SIFT算法是特征点提取的经典算法,SIFT特征向量对旋转、缩放、模糊、JPEG重压缩等操作有较强的鲁棒性。首先建立图像的高斯尺度空间和高斯差分尺度空间;然后确定SIFT特征点;最后统计特征点的SIFT特征,形成128维SIFT特征向量。SIFT特征提取的流程如图1所示。

图1

Fig.1

	Figure Option ViewDownloadNew Window
	图1 提取SIFT特征向量流程图Fig.1 Flow chart of SIFT algorithm

对于彩色图像,SIFT算法需要首先将其转变成灰度图像,然后再提取特征,这样会丢失大部分彩色信息。本文对42幅彩色图像进行实验测试,发现每幅图像的误匹配点中,均存在彩色信息不一致的问题。因此,本文将SIFT特征与彩色信息相结合,对彩色图像的复制-粘贴篡改进行检测。

图像的彩色信息能够克服SIFT特征匹配时梯度信息一致、但彩色信息不一致引发的误匹配问题,因此,本文在对特征点提取SIFT特征的基础上,提取其HSI彩色特征。

HSI彩色模型克服了RGB彩色模型只考虑图像亮度信息、忽略图像颜色信息的缺点,它全面考虑彩色图像的亮度、颜色等信息。其中, H代表色调,即人对不同颜色的感受; S代表饱和度,即颜色的纯度; I代表强度,即颜色的明亮程度。

对于一幅RGB彩色图像,可以提取 H 、 S和 I的信息。本文算法中,对每个SIFT特征点i分别提取H、S和I彩色信息,并记为H(i)、S(i)、I(i),其计算公式如式(1)(2)(3)所示:

(1)

其中: 。

(2)

(3)

式中:R、G、B分别表示特征点i的R、G和B值。

特征点的HSI彩色特征可以去除梯度特征相似而彩色信息不一致的误匹配特征点。

图2(a)、图3(a)和图4(a)是未经过篡改的原始图像,图2(b)是对图2(a)中的“鹤”进行顺时针旋转20°、缩放0.5倍后复制粘贴得到的篡改图像,图3(b)是将图3(a)右上角“屋尖”缩放0.9倍复制到左上角得到的篡改图像,图4(b)是将图4(a)右上角“粉色帆船”进行顺时针旋转40°、缩放0.9倍后复制粘贴到左下方得到的篡改图像。图2(c)~(f)、图3(c)~(f)、图4(c)~(f)分别是不同算法的检测结果。

图2

Fig.2

	Figure Option ViewDownloadNew Window
	图2 缩放旋转实验结果Fig.2 Result of zoom and rotation experiments

图3

Fig.3

	Figure Option ViewDownloadNew Window
	图3 缩放实验结果Fig.3 Result of zoom experiments

图4

Fig.4

	Figure Option ViewDownloadNew Window
	图4 缩放旋转实验结果Fig.4 Result of zoom and rotation experiments

图2、图3和图4中的连线部分标记出了检测到的复制粘贴篡改区域,图2(e)、图3(e)和图4(e)中圆点与五角星点标记的是SIFT特征点的分类结果。

从实验结果可以看出:

(1)在背景简单的图2篡改实验中,文献^{[ 7]}和文献^{[ 8]}算法结果中“鹤翅膀”处有明显的误匹配;由于复制区域与粘贴区域距离较近,文献^{[ 9]}的SIFT特征点匹配对聚类结果不理想,没有达到去除误匹配的效果。

(2)在背景较复杂的图3篡改实验中,文献^{[ 7]}、文献^{[ 8]}和文献^{[ 9]}虽然能检测到篡改区域,但误匹配较多,同时造成文献^{[ 9]}的SIFT特征点匹配对聚类结果出现明显错误。

(3)在背景相似的图4篡改实验中,文献^{[ 7]}存在误匹配的情况,文献^{[ 8]}几乎没有检测到篡改区域,文献^{[ 9]}聚类结果正确,效果较好。

(4)在这三个实验中,本文算法都有效地去除了误匹配,具有良好的实验结果。

为了去除篡改痕迹,造假者通常会对篡改后的图像进行模糊、加噪、JPEG重压缩等后处理,算法的鲁棒性是指算法抵抗这些后处理操作、检测并定位篡改的能力。

(1)高斯模糊实验

分别对图2(b)添加0.5和1的高斯模糊,然后进行检测,图5、图6分别是不同算法的检测结果。

图5

Fig.5

	Figure Option ViewDownloadNew Window
	图5 添加0.5高斯模糊实验结果Fig.5 Result of adding 0.5 Gaussian blur experiments

图6

Fig.6

	Figure Option ViewDownloadNew Window
	图6 添加1高斯模糊实验结果Fig.6 Result of adding 1 Gaussian blur experiments

(2)白噪声实验

分别对图2(b)添加信噪比为30 dB和70 dB的白噪声,然后进行检测,如图7、图8所示。

图7

Fig.7

	Figure Option ViewDownloadNew Window
	图7 添加30 dB白噪声实验结果Fig.7 Result of adding 30 dB white noise experiments

图8

Fig.8

	Figure Option ViewDownloadNew Window
	图8 添加70 dB白噪声实验结果Fig.8 Result of adding 70 dB white noise experiments

(3)JPEG重压缩实验

对图2(b)分别进行质量因子为40和70的JPEG重压缩,然后进行检测,如图9、图10所示。

图9

Fig.9

	Figure Option ViewDownloadNew Window
	图9 添加40JPEG重压缩实验结果Fig.9 Result of 40 JPEG recompression experiments

图10

Fig.10

	Figure Option ViewDownloadNew Window
	图10 添加70JPEG重压缩实验结果Fig.10 Result of 70 JPEG recompression experiments

从以上鲁棒性实验结果可以看出:

(1)由于对篡改图像进行了模糊、噪声和JPEG重压缩后处理操作,像素点的颜色信息发生了变化,本文算法添加HSI彩色特征,去除了一部分颜色信息不一致的匹配点对,因此,鲁棒性实验结果的匹配对明显减少,但仍精确指出了复制粘贴篡改区域。

(2)本文算法不仅可以有效地去除误匹配,而且对于高斯模糊、白噪声和JPEG重压缩等后处理,其检测结果也明显优于文献^{[ 7]}、文献^{[ 8]}和文献^{[ 9]}的算法,说明本文算法具有较强的鲁棒性。

设匹配的特征点总数为P,正确匹配的特征点数目为Q,错误匹配的特征点数目为P-Q,则定义误检率w为

(10)

针对100幅图像,测试文献^{[ 7]}、文献^{[ 8]}、文献^{[ 9]}和本文算法的性能,分别统计了其在不同程度高斯模糊、白噪声和JPEG重压缩情况下的误检率,如表1~表3所示。

表1

Table 1

表1(Table 1)

表1 添加不同高斯模糊的误检率对比表 Table 1 False rate of Gaussian blur with different degree 算 法 高斯模糊 1.0 1.5 2.0 2.5 3.0 3.5 文献[7] 0.21 0.22 0.21 0.23 0.24 0.22 文献[8] 0.34 0.38 0.37 0.41 0.36 0.39 文献[9] 0.17 0.15 0.11 0.14 0.11 0.16 本文算法 0.05 0.06 0.08 0.10 0.09 0.09

表1 添加不同高斯模糊的误检率对比表 Table 1 False rate of Gaussian blur with different degree

表2

Table 2

表2(Table 2)

表2 添加不同白噪声的误检率对比表 Table 2 False rate of white noise with different degree 算 法 白噪声/dB 10 20 30 40 50 60 文献[7] 0.12 0.13 0.15 0.14 0.18 0.14 文献[8] 0.27 0.25 0.29 0.24 0.22 0.23 文献[9] 0.09 0.10 0.13 0.10 0.11 0.09 本文算法 0.02 0.04 0.07 0.05 0.06 0.07

表2 添加不同白噪声的误检率对比表 Table 2 False rate of white noise with different degree

表3

Table 3

表3(Table 3)

表3 添加不同JPEG重压缩的误检率对比表 Table 3 False rate of JPEG with different degree 算 法 JPEG重压缩 10 20 30 40 50 60 文献[7] 0.08 0.07 0.08 0.06 0.09 0.08 文献[8] 0.27 0.25 0.29 0.24 0.22 0.23 文献[9] 0.09 0.10 0.13 0.10 0.11 0.09 本文算法 0.01 0.02 0.03 0.01 0.02 0.01

表3 添加不同JPEG重压缩的误检率对比表 Table 3 False rate of JPEG with different degree

由表1~表3中的数据可知,与文献^{[ 7]}、文献^{[ 8]}和文献^{[ 9]}的算法相比,本文算法在不同程度的高斯模糊、白噪声和JPEG重压缩情况下,都能保证较低的误检率,证明了本文算法有较强的鲁棒性。