图像拼接是一种常见的图像篡改手段。对拼接过的图像进行盲检测可以有效鉴别图像是否经过人为篡改。针对图像盲检测中经常用到的质量参数特征进行了改进:首先对图像进行离散小波变换,然后提取小波变换后的四个子波带的质量参数特征;最后将得到的特征输入到支持向量机(SVM)中进行分类。在哥伦布比亚图像拼接评测彩色库上进行试验,证明了小波域上的质量参数特征比之前的质量参数特征有更好的表现,达到了93.39%的识别率。 Image splicing is a common way of image tampering. Detecting the spliced images blindly can identify whether the image is tampered artificially. The Image Quality Metrics used in image blind detection is improved. First, the image is transformed by discrete wavelet transform, then the quality parameters of the four wavelet bands after wavelet transform are extracted. Finally, the features are input to the support vector machine (SVM) for classification. Experiments on Columbia image splicing detection evaluation database show that the characteristics of the quality pa-rameters in the wavelet domain are better than the previous quality parameters, and the recogni-tion rate of 93.39% is achieved.
张喆葳1,杨正洪1,牛少彰2*
1中国农业大学,数学与应用数学系,北京
2北京邮电大学,智能通信软件与多媒体北京重点实验室,北京
收稿日期:2018年6月11日;录用日期:2018年6月28日;发布日期:2018年7月4日
图像拼接是一种常见的图像篡改手段。对拼接过的图像进行盲检测可以有效鉴别图像是否经过人为篡改。针对图像盲检测中经常用到的质量参数特征进行了改进:首先对图像进行离散小波变换,然后提取小波变换后的四个子波带的质量参数特征;最后将得到的特征输入到支持向量机(SVM)中进行分类。在哥伦布比亚图像拼接评测彩色库上进行试验,证明了小波域上的质量参数特征比之前的质量参数特征有更好的表现,达到了93.39%的识别率。
关键词 :离散小波变换,图像质量参数,支持向量机,图像拼接检测
Copyright © 2018 by authors and Hans Publishers Inc.
This work is licensed under the Creative Commons Attribution International License (CC BY).
http://creativecommons.org/licenses/by/4.0/
与以语言和文字为主的传统交流方式不同,图像是一种直接的、天然的信息表达方式,它不要求信息手中具有特定知识即可完成信息传达,在现今社会中占据重要地位。随着功能强大的图片处理工具,如Photoshop、Microsoft paint等的出现,图像编辑、修改更加容易。数字图像防伪鉴定近年来成为信息安全领域的新兴且极其重要的研究课题,同时是图像媒体内容安全的关键技术。拼接篡改是最常用的图像篡改方式之一,本文主要研究图像拼接篡改的检测方法。
图像篡改检测主要分为两种方法,即主动检测方法和被动检测方法 [
国内外在图像篡改盲检测方面的研究工作集中在两方面:一方面是基于单一特征在篡改前后的变化进行检测鉴定。国外主要研究成果有:利用图像光照不一致性进行检测 [
小波变换首先要选取母函数,经变换得到各级小波函数,然后将信号分解为小波函数的级数,即得到小波参数 [
图1. 离散小波变换过程示意图
1阶和2阶,从左到右依次是低通、垂直、水平和对角方向),其将图像内容以不同的尺度和方向进行分解。图像沿水平和垂直方向与低通和高通滤波器进行运算,可以得到低通、垂直、水平和对角子带,用 i = 1 , 2 , ⋯ , n 表示尺寸,用A表示子带,V、H、D表示方向,则对应子带可记为Ai、Vi、Hi、Di。以一个圆盘图像的三阶小波分解为例,各子带如图1(b)所示。
Avcibas研究了图像的客观质量评价量及其统计特性 [
1) 基于图像之间像素差异的图像质量参数的计算相较于其他质量参数比较简单,而且在某些情况下有不错的表现。因此,这类直观的质量参数也是被最早应用的一类参数。在图像拼接检测中,如果拼接区域和原图像的其它部分内容差异较大,那么这一类质量参数可以很敏感捕获到由拼接带来的边缘信息。该类质量参数有分别表是图像和滤波版本之间像素统计差异的平局绝对误差和均方差的 D 1 、 D 2 :
D 1 = 1 K ∑ k = 1 K { 1 N × M ∑ i = 0 N − 1 ∑ j = 0 M − 1 | C K ( i , j ) − C ^ K ( i , j ) | } (1)
D 2 = 1 K ∑ k = 1 K { 1 N × M ∑ i = 0 N − 1 ∑ j = 0 M − 1 | C K ( i , j ) − C ^ K ( i , j ) | 2 } 1 2 (2)
其中: C K ( i , j ) 表示待检图像中第i行j列像素的第K (RGB图像中K = 1,2,3)通道值。 C ^ K ( i , j ) 表示待检图像高斯滤波后第i行j列像素第K通道值,图像大小为 N × M 像素,下同。
2) 基于图像和它的滤波版本之间相关性的度量,包括图像保真度度量 D 4 和归一化相关度量 D 5 :
D 4 = 1 − [ 1 K ∑ k = 1 K 1 N × M ∑ i = o N − 1 ∑ j = 0 M − 1 [ C K ( i , j ) − C ^ K ( i , j ) ] 2 ∑ i = 0 N − 1 ∑ j = 0 M − 1 [ C K ( i , j ) ] 2 ] (3)
D 5 = 1 K ∑ k = 1 K ∑ i = o N − 1 ∑ j = 0 M − 1 C K ( i , j ) C ^ K ( i , j ) ∑ i = 0 N − 1 ∑ j = 0 M − 1 [ C K ( i , j ) ] 2 (4)
3) 基于图像和它的滤波版本之间谱差异度量,包括基于傅里叶谱幅值差异度量 S 1 :
S 1 = 1 K ∑ k = 1 K 1 N × M ∑ u = 0 N − 1 ∑ v = 0 M − 1 | φ ( u , v ) − φ ^ ( u , v ) | (5)
其中:
φ ( u , v ) = arctan ( Γ ( u , v ) ) Γ K ( u , v ) = ∑ n = 0 N − 1 ∑ m = 0 M − 1 C K ( m , n ) exp ( − 2 π i m u N ) ⋅ exp ( − 2 π i n v M ) ; K = 1 , ⋯ , K
4) 基于图像和它的滤波版本之间人眼视觉系统的度量,即归一化均方差 H 1 :
H 1 = 1 K ∑ k = 1 K ( ∑ i = 0 N − 1 ∑ j = 0 M − 1 | U { C K ( i , j ) } − U { C ^ ( i , j ) } | ∑ i = 0 N − 1 ∑ j = 0 M − 1 | U { C K ( i , j ) } | ) (6)
其中:
U ( C K ( i , j ) ) = D C T − 1 ( H ( u 2 + v 2 ) Ω ( u , v ) )
H ( ρ ) = { 0.05 e 0.554 ρ , ρ < 7 e 9 | n ρ − ln 9 | 2.3 , ρ ≥ 7
在提取特征的过程中对每一幅图像进行如下操作:
1) 将彩色图像转化为0~255范围的灰度图像。
2) 将图像进行一阶离散小波变换(这里选取Haar小波函数作为母函数)。
3) 对图像小波变换后得到的四个子带:A、H、D、V分别由(1)~(6)式计算他们的质量参数。
特征提取过程如图2所示:
这样对于每幅图像的四个子带都各有6个质量参数特征,一共是 4 × 6 = 24 维特征向量。
目前图像篡改检测领域供公开测试的权威样本库是哥伦比亚大学拼接图像库,又独立分为无压缩彩色图像拼接检测哭和灰度图像拼接检测库。彩色库拥有363张图片(图3),其中真实图像有183张,拼接图
图2. 特征提取过程示意图
像有180张,图像大小从 757 × 568 到 1152 × 768 不等,格式为tiff,由几部不同的相机拍摄,拼接图像的来源可以是同一个相机也可以是不同的相机,且没有平滑处理等后续操作 [
为了评测所提取特征检测操作的有效性,将在彩色库上进行试验。将彩色图像库的图像转换为灰度图像。从RGB颜色空间提取亮度信息转换为灰度图像的常用公式如下式所示:
Y = 0.299 R + 0.587 G + 0.114 B
支持向量机(Support Vector Machine, SVM)是一种基于统计学习理论的模式识别方法。本文选用LIBSVM [
现在彩色库上进行实验与其他特征进行对比,如彩色质量参数特征 [
随机从彩色库中选取了五幅图片,分别记录了对于不同特征他们的特征提取时间,还记录了不同特征的模型训练时间,以期比较他们之间的时间复杂度,结果如表2。
从表2可以看出,相较于其他特征本文特征在特征提取和训练上时间复杂度都有明显下降。
本文提出了一种基于图像离散小波变换的图像质量评价量的拼接盲检测模型。该模型首先对图像进行离散小波变换,然后提取一阶变换后的四个子波带作为计算质量参数的原图。通过公式计算出每个子波带的6个质量参数,得到24维特征向量。将特征输入到SVM训练分类器。最后,比较了本文的小波域质量参数特征和其他特征的识别率等指标。结果显示本文在哥伦比亚彩色拼接图像库上的识别率达到
图3. 彩色图像库中的图片
图4. SVM分类算法流程
图5. 彩色库质量参数特征roc曲线
提取特征 | 维数 | 识别率 | AUC | TP | TN |
---|---|---|---|---|---|
小波域质量参数 | 24 | 93.39 | 0.97 | 91.09 (0.25) | 94.5 (0.16) |
彩色质量参数 [ | 28 | 78.79 | 0.87 | 83.26 (0.62) | 75.66 (0.49) |
小波域马尔科夫特征 [ | 588 | 90.36 | 0.96 | 88.83 (0.78) | 90.63 (0.41) |
统计矩特征 [ | 168 | 77.69 | 0.83 | 69.87 (0.65) | 81.81 (0.89) |
表1. 不同特征在彩色库上的识别率及AUC
注:括号内的数据表示实验数据的标准差。
提取特征 | 维数 | 特征提取时间 | 训练时间 |
---|---|---|---|
小波域质量参数 | 24 | 28.273 s | 0.006 s |
原图质量参数特征 | 28 | 41.365 s | 0.011 s |
小波域马尔科夫特征 | 588 | 60.485 s | 0.127 s |
统计矩特征 | 168 | 37475.325 s | 0.038 s |
表2. 彩色库上特征时间比较
注:括号内的数据表示实验数据的标准差。
了93.39%,高于其它几种特征。并且,小波域质量参数特征相较于其它特征而言,提取特征的时间更短,训练时间也更短。
国家自然科学基金联合基金[U1536121];国家自然科学基金[
张喆葳,杨正洪,牛少彰. 基于小波域上质量参数特征的图像拼接篡改盲检测 Image Splicing Detection Based on Image Quality Metrics[J]. 图像与信号处理, 2018, 07(03): 128-135. https://doi.org/10.12677/JISP.2018.73015