專利名稱：防篡改的圖像處理方法和裝置的制作方法
技術(shù)領(lǐng)域：
本發(fā)明一般地涉及圖像處理的技術(shù)領(lǐng)域，更具體而言，涉及圖像驗證和完整性保護，尤其涉及防篡改的圖像處理方法和裝置。
背景技術(shù)：
圖像數(shù)據(jù)容易被篡改，也容易在傳輸或保存過程中出現(xiàn)誤差或丟失?，F(xiàn)有的技術(shù)手段允許修改圖像的內(nèi)容而難以被識別。在很多應(yīng)用中，用戶都需要檢查圖像的完整性，以確認圖像未被篡改或者未出現(xiàn)誤差或丟失。如法庭中用到圖像作為證據(jù)時，需要證明該圖像是未被篡改的。又如醫(yī)學圖像如電子病例中的圖片資料需要保護其精確性?，F(xiàn)有技術(shù)中，常常采用數(shù)字簽名保護數(shù)據(jù)的完整性。然而對于圖像而言，進行壓縮、旋轉(zhuǎn)、尺度變化、模糊等常規(guī)操作并不影響圖像的內(nèi)容因而不能被認為是對圖像進行了篡改。為了保護圖像的完整性，需要對圖像的常規(guī)操作魯棒的技術(shù)。數(shù)字水印尤其是魯棒水印能夠提供一定的魯棒性同時保護圖像不被篡改。如中國專利申請NO.CN101866477A，No. CN1658223提供了圖像驗證的數(shù)字水印。然而數(shù)字水印技術(shù)需要將完整性信息分散并嵌入到原始圖像或視頻中，一定程度上改變了原始數(shù)據(jù)，在很多應(yīng)用場合下不方便使用。與數(shù)字水印技術(shù)相比較，魯棒哈希技術(shù)(Perceptual Hashing,也可稱為感知哈希，語義哈希，圖像哈希)不需要將信息嵌入到原始數(shù)據(jù)中，因此適用于更多的應(yīng)用。同時由于不需要嵌入到原始圖像中，相應(yīng)具有更高的魯棒性。魯棒哈希技術(shù)通常從圖像中提取魯棒特征，然后壓縮生成魯棒哈希值。這些魯棒特征在圖像的常規(guī)操作下改變較小，而對于圖像的惡意篡改有著明顯的改變。有關(guān)感知哈希的相關(guān)知識，例如可參見作者為牛夏牧，焦玉華，題目為“感知哈希綜述”的文獻(電子學報，Vol. 36，No. 7，2008)，以及作者為 WANG Shuo-zhong (王朔中),ZHANG Xin-peng (張新鵬)，題目為 “Recent developmentof perceptual image hashing，，的文獻(Journal of Shanghai University (EnglishEdition),2007,11(4) :323331)。然而現(xiàn)有的魯棒哈希算法通常僅能夠識別較大區(qū)域的圖像篡改。對于細小區(qū)域的篡改，通常為了達到魯棒性的目的而不能識別。作者為Weng，L.，Preneel, B.，題目為“Attacking some perceptual image hash algorithms” (In !Proceedings ofInternational Conference on Multimedia Computing and Systems/InternationalConference on Multimedia and Expo-ICME (ICMCS). 2007)的文獻中分析了幾種著名的魯棒哈希算法，并指出它們均不能抵抗對圖像的細小區(qū)域的篡改。然而，圖像的細小區(qū)域往往也可能包含重要的語義信息，例如，交通圖片中車牌拍照的數(shù)字，商品的商標，建筑的旗幟等標志性信息。這一弱點使得這些魯棒哈希算法不適用于圖像驗證和完整性保護。中國專利申請No. CN101079101公開了一種基于Zernike矩的魯棒哈希圖像認證方法，對圖像的旋轉(zhuǎn)，JPEG壓縮，加噪和濾波操作具有一定的穩(wěn)健性，同時能夠區(qū)分剪貼等惡意操作。但是對于細小區(qū)域的篡改由于其魯棒性的考慮將被忽略。中國專利申請No. CN1663276公開了用于信號驗證的穩(wěn)健簽名，其中采用圖像塊的DC值作為特征，所得到的簽名對于壓縮有很好的魯棒性，同時能夠?qū)崿F(xiàn)篡改定位。然而由于所選擇的特征的魯棒性有限，對于圖像旋轉(zhuǎn)，尺度變換等操作魯棒性不強
發(fā)明內(nèi)容

鑒于上述現(xiàn)有技術(shù)的狀況，本發(fā)明的實施例希望提供一種簡單高效的用于防圖像篡改的圖像處理方法和裝置。根據(jù)本發(fā)明的實施例，提供一種防篡改的圖像處理方法，包括分別獲取原始圖像的第一組魯棒特征點的第一魯棒特征表示以及待檢測圖像的第二組魯棒特征點的第二魯棒特征表示；將第一魯棒特征表示和第二魯棒特征表示進行匹配，以便獲得不匹配特征點；以及基于不匹配特征點的分布特性來確定待檢測圖像相對于原始圖像是否存在篡改。本發(fā)明實施例還提供一種防篡改的圖像處理裝置，包括特征表示獲取單元，其被配置成分別獲取原始圖像的第一組魯棒特征點的第一魯棒特征表示以及待檢測圖像的第二組魯棒特征點的第二魯棒特征表示；匹配單元，其被配置成將第一魯棒特征表示和第二魯棒特征表示進行匹配，以便獲得不匹配特征點；以及篡改判定單元，其被配置成基于不匹配特征點的分布特性來確定待檢測圖像相對于原始圖像是否存在篡改。根據(jù)本發(fā)明實施例的上述防篡改的圖像處理方法可以應(yīng)用在新聞圖片出版發(fā)行中。其中，通過該方法來識別出版發(fā)行中涉及的新聞圖片相對于原始新聞圖片是否存在篡改。根據(jù)本發(fā)明實施例的上述防篡改的圖像處理方法還可以應(yīng)用在智能交通監(jiān)控系統(tǒng)中的應(yīng)用。其中，通過該方法來識別被提交作為證據(jù)使用的交通違章畫面相對于原始交通違章畫面是否存在篡改。根據(jù)本發(fā)明實施例，還提供了一種存儲有機器可讀取的指令代碼的程序產(chǎn)品，所述指令代碼由機器讀取并執(zhí)行時，可執(zhí)行上述的防篡改的圖像處理方法。根據(jù)本發(fā)明實施例，還提供一種存儲介質(zhì)，其承載有機器可讀取的指令代碼，所述指令代碼由機器讀取并執(zhí)行時，可執(zhí)行上述的防篡改的圖像處理方法。根據(jù)上述本發(fā)明實施例的防篡改圖像處理技術(shù)，通過基于原始圖像和待檢測圖像的魯棒特征表示對不匹配特征點的分布特性進行分析，能夠有效地將對圖像的常規(guī)操作和對圖像的篡改區(qū)分開來，具有足夠的魯棒性，同時能夠準確地識別出是否對原始圖像進行了篡改，尤其能夠確保識別出是否存在細小區(qū)域中的篡改。由此兼顧了優(yōu)異的魯棒性和篡改識別的精確性兩種性能。在下面的說明書部分中給出本發(fā)明實施例的各種具體實現(xiàn)方式，其中，詳細說明用于充分地公開本發(fā)明實施例的優(yōu)選實施例，而不對其施加限定。


通過結(jié)合附圖對本發(fā)明的具體實施方式
的描述，本發(fā)明的以上的和其它目的、特點和優(yōu)點將變得清楚。在各附圖中，相同或類似的附圖標記表示相同或者類似的功能部件或步驟。在附圖中圖I是根據(jù)本發(fā)明實施例的防篡改的圖像處理方法的流程簡圖；圖2A-2B是示出在一個具體例子中，原始圖像以及針對其提取的魯棒特征點的示意圖；圖3A-3C是分別示出對圖2A所示的原始圖像進行模糊操作后得到的圖像、針對其提取的魯棒特征點、以及與圖2B中原始圖像的特征點不匹配的特征點的示意圖；圖4A-4C是分別示出對圖2A所示的原始圖像進行壓縮處理后得到的圖像、針對其提取的魯棒特征點、以及與圖2B中原始圖像的特征點不匹配的特征點的示意圖；圖5A-5C是分別示出對圖2A所示的原始圖像進行旋轉(zhuǎn)操作后得到的圖像、針對其 提取的魯棒特征點、以及與圖2B中原始圖像的特征點不匹配的特征點的示意圖；圖6A-6C是分別示出對圖2A所示的原始圖像進行細小區(qū)域中的篡改后得到的圖像、針對其提取的魯棒特征點、以及與圖2B中原始圖像的特征點不匹配的特征點的示意圖；圖7A-7C是分別示出對圖2A所示的原始圖像進行模糊操作以及細小區(qū)域中的篡改后得到的圖像、針對其提取的魯棒特征點、以及與圖2B中原始圖像的特征點不匹配的特征點的示意8A-8C是分別示出對圖2A所示的原始圖像進行壓縮操作以及細小區(qū)域中的篡改后得到的圖像、針對其提取的魯棒特征點、以及與圖2B中原始圖像的特征點不匹配的特征點的示意圖；圖9A-9C是分別示出對圖2A所示的原始圖像進行旋轉(zhuǎn)操作以及細小區(qū)域中的篡改后得到的圖像、針對其提取的魯棒特征點、以及與圖2B中原始圖像的特征點不匹配的特征點的示意圖；圖10是根據(jù)本發(fā)明實施例的防篡改的圖像處理裝置的結(jié)構(gòu)簡化框圖；圖11是示出圖10中的防篡改圖像處理裝置所包括的特征表示獲取單元的一種具體實現(xiàn)方式的結(jié)構(gòu)簡化框圖；圖12是示出圖10中的防篡改圖像處理裝置所包括的篡改判定單元的一種具體實現(xiàn)方式的結(jié)構(gòu)簡化框圖；圖13是示出圖10中的防篡改圖像處理裝置所包括的篡改判定單元的另一種具體實現(xiàn)方式的結(jié)構(gòu)簡化框圖；圖14是示出圖10中的防篡改圖像處理裝置所包括的篡改判定單元的又一種具體實現(xiàn)方式的結(jié)構(gòu)簡化框圖；圖15是示出圖10中的防篡改圖像處理裝置所包括的篡改判定單元的再一種具體實現(xiàn)方式的結(jié)構(gòu)簡化框圖；以及圖16是作為本發(fā)明的實施例中可采用的信息處理設(shè)備的個人計算機的示例性結(jié)構(gòu)的框圖。
具體實施例方式下面參照附圖來說明本發(fā)明的實施例。應(yīng)當注意，為了避免因不必要的細節(jié)而模糊了本發(fā)明，在附圖中僅僅示出了與根據(jù)本發(fā)明的實施方案密切相關(guān)的設(shè)備結(jié)構(gòu)和/或處理步驟，而省略了與本發(fā)明關(guān)系不大的其他細節(jié)。在各附圖中相同或者相似的構(gòu)成元素或部分利用相同或者類似的附圖標記來表示。圖I是根據(jù)本發(fā)明實施例的防篡改的圖像處理方法100的流程簡圖。如圖I所示，方法100開始于步驟S110。在步驟S120，分別獲取原始圖像的第一組魯棒特征點的第一魯棒特征表示以及待檢測圖像的第二組魯棒特征點的第二魯棒特征表示。在步驟S130，將第一魯棒特征表示和第二魯棒特征表示進行匹配，以便獲得不匹配特征點。在步驟S140，基于不匹配特征點的分布特性來確定待檢測圖像相對于原始圖像是否存在篡改。下面結(jié)合各附圖對圖I所述方法100包含的各處理的具體實現(xiàn)方式進行詳細描述。在此，待檢測圖像指的是需要判斷其相對于原始圖像是否存在篡改的圖像。原始圖像的魯棒特征表示以及待檢測圖像的魯棒特征表示需要最大限度地保持這些圖像中各 特征點的特性，同時對于圖像的常規(guī)操作，例如旋轉(zhuǎn)、模糊處理、壓縮等等是不敏感的(即，魯棒的)而對于圖像中存在的篡改是敏感的。因此，滿足上述要求的任何特征表示都可以被用作這種魯棒特征表示。在一種具體實現(xiàn)方式中，例如可以使用哈希技術(shù)來獲得與原始圖像和待檢測圖像相關(guān)的魯棒哈希值，作為與這些圖像相關(guān)的魯棒特征表示。關(guān)于在步驟S120中獲取的原始圖像的第一魯棒特征表示以及待檢測圖像的第二魯棒特征表示，既可以從外部接收這些魯棒特征表示，也可以是在方法100的處理中針對原始圖像和待檢測圖像自行生成這些圖像的魯棒特征表示。當然，也可以是第一魯棒特征表示和第二魯棒特征表示中之一從外部接收，另一個在方法100的處理中自行生成。在自行生成第一魯棒特征表示和/或第二魯棒特征表示的一種具體實現(xiàn)方式中，可以通過提取圖像的魯棒特征點來生成第一魯棒特征表示和/或第二魯棒特征表示。具體而言，針對原始圖像提取第一組魯棒特征點，并對第一組魯棒特征點進行處理以得到與第一組魯棒特征點對應(yīng)的第一魯棒特征表示；和/或，針對待檢測圖像提取第二組魯棒特征點，并對第二組魯棒特征點進行處理以得到與第二組魯棒特征點對應(yīng)的第二魯棒特征表
/Jn ο在針對原始圖像和/或待檢測圖像提取魯棒特征點的處理中，可以采用任何已知的或者將來開發(fā)出的合適的魯棒特征提取技術(shù)。例如，可以采用SIFT，SURF和Harris角點等作為所提取的魯棒特征點。SIFT (Scalelnvariant Feature Transformation,尺度不變特征轉(zhuǎn)換，例如參見 Lowe, D. 0bject recognition from local scale-invariantfeatures. 1999), SURF (Speed Up Robust Feature,快速魯棒性特征，例如參見 Bay, H.,Tuytelaars, T. ,Gool, L. V. Surf Speeded up robust features. In In ECCV. (2006))和Harris角點(例如參見Monga,V.，Evans,B. L. Robust perceptual image hashing usingfeature points. In Proceedings of the IEEE International Conference on ImageProcessing. 2004)等特征對圖像的常規(guī)操作均具有較好的魯棒性。圖2B，3B，4B，5B，6B，7B，8B和9B分別示出了針對原始圖像以及待檢測圖像，即，對原始圖像經(jīng)模糊處理的圖像、對原始圖像進行壓縮的圖像、對原始圖像進行旋轉(zhuǎn)的圖像、對原始圖像進行細小區(qū)域篡改的圖像、對原始圖像進行了模糊處理以及細小區(qū)域篡改的圖像、對原始圖像進行了壓縮處理以及細小區(qū)域篡改的圖像、以及對原始圖像進行了旋轉(zhuǎn)處理以及細小區(qū)域篡改的圖像提取的魯棒特征點的示意圖。各圖中黑色的圓點代表所提取的魯棒特征點。接著對所提取出的魯棒特征點進行相應(yīng)處理以得到這些魯棒特征點對應(yīng)的魯棒特征表示，例如魯棒哈希值。此外，在現(xiàn)實應(yīng)用中，有時對圖像提取的魯棒特征點較大，為了更加便利于后續(xù)的處理，可以在獲得魯棒哈希值之前對所提取的魯棒特征點進行量化處理。下面給出對所提取出的魯棒特征點進行量化處理一個具體例子。通過利用上述技術(shù)對圖像(原始圖像和待檢測圖像)提取出的每一個魯棒特征點可以是一個一維或者多維矢量。對這些提取出的魯棒特征點進行聚類。聚類例如可以通過利用各種已知的聚類技術(shù)來實現(xiàn)，細節(jié)在此不再贅述。然后，針對每一個聚類、對該聚類中所有特征點的每一維矢量分別計算平均值，例如，對于某個聚類中特征點的所有第一維矢量計算平均值，對于該聚類中特征點的所有第二維矢量計算平均值，等等，依此類推。對于·所有聚類中每個特征點的每一維矢量，如果大于與該維矢量相關(guān)的平均值，則將其量化為“ 1”，否則將其量化為“O”零。在這種情況下，實際上是根據(jù)計算得到的平均值為每一維矢量設(shè)置了兩個量化區(qū)間，一個區(qū)間是大于該平均值的量化區(qū)間，一個是小于等于該平均值的量化區(qū)間。下面給出一個具體例子，例如，魯棒特征點提取采用SURF特征點，特征點壓縮方法采用通過為每一維矢量設(shè)定兩個量化區(qū)間來將每一維矢量量化為I比特的方法。則每一個SURF特征點有128維矢量，相應(yīng)地量化為128比特。通過這種處理方法，可以將從原始圖像和待檢測圖像中提取的魯棒特征點量化壓縮為二進制的數(shù)字序列。這種量化過程由于是基于特征點的每一維矢量的平均值進行的，因此在較大程度上保持了特征點的特性，同時使得特征的數(shù)據(jù)量大幅下降，有利于后續(xù)的獲得與魯棒特征點相應(yīng)的魯棒特征表示(例如魯棒哈希值)的處理，降低了系統(tǒng)計算負荷。在一種可替選的實現(xiàn)方式中，也可以將每一維矢量量化為至少兩個比特。具體而言，根據(jù)上述得到的每一維矢量的平均值將設(shè)定至少兩個量化區(qū)間，每個區(qū)間可對應(yīng)多個比特的二進制值，作為與該區(qū)間對應(yīng)的量化值。例如，可以根據(jù)每一維矢量的平均值設(shè)定三個量化區(qū)間，小于等于該平均值為一個區(qū)間，大于該平均值30%以下為一個區(qū)間，大于該平均值30%以上為一個區(qū)間，等等，每一個區(qū)間被分配多個比特的二進制值。對于每個特征點的每一維矢量，如果落在某個量化區(qū)間內(nèi)，則量化為與該區(qū)間對應(yīng)的多個比特。可見，量化區(qū)間越多，最終得到的魯棒哈希值與原魯棒特征點越接近，后續(xù)匹配的準確度越高，但是魯棒哈希值也越長。因此，具體量化方式的選擇是在圖像處理的精確度與系統(tǒng)負荷之間的一種折衷，可根據(jù)實際需求來決定。雖然上面的描述中都是將魯棒特征點量化壓縮為二進制序列，但是這并不對本發(fā)明的實施例構(gòu)成限制。將魯棒特征點量化為任意的數(shù)字序列都是可行的。同樣容易理解，對魯棒特征點的魯棒性能影響較小的其他量化壓縮方法也可適用于本發(fā)明實施例中，與后續(xù)操作一起達到既魯棒又能夠識別出細小篡改的效果。從魯棒特征點經(jīng)壓縮量化得到數(shù)字序列之后，既可以將該壓縮得到的數(shù)字序列直接當作最終的魯棒哈希值，也可以對該壓縮得到的數(shù)字序列進行進一步處理，例如編碼處理等，以便生成最終的魯棒哈希值。從壓縮得到的數(shù)字序列生成魯棒哈希值的處理可利用各種常規(guī)的哈希技術(shù)來實現(xiàn)，具體細節(jié)在此不再贅述。
容易理解，如果所提取的魯棒特征點并不是很大，則也可以直接利用這些提取出的魯棒特征點來獲得其魯棒特征表示(例如魯棒哈希值)而無需進行上述的量化壓縮處理。在通過上述處理獲得與原始圖像以及待檢測圖像中提取出的魯棒特征點的魯棒特征表示之后，基于這些魯棒特征表示進行匹配處理，以便得到不匹配特征點。可以通過現(xiàn)有的各種合適的匹配技術(shù)來執(zhí)行這種匹配處理。例如，可以對魯棒特征表示之間進行逐點比較以找出不匹配特征點；或者，可以將魯棒特征表示進行整體比較，例如求取作為魯棒特征表示的碼字序列之間的漢明距離，以找出不匹配特征點。獲得不匹配特征點之后，可根據(jù)這些不匹配特征點的分布特性來確定待檢測圖像相對于原始圖像是否存在篡改。例如，不匹配特征點的分布特性可以是不匹配特征點的離散程度。在一種具體實現(xiàn)方式中，不匹配特征點的離散程度例如可以通過不匹配特征點的聚類密度來表征。下面描述求取不匹配特征點的聚類密度的示例。 在一個例子中，可以對不匹配的特征點進行聚類。例如采用mean-shift聚類方法按照特征點的距離進行聚類。mean shift聚類方法是目前一種常用的聚類方法，mean shift本質(zhì)上是自適應(yīng)的梯度上升搜索峰值的方法。用mean shift作聚類時,不需要事先指定聚類的個數(shù)。通過沿著概率密度的梯度上升方向迭代發(fā)現(xiàn)聚類的中心。有關(guān)mean-shift聚類方法的信息和知識,例如可以參見Dorin Comaniciu, Peter Meer等所著的“Mean shift A robust approach toward feature space analysis，，(IEEE Transactionson Pattern Analysis and Machine Intelligence, Vol. 24，No. 5，p603_619. 2002)。當然，本發(fā)明的實施例可以采用任何合適的聚類方法而不限制于某一種特定的聚類方法。在完成聚類以后，計算不匹配特征點的離散程度，S卩，這種離散程度表示不匹配特征點是聚集在少數(shù)幾個聚類中還是分散分布于多數(shù)的聚類中。一般，圖像中涉及篡改的區(qū)域，尤其是細小區(qū)域中的篡改其不匹配特征點的離散程度很低，而常規(guī)操作常常涉及圖像全局，其不匹配特征點的離散程度較高。根據(jù)這一情況，可以設(shè)定合理的閾值將對圖像的篡改和對圖像的常規(guī)操作區(qū)分開，進一步地，通過對閾值進行適當?shù)恼{(diào)整就可以確保識別對圖像中細小區(qū)域的篡改。例如，如上所述，離散程度可通過計算聚類密度來計算。在本發(fā)明實施例的具體實現(xiàn)方式中，根據(jù)密度的一般概念密度=重量/面積，構(gòu)造了如下的各種用于求取聚類密度的方法。根據(jù)求取聚類密度的一個具體示例，首先計算聚類中的每個點到其所屬的聚類中心的距離
權(quán)利要求
1.一種防篡改的圖像處理方法，包括分別獲取原始圖像的第一組魯棒特征點的第一魯棒特征表示，以及待檢測圖像的第二組魯棒特征點的第二魯棒特征表示；將所述第一魯棒特征表示和所述第二魯棒特征表示進行匹配，以便獲得不匹配特征點；以及基于所述不匹配特征點的分布特性來確定所述待檢測圖像相對于所述原始圖像是否存在桌改。
2.如權(quán)利要求I所述的防篡改的圖像處理方法，其中，分別獲取第一魯棒特征表示和第二魯棒特征表示包括通過如下方式生成第一魯棒特征表示和/或第二魯棒特征表示針對所述原始圖像提取所述第一組魯棒特征點，并對所述第一組魯棒特征點進行處理以得到與所述第一組魯棒特征點對應(yīng)的第一魯棒特征表示，和/或，針對所述待檢測圖像提取所述第二組魯棒特征點，并對所述第二組魯棒特征點進行處理以得到與所述第二組魯棒特征點對應(yīng)的第二魯棒特征表示。
3.如權(quán)利要求2所述的防篡改的圖像處理方法，其中，對第一組和/或第二組魯棒特征點進行處理以得到第一和/或第二魯棒特征表示包括分別對第一組和/或第二組魯棒特征點進行聚類，針對每一個聚類、分別計算該聚類中所有特征點的每一維矢量的平均值，并根據(jù)所述平均值設(shè)定與所述每一維矢量相關(guān)的至少兩個量化區(qū)間，每個量化區(qū)間對應(yīng)一個量化值；對于所述第一組和/或第二組魯棒特征點中每個特征點的每一維矢量，根據(jù)所述矢量落入哪個量化區(qū)間而為該矢量賦予與所落入的量化區(qū)間對應(yīng)的量化值，以便分別對所述第一組和/或第二組魯棒特征點進行壓縮；以及生成經(jīng)過壓縮的第一組魯棒特征點的第一魯棒哈希值，作為與所述第一組魯棒特征點對應(yīng)的第一魯棒特征表示，和/或生成經(jīng)過壓縮的第二組魯棒特征點的第二魯棒哈希值，作為與所述第二組魯棒特征點對應(yīng)的第二魯棒特征表示。
4.如權(quán)利要求3所述的防篡改的圖像處理方法，其中，根據(jù)平均值設(shè)定至少兩個量化區(qū)間包括根據(jù)所述第一組和/或第二組魯棒特征點中每個特征點的每一維矢量的平均值，分別設(shè)定與所述每一維矢量相關(guān)的、大于所述平均值的第一量化區(qū)間和小于等于所述平均值的第二量化區(qū)間；以及分別對第一組和/或第二組魯棒特征點進行壓縮包括對于所述第一組和/或第二組魯棒特征點中每個特征點的每一維矢量，如果所述矢量的值落入與該矢量相關(guān)的第一量化區(qū)間中，則將該矢量量化為I，否則，將該矢量量化為O。
5.如權(quán)利要求1-4中任一項所述的防篡改的圖像處理方法，其中，所述不匹配特征點的分布特性包括所述不匹配特征點的離散程度。
6.如權(quán)利要求5所述的防篡改的圖像處理方法，其中，基于不匹配特征點的分布特性來確定所述待檢測圖像相對于所述原始圖像是否存在篡改包括對所述不匹配特征點進行聚類處理；根據(jù)聚類處理得到的聚類計算聚類密度；以及如果聚類密度大于或者等于預(yù)定的第一閾值，則確定所述待檢測圖像相對于所述原始圖像存在篡改。
7.如權(quán)利要求6所述的防篡改的圖像處理方法，其中，所述聚類密度通過如下方式來計算針對所述不匹配特征點的每一個聚類，計算該聚類中每個特征點到聚類中心的距離；根據(jù)計算得到的每一個距離、求取與所有聚類內(nèi)的至少一部分特征點的距離相關(guān)的加權(quán)平均值，作為與所有聚類對應(yīng)的聚類密度。
8.如權(quán)利要求7所述的防篡改的圖像處理方法，其中，通過如下公式中的任一種來計算所述聚類密度Den
9.如權(quán)利要求5所述的防篡改的圖像處理方法，其中，基于不匹配特征點的分布特性來確定所述待檢測圖像相對于所述原始圖像是否存在篡改包括對所述不匹配特征點進行聚類處理；如果所有聚類中存在至少一個如下的聚類，則確定所述待檢測圖像相對于所述原始圖像存在篡改以該聚類的聚類中心為中心、預(yù)定大小的區(qū)域中不匹配特征點的數(shù)量大于預(yù)定的第二閾值。
10.如權(quán)利要求1-4中任一項所述的防篡改的圖像處理方法，其中，基于不匹配特征點的分布特性來確定所述待檢測圖像相對于所述原始圖像是否存在篡改包括確定所述第一組魯棒特征點在所述原始圖像中的原始特征點分布情況，以及，確定所述不匹配特征點在所述待檢測圖像中的不匹配特征點分布情況；以及將所述原始特征點分布情況與所述不匹配特征點分布情況進行比較，如果比較結(jié)果指示所述原始特征點分布情況與所述不匹配特征點分布情況之間的差異在第一預(yù)定范圍之內(nèi)，則判定所述待檢測圖像相對于所述原始圖像不存在篡改，否則，判定所述待檢測圖像相對于所述原始圖像存在篡改。
11.如權(quán)利要求1-4中任一項所述的防篡改的圖像處理方法，其中，基于不匹配特征點的分布特性來確定所述待檢測圖像相對于所述原始圖像是否存在篡改包括將所述不匹配特征點的分布特性模型與預(yù)先構(gòu)建的、未經(jīng)篡改但經(jīng)過常規(guī)圖像處理操作和/或經(jīng)過篡改情況下不匹配點的分布特性模型進行比較；如果所述不匹配特征點的分布特性模型與未經(jīng)篡改但經(jīng)過常規(guī)圖像處理操作情況下不匹配點的分布特性模型之間的差異在第二預(yù)定范圍之內(nèi)，則判定所述待檢測圖像相對于所述原始圖像不存在篡改，否則，判定所述待檢測圖像相對于所述原始圖像存在篡改；和/或如果所述不匹配特征點的分布特性模型與經(jīng)過篡改情況下不匹配點的分布特性模型之間的差異在第三預(yù)定范圍之內(nèi)，則判定所述待檢測圖像相對于所述原始圖像存在篡改，否則，判定所述待檢測圖像相對于所述原始圖像不存在篡改。
12.—種防篡改的圖像處理裝置，包括特征表示獲取單元，其被配置成分別獲取原始圖像的第一組魯棒特征點的第一魯棒特征表示以及待檢測圖像的第二組魯棒特征點的第二魯棒特征表示；匹配單元，其被配置成將所述第一魯棒特征表示和所述第二魯棒特征表示進行匹配，以便獲得不匹配特征點；以及篡改判定單元，其被配置成基于所述不匹配特征點的分布特性來確定所述待檢測圖像相對于所述原始圖像是否存在篡改。
13.如權(quán)利要求12所述的防篡改的圖像處理裝置，其中，所述特征表示獲取單元被配置成通過如下方式生成第一魯棒特征表示和/或第二魯棒特征表示針對原始圖像提取所述第一組魯棒特征點，并對所述第一組魯棒特征點進行處理以得到與所述第一組魯棒特征點對應(yīng)的第一魯棒特征表示，和/或，針對待檢測圖像提取所述第二組魯棒特征點，并對所述第二組魯棒特征點進行處理以得到與所述第二組魯棒特征點對應(yīng)的第二魯棒特征表示。
14.如權(quán)利要求13所述的防篡改的圖像處理裝置，其中，所述特征表示獲取單元包括量化設(shè)置子單元，其被配置成分別對第一組和/或第二組魯棒特征點進行聚類，針對每一個聚類、分別計算該聚類中所有特征點的每一維矢量的平均值，并根據(jù)所述平均值設(shè)定與所述每一維矢量相關(guān)的至少兩個量化區(qū)間，每個量化區(qū)間對應(yīng)一個量化值；壓縮子單元，其被配置成對于所述第一組和/或第二組魯棒特征點中每個特征點的每一維矢量，根據(jù)所述矢量落入哪個量化區(qū)間而為該矢量賦予與所落入的量化區(qū)間對應(yīng)的量化值，以便分別對所述第一組和/或第二組魯棒特征點進行壓縮；以及特征表示獲取子單元，其被配置成生成經(jīng)過壓縮的第一組魯棒特征點的第一魯棒哈希值，作為與所述第一組魯棒特征點對應(yīng)的第一魯棒特征表示，和/或生成經(jīng)過壓縮的第二組魯棒特征點的第二魯棒哈希值，作為與所述第二組魯棒特征點對應(yīng)的第二魯棒特征表/Jn ο
15.如權(quán)利要求14所述的防篡改的圖像處理裝置，其中，量化設(shè)置子單元被配置成根據(jù)所述第一組和/或第二組魯棒特征點中每個特征點的每一維矢量的平均值，分別設(shè)定與所述每一維矢量相關(guān)的、大于所述平均值的第一量化區(qū)間和小于等于所述平均值的第二量化區(qū)間；以及所述壓縮子單元被配置成通過如下方式分別對第一組和/或第二組魯棒特征點進行壓縮對于所述第一組和/或第二組魯棒特征點中每個特征點的每一維矢量，如果所述矢量的值落入與該矢量相關(guān)的第一量化區(qū)間中，則將該矢量量化為1，否則，將該矢量量化為O。
16.如權(quán)利要求12-15中任一項所述的圖像處理方法，其中，所述不匹配特征點的分布特性包括所述不匹配特征點的離散程度。
17.如權(quán)利要求16所述的防篡改的圖像處理裝置，其中，所述篡改判定單元包括第一聚類子單元，其被配置成對所述不匹配特征點進行聚類處理；聚類密度計算子單元，其被配置成根據(jù)由第一聚類子單元獲得的聚類來計算聚類密度；以及第一篡改判定子單元，其被配置成如果聚類密度大于或者等于預(yù)定的第一閾值，則確定所述待檢測圖像相對于所述原始圖像存在篡改。
18.如權(quán)利要求17所述的防篡改的圖像處理裝置，其中，所述聚類密度計算子單元通過如下方式來計算聚類密度針對所述不匹配特征點的每一個聚類，計算該聚類中每個特征點到聚類中心的距離；根據(jù)計算得到的每一個距離、求取與所有聚類內(nèi)的至少一部分特征點的距離相關(guān)的加權(quán)平均值，作為與所有聚類對應(yīng)的聚類密度。
19.如權(quán)利要求18所述的防篡改的圖像處理裝置，其中，通過如下公式中的任一種來計算所述聚類密度
20.如權(quán)利要求16所述的防篡改的圖像處理裝置，其中，所述篡改判定單元包括第二聚類子單元，其被配置成對所述不匹配特征點進行聚類處理；第二篡改判定子單元，其被配置成如果所有聚類中存在至少一個如下的聚類，則確定所述待檢測圖像相對于所述原始圖像存在篡改以該聚類的聚類中心為中心、預(yù)定大小的區(qū)域中不匹配特征點的數(shù)量大于預(yù)定的第二閾值。
全文摘要
一種防篡改的圖像處理方法和裝置。該方法包括分別獲取原始圖像的第一組魯棒特征點的第一魯棒特征表示以及待檢測圖像的第二組魯棒特征點的第二魯棒特征表示；將第一魯棒特征表示和第二魯棒特征表示進行匹配，以便獲得不匹配特征點；以及基于不匹配特征點的分布特性來確定待檢測圖像相對于原始圖像是否存在篡改。通過本發(fā)明的實施例，通過基于原始圖像和待檢測圖像的魯棒特征表示對不匹配特征點的分布特性進行分析，能夠有效地將對圖像的常規(guī)操作和對圖像的篡改區(qū)分開來，具有足夠的魯棒性，而且能夠準確地識別出是否對原始圖像進行了篡改。尤其能夠確保識別出是否存在細小區(qū)域中的篡改。由此兼顧了優(yōu)異的魯棒性和篡改識別的精確性兩種性能。
文檔編號G06T7/00GK102930493SQ20111023492
公開日2013年2月13日 申請日期2011年8月12日 優(yōu)先權(quán)日2011年8月12日
發(fā)明者李基 , 楊效偉 申請人:索尼公司