專利名稱：基于小波域的圖像拼接盲檢測方法
技術領域：
本發明涉及的是一種圖像處理技術領域的檢測方法，具體是一種基于小波 域的圖像拼接盲檢測方法。
背景技術：
基于數字圖像的易于篡改，特別是"移花接木"的拼接篡改十分常見，使 得數字圖像的真實性鑒別問題在司法檢測，新聞報道等領域有著十分重要的意 義。針對這種篡改，有主動鑒別和被動鑒別兩種方式。主動鑒別主要是在數字 圖像中加入數字水印，不過目前的相機大都不具備這種功能，因此實用性相對 較小。而被動鑒別，即在無任何先驗信息條件下的盲檢測雖然有很大發展潛力， 但是鑒別難度較大，因而發展比較緩慢。目前的盲檢測方法研究主要有兩種 基于篡改痕跡的檢測和基于圖像內容的檢測。前者主要從篡改后留下的痕跡， 如光照不一致、相機來源不同等方面來鑒別，取得了不錯的效果，但是這些方 法受到諸如光照條件、相機型號等條件的制約。后者則是利用模式識別的方法， 提取對圖像拼接敏感的特征，用分類器判別圖像是否篡改。這種方法適用范圍 廣泛，受到制約少，但是特征的選取至關重要，目前其準確度并不高。
經對現有技術文獻的檢索發現，Tian-TsongNg、 Shih-Fu Chang和Qibin Sun 等人在文獻 "Blind detection of photomontage using higher order statistics[C]"(《利用高階統計量的圖像篡改盲檢測》)(IEEEProceeding of International Symposium on Circuits and System. Vancouver, Canada: IEEE Press, 2004.688 691) (IEEE電路與系統會議論文集)，提出了基于圖 像統計特征的雙譜特征，并通過分類器來判斷圖像真偽。該方法對拼接篡改的 適用范圍較廣，但特征提取耗時較長，且檢測準確率不夠好，僅有71.5%。
發明內容
本發明目的在于針對現有技術的不足，提供一種基于小波域的圖像拼接盲 檢測方法。通過對自然圖像小波高頻子帶系數分布模型分析，對圖像特征提取，通過分類器判斷，實現圖像拼接盲檢測。 本發明是通過以下技術方案實現的-
首先用自然圖像的高頻小波子帶系數能夠較好地擬合廣義高斯分布 (General Gaussian Distribution, GGD);
當自然圖像經過篡改后，其小波分解得到的高頻子帶系數的統計特性發生 變化，從而無法與廣義高斯分布很好地吻合，因此，對每個高頻子帶，利用這
個特點進行特征提取；
在對圖像小波分解后，用每個高頻子帶系數進行參數估計，與高頻子帶系 數的實際分布做比較，并利用它們之間的差別提取特征；
然后通過支持向量機SVM (Support Vector Machine)分類，對圖像真偽進 行判別。
所述的圖像特征提取，包括如下步驟
① 圖像進行離散小波變換(DWT)后，對每一個高頻子帶，假設系數服從廣 義高斯分布，利用大小為俯^的高頻子帶系數W力J)，求解下列方程式
r(V，(5/《丄丄l^ r2(3/v) 《層會臺 、，"
其中r(。為gamma函數。可得到廣義高斯分布概率密度函數的形狀參數r 和方差參數^ 。并將估計出的參數值代入下式可得到廣義高斯分布概率密度函
數"+^y士exP「["v脾&]卞其中樸揚)岸)。由于
自然圖像的參數r一般在0. 5到0. 8之間，將參數H乍為一個特征。
② 將高頻子帶系數的系數最小值到最大值之間等分為《個區間，即區間長 度Z= (Max-Min) /《計算系數落在各個區間內的概率p(《)(b 1,2...幻，則實
際概率密度分布函數在每個區間中心處的取值近似為g(《)-p(《)/丄；
③ 在每個區間中心處，求實際圖像的高頻子帶系數分布密度函數和其預測 函數值之間的差cfe/to(60 = |g(《)-;r(《)| ,將其平均值1 《 K
叾//"(《)=丄￡^^^9,)、所有區間內^/^(《)*丄的和^附=^^^"(60*丄作為
另外兩個特征；
所述的SVM分類過程，包括如下步驟
① 用一些已知類別的圖像構成訓練集(包括真實圖像和拼接圖像)，對訓練 集的每一幅圖像提取上述的小波域特征，并用不同的標志位來標志其圖像所屬 類別(如標志位為1表示其為真實圖像，-l表示拼接圖像)；
② SVM分類器核函數選用徑向基函數，將訓練集特征送入支持向量機SVM， 利用交叉驗證，獲得使交叉驗證準確率最高的最優參數C和g，并用其訓練支持 向量機SVM;
(D對測試圖像，提取上述小波域特征，并用訓練過的支持向量機SVM判斷 其所屬類別。
本發明針對圖像的拼接篡改，利用自然圖像小波子帶系數的廣義高斯分布 特性提取特征，并用分類器進行分類，很好地解決了圖像拼接盲檢測問題。對 于要進行鑒別的圖像，通過對其提取基于廣義高斯分布的統計特征，經過分類 器即可給出其判定結果。
本發明具有效率高和準確率高的特點。采用本發明的方法，能夠大大降低 算法的復雜度，可以明顯地提高圖像特征提取速度。而用分類器處理的時候， 分類速度幾乎不受影響，因此效率提高很多，而準確率也較之雙譜特征的分類 結果提高了將近3%。
圖l為本發明流程圖2為本發明廣義高斯統計特征提取流程圖。
具體實施例方式
下面結合附圖對本發明的實施例作詳細說明本實施例在國際上廣泛使用 的哥倫比亞大學圖片庫下進行實施，給出了詳細的實施方式和具體的操作過程， 但本發明的保護范圍不限于下述的實施例。
哥倫比亞大學圖片庫包括933幅真實圖片和912幅經拼接篡改的圖片，可在 http:〃www. ee. Columbia. edu/ln/dvrrun/downloads/AuthSplicedDataSet/dlfonn. html獲得。基于圖像小波高頻子帶系數統計特征的分析，在圖片被拼接篡改后，其統 計特征發生變化，通過特征提取后，經過SVM分類器進行分類，可迅速地判斷出 其真實性。具體過程為-
第一步隨機選取真實、篡改圖片各770幅組成訓練集，其余圖片組成測試 集將933幅真實圖片編號為1至933，利用隨機函數，產生一組l-933之間的隨 機數，將圖片按照隨機數的編號重新排列，取前770幅作為訓練集部分，剩余作 為測試集部分；同理，在篡改圖片集上進行類似的操作，可以建立起訓練集和 測試集；
第二步對訓練集中圖像進行基于小波域的統計特征提取
(1) 對訓練集中的每一幅圖片，用Daubechies2小波進行2級離散小波變換。 對每個高頻子帶的系數矩陣， 一方面，將系數最小值到最大值之間等分為^256 個區間，即區間長度^ (Max-Min) Af，求出其實際概率密度函數在各個區間中 心處的值g(《)；另一方面，利用參數估計的方法得到廣義高斯分布方差參數《 和形狀參數r，將參數動值作為一個特征，并計算其概率密度函數;r(^;
(2) 在每個區間中心處，求實際圖像的高頻子帶系數分布密度函數和其預
測函數值之間的差敲,)，將其平均值^^)=丄|>//"(《)、所有區間內
K ,=i
A/to (《)*丄的和wm = f A/to(6>,) *丄作為另外兩個特征；
第三步訓練SVM分類器對得到的訓練集圖像特征，用不同的標志位來標 志其圖像所屬類別(l表示其為真實圖像，-l表示拼接圖像)。SVM分類器可選用 libsvm，核函數選用徑向基函數。對訓練集中的圖像特征，利用交叉驗證，獲 得使交叉驗證準確率最高的最優參數a口g，并用這些參數對分類器進行訓練；
第四步利用訓練過的SVM分類器進行圖像所屬類別的判定與訓練集中特
征提取方式類似，提取測試集中每一幅圖像的特征，通過訓練過的分類器，可 得到判定結果。將判定結果與測試圖像實際所屬類別比較，統計判定結果的正 確率。
在該實施案例中，最終得到的正確率為74.25%，對每幅圖片的特征提取和 類型判別平均時間為1.9秒。而常規的雙譜統計特征的正確率為71.48%，圖片特征提取和類型判別平均時間為91.6秒。可以看出，較之常規方法，本實施例在 正確率和效率方面都有了明顯的提高。
本實施例用廣義高斯分布來擬合圖像小波高頻子帶系數，并將擬合的廣義 高斯分布密度函數作為實際高頻子帶系數的概率密度函數，利用二者的差別提 取統計特征。這種特征提取方法尚屬首創。在發生拼接篡改時，由于統計特征 的改變，能利用這些特征對圖像的真偽進行判定。實驗表明，本實施例不僅在 判別的正確率上優于傳統方法，且效率有了很大的改觀。
權利要求
1、一種基于小波域的圖像拼接盲檢測方法，其特征在于首先用自然圖像的高頻小波子帶系數擬合廣義高斯分布；當自然圖像經過篡改后，其小波分解得到的高頻子帶系數的統計特性發生變化，從而無法與廣義高斯分布很好地吻合，因此，對每個高頻子帶，利用這個特點進行特征提取；在對圖像小波分解后，用每個高頻子帶系數進行參數估計，與高頻子帶系數的實際分布做比較，并利用它們之間的差別提取特征；然后通過支持向量機SVM分類，對圖像真偽進行判別。
2、 根據權利要求l所述的基于小波域的圖像拼接盲檢測方法，其特征是， 所述的圖像特征提取，包括如下步驟-①圖像進行離散小波變換后，對每一個高頻子帶，假設系數服從廣義高斯 分布，利用大小為換#的高頻子帶系數『Ui)，求解下列方程式其中r(。為gamma函數，可得到廣義高斯分布概率密度函數的形狀參數r 和方差參數^;并將估計出的參數值代入下式可得到廣義高斯分布概率密度函其中7(" = #(3潛(1/小參數W乍為一個特征；② 將高頻子帶系數的系數最小值到最大值之間等分為,個區間，即區間長 度Z= (Max-Min) 計算系數落在各個區間內的概率p(《)(/= 1,2..X)，則實際概率密度分布函數在每個區間中心處的取值近似為gp,) = i^60/Z ;③ 在每個區間中心處，求實際圖像的高頻子帶系數分布密度函數和其預測《=ZZw2(z',7')v;/(v) 1函數值之間的差dfe/to(6!) = |g(6i)-;r(60|，將其平均值^a^) = if>e/to(《)、所有區間內de/top,) * Z的和= f A/to(《)* ￡作為另外兩個特征。
3、 根據權利要求2所述的基于小波域的圖像拼接盲檢測方法，其特征是， 所述的支持向量機SVM分類過程，包括如下步驟① 用包括真實圖像和拼接圖像已知類別的圖像構成訓練集，對訓練集的每 一幅圖像提取上述的小波域特征，并用標志位來標志其圖像所屬類別；② SVM分類器核函數選用徑向基函數，將訓練集特征送入支持向量機SVM， 利用交叉驗證，獲得使交叉驗證準確率最高的最優參數C和g，并用其訓練支持 向量機SVM;③ 對測試圖像，提取上述小波域特征，并用訓練過的支持向量機SVM判斷 其所屬類別。
4、 根據權利要求3所述的基于小波域的圖像拼接盲檢測方法，其特征是， 所述的所屬類別，是指標志位為1表示其為真實圖像，-l表示拼接圖像。
全文摘要
本發明涉及的是一種圖像處理技術領域的基于小波域的圖像拼接盲檢測方法。本發明用廣義高斯分布來擬合圖像小波高頻子帶系數，并將估計出的擬合廣義高斯分布密度函數作為實際高頻子帶系數的概率密度函數，利用二者的差別提取統計特征。在發生拼接篡改時，由于統計特征的改變，能利用這些特征對圖像的真偽進行判定。本發明可以解決高階統計特征準確率低，運行時間長的問題，從而使拼接篡改盲檢測的效率和實用性大大提高。本發明被用于對實際的拼接圖片檢測，實驗表明，該方法的實時性強，能夠取得不錯的效果，為進一步發展該領域奠定了很好的基礎。
文檔編號G06T1/00GK101655972SQ200910195778
公開日2010年2月24日 申請日期2009年9月17日 優先權日2009年9月17日
發明者張愛新, 彤 朱, 哲 李, 李建華, 李生紅, 波 金, 進 馬 申請人:上海交通大學