吉林大学学报(工学版) ›› 2019, Vol. 49 ›› Issue (4): 1320-1328.doi: 10.13229/j.cnki.jdxbgxb20170378

• • 上一篇    

基于局部平面线性点的翻拍图像鉴别算法

孙延君1,2,3(),申铉京1,2,陈海鹏1,2,赵永哲1,2()   

  1. 1. 吉林大学 计算机科学与技术学院，长春 130012
    2. 吉林大学 符号计算与知识工程教育部重点实验室，长春 130012
    3. 空军航空大学 计算机教研室，长春 130022
  • 收稿日期:2017-04-17 出版日期:2019-07-01 发布日期:2019-07-16
  • 通讯作者: 赵永哲 E-mail:mka1982@163.com;yongzhe@jlu.edu.cn
  • 作者简介:孙延君(1982-)，男，讲师，博士研究生. 研究方向：数字图像处理和模式识别. E-mail:mka1982@163.com
  • 基金资助:
    国家自然科学基金项目(61672259);国家自然科学基金青年基金项目(61602203,61305046);吉林省青年科学基金项目(20130522117JH)

Recaptured image forensics algorithm based on local plane linear point

Yan-jun SUN1,2,3(),Xuan-jing SHEN1,2,Hai-peng CHEN1,2,Yong-zhe ZHAO1,2()   

  1. 1. College of Computer Science and Technology, Jilin University, Changchun 130012, China
    2. Symbol Computation and Knowledge Engineer，Ministry of Education, Jilin University, Changchun 130012, China
    3. Computer Department, Air Force Aviation University，Changchun 130022, China
  • Received:2017-04-17 Online:2019-07-01 Published:2019-07-16
  • Contact: Yong-zhe ZHAO E-mail:mka1982@163.com;yongzhe@jlu.edu.cn

RICH HTML

 10   

PDF (PC)

111

摘要：

针对现有翻拍图像鉴别算法辨别理论基础弱和鉴别率不高的问题，提出了基于局部平面线性点的翻拍图像鉴别算法。首先建立图像成像过程的数学模型，然后从模型中提出局部平面线性点的概念和性质，根据性质提取图像中的局部平面线性点作为特征值；最后利用支持向量机分类器对真实图像和翻拍图像进行分类。实验结果及分析表明：本文算法不但对翻拍图像具有较好的鉴别率，并且特征向量的维数也低于其他鉴别算法。

关键词: 计算机应用, 信息安全, 翻拍图像, 局部平面线性点, 图像鉴别

Abstract:

In order to solve the problem that the existing recaptured image algorithms have weak theoretical basis and low forensics rate, a new recaptured image identifying algorithm is put forward based on local plane linear point. Firstly, the proposed algorithm establishes the mathematical model in the imaging process, and provides concepts and properties of the local plane linear point from the model. Then the local plane linear point was extracted from image as the characteristic value. Finally the support vector machine is applied to classify the recaptured image with the characteristic value. The results show the proposed method can not only identify the recaptured image but also have better identification rate, and the dimension of the characteristic vector is also lower than those obtained by other algorithms.

Key words: computer application, information security, recaptured image, local plane linear point, image forensics

中图分类号: 

  • TP391

图1

真实图像与翻拍图像的视觉对比"

图2

真实图像与翻拍图像的成像过程"

图3

局部平面线性点的映射过程"

图4

真实图像和翻拍图像的局部平面线性点映射过程对比"

图5

算法流程图"

表1

不同参数对特征值取值范围的影响"

参数 α E最大值
t=1.3 t=1.5 t=2.0
10-3 251.82 162.95 95.31
10-4 304.48 197.01 115.25
10-5 357.14 231.09 135.18
10-6 409.80 265.17 155.11
10-7 462.46 299.24 175.04
10-8 515.11 333.31 194.98
10-9 567.77 367.39 214.91
10-10 620.43 401.46 234.84
10-11 673.09 435.53 254.77
10-12 725.74 469.61 274.72

图6

参数的拟合曲线"

图7

图像中局部平面线性点的分布"

图8

傅里叶变换图谱"

图9

图像及其三维功率谱曲线"

图10

二维功率谱曲线对比图"

图11

多幅图像二维功率谱曲线对比图"

表2

算法在不同参数下的鉴别率"

α t=1.3 t=1.5 t=2.0
ε 鉴别率/% ε 鉴别率/% ε 鉴别率/%
10-3 230 84.30 140 85.95 80 85.95
10-4 280 85.12 170 85.95 100 88.43
10-5 330 88.43 180 89.25 120 94.56
10-6 380 81.82 220 88.43 140 85.12
10-7 430 85.95 270 88.43 160 88.43

表3

对比先前工作"

算法 维数 正确率/%
本文算法 120 94.56
文献[4] 192 85.25
文献[6] 166 84.28
文献[7] 136 88.57
文献[9] 64 98.25
文献[10] 216 78.49
1 Gao X , Qiu B , Shen J J , et al . A smart phone image database for single image recapture detection[C]⫽The 9th International Conference on Digital Watermarking, Seoul, Korea, 2010: 90-104.
2 Yu H , Ng T T , Sun Q B , et al . Recapture photo detection using specularity distribution[C]⫽IEEE International Conference on Image Processing, San Diego, USA, 2008: 3140-3143.
3 Cao H , Alex C K , et al . Identification of recaptured photographs on LCD screens[C]⫽IEEE International Conference on Acoustics, Speech, and Signal Processing, Dallas, USA, 2010: 1790-1793.
4 Ng T T , Chang S F , Jessie H , et al . Physics-motivated features for distinguishing photographic images and computer graphics[C]⫽The 13th Annual ACM International Conference on Multimedia, Singapore, Singapore, 2005: 239- 248.
5 Liu Hua-cheng , Wang Rang-ding . Recaptured image detection based on DCT coefficients[J]. Journal of Computational Information Systems, 2013, 9(20):8139-8145.
6 Gao X T , Ng T T , Qiu B , et al . Single-view recaptured image detection based on physics based features[C]⫽IEEE International Conference on Multimedia and Expo, Suntec, Singapore, 2010: 1469-1474.
7 Ke Yong-zhen , Shan Qing-qing , Qin Fan , et al . Image recaptured detection using multiple features[J]. International Journal of Multimedia and Ubiquitous Engineering, 2013,8(5) :71-82.
8 Ojala T , Pietikainen M , Maenpaa T , et al . Multiresolution gray-scale and rotation invariant texture classification with local binary patterns[J]. Pattern Analysis and Machine Intelligence, 2002, 24(7): 971-987.
9 黄维，黄添强，张雪莉，等 . 基于块效应网格偏移的重获取 JPEG 图像篡改检测[J]. 网络与信息安全学报, 2017, 3(12) :24- 30.
Huang Wei , Huang Tian-qiang , Zhang Xue-li , et al . JPEG recapture image tamper detection method based on block effect grid offset[J]. Chinese Journal of Network and Information Security, 2017, 3(12): 24-30.
10 Faridy H , Lyu S , et al . Higher-order wavelet statistics and their application to digital forensics[C]⫽ IEEE Workshop on Statistical Analysis in Computer Vision, Madison, USA, 2003:1-8.
11 卢燕飞, 冯莉, 李兴华, 等 . 基于图像表面梯度的翻拍检测[J].北京交通大学学报, 2012,36(5) :57- 61.
Lu Yan-fei , Feng Li , Li Xing-hua , et al . Recaptured image detection based on surface gradient[J]. Journal of Beijing Jiaotong University, 2012, 36(5):57- 61.
12 冯莉 .基于数字图像镜面反射和表面梯度的翻拍取证研究[D]. 北京：北京交通大学电子信息工程学院, 2013.
Feng Li . Blind forensics of recaptured image based on specularity distribution and surface gradient[D]. Beijing: College of Electronic Information Engineering,Beijing Jiaotong University, 2013.
13 Ng T T , Chang S F , et al . Using geometry invariants for camera response function estimation[C]⫽IEEE Conference on Computer Vision and Pattern Recognition, Minneapolis, USA, 2007: 1-8.
14 Gonzalez R C , Woods R E , 等 . 数字图像处理[M]. 北京:电子工业出版社, 2011: 349-394
[1] 李雄飞,宋璐,张小利. 基于协同经验小波变换的遥感图像融合[J]. 吉林大学学报(工学版), 2019, 49(4): 1307-1319.
[2] 王楠,李金宝,刘勇,张玉杰,钟颖莉. TPR⁃TF:基于张量分解的时间敏感兴趣点推荐模型[J]. 吉林大学学报(工学版), 2019, 49(3): 920-933.
[3] 刘富,宗宇轩,康冰,张益萌,林彩霞,赵宏伟. 基于优化纹理特征的手背静脉识别系统[J]. 吉林大学学报(工学版), 2018, 48(6): 1844-1850.
[4] 王利民,刘洋,孙铭会,李美慧. 基于Markov blanket的无约束型K阶贝叶斯集成分类模型[J]. 吉林大学学报(工学版), 2018, 48(6): 1851-1858.
[5] 金顺福,王宝帅,郝闪闪,贾晓光,霍占强. 基于备用虚拟机同步休眠的云数据中心节能策略及性能[J]. 吉林大学学报(工学版), 2018, 48(6): 1859-1866.
[6] 赵东,孙明玉,朱金龙,于繁华,刘光洁,陈慧灵. 结合粒子群和单纯形的改进飞蛾优化算法[J]. 吉林大学学报(工学版), 2018, 48(6): 1867-1872.
[7] 刘恩泽,吴文福. 基于机器视觉的农作物表面多特征决策融合病变判断算法[J]. 吉林大学学报(工学版), 2018, 48(6): 1873-1878.
[8] 欧阳丹彤, 范琪. 子句级别语境感知的开放信息抽取方法[J]. 吉林大学学报(工学版), 2018, 48(5): 1563-1570.
[9] 刘富, 兰旭腾, 侯涛, 康冰, 刘云, 林彩霞. 基于优化k-mer频率的宏基因组聚类方法[J]. 吉林大学学报(工学版), 2018, 48(5): 1593-1599.
[10] 桂春, 黄旺星. 基于改进的标签传播算法的网络聚类方法[J]. 吉林大学学报(工学版), 2018, 48(5): 1600-1605.
[11] 刘元宁, 刘帅, 朱晓冬, 陈一浩, 郑少阁, 沈椿壮. 基于高斯拉普拉斯算子与自适应优化伽柏滤波的虹膜识别[J]. 吉林大学学报(工学版), 2018, 48(5): 1606-1613.
[12] 车翔玖, 王利, 郭晓新. 基于多尺度特征融合的边界检测算法[J]. 吉林大学学报(工学版), 2018, 48(5): 1621-1628.
[13] 赵宏伟, 刘宇琦, 董立岩, 王玉, 刘陪. 智能交通混合动态路径优化算法[J]. 吉林大学学报(工学版), 2018, 48(4): 1214-1223.
[14] 黄辉, 冯西安, 魏燕, 许驰, 陈慧灵. 基于增强核极限学习机的专业选择智能系统[J]. 吉林大学学报(工学版), 2018, 48(4): 1224-1230.
[15] 傅文博, 张杰, 陈永乐. 物联网环境下抵抗路由欺骗攻击的网络拓扑发现算法[J]. 吉林大学学报(工学版), 2018, 48(4): 1231-1236.
Viewed
Full text


Abstract

Cited
  Shared   
  Discussed   
No Suggested Reading articles found!
版权所有 © 《吉林大学学报(工学版)》编辑部
地址：长春市人民大街5988号　电话：+86-431-85095297　传真：+86-431-85094074　E-mail: xbgxb@jlu.edu.cn
本系统由北京玛格泰克科技发展有限公司设计开发