一種基于Contourlet變換的圖像拼接檢測方法
【專利摘要】本發(fā)明提供一種基于Contourlet變換的圖像拼接檢測方法，利用Contourlet變換能夠很好的描述圖像中的輪廓和方向性紋理信息的優(yōu)點，首先對訓(xùn)練圖像進行Contourlet變換后提取Markov特征，并使用基于支持向量機的回歸特征消除方法SVM?RFE對特征集進行降維，提升檢測效率和準(zhǔn)確率，使用降維后的特征集訓(xùn)練找到最優(yōu)參數(shù)并得到SVM分類模型，然后對測試圖像提取相應(yīng)的特征向量，使用得到的分類模型對測試圖像的特征向量進行分類預(yù)測，得到測試圖像是否經(jīng)過拼接操作的判斷結(jié)果。本發(fā)明在一種新的變換域提取特征，具有很好的檢測效率和準(zhǔn)確率。
【專利說明】
一種基于Contour I et變換的圖像拼接檢測方法
技術(shù)領(lǐng)域
[0001 ]本發(fā)明涉及數(shù)字圖像取證技術(shù)領(lǐng)域，更具體地，涉及一種基于Contourlet變換的 圖像拼接檢測方法。
【背景技術(shù)】
[0002] 隨著網(wǎng)絡(luò)和智能設(shè)備的普及，數(shù)字圖像在信息傳播中的重要性日益突出。但是由 于數(shù)字圖像編輯技術(shù)的快速發(fā)展，數(shù)字圖像內(nèi)容的篡改變得越來越容易，這為數(shù)字圖像的 真實性和安全性帶來了挑戰(zhàn)。因此，如何實現(xiàn)數(shù)字圖像在傳播、共享和應(yīng)用過程中的內(nèi)容真 實性和安全性的可靠認(rèn)證具有重要的實際意義。
[0003] 圖像拼接檢測是數(shù)字圖像取證技術(shù)的一個重要分支，其目的是為了檢測數(shù)字圖像 中是否存在拼接篡改操作，即檢測給定的數(shù)字圖像是否是通過裁剪和合成操作從而生成的 組合圖像。圖像拼接的目的通常是為了隱藏原始圖像中的一些重要信息或者替換為新的內(nèi) 容，從而使圖像表達篡改者想要傳達的信息。通過對圖像拼接內(nèi)容的精心選擇和對拼接邊 緣的修飾操作可以使得拼接痕跡很難通過肉眼來判別。因此有效的圖像拼接檢測在信息安 全保障體系中可以發(fā)揮非常重要的作用。圖像拼接檢測技術(shù)主要可以應(yīng)用在：司法刑偵取 證、新聞紀(jì)實、科技報道等應(yīng)用領(lǐng)域中。
[0004] 現(xiàn)有的圖像拼接檢測技術(shù)主要分為兩種：一種基于圖像內(nèi)容模糊度的差異，這類 方法基于圖像拼接引入的新的圖像塊和拼接邊緣部分的模糊度可能與原始圖像的模糊度 不同，因此可以利用局部模糊估計的方法來估計圖像每個部分的模糊度并依據(jù)模糊度的差 異來判斷圖像是否經(jīng)過拼接，但是這類方法最后需要依據(jù)人工來判斷；另一種是基于圖像 變換域的統(tǒng)計特征，利用各種圖像變換對圖像內(nèi)容進行變換和分解，并利用機器學(xué)習(xí)的方 法對圖像的不同信息進行分析和提取統(tǒng)計特征進行分類，這類方法之間的區(qū)別主要在于圖 像變換域和統(tǒng)計特征選取。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明提供一種基于Contourlet變換的圖像拼接檢測方法，能夠有效地檢測圖像 中是否存在拼接操作，具有檢測快、不需要人為判斷和魯棒性高的優(yōu)點。
[0006] 為了達到上述技術(shù)目的，本發(fā)明的技術(shù)方案如下：
[0007] 一種基于Contour let變換的圖像拼接檢測方法，包括以下步驟：
[0008] SI:選取圖像訓(xùn)練集：訓(xùn)練集包含沒有經(jīng)過任何篡改操作的原始圖像和經(jīng)過拼接 篡改的拼接圖像；
[0009] S2:對訓(xùn)練圖像進行Contourlet變換:對于圖像訓(xùn)練集的每一張圖像，分別進行相 同的Contourlet變化，使用k層的Contour let分解，相應(yīng)的每層金字塔方向濾波器DFB的向 量個數(shù)設(shè)為出32，~，作}，每層分解會得到對應(yīng){2'2'~，2，個系數(shù)子帶，并且第一層 分解時，會額外得到一個低通系數(shù)子帶，因此一共得到K=l+2 fl+2f2+-_+2fn個系數(shù)子帶，每 個子帶為一個系數(shù)矩陣；
[0010] S3:提取Markov特征:針對每張圖像的每個系數(shù)子帶提取Marko V特征，先將系數(shù)子 帶矩陣的每個系數(shù)取整和取絕對值，再按照水平方向和垂直方向計算其差分矩陣，會得到 兩個差分矩陣，對每個差分矩陣的系數(shù)，使用閾值T進行截斷操作，大于T的系數(shù)全部替換為 T，小于-T的系數(shù)全部替換為-T，然后對每個差分矩陣計算其水平方向和垂直方向的Markov 轉(zhuǎn)移概率矩陣，將得到的4個Markov轉(zhuǎn)移概率矩陣連在一起作為該系數(shù)子帶的特征向量，再 將每張圖像的所有系數(shù)子帶的特征向量連接在一起，得到該圖像的Markov特征向量；
[0011] S4:訓(xùn)練特征準(zhǔn)備:得到訓(xùn)練集所有圖像的特征向量后，將原始圖像的特征向量標(biāo) 識為+1，將拼接圖像的特征向量標(biāo)識為-1，將兩類特征集作為SVM的特征訓(xùn)練集，特征集每 行對應(yīng)一張圖像的特征向量，每列對應(yīng)一種特征；
[0012] S5: SVM-RFE降維:使用基于支持向量機的回歸特征消除方法SVM-RFE對特征訓(xùn)練 集的每一列特征進行排序，得到特征排序列表，按照特征排序列表對每張圖像的特征向量 選擇前η個特征值構(gòu)成新的特征向量，進而組成一個新的特征向量集；
[0013] S6:尋找最優(yōu)的懲罰參數(shù)c和核參數(shù)g并訓(xùn)練得到分類器:對降維后得到的特征向 量集和相應(yīng)的標(biāo)識集使用徑向基內(nèi)核的SVM訓(xùn)練，使用網(wǎng)格搜索的方法搜索最優(yōu)的懲罰參 數(shù)c和核參數(shù)g，得到分類器模型；
[0014] S7:測試圖像提取特征:對測試圖像進行與上面訓(xùn)練圖像相同的Contourlet變換， 對得到的每個系數(shù)子帶提取Markov特征得到特征向量，即進行類似S2和S3的操作，然后按 照S5得到的特征排序列表選取前η個特征值，得到測試圖像的特征向量；
[0015] S8:分類預(yù)測：加載S6得到的SVM分類模型，對S7得到的測試圖像的特征向量進行 分類預(yù)測，得到預(yù)測結(jié)果，+1代表測試圖像為原始圖像，-1代表測試圖像為拼接圖像。
[0016] 本發(fā)明中，首次在Contourlet變換域提取特征進行圖像拼接檢測。在圖像變化域 上提取特征并利用機器學(xué)習(xí)的方式來對測試圖像進行分類預(yù)測，避免了人工按照經(jīng)驗來判 斷的操作。
[0017] 進一步地，所述步驟S3的處理過程如下：
[0018] S301:取整和取絕對值:針對每個系數(shù)子帶，將每個系數(shù)取整和取絕對值得到Cx，X 對應(yīng)圖像的第X個系數(shù)子帶；
[0019] S302:根據(jù)公式（1)和公式(2)計算其水平方向和垂直方向的差分矩陣：
[0020] Dxh = Cx(u,v)-Cx(u+l ,v) (I)
[0021] Dxv = Cx(u,v)-Cx(u,v+l) (2)
[0022] 其中，u和v代表Cx系數(shù)的坐標(biāo)，Dxh和Dxv分別代表Cx在水平方向和垂直方向的差分 矩陣；
[0023] S303:閾值截斷:對每個差分矩陣的系數(shù)，使用閾值T進行截斷操作，大于T的系數(shù) 全部替換為T，小于-T的系數(shù)全部替換為-T;
[0024] S304:提取Markov特征:根據(jù)公式（3)到公式(6)計算兩個差分矩陣對應(yīng)的水平方 向和差分方向的Markov轉(zhuǎn)移概率矩陣：
[0025]
[0026]
[0027]
[0028]
[0029] 其中，Sxu和Sxv分別對應(yīng)Cx系數(shù)子帶矩陣水平方向和垂直方向的維數(shù)，M xhh和Mxhv分 別代表Dxh的水平方向和垂直方向的Marko V轉(zhuǎn)移概率矩陣，Mxvh和Mxvv分別代表Dxv的水平方 向和垂直方向的Markov轉(zhuǎn)移概率矩陣，i，j e {-T，-T+1，…，-1，0，1，…，T-I，T}代表Cx系數(shù) 的各種取佶鉑會·并曰.
[0030]
[0031 ] S305:連接特征:對于每個子帶，將4個Markov轉(zhuǎn)移概率矩陣連在一起得到該子帶 的特征向量，然后連接各個子帶的特征向量可以得到每張圖像的特征向量。
[0032]與現(xiàn)有技術(shù)相比，本發(fā)明技術(shù)方案的有益效果是：
[0033]本發(fā)明先對圖像進行Contourlet變換，Contourlet變換能夠很好的描述圖像中的 輪廓和方向性紋理信息，因此能夠很好地突出對原始圖像進行拼接操作帶來的在圖像輪廓 和紋理上的差異，在變換分解得到的各個子帶上提取Markov特征能夠用來捕獲多方向和多 尺度的差異信息，能夠得到有效的分類器，因此在檢測準(zhǔn)確率上得到了保證，同時使用機器 學(xué)習(xí)的方式，避免了過多的人為操作，在檢測效率上也得到了保證。
【附圖說明】
[0034]圖1為本發(fā)明方法的步驟流程圖；
[0035]圖2為本發(fā)明方法的Contour I e t變化對圖像的多尺度多方向分解效果圖。
【具體實施方式】
[0036] 附圖僅用于示例性說明，不能理解為對本專利的限制；
[0037] 為了更好說明本實施例，附圖某些部件會有省略、放大或縮小，并不代表實際產(chǎn)品 的尺寸；
[0038] 對于本領(lǐng)域技術(shù)人員來說，附圖中某些公知結(jié)構(gòu)及其說明可能省略是可以理解 的。
[0039]下面結(jié)合附圖和實施例對本發(fā)明的技術(shù)方案做進一步的說明。
[0040] 實施例1
[0041] 如圖1所示，一種基于Contourlet變換的圖像拼接檢測方法，包括以下步驟：
[0042] SI:選取圖像訓(xùn)練集：訓(xùn)練集包含沒有經(jīng)過任何篡改操作的原始圖像和經(jīng)過拼接 篡改的拼接圖像，本實例中使用由IEEE Information Forensics and Security Technical Committee提供的關(guān)于數(shù)字圖像拼接檢測IFS-TC圖像集，其包含1050張原始圖 像和1150張拼接圖像；
[0043] S2:對訓(xùn)練圖像進行Contourlet變換= IFS-TC圖像集所有圖像均為彩色圖像，對訓(xùn) 練集的每張圖像分別進行相同的Contourlet變化，使用k層的Contourlet分解，相應(yīng)的每層 金字塔方向濾波器DFB的向量個數(shù)設(shè)為{Π，f 2，…，f η}，每層分解會得到對應(yīng){2f 1，2f2，…， 2fn}個系數(shù)子帶，并且第一層分解時，會額外得到一個低通系數(shù)子帶，因此一共得到K= 1 + 2fl+2f2+~+2fn個系數(shù)子帶，每個子帶為一個系數(shù)矩陣，本實例中分解層數(shù)k = 3，DFB的向量 個數(shù)為{2,3,3}，因此系數(shù)子帶個數(shù)K = 21;
[0044] S3:提取Markov特征:針對每張圖像的每個系數(shù)子帶提取Markov特征，先將系數(shù)子 帶矩陣的每個系數(shù)取整和取絕對值，再按照水平方向和垂直方向計算其差分矩陣，會得到 兩個差分矩陣，對每個差分矩陣的系數(shù)，使用閾值T進行截斷操作，大于T的系數(shù)全部替換為 T，小于-T的系數(shù)全部替換為-T，然后對每個差分矩陣計算其水平方向和垂直方向的Markov 轉(zhuǎn)移概率矩陣，將得到的4個Markov轉(zhuǎn)移概率矩陣連在一起作為該系數(shù)子帶的特征向量，再 將每張圖像的所有系數(shù)子帶的特征向量連接在一起，得到該圖像的Markov特征向量；
[0045] 進一步地，所述步驟S3的處理過程如下：
[0046] S301:取整和取絕對值:針對每個系數(shù)子帶，將每個系數(shù)取整和取絕對值得到Cx，X 對應(yīng)圖像的第X個系數(shù)子帶；
[0047] S302:根據(jù)公式（1)和公式(2)計算其水平方向和垂直方向的差分矩陣：
[0048] Dxh = Cx(u,v)-Cx(u+l ,v) (I)
[0049] Dxv = Cx(u,v)-Cx(u,v+l) (2)
[0050] 其中，u和v代表Cx系數(shù)的坐標(biāo)，Dxh和Dxv分別代表C x在水平方向和垂直方向的差分 矩陣；
[0051] S303:閾值截斷:對每個差分矩陣的系數(shù)，使用閾值T進行截斷操作，大于T的系數(shù) 全部替換為T，小于-T的系數(shù)全部替換為-T，本實例中，閾值T = 3;
[0052] S304:提取Markov特征:根據(jù)公式（3)到公式(6)計算兩個差分矩陣對應(yīng)的水平方 向和差分方向的Markov轉(zhuǎn)移概率矩陣：
[0053]
[0054]
[0055]
[0056]
[0057] 其中，Sxu和Sxv分別對應(yīng)Cx系數(shù)子帶矩陣水平方向和垂直方向的維數(shù)，M xhh和Mxhv分 別代表Dxh的水平方向和垂直方向的Marko V轉(zhuǎn)移概率矩陣，Mxvh和Mxvv分別代表Dxv的水平方 向和垂直方向的Markov轉(zhuǎn)移概率矩陣，i，j e {-T，-T+1，…，-1，0，1，…，T-I，T}代表Cx系數(shù) 的各種取值組合，并且：
[0058]
[0059] 本實例中，1，」￡{-3，-2，_1，0，1，2,3丨，因此，1和」一共有7*7 = 49種組合方式；
[0060] S305:連接特征：對于每個子帶，將4個Markov轉(zhuǎn)移概率矩陣連在一起得到該子帶 的特征向量，然后連接各個子帶的特征向量可以得到每張圖像的特征向量，本實例中，在每 個系數(shù)子帶上可以提取49*4= 196維的Markov特征，一共21個系數(shù)子帶，因此對于每張圖像 會提取到196*21 =4116維的特征向量。
[0061] S4:訓(xùn)練特征準(zhǔn)備:得到訓(xùn)練集所有圖像的特征向量后，將原始圖像的特征向量標(biāo) 識為+1，將拼接圖像的特征向量標(biāo)識為-1，將兩類特征集作為SVM的特征訓(xùn)練集，特征集每 行對應(yīng)一張圖像的特征向量，每列對應(yīng)一種特征，本實例中，原始圖像訓(xùn)練集的特征集為一 個1050*4116的矩陣，拼接圖像訓(xùn)練集的特征集為1150*4116的矩陣；
[0062] S5: SVM-RFE降維:使用基于支持向量機的回歸特征消除方法SVM-RFE對特征訓(xùn)練 集的每一列特征進行排序，得到特征排序列表，按照特征排序列表對每張圖像的特征向量 選擇前η個特征值，組成一個新的特征向量集，本實例中，η = 200，降維后得到1050*200的原 始圖像特征矩陣和1150*200的拼接圖像特征矩陣；
[0063] S6:尋找最優(yōu)的懲罰參數(shù)c和核參數(shù)g并訓(xùn)練得到分類器:對降維后得到的特征向 量集和相應(yīng)的標(biāo)識集使用徑向基內(nèi)核的SVM訓(xùn)練，使用網(wǎng)格搜索的方法搜索最優(yōu)的懲罰參 數(shù)c = 5.656854和核參數(shù)g 0.013139，使用c和g以及訓(xùn)練特征集和標(biāo)簽訓(xùn)練得到分類器模 型；
[0064] S7:測試圖像提取特征:對測試圖像進行與上面訓(xùn)練圖像相同的Contourlet變換， 對得到的每個系數(shù)子帶提取Markov特征得到特征向量，即進行類似S2和S3的操作，可以為 每張測試圖像得到4116維的特征向量，然后按照S5得到的特征排序列表選取前200個特征 值，得到測試圖像的200維的特征向量，本實例中使用了 160張原始圖像和192張拼接圖像作 為測試集，最后得到一個352*200的測試特征矩陣；
[0065] S8:分類預(yù)測：加載S6得到的SVM分類模型，對S7得到的測試圖像的特征向量進行 分類預(yù)測，得到預(yù)測結(jié)果，本實例中的預(yù)測結(jié)果如圖2所示，前150個點代表實際為原始圖像 的預(yù)測值，后192個點代表實際為拼接圖像的預(yù)測值，其中大于0的預(yù)測值會被調(diào)整到+1，其 他的調(diào)整到-1，得到最后的預(yù)測結(jié)果，+1代表測試圖像為原始圖像，-1代表測試圖像為拼接 圖像，從圖中可以明顯看到，大部分圖像都預(yù)測準(zhǔn)確，分類預(yù)測的結(jié)果比較理想。
[0066] 相同或相似的標(biāo)號對應(yīng)相同或相似的部件；
[0067] 附圖中描述位置關(guān)系的用于僅用于示例性說明，不能理解為對本專利的限制；
[0068] 顯然，本發(fā)明的上述實施例僅僅是為清楚地說明本發(fā)明所作的舉例，而并非是對 本發(fā)明的實施方式的限定。對于所屬領(lǐng)域的普通技術(shù)人員來說，在上述說明的基礎(chǔ)上還可 以做出其它不同形式的變化或變動。這里無需也無法對所有的實施方式予以窮舉。凡在本 發(fā)明的精神和原則之內(nèi)所作的任何修改、等同替換和改進等，均應(yīng)包含在本發(fā)明權(quán)利要求 的保護范圍之內(nèi)。
【主權(quán)項】
1. 一種基于Contour let變換的圖像拼接檢測方法，其特征在于，包括以下步驟： S1:選取圖像訓(xùn)練集：訓(xùn)練集包含沒有經(jīng)過任何篡改操作的原始圖像和經(jīng)過拼接篡改 的拼接圖像； S2:對訓(xùn)練圖像進行Contourlet變換:對于圖像訓(xùn)練集的每一張圖像，分別進行相同的 &3]11:〇111'161:變化，使用1^層的(：〇111:〇111'161:分解，相應(yīng)的每層金字塔方向濾波器0?13的向量個 數(shù)設(shè)為{Π ，f2，…，fn}，每層分解會得到對應(yīng){2f 1，2f2，…，2fn}個系數(shù)子帶，并且第一層分解 時，會額外得到一個低通系數(shù)子帶，因此一共得到K= l+2fl+2f2+-_+2fn個系數(shù)子帶，每個子 帶為一個系數(shù)矩陣； S3:提取Markov特征:針對每張圖像的每個系數(shù)子帶提取Markov特征，先將系數(shù)子帶矩 陣的每個系數(shù)取整和取絕對值，再按照水平方向和垂直方向計算其差分矩陣，會得到兩個 差分矩陣，對每個差分矩陣的系數(shù)，使用閾值T進行截斷操作，大于T的系數(shù)全部替換為T，小 于-T的系數(shù)全部替換為-T，然后對每個差分矩陣計算其水平方向和垂直方向的Markov轉(zhuǎn)移 概率矩陣，將得到的4個Markov轉(zhuǎn)移概率矩陣連在一起作為該系數(shù)子帶的特征向量，再將每 張圖像的所有系數(shù)子帶的特征向量連接在一起，得到該圖像的Markov特征向量； S4:訓(xùn)練特征準(zhǔn)備:得到訓(xùn)練集所有圖像的特征向量后，將原始圖像的特征向量標(biāo)識為 + 1，將拼接圖像的特征向量標(biāo)識為-1，將兩類特征集作為SVM的特征訓(xùn)練集，特征集每行對 應(yīng)一張圖像的特征向量，每列對應(yīng)一種特征； S5: SVM-RFE降維：使用基于支持向量機的回歸特征消除方法SVM-RFE對特征訓(xùn)練集的 每一列特征進行排序，得到特征排序列表，按照特征排序列表對每張圖像的特征向量選擇 前η個特征值構(gòu)成新的特征向量，進而組成一個新的特征向量集； S6:尋找最優(yōu)的懲罰參數(shù)c和核參數(shù)g并訓(xùn)練得到分類器:對降維后得到的特征向量集 和相應(yīng)的標(biāo)識集使用徑向基內(nèi)核的SVM訓(xùn)練，使用網(wǎng)格搜索的方法搜索最優(yōu)的懲罰參數(shù)c和 核參數(shù)g，得到分類器模型； S7:測試圖像提取特征:對測試圖像進行與上面訓(xùn)練圖像相同的Contourlet變換，對得 到的每個系數(shù)子帶提取Markov特征得到特征向量，即進行類似S2和S3的操作，然后按照S5 得到的特征排序列表選取前η個特征值，得到測試圖像的特征向量； S8:分類預(yù)測：加載S6得到的SVM分類模型，對S7得到的測試圖像的特征向量進行分類 預(yù)測，得到預(yù)測結(jié)果，+1代表測試圖像為原始圖像，-1代表測試圖像為拼接圖像。2. 根據(jù)權(quán)利要求1所述的方法，其特征在于，所述步驟S3的處理過程如下： S301:取整和取絕對值:針對每個系數(shù)子帶，將每個系數(shù)取整和取絕對值得到Cx，X對應(yīng) 圖像的第X個系數(shù)子帶； S302:根據(jù)公式(1)和公式(2)計算其水平方向和垂直方向的差分矩陣： Dxh=Cx(u,v)-Cx(u+l ,v) (1) Dxv=Cx(u,v)-Cx(u, ν+1) (2) 其中，u和ν代表Cx系數(shù)的坐標(biāo)，Dxh和Dxv分別代表Cx在水平方向和垂直方向的差分矩陣； S303:閾值截斷：對每個差分矩陣的系數(shù)，使用閾值T進行截斷操作，大于T的系數(shù)全部 替換為T，小于-T的系數(shù)全部替換為-T; S304:提取Markov特征:根據(jù)公式（3)到公式(6)計算兩個差分矩陣對應(yīng)的水平方向和 差分方向的Markov轉(zhuǎn)移概率矩陣：其中，Sxu和Sxv分別對應(yīng)Cx系數(shù)子帶矩陣水平方向和垂直方向的維數(shù)，Mxhh和Mxhv分別代 表Dxh的水平方向和垂直方向的Marko v轉(zhuǎn)移概率矩陣，Mxvh和Mxvv分別代表Dxv的水平方向和 垂直方向的Markov轉(zhuǎn)移概率矩陣，i，j e {-T，-T+1，…，-1，0，1，…，T-1，T}代表Cx系數(shù)的各 種取值組合，并且：S305:連接特征:對于每個子帶，將4個Markov轉(zhuǎn)移概率矩陣連在一起得到該子帶的特 征向量，然后連接各個子帶的特征向量可以得到每張圖像的特征向量。
【文檔編號】G06T3/40GK106056600SQ201610365057
【公開日】2016年10月26日
【申請日】2016年5月26日
【發(fā)明人】盧偉, 張清柏
【申請人】中山大學(xué)