基于统计特征的图像篡改评价模型

引用本文

申铉京, 范子龙, 吕颖达, 陈海鹏. 基于统计特征的图像篡改评价模型.吉林大学学报:工学版, 2016, 46(4): 1232-1238
SHEN Xuan-jing, FAN Zi-long, LYU Ying-da, CHEN Hai-peng. Image tampering assessment model based on statistical features. Journal of Jilin University Engineering and Technology Edition, 2016, 46(4): 1232-1238 复制到剪切板

Permissions

基于统计特征的图像篡改评价模型

申铉京^1,², 范子龙^1,², 吕颖达³, 陈海鹏^1,²

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.吉林大学公共计算机教学与研究中心,长春 130012

通讯作者：陈海鹏(1978-),男,副教授,博士.研究方向:图像处理与模式识别,多媒体信息安全.E-mail:chenhp@jlu.edu.cn

作者简介:申铉京(1958-),男,教授,博士生导师.研究方向:图像处理与模式识别,多媒体信息安全,智能控制技术.E-mail:xjshen@jlu.edu.cn

基金:国家自然科学青年基金项目(61305046); 吉林省自然科学基金项目(20140101193JC); 吉林省自然科学青年基金项目(20130522117JH)

摘要

为了实现图像篡改手段的定性分析,构造了基于图像统计特征的篡改评价模型。该模型提取图像的LTP三值模式特征、LBP纹理特征和WLD局部特征,利用SVM分类器,实现对自然图像、计算机生成图像、复制-粘贴图像、拼接篡改图像、重获图像的多分类。实验结果表明,该模型能够在盲环境下实现图像的有效分类,客观分析图像篡改手段,综合正确检测率为85%。

关键词: 计算机应用; 盲鉴别; 篡改评价模型; LTP特征向量; LBP特征向量; WLD特征向量

中图分类号:TP391 文献标志码:A 文章编号:1671-5497(2016)04-1232-07

Image tampering assessment model based on statistical features

SHEN Xuan-jing^1,², FAN Zi-long^1,², LYU Ying-da³, CHEN Hai-peng^1,²

1.College of Computer Science and Technology, Jilin University, Changchun 130012, China

2.Key Laboratory of Symbolic Computation and Knowledge Engineering of Ministry of Education, Jilin University, Changchun 130012, China

3.Public Computer Teaching and Research Center Technology, Jilin University, Changchun 130012, China

Abstract

In order to qualitatively analyze different tampering means of digital images, a tampering evaluation model based on image statistical features is proposed. First, the Local Ternary Pattern (LTP) features, Local Binary Pattern (LBP) features and Weber Local Descriptor (WLD) features ternary are extracted from the image. Then, SVM is used to classify the nature images, computer generated images, copy-pasted images, spliced images and recaptured images. Experimental results show that the proposed model can effectively classify the tampering images in the blind environment, objectively identify the image tampering method, and the comprehensive correct detection rate can reach 85%.

Keyword: computer application; blind identification; tampering evaluation model; LTP feature vector; LBP feature vector; WLD feature vector

Show Figures

0 引言

数字图像篡改手段繁多, 其中主流的篡改手段包括复制-粘贴、拼接篡改、计算机生成图像、重获图像等。相关学者针对不同篡改手段, 从图像特征入手, 提出了相应的盲鉴别方法^{[1, 2, 3, 4]}。然而, 目前仍然处于零散技术的研究阶段^[5]。现阶段对图像进行真伪检测时, 需要人为预先估计出图像的篡改手段, 这种主观评判具有一定的偶然性。2009年, 胡东辉等首次提出了盲环境下数字图像可信性评估模型^[6], 设计了基于图像生命周期特征的可信性判断模型和基于模糊层次分析法的可信性综合度量模型, 并验证了所提出的数字图像可信性综合度量模型的有效性, 通过该模型能够给出图像的可信值。该模型虽然给出了图像的综合可信度, 但未给出图像的相应篡改手段。孟宪哲从图像篡改是否属于恶意修改行为的角度, 初步规划了一个图像真实性评价模型^[7]。该模型首先检测图像是否存在修改行为, 如果存在, 将结合图像内容、修改效果、构图关系对这种修改行为进行分析, 如果修改行为改变了图像内容, 则认为该图像不真实, 再进一步进行篡改检测和定位。如果修改行为只是为了使图像表达更加清晰而没有改变其内容, 则认为该图像是真实的。目前, 对能够定性分析图像篡改手段的评价模型的研究仍处于初级阶段, 模型的总体性能和实用性仍存在较大的完善空间, 需进一步研究满足应用化要求的篡改评价模型。

针对以上问题, 本文提出了一种基于图像统计特征的篡改评价模型, 通过该模型能够客观得出伪造图像的篡改手段。

1 篡改评价模型设计

针对计算机生成、拼接、复制-粘贴和重获等常用的篡改手段, 需要设计能够定性分析篡改手段的评价模型。以上篡改手段分别具有如下特征。

(1)计算机生成图像:由计算机软件通过有限步的图像处理生成的虚拟图像, 虽然与现实世界中的事物有所对应, 但并不是真实的自然图像。计算机软件创造的计算机生成图像, 多由几何图像和一些复杂的多边形模拟构成, 光线上是通过光线反射模拟, 利用制作经验和自身的资源模拟得到的, 可能会存在不一致的光线和错误的阴影。

(2)拼接篡改图像:指由两幅不同的图像合成一幅图像, 在合成过程中会在边缘处留下明显的边缘信息, 并且破坏原始图像的像素分布, 以及像素之间的相关性, 同时也会改变图像的局部纹理特性。

(3)复制-粘贴图像:指在同幅图像上, 把某个区域通过粘贴操作复制到另外一个区域上, 目的是增加图像中相同事物的数量, 或者隐藏某一个事物, 这类篡改图像人们肉眼无法辨别。在篡改过程中整幅图像在颜色和亮度上的变换微乎其微, 主要是在一幅图像上产生相似块, 通过寻找图像中的相似块来检测图像是否存在复制-粘贴篡改。

(4)重获图像:也称为翻拍图像, 是指已经存在的真实图像通过相机进行翻拍, 达到以假乱真的目的, 如“ 华南虎” 照片。这类篡改图像在翻拍过程中, 图像的纹理特性产生变化, 同时会引入一些噪声。针对这类篡改通过分析图像的纹理特征和噪声信息就能够进行检测。

通过以上篡改手段的特征分析, 本文提取图像的LTP(Local ternary pattern)三值模式特征、LBP(Local binary patterns)纹理特征和韦伯局部特征(Weber local descriptor, WLD), 并在此基础上构建篡改评价模型。模型框架如图1所示。

	Figure Option View Download New Window
	图1 篡改模型框架结构Fig.1 The frame structure of tampering model

该模型的工作流程为:①提取输入图像的LTP三值模式特征, 判断图像是否为自然图像。②如果该图像是自然图像, 那么输出结果。③如果该图像是篡改图像, 提取图像的纹理特征, 并根据特征强弱, 将其分为两类:一类是计算机生成图像和重获取图像, 另外一类是拼接图像和复制-粘贴图像。④如果该图像属于第一类, 则提取LBP局部纹理特征, 判断其是计算机生成图像还是重获图像。⑤如果该图像属于第二类, 则提取韦伯局部特征, 进行拼接篡改和复制-粘贴篡改的分类。

2 特征提取

2.1 LTP特征提取

LTP是图像的局部三值模式, 能够很好地描述图像纹理特征^[8]。

为了更好地体现图像局部纹理特性, LTP引入了一个宽度为t的邻域范围。在计算相邻像素值s(x)与中心像素值i_c 的差值过程中,如果相对中心值变化量在t范围内则量化为0;大于t的量化为1;小于t的量化为-1, 如式(1)所示:

$\begin{matrix} s' (x, i_{c}, t) = \{\begin{matrix} 1, x > i_{c} + t \\ 0, |x - i_{c} \leq t \\ - 1, x < i_{c} - t \end{matrix} (1) \end{matrix}$

对经式(1)计算后的三值模式进行分解, 如图2所示, 即把1和-1值进行分类, 再分别统计1值的个数, 存储在一个二维矩阵中, 最后统计直方图特征, 并作为最终的特征值。

	Figure Option View Download New Window
	图2 LTP分解示意图Fig.2 The schematic diagram of decomposing LTP

由于自然图像和篡改图像的形成过程存在差异, 导致图像在纹理特征上存在明显的差别。本文通过实验对比分析了1000幅自然图像和1400幅篡改图像的LTP特征直方图, 统计规律发现, 篡改图像的LTP直方图比自然图像的LTP直方图变化更平缓、层次更清晰。图3为一幅自然图像与篡改图像的LTP直方图特征对比的实例。图3(a)(b)中横轴表示图像提取的LTP特征维数; 纵轴表示每一维特征对应的归一化直方图分量。

	Figure Option View Download New Window
	图3 篡改图像和自然图像的特征直方图对比Fig.3 The comparison of tampered images and natural images features histogram

因此, 本文采用具有高效性的LTP局部纹理特征的直方图差异性, 结合SVM分类器, 对自然图像和篡改图像进行分类。分类流程如图4所示。

	Figure Option View Download New Window
	图4 LTP特征分类流程图Fig.4 The flow chart of extracting LTP feature classify

在图像的HSV颜色空间提取LTP直方图特征, 每个通道分为18维高频模式和低频模式直方图特征, 三个通道共54维特征。

2.2 LBP特征提取

LBP是一个很好的局部纹理描述算子^[9], 定义如式(2)所示:

$\begin{matrix} LB P_{P, R} = \overset{P - 1}{\sum_{p = 0}} s (g_{p} - g_{c}) 2^{p} (2) \end{matrix}$

式中: $\begin{matrix} g_{p} 为邻域的像素值, g_{c} 为中心的像素值。 \end{matrix}$

$\begin{matrix} s (x) = \{\begin{matrix} 1, x \geq 0 \\ 0, x < 0 \end{matrix} (3) \end{matrix}$

选取 $\begin{matrix} P = 8, R = 1 \end{matrix}$ 的LBP算子, 具体计算过程如图5所示。

	Figure Option View Download New Window
	图5 LBP算子计算过程Fig.5 The process of calculating LBP operator

在特征提取过程中, 采用一致模式的LBP, 这种标准的LBP算子所得到的二进制编码序列中, 最多包含一个0到1和一个1到0的变换。对这种一致模式的编码, 当最近邻区域内取8个像素时, 可以得出59种不同的统一模式编码, 从几何学的角度出发, 统一模式反映了亮斑、污点、边缘和拐角等信息, 这些信息对图像来说都是非常重要的特征, 而且符合人类认识图像的生理机理。重获图像和计算机生成图像的特征直方图如图6所示, 图6(a)(b)中横轴表示图像提取的统一模式LBP的特征维数; 纵轴表示每一维特征对应的归一化直方图分量。根据直方图特征, 利用SVM分类器对其进行分类。

	Figure Option View Download New Window
	图6 重获图像和计算机生成图像特征直方图对比Fig.6 The comparison of recaptured images and computer generated images features histogram

因此, 本文在图像的YCbCr颜色空间中分别对源图像及其预测误差图像在Cb和Cr通道分别提取LBP特征, 并对LBP的特征值提取直方图特征, 特征维数为236维。

2.3 WLD特征提取

WLD特征是由Chen等根据韦伯定律提出的一种简单而且鲁棒的局部纹理特征。韦伯定律指出激励变化与背景的比值超过一定的阈值才能被人们感知。WLD特征引入了差分激励和方向信息两个比率, 来描述图像中纹理特征的变化情况^[10]。韦伯特征的提取流程图如图7所示。

	Figure Option View Download New Window
	图7 提取WLD特征流程图Fig.7 The flow chart of extracting WLD feature

为了分类拼接图像和复制粘贴图像, 考虑图像的局部频率分布情况, 并引入韦伯局部特征。对于一个像素点而言, 其中的差分激励就是该像素点与8-邻域像素值之差的总和与该点像素值的比值。它反映了图像的结构信息, 而方向信息实质上描述了图像的梯度方向。WLD的差分激励和方向信息直方图特征, 分别包含了DCT系数的不同信息。差分激励主要反应系数矩阵当前位置的变化幅度的大小; 而方向信息主要反应系数矩阵的当前位置的变化方向, 这两种特征能够很好地来表示图像频率的分布情况。

通过大量实验分析, 在差分激励直方图上, 复制-粘贴图像比拼接图像变化平缓, 在方向信息直方图上复制-贴图像比拼接图像直方图陡峭。图8为拼接图像和复制-粘贴图像WLD特征直方图的实例。图8(a)(b)中横轴表示图像WLD的特征维数; 纵轴表示每一维特征对应的归一化直方图分量。因此, 本文利用WLD特征直方图上的显著差异, 结合SVM分类器, 对拼接图像和复制-粘贴图像进行分类。

	Figure Option View Download New Window
	图8 拼接图像和复制-粘贴图像的特征直方图对比Fig.8 The comparison of spliced images and copy-paste images features histogram

选取WLD特征时, 按照文献[6]中对参数的设置, 本文提取18维的差分激励特征和20维的方向信息特征。并且在对这两种特征进行加权特征融合时, 系数设置为 $\begin{matrix} a = 0.6, b = 0.4 。 \end{matrix}$ 所以, 最终的特征维数为38维。

3 多类支持向量机

支持向量机(SVM)是一种有监督的分类和回归方法。在一个 $\begin{matrix} n \end{matrix}$ 维空间中输入两类数据, 通过构造一个超平面用来区分两类数据。最初的支持向量机仅用于二分类问题, 由于应用的需要, 逐渐的应用到多分类问题上。多分类问题实质上要分解成多个二分类问题, 通过多个二分类器实现多分类问题。其中比较常用多分类方法包括:“ 一对一” 、“ 一对多” 、“ 二叉树” 以及“ 导向无环图” ^[11]。其中“ 二叉树” 方法在效率和准确率上比较高。“ 二叉树” 方法中包括基于偏二叉树分类法和基于完全二叉树分类法。通过对篡改图像进行综合比较, 本文采用了结合偏二叉树和完全二叉树的分类法。其分类结构如图9所示。

	Figure Option View Download New Window
	图9 二叉树多分类向量机结构图Fig.9 Structure of Binary tree multi-classification SVM

其中 $\begin{matrix} A 、 B 、 C 、 D 、 E \end{matrix}$ 分别代表自然图像、计算机生成图像、重获图像、拼接图像和复制粘贴图像。SVM1~SVM4表示构造的4个二分类SVM, 其中SVM1根据提取的图像LTP特征来分类自然图像和篡改图像; SVM2根据图像纹理特征强弱, 将篡改图像分为两类; SVM3根据提取的图像LBP特征分类计算机生成图像和重获图像; SVM4根据图像的局部韦伯特征分类拼接图像和复制-粘贴图像。

4 实验结果

本文的图像数据库构成为:1000幅自然图像、500幅来自于哥伦比亚大学计算机生成图像库的计算机生成图像^[12]、500幅来自哥伦比亚大学拼接图像库^[13]的拼接图像, 300幅来自于哥伦比亚大学重获图像库^[14]的重获取图像, 以及自己PS的100幅复制-粘贴图像。图10为实验用图像的示例, 其中(a)、(b)、(c)分别为图像库中的计算机生成图像、重获图像和拼接篡改图像, (d)为PS的复制粘贴图像。

	Figure Option View Download New Window
	图10 实验图像实例Fig.10 Examples of experimental image

仿真实验环境为AMD Athlon(tm) 7750 2.7 GHz CPU, 1 GB内存。编程环境为Microsoft Visual 2008; 编程语言为C++; 采用支持向量机(SVM)作为分类器进行分类, 其中核函数选取RBF核函数, 在交叉验证过程中用网格搜索法自动寻找最优的惩罚因子 $\begin{matrix} C \end{matrix}$ 和核函数的参数γ ^[15], 获取分类特征的同时添加图像的属性标签, 将获取的分类特征及其属性标签一起送入分类器进行训练和分类, 分类结果的检测率如式(4)(5)(6)所示:

$\begin{matrix} \begin{matrix} TP (i) = \frac{正确分类的 P_{i} 样本个数}{P_{i} 样本个数} % (4) \\ TN (i) = \frac{正确分类的 N_{i} 样本个数}{N_{i} 的样本个数} % (5) \\ Accuracy (i) = \frac{正确分类的 P_{i} 和 N_{i} 样本总数}{P_{i} 和 N_{i} 样本总数} % (6) \end{matrix} \end{matrix}$

式中: $\begin{matrix} i = 1, 2, 3, 4, \end{matrix}$ 分别对应图9中的4个分类器, 即4.1~4.4节中的4个分类实验。

4.1 自然图像和篡改图像分类实验

对1000幅自然图像和1400幅篡改图像, 分别取4/5作为样本集, 1/5作为测试集, 提取LTP局部三值模式特征, 采用SVM1进行分类实验, 随机进行20次实验, 取平均值作为最终的检测率。统计结果为:自然图像的检测率为97.0%, 篡改图像的检测率为94.0%, 平均检测率为95.5%, 特征维数为54。

4.2 篡改图像分类实验

对800幅计算机生成图像和重获取图像、600幅拼接图像和复制粘贴图像, 每次分别选取4/5作为样本集, 1/5作为测试集, 提取LBP纹理特征, 采用SVM2进行分类实验, 随机进行20次实验, 取平均值作为最终的检测率。统计结果为:计算机生成图像和重获取图像的检测率为96.2%, 拼接图像和复制粘贴图像的检测率为93.3%, 平均检测率为94.75%, 特征维数为236。

4.3 计算机生成图像和重获图像分类实验

对500幅计算生成图像和300重获取图像, 每次随机选取4/5作为样本集, 1/5作为测试集, 提取LBP纹理特征, 采用SVM3进行分类实验, 随机进行20次实验, 取平均值作为最终的检测率。统计结果为:计算机生成图像的检测率为96.2%, 重获取图像的检测率为95.4%, 平均检测率为95.8%, 特征维数为236。

4.4 拼接图像和复制粘贴图像分类实验

对500幅拼接图像和100幅复制粘贴图像, 每次分别随机选取4/5作为样本集, 1/5作为测试集, 提取WLD局部特征, 采用SVM4进行分类实验, 随机进行20次实验, 取平均值作为最终的检测率。统计结果为:拼接图像的检测率为89.8%, 复制-粘贴图像的检测率为87.6%, 平均检测率为88.7%, 特征维数为38。

由以上检测结果可知, 各分类器之间是相互独立的, 由概率论知识可知, 对于二叉树树上的叶子节点的检测率, 应该为所有父亲节点的检测率的乘积。各类图像经过该篡改评价模型分析的最终综合检测结果如表1所示。

表1 篡改模型的综合检测率 Table 1 Comprehensive detection rate of the tampering model

由以上结果可知, 本文提出的篡改评价模型, 能够客观分析图像的篡改手段, 为数字图像盲鉴别技术的系统化奠定基础。

5 结束语

数字图像的篡改手段繁多, 每种篡改手段都有特定的鉴别方法, 但需要人为地猜测幅图像篡改手段, 为了定性分析图像篡改手段, 本文提出了基于统计特征的图像篡改评价模型, 该模型能够客观地给出图像的篡改手段, 为后续的针对特定方法进行更精准的检测奠定基础。

The authors have declared that no competing interests exist.

参考文献

View Option

[1]	王春哲, 李杰, 李明晶, 等. 一种多扭曲失真图像的质量评价方法[J]. 液晶与显示, 2015, 30(04): 681-686. Wang Chun-zhe, Li Jie, Li Ming-jing, et al. Image quality assessment algorithm for multi-distorted image[J]. Chinese Journal of Liquid Crystals and Displays , 2015, 30(4): 681-686. [本文引用:1]
[2]	曹雷, 陈洪斌, 邱琪, 等. 盲图像复原研究现状[J]. 中国光学, 2014, 7(1): 68-78. Cao Lei, Chen Hong-bin, Qiu Qi, et al. Research status of blind image restoration[J]. Chinese Optics, 2014, 7(1): 68-78. [本文引用:1]
[3]	柯洪昌, 孙宏彬. 图像序列的显著性目标区域检测方法[J]. 中国光学, 2015, 8(5): 768-774. Ke Hong-chang, Sun Hong-bin. A saliency target area detection method of image sequence[J]. Chinese Optics, 2015, 8(5): 768-774. [本文引用:1]
[4]	张振东, 陈健, 王伟国, 等. 基于SSIM_NCCDFT的超分辨率复原评价方法研究[J]. 液晶与显示, 2015, 30(4): 713-721. Zhang Zhen-dong, Chen Jian, Wang Wei-guo, et al. Evaluation method of super-resolution restoration based on SSIM_NCCDFT[J]. Chinese Journal of Liquid Crystals and Displays, 2015, 30(4): 713-721. [本文引用:1]
[5]	朱艳玲. 数字图像取证的关键技术研究[D]. 北京: 北京邮电大学计算机学院, 2011. Zhu Yan-ling. Study on key technology for digital image forensies[D]. Beijing: School of Computer Science, Beijing University of Posts and Telecommunications, 2011. [本文引用:1]
[6]	胡东辉, 王丽娜, 江夏秋. 盲环境下的数字图像可信性评估模型研究[J]. 计算机学报, 2009, 32(4): 675-687. Hu Dong-hui, Wang Li-na, Jiang Xia-qiu. Research on trust worthiness evaluation model for digital image in blind environment[J]. Chinese Journal of Computers, 2009, 32(4): 675-687. [本文引用:1]
[7]	孟宪哲. 盲环境下数字图像篡改鉴定的关键理论与技术研究[D]. 北京: 北京邮电大学计算机学院2013. Meng Xian-zhe. Study of the key theories and algorithms on image forensics[D]. Beijing: School of Computer Science, Beijing University of Posts and Telecommunications, 2013. [本文引用:1]
[8]	Tan X, Triggs B. Enhanced Local Texture Feature sets for Face Recognition under Difficult Lighting Conditions[M]. Berlin Heidelberg: Springer, 2007: 168-182. [本文引用:1]
[9]	Li Z, Ye J, Shi Y Q. Distinguishing computer graphics from photographic images using local binary patterns[C]∥International Conference on Digital Forensics and Watermaking, Springer Berlin Heidelberg, 2012, 7809: 228-241. [本文引用:1]
[10]	刘晓霞, 李峰, 熊兵. 基于韦伯局部特征的图像拼接检测[J]. 计算机工程与应用, 2013, 49(12): 140-143. Liu Xiao-xia, Li Feng, Xiong Bing. Image splicing detection using Weber local descriptors[J]. Computer Engineering and Applications, 2013, 49(12): 140-143. [本文引用:1]
[11]	薛宁静. 多类支持向量机分类器对比研究[J]. 计算机工程与设计, 2011, 32(5), 1792-1795. Xue Ning-jing. Comparison of multi-class support vector machines[J]. Computer Engineering and Design, 2011, 32(5), 1792-1795. [本文引用:1]
[12]	Ng T T, Chang S F, Hsu J, et al. Columbia photographic images and photorealistic computer graphics dataset[R]. Columbia University, Advent Technical Report, 2005: 205-2004-5. [本文引用:1]
[13]	The DVMM Laboratory of Columbia University. Columbia image splicing detection evaluation dataset [DB/OL]. [2010-08-26]. http:∥www.ee.columbia.edu/ln/dvmm/downloads/AuthSplicedData-Set/dlform.html. [本文引用:1]
[14]	Gao X, Qiu B, Shen J J, et al. A smart phone image database for single image recapture detection[C]∥International Conference on Digital Watermarking, 2010, 6526: 90-104. [本文引用:1]
[15]	Chang C C, Lin C J. LIBSVM: a library for support vector machines[J]. ACM Transactions on Intelligent Systems and Technology (TIST), 2011, 2(3): 389-396. [本文引用:1]

2015

0.0

. 2015, 30(04):681-686 DOI:doi:10.3788/YJYXS20153004.0681

Image quality assessment algorithm for multi-distorted image

一种多扭曲失真图像的质量评价方法

Wang Chun-zhe , Li Jie , Li Ming-jing

王春哲, 李杰, 李明晶

针对现有评价方法不适合于多扭曲失真图像这一问题,本文展开了对多扭曲失真图像评价方法的研究.在分析图像的边缘信息和奇异值向量对视觉特征的表征能力的基础上,提出一种基于边缘信息奇异值分解的图像质量评价算法.首先,利用Sobel算子提取参考图像及失真图像视觉敏感的边缘信息,再对两图像的边缘信息进行奇异值分解,利用奇异值向量之间的夹角来描述失真图像的畸变程度.最后,采用LIVE数据库中的450张多扭曲的失真图像验证该文算法,并与MSE、PSNR、SSIM、CSSIM等算法进行了对比.实验结果表明,该文算法对多扭曲失真图像的质量评价具有更高的稳定性,主客观评价的一致性较传统评价方法更好.通过对比时间效率,该方法基本上满足实际需求,具有更高的适用性.

... 相关学者针对不同篡改手段,从图像特征入手,提出了相应的盲鉴别方法^[1,2,3,4] ...

2014

0.0

. 2014, 7(1):68-78 DOI:doi:10.3788/CO.20140701.0068

Research status of blind image restoration

盲图像复原研究现状

Cao Lei , Chen Hong-bin , Qiu Qi

曹雷, 陈洪斌, 邱琪

Blind image restoration is an approach to estimate both the original image and the point spread function from degraded images, when there is no or little knowledge of the point spread function of the degraded process. In this paper, the main algorithms of blind image restoration are reviewed and classified into four types, according to their theory origins and relationships, and analysis is made for all the types of blind image restoration algorithms and relevant improved algorithms. This will be helpful to better understand the theory of blind image restoration and to restore degraded images.

盲图像复原是在未知或不完全确知相关原始图像与成像点扩展函数的先验知识的情形下，利用所观测到的降质图像对原始图像和点扩展函数进行估计的一种图像处理方法。本文对近年来涌现出的主要盲图像复原算法进行了回顾，并根据相应的理论来源及相互联系将其划分为四大类，对各类复原算法及其改进算法进行了分析和讨论，为更清晰与深刻地认识和理解盲图像复原理论、解决实际图像降质问题提供参考。

... 相关学者针对不同篡改手段,从图像特征入手,提出了相应的盲鉴别方法^[1,2,3,4] ...

2015

0.0

. 2015, 8(5):768-774 DOI:doi:10.3788/CO.20150805.0768

A saliency target area detection method of image sequence

图像序列的显著性目标区域检测方法

Ke Hong-chang , Sun Hong-bin.

柯洪昌, 孙宏彬

摘　要：针对传统视觉显著性模型在自顶向下的任务指导和动态信息处理方面的不足,设计并实现了融入运动特征的视觉显著性模型。利用该模型提取了图像的静态特征和动态特征,静态特征的提取在图像的亮度、颜色和方向通道进行,运动特征的提取采用基于多尺度差分的特征提取方法实现,然后各通道分别通过滤波、差分得到显著图,在生成全局显著图时,提出多通道参数估计方法,计算图像感兴趣区域与眼动感兴趣区域的相似度,从而可在图像上准确定位目标位置。针对20组视频图像序列（每组50帧）进行了实验,结果表明：本文算法提取注意焦点即目标区域的平均相似度为0.87,使用本文算法能够根据不同任务情境,选择各特征通道的权重参数,从而可有效提高目标搜索的效率。

... 相关学者针对不同篡改手段,从图像特征入手,提出了相应的盲鉴别方法^[1,2,3,4] ...

2015

0.0

. 2015, 30(4):713-721 DOI:doi:10.3788/YJYXS20153004.0713

Evaluation method of super-resolution restoration based on SSIM_NCCDFT

基于SSIM_NCCDFT的超分辨率复原评价方法研究

Zhang Zhen-dong , Chen Jian , Wang Wei-guo

张振东, 陈健, 王伟国

传统的图像质量评价方法很多,但是并非针对超分辨率复原算法的特定评价指标.一种超分辨率复原算法复原性能的好坏,至今没有一个统一的评价标准,这使得超分辨率复原算法的发展受到很大限制.针对传统的超分辨率复原评价体系只关注图像某一方面统计特性的问题,提出一种基于SSIM_NCCDFT的超分辨率复原评价方法.该评价方法结合了空间域的灰度均值、对比度以及频域自相关,能够同时评价超分辨率复原结果在空间域的复原效果和对频率域信息的复原精度.实验结果表明:SSIM_NCCDFT可以准确反映图像退化的程度. 相对于PSNR,SSIM_NCCDFT的优势是其同时反映了频域和空域复原的精度,评价更加全面.本文提出的基于SSIM_NCCDFT的超分辨率复原评价方法同时考虑了超分辨率复原中频率域和空间域的复原性能,评价结果较为全面,能够有效地评价复原图像中的噪声和模糊等现象,对超分辨率复原方法的评价具有一定的指导意义.

... 相关学者针对不同篡改手段,从图像特征入手,提出了相应的盲鉴别方法^[1,2,3,4] ...

2011

0.0

. 2011, :-

Study on key technology for digital image forensies

数字图像取证的关键技术研究

Zhu Yan-ling.

朱艳玲

随着互联网的快速发展以及数码相机等低价数字化图像拍摄设备的迅速普及,人们既可以通过网络接触到大量的数字照片和数字图片,也可以通过数码相机等拍摄设备非常容易地生成数字照片。“照片”造假事件的不断涌现彻底颠覆了人们“眼见为实”的传统观念,造成了政治、文化、新闻和科学真实性等方面的负面影响,因此,数字图像篡改鉴定问题受到了相关人士的广泛关注并成为当前一个亟待解决的关键科学问题。开展这一课题研究,对规范媒体图像、确保科学成果的真实性具有十分广泛而深远的科学意义,对确保公共信任秩序、打击犯罪、维护司法公正具有十分重要的政治意义。本文详细探讨了数字图像盲取证技术的研究背景、研究意义、国内外的研究现状和现存问题,系统分析了现有的数字图像取证的系统框架和数字图像盲取证的关键技术,利用数理统计、模式识别等方法重点研究了篡改前后图像的不变特征和部分统计特征的改变情况,并据此提出了一种基于图像不变矩的篡改取证新方法和一种改进的基于双重JPEG压缩特征的篡改取证技术。本文所取得的具体研究成果和技术创新如下：第一,在研究常见的篡改手段、美国哥伦比亚大学Shih-Fu Chang研究团体提出的图像取证系统基本架构以及周琳娜提出的数字图像取证系统架构的基础上,提出了一个更全面、更完善的数字图像取证的系统架构,该系统架构包括常见的篡改手段、常见的篡改检测技术和标准的篡改图像数据库三个部分。第二,在研究Radon变换和解析Fourier-Mellin变换的定义和性质以及常见的几种不变矩的基础上,提出了一种基于Radon和解析Fourier-Mellin变换的不变矩的数字图像盲取证新方法,给出了使用该方法进行取证的具体步骤,并分析了其可行性。第三,在研究Jessica Fridrich基于压缩前后DCT系数分布的变化情况提出的检测双重JPEG压缩的方法和Hany Farid提出的寻找JPEG Ghosts的检测双重JPEG压缩的方法的基础上,基于分块检测和滑块检测的思想提出了一种改进的基于双重JPEG压缩特征的篡改取证技术,该取证方法解决了现有的双重JPEG检测技术不能检测两次JPEG压缩时DCT变换分块未对齐情况下的篡改问题,加快了检测速度,提高了检测的可用性和检测精度。最后,在总结本文研究成果的基础上,对数字取证技术未来的研究方向进行了分析。

... 然而,目前仍然处于零散技术的研究阶段^[5] ...

2009

0.0

. 2009, 32(4):675-687 DOI:doi:10.3724/SP.J.1016.2009.00675

Research on trust worthiness evaluation model for digital image in blind environment

盲环境下的数字图像可信性评估模型研究

Hu Dong-hui , Wang Li-na , Jiang Xia-qiu.

胡东辉, 王丽娜, 江夏秋

随着各种数字图像处理软件和信息隐藏软件的涌现,数字图像正面临"信任危机".文中从可信的角度考虑数字图像的安全问题,提出盲环境下数字图像可信性评估的概念.文中提出了两类可信性评估模型:可信性判断模型和可信性度量模型.可信性判断模型在数字图像取证技术的基础上,围绕数字图像的不同生命阶段,判断数字图像是否可信.可信性度量模型分为可信性综合度量模型和可信性历史度量模型两种.文中设计了一种基于隐马尔可夫(HMM)的历史度量模型和一种基于模糊层次分析法的综合度量模型.在所设计模型的基础上,文中进一步研究了盲环境下数字图像可信性评估体系.文中最后通过实验结果验证了所提出的数字图像可信性综合度量模型的有效性.

... 2009年,胡东辉等首次提出了盲环境下数字图像可信性评估模型^[6],设计了基于图像生命周期特征的可信性判断模型和基于模糊层次分析法的可信性综合度量模型,并验证了所提出的数字图像可信性综合度量模型的有效性,通过该模型能够给出图像的可信值 ...

2013

0.0

. 2013, :-

Study of the key theories and algorithms on image forensics

盲环境下数字图像篡改鉴定的关键理论与技术研究

Meng Xian-zhe.

孟宪哲

数字图像出现在日常生活中的每个角落,所起到的作用也在逐渐提高,但是数字图像处理工具给数字图像带来了严重的信任危机。以水印技术为代表的主动保护技术已经比较成熟,但是主动保护技术依赖于特定的预处理,然而在实际应用中,需要对完全未知的图像进行鉴定,因此只有被动条件下的鉴定技术才能解决图像的鉴定难题。盲环境下的数字图像篡改鉴定技术是图像被动保护技术中的重要研究内容,因此成为了当前的一个研究热点。本文分析了现有的数字图像篡改鉴定技术,从理论创新、算法改进等层面上对数字图像篡改鉴定技术中的若干方向提出了改进的方案,主要取得了以下的研究成果和创新。 1.基于JPEG压缩特征的取证方法。在总结现有基于JPEG压缩特征鉴定技术的基础上,本文提出了一种采用可变分块方法检测图像多重JPEG压缩的算法。现有算法通过对单个DCT变换分块进行量化特征分析实现篡改检测,算法解析度差并且不能对异常区域进行准确定位,本文提出的算法通过采用分块统计的方法,增强了解析能力,同时利用可变分块的检测模式,实现了对篡改区域的快速、准确定位。此外,本文通过对比正常JPEG压缩行为和恶意JPEG压缩行为,总结出恶意JPEG压缩行为会出现量化特征错位或者量化特征缺失的现象,并据此提出了使用滑动窗口检测方法的恶意JPEG压缩检测算法,算法不仅能够检测图像经历的多次JPEG压缩行为,还能根据检测到的恶意JPEG压缩指正图像中的篡改行为。 2.基于计算机视觉的取证方法。相机标定工具是计算机视觉的基础工具,也是图像篡改鉴定所经常采用的工具。相机标定得到的图像主点信息可以用于图像篡改鉴定,但是相机标定工具在使用时需要借助多幅图像或者已知的相机,用于图像鉴定时有较大局限性。本文通过在单视图中引入多视角的方法,使相机标定方法满足图像取证需求,并且据此提出了基于规则图形的图像拼接检测算法以及图像非对称裁剪检测算法。与原有算法相比,本文算法不仅能够在相机参数未知的前提下工作,另外算法借助的特征对滤波、加噪以及JPEG压缩等行为具有一定鲁棒性。随后,本文还提出了基于正交一维图形和基于消隐点的图像篡改检测算法,算法具有更广泛的适用条件以及更高的检测准确率。此外,本文还提出了基于相机外部旋转矩阵的图像篡改检测算法,算法能够对现有算法难以检测的轻微位移篡改进行检测。 3.针对低分辨率照片、含文字照片等特殊照片的取证方法。通过对低分辨率照片进行分析,本文提出了基于广义成像模型的低分辨率检测模型。通过结合图像的成像过程和低分辨率图像特有的降采样和重压缩过程,建立了适用于低分辨率照片的广义成像模型,并且将部分基于计算机视觉的取证算法移植到低分辨率模型中。另外,本文提出了对含文字照片进行鉴定的算法,通过文字建模以及对文字映射过程进行还原,实现了对文字进行重构和对异常文字的检测。 4.对现有算法的改进研究。本文结合文字建模方法以及异常边缘识别方法,提出了基于自学习的异常文字鉴定技术。本文通过引入KKT条件,提出了改进的基于光照方向检测图像拼接篡改的技术。 5.图像的真实性评价研究。区别于传统的“修改=篡改”的检测方式,本文按照修改对图像的影响,将修改行为分为了颠覆类、严重类以及一般类。通过结合对图像中修改行为的分类以及对篡改鉴定技术的分类,提出了层次化的图像真实性评价模型,并在此框架下提出了对新闻类照片进行真实性评价的一般流程。

... 孟宪哲从图像篡改是否属于恶意修改行为的角度,初步规划了一个图像真实性评价模型^[7] ...

2007

0.0

... 1 LTP特征提取LTP是图像的局部三值模式,能够很好地描述图像纹理特征^[8] ...

2012

0.0

... 2 LBP特征提取LBP是一个很好的局部纹理描述算子^[9],定义如式(2)所示: ...

2013

0.0

. 2013, 49(12):140-143 DOI:doi:10.3778/j.issn.1002-8331.1110-0449

Image splicing detection using Weber local descriptors

基于韦伯局部特征的图像拼接检测

Liu Xiao-xia , Li Feng , Xiong Bing.

刘晓霞, 李峰, 熊兵

Image splicing is one of the most popular ways to tamper image. This paper proposes an image splicing detection algorithm based on Weber Local Descriptors（WLD） in the domain of Discrete Cosine Transform（DCT）. It calculates the coefficient array by performing DCT to the detected image, and extracts WLD features to characterize the frequency distribution of the image. Support Vector Machine（SVM） is employed as the classifier to construct a prediction model and judge whether the detected image is spliced. It evaluates the proposed algorithm with standard image splicing database. Experimental results indicate that the proposed method outperforms classical image splicing detection algorithms.

图像拼接是最常见的图像篡改和伪造手段之一。提出了一种基于离散余弦变换（Discrete Cosine Transform，DCT）域中韦伯局部特征（Weber Local Descriptor，WLD）的图像拼接检测算法。算法对待测图像进行离散余弦变换，得到DCT系数矩阵，进而提取WLD特征，以刻画图像的频率分布特性。采用支持向量机（Support Vector Machine，SVM）作为分类器，建立预测模型，从而判定图像是否经过拼接。实验采用标准的图像拼接数据库对所提算法进行了评估。实验结果表明：与经典拼接检测算法相比，该算法具有更好的检测性能。

... WLD特征引入了差分激励和方向信息两个比率,来描述图像中纹理特征的变化情况^[10] ...

2011

0.0

. 2011, 32(5):1792-1795

Comparison of multi-class support vector machines

多类支持向量机分类器对比研究

Xue Ning-jing.

薛宁静

为了解决多类支持向量机的选型问题,降低多类分类问题的难度,对4种常用的多类支持向量机进行了对比研究.从多类支持向量机的构造原理出发,对多类支持向量机的训练复杂度、测试复杂度和分类准确率进行了理论分析.在此基础上,利用标准数据集对多类支持向量机进行试验分析,结果表明,导向无环图支持向量机的分类准确率最高,二叉树支持向量机的实时性最优.

... ^[11] ...

2005

0.0

... 4 实验结果本文的图像数据库构成为:1000幅自然图像、500幅来自于哥伦比亚大学计算机生成图像库的计算机生成图像^[12]、500幅来自哥伦比亚大学拼接图像库^[13]的拼接图像,300幅来自于哥伦比亚大学重获图像库^[14]的重获取图像,以及自己PS的100幅复制-粘贴图像 ...

2010

0.0

2010

0.0

2011

0.0

... ^[15],获取分类特征的同时添加图像的属性标签,将获取的分类特征及其属性标签一起送入分类器进行训练和分类,分类结果的检测率如式(4)(5)(6)所示: ...