留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于分片变换的图像Copy-Move篡改检测方法

谢伟 万晓霞 严文婧 叶松涛

谢伟, 万晓霞, 严文婧, 叶松涛. 基于分片变换的图像Copy-Move篡改检测方法[J]. 武汉大学学报 ● 信息科学版, 2017, 42(9): 1337-1342. doi: 10.13203/j.whugis20150451
引用本文: 谢伟, 万晓霞, 严文婧, 叶松涛. 基于分片变换的图像Copy-Move篡改检测方法[J]. 武汉大学学报 ● 信息科学版, 2017, 42(9): 1337-1342. doi: 10.13203/j.whugis20150451
XIE Wei, WAN Xiaoxia, YAN Wenjing, YE Songtao. Copy-Move Forgery Detection Using Slicing Transform[J]. Geomatics and Information Science of Wuhan University, 2017, 42(9): 1337-1342. doi: 10.13203/j.whugis20150451
Citation: XIE Wei, WAN Xiaoxia, YAN Wenjing, YE Songtao. Copy-Move Forgery Detection Using Slicing Transform[J]. Geomatics and Information Science of Wuhan University, 2017, 42(9): 1337-1342. doi: 10.13203/j.whugis20150451

基于分片变换的图像Copy-Move篡改检测方法

doi: 10.13203/j.whugis20150451
基金项目: 

国家重点基础研究发展规划(973计划) 2012CB725302

国家自然科学基金 61275172

详细信息
    作者简介:

    谢伟, 博士生, 主要从事数字图像处理与图像取证研究。tntxie@qq.com

    通讯作者: 万晓霞, 博士, 教授。wan@whu.edu.cn
  • 中图分类号: TP391

Copy-Move Forgery Detection Using Slicing Transform

Funds: 

The National Program on Key Basic Research Project of China 2012CB725302

the National Natural Science Foundation of China 61275172

More Information
    Author Bio:

    XIE Wei, PhD candidate, specializes in digital image processing and digital image forensics. E-mail:tntxie@qq.com

    Corresponding author: WAN Xiaoxia, PhD, professor. E-mail:wan@whu.edu.cn
  • 摘要: 针对图像区域复制(copy-move,C-M)篡改检测方法通常面临的特征向量维度高、计算量大等问题,提出了一种基于分片变换(slicing transform,SLT)的图像C-M篡改检测方法。通过对目标图像进行SLT变换并对图像分片进行分组合并,提取每组图像分片的局部分片密度特征对图像块进行C-M篡改检测。实验结果表明,该方法提出的局部分片密度特征向量能够较好地表征图像特征,较典型的基于分块的篡改检测方法特征维度低,具有较低的时间复杂度和较高的检测率,并且对图像篡改区域的旋转攻击和缩放攻击亦具有较好的鲁棒性。
  • 图  1  图像SLT变换过程

    Figure  1.  Process Procedure of SLT

    图  2  基于SLT的图像篡改检测流程

    Figure  2.  Process of Forgery Detection Using SLT

    图  3  基于SLT的图像篡改检测实例

    Figure  3.  Examples of Forgery Detection Based on SLT

    图  4  旋转攻击与缩放攻击对比实验

    Figure  4.  Comparison of Robustness to Rotation and Scaling Attacking

    表  1  普通篡改检测对比实验/%

    Table  1.   Comparision of the Accuracy of Traditional Methods/%

    检测方法 准确率 召回率 综合评价指标
    Benchark Data CoMoFoD Benchark Data CoMoFoD Benchark Data CoMoFoD
    本文方法 86.05 97.22 84.09 87.50 85.06 92.11
    DCT 69.23 73.91 93.75 85.00 79.65 79.07
    DWT 65.22 70.00 93.75 87.50 76.92 77.78
    PCA 76.79 96.97 89.58 80.00 82.69 87.67
    Zernike 81.82 73.91 93.75 85.00 87.38 79.07
    下载: 导出CSV

    表  2  算法性能对比实验/s

    Table  2.   Comparision of Time Consuming/s

    检测方法 P-T F-T M-T O-T
    本文方法 0.093 9 1.206 2 13.294 9 14.889 2
    DCT 0.051 2 43.455 0 24.733 0 68.379 8
    DWT 0.051 3 0.164 9 29.108 8 29.536 3
    PCA 0.050 7 68.894 7 13.726 8 82.798 2
    Zernike 0.051 6 1.984 6 15.868 4 18.019 2
    下载: 导出CSV
  • [1] Birajdar G K, Mankar V H. DigitalImage Forgery Detection Using Passive Techniques:A Survey[J]. Digital Investigation, 2013, 10(3):226-245 doi:  10.1016/j.diin.2013.04.007
    [2] Fridrich A J, Soukal B D, Lukáš A J.Detection of Copy-Move Forgery in Digital Images[C]. Digital Forensic Research Workshop, Cleveland, USA, 2003
    [3] Popescu A C, Farid H. Exposing Tigital Forgeries by Detecting Duplicated Image Regions[R]. Dartmouth Computer Scieuce Technical Report, Dartmouth, USA, 2004.
    [4] Kang X B, Wei S M. Identifying Tampered Regions Using Singular Value Decomposition in Digital Image Forensics[C].International Conference on Computer Science and Software Engineering, New York, USA, 2008
    [5] Mahdian B, Saic S. Detection of Copy-Move Forgery Using a Method Based on Blur Moment Invariants[J].Forensic Science International, 2007, 171(2):180-189 http://www.sciencedirect.com/science/article/pii/S0379073806006748
    [6] Li G, Wu Q, Tu D, et al. A Sorted Neighborhood Approach for Detecting Duplicated Regions in Image Forgeries Based on DWT and SVD[C]. IEEE International Conference on Multimedia and Expo, New York, USA, 2007
    [7] Bashar M, Noda K, Ohnishi N, et al.Exploring Duplicated Regions in Natural Images[J]. IEEE Transactions on Image Processing, 2010(99):1-40 http://www.ncbi.nlm.nih.gov/pubmed/20350843
    [8] Ryu S J, Lee M J, Lee H K. Detection of Copy-Rotate-Move Forgery Using Zernike Moments[C]. Information Hiding-international Conference, Berlin, Germany, 2010
    [9] Ardizzone E, Bruno A, Mazzola G.Detecting Multiple Copies in Tampered Images[C]. IEEE International Conference on Image Processing, New York, USA, 2010
    [10] Amerini I, Ballan L, Caldelli R, et al. A Sift-based Forensic Method for Copy-Move Attack Detection and Transformation Recovery[J].IEEE Transactions on Information Forensics and Security, 2011, 6(3):1099-1110 doi:  10.1109/TIFS.2011.2129512
    [11] Shivakumar B L, Baboo L D S S. Detection of Region Duplication Forgery in Digital Images Using SURF[J].IJCSI International Journal of Computer Science Issues, 2011, 8(4):199-205 http://www.oalib.com/paper/2654588
    [12] Christlein V, Riess C, Jordan J, et al. An Evaluation of Popular Copy-Move Forgery Detection Approaches[J].IEEE Transactions on Information Forensics and Security, 2012, 7(6):1841-1854 doi:  10.1109/TIFS.2012.2218597
    [13] Tralic D, Zupancic I, Grgic S, et al. CoMoFoD-New Database for Copy-Move Forgery Detection[C]. The 55th International Symposium ELMAR, New York, USA, 2013
  • [1] 侯翔, 闵连权, 唐立文.  定位篡改实体组的矢量地图脆弱水印算法 . 武汉大学学报 ● 信息科学版, 2020, 45(2): 309-316. doi: 10.13203/j.whugis20170404
    [2] 李健伟, 曲长文, 彭书娟.  SAR图像舰船目标联合检测与方向估计 . 武汉大学学报 ● 信息科学版, 2019, 44(6): 901-907. doi: 10.13203/j.whugis20170328
    [3] 刘伟, 陈建宏, 曾阳帆, 赵拥军.  利用先验约束的SAR图像港口检测与鉴别 . 武汉大学学报 ● 信息科学版, 2016, 41(10): 1319-1325. doi: 10.13203/j.whugis20140794
    [4] 王玉, 李玉, 赵泉华.  结合规则划分和M-H算法的SAR图像分割 . 武汉大学学报 ● 信息科学版, 2016, 41(11): 1491-1497. doi: 10.13203/j.whugis20140536
    [5] 刘慧, 李清泉, 高春仙, 曾喆.  利用C_SURF配准的空基视频运动目标检测 . 武汉大学学报 ● 信息科学版, 2014, 39(8): 951-955. doi: 10.13203/j.whugis20130121
    [6] 李晖, 肖鹏峰, 冯学智, 林金堂.  多光谱图像的边缘特征检测方法 . 武汉大学学报 ● 信息科学版, 2012, 37(6): 644-648.
    [7] 王海军, 张文婷, 贺三维, 邓羽.  利用元胞自动机和模糊C均值进行图像分割 . 武汉大学学报 ● 信息科学版, 2010, 35(11): 1288-1291.
    [8] 汪长城, 廖明生.  一种多孔径SAR图像目标检测方法 . 武汉大学学报 ● 信息科学版, 2009, 34(1): 32-35.
    [9] 张浩, 蔡晋辉, 周泽魁.  DS证据理论在SAR图像边缘检测中的应用 . 武汉大学学报 ● 信息科学版, 2008, 33(1): 105-108.
    [10] 张震, 任远, 平西建, 康吉全.  基于图像质量评价量和隐马尔科夫模型的图像拼接检测 . 武汉大学学报 ● 信息科学版, 2008, 33(10): 1030-1033.
    [11] 张剑清, 佘琼, 潘励.  基于LBP/C纹理的遥感影像居民地变化检测 . 武汉大学学报 ● 信息科学版, 2008, 33(1): 7-11.
    [12] 张静, 王国宏, 林雪原.  一种基于正则化方法的SAR图像边缘检测算法 . 武汉大学学报 ● 信息科学版, 2007, 32(10): 864-867.
    [13] 王家成, 杨世植, 麻金继, 王先兵.  东南沿海MODIS图像自动云检测的实现 . 武汉大学学报 ● 信息科学版, 2006, 31(3): 270-273.
    [14] 胡鹏, 傅仲良, 陈楠.  利用灰色理论进行图像边缘检测 . 武汉大学学报 ● 信息科学版, 2006, 31(5): 411-414.
    [15] 王植, 贺赛先, 毛庆洲, 仲思东.  数字图像处理技术在钢坯在线检测系统中的应用 . 武汉大学学报 ● 信息科学版, 2005, 30(3): 269-273.
    [16] 周军其, 薛存金, 孙家抦.  基于修正后直方图不变矩的符号图像变化检测 . 武汉大学学报 ● 信息科学版, 2005, 30(2): 150-153.
    [17] 杨文, 孙洪, 徐新, 徐戈.  星载SAR图像船舶及航迹检测 . 武汉大学学报 ● 信息科学版, 2004, 29(8): 682-685.
    [18] 张佑生, 彭青松, 汪荣贵, 偶春生.  基于子图像VCH的文本检测与定位方法研究 . 武汉大学学报 ● 信息科学版, 2003, 28(3): 354-358.
    [19] 巫兆聪, 方圣辉.  基于分形理论的SAR图像边缘检测 . 武汉大学学报 ● 信息科学版, 2000, 25(4): 334-337.
    [20] 朱攀, 廖明生, 杨杰, 刘良明.  M变换在NOAA/AVHRR数据变化检测中的应用 . 武汉大学学报 ● 信息科学版, 2000, 25(2): 143-147.
  • 加载中
图(4) / 表(2)
计量
  • 文章访问数:  1632
  • HTML全文浏览量:  114
  • PDF下载量:  313
  • 被引次数: 0
出版历程
  • 收稿日期:  2016-05-11
  • 刊出日期:  2017-09-05

基于分片变换的图像Copy-Move篡改检测方法

doi: 10.13203/j.whugis20150451
    基金项目:

    国家重点基础研究发展规划(973计划) 2012CB725302

    国家自然科学基金 61275172

    作者简介:

    谢伟, 博士生, 主要从事数字图像处理与图像取证研究。tntxie@qq.com

    通讯作者: 万晓霞, 博士, 教授。wan@whu.edu.cn
  • 中图分类号: TP391

摘要: 针对图像区域复制(copy-move,C-M)篡改检测方法通常面临的特征向量维度高、计算量大等问题,提出了一种基于分片变换(slicing transform,SLT)的图像C-M篡改检测方法。通过对目标图像进行SLT变换并对图像分片进行分组合并,提取每组图像分片的局部分片密度特征对图像块进行C-M篡改检测。实验结果表明,该方法提出的局部分片密度特征向量能够较好地表征图像特征,较典型的基于分块的篡改检测方法特征维度低,具有较低的时间复杂度和较高的检测率,并且对图像篡改区域的旋转攻击和缩放攻击亦具有较好的鲁棒性。

English Abstract

谢伟, 万晓霞, 严文婧, 叶松涛. 基于分片变换的图像Copy-Move篡改检测方法[J]. 武汉大学学报 ● 信息科学版, 2017, 42(9): 1337-1342. doi: 10.13203/j.whugis20150451
引用本文: 谢伟, 万晓霞, 严文婧, 叶松涛. 基于分片变换的图像Copy-Move篡改检测方法[J]. 武汉大学学报 ● 信息科学版, 2017, 42(9): 1337-1342. doi: 10.13203/j.whugis20150451
XIE Wei, WAN Xiaoxia, YAN Wenjing, YE Songtao. Copy-Move Forgery Detection Using Slicing Transform[J]. Geomatics and Information Science of Wuhan University, 2017, 42(9): 1337-1342. doi: 10.13203/j.whugis20150451
Citation: XIE Wei, WAN Xiaoxia, YAN Wenjing, YE Songtao. Copy-Move Forgery Detection Using Slicing Transform[J]. Geomatics and Information Science of Wuhan University, 2017, 42(9): 1337-1342. doi: 10.13203/j.whugis20150451
  • 数字图像处理技术的快速发展大大降低了图像篡改的技术成本和门槛。经过恶意篡改的图片如果作为取证材料用于司法调查、保险理赔等,将会给社会造成严重的负面影响。图像区域复制(copy-move,C-M)篡改作为图像篡改操作中最为常见的一种方式,受到了国内外学者的广泛关注,成为目前图像取证领域研究的热点问题。

    图像C-M篡改是指将图像中某一区域进行复制并覆盖该图像另一区域的一种篡改方式。现有图像C-M篡改检测方法可分为基于分块的检测方法和基于关键点的检测方法[1]。基于分块的检测方法首先对图像进行重叠分块处理,然后从大量分块中提取特征向量,最后通过字典排序或最近邻搜索方法查找相似块来实现图像的篡改检测,如基于离散余弦变换(discrete cosine transform, DCT)的方法[2]、基于主成分分析(principal component analysis, PCA)的方法[3]、基于奇异值分解的方法[4]、基于模糊不变矩的方法[5]、基于离散小波变换(discrete wavelet transform, DWT)的方法[6-7], 以及基于泽尔尼克矩(Zernike moments)[8]的方法等。基于关键点的检测方法通常是对图像进行整体扫描,以找到图像中的关键点,然后通过对这些关键点进行特征提取和分析,找到具有相同特征属性的关键点来实现图像相似区域的检测,如使用尺度不变特征变换(scale-invariant feature transform, SIFT)和快速鲁棒特征(speed-up robust features, SURF)从图像提取可区分的局部特征,通过匹配关键点描述符来代替块匹配的方法实现图像C-M篡改区域的检测[9-11]

    图像C-M篡改检测方法通常存在计算开销大、特征维度高、检测速度慢或检测率低、鲁棒性差等问题。本文提出了一种基于分片变换(slicing transform, SLT)的图像C-M篡改检测方法。通过对目标图像进行SLT变换并对图像分片进行分组合并,提取每组图像分片的局部分片密度特征对图像块进行C-M篡改检测。实验结果表明, 该方法提出的局部分片密度特征向量能够较好地描述图像特征,较典型的基于分块的方法特征维度低,具有较低的时间复杂度和较高的检测率,并且对图像篡改区域旋转、缩放攻击具有较好的鲁棒性。

    • 图像SLT是利用分级量化的基本原理将图像拆分成不同灰度区间上的图像分片,以方便对图像在不同灰度区间上进行细粒度的分析处理。对于任意x∈[a, c)∈R,选取临界值向量q=[q0 q1 q2qM]将区间[a, c)拆分成M个子区间,其中a=q0q1q2<…<qM=c

      对于任意x∈[a, c), k∈[0, M),均有唯一的对应值π(x)及归一化残差r(x):

      $$ \mathit{\pi }\left( \mathit{x} \right){\rm{ = }}\mathit{k}{\rm{, 若}}\mathit{x} \in \left[{{\mathit{q}_{\mathit{k- }{\rm{1}}}}{\rm{, }}{\mathit{q}_\mathit{k}}} \right){\rm{, }}\mathit{r}\left( \mathit{x} \right){\rm{ = }}\frac{{\mathit{x- }{\mathit{q}_{\mathit{\pi }\left( \mathit{x} \right){\rm{- 1}}}}}}{{{\mathit{q}_{\mathit{\pi }{\rm{(}}\mathit{x}{\rm{)}}}}{\rm{ - }}{\mathit{q}_{\mathit{\pi }\left( \mathit{x} \right){\rm{ - 1}}}}}} $$

      根据定义可知r(x)∈[0, 1),r(x)可看作x在区间[qk-1, qk)上的概率分布函数。

      对于二维图像f(x, y)∈[0, 255],定义图像f(x, y)的SLT变换Sqk(x, y)为:

      $$ \mathit{S}_\mathit{\boldsymbol{q}}^\mathit{k}\left( {\mathit{x}, \mathit{y}} \right){\rm{ = }}\left\{ \begin{array}{l} \mathit{r}\left( {\mathit{f}\left( {\mathit{x}, \mathit{y}} \right)} \right),\mathit{f}\left( {\mathit{x}, \mathit{y}} \right) \in \left[{{\mathit{q}_{\mathit{k}{\rm{- 1}}}}{\rm{, }}{\mathit{q}_\mathit{k}}} \right)\\ 0, \;\mathit{f}\left( {\mathit{x}, \mathit{y}} \right) \notin \left[{{\mathit{q}_{\mathit{k}{\rm{- 1}}}}{\rm{, }}{\mathit{q}_\mathit{k}}} \right) \end{array} \right. $$ (1)

      选取临界值向量q对图像f(x, y)进行SLT变换生成M个SLT分片Sqk(x, y),每个SLT分片为图像f(x, y)在区间[qk-1, qk)上的概率密度分布情况,图 1为8×8的图像SLT变换过程示例。

      图  1  图像SLT变换过程

      Figure 1.  Process Procedure of SLT

      图像f(x, y)经过SLT变换处理后被拆分成不同灰度区间[qk-1, qk)上的分片,每个图像分片是源图像在灰度区间[qk-1, qk)上的投影,不同图像分片之间相互正交,可以单独对不同的图像分片进行特征提取和分析。

    • 本文提出的图像复制移动篡改检测方法基本流程如图 2所示,首先对目标图像进行预处理,将源图像转换到灰度空间;然后对转换后的灰度图像进行SLT变换处理,按规则计算图像各个分片通道平面内每个像素点的局部分布密度;第三对图像进行重叠分块,提取每个分块的密度特征后构建k-d树查找相似性特征,以找到重复的图像块,从而实现图像C-M篡改区域检测。

      图  2  基于SLT的图像篡改检测流程

      Figure 2.  Process of Forgery Detection Using SLT

    • 本文提出的方法只需要图像的灰度信息,首先需要将源图像转换到灰度空间,彩色图像转换成灰度图像计算公式为:

      $$ \mathit{I}{\rm{ = 0}}{\rm{.299}}\mathit{R}{\rm{ + 0}}{\rm{.587}}\mathit{G}{\rm{ + 0}}{\rm{.113}}\mathit{B} $$ (2)

      式中,RGB分别表示图像红、绿、蓝三通道分量;I表示图像亮度分量。

    • 根据式(1) 选取临界向量q=[q0 q1 q2qM]对源图像f(x, y)进行SLT分片处理,经过SLT分片处理的图像由M个分片组成,为了方便进行特征提取,减少提取的特征维度,使用模3取余的方法对M个图像分片进行分组,使图像在各个分组区间上的大致分布均匀,然后对同一组内的图像分片进行合并处理,图像分片分组合并过程可用式(3) 表示:

      $$ {{\mathit{S'}}_\mathit{l}}\left( {\mathit{x}{\rm{, }}\mathit{y}} \right){\rm{ = }}\sum\limits_{\mathit{k}\;{\rm{mod}}\;{\rm{3 = }}\mathit{l}} {\mathit{S}_\mathit{\boldsymbol{q}}^\mathit{k}\left( {\mathit{x}, \mathit{y}} \right)} $$ (3)

      式中,l=0, 1, 2;Sl为分组合并后的分片通道。图像分片经过分组合并后最终形成3个分片通道S0S1S2

    • 图像f(x, y)经过SLT分片处理后得到3个图像分片S0(x, y)、S1(x, y)、S2(x, y),为了便于描述图像f(x, y)在邻域内密度分布情况,引入局部分布密度pl(i, j)来表征图像f(x, y)在区间[qk-1, qk)上的图像分片Sl(x, y)邻域n内的密度分布:

      $$ {\mathit{p}_\mathit{l}}\left( {\mathit{i}, \mathit{j}} \right){\rm{ = }}\frac{1}{{{\mathit{n}^{\rm{2}}}}}\sum\limits_{\mathit{x}{\rm{ = }}\mathit{i- n}{\rm{ + 2}}}^{\mathit{x}{\rm{ + }}\mathit{n- }{\rm{2}}} {\sum\limits_{\mathit{y}{\rm{ = }}\mathit{j- n}{\rm{ + 2}}}^{\mathit{j}{\rm{ + }}\mathit{n - }{\rm{2}}} {{{\mathit{S'}}_\mathit{l}}\left( {\mathit{x}{\rm{, }}\mathit{y}} \right)} } $$ (4)
    • 图像f(x, y)的SLT变换可以看作是在不同区间[qk-1, qk)上的密度分布,针对图像块的特征描述,本文提出了密度矩的概念用于表征图像在各个分片通道上的密度分布特征,本文采用两种中心矩来描述图像各分片通道的密度特征分布,分别为一阶中心矩分片密度均值、二阶中心矩分片密度标准差。对于b×b大小的图像分块B,其计算方法如下。

      分片密度均值:

      $$ {\mathit{E}_\mathit{l}}{\rm{ = }}\frac{1}{{{\mathit{b}^{\rm{2}}}}}\sum\limits_{\mathit{i}{\rm{ = 0}}}^{\mathit{b- }{\rm{1}}} {\sum\limits_{\mathit{j}{\rm{ = 0}}}^{\mathit{b- }{\rm{1}}} {{\mathit{p}_\mathit{l}}\left( {\mathit{i}, \mathit{j}} \right)} } $$ (5)

      式中,El表示图像分块B的第l组分片通道的分片密度均值;pl(i, j)为公式(4) 计算得到的像素点(i, j)的局部分片密度。

      分片密度标准差:

      $$ {\mathit{\sigma }_\mathit{l}}{\rm{ = }}\sqrt {\frac{1}{{{\mathit{b}^{\rm{2}}}}}\sum\limits_{\mathit{i}{\rm{ = 0}}}^{\mathit{b- }{\rm{1}}} {\sum\limits_{\mathit{j}{\rm{ = 0}}}^{\mathit{b - }{\rm{1}}} {{{\left( {{\mathit{p}_\mathit{l}}\left( {\mathit{i}, \mathit{j}} \right) - {\mathit{E}_\mathit{l}}} \right)}^2}} } } $$ (6)

      源图像f(x, y)经过分片处理最终生成的三个分片通道S0S1S2中,每个分片通道均可计算Elσl两个分片密度矩,最终形成6维的分片密度特征向量,以矩阵方式表示如下:

      $$ {\mathit{\boldsymbol{V}}_\mathit{B}}{\rm{ = [}}{\mathit{E}_{\rm{0}}}\;{\mathit{E}_{\rm{1}}}\;{\mathit{E}_{\rm{2}}}\;{\mathit{\sigma }_{\rm{0}}}\;{\mathit{\sigma }_{\rm{1}}}\;{\mathit{\sigma }_{\rm{2}}}{\rm{]}} $$ (7)

      大小为m×n图像进行重叠分块后共计得到NB=(mb+1)(nb+1)个图像块,这样对于每一个图像块B均对应一个分片密度特征向量VB

    • 对得到的NB个特征向量构建k-d树,查找每个特征向量的近似最近邻。图像块AB特征向量之间的相似度距离d(A, B)采用欧氏距离进行计算:

      $$ \mathit{d}\left( {\mathit{A}{\rm{, }}\mathit{B}} \right){\rm{ = }}\sqrt {\sum\limits_{\mathit{i} = 0}^{\mathit{r}{\rm{ - 1}}} {\left[{{{\left( {\mathit{E}_\mathit{i}^\mathit{A}-\mathit{E}_\mathit{i}^\mathit{B}} \right)}^2} + {{\left( {\mathit{\sigma }_\mathit{i}^\mathit{A}-\mathit{\sigma }_\mathit{i}^\mathit{B}} \right)}^2}} \right]} } $$ (8)

      式中,i表示图像块分片通道索引(0,1,2);r表示分片通道总数;EiAEiB分别为AB图像块第i个分片通道的点密度均值;σiAσiB分别表示AB图像块第i个分片通道的点密度标准差。

      设定阈值T,当d(A, B)≤T,则(A, B)标记为可疑匹配块。图像块AB之间的位移向量以$ {\mathit{\boldsymbol{\mathord{\buildrel{\lower3pt\hbox{$\scriptscriptstyle\rightharpoonup$}} \over v} }}_{\mathit{AB}}}$表示,对所有可疑匹配块,排除邻域内‖vAB‖≤t (t为阈值)的匹配块。阈值T的设定直接影响检测到的可疑图像块数量,该阈值的确定受特征向量影响,本文实验中阈值T设置为经验值0.2,在此基础上根据需要进行微调。图像相邻像素之间通常具有相关性,为了避免空间相邻区域误匹配的情况,本文实验中阈值t设置为50。

    • 本文提出的图像篡改检测方法计算性能主要受图像SLT变换、图像分块特征提取及图像块匹配三个方面影响。

      m×n大小的图像进行SLT变换处理的时间复杂度为O(mn)。图像分块特征提取过程中,分片密度矩特征Elσl计算复杂度为O(NB×b2),图像3个分片通道特征提取的总计算复杂度为O(NB×b2×6)。图像块匹配过程中,NB个图像分块特征向量构建k-d树的平均时间复杂度为O(NBlog2NB),对k-d树进行近似最近邻搜索的平均时间复杂度为O(log2NB)。综上所述,该算法总体计算复杂度可表示为O(mnlog2mn)。

    • 本文在Christlein等[12]建立的BenchmarkData数据集及Tralic等[13]建立的CoMoFoD数据集上进行了相关对比实验,以验证本文方法的检测效果及性能。实验在Visual Studio 2010上使用C++语言编程实现,实验所使用的图形工作站配置为AMD Athlon X4 3.7GHz CPU,DDR3 1600HZ 8G内存。

    • 本文对比实验采用准确率P、召回率R及综合评价指标(F1-M)来对算法进行评价,其计算方式为:

      $$ \mathit{P}{\rm{ = }}\frac{{{\mathit{T}_\mathit{P}}}}{{{\mathit{T}_\mathit{P}}{\rm{ + }}{\mathit{F}_\mathit{P}}}}, \mathit{R}{\rm{ = }}\frac{{{\mathit{T}_\mathit{P}}}}{{{\mathit{T}_\mathit{P}}{\rm{ + }}{\mathit{F}_\mathit{N}}}} $$ (9)
      $$ \mathit{F}{\rm{1 - }}\mathit{M}{\rm{ = }}\frac{{{\rm{2 \times }}\mathit{P}{\rm{ \times }}\mathit{R}}}{{\mathit{P}{\rm{ + }}\mathit{R}}} $$ (10)

      式中,TP为算法正确检测到的篡改图片数量;FP为被算法误检测为篡改图片的数量;FN为算法未检测到的篡改图片数量。F1-M为综合PR两项指标的调和平均数。

    • 为了验证本文提出的图像篡改检测方法的效果、鲁棒性及性能,在数据集Benchmark Data[12]上进行了常规篡改检测实验、旋转攻击实验、缩放攻击实验,在此基础上与4种典型方法(DCT[2]、DWT[10]、PCA[3]、Zernike Moments[11])进行了对比。实验表明,本文提出的图像C-M篡改检测方法在准确率、鲁棒性及性能上均有较好的表现。

      1) 常规检测实验。为提高实验结果的可靠性,本文分别在Benchmark Data数据集[12]及CoMoFoD数据集[13]上进行了常规篡改检测实验。其中Benchmark Data数据集包含96张测试图片,CoMoFoD数据集包含400张测试图片,常规篡改检测实验中篡改区域除了进行平移复制操作和边缘模糊处理外没有进行任何其他附加处理。采用本文提出的方法及以上提到的4种典型方法对数据集中的图片进行了对比测试,不同数据集上的对比实验结果如表 1所列。

      表 1  普通篡改检测对比实验/%

      Table 1.  Comparision of the Accuracy of Traditional Methods/%

      检测方法 准确率 召回率 综合评价指标
      Benchark Data CoMoFoD Benchark Data CoMoFoD Benchark Data CoMoFoD
      本文方法 86.05 97.22 84.09 87.50 85.06 92.11
      DCT 69.23 73.91 93.75 85.00 79.65 79.07
      DWT 65.22 70.00 93.75 87.50 76.92 77.78
      PCA 76.79 96.97 89.58 80.00 82.69 87.67
      Zernike 81.82 73.91 93.75 85.00 87.38 79.07

      通过DCT、DWT方法提取的低频特征因忽略了图像部分细节特征,容易造成图像块误匹配,与其他方法相比准确率较低。基于PCA的检测方法可以提高图像特征精度,减少图像误匹配,虽然准确率较高但召回率有所降低。

      实验结果表明,本文提出的图像局部分片密度特征能够较好的对图像块的局部特征进行描述,具有较高的精度,对不同图像块特征具有更高的区分度,因而该方法具有较高的准确率,在综合考虑检测准确率与召回率的情况下,基于SLT局部分片密度特征的图像篡改检测方法与其他几种方法相比具有更为理想的效果。

      图 3为使用本文方法进行图像常规篡改检测的实例图片,图片分别来源于不同数据集。从检测结果可以看出,本文所提出的方法对篡改区域具有较高的识别度。

      图  3  基于SLT的图像篡改检测实例

      Figure 3.  Examples of Forgery Detection Based on SLT

      2) 旋转攻击实验与缩放攻击实验。通常对图片进行篡改时为了让图片看起来更加真实自然,往往会对图像篡改区域进行轻微旋转、缩放等处理。为了分析本文所提出的方法对旋转、缩放处理的鲁棒性,我们对篡改区域旋转2°、4°、6°、8°、10°、20°、60°、180°和缩放80%、91%、93%、95%、97%、99%、101%、103%、105%、107%、109%、120%的情况进行对比实验。图 4(a)图 4(b)分别为旋转攻击和缩放攻击对比实验结果。图 4(a)中横坐标表示篡改区域旋转角度,纵坐标表示不同旋转角度下正确检测到的篡改区域面积与篡改区域无旋转处理情况下正确检测到的区域面积百分比,从实验结果可以看出,各种方法均随着旋转角度的增大,检测率有所降低。本文方法在篡改区域进行大角度旋转处理的情况下较其他方法具有更好的鲁棒性。图 4(b)中横坐标表示缩放比例,纵坐标表示不同缩放比例下正确检测到的篡改区域面积与篡改区域无缩放处理情况下正确检测到的篡改区域面积百分比。实验结果表明,本文方法在小尺度缩放范围内亦具有较好的鲁棒性。

      图  4  旋转攻击与缩放攻击对比实验

      Figure 4.  Comparison of Robustness to Rotation and Scaling Attacking

    • 本文从图像预处理、特征提取、特征匹配3个方面对比分析本文方法与常见的4种典型方法在计算性能上的差异。对测试数据集中每张图像篡改检测处理的平均时间开销进行统计。表 2为本文方法与其他4种典型方法的平均处理时间开销情况对比,其中,P-T为图像预处理时间,F-T为特征向量提取时间,M-T为特征匹配时间,O-T为总体处理时间。

      表 2  算法性能对比实验/s

      Table 2.  Comparision of Time Consuming/s

      检测方法 P-T F-T M-T O-T
      本文方法 0.093 9 1.206 2 13.294 9 14.889 2
      DCT 0.051 2 43.455 0 24.733 0 68.379 8
      DWT 0.051 3 0.164 9 29.108 8 29.536 3
      PCA 0.050 7 68.894 7 13.726 8 82.798 2
      Zernike 0.051 6 1.984 6 15.868 4 18.019 2

      图像C-M篡改检测方法中提取的图像特征维度通常对相似图像块匹配速度具有重要影响。本文对比的几种方法中,基于DCT、DWT的检测方法提取的图像块特征为256维,基于Zernike矩的方法提取的图象块特征为12维,而本文方法提取的图像块特征为6维,与其他几种方法相比具有较低的维度。实验结果表明,本文方法在图像特征提取、图像特征匹配及总体检测性能上与其他几种方法相比具有较优的表现,单张图片的平均检测速度较快。

    • 本文针对图像区域复制篡改检测方法通常存在的特征维度高、计算开销大、检测速度慢或检测率低、鲁棒性差等问题,提出了一种基于SLT的图像C-M篡改检测方法。本文通过对目标图像进行SLT变换并对图像分片进行分组合并,然后提取每组图像分片的局部分片密度特征对图像分块进行表征,该特征提取方法计算开销较小,提取的图像块特征具有较低的维度和较高的区分度,最后通过构建k-d树利用近似最近邻匹配的方法降低图像相似分块匹配的时间复杂度。本文在两组具有代表性的数据集上分别进行了测试,实验结果表明,本文提出的局部分片密度特征向量能够较好的表征图像特征,在综合考虑图像C-M篡改检测的准确率与召回率的情况下,较其他几种方法相比具有较优的检测效果,且该方法对图像篡改区域的旋转、缩放攻击亦具有较好的鲁棒性。在检测性能上,对比其他几种典型的基于分块的图像C-M篡改检测方法亦具有较好的表现。

参考文献 (13)

目录

    /

    返回文章
    返回