基于频域局部统计模型的数字图像拼接被动检测方法
【技术领域】
[0001] 本发明涉及数字图像处理技术领域，具体是一种基于频域局部统计模型的数字图 像拼接被动检测方法。
【背景技术】
[0002] 随着电子信息技术的快速发展，数字图像以其信息量大、可视性强等优点，广泛应 用于科学研宄、新闻报道和广告策划等领域。在日常生活和工作中，大多数人对数字图像的 编辑和修饰只是为了满足某些现实需求，但也有一些不法分子怀有某种恶意目的去伪造和 散布一些肉眼难以区分的数字伪造图像，从而误导公众，给个人和社会造成严重的不良影 响。因此，数字图像真伪鉴定在司法鉴定和版权保护等领域有着十分重要的意义。当前的 数字图像篡改检测技术大致可分为两大类，即主动篡改检测方法和被动篡改检测方法。传 统的主动篡改检测方法是将数字水印或数字签名嵌入数字图像，通过检测数字水印或数字 签名的改变来鉴定图像的真实性；被动图像篡改检测方法不需要图像的先验信息，而是利 用图像本身的特征进行分析。与主动篡改检测方法相比，被动篡改检测方法具有较高的实 用价值和较广阔的应用前景。
[0003] 数字图像拼接是图像内容篡改中最常见的一种技法，是指在多幅数字图像之间进 行复制一一粘贴处理以产生伪造数字图像的篡改操作。一幅原始数字图像在空间域和频域 (变换域）往往存在一些内在的关联性，而拼接操作本身会或多或少地破坏这些底层统计 特性。
[0004] 经文献检索发现，ShiYun-Qing、ChenChun-Hua和ChenWen在论文"Anatural imagemodelapproachtosplicingdetection"（《基于自然图像模型的图像拼接检测 方法》）（Proceedingsofthe9thACMWorkshoponMultimedia&Security，2007:51 - 62) (ACM多媒体与安全国际学术会议）中提出了一种图像拼接被动检测方法，该方法分别从 图像的分块离散余弦变换（BlockDiscreteCosineTransform，BDCT)域和离散小波变换 (DiscreteWaveletTransform，DWT)域进行统计建模，提取BDCT域Markov特征和DWT域 特征函数的Moment特征来区分真实图像和拼接图像；
[0005] 另经文献检索发现，HeZhong-Wei、LuWei和SunWei等在论文"Digital imagesplicingdetectionbasedonMarkovfeaturesinDCTandDWTdomain" （〈〈基 于DCT域和DWT域Markov特征的数字图像拼接检测》）（PatternRecogniti on，2012, 45 (12) : 4292 - 4299)(模式识别杂志）中从变换域图像特征分析角度对图像拼接 检测展开进一步研宄，该文利用Markov转移概率刻画拼接引起的图像BDCT系数和DWT系 数的统计特性变化，对数字拼接图像进行鉴定。实验结果表明，DWT域Markov特征和BDCT 域Markov特征的有机结合能够有效地改善单一变换域特征的检测性能，然而所提取的高 维统计特征也加大了算法的计算复杂度。总的来说，上述两种方法不仅具有较高的计算复 杂度，而且在检测精度上仍需一定的提升空间。
[0006] 再经文献检索发现，TanXiao-Yang和TriggsBill在论文"Enhanced localtexturefeaturesetsforfacerecognitionunderdifficultlighting conditions"（《复杂光照环境下面向人脸识别的增强局部纹理特征集》）（IEEE TransactionsonImageProcessing, 2010, 19(6) : 1635 - 1650)(IEEE图像处理汇刊）中提 出了一种面向人脸识别的空间域局部三值模式（LocalTernaryPattern，LTP)特征建模方 法。
[0007] 空间域LTP特征建模过程如下所述：给定大小为(^〇2的图像I，设g。是图像I中 半径为R的圆形L邻域上的中心像素点，其坐标为（x。，y。）（0 <Qrl，0 <Q2_1)， gl(l= 0, 1，2,…，L-l)是以像素点g。为中心、半径为R的圆形L邻域上的采样点，其坐标为 (xc+RC〇S (2Jr1/L)，ye-Rsin(2Jr1/L))。若存在gl (1 = 0, 1，2,…，L-1)的坐标不能刚好落 在图像I的像素点位置，那么该gl的取值可以通过其邻域像素进行双线性插值计算得到。 对中心像素点g。所对应的半径为R的L邻域中的所有元素进行三值化，得到三值序列
[0008] LTPl；e(xc,yc) ={t(g〇-gc),t(g^g^ , ???,t(gL_rgc)}
[0009] 其中，g。为中心像素点，gpgp. . .、gM为经双线性插值计算得到的以像素点g。为 中心、半径为R的圆形L邻域上的采样点；t(w)为三值编码函数，其计算公式如下：
[0011] 其中，e是阈值，可以根据实际需要进行设定。
[0012] 对给定图像I上的每个像素点（xe，y。）（0彡X。彡Q「1，0彡y#Q2_l)，分别将 其作为中心像素点，利用上述方法计算其半径为R的圆形L邻域上所对应的三值序列 LTPl，k(x。，y。）；将这些三值序列分别分解为两个二值分量LTPl，k，p(x。，y。）和LTPl，k，n(x。，yc)， 其中LTPuk，p(x。，y。）是将原始三值序列LTPUK(x。，y。）中的"-1"编码成"0"得到， LTPUN (x。，y。）则是将原始三值序列LTPUK (x。，y。）中的" 1"编码成" 0 "，将" -1"编码成 "1"得到；再分别将LTPUK，P(Xc;，y。）和LTPUK，N(Xc;，y。）作为二进制序列，按照二进制转十进 制的计算方法，将其转换为十进制码，记作LTPCuk，p(x。，y。）和LTPCUK，N(x。，y。）。按照上述 LTPCuk，p(X。，y。）码和LTPCUK，N(x。，y。）码的计算步骤对图像I上所有像素点进行处理，再根 据下式计算图像I的空间域LTP特征F:
[0013] F= {HL；E；a (k) |aG{P,N},kG[0,2L-1]},
[0015] 其中，HUK，P和\"依次分别表示十进制码LTPCuk，p和十进制码LTPCUK，N的直方 图，S函数定义为
[0017] 给定一幅图像，按照上述空间域LTP特征建模方法得到的空间域LTP直方图维数 为2lX2,而一般的LTP特征建模方法的直方图维数为该方法具有计算量小、存储空间 小的优点。但是，基于空间域LTP特征建模方法得到的直方图特征与图像内容具有较大的 相关性，不能很好地体现图像拼接过程中产生的边缘细节信息，导致基于空间域LTP特征 建模方法的数字图像拼接检测精度较低，有效性有待加强。
【发明内容】
[0018] 本发明的目的在于针对上述现有技术的不足，提出一种基于频域局部统计模型的 数字图像拼接被动检测方法，不仅具有较高的检测正确率，而且计算复杂度也有了较大的 提尚。
[0019] 本发明是通过以下技术方案实现的：
[0020] 自然图像的频域系数（如BDCT系数和DWT系数）往往具有一定的局部相关性， 图像篡改往往会使这些局部相关性发生变化，而LTP特征能够较好地描述图像局部统计特 性，对BDCT系数和DWT系数，利用这个特点进行LTP特征提取。首先分别提取自然图像的 BDCT域LTP特征和DWT域LTP特征，然后将所提取的BDCT域LTP特征和DWT域LTP特征 进行组合，得到的组合特征用于图像拼接检测，再利用核主成分分析（KernelPrincipal ComponentAnalysis，KPCA)对所获得的组合特征进行降维处理以提高算法的计算效率，最 后通过支持向量机（SupportVectorMachine，SVM)分类判决技术对图像的真伪性进行鉴 定。
[0021] 一种基于频域局部统计模型的数字图像拼接被动检测方法，具体包括如下步骤：
[0022] ①提取训练集中的图像的频域LTP特征，具体是：
[0023] 1)将大小为QiXQ2的图像划分为
个互不重叠且大小 为bXb的图像块，得到分块矩阵
[0025] 其中，乂'5表不分块大小为bXb的图像分块矩阵，
表不大小为 bXb的图像像素矩阵，bG{4, 8, 16};
[0026] 2)对每一个图像像素矩阵;^实施二维DCT变换，得到分块大小为bXb的BDCT系 数矩阵
[0028] 其中，Yb表示分块大小为bXb的BDCT系数矩阵，
表 示大小为bXb的DCT系数矩阵，bG{4, 8, 16}，其中，矩阵C的元素为
[0030] 3)选取邻域元素数目L= 8、半径RG{1，2}和e= 〇. 9,对取绝对值后的BDCT 系数矩阵Yb(be{4, 8, 16})进行LTP特征提取，再将所得的LTP特征进行组合，得到BDCT域的LTP特征：
[0032] 4)选取Meyer小波函数对图像进行一级小波变换，得到图像的低频子带、水平高 频子带、竖直高频子带和对角高频子带，依次分别记作CA、CH、CV和CD;
[0033] 5)选取邻域元素数目L= 8、半径R= 1和e= 1. 5,分别计算取绝对值后的子带 CH的LTP特征、取绝对值后的子带CV的LTP特征和取绝对值后的子带CD的LTP特征，依 次分别记作Fg、Fg和;然后将这三个子带的LTP特征进行组合，得到DWT域LTP特 征：
[0035] 6)将步骤3)中的BDCT域LTP特征和步骤5)中的DWT域LTP特征进行组合，得到 用于图像拼接检测的频域LTP特征
[0036] n={nf|f G{BDCT，DWT}}。
[0037] ②对频域LTP特征进行规范化处理，利用KPCA对规范化后的频域LTP特征进行降 维处理；
[0038] ③将降维后的特征输入SVM分类器进行训练，保存已训练好的分类器；
[0039] ④提取待测图像的频域LTP特征，并进行规范化和降维处理；
[0040] ⑤利用步骤③训练好的SVM分类器与步骤④得到降维特征进行比较，以鉴定待测 图像的真伪性。
[0041] 所述的SVM分类过程，包括以下步骤：
[0042] 1)用一些已知类别的图像构成训练集（包括真实图像和拼接图像），对训练集的 每一幅图像提取上述频域LTP特征，并用不同的标志位来标志其图像所属类别，例如真实 图像用标志位"-1"表示，拼接图像用标志位" 1"表示；
[0043] 2)SVM分类器核函数选用径向基函数，首先使用KPCA对规范化处理后的训练集特 征进行降维处理，然后将降维后的训练集特征送入SVM，获得交叉验证准确率最高的最优参 数c和丫，并用它们训练SVM;
[0044] 3)提取待测图像的频域LTP特征，对其进行规范化和KPCA降维处