CN102609891B - 一种基于纹理特征的数字图像被动盲取证方法 - Google Patents

Abstract

本发明公开了一种基于纹理特征的图像被动盲取证方法，特征是选用图像纹理平均值、纹理标准差、纹理平滑度、纹理三阶矩、纹理一致性和纹理熵这六个纹理特征量来表示图像内容。相比现有选用图像变换域的间接特征量来代表图像内容信息的方法，本发明直接选取图像纹理特征表示图像信息，更能将图像的信息充分地表示出来；本发明相对现有的方法降低了特征量的维数，本发明选取的纹理特征具有层次性、尺度性和平移不变性等特点，提高了图像篡改取证检测率以及鲁棒性，可应用于图像的内容真实性的鉴别等领域。

Description

一种基于纹理特征的数字图像被动盲取证方法

技术领域

本发明属于信号与信息处理技术领域，具体涉及对图像伪造中复制-粘贴篡改基于纹理特征的被动盲取证方法。

背景技术

数字时代的来临在给人们带来享受超前视觉效果的同时，也使一些不法分子可以通过网络等媒体传播一些伪造和篡改的图像，对个人和社会造成负面影响。所以，数字时代在方便人们的同时也成为了一把“双刃剑”。数字图像复制-粘贴篡改是一种最为常见的图像伪造手段，一般可分为两大类：一类是对同一幅图像的复制-粘贴篡改伪造；另一类是对不同图像间的复制-粘贴篡改伪造。

现有针对同一幅图像的复制-粘贴篡改取证的方法有：

在2004年美国达特茅茨大学计算机科学技术报告会议上提出的一种基于主成分分析(PCA)的数字图像复制-粘贴被动盲取证方法，采用图像变换域特征量来表示图像内容，存在着鲁棒性差的缺陷。

2005年举办的电气电子工程学会（IEEE）信息处理国际会议文集第五十三卷第二期第758-767页提出的基于离散余弦变换(DCT)系数的复制-粘贴篡改被动盲取证方法，虽然实现了对图像复制-粘贴篡改的取证，但其存在着计算量大的缺陷。

2007年举办的电气电子工程学会（IEEE）多媒体信息与取证技术国际会议文集第三期第1750-1753页提出的基于小波和奇异值分解的图像复制伪造区域被动盲取证方法，虽然进一步降低了取证方法的计算量，但是仍然无法针对实际中较大的图像进行快速取证。

2007年中国《计算机学报》第三十卷十一期第1998-2007页提到的一种基于主转移向量的数字图像复制-粘贴篡改被动盲取证方法只能对单一格式的图像篡改进行取证。

2011年中国《计算机应用》第三十一卷第六期第1621-1630页提出的一种基于灰度共生矩的图像区域复制篡改取证方法，存在着计算量较大和鲁棒性差的缺陷。

发明内容

本发明的目的是提出一种基于纹理特征的图像被动盲取证方法，以克服现有技术的上述缺陷，提高对图像篡改取证检测率以及鲁棒性，使该方法能够应用于图像的内容真实性的鉴别等领域。

本发明基于纹理特征的数字图像被动盲取证方法，其特征在于：

首先进行纹理特征提取：

第一步、对待检测的可疑图像进行灰度判决，如果为非灰度图像，则将其转换为灰度图像；

第二步、将转换为灰度图像后的待检测图像的纹理部分剪裁出来；

第三步、将剪裁得到的灰度图像纹理部分进行重叠分块；第四步、根据下列公式分别计算出每一个纹理子块的纹理平均值、纹理标准差、纹理平滑度、三阶矩、纹理一致性和纹理熵，作为每一个子块的特征统计量，来代表每一个纹理子块内容信息：

1)纹理平均值公式

$\mathrm{ave}=\frac{1}{s\×s}\underset{x,y}{\mathrm{\Σ}}n(x,y)$

式中ave为纹理平均值，s×s为纹理子块的大小，n(x,y)为(x,y)点的灰度值；

2)纹理标准差公式

$\mathrm{var}=\underset{x,y}{\mathrm{\Σ}}{[n(x,y)-\mathrm{ave}]}^2/(s\×s)$

式中var为纹理标准差；

3)纹理平滑度公式

$P=1-\frac{1}{1+\frac{{\mathrm{var}}^2}{{(L-1)}^2}}$

式中P为纹理平滑度，L为纹理灰度级；

4)三阶矩公式

$S=\frac{E{(n(x,y)-\mathrm{ave})}^3}{{\mathrm{var}}^3}$

式中S为纹理三阶矩，E表示取统计均值的运算；

5)纹理一致性公式

K=∑(p²)

式中K为纹理一致性，p为纹理直方图均值；

6)纹理熵公式

$E=-\underset{x,y}{\mathrm{\Σ}}{p}_{x,y}\mathrm{lo}{g}_2\left(p_{x,y}\right)$

式中E为纹理熵，p_x,y为(x,y)点的分布概率；

接着进行纹理特征相似匹配，具体包含以下步骤：

第五步、将得到的每一个子块的特征量进行归一化处理；

第六步、设归一化后的纹理特征子块的特征向量为(ave_i,var_i,P_i,S_i,K_i,E_i)，其中，i=(M-b+1)×(N-b+1)，将纹理特征子块向量按顺序排列得到N_w×6的特征矩阵，得到排序后的特征矩阵T，T_i表示特征矩阵T中的一行，i=1,2…N_w，M，N表示测试图像纹理区域的大小，b为检测窗口的大小，N_w表示测试图像中包含的子块的数目；

第七步、遍历特征矩阵T，计算特征矩阵T中相邻两行坐标值的偏移量，得到偏移量矩阵；

第八步、按照下列相似性判决准则公式

对得到的偏移量矩阵的每一行进行相似性匹配；式中，D表示计算两向量的欧氏距离，S_i、S_j为偏移矩阵中的行向量，δ为判决阀值；

第九步、将小于判决阀值的的行向量所对应的图像纹理部分中的位置进行标记为1，不满足判决阀值的行向量对应的纹理部分的位置标记为0；

第十步、对取证过程中产生的非连通区域，先对其进行形态学开操作然后再对其进行形态学闭操作进行消除。

本发明方法中选取了每一个纹理子块的纹理平均值、纹理标准差、纹理平滑度、三阶矩、纹理一致性和纹理熵这六个纹理统计量作为图像子块的特征向量，而现有方法最少须选取七个特征量作为图像子块的特征向量，所以本发明相对现有的方法降低了特征量的维数。由于本发明直接选取图像的六个纹理特征量来表示图像内容信息，相比现有方法都选用图像变换域的间接特征量来代表图像内容信息，更能将图像的信息充分地表示出来。由于本发明选取的纹理特征具有层次性、尺度性和平移不变性等特点，这些纹理特征的特点可以增强该方法的鲁棒性，可应用于图像的内容真实性的鉴别等领域。

附图说明

图1为本发明基于纹理特征的图像被动盲取证方法的流程原理示意图。

具体实施方式

实施例1：

本实施例应用数字图像被动盲取证技术对可疑图像的内容真实性进行取证。图1给出了本发明基于纹理特征的图像被动盲取证方法的流程原理示意图。现参照图1对本实施例基于纹理特征的图像被动盲取证方法的具体操作过程介绍如下：

首先进行纹理特征提取：

第一步、判决步骤A，对待检测的可疑图像P进行灰度判决，如果待检测图像为非灰度图像，将待检测图像P转换为灰度图像；

第二步、剪裁步骤B，将判决后的待检测图像的纹理部分剪裁出来，舍去那些剪裁后小于分块窗口一半的边缘部分；

第三步、分块步骤C，将剪裁得到的灰度图像纹理部分进行重叠分块，具体操作为：以b×b大小的窗口从上下自左到右每次滑动一个像素，设待检测图像纹理部分大小为M×N，那么得到的子块数量为(M-b+1)(N-b+1)；

第四步、特征统计量计算步骤D，根据下列纹理公式分别计算出每一个纹理子块的纹理平均值、纹理标准差、纹理平滑度、三阶矩、纹理一致性及纹理熵，作为每一个子块的特征统计量，来代表每一个纹理子块内容信息：

1)纹理平均值公式

$\mathrm{ave}=\frac{1}{s\×s}\underset{x,y}{\mathrm{\Σ}}n(x,y)$

式中ave为纹理平均值，s×s为纹理子块的大小，n(x,y)为(x,y)点的灰度值；

2)纹理标准差公式

$\mathrm{var}=\underset{x,y}{\mathrm{\Σ}}{[n(x,y)-\mathrm{ave}]}^2/(s\×s)$

式中,var为纹理标准差；

3)纹理平滑度公式

$P=1-\frac{1}{1+\frac{{\mathrm{var}}^2}{{(L-1)}^2}}$

式中P为纹理平滑度，L为纹理灰度级；

4)三阶矩公式

$S=\frac{E{(n(x,y)-\mathrm{ave})}^3}{{\mathrm{var}}^3}$

式中S为纹理三阶矩，E表示取统计均值的运算；

5)纹理一致性公式

K=∑(p²)

式中K为纹理一致性，p为纹理直方图均值；

6)纹理熵公式

$E=-\underset{x,y}{\mathrm{\Σ}}{p}_{x,y}\mathrm{lo}{g}_2\left(p_{x,y}\right)$

式中E为纹理熵，p_x,y为(x,y)点的分布概率；

接着进行纹理特征相似匹配，具体包含以下步骤：

第五步、归一化步骤E，将得到的每一个子块的特征量进行归一化处理；

第六步、排序步骤F，设归一化后的纹理特征子块的特征向量为(ave_i,var_i,P_i,S_i,K_i,E_i)，其中，i=(M-b+1)×(N-b+1)；将纹理特征子块向量按顺寻排列得到N_w×6的特征矩阵，然后将该特征矩阵按行进行排序，得到特征矩阵T，T_i表示特征矩阵T中的一行，i=1,2…N_w，M，N表示测试图像纹理区域的大小，b为检测窗口的大小，N_w表示测试图像中包含的子块的数目；；

第七步、偏移量计算步骤G，遍历特征矩阵T，计算特征矩阵T中相邻两行坐标值的偏移量，得到偏移量矩阵；

第八步、相似性匹配步骤H，按照下列相似性判决准则公式对得到的偏移量矩阵的每一行进行相似性匹配，该实例中τ取0.02；

相似度判决准则公式

式中，D表示计算两向量的欧氏距离，S_i、S_j为偏移矩阵中的行向量，τ为判决阀值；

第九步、标记可以区域步骤I，将小于判决阀值的的行向量所对应的图像纹理部分中的位置进行标记为1，不满足判决阀值的行向量对应的纹理部分的位置标记为0；

第十步、处理非联通区域步骤G，对取证过程中产生的非连通区域，先对其进行形态学开操作然后再对其进行形态学闭操作消除。

相比现有方法都选用图像变换域的间接特征量来代表图像内容信息，本发明采取的基于纹理特征的数字图像被动盲取证方法，直接选取图像纹理特征表示图像信息，更能将图像的信息充分地表示出来。

本发明方法中选取了每一个纹理子块的纹理平均值、纹理标准差、纹理平滑度、三阶矩、纹理一致性和纹理熵这六个纹理统计量作为图像子块的特征向量，而现有方法最少须选取七个特征量作为图像子块的特征向量，所以本发明相对现有的方法降低了特征量的维数。

由于本发明选取的纹理特征具有层次性、尺度性和平移不变性等特点，这些纹理特征的特点可以增强该方法的鲁棒性，可应用于图像的内容真实性的鉴别等领域。

Claims (1)

1.一种基于纹理特征的数字图像被动盲取证方法，其特征在于：

首先进行纹理特征提取：

第一步、对待检测的可疑图像进行灰度判决，如果为非灰度图像，则将其转换为灰度图像；

第二步、将转换为灰度图像后的待检测图像的纹理部分剪裁出来；

第三步、将剪裁得到的灰度图像纹理部分进行重叠分块；第四步、根据下列公式分别计算出每一个纹理子块的纹理平均值、纹理标准差、纹理平滑度、三阶矩、纹理一致性和纹理熵，作为每一个子块的特征统计量，来代表每一个纹理子块内容信息：

1)纹理平均值公式

$\mathrm{ave}=\frac{1}{s\×s}\underset{x,y}{\mathrm{\Σ}}n(x,y)$

式中ave为纹理平均值，s×s为纹理子块的大小，n(x,y)为(x,y)点的灰度值；

2)纹理标准差公式

$\mathrm{var}=\underset{x,y}{\mathrm{\Σ}}{[n(x,y)-\mathrm{ave}]}^2/(s\×s)$

式中var为纹理标准差；

3)纹理平滑度公式

$P=1-\frac{1}{1+\frac{{\mathrm{var}}^2}{{(L-1)}^2}}$

式中P为纹理平滑度，L为纹理灰度级；

4)三阶矩公式

$S=\frac{E{(n(x,y)-\mathrm{ave})}^3}{{\mathrm{var}}^3}$

式中S为纹理三阶矩，E表示取统计均值的运算；

5)纹理一致性公式

K=∑(p²)

式中K为纹理一致性，p为纹理直方图均值；

6)纹理熵公式

$E=-\underset{x,y}{\mathrm{\Σ}}{p}_{x,y}\mathrm{lo}{g}_2\left(p_{x,y}\right)$

式中E为纹理熵，p_x,y为(x,y)点的分布概率；

接着进行纹理特征相似匹配，具体包含以下步骤：

第五步、将得到的每一个子块的特征量进行归一化处理；

第六步、设归一化后的纹理特征子块的特征向量为(ave_i,var_i,P_i,S_i,K_i,E_i)，其

中，i=(M-b+1)×(N-b+1)，将纹理特征子块向量按顺序排列得到N_w×6的特征矩阵，得到排序后的特征矩阵T，T_i表示特征矩阵T中的一行，i=1,2…N_w，M，N表示测试图像纹理区域的大小，b为检测窗口的大小，N_w表示测试图像中包含的子块的数目；

第七步、遍历特征矩阵T，计算特征矩阵T中相邻两行坐标值的偏移量，得到偏移量矩阵；

第八步、按照下列相似性判决准则公式

对得到的偏移量矩阵的每一行进行相似性匹配；式中，D表示计算两向量的欧氏距离，S_i、S_j为偏移矩阵中的行向量，δ为判决阀值；

第九步、将小于判决阀值的的行向量所对应的图像纹理部分中的位置进行标记为1，不满足判决阀值的行向量对应的纹理部分的位置标记为0；

第十步、对取证过程中产生的非连通区域，先对其进行形态学开操作然后再对其进行形态学闭操作进行消除。

Images