security,2010,5(2):215
‑
224”)，该特征将一阶差分建模为n阶的马尔科夫链，并将其转移为概率矩阵作为特征向量，在jpeg图像中检测中值滤波效果良好。文2(yuan h.blind forensics of median filtering in digital images[j].ieee transactions on information forensics and security,2011,6(4):1335
‑
1345)分析了中值滤波对灰度值统计特征的影响，提出了mff特征对中值滤波进行检测，该特征对其他图像操作也具有检测效果。针对其他的平滑滤波的识别近年来也受到关注，文3(li m,wang c,peng a,et al.a blind forensics algorithm for digital image smoothing filtering[j].semiconductor optoelectronics,2017,38(3):430
‑
434)将高频残差作为特征提取域，基于二值局部模式(lbp)和自回归模型提取特征,可识别出均值滤波、高斯滤波和中值滤波。文4(ding f,shi y,zhu g,et al.smoothing identification for digital image forensics[j].multimedia tools and applications,2019,78(7):8225
–
8245)运用边缘区域的梯度直方图构建特征对平滑图像实施检测，能够区分出多种平滑滤波。
[0004]
目前的平滑滤波检测方法大多是在具有一定尺寸的图像上进行的，当图像尺寸过小，特别是尺寸≤64
×
64时，由于统计量大幅减少，检测效果会急剧下降。虽已有一些在小尺寸图像上对中值滤波进行检测的成果，但是在小尺寸图像上针对其他的平滑滤波的识别还有待研究。


技术实现要素：

[0005]
目前的平滑滤波检测算法大多是在具有一定尺寸的图像上进行的，当图像尺寸过小时，由于统计量大幅减少，检测效果会急剧下降，为了解决该技术问题，本发明提供一种
基于量化差分共生矩阵的小尺寸图像平滑滤波检测算法。
[0006]
第一方面，本发明提供一种基于量化差分共生矩阵的平滑滤波检测特征提取方法，包括：
[0007]
步骤1：针对待特征提取图像i
n
，计算得到其8个差分方向(p,q)的差分图像其中p,q∈{
‑
1,0,1}；对每个所述差分图像进行量化，得到8个对应的量化后的差分图像
[0008]
步骤2：对每个所述差分图像和每个所述量化后的差分图像中的差分值进行截断处理，其中，截断阈值为[
‑
t,t]；
[0009]
步骤3：针对截断处理后的每个所述差分图像和每个所述量化后的差分图像分别计算对应的共生矩阵，并分别记作差分共生矩阵和量化差分共生矩阵；
[0010]
步骤4：对水平/垂直方向和对角线方向的差分共生矩阵分别进行平均处理，得到两个共生矩阵m
h/v
和m
d
；对水平/垂直方向和对角线方向的量化差分共生矩阵分别进行平均处理，得到两个共生矩阵m
′
h/v
和m
′
d
；
[0011]
步骤5：将四个共生矩阵m
h/v
、m
′
h/v
、m
d
、m
′
d
组合为4
×
(2t+1)3维的特征w作为待特征提取图像i
n
的检测特征。
[0012]
进一步地，按照公式(5)对每个所述差分图像进行量化：
[0013][0014]
其中，表示差分图像中坐标为(x,y)像素点的差分值，表示量化后的差分图像中坐标为(x,y)像素点的差分值，k表示量化参数，k为大于1的整数，[
·
]为四舍五入取整操作。
[0015]
进一步地，按照公式(6)和公式(7)计算得到差分共生矩阵和量化差分共生矩阵
[0016][0017][0018]
其中，表示差分图像中坐标为(x,y)像素点的差分值，表示量化后的差分图像中坐标为(x,y)像素点的差分值，c1,c2,c3∈{
‑
t,
…
,t}，z为差分图像i
d
中所有三元组的数量，|
·
|表示集合
·
中元素的数量。
[0019]
进一步地，按照公式(8)至公式(11)计算得到四个共生矩阵m
h/v
、m
′
h/v
、m
d
、m
′
d
：
[0020][0021][0022][0023][0024]
其中，和分别表示差分共生矩阵和量化差分共生矩阵。
[0025]
第二方面，本发明提供一种基于量化差分共生矩阵的小尺寸图像平滑滤波检测算法，包括：
[0026]
步骤1：构建四类训练图像集，分别为：原始图像集、中值滤波图像集、均值滤波图像集以及高斯滤波图像集；
[0027]
步骤2：针对每类训练图像集，对其中的每一幅训练图像赋予对应的类型标签，并按照如权利要求1至4任一所述的基于量化差分共生矩阵的平滑滤波检测特征提取方法提取每一幅训练图像的检测特征，将每一幅训练图像的类型标签及其检测特征组成一个训练样本，最终得到四类训练样本集；所述类型标签用于指示训练图像所属的训练图像集；
[0028]
步骤3：将四类训练样本集中每两类训练样本集构建为一个训练组，共得到6个训练组；将每个训练组中的两类训练样本集采用机器学习的方法进行训练，得到其二分器模型，最终得到对应于6个训练组的6个二分类器模型；
[0029]
步骤4：按照如权利要求1至4任一所述的基于量化差分共生矩阵的平滑滤波检测特征提取方法提取待检测图像的检测特征，将所述检测特征输入到训练好的6个二分器模型，得到6个判别结果，采用多数投票法对6个所述判别结果进行投票得出最终的分类结果。
[0030]
第三方面，本发明提供一种基于分块平滑滤波检测的图像拼接区域定位方法，包括：
[0031]
步骤1：将待检测图像转换为灰色图像，设置检测窗口大小为z
×
z，通过所述检测窗口对所述灰色图像进行图像块划分；
[0032]
步骤2：采用如权利要求1至4任一所述的基于量化差分共生矩阵的平滑滤波检测特征提取方法提取检测窗口划分出的图像块的特征向量，并将特征向量输入到多分类器中，得到分类结果；所述多分类器是通过将采用如权利要求5所述的基于量化差分共生矩阵的小尺寸图像平滑滤波检测算法得到的6个二分类器进行并联得到的；
[0033]
步骤3：以步长为l滑动检测窗口遍历整幅待检测图像，其中1≤l≤z且l为整数，从而划分出许多重叠的图像块，每次滑动检测窗口时都按步骤2对图像块进行平滑滤波检测，窗口内的每个像素点记录下相应的分类结果；
[0034]
步骤4：采用多数投票法得到每个像素点的最终分类结果，根据每个像素点的最终分类结果确定与整幅待检测图像的平滑滤波表现不一致的区域为拼接区域。
[0035]
本发明的有益效果：
[0036]
本发明分析了在低统计量的情况下，差分共生矩阵作为统计特征对于三种常见的平滑滤波的分类性能，提出了基于量化差分共生矩阵的小尺寸图像平滑滤波检测算法，该
方法从相邻差分的联合分布关系出发，对多个方向和距离的差分进行量化并计算三元组共生矩阵，该特征能更好地体现线性滤波之间的差异性。在上述方法的基础上，提出了基于分块平滑滤波检测的图像拼接区域定位算法。实验结果表明，本发明方法在小尺寸图像上可有效地检测出中值滤波、均值滤波和高斯滤波，并在构建的拼接图像库上实现了篡改区域的定位。
附图说明
[0037]
图1为本发明实施例提供的不同平滑滤波图像的差分共生矩阵可视化示意图；
[0038]
图2为本发明实施例提供的不同平滑滤波图像的量化差分共生矩阵可视化示意图；
[0039]
图3为本发明实施例提供的mmd值统计结果示意图；
[0040]
图4为本发明实施例提供的基于量化差分共生矩阵的平滑滤波检测特征提取方法的流程示意图；
[0041]
图5为本发明实施例提供的基于量化差分共生矩阵的小尺寸图像平滑滤波检测算法的流程示意图；
[0042]
图6为本发明实施例提供的图像拼接篡改示例图；
[0043]
图7为本发明实施例提供的图像拼接区域定位测试图。
具体实施方式
[0044]
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0045]
在展开阐述本发明所提方法的具体技术方案之前，先对本发明的研发背景进行介绍。差分共生矩阵是一种常见的差分统计手段，针对一张图像i
n
先计算其差分图像i
d
，如式(1)所示；将差分值d进行截断处理，如式(2)所示；然后通过对差分图像上保持某一定距离的“差分对”进行统计得到，不仅描述了在差分图像上各个差分值的数量，同时体现了两个差分值(d
x,y
,d
x+p,y+q
)的联合分布情况，并以一个大小为t
×
t的矩阵m的形式给出统计结果，如式(3)所示。
[0046]
i
n
→
i
d
:d
x,y
＝n
x,y
‑
n
x+p,y+q
(1)
[0047]
式(1)中，n
x,y
表示图像i
n
中坐标为(x,y)像素点的灰度值n，d
x,y
表示差分图像i
d
中坐标为(x,y)像素点的差分值，(p,q)定义为差分方向，其取值为整数；
[0048][0049]
式(2)中，t为截断阈值；
[0050][0051]
式(3)中，c1，c2∈{
‑
l，
…
，t}，z为使矩阵所有元素之和为1的归一化系数，|
·
|表示
集合
·
中元素的数量。
[0052]
图1针对两幅大小为64
×
64的小尺寸图像，在截断阈值取[
‑
3,3]情况下，分别给出了原始图像、中值滤波图像、均值滤波图像和高斯滤波图像的差分共生矩阵可视化结果，矩阵中每一元素代表差分对(d1,d2)的统计频率，右侧标尺显示了各个灰度所对应的统计频率，可以看出在小尺寸图像上，统计样本数量较低，差分共生矩阵作为特征仍能很好的体现出原始图像、中值滤波和线性滤波这三类图像的差异。原始图像的差分共生矩阵的差分对统计频率主要集中在矩阵的四个角上；经过中值滤波处理后的图像，由于中值滤波独有的“streaking”特性，矩阵中的{(0,d),(d,0)|d∈(0,
±
1,
±
2,
±
3)}差分对统计频率有所提升，矩阵概率图呈“十”字型；经过线性滤波处理后，差分值(0,
±
1,
±
2)明显提升，在矩阵中心位置的差分对的统计频率有所上升。由此可见，由于引进了差分对的联合分布，差分共生矩阵作为检测特征在统计样本数量较少的情况下也能够有效地区分原始图像、中值滤波图像和线性滤波图像这三类图像。
[0053]
然而，虽然差分共生矩阵能够反映原始图像、中值滤波图像和线性滤波图像之间的差异性，但是对于两种线性滤波，即均值滤波和高斯滤波，由图1中可看出，这两种线性平滑滤波的差分共生矩阵表现相似。这是由于均值滤波和高斯滤波平滑策略相似，以及计算差分共生矩阵时进行的“截断”操作所造成的。
[0054]
均值滤波和高斯滤波平滑策略相似，均值滤波是将某一点像素及其领域内所有像素的均值替代该像素；高斯滤波计算某一点的灰度值是将该点及其领域内的像素经过“加权平均”得到的。这两种相似的策略导致图像分别经过均值滤波和高斯滤波处理后，差分绝对值较小的区域(饱和区域)表现相似，在差分绝对值较大的区域(纹理区域)则存在一定差异。因此度量均值滤波图像和高斯滤波图像，应该关注差分绝对值较大的区域，但是在计算差分共生矩阵前，为了控制矩阵大小，通常先对差分进行截断处理，设置阈值为[
‑
t,t]，若差分小于
‑
t则等于
‑
t，差分大于t则等于t，这种截断操作就忽略了差分绝对值较大的区域的信息，导致差分共生矩阵在区分均值滤波和高斯滤波时的分类性能较差。
[0055]
为了更有效地区分均值滤波和高斯滤波，本发明方法先对差分值进行量化后再计算差分共生矩阵，使其能够度量到差分绝对值较大的这一部分信息，进而体现上述两种线性滤波的差异性。
[0056]
实施例1
[0057]
基于上述的研发背景，如图4所示，本发明实施例提供一种基于量化差分共生矩阵的平滑滤波检测特征提取方法，其特征在于，包括：
[0058]
s101：针对待特征提取图像i
n
，计算得到其8个差分方向(p,q)的差分图像其中p,q∈{
‑
1,0,1}；对每个所述差分图像进行量化，得到8个对应的量化后的差分图像
[0059]
具体地，按照公式(4)计算得到待特征提取图像i
n
在8个差分方向(p,q)上的差分图像
[0060][0061]
其中，n
x,y
表示图像i
n
中坐标为(x,y)像素点的灰度值，表示差分图像中坐
标为(x,y)像素点的差分值；
[0062]
按照公式(5)对每个所述差分图像进行量化：
[0063][0064]
其中，表示差分图像中坐标为(x,y)像素点的差分值，表示量化后的差分图像中坐标为(x,y)像素点的差分值，k表示量化参数，k为大于1的整数，[
·
]为四舍五入取整操作。
[0065]
s102：对每个所述差分图像和每个所述量化后的差分图像中的差分值进行截断处理，其中，截断阈值为[
‑
t,t]；
[0066]
具体地，按照公式(2)所示进行截断处理：
[0067][0068]
其中，公式(2)中，统一采用“d”表示图像和图像中的差分值，sign表示符号函数，该符号函数的作用即：若d<
‑
t则d＝
‑
t，若d>t则d＝t。
[0069]
为了能够很好地体现滤波特性，并且能够相对控制特征的维数，本发明实施例中，设置t＝3。
[0070]
s103：针对截断处理后的每个所述差分图像和每个所述量化后的差分图像分别计算对应的共生矩阵，并分别记作差分共生矩阵和量化差分共生矩阵；
[0071]
具体地，按照公式(6)和公式(7)计算得到差分共生矩阵和量化差分共生矩阵
[0072][0073][0074]
其中，表示差分图像中坐标为(x,y)像素点的差分值，表示量化后的差分图像中坐标为(x,y)像素点的差分值，c1,c2,c3∈{
‑
t,
…
,t}，z为差分图像i
d
中所有三元组的数量，|
·
|表示集合
·
中元素的数量。
[0075]
s104：鉴于小尺寸图像的统计量小，统计特征表现不稳定，因此为了增加特征的稳定性，本步骤对水平/垂直(h/v)方向和对角线(d)方向的差分共生矩阵分别进行平均处理，得到两个共生矩阵m
h/v
和m
d
；对水平/垂直方向和对角线方向的量化差分共生矩阵分别进行平均处理，得到两个共生矩阵m
′
h/v
和m
′
d
；
[0076]
具体地，按照公式(8)至公式(11)计算得到四个共生矩阵m
h/v
、m
′
h/v
、m
d
、m
′
d
：
[0077][0078][0079][0080][0081]
s105：将四个共生矩阵m
h/v
、m
′
h/v
、m
d
、m
′
d
组合为4
×
(2t+1)3维的特征w作为待特征提取图像i
n
的检测特征。
[0082]
具体地，可以按照公式(12)进行组合得到特征w：
[0083]
w＝(m
h/v
,m
′
h/v
,m
d
,m
′
d
)
ꢀꢀ
(12)
[0084]
为了验证采用本发明实施例提供方法所提取的检测特征的有效性，图2给出了量化差分后的共生矩阵统计图，量化参数k取值为15，由于自然图像像素之间具有强相关性，所以在一幅图像中差分幅值较小的数量所占比例较大，并且差分经过量化后，差分对(0,0)的统计频率会明显增加。为了使统计图更加直观，舍去差分对(0,0)的展示。对比图1，在未经量化的差分共生矩阵(如图1所示)的四个“角”的统计频率较高，因为“截断”操作使得较大或较小的差分值均被定义为了t或
‑
t；而图2中，经过量化后的差分共生矩阵的四个“角”的统计频率均有所下降，图像中幅值较大的差分更多地出现在矩阵的中心区域。其中观察到经过三种平滑滤波后，矩阵的左下角和右上角的统计数量明显下降，差分对(|d
′1|,
‑
|d
′2|)和(
‑
|d
′1|,|d
′2|)的出现频率下降，说明像素相关性增强。中值滤波由于独有的“streaking”特性，与两种线性滤波相比，差分对(0,d
′
)和(d
′
,0)的出现频率更高。尤其是，差分经过量化后，均值滤波和高斯滤波的差分共生矩阵已存在一定差异：均值滤波的差分对出现频率更加向矩阵的中心聚拢，矩阵中心区域的差分对出现频率差异明显，而高斯滤波的差分对出现频率分布在矩阵的斜对角上，与均值滤波相比出现频率分布更加均匀。
[0085]
为了进一步更好地验证量化后的差分共生矩阵在体现线性滤波差异方面具有普适性，针对10000张图像采用最大平均差异(maximum mean discrepancy，mmd)标准来衡量量化前后的差分共生矩阵对于线性滤波的可分性，以此来刻画特征的性能。mmd的计算表达式如式(13)所示：
[0086][0087]
其中，x
i
表示第i幅均值滤波图像提取的特征，y
i
表示第i幅高斯滤波图像提取的特征，(m,n)表示均值滤波图像和高斯滤波图像的数量，k(
·
,
·
)为径向基(rbf)函数。原始差分共生矩阵作为特征1，原始差分共生矩阵和量化差分共生矩阵组合为特征2，分别将特征1和特征2作为从图像中提取的检测特征，计算均值滤波图像和高斯滤波图像之间的mmd值，当mmd值越大，表示特征对均值滤波图像和高斯滤波图像的区分性能越好。图3给出了mmd值统计结果，可以看出，从不同尺寸的均值滤波图像和高斯滤波图像中提取的加入了量化差分共生矩阵特征的mmd值均高于未经量化的原始差分共生矩阵，说明加入了量化差分共生
矩阵的特征更能体现均值滤波和高斯滤波之间的差异，针对这两类图像的分类性能更好。
[0088]
实施例2
[0089]
在上述实施例1的基础上，如图5所示，本发明实施例还提供一种基于量化差分共生矩阵的小尺寸图像平滑滤波检测算法，包括训练和测试两个阶段，通过采用多分类器模型实现对原始图像和各类平滑滤波图像的检测，具体包括如下步骤：
[0090]
训练阶段：
[0091]
s201：构建四类训练图像集，分别为：原始图像集(i
ori
)、中值滤波图像集(i
mf
)、均值滤波图像集(i
af
)以及高斯滤波图像集(i
gf
)；
[0092]
s202：针对每类训练图像集，对其中的每一幅训练图像赋予对应的类型标签，并按照上述的基于量化差分共生矩阵的平滑滤波检测特征提取方法提取每一幅训练图像的检测特征，将每一幅训练图像的类型标签及其检测特征组成一个训练样本，最终得到四类训练样本集；所述类型标签用于指示训练图像所属的训练图像集；
[0093]
s203：将四类训练样本集中每两类训练样本集构建为一个训练组，共得到6个训练组；将每个训练组中的两类训练样本集采用机器学习的方法进行训练，得到其二分器模型，最终得到对应于6个训练组的6个二分类器模型；
[0094]
测试阶段：
[0095]
s204：按照上述的基于量化差分共生矩阵的平滑滤波检测特征提取方法提取待检测图像的检测特征，将所述检测特征输入到训练好的6个二分器模型，得到6个判别结果，采用多数投票法对6个所述判别结果进行投票得出最终的分类结果。
[0096]
实施例3
[0097]
传统的基于局部特征表现不一致的图像拼接区域定位算法，一般是将图像划分为不重叠的图像块，再对每一个图像块进行局部特征检测，最后确定与全局特征不一致的图像块。这种定位方法会因图像块大小的限制使定位精度受到影响，因为划分的图像块不重叠，当图像块尺寸过小时，由于统计样本过少从而使识别正确率不理想；当图像块尺寸过大时，拼接区域边缘的定位精度会降低。针对现有方法的上述缺陷，本发明实施例还提供一种基于分块平滑滤波检测的图像拼接区域定位方法，包括以下步骤：
[0098]
s301：将待检测图像转换为灰色图像，设置检测窗口大小为z
×
z，通过所述检测窗口对所述灰色图像进行图像块划分；
[0099]
s302：采用上述的基于量化差分共生矩阵的平滑滤波检测特征提取方法提取检测窗口划分出的图像块的特征向量，并将特征向量输入到多分类器中，得到分类结果；所述多分类器是通过将采用上述的基于量化差分共生矩阵的小尺寸图像平滑滤波检测算法得到的6个二分类器进行并联得到的；
[0100]
s303：以步长为l滑动检测窗口遍历整幅待检测图像，其中1≤l≤z且l为整数，从而划分出许多重叠的图像块，每次滑动检测窗口时都按步骤s302对图像块进行平滑滤波检测，窗口内的每个像素点记录下相应的分类结果；
[0101]
s304：图像经过检测窗口遍历后，像素点记录了多个分类结果；本步骤采用多数投票法得到每个像素点的最终分类结果，根据每个像素点的最终分类结果确定与整幅待检测图像的平滑滤波表现不一致的区域为拼接区域。
[0102]
具体地，拼接区域通常具有一定的大小和形状，剔除掉饱和块(方差为零)，并进行
形态闭合处理，最终确定拼接区域。
[0103]
本发明实施例提供的拼接区域定位方法可以应用于下述拼接“伪造”场景：(1)拼接图像包含原图区域和拼接区域两个部分，其中拼接区域来自于经过某一种平滑滤波处理(或未经平滑处理)的图像，而背景区域未经过平滑处理(或经过某一种平滑滤波处理)。(2)拼接图像的背景区域和拼接区域都来自未经平滑处理的图像，但伪造者为了掩盖拼接留下的痕迹，对拼接区域进行了平滑处理。上述两类场景都会使“伪造”图像局部具有不同的平滑滤波表现，因此可以基于分块平滑滤波检测对拼接图像实施取证并定位篡改区域。
[0104]
为了验证本发明方法的有效性，本发明还提供有下述实验数据。
[0105]
实验数据库来自boss和nrcs两个公开图像库，从两个图像库中各选取3000张图像，将这6000张图像视为未经处理的原始图像集，记为i
ori
；对i
ori
进行中值滤波处理，平滑窗口大小随机设置为3
×
3和5
×
5，得到中值滤波图像集，记为i
mf
；对i
ori
进行均值滤波处理，平滑窗口大小随机设置为3
×
3和5
×
5，得到均值滤波图像集，记为i
af
；对i
ori
进行高斯滤波处理，标准差σ值随机设置为0.7和1.0，得到高斯滤波图像集，记为i
gf
。之后沿中心裁剪，将{i
ori
,i
mf
,i
af
,i
gf
}这四类图像分别裁剪为128
×
128、64
×
64、32
×
32、16
×
16尺寸的图像集。
[0106]
针对每一类图像集，随机选取50％作为训练集用于训练分类器模型，剩下的50％作为测试集用于测试分类性能，分类器采用集成分类器。
[0107]
(1)量化参数的选择
[0108]
基于量化差分共生矩阵的检测特征的构建涉及到对差分进行量化的参数k，如果参数k设置的过小，能够度量到的差分幅值就越小，导致均值滤波和高斯滤波的区分性能无法达到理想状态；如果参数k设置的过大，则量化后的差分值d
′
x,y
所包含的d
x,y
过多，d
′
x,y
和d
x,y
关系见式(5)，这种情况下就无法精确地体现像素相关性的信息，同样会使分类性能下降。为了正确地设置算法的参数，使得特征的平滑滤波检测性能达到最佳，通过实验来选择合适的参数k。
[0109]
从四类图像集{i
ori
,i
mf
,i
af
,i
gf
}中，采用本发明提供的基于量化差分共生矩阵的平滑滤波检测特征提取方法提取特征，量化参数分别设置为k∈(1,5,10,15,20,25,30)，之后基于上述量化参数所提取的特征对平滑滤波进行检测。表1给出了在不同尺寸图像上进行测试的结果，其中k＝1表示未对差分进行量化，可以看出未经过量化的差分共生矩阵作为特征检测平滑滤波的平均错误率，高于引入了量化差分共生矩阵特征的检测平均错误率，说明本发明提出的组合特征能更有效地检测平滑滤波。其次，在四种不同尺寸的图像上，都是当量化参数k＝15时，检测平均错误率达到最低值。因此，本发明的量化参数选取k＝15。
[0110]
表1不同量化参数k的平滑滤波检测平均错误率(％)
[0111]
[0112]
(2)小尺寸图像的平滑滤波检测
[0113]
本组实验测试所提方法在小尺寸图像上的平滑滤波检测性能，分别从boss和nrcs两个数据库中重新各选取3000张图像，按第(1)节实验设置中的操作生成{i
ori
,i
mf
,i
af
,i
gf
}这四类图像集，并分别沿中心裁剪为128
×
128、64
×
64、32
×
32、16
×
16尺寸。之后采用本发明提供的基于量化差分共生矩阵的平滑滤波检测特征提取方法和基于量化差分共生矩阵的小尺寸图像平滑滤波检测算法所提方法，从各类图像的训练集中提取特征，输入相对应的分类器中进行训练，得到6个二类分器，组合为多分类器，最后输入各类图像的测试集，检验所提算法的检测性能。
[0114]
表2给出了现有方法对各类图像实施检测的错误率，包括文1的spam、文2的mff、文3方法、文4方法、本发明方法，可以看出本发明所提方法针对小尺寸图像的平滑滤波检测效果良好，在128
×
128和64
×
64尺寸的图像上，针对原始图像和中值滤波图像的识别正确率均达到99％以上，而区分均值滤波图像和高斯滤波图像时虽有大约3％和8％误判率，但基本可以满足小尺寸图像场景下的平滑滤波检测。在16
×
16尺寸图像的上，由于图像尺寸过小的原因，图像所包含的纹理较少，容易出现饱和图像，导致大约5％的原始图像误判为经过线性滤波处理的图像，并且均值滤波图像和高斯滤波图像之间的区分性能也由于尺寸过小，分类正确率有所下降。
[0115]
与其他方法相比，本发明方法在不同尺寸的图像上，针对各类图像的检测错误率低于其他四种方法，可以看出mff、文3方法、文4方法在小尺寸图像上的平滑滤波检测效果并不理想。而spam同样是采用差分共生矩阵作为检测特征，该特征针对原始图像和中值滤波图像的检测性能与本发明方法的效果相当，但因为本发明所提特征加入了量化差分共生矩阵，提升了针对均值滤波和高斯滤波的分类性能，特别是在32
×
32和16
×
16尺寸的图像上，针对均值滤波和高斯滤波的检测性能与spam特征相比提升更为明显。
[0116]
表2现有方法和本发明方法的平滑滤波检测错误率(％)
[0117][0118]
(3)图像拼接区域定位测试
[0119]
基于实施例3中描述的两个“伪造”场景，构建了包含10张拼接图像的图像集，这10张伪造图像的拼接素材取自raise图像库(文5：dang
‑
nguyen d t,pasquini c,conotter v,et al.raise:a raw images dataset for digital image forensics[c]//acm multimedia systems conference,2015:219
‑
224)，raise公开图像库为未经处理的彩色图像，图像尺寸为4288
×
2848或2848
×
4288。本组实验从该图像库中选取素材，对其进行不同滤波的平滑处理，之后拼接到另一张图像上合成伪造图像，最后将伪造图像转化为灰度图像。如图6所示，对拼接素材平滑处理后将图像中的“路牌”抠出，之后拼接到原图中，合成伪造图像。
[0120]
首先，实验需要确定拼接检测的参数，即平滑检测窗口大小z和窗口滑动步长l。表3给出了采用不同z和l时，对10张拼接图像进行检测的像素级平均正确率，可以看出当l一定时，检测窗口的大小为64
×
64的检测精度高于另外两个窗口大小的精度；当窗口大小z一定时，滑动步长l越小，检测精度越高，但同时随着l的减小，检测算法所消耗的时间呈指数上升。考虑到检测精度和耗时两方面因素，本组实验检测参数选择z＝64
×
64和l＝8。
[0121]
表3不同检测窗口和滑动步长的检测平均正确率(％)
[0122][0123]
图7展示了部分拼接图像和检测结果，第一列为原图，第二列为拼接图像，第三列为拼接区域示意图，第四列为检测结果。其中原图或拼接区域经过不同的平滑滤波处理，构造原图区域和拼接区域的平滑滤波表现不一致的场景。可以看出在该场景下，本发明提出的图像拼接区域定位算法检测效果良好，通过检测结果基本可以判定测试图像是否为经过拼接的伪造图像，并定位拼接区域。
[0124]
针对小尺寸图像的平滑滤波检测，本发明提出了基于量化差分共生矩阵的检测算法，分析了小尺寸图像上统计差分共生矩阵对不同平滑滤波的可分性，指出了该方法对于两种线性滤波的分类性能较差，并针对该问题提出了量化差分共生矩阵的检测特征，该特征有效度量了均值滤波和高斯滤波的之间的差异性，提升了这两种线性滤波的区分能力，进而提出了基于量化差分共生矩阵的平滑滤波检测算法和基于分块平滑滤波检测的图像拼接区域定位算法。
[0125]
实验结果表明，本发明提出的方法对三种常见的平滑滤波——中值滤波、均值滤波、高斯滤波的检测性能优异，并且在小尺寸图像上同样具有良好的检测效果，优于现有方法。另外，本发明提出的拼接区域定位算法可精确定位篡改区域至像素级，对拼接区域边缘的定位更为精准。同时该检测算法可应对多种平滑滤波操作，应用场景更为广泛。
[0126]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和
范围。