本發(fā)明涉及針對(duì)復(fù)制粘貼的圖像篡改檢測(cè)方法，特別涉及一種基于四元數(shù)極諧變換的彩色圖像取證方法，屬于數(shù)字圖像認(rèn)證技術(shù)領(lǐng)域。

背景技術(shù)：

近年來(lái)，隨著網(wǎng)絡(luò)和多媒體技術(shù)迅速發(fā)展，數(shù)字多媒體資源越來(lái)越容易受到非法篡改和偽造，嚴(yán)重侵害了版權(quán)所有者的合法權(quán)益。因此，與之密切相關(guān)的多媒體安全受到了越來(lái)越多的關(guān)注，知識(shí)產(chǎn)權(quán)的有效保護(hù)成為了重要的研究課題。圖像認(rèn)證技術(shù)即為鑒定數(shù)字圖像完整、真實(shí)等屬性的方法，篡改檢測(cè)技術(shù)是其中一種常用的方法。

目前，數(shù)字圖像認(rèn)證技術(shù)發(fā)展十分迅速，篡改檢測(cè)技術(shù)是其中非常重要的分支，現(xiàn)有的篡改檢測(cè)技術(shù)主要分為主動(dòng)檢測(cè)和被動(dòng)檢測(cè)。被動(dòng)檢測(cè)也可以稱為盲檢測(cè)，該技術(shù)不需要依賴待檢測(cè)圖像的原始信息，可以對(duì)目標(biāo)圖像直接進(jìn)行篡改檢測(cè)，具有更高的利用價(jià)值和實(shí)用價(jià)值，是當(dāng)前圖像認(rèn)證技術(shù)中的主要研究趨勢(shì)。一般情況下篡改圖像不會(huì)留下任何肉眼可識(shí)別的線索，但是圖像的內(nèi)在特征總會(huì)在篡改下發(fā)生或多或少的變動(dòng)，這些變動(dòng)正是盲檢測(cè)技術(shù)最主要的依據(jù)。

多數(shù)圖像篡改手段都是從像素層面進(jìn)行的，這些篡改方法改變了圖像內(nèi)容和統(tǒng)計(jì)特征。針對(duì)這種篡改手法，學(xué)者們提出了一系列針對(duì)性檢測(cè)算法，例如針對(duì)復(fù)制粘貼篡改的檢測(cè)算法和針對(duì)拼接篡改的檢測(cè)算法，還有些算法利用圖像篡改前后統(tǒng)計(jì)特征的變化進(jìn)行篡改檢測(cè)等。其中，針對(duì)復(fù)制粘貼篡改的檢測(cè)方法又可歸納為基于分塊的檢測(cè)方法和基于特征點(diǎn)的檢測(cè)方法：基于分塊的方法普遍具有很強(qiáng)的魯棒性，檢測(cè)精度也相對(duì)較高，但時(shí)間復(fù)雜度卻嚴(yán)重超出了人們的接受范圍；基于特征點(diǎn)的方法雖然時(shí)間復(fù)雜度的問(wèn)題得到了很好的解決，但檢測(cè)精度卻遠(yuǎn)遠(yuǎn)低于基于分塊的方法。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明是為了解決現(xiàn)有復(fù)制粘貼篡改檢測(cè)技術(shù)所存在的上述技術(shù)問(wèn)題，提供一種能處理任意復(fù)制粘貼的基于四元數(shù)極諧變換的彩色圖像取證方法。

本發(fā)明的技術(shù)解決方案是：一種基于四元數(shù)極諧變換的彩色圖像取證方法，其特征在于按照以下步驟進(jìn)行：

約定： 指待檢測(cè)的彩色圖像；分別代表圖像行數(shù)和列數(shù)；為預(yù)處理后的平滑圖像；為自適應(yīng)初始化超像素個(gè)數(shù)；為構(gòu)造的局部特征區(qū)域；為特征點(diǎn)匹配閾值；矩陣用于存放塊間相關(guān)系數(shù)；為塊匹配閾值；矩陣為特征向量集合；

a. 初始設(shè)置

獲取待檢測(cè)圖像并初始化變量；

b. 待檢測(cè)圖像自適應(yīng)超像素分塊

b.1 將圖像進(jìn)行平滑預(yù)處理，與做卷積即得到，，其中：

；

b.2 將進(jìn)行四級(jí)非下采樣剪切波變換，得到歸一化后的低頻系數(shù)和歸一化后的高頻系數(shù)；

b.3 計(jì)算低頻能量、高頻能量以及占總能量比例；

b.4 按照下式計(jì)算自適應(yīng)超像素個(gè)數(shù)：

；

b.5 使用熵率超像素分割算法結(jié)合分割待測(cè)圖像；

c. 概率密度SURF特征點(diǎn)提取構(gòu)造

c.1 計(jì)算亮度分量中每個(gè)點(diǎn)的概率密度；

c.2 按照下式計(jì)算出每點(diǎn)的概率密度二階導(dǎo)數(shù)：

；

c.3 使用改進(jìn)方法得到點(diǎn)的二階自相關(guān)矩陣；

c.4 構(gòu)造SURF特征點(diǎn)檢測(cè)器：

c.5 使用的最大特征值、最小特征值和特征向量，計(jì)算長(zhǎng)半軸、短半軸和方向角，構(gòu)造該點(diǎn)的橢圓形局部特征區(qū)域；

c.6 將橢圓區(qū)域像素映射到對(duì)應(yīng)的圓形區(qū)域：

其中，、、為三個(gè)映射所需的參數(shù)，為圓形區(qū)域圓心位置，和分別代表通過(guò)映射得到的圓形區(qū)域坐標(biāo)；

c.7 將每個(gè)局部圓形區(qū)域“填0”，獲得外接方圖像，即；

d. 的低階四元數(shù)PHT特征表達(dá)及匹配

d.1 根據(jù)下式計(jì)算區(qū)域的四元數(shù)PHT分解矩值：

其中：和表示極坐標(biāo)系下彩色圖像的R、G、B分量，和表示R、G、B分量的傳統(tǒng)PHT；

d.2 求取每個(gè)的12個(gè)四元數(shù)PHT矩值表示該SURF特征點(diǎn)的特征向量，每一個(gè)超像素塊中所有的SURF特征點(diǎn)及其向量共同代表該塊特征，即；

d.3 使用計(jì)算任意兩個(gè)超像素塊中匹配的特征點(diǎn)個(gè)數(shù)，作為這兩個(gè)塊的相似系數(shù)；

d.4 將塊間相關(guān)系數(shù)按升序存放進(jìn)中，,其中；

d.5 分別計(jì)算的一階導(dǎo)數(shù)，二階導(dǎo)數(shù)，以及一階導(dǎo)數(shù)均值；在矩陣中選擇滿足且值最小的系數(shù)值作為；

d.6 如果兩個(gè)超像素塊的相似系數(shù)大于，這兩塊即被認(rèn)定為匹配塊，即為可疑的篡改區(qū)域SR；

e. 超像素滑窗方法確定并標(biāo)記篡改區(qū)域

e.1 利用滑窗操作將SR分成面積為的重疊圓形區(qū)域，每個(gè)區(qū)域半徑為；

e.2 計(jì)算每一圓形塊的四元數(shù)PHT矩值，選取其中12個(gè)作為特征向量存入集合中；

e.3 基于算法，對(duì)進(jìn)行相似圖像塊特征匹配；

e.4 使用RANSAC算法進(jìn)行后處理操作；

e.5 對(duì)最終確定的區(qū)域進(jìn)行形態(tài)學(xué)操作，填補(bǔ)空洞和去除單獨(dú)塊，標(biāo)記出篡改區(qū)域。

本發(fā)明首先將待檢測(cè)的彩色圖像進(jìn)行基于熵率超像素的自適應(yīng)分割，結(jié)合概率密度SURF算子提取特征點(diǎn)并確定出局部可疑篡改區(qū)域；然后，對(duì)可疑區(qū)域進(jìn)行滑窗操作，利用四元數(shù)極諧變換系數(shù)矩值表示每一個(gè)滑窗塊的特征進(jìn)行相似度匹配；最后，確定并標(biāo)記出篡改區(qū)域。實(shí)驗(yàn)結(jié)果表明，相較于傳統(tǒng)基于分塊的篡改檢測(cè)方法，本發(fā)明的方法在保持較高的檢測(cè)正確率的同時(shí)，極大程度地降低了算法的時(shí)間復(fù)雜度。

與現(xiàn)有技術(shù)相比，本發(fā)明具有以下有益效果：

第一，由于傳統(tǒng)方法的滑窗操作中求取每個(gè)分塊的特征階段、特征匹配階段耗費(fèi)了大量的時(shí)間，使得現(xiàn)有技術(shù)的時(shí)間耗費(fèi)超出理想范圍，相對(duì)于對(duì)整個(gè)圖像進(jìn)行滑窗分塊，本發(fā)明有效地減少了所需滑窗像素點(diǎn)的比例，極大程度地降低了算法的時(shí)間復(fù)雜度，具有較強(qiáng)的實(shí)用性；

第二，SURF特征點(diǎn)提取結(jié)合概率密度的方法使本發(fā)明具有更強(qiáng)的穩(wěn)定性，使特征點(diǎn)分布更加均勻，構(gòu)造特征區(qū)域階段更加有效；

第三，四元數(shù)PHT具有顯著的幾何不變性等特質(zhì)，從而使得本發(fā)明的方法具有更強(qiáng)的魯棒性，在篡改區(qū)域進(jìn)行RST等幾何變換的條件下也能理想的檢測(cè)出來(lái)，使用低階計(jì)算保證了計(jì)算效率，不會(huì)額外增加運(yùn)算時(shí)間。

附圖說(shuō)明

圖1為本發(fā)明實(shí)施例原始圖和篡改圖。

圖2為本發(fā)明實(shí)施例篡改檢測(cè)過(guò)程各階段中間結(jié)果圖。

圖3為本發(fā)明實(shí)施例FAU庫(kù)部分檢測(cè)結(jié)果圖。

圖4為本發(fā)明實(shí)施例GRIP庫(kù)部分檢測(cè)結(jié)果圖。

圖5為本發(fā)明實(shí)施例的流程圖。

具體實(shí)施方式

本發(fā)明的方法共包括四個(gè)階段：待檢測(cè)圖像自適應(yīng)超像素分塊、概率密度SURF特征點(diǎn)提取及特征區(qū)域構(gòu)造、的低階四元數(shù)極諧變換特征表達(dá)及匹配、超像素滑窗方法確定并標(biāo)記篡改區(qū)域。

具體步驟如圖5所示：

約定：指待檢測(cè)的彩色圖像；分別代表圖像行數(shù)和列數(shù)；為預(yù)處理后的平滑圖像；為自適應(yīng)初始化超像素個(gè)數(shù)；為構(gòu)造的局部特征區(qū)域；為特征點(diǎn)匹配閾值；矩陣用于存放塊間相關(guān)系數(shù)；為塊匹配閾值；矩陣為特征向量集合；

a. 初始設(shè)置

獲取待檢測(cè)圖像并初始化變量；

b. 待檢測(cè)圖像自適應(yīng)超像素分塊

b.1 將圖像進(jìn)行平滑預(yù)處理，與做卷積即得到，，其中：

；

b.2 將進(jìn)行四級(jí)非下采樣剪切波變換，得到歸一化后的低頻系數(shù)和歸一化后的高頻系數(shù)；

b.3 計(jì)算低頻能量、高頻能量以及占總能量比例；

b.4 按照下式計(jì)算自適應(yīng)超像素個(gè)數(shù)：

；

b.5 使用熵率超像素分割算法結(jié)合分割待測(cè)圖像；

c. 概率密度SURF特征點(diǎn)提取構(gòu)造

c.1 計(jì)算亮度分量中每個(gè)點(diǎn)的概率密度；

c.2 按照下式計(jì)算出每點(diǎn)的概率密度二階導(dǎo)數(shù)：

；

c.3 使用改進(jìn)方法得到點(diǎn)的二階自相關(guān)矩陣；

c.4 構(gòu)造SURF特征點(diǎn)檢測(cè)器：

c.5 使用的最大特征值、最小特征值和特征向量，計(jì)算長(zhǎng)半軸、短半軸和方向角，構(gòu)造該點(diǎn)的橢圓形局部特征區(qū)域；

c.6 將橢圓區(qū)域像素映射到對(duì)應(yīng)的圓形區(qū)域：

其中，、、為三個(gè)映射所需的參數(shù)，為圓形區(qū)域圓心位置，和分別代表通過(guò)映射得到的圓形區(qū)域坐標(biāo)；

c.7 將每個(gè)局部圓形區(qū)域“填0”，獲得外接方圖像，即；

d. 的低階四元數(shù)PHT特征表達(dá)及匹配

d.1 根據(jù)下式計(jì)算區(qū)域的四元數(shù)PHT分解矩值：

其中：和表示極坐標(biāo)系下彩色圖像的R、G、B分量，和表示R、G、B分量的傳統(tǒng)PHT；

d.2 求取每個(gè)的12個(gè)四元數(shù)PHT矩值表示該SURF特征點(diǎn)的特征向量，每一個(gè)超像素塊中所有的SURF特征點(diǎn)及其向量共同代表該塊特征，即；

d.3 使用計(jì)算任意兩個(gè)超像素塊中匹配的特征點(diǎn)個(gè)數(shù)，作為這兩個(gè)塊的相似系數(shù)；

d.4 將塊間相關(guān)系數(shù)按升序存放進(jìn)中，,其中；

d.5 分別計(jì)算的一階導(dǎo)數(shù)，二階導(dǎo)數(shù)，以及一階導(dǎo)數(shù)均值；在矩陣中選擇滿足且值最小的系數(shù)值作為；

d.6 如果兩個(gè)超像素塊的相似系數(shù)大于，這兩塊即被認(rèn)定為匹配塊，即為可疑的篡改區(qū)域SR；

e. 超像素滑窗方法確定并標(biāo)記篡改區(qū)域

e.1 利用滑窗操作將SR分成面積為的重疊圓形區(qū)域，每個(gè)區(qū)域半徑為；

e.2 計(jì)算每一圓形塊的四元數(shù)PHT矩值，選取其中12個(gè)作為特征向量存入集合中；

e.3 基于算法，對(duì)進(jìn)行相似圖像塊特征匹配；

e.4 使用RANSAC算法進(jìn)行后處理操作；

e.5 對(duì)最終確定的區(qū)域進(jìn)行形態(tài)學(xué)操作，填補(bǔ)空洞和去除單獨(dú)塊，標(biāo)記出篡改區(qū)域。

實(shí)驗(yàn)測(cè)試和參數(shù)設(shè)置：

實(shí)驗(yàn)是在Matlab R2011a環(huán)境下執(zhí)行的，實(shí)驗(yàn)所涉及到的圖像是多數(shù)算法通用的FAU和GRIP圖像庫(kù)中的圖像，F(xiàn)AU圖像庫(kù)中圖像尺寸相對(duì)較大，最大尺寸的圖像超過(guò)3000×2400像素，其中篡改圖像中的篡改區(qū)域面積均超過(guò)總面積的6%。為了提高試驗(yàn)過(guò)程效率，我們?cè)诖瞬糠钟中乱肓薌RIP圖像庫(kù)，GRIP圖像庫(kù)中圖像大小均為768×1024像素，圖像中篡改區(qū)域大小在4000像素到50000像素之間。

本發(fā)明實(shí)施例原始圖和篡改圖如圖1所示。

本發(fā)明實(shí)施例篡改檢測(cè)過(guò)程各階段中間結(jié)果圖如圖2所示。

本發(fā)明實(shí)施例FAU庫(kù)部分檢測(cè)結(jié)果圖如圖3所示。

本發(fā)明實(shí)施例GRIP庫(kù)部分檢測(cè)結(jié)果圖如圖4所示。