一種使用自適應閾值的圖像篡改檢測與定位方法
【專利摘要】本發(fā)明公開了一種使用自適應閾值的圖像篡改檢測與定位方法，其基于模式噪聲，并考慮了圖像內(nèi)容，其首先提取待測圖像的噪聲殘差，并對待測圖像、待測圖像的噪聲殘差和待測圖像來源相機的參考模式噪聲進行不重疊分塊，接著逐塊計算待測圖像的噪聲殘差和待測圖像來源相機的參考模式噪聲的相關(guān)性，然后根據(jù)對應的待測圖像塊的紋理復雜度選取閾值進行判決，從而能夠消除紋理復雜度對檢測結(jié)果的負面影響；其在采取不重疊分塊確定大致篡改位置的基礎(chǔ)上，采用快速的零均值歸一化互相關(guān)算法進行相關(guān)性匹配，因此大大提高了本發(fā)明方法的篡改檢測和定位效率，并且實現(xiàn)了對篡改精確定位的目的。
【專利說明】
一種使用自適應閾值的圖像篡改檢測與定位方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明涉及一種圖像取證技術(shù)，尤其是涉及一種使用自適應閾值的圖像篡改檢測 與定位方法。
【背景技術(shù)】
[0002] 隨著專業(yè)相機、消費相機和具有高清拍照功能的智能手機等圖像獲取設(shè)備的廣泛 普及，尤其是近些年智能手機的普及，全民已進入"讀圖時代"。為滿足人們對圖像編輯的要 求，各種功能強大、操作簡單的圖像處理軟件應運而生，但這也造成大量的篡改圖像充斥網(wǎng) 絡(luò)、新聞等大眾媒體，給社會帶來了嚴重的信任危機。數(shù)字圖像作為一種重要的信息載體， 如何確保它在存儲、傳輸和傳播過程中的真實性，已成為數(shù)字圖像取證領(lǐng)域的研究熱點。
[0003] 所有的圖像篡改方式中，同圖復制-粘貼和異圖拼接是最為常見的。如何有效地對 這兩類圖像篡改進行取證，國內(nèi)外相關(guān)機構(gòu)展開了深入研究。近年來，利用相機傳感器模式 噪聲的檢測方法受到了研究者的廣泛關(guān)注。這一類檢測方法對同圖復制-粘貼、異圖拼接和 模糊潤飾等多種圖像篡改操作都具有通用性，在司法取證、保險取證、新聞、攝影大賽等領(lǐng) 域的圖片真實性檢測中具有較好的應用前景。
[0004] 相機傳感器模式噪聲，主要是由傳感器的制作工藝不完美和材質(zhì)不一致所導致。 由于每部相機的模式噪聲都具有唯一性，因此可看作相機指紋。利用相機傳感器模式噪聲 的檢測方法中的一種經(jīng)典的基于模式噪聲的篡改取證方法主要包括以下步驟:1)通過一部 相機拍攝的多幅圖像的噪聲殘差的平均獲取相機的參考模式噪聲R;2)獲取待測圖像的噪 聲殘差W;3)采用滑窗方法，用事先設(shè)置的固定閾值對窗口內(nèi)待測圖像的噪聲殘差W與相機 的參考模式噪聲R的相關(guān)系數(shù)P(W，R)進行判決，實現(xiàn)篡改檢測及定位。該篡改取證方法存在 以下問題：1)在實際應用中，由于相機拍攝的圖像的噪聲殘差和待測圖像的噪聲殘差偏小， 容易受到圖像紋理等不利因素的影響，因此會造成篡改檢測及定位效果不理想；2)采用的 基于相關(guān)系數(shù)的固定閾值滑窗方法的效率極低，導致該篡改取證方法的效率也低下。
[0005] 為解決經(jīng)典的基于模式噪聲的篡改取證方法存在的篡改檢測及定位效果不理想 的問題，可以從兩個方向出發(fā)，一個方向是如何提高相機的模式噪聲的質(zhì)量，另一個方向是 如何通過使用更好的相關(guān)性度量方法來提高檢測效果。如:Mo Chen、Jessica Fridrich、 Miroslav Goljan.Determining Image Origin and Integrity Using Sensor Noise[J] .IEEE Transactions on Information and Security,2008,3(1) :74-90(陳莫、杰西卡· 弗里德里希、米羅斯拉夫?格蘭，基于傳感器模式噪聲的圖像來源與完整性檢測[J].IEEE 信息與安全.2008,第3期（1):74-90)，其提出用多幅紋理簡單(如藍天）的圖像的噪聲殘差 經(jīng)最大似然估計獲取相機的模式噪聲，消除紋理細節(jié)的影響，然后采用零均值化法(zero-mean，ZM)和維納濾波(Wiener filter，WF)處理CFA插值噪聲和JPEG壓縮塊效應等隨機噪聲 的干擾，從而提高相機的模式噪聲的質(zhì)量。又如:Miroslav Gol jan、Jessica Fridrich、 TomasFiller.Large scale test of sensor fingerprint camera identification[C] SPIE Proceedings,Media Forensics and Security,2009,7254:0101-12(米羅斯拉夫2格 蘭、杰西卡?弗里德里希、托馬斯2菲勒，基于傳感器指紋識別的大規(guī)模測試[C]，SPIE會議 錄，多媒體取證與安全，2009，7254:0101-12)，其提出SPCE(signed peak-to-correlation energy，有符號的峰值相關(guān)能量比值)方法，利用SPCE方法來提高檢測效果。
[0006] 上述兩種方法是目前基于模式噪聲的圖像篡改檢測的基本方法。這些方法雖然可 以通過改善相機的模式噪聲的質(zhì)量或者改進相關(guān)性匹配方法提高檢測結(jié)果，但由于待測圖 像的噪聲殘差容易受圖像內(nèi)容的影響，因此會導致不同內(nèi)容的待測圖像的檢測結(jié)果存在較 大差異。如何減小待測圖像內(nèi)容對其噪聲殘差的影響，提高檢測效果，研究者從不同角度進 行了分析。Li C.-T. Source camera identification using enhanced sensor pattern noise[J]. IEEE Transactions on Information Forensics and Security,2010,5(2): 280-287.(李長純，使用增強的傳感器模式噪聲識別源相機方法[J]，IEEE信息取證與安全， 2010,第5期（2) :280-287)，其提出6個增強模型，降低紋理干擾，再使用零均值化法和維納 濾波處理。之后Li C.-T.and Li Yue.Color-decoupled photo response non-uniformity for digital image forensics[J]. IEEE Transactions on Circuits and Systems for Video Technology ,2012,22(2) :260-271(李長純、李岳，基于顏色分離的光電響應不一致 性的數(shù)字圖像取證[J]，IEEE視頻技術(shù)電路與系統(tǒng)，2012，第22期(2): 260-271 )，其建議從三 個顏色通道分別提取噪聲殘差消除CFA插值的影響；Lin Xu、Li C. -T . Preprocessing Reference Sensor Pattern Noise via Spectrum Equalization[J]. IEEE Transactions on Information Forensics and Security,2016,11(1):126-140(林旭、李長純，基于頻譜 均衡方法處理參考相機傳感器模式噪聲[J]，IEEE信息取證與安全，2016,第11期（1):126-140)，其提出采用頻譜均衡化的思想濾除殘差中的紋理分量。Kang Xiangui、Li Yinxiang、 Qu Zhenhua、Huang Jiwu.Enhancing source camera identification performance with a camera reference phase sensor pattern noise[J]. IEEE Transactions on Information Forensics and Security,2012.7(2) :393-402(康顯桂、李寅祥、屈振華、黃 繼武，利用相機傳感器模式噪聲相位提高源相機識別率[J]，IEEE信息取證與安全，2012,第 7期（2):393-402)，其借助噪聲殘差的相位剔除干擾噪聲。3 &^?&^1111、61〇￥&111^ Poggi、Carlo Sansone. on the influence of denoi sing in PRNU based forgery detection[C]ACM Workshop Multimedia Forensics,2010:117-122.(薩拉?帕雷爾、喬 凡·尼波吉、卡洛?桑索，基于降噪的光電響應不一致噪聲偽造檢測[C]，ACM多媒體取證， 2010:117-122)和Kang Xiangui、Chen Jiansheng、Peng Anjie.A context-adaptive SPN predictor for trustworthy source camera identification!!J]，EURASIP Journal on Image and Video Processing,2014(1):1-11(康顯桂、陳建生、彭安杰，基于上下文自適應 傳感器模式噪聲預測的相機源辨識[J]，EURASIP圖像和視頻處理，2014，（ 1): 1-11)，其在獲 取噪聲殘差時分別采用BM3D和PCAI的濾波方法降低紋理影響。這些方法雖然都能提高待測 圖像的噪聲殘差的質(zhì)量，從而能有效地解決紋理細節(jié)和干擾噪聲等不利因素的影響，但是 算法復雜度高，提取手段過于繁瑣，且在提取過程中可能會引入新的隨機噪聲，即方法噪 聲。新的隨機噪聲可能對相機設(shè)備來源識別影響不大，此時計算圖像整體的相關(guān)性，不考慮 局部因素，然而在圖像篡改檢測時，通常是分塊檢測，新的隨機噪聲勢必會影響局部塊的相 關(guān)性匹配。
[0007] 基于以上原因，為消除圖像內(nèi)容的影響，避免引入新的噪聲，提高檢測效率，因此 有必要研究一種考慮待測圖像內(nèi)容的快速篡改檢測與定位方法。

【發(fā)明內(nèi)容】

[0008] 本發(fā)明所要解決的技術(shù)問題是提供一種使用自適應閾值的圖像篡改檢測與定位 方法，其篡改檢測與定位效率高，且能夠消除圖像紋理等不利因素對篡改檢測與定位的干 擾，實現(xiàn)篡改區(qū)域的精確定位。
[0009] 本發(fā)明解決上述技術(shù)問題所采用的技術(shù)方案為:一種使用自適應閾值的圖像篡改 檢測與定位方法，其特征在于包括以下步驟：
[0010] ①選取一幅圖像，將該圖像作為待測圖像，記為Itest;并獲取N幅紋理簡單的原始 圖像，將獲取的第η幅紋理簡單的原始圖像記為loan;其中，拍攝每幅紋理簡單的原始圖像 與拍攝ltd對應的原始圖像所采用的相機為同一部相機，每幅紋理簡單的原始圖像與I^t 的尺寸大小相同，寬度為col且高度為row，l<n<N，N彡2;
[0011] ②對Itest進行小波降噪處理，得到Itest的降噪圖像，記為I' test;然后根據(jù)Itest及 I ' test，計算I test的噪聲殘差，記為W test ? fftest-I test-1 test ； 再采用零均值化法對wt(3St進行處 理，將得到的結(jié)果記為W'test;之后采用維納濾波對W'test處理，將得到的結(jié)果作為Itest的最 終噪聲殘差，記為
[0012] 同樣，對每幅紋理簡單的原始圖像進行小波降噪處理，得到每幅紋理簡單的原始 圖像的降噪圖像，將I〇rg,η的降噪圖像記為r〇 rg,η;然后根據(jù)每幅紋理簡單的原始圖像及其 降噪圖像，計算每幅紋理簡單的原始圖像的噪聲殘差，將1。％"的噪聲殘差記為 = Ι_,η-Γ_,η;接著采用最大似然估計法，對所有紋理簡單的原始圖像的噪聲殘差進行處 理，得到Itest所對應的相機的參考模式噪聲，記為Rtest;再采用零均值化法對R test進行處理， 將得到的結(jié)果記為R'test;之后采用維納濾波對R'test處理，將得到的結(jié)果作為Itest所對應的 相機的最終參考模式噪聲，記為·，
[0013] ③判斷col % 128和row% 128是否均等于0，如果col % 128和row% 128均等于0，則 直接執(zhí)行步驟④;如果col % 128等于0而row% 128不等于0，則對Itest、和各自擴展 128-row% 128行，然后令row = row+( 128-row% 128)，再執(zhí)行步驟④；如果row % 128等于0而 。〇1%128不等于0，則對1恤*、)^1和^^(各自擴展128-(3〇1%128列，然后令(3〇1 = (3〇1+(128-col%128)，再執(zhí)行步驟④;如果col%128和row%128均不等于0,則對Itest、lf^和iCi各自 擴展 128-row% 128行，并擴展 128-col % 128列，然后令row = row+( 128-row% 128)，令col = col+(128_col % 128)，再執(zhí)行步驟④;其中，符號"％"為求余運算符，row = row+(128_row% 128)和(3〇1 = (3〇1+(128-(：〇1%128)中的"="為賦值符號；
[0014] ④將Itest、fCSi和或L分別劃分成
個互不重疊的尺寸大小為128X 128的 圖像塊，將Ites沖的第k個圖像塊記為施木、將忙,中的第k個圖像塊記為5/od^，將iC 中的第k個圖像塊記為;然后計算Itest中的每個圖像塊的紋理復雜度，將歷odf ?的 紋理復雜度記為;接著采用SPCE方法，計算中的每個圖像塊與〇對應位置 的圖像塊的相關(guān)性，將所odf與財odf的相關(guān)性記為SPCEp/oif';其中，
[0015] ⑤根據(jù)Itest中的每個圖像塊的紋理復雜度，獲取Itest中的每個圖像塊相應的自適 應閾值;然后根據(jù)中的每個圖像塊與iC中對應位置的圖像塊的相關(guān)性及I^t中對應位 置的圖像塊相應的自適應閾值，對Itest中對應位置的圖像塊進行相關(guān)性匹配，檢測出Itest中 對應位置的圖像塊是否發(fā)生過篡改;再將i te3St中包含檢測出的所有發(fā)生過篡改的圖像塊的 最小矩形區(qū)域確定為IteSt中的大致篡改區(qū)域；
[0016] ⑥將1C中與IteS沖的大致篡改區(qū)域相對應的矩形區(qū)域記為Atest，將iC中與Itest 中的大致篡改區(qū)域相對應的矩形區(qū)域記為Btest;然后采用快速的零均值歸一化互相關(guān)算 法，計算Atest中的每個像素點與Btest中對應像素點的ZNCC系數(shù)，將Atest中坐標位置為t的像 素點與Btest中坐標位置為t的像素點的ZNCC系數(shù)記為ZNCCt;然后由Atest中的所有像素點各 自與B test中對應像素點的ZNCC系數(shù)組成ZNCC關(guān)聯(lián)圖；其中，te Ωζ，Ωζ表示Atest或Btest中的 所有像素點的坐標位置的集合，ZNCCt e [ 0，1 ];
[0017] ⑦通過比較ZNCC關(guān)聯(lián)圖中的每個像素點的像素值與固定閾值th的大小，對ZNCC關(guān) 聯(lián)圖中的每個像素點的像素值進行重置，對于ZNCC關(guān)聯(lián)圖中坐標位置為t的像素點的像素 值ZNCCt，如果ZNCCt大于或等于th，則將ZNCCt重置為1;如果ZNCCt小于th，則將ZNCCt重置為 〇；
[0018] ⑧先后利用腐蝕和膨脹技術(shù)對像素值重置后的ZNCC關(guān)聯(lián)圖中的每個像素點進行 處理;然后根據(jù)膨脹處理后的ZNCC關(guān)聯(lián)圖中的每個像素點的像素值，確定I test中的大致篡 改區(qū)域中的每個像素點為篡改像素點還是為非篡改像素點，對于ite3St中的大致篡改區(qū)域中 坐標位置為t的像素點，若膨脹處理后的ZNCC關(guān)聯(lián)圖中坐標位置為t的像素點的像素值為0， 則確定Itest中的大致篡改區(qū)域中坐標位置為t的像素點為篡改像素點；若膨脹處理后的 ZNCC關(guān)聯(lián)圖中坐標位置為t的像素點的像素值為1，則確定I test中的大致篡改區(qū)域中坐標位 置為t的像素點為非篡改像素點。
[0019]所述的步驟③中對Itest 和筆,各自擴展128-row% 128行為在Itest、 各自的第row行的下方擴展128-row % 128行，并使擴展的每行中的每個像素點的像素值等 于第row行中對應坐標位置的像素點的像素值;對和及^各自擴展128-col % 128列 為在Ite3St、和/C,各自的第c〇 1列的右方擴展128-co 1 % 128列，并使擴展的每列中的每個 像素點的像素值等于第col列中對應坐標位置的像素點的像素值。
[0020] 所述的步驟④中的&*_44"的獲取過程為:al、令fg丨-c卜-十"，其 中，<-_、.於\ 、c》?和嘯應表示信息熵、的邊緣比率、.5/od^ 的反差因子、的相關(guān)度和的能量;b 1、對步驟a 1得到的進行歸一化 處理，即令
，其中，Texturemin表示紋理復雜度中的最小 值，Texture^表示紋理復雜度中的最大值，
中的符號"=" 為賦值符號。
[0021] 所述的步驟④中
"其 中，s i gn ()為求符號函數(shù)，= maX0K卜卟e Ω+max ()為求最大值函數(shù)， ⑷表示5/oc^fb中坐標位置為s的像素點與中坐標位置為S的像素點的相關(guān) 值，表示所0￡^'"或5/〇<^'中的所有像素點的坐標位置的集合，NeXNe表示5/ο< ;'Μ或 5/oc#;中以對應的像素點為中心的窗口區(qū)域的尺寸大小， Ω NeXNe表/J、' Biod! 1 '1 或 中以對應的像素點為中心的窗口區(qū)域中的所有像素點的坐標位置的集合。
[0022] 所述的步驟⑤中針對歷，對所od：h進行相關(guān)性匹配，檢測出所〇〇^<是否發(fā) 生過篡改的具體過程為：如果' j大于或等于/?/〇<· '=相應的自適應 閾值，則確定5/〇￡%4?未發(fā)生過篡改；如果#小于B/od:p相應的自 適應閾值，則確定發(fā)生過篡改。
[0023] 所述的步驟⑥中
，其中，Atest(t)表示Atest中坐 標位置為t的像素點的像素值，Bte3St(t)表示Bt(3St中坐標位置為t的像素點的像素值，cov (Ate3St(t)，Btest(t))表示At(3St中坐標位置為t的像素點與B test中坐標位置為t的像素點的協(xié) 方差，var (Atest (t))表示Atest中坐標位置為t的像素點的方差，var (Btest (t))表示Btest中坐 標位置為t的像素點的方差。
[0024] 所述的步驟⑤中的獲取Itest中的每個圖像塊相應的自適應閾值的具體過程為：
[0025] ⑤」、利用U部不同的相機各拍攝V幅場景不同的照片，共獲得UXV幅照片，第u部 相機拍攝的照片的寬度為colu且高度為r 〇Wu;然后從每部相機拍攝的所有照片中隨機選取Z 幅照片，并將隨機選取的UXZ幅照片構(gòu)成訓練圖像庫，將訓練圖像庫中的第i幅照片記為 11, 1;接著對訓練圖像庫中的每幅照片進行小波降噪處理，得到訓練圖像庫中的每幅照片的 降噪圖像，將^，的降噪圖像記為1\ 1;之后根據(jù)訓練圖像庫中的每幅照片及其降噪圖像， 計算訓練圖像庫中的每幅照片的噪聲殘差，將11;1的噪聲殘差記為 中，U彡5，V彡400，1彡u彡U，200彡Z彡V，1彡i彡UXZ;
[0026] 利用上述的每部相機重復拍攝紋理簡單的同一場景G次，共獲得UXG幅紋理簡單 的照片，將第j幅紋理簡單的照片記為Ij;對每幅紋理簡單的照片進行小波降噪處理，得到 每幅紋理簡單的照片的降噪圖像，將L的降噪圖像，記為然后根據(jù)每幅紋理簡單的照片 及其降噪圖像，計算每幅紋理簡單的照片的噪聲殘差，將L的噪聲殘差記為= 接著采用最大似然估計法，對每部相機拍攝的所有紋理簡單的照片的噪聲殘差進行處理之 后，再分別進行零均值化和維納濾波處理，得到每部相機的參考模式噪聲，將第U部相機的 參考模式噪聲記為Ru;其中，G彡50，1彡j彡UXG;
[0027] ?_2、通過判斷每部相機拍攝的照片的尺寸大小能否被128X128整除，確定是否 擴展該部相機的參考模式噪聲和訓練圖像庫中來自該部相機的每幅照片及其噪聲殘差，對 于第u部相機拍攝的照片，判斷colu%128和rowu%128是否均等于0,如果col u%128和 rowu% 128均等于0，則直接執(zhí)行步驟⑤_3;如果colu% 128等于0而rowu% 128不等于0,則對 Ru、訓練圖像庫中來自第u部相機的每幅照片及其噪聲殘差各自擴展128-r 〇Wu%128行，然后 令roWu = rowu+(128-rowu% 128)，再執(zhí)行步驟⑤_3;如果rowu% 128等于0而colu%128不等于 0,則對Ru、訓練圖像庫中來自第u部相機的每幅照片及其噪聲殘差各自擴展128-col u%128 列，然后令(：〇111 = (3〇111+(128-(3〇111%128)，再執(zhí)行步驟(1)_3;如果(3〇111%128和1'〇￥11%128均不 等于0,則對R u、訓練圖像庫中來自第u部相機的每幅照片及其噪聲殘差各自擴展128-r〇Wu% 128行，并擴展128-(3〇111%128列，然后令1'〇￥11 = 1'〇￥11+(128-1'〇￥11%128)，令(3〇111 = (3〇111+(128-〇〇111%128)，再執(zhí)行步驟(1)_3;其中，符號"％"為求余運算符，1'〇￥11 = 1'〇￥11+(128-1'〇￥11%128) 和colu = colu+(128-colu%128)中的"="為賦值符號；
[0028] (D_3、將每部相機的參考模式噪聲和訓練圖像庫中來自該部相機的每幅照片及其 噪聲殘差分別劃分成多個互不重疊的尺寸大小為128X128的圖像塊;然后計算訓練圖像庫 中來自每部相機的每幅照片中的每個圖像塊的紋理復雜度，將訓練圖像庫中來自第u部相 機的第z幅照片中的第k u個圖像塊的紋理復雜度記為_ ;接著采用SPCE方法，計算 訓練圖像庫中來自每部相機的每幅照片的噪聲殘差中的每個圖像塊與該部相機的參考模 式噪聲中對應位置的圖像塊的相關(guān)性，將訓練圖像庫中來自第u部相機的第z幅照片的噪聲 殘差中的第ku個圖像塊與Ru中的第ku個圖像塊的相關(guān)性記為其中，1?Z，
[0029] ⑤_ 4、將訓練圖像庫中尺寸大小最小的照片的寬度和高度對應記為c ο 1 m i n和 rowmin;然后按colmin和r〇Wmin，對訓練圖像庫中的每幅照片及其噪聲殘差和每部相機的參考 模式噪聲從左上角開始進行裁剪，使訓練圖像庫中的所有照片及各自的噪聲殘差和每部相 機的參考模式噪聲的寬度均為colmin，且高度均為row min;再判斷colmin%128和rowmin%128 是否均等于0，如果colmin% 128和rowmin% 128均等于0，則直接執(zhí)行步驟⑤_5 ;如果colmin% 128等于0而r〇wmin% 128不等于0,則對訓練圖像庫中的每幅照片及其噪聲殘差和每部相機 的參考模式噪聲各自擴展128-1'〇￥-%128行，然后令1'〇￥- = !'〇￥-+(128-1'〇￥-%128)，再 執(zhí)tx步驟⑤_5 ;如果rOWmin% 128等于0而colmin% 128不等于0，則對訓練圖像庫中的每幅照 片及其噪聲殘差和每部相機的參考模式噪聲各自擴展128-c〇l min%128列，然后令c〇lmin = colmin+(128-colmin%128)，再執(zhí)行步驟⑤ _5;如果 colmin%128 和 rowmin%128 均不等于0,則 對訓練圖像庫中的每幅照片及其噪聲殘差和每部相機的參考模式噪聲各自擴展128-1'〇界1^11%128行，并擴展128-。〇11^11%128列，然后令1'〇￥1^11 = 1'〇￥1^11+(128-1'〇￥1^11%128)，令 C〇lmin=C〇linin+(128-C〇linin%128)，再執(zhí)行步驟⑤_5;其中，符號"％"為求余運算符，rowmin = r〇Wmin+(128-r〇Winin%128)和C〇lmin = C〇linin+(128-C〇linin%128)中的"="為賦值符號；
[0030] (D_5、將第u部相機作為當前相機；
[0031] ?_6、從訓練圖像庫中來自除當前相機外的每部相機的所有照片中隨機選取Η幅 照片，并由共選取得到的(U-l)XH幅照片構(gòu)成異源照片集，記為Y u;其中，20<Η<Ζ;
[0032] (D_7、將當前相機的參考模式噪聲Ru和Yu中的每幅照片及其噪聲殘差分別劃分成
個互不重疊的尺寸大小為128 X 128的圖像塊;然后計算Yu中的每幅照片中的 每個圖像塊的紋理復雜度，將Y u中的第h幅照片中的第k y個圖像塊的紋理復雜度記為 TVm〃義"；接著采用SPCE方法，計算Yu中的每幅照片的噪聲殘差中的每個圖像塊與當前相 機的參考模式噪聲R u中對應位置的圖像塊的相關(guān)性，將Yu中的第h幅照片的噪聲殘差中的第 ky個圖像塊與Ru中的第ky個圖像塊的相關(guān)性記為*;其中，1彡h彡（U-l) XH，
[0033] ?_8、令u = u+l，將下一部相機作為當前相機，然后返回步驟⑤_6繼續(xù)執(zhí)行，直至 所有相機處理完畢;其中，u = u+l中的"="為賦值符號；
[0034] ?_9、將紋理復雜度的取值范圍[0，1]分成33個紋理復雜度等級子區(qū)間，分別為
[0,0.03),[0.03,0.06),……、[0.93,0.96)、[0.96,1];然后根據(jù)步驟(D_3 中計算得到的所 有圖像塊各自的紋理復雜度及步驟?_5至步驟?_8中計算得到的所有圖像塊各自的紋理 復雜度所在的紋理復雜度等級子區(qū)間，將步驟⑤_3中計算得到的所有相關(guān)性及步驟⑤_5至 步驟⑤_8中計算得到的所有相關(guān)性分成33類，從而得到每個紋理復雜度等級子區(qū)間下同源 和異源照片對應的相關(guān)值分布;接著根據(jù)每個紋理復雜度等級子區(qū)間下同源和異源照片對 應的相關(guān)值分布，使用Neyman-Pearson準則，在虛警率為Pf的情況下計算出每個紋理復雜 度等級子區(qū)間下的相關(guān)性閾值;之后對所有紋理復雜度等級子區(qū)間下的相關(guān)性閾值進行擬 合，擬合得到相關(guān)性閾值與紋理復雜度的關(guān)系曲線;其中，Pf e [0. 00 1，0. 0 1 ];
[0035] (D_10、在相關(guān)性閾值與紋理復雜度的關(guān)系曲線上，找出與Itest中的每個圖像塊的 紋理復雜度相對應的相關(guān)性閾值，作為該圖像塊相應的自適應閾值。
[0036] 所述的步驟⑤_2中對Ru、訓練圖像庫中來自第u部相機的每幅照片及其噪聲殘差 各自擴展128-r 〇Wu%128行為在Ru、訓練圖像庫中來自第u部相機的每幅照片及其噪聲殘差 各自的第row u行的下方擴展128-rowu % 128行，并使擴展的每行中的每個像素點的像素值等 于第r〇Wu行中對應坐標位置的像素點的像素值;對R u、訓練圖像庫中來自第u部相機的每幅 照片及其噪聲殘差各自擴展128-colu%128列為在R u、訓練圖像庫中來自第u部相機的每幅 照片及其噪聲殘差各自的第colu列的右方擴展128-col u%128列，并使擴展的每列中的每個 像素點的像素值等于第colu列中對應坐標位置的像素點的像素值；
[0037] 所述的步驟⑤_4中對訓練圖像庫中的每幅照片及其噪聲殘差和每部相機的參考 模式噪聲各自擴展128-r〇Wmin%128行為在訓練圖像庫中的每幅照片及其噪聲殘差和每部 相機的參考模式噪聲各自的第row min行的下方擴展128-rowmin % 128行，并使擴展的每行中 的每個像素點的像素值等于第r〇Wmin行中對應坐標位置的像素點的像素值;對訓練圖像庫 中的每幅照片及其噪聲殘差和每部相機的參考模式噪聲各自擴展128-col min% 128列為在 訓練圖像庫中的每幅照片及其噪聲殘差和每部相機的參考模式噪聲各自的第colmin列的右 方擴展128-col min%128列，并使擴展的每列中的每個像素點的像素值等于第colmin列中對 應坐標位置的像素點的像素值；
[0038] 所述的步驟⑤_3中的的獲取過程為:32、令2^?/<~+χ丨' 其 中，ci"k和七'對應表示訓練圖像庫中來自第U部相機的第Z幅照片中 的第ku個圖像塊的信息熵、邊緣比率、反差因子、相關(guān)度和能量；b2、對步驟a2得到的 進行歸一化處理，即4
，其中，Texturemin表示紋理復雜度 中的最小值，TextUremax表示紋理復雜度中的最大值，
中的符號"=" 為賦值符號;所述的步驟⑤_3中'
1其中，sign ()為求符號函數(shù)，=max?^A (&)μ" 為求最大值函數(shù)，if(5") 表示訓練圖像庫中來自第U部相機的第Z幅照片的噪聲殘差中的第ku個圖像塊中坐標位置 為^的像素點與Ru中的第ku個圖像塊中坐標位置為&的像素點的相關(guān)值，％表示訓練圖像 庫中來自第U部相機的第Z幅照片的噪聲殘差中的第k u個圖像塊或Ru中的第ku個圖像塊中的 所有像素點的坐標位置的集合，表示訓練圖像庫中來自第u部相機的第z幅照片 的噪聲殘差中的第ku個圖像塊或Ru中的第ku個圖像塊中以對應的像素點為中心的窗 口區(qū)域的尺寸大小表示訓練圖像庫中來自第u部相機的第z幅照片的噪聲殘差中 的第ku個圖像塊或R u中的第ku個圖像塊中以if對應的像素點為中心的窗口區(qū)域中的所 有像素點的坐標位置的集合；
[0039] 所述的步驟⑤_7中的7W"心的獲取過程為:a3、令' =4 ' +<·'+☆'-4 -冬，其 中，4對應表示1中的第h幅照片中的第ky個圖像塊的信息熵、 邊緣比率、反差因子、相關(guān)度和能量;b3、對步驟a3得到的^7〃/<"進行歸一化處理，即令
其中，Texturemin表示紋理復雜度中的最小值，Texture max 表示紋理復雜度中的最大值：
-中的符號"="為賦值符號； 所述的步驟⑤_7中
其中， s i g η ()為求符號函數(shù)，= max 4式卜)卜e ΩΑ-，)，m a X ()為求最大值函數(shù)， 表示Yu中的第h幅照片的噪聲殘差中的第ky個圖像塊中坐標位置為sy的像素點 與Ru中的第ky個圖像塊中坐標位置為sy的像素點的相關(guān)值，表示y u中的第h幅照片的噪聲 殘差中的第ky個圖像塊或Ru中的第ky個圖像塊中的所有像素點的坐標位置的集合， ，表示Yu中的第h幅照片的噪聲殘差中的第ky個圖像塊或Ru中的第k y個圖像塊中以 對應的像素點為中心的窗口區(qū)域的尺寸大小，表示Yu中的第h幅照片的噪聲 殘差中的第ky個圖像塊或Ru中的第ky個圖像塊中以/ftf"對應的像素點為中心的窗口區(qū)域 中的所有像素點的坐標位置的集合。
[0040] 所述的步驟⑦中取th = 0.06219。
[0041] 所述的步驟⑧中先后利用腐蝕和膨脹技術(shù)對像素值重置后的ZNCC關(guān)聯(lián)圖中的每 個像素點進行處理的過程為:先用半徑為64個像素點的圓對像素值重置后的ZNCC關(guān)聯(lián)圖中 的每個像素點進行腐蝕處理，再用半徑為20個像素點的圓對腐蝕處理后的ZNCC關(guān)聯(lián)圖中的 每個像素點進行膨脹處理。
[0042] 與現(xiàn)有技術(shù)相比，本發(fā)明的優(yōu)點在于：
[0043] 1)本發(fā)明方法基于模式噪聲，并考慮了圖像內(nèi)容，其首先提取待測圖像的噪聲殘 差，并對待測圖像、待測圖像的噪聲殘差和待測圖像來源相機的參考模式噪聲進行不重疊 分塊，接著逐塊計算待測圖像的噪聲殘差和待測圖像來源相機的參考模式噪聲的相關(guān)性， 然后根據(jù)對應的待測圖像塊的紋理復雜度選取閾值進行判決，從而能夠消除紋理復雜度對 檢測結(jié)果的負面影響。
[0044] 2)本發(fā)明方法與現(xiàn)有的基于相關(guān)系數(shù)的固定閾值滑窗方法相比，由于本發(fā)明方法 在采取不重疊分塊確定大致篡改位置的基礎(chǔ)上，采用快速的零均值歸一化互相關(guān)算法進行 相關(guān)性匹配，因此大大提高了本發(fā)明方法的篡改檢測和定位效率。
[0045] 3)本發(fā)明方法根據(jù)每個圖像塊的紋理復雜度來獲取該圖像塊的自適應閾值，很好 的消除了圖像紋理的不利影響，再使用快速的零均值歸一化互相關(guān)算法計算相關(guān)性，實現(xiàn) 了對篡改位置的精確定位。
【附圖說明】
[0046] 圖1為本發(fā)明方法的總體實現(xiàn)框圖；
[0047] 圖2為本發(fā)明方法具體實施時擬合得到的相關(guān)性閾值與紋理復雜度的關(guān)系曲線；
[0048] 圖3a為一幅原始圖像；
[0049]圖3b為圖3a經(jīng)同圖復制-粘貼篡改得到的篡改圖像，其局部塊的紋理復雜度屬于 [0.3361,0.9286]；
[0050] 圖3c為圖3b的篡改位置(ground truth);
[0051]圖3d為利用本發(fā)明方法對圖3b進行檢測，精確地定位出的篡改區(qū)域；
[0052]圖4a為另一幅原始圖像；
[0053]圖4b為使用兩部相機拍攝同一場景然后將對應位置拼接得到的篡改圖像，其局部 塊的紋理復雜度屬于[0.2246,0.9379];
[0054] 圖4c為圖4b的篡改位置(ground truth);
[0055] 圖4d為利用本發(fā)明方法對圖4b進行檢測，精確地定位出的篡改區(qū)域；
[0056]圖5a為利用基于相關(guān)系數(shù)的固定閾值滑窗方法且閾值τ為0.02時對圖3b進行檢測 得到的定位結(jié)果；
[0057]圖5b為利用基于相關(guān)系數(shù)的固定閾值滑窗方法且閾值τ為0.015時對圖3b進行檢 測得到的定位結(jié)果；
[0058]圖5c為利用基于相關(guān)系數(shù)的固定閾值滑窗方法且閾值τ為0.010時對圖3b進行檢 測得到的定位結(jié)果；
[0059]圖5d為利用基于相關(guān)系數(shù)的固定閾值滑窗方法且閾值τ為0.007時對圖3b進行檢 測得到的定位結(jié)果；
[0060] 圖6a為利用基于相關(guān)系數(shù)的固定閾值滑窗方法且閾值τ為0.02時對圖4b進行檢測 得到的定位結(jié)果；
[0061] 圖6b為利用基于相關(guān)系數(shù)的固定閾值滑窗方法且閾值τ為0.015時對圖4b進行檢 測得到的定位結(jié)果；
[0062]圖6c為利用基于相關(guān)系數(shù)的固定閾值滑窗方法且閾值τ為0.010時對圖4b進行檢 測得到的定位結(jié)果；
[0063]圖6d為利用基于相關(guān)系數(shù)的固定閾值滑窗方法且閾值τ為0.007時對圖4b進行檢 測得到的定位結(jié)果；
[0064]圖7a為原始的藍天圖像，其局部塊的紋理復雜度屬于[0.1857,0.2886];
[0065]圖7b為圖7a的篡改圖像；
[0066] 圖7c為圖7b的篡改位置(ground truth);
[0067] 圖7d為利用本發(fā)明方法對圖7b進行檢測，精確地定位出的篡改區(qū)域；
[0068]圖8a為原始的墻壁圖像，其局部塊的紋理復雜度屬于[0.3228,0.4372];
[0069]圖8b為圖8a的篡改圖像；
[0070] 圖8c為圖8b的篡改位置(ground truth);
[0071] 圖8d為利用本發(fā)明方法對圖8b進行檢測，精確地定位出的篡改區(qū)域；
[0072]圖9a為原始的地板圖像，其局部塊的紋理復雜度屬于[0.3511，0.5296];
[0073]圖9b為圖9a的篡改圖像；
[0074] 圖9c為圖9b的篡改位置(ground truth);
[0075] 圖9d為利用本發(fā)明方法對圖9b進行檢測，精確地定位出的篡改區(qū)域；
[0076]圖10a為原始的青草圖像，其局部塊的紋理復雜度屬于[0.6601，0.8442];
[0077]圖10b為圖10a的篡改圖像；
[0078] 圖 10c為圖 10b的篡改位置(ground truth);
[0079] 圖10d為利用本發(fā)明方法對圖10b進行檢測，精確地定位出的篡改區(qū)域；
[0080] 圖1 la為原始的枯草圖像，其局部塊的紋理復雜度屬于[0.6927，0.9463];
[00811圖lib為圖11a的篡改圖像；
[0082] 圖 11c為圖lib的篡改位置(ground truth);
[0083] 圖lid為利用本發(fā)明方法對圖lib進行檢測，精確地定位出的篡改區(qū)域。
【具體實施方式】
[0084] 以下結(jié)合附圖實施例對本發(fā)明作進一步詳細描述。
[0085] 本發(fā)明提出的一種使用自適應閾值的圖像篡改檢測與定位方法，其總體實現(xiàn)框圖 如圖1所示，其包括以下步驟：
[0086] ①選取一幅圖像，將該圖像作為待測圖像，記為Itest;并獲取N幅紋理簡單的原始 圖像，將獲取的第η幅紋理簡單的原始圖像記為loan;其中，拍攝每幅紋理簡單的原始圖像 與拍攝ltd對應的原始圖像所采用的相機為同一部相機，每幅紋理簡單的原始圖像與ltd 的尺寸大小相同，寬度為col且高度為row，Kn<N，N彡2,在本實施例中取N=60。
[0087] 在本實施例中，Itest可能是未經(jīng)篡改的原始圖像，也可能是經(jīng)篡改后的篡改圖像； 在獲取紋理簡單的圖像時是人為判斷圖像的紋理復雜度的，一般內(nèi)容簡單(如藍天)的圖像 的紋理簡單;紋理簡單的原始圖像可以是需要時拍攝得到，也可以是之前已拍攝的。
[0088] ②對Itest進行小波降噪處理，得到Itest的降噪圖像，記為然后根據(jù)Itest及 I ' test，計算I test的噪聲殘差，記為W test ? fftest-I test-1 test ； 再用現(xiàn)有的零均值化法對"Wtest 進行處理，將得到的結(jié)果記為W'test;之后采用現(xiàn)有的維納濾波對W'test處理，將得到的結(jié)果 作為Itest的最終噪聲殘差，記為。
[0089]同樣，對每幅紋理簡單的原始圖像進行小波降噪處理，得到每幅紋理簡單的原始 圖像的降噪圖像，將I〇rg,η的降噪圖像記為r〇rg,η;然后根據(jù)每幅紋理簡單的原始圖像及其 降噪圖像，計算每幅紋理簡單的原始圖像的噪聲殘差，將1。％"的噪聲殘差記為 = Ι_,η-Γ_,η;接著采用現(xiàn)有的最大似然估計法，對所有紋理簡單的原始圖像的噪聲殘差 進行處理，得到I^t所對應的相機的參考模式噪聲，記為Rtest;再采用現(xiàn)有的零均值化法對 Rtest進行處理，將得到的結(jié)果記為R'test;之后采用現(xiàn)有的維納濾波對R'test處理，將得到的 結(jié)果作為I test所對應的相機的最終參考模式噪聲，記為
[0090] 在此，米用現(xiàn)有的零均值化法和現(xiàn)有的維納濾波對Wtest和Rtest先后進彳丁處理，是為 了盡量去除Wtest和Rtest中的非傳感器模式噪聲分量。
[0091 ] ③判斷col % 128和row% 128是否均等于0，如果col % 128和row% 128均等于0，則 直接執(zhí)行步驟④；如果〇〇1%128等于0而仰《%128不等于0，則在1*(^、1^^和盡1,各自的第 row行的下方擴展128-row% 128行，并使擴展的每行中的每個像素點的像素值等于第row行 中對應坐標位置的像素點的像素值，然后令row = row+(128-row%128)，再執(zhí)行步驟④;如 果row% 128等于0而col % 128不等于0,則在Itest、Ml,和各自的第col列的右方擴展128- col % 128列，并使擴展的每列中的每個像素點的像素值等于第col列中對應坐標位置的像 素點的像素值，然后令〇〇1 = 〇〇1 + (128-(3〇1%128)，再執(zhí)行步驟@;如果(3〇1%128和仰界％ 128均不等于0，則在I test、和iC,各自的第row行的下方擴展128-row % 128行，并使擴展 的每行中的每個像素點的像素值等于第row行中對應坐標位置的像素點的像素值，在It(3St、 ML和及L各自的第c〇 1列的右方擴展128-co 1 % 128列，并使擴展的每列中的每個像素點的 像素值等于第col列中對應坐標位置的像素點的像素值，然后令r〇W = r〇W+( 128-row% 128)，令col = col + ( 128-col % 128)，再執(zhí)行步驟④；其中，符號"％"為求余運算符，row = row+( 128-row% 128)和col = col+( 128-col % 128)中的"="為賦值符號。
[0092]④將分別劃分成
個互不重疊的尺寸大小為128X128的 圖像塊，將Ites沖的第k個圖像塊記為所〇成^，將冗,中的第k個圖像塊記為滿,將iC 中的第k個圖像塊記為然后計算Itest中的每個圖像塊的紋理復雜度，將的 紋理復雜度記為接著采用SPCE方法，計算中的每個圖像塊與中對應位置 的圖像塊的相關(guān)性，將5/od:p與B/oifL的相關(guān)性記為SPCE卜/〇C0:' j ;其中，
[0093] 在此具體實施例中，步驟④中的命的獲取過程為:al、令=亡+妒+仝?? 其中，、gf·、C〗《和4?對應表示B/oc十f的信息熵、β/oc^?的邊緣比率、 歷od：h的反差因子、所〇〇^的相關(guān)度和的能量；b 1、由于步驟a 1得到的 2ktt?r+ 6[0,+?)，因此對步驟al得到的r_r#>進行歸一化處理，即4
，其 中，Texturemin表示紋理復雜度中的最小值，Texturemax表示紋理復雜度中的最大值，
-中的符號"="為賦值符號，在本實施例中取Texture max = 11 · 7375、Texture- = 0 · 0381，Texture-和Texturemax的值是通過對大量圖像塊測試得到 的；步驟④中·
其中， sign0為求符號函數(shù)，=max(/f~A?⑷卜εξΩ;-)，max()為求最大值函數(shù)，⑷ 表/"Km,中坐標位置為s的像素點與斑中坐標位置為s的像素點的相關(guān)值，Ω讀 示謝~或5/oc々f~中的所有像素點的坐標位置的集合，Ne X Ne表示或歷oefef-中 以#對應的像素點為中心的窗口區(qū)域的尺寸大小，Ω NeXNe表示撤…或中以 對應的像素點為中心的窗口區(qū)域中的所有像素點的坐標位置的集合。
[0094] ⑤根據(jù)Itest中的每個圖像塊的紋理復雜度，獲取Itest中的每個圖像塊相應的自適 應閾值;然后根據(jù)C,中的每個圖像塊與iC中對應位置的圖像塊的相關(guān)性及I test中對應位 置的圖像塊相應的自適應閾值，對Itest中對應位置的圖像塊進行相關(guān)性匹配，檢測出Itest中 對應位置的圖像塊是否發(fā)生過篡改;再將i te3St中包含檢測出的所有發(fā)生過篡改的圖像塊的 最小矩形區(qū)域確定為Itest中的大致篡改區(qū)域。
[0095] 在此具體實施例中，步驟⑤中的獲取It(3St中的每個圖像塊相應的自適應閾值的具 體過程為：
[0096] (D_l、利用U部不同的相機各拍攝V幅場景不同的照片，共獲得UXV幅照片，照片的 內(nèi)容可以是自然景觀、人物或者動物等不同場景，第u部相機拍攝的照片的寬度為col u且高 度為r〇Wu;然后從每部相機拍攝的所有照片中隨機選取Z幅照片，并將隨機選取的U X Z幅照 片構(gòu)成訓練圖像庫，將訓練圖像庫中的第i幅照片記為11,1;接著對訓練圖像庫中的每幅照 片進行小波降噪處理，得到訓練圖像庫中的每幅照片的降噪圖像，將11 ;1的降噪圖像記為 Γχ,1;之后根據(jù)訓練圖像庫中的每幅照片及其降噪圖像，計算訓練圖像庫中的每幅照片的 噪聲殘差，將Ix,i的噪聲殘差記為^^，14 = !14-1'14;其中，1]彡5，在本實施例中取1]=10，￥ 彡400,在本實施例中取V = 450，l彡u彡U，200彡Z彡V，在本實施例中取Z = V = 450，1彡i彡U XZ;表1給出了 10部不同的相機各自拍攝的照片的數(shù)量。
[0097]利用上述的每部相機重復拍攝紋理簡單的同一場景（如藍天)G次，共獲得UXG幅 紋理簡單的照片，將第j幅紋理簡單的照片記為對每幅紋理簡單的照片進行小波降噪處 理，得到每幅紋理簡單的照片的降噪圖像，將L的降噪圖像，記為Ι?;然后根據(jù)每幅紋理簡 單的照片及其降噪圖像，計算每幅紋理簡單的照片的噪聲殘差，將L的噪聲殘差記為WpWj =込-Ι?;接著采用現(xiàn)有的最大似然估計法，對每部相機拍攝的所有紋理簡單的照片的噪聲 殘差進行處理之后，再分別進行零均值化和維納濾波處理，得到每部相機的參考模式噪聲， 將第U部相機的參考模式噪聲記為R u;其中，G多50，在本實施例中取G = 60，1 < j X G，在 拍攝紋理簡單的照片時是人為判斷的，一般內(nèi)容簡單(如藍天)的場景拍攝得到的照片的紋 理簡單，零均值化處理的方式與步驟②中采用現(xiàn)有的零均值化法對Rtest進行處理的方式相 同，維納濾波處理的方式與步驟②中采用現(xiàn)有的維納濾波對R' test處理的方式相同。
[0098]表1 10部不同的相機各自拍攝的照片的數(shù)量
[0100] ?_2、通過判斷每部相機拍攝的照片的尺寸大小能否被128X128整除，確定是否 擴展該部相機的參考模式噪聲和訓練圖像庫中來自該部相機的每幅照片及其噪聲殘差，對 于第u部相機拍攝的照片，判斷colu%128和rowu%128是否均等于0,如果col u%128和 rowu%128均等于0,則直接執(zhí)行步驟⑤_3;如果colu%128等于0而row u%128不等于0,則在 Ru、訓練圖像庫中來自第u部相機的每幅照片及其噪聲殘差各自的第r 〇Wu行的下方擴展128-rowu%128行，并使擴展的每行中的每個像素點的像素值等于第r〇Wu行中對應坐標位置的像 素點的像素值，然后令1'〇￥11 = 1'〇￥11+(128-1'〇￥11%128)，再執(zhí)行步驟(1)_3;如果1'〇￥11%128等于 0而col u%128不等于0,則在Ru、訓練圖像庫中來自第u部相機的每幅照片及其噪聲殘差各自 的第col u列的右方擴展128-colu%128列，并使擴展的每列中的每個像素點的像素值等于第 col u列中對應坐標位置的像素點的像素值，然后令colu = colu+(128-colu%128)，再執(zhí)行步 驟⑤_3;如果colu%128和r 〇Wu%128均不等于0,則在Ru、訓練圖像庫中來自第u部相機的每 幅照片及其噪聲殘差各自的第row u行的下方擴展128-rowu % 128行，并使擴展的每行中的每 個像素點的像素值等于第r〇Wu行中對應坐標位置的像素點的像素值，在R u、訓練圖像庫中來 自第u部相機的每幅照片及其噪聲殘差各自的第colu列的右方擴展128-col u%128列，并使 擴展的每列中的每個像素點的像素值等于第colu列中對應坐標位置的像素點的像素值，然 后令1'〇￥11 = 1'〇￥11+(128-1'〇￥11%128)，令(3〇111 = (3〇111+(128-(3〇111%128)，再執(zhí)行步驟?_3;其 中，符號 "％"為求余運算符，rowu = rowu+( 128-rowu% 128)和colu = colu+( 128-colu% 128) 中的"="為賦值符號。
[0101] (D_3、將每部相機的參考模式噪聲和訓練圖像庫中來自該部相機的每幅照片及其 噪聲殘差分別劃分成多個互不重疊的尺寸大小為128X128的圖像塊;然后計算訓練圖像庫 中來自每部相機的每幅照片中的每個圖像塊的紋理復雜度，將訓練圖像庫中來自第u部相 機的第z幅照片中的第k u個圖像塊的紋理復雜度記為；接著采用SPCE方法，計算 訓練圖像庫中來自每部相機的每幅照片的噪聲殘差中的每個圖像塊與該部相機的參考模 式噪聲中對應位置的圖像塊的相關(guān)性，將訓練圖像庫中來自第u部相機的第z幅照片的噪聲 殘差中的第ku個圖像塊與Ru中的第ku個圖像塊的相關(guān)性記為SPCgK，其中，1?Z，
[0102] 在此，步驟(D_3中的-，的獲取過程為:a2、令，其 中，<' <"、A和對應表示訓練圖像庫中來自第u部相機的第2幅照片 中的第ku個圖像塊的信息熵、邊緣比率、反差因子、相關(guān)度和能量;b2、由于步驟a2得到的 reA'iwre/:· e_[0，-H?)，因此對步驟a2得到的「《tw十'進行歸一化處理，即令
其中，Texturemin表示紋理復雜度中的最小值，Texturemax表示紋理復雜度中的最大值，
中的符號"="為賦值符號，在本實施例中取TeXtur emax =11 · 7375、Texturemin = 0.0381，Texturemin 和Texturemax 的值是通過對大量圖像塊測試得 到的廣
'其中，sign()為求符 號函數(shù)，戶二=人=(0卜,,e Ω,J ,max()為求最大值函數(shù)， 圖像庫中來自第u部相機的第z幅照片的噪聲殘差中的第ku個圖像塊中坐標位置為&的像素 點與Ru中的第ku個圖像塊中坐標位置為&的像素點的相關(guān)值，Ω?(表示訓練圖像庫中來自第 u部相機的第ζ幅照片的噪聲殘差中的第k u個圖像塊或Ru中的第ku個圖像塊中的所有像素點 的坐標位置的集合氣表示訓練圖像庫中來自第u部相機的第z幅照片的噪聲殘差 中的第ku個圖像塊或Ru中的第ku個圖像塊中以對應的像素點為中心的窗口區(qū)域的尺 寸大小，表示訓練圖像庫中來自第u部相機的第ζ幅照片的噪聲殘差中的第ku個圖 像塊或R u中的第ku個圖像塊中以'對應的像素點為中心的窗口區(qū)域中的所有像素點 的坐標位置的集合。
[0103] ?_4、將訓練圖像庫中尺寸大小最小的照片的寬度和高度對應記為colmin和 rowmin;然后按colmin和r〇Wmin，對訓練圖像庫中的每幅照片及其噪聲殘差和每部相機的參考 模式噪聲從左上角開始進行裁剪，使訓練圖像庫中的所有照片及各自的噪聲殘差和每部相 機的參考模式噪聲的寬度均為colmin，且高度均為row min;再判斷colmin%128和rowmin%128 是否均等于0，如果colmin% 128和r〇Wmin% 128均等于0，則直接執(zhí)行步驟⑤_5 ;如果colmin% 128等于0而r〇Wmin% 128不等于0,則在訓練圖像庫中的每幅照片及其噪聲殘差和每部相機 的參考模式噪聲各自的第rowmin行的下方擴展128-row min % 128行，并使擴展的每行中的每 個像素點的像素值等于第r〇Wmin行中對應坐標位置的像素點的像素值，然后令r 〇Wmin = r〇Wmin+(128-r〇Wmin%128)，再執(zhí)行步驟⑤_5;如果r〇Wmin%128等于0而C〇lmin%128不等于0， 則在訓練圖像庫中的每幅照片及其噪聲殘差和每部相機的參考模式噪聲各自的第col min列 的右方擴展128-colmin%128列，并使擴展的每列中的每個像素點的像素值等于第col min列 中對應坐標位置的像素點的像素值，然后令〇〇11^ = 〇〇111^+(128-〇〇111^%128)，再執(zhí)行步驟 (D_5;如果col min%128和r〇Wmin%128均不等于0,則在訓練圖像庫中的每幅照片及其噪聲殘 差和每部相機的參考模式噪聲各自的第r 〇Wmin行的下方擴展128-r〇Wmin% 128行，并使擴展 的每行中的每個像素點的像素值等于第r〇Wmin行中對應坐標位置的像素點的像素值，在訓 練圖像庫中的每幅照片及其噪聲殘差和每部相機的參考模式噪聲各自的第col min列的右方 擴展128-colmin%128列，并使擴展的每列中的每個像素點的像素值等于第col min列中對應 坐標位置的像素點的像素值，然后令rowmin = r〇Wmin+( 128-r〇Wmin % 128 )，令CO lmin = CO lmin+ (128-C〇lmin% 128)，再執(zhí)行步驟⑤_5 ;其中，符號"為求余運算符，r〇Wmin = r〇Wmin+(128-1"〇?^11%128)和(3〇11^11 = (3〇111^+(128-(3〇11^11%128)中的"="為賦值符號。
[0104] d)_5、將第u部相機作為當前相機。
[0105] ?_6、從訓練圖像庫中來自除當前相機外的每部相機的所有照片中隨機選取Η幅 照片，并由共選取得到的(U-l)XH幅照片構(gòu)成異源照片集，記為Yu;其中，20<Η<Ζ，在本實 施例中取Η=50。
[0106]⑤7、將當前相機的參考模式噪聲Ru和Yu中的每幅照片及其噪聲殘差分別劃分成
-個互不重疊的尺寸大小為128X128的圖像塊;然后計算Y u中的每幅照片中的 每個圖像塊的紋理復雜度，將Y u中的第h幅照片中的第k y個圖像塊的紋理復雜度記為 著采用SPCE方法，計算Yu中的每幅照片的噪聲殘差中的每個圖像塊與當前相 機的參考模式噪聲R u中對應位置的圖像塊的相關(guān)性，將Yu中的第h幅照片的噪聲殘差中的第 ky個圖像塊與R u中的第ky個圖像塊的相關(guān)性記為;其中，1彡h彡（U-l) XH，
[0107] 在此，步驟?_7中的々·的獲取過程為:a3、令考其 邊緣比率、反差因子、相關(guān)度和能量;b3、由于步驟a3得到的TV.m〃十_'_s[0、+功，因此對步驟 a3得到的進行歸一化處理，即令：
，其中， Texturemin表示紋理復雜度中的最小值，Texturemax表示紋理復雜度中的最大值，
.中的符號"="為賦值符號，在本實施例中取Texture max = 11 · 7375、Texturemin = 0 · 0381，Texturemin和Texturemax的值是通過對大量圖像塊測試得到 的；
'其中，sign()為求符號 函數(shù)，，max()為求最大值函數(shù)，f ^ Μ表示Yu中的第 h幅照片的噪聲殘差中的第ky個圖像塊中坐標位置為sy的像素點與Ru中的第k y個圖像塊中 坐標位置為sy的像素點的相關(guān)值，Ω,<表示Yu中的第h幅照片的噪聲殘差中的第k y個圖像塊 或Ru中的第ky個圖像塊中的所有像素點的坐標位置的集合，#\χΛ/氣表示 Yu中的第h幅照 片的噪聲殘差中的第ky個圖像塊或Ru中的第k y個圖像塊中以對應的像素點為中心的 窗口區(qū)域的尺寸大小，表示Yu中的第h幅照片的噪聲殘差中的第k y個圖像塊或匕中 的第ky個圖像塊中以對應的像素點為中心的窗口區(qū)域中的所有像素點的坐標位置 的集合。
[0108] ?_8、令u = u+l，將下一部相機作為當前相機，然后返回步驟⑤_6繼續(xù)執(zhí)行，直至 所有相機處理完畢;其中，u = u+l中的"="為賦值符號。
[0109] ?_9、將紋理復雜度的取值范圍[0，1]分成33個紋理復雜度等級子區(qū)間，分別為 [0,0.03),[0.03,0.06),……、[0.93,0.96)、[0.96,1];然后根據(jù)步驟(D_3 中計算得到的所 有圖像塊各自的紋理復雜度及步驟?_5至步驟?_8中計算得到的所有圖像塊各自的紋理 復雜度所在的紋理復雜度等級子區(qū)間，將步驟⑤_3中計算得到的所有相關(guān)性及步驟⑤_5至 步驟⑤_8中計算得到的所有相關(guān)性分成33類，從而得到每個紋理復雜度等級子區(qū)間下同源 和異源照片對應的相關(guān)值分布;接著根據(jù)每個紋理復雜度等級子區(qū)間下同源和異源照片對 應的相關(guān)值分布，使用Neyman-Pearson(N-P)準則，在虛警率為Pf的情況下計算出每個紋理 復雜度等級子區(qū)間下的相關(guān)性閾值;之后對所有紋理復雜度等級子區(qū)間下的相關(guān)性閾值進 行擬合，擬合得到相關(guān)性閾值與紋理復雜度的關(guān)系曲線，如圖2所示；其中，P f e [ 0 . 00 1， 0.01]，在本實施例中取Pf = 0.01。
[0110] (D_10、在相關(guān)性閾值與紋理復雜度的關(guān)系曲線上，找出與Itest中的每個圖像塊的 紋理復雜度相對應的相關(guān)性閾值，作為該圖像塊相應的自適應閾值。
[0111] 在此具體實施例中，步驟⑤中針對'，對所進行相關(guān)性匹配，檢測出 5^0<是否發(fā)生過篡改的具體過程為:如果大于或等于 相應的自適應閾值，則確定未發(fā)生過篡改；如果SPCEp/df' 5/〇味小于 S/OC&相應的自適應閾值，則確定5/od^'發(fā)生過篡改。
[0112] ⑥將中與Ites沖的大致篡改區(qū)域相對應的矩形區(qū)域記為Atest，將iC中與Itest 中的大致篡改區(qū)域相對應的矩形區(qū)域記為Btest;然后采用現(xiàn)有的快速的零均值歸一化互相 關(guān)算法（Zero Mean Normalized Cross Correlation，ZNCC)，計算Atest中的每個像素點與 Btest中對應像素點的ZNCC系數(shù)，將Atest中坐標位置為t的像素點與Btest中坐標位置為t的像 素點的ZNCC系數(shù)記為ZNCCt;然后由A tes沖的所有像素點各自與Btes沖對應像素點的ZNCC系 數(shù)組成ZNCC關(guān)聯(lián)圖；其中，t e Ω z，Ω z表示Atest或Btest中的所有像素點的坐標位置的集合， ZNCC te[0，l]o
[0113] 在此具體實施例中，步驟⑥中： 其中，Atest(t) 表示Ates沖坐標位置為t的像素點的像素值，Btest(t)表示Btes沖坐標位置為t的像素點的像 素值，cov(Atest(t)，Btest(t))表示Atest中坐標位置為t的像素點與B test中坐標位置為t的像 素點的協(xié)方差，var (Atest (t))表示Atest中坐標位置為t的像素點的方差，var (Btest (t))表示 Btest中坐標位置為t的像素點的方差。
[0114]⑦通過比較ZNCC關(guān)聯(lián)圖中的每個像素點的像素值與固定閾值th的大小，對ZNCC關(guān) 聯(lián)圖中的每個像素點的像素值進行重置，對于ZNCC關(guān)聯(lián)圖中坐標位置為t的像素點的像素 值ZNCCt，如果ZNCCt大于或等于th，則將ZNCCt重置為1;如果ZNCCt小于th，則將ZNCCt重置為 0。在本實施例中取th = 0.06219。
[0115] ⑧先后利用腐蝕和膨脹技術(shù)對像素值重置后的ZNCC關(guān)聯(lián)圖中的每個像素點進行 處理;然后根據(jù)膨脹處理后的ZNCC關(guān)聯(lián)圖中的每個像素點的像素值，確定I test中的大致篡 改區(qū)域中的每個像素點為篡改像素點還是為非篡改像素點，對于ite3St中的大致篡改區(qū)域中 坐標位置為t的像素點，若膨脹處理后的ZNCC關(guān)聯(lián)圖中坐標位置為t的像素點的像素值為0， 則確定Itest中的大致篡改區(qū)域中坐標位置為t的像素點為篡改像素點；若膨脹處理后的 ZNCC關(guān)聯(lián)圖中坐標位置為t的像素點的像素值為1，則確定I test中的大致篡改區(qū)域中坐標位 置為t的像素點為非篡改像素點。
[0116] 在此具體實施例中，步驟⑧中先后利用腐蝕和膨脹技術(shù)對像素值重置后的ZNCC關(guān) 聯(lián)圖中的每個像素點進行處理的過程為：先用半徑為64個像素點的圓對像素值重置后的 ZNCC關(guān)聯(lián)圖中的每個像素點進行腐蝕處理，再用半徑為20個像素點的圓對腐蝕處理后的 ZNCC關(guān)聯(lián)圖中的每個像素點進行膨脹處理。
[0117] 為了進一步說明本發(fā)明方法的可行性和有效性，對本發(fā)明方法進行實驗驗證。 [0118]由于本發(fā)明方法需要已知待測圖像的來源，因此需要使用者自己構(gòu)建一個測試圖 像庫，在此所構(gòu)建的測試圖像庫如表2所示，其中每部相機對應100幅真實圖像和100幅篡改 圖像，篡改圖像是由Photoshop CS5經(jīng)同圖復制-粘貼和異圖拼接兩種篡改方式得到的，為 達到以假亂真的效果，篡改塊都是不規(guī)則的，篡改區(qū)域包含像素從3000~30000不等。測試 環(huán)境為Windows 7平臺，Intel Core i5-3470處理器，CPU頻率為3.2GHz，編譯環(huán)境為Matlab R2012a〇
[0119]表2測試圖像庫

[0121] 真實性檢測結(jié)果：
[0122] 將每一幅測試圖像的真實性檢測結(jié)果分為兩類:篡改和真實。為評估檢測與定位 算法的性能，采用檢測率(True Positive Rate，TPR)和虛警率(False Alarm Rate，F(xiàn)AR)兩 種定量參數(shù)進行評估，評估公式如下
，其 中，TN表示將篡改圖像檢測為篡改的數(shù)量，F(xiàn)P表示將篡改圖像檢測為真實的數(shù)量，F(xiàn)N表示將 真實圖像檢測為篡改的數(shù)量。
[0123] 分別使用傳統(tǒng)的基于相關(guān)系數(shù)的固定閾值滑窗方法和本發(fā)明方法對表2所給出的 測試圖像庫中的500幅真實圖像和500幅篡改圖像進行篡改檢測實驗。
[0124] 基于相關(guān)系數(shù)的固定閾值滑窗方法在不同閾值下會有不同的檢測結(jié)果，通過實驗 選擇四個比較理想的閾值0.007、0.01、0.015、0.02進行對比。為了能夠客觀評價檢測結(jié)果， 基于相關(guān)系數(shù)的固定閾值滑窗方法和本發(fā)明方法中圖像的噪聲殘差都采用零均值化法和 維納濾波處理。在計算TPR和FAR時，若某一幅圖像篡改定位結(jié)果的像素點的總個數(shù)少于20 個，則就將其判定為真實圖像，反之，則判定其發(fā)生篡改?；谙嚓P(guān)系數(shù)的固定閾值滑窗方 法和本發(fā)明方法的檢測結(jié)果如表3所示：
[0125] 表3基于相關(guān)系數(shù)的固定閾值滑窗方法和本發(fā)明方法的檢測結(jié)果比較
[0127] 觀察表3所示的檢測結(jié)果，從表3中可以看出，本發(fā)明方法對篡改圖像的TPR達到了 98.8%，F(xiàn)AR為1.897%，而基于相關(guān)系數(shù)的固定閾值滑窗方法在不同閾值下的檢測結(jié)果不 盡相同，閾值τ為0.01、0.015和0.02時，雖然TPR與本發(fā)明方法對篡改圖像的TPR相近或等于 本發(fā)明方法對篡改圖像的TPR，但FAR卻遠高于本發(fā)明方法的FAR;閾值τ為〇. 〇〇7時，雖然FAR 與本發(fā)明方法的FAR相近，但TPR遠低于本發(fā)明方法對篡改圖像的TPR。同時，表3給出了基于 相關(guān)系數(shù)的固定閾值滑窗方法和本發(fā)明方法各自在1000幅圖像上的平均檢測時間，對比可 見本發(fā)明方法的效率遠遠高于基于相關(guān)系數(shù)的固定閾值滑窗方法的效率。由此可說明，本 發(fā)明方法在保持較高檢測率和檢測效率的情況下，有效地降低了虛警。
[0128] 篡改定位效果：
[0129] 圖3a給出了一幅原始圖像；圖3b給出了圖3a經(jīng)同圖復制-粘貼篡改得到的篡改圖 像，其局部塊的紋理復雜度屬于[ο . 3361，0.9286];圖3c給出了圖3b的篡改位置(ground truth);圖3d給出了利用本發(fā)明方法對圖3b進行檢測，精確地定位出的篡改區(qū)域。圖4a給出 了另一幅原始圖像;圖4b給出了使用兩部相機拍攝同一場景然后將對應位置拼接得到的篡 改圖像，其局部塊的紋理復雜度屬于[0.2246,0.9379];圖4c給出了圖4b的篡改位置 (ground truth);圖4d給出了利用本發(fā)明方法對圖4b進行檢測，精確地定位出的篡改區(qū)域。
[0130]在基于相關(guān)系數(shù)的固定閾值滑窗方法中，不排除可以通過調(diào)節(jié)閾值降低紋理復雜 真實區(qū)域虛警的情形，但因此也可能造成對不同圖像篡改區(qū)域定位結(jié)果的差異。圖5a給出 了利用基于相關(guān)系數(shù)的固定閾值滑窗方法且閾值τ為0.02時對圖3b進行檢測得到的定位結(jié) 果，圖5b給出了利用基于相關(guān)系數(shù)的固定閾值滑窗方法且閾值τ為0.015時對圖3b進行檢測 得到的定位結(jié)果，圖5c給出了利用基于相關(guān)系數(shù)的固定閾值滑窗方法且閾值τ為0.010時對 圖3b進行檢測得到的定位結(jié)果，圖5d給出了利用基于相關(guān)系數(shù)的固定閾值滑窗方法且閾值 τ為0.007時對圖3b進行檢測得到的定位結(jié)果。圖6a給出了利用基于相關(guān)系數(shù)的固定閾值滑 窗方法且閾值τ為0.02時對圖4b進行檢測得到的定位結(jié)果，圖6b給出了利用基于相關(guān)系數(shù) 的固定閾值滑窗方法且閾值τ為0.015時對圖4b進行檢測得到的定位結(jié)果，圖6c給出了利用 基于相關(guān)系數(shù)的固定閾值滑窗方法且閾值τ為0.010時對圖4b進行檢測得到的定位結(jié)果，圖 6d給出了利用基于相關(guān)系數(shù)的固定閾值滑窗方法且閾值τ為0.007時對圖4b進行檢測得到 的定位結(jié)果。從圖5a至圖6d中可以看出，閾值τ為〇. 02和0.015時，雖然大致定位出了篡改區(qū) 域，但也把多處紋理復雜的真實區(qū)域檢測為篡改區(qū)域;觀察閾值τ為0.010和0.007時的結(jié) 果，雖然在低閾值情況下消除了復雜紋理的影響，但定位效果卻非常不理想，甚至出現(xiàn)無法 定位的情況。
[0131 ] 對比圖3d及圖5a至圖5d，對比圖4d及圖6a至圖6d，可以看出本發(fā)明方法不僅能精 確定位出篡改區(qū)域，而且也有效消除了復雜紋理對檢測的不利影響。
[0132] 魯棒性分析：
[0133] 為了驗證本發(fā)明方法對紋理復雜度的魯棒性，又進行了多組實驗。
[0134] 圖7a給出了原始的藍天圖像，其局部塊的紋理復雜度屬于[0.1857,0.2886];圖8a 給出了原始的墻壁圖像，其局部塊的紋理復雜度屬于[0.3228，0.4372];圖9a給出了原始的 地板圖像，其局部塊的紋理復雜度屬于[0. 3511，0.5296];圖10a給出了原始的青草圖像，其 局部塊的紋理復雜度屬于[0.6601,0.8442];圖11a給出了原始的枯草圖像，其局部塊的紋 理復雜度屬于[0.6927,0.9463];圖7a、圖8a、圖9a、圖10a和圖11a的紋理復雜度由簡單到復 雜各不相同。圖7b、圖8b、圖％、圖10b和圖lib對應給出了圖7a、圖8a、圖9a、圖10a和圖11a的 篡改圖像；圖7c、圖8c、圖9c、圖10c和圖11c對應給出了圖7b、圖8b、圖9b、圖10b和圖lib的篡 改位置(ground truth);圖7d、圖8d、圖9d、圖10d和圖lid對應給出了利用本發(fā)明方法對圖 7b、圖8b、圖9b、圖10b和圖1 lb進行檢測，精確地定位出的篡改區(qū)域。
[0135] 觀察利用本發(fā)明方法對五幅篡改圖像檢測的定位結(jié)果，可知無論篡改圖像的紋理 簡單還是復雜，都能精確地定位出篡改區(qū)域，有效地消除了紋理對取證的影響。
[0136] 經(jīng)大量實驗表明，本發(fā)明方法的檢測率達到了 98.8%，對1000幅圖像的平均檢測 時間為26.76秒，效率遠遠高于現(xiàn)有方法，并且對不同紋理復雜度的篡改圖像都具有魯棒 性，能達到對篡改區(qū)域精確定位的目的。
【主權(quán)項】
1. 一種使用自適應闊值的圖像篡改檢測與定位方法，其特征在于包括W下步驟： ① 選取一幅圖像，將該圖像作為待測圖像，記為Itest;并獲取N幅紋理簡單的原始圖像， 將獲取的第η幅紋理簡單的原始圖像記為lorg,η;其中，拍攝每幅紋理簡單的原始圖像與拍攝 I test對應的原始圖像所采用的相機為同一部相機，每幅紋理簡單的原始圖像與I test的尺寸 大小相同，寬度為col且高度為row，l《n《N，N>2; ② 對Itest進行小波降噪處理，得到Itest的降噪圖像，記為I'test;然后根據(jù)Itest及I'test， 計算Itest的噪聲殘差，記為￥*63*，￥*63*=1*63廣1\63。再采用零均值化法對￥*63*進行處理，將 得到的結(jié)果記為r test;之后采用維納濾波對W'test處理，將得到的結(jié)果作為Itest的最終噪聲 殘差，記為 同樣，對每幅紋理簡單的原始圖像進行小波降噪處理，得到每幅紋理簡單的原始圖像 的降噪圖像，將lorg,η的降噪圖像記為I'Drg,η;然后根據(jù)每幅紋理簡單的原始圖像及其降噪 圖像，計算每幅紋理簡單的原始圖像的噪聲殘差，將I〇rg,n的噪聲殘差記為Wwg,n，W〇rg,n = lDrg,n-I'Drg,n;接著采用最大似然估計法，對所有紋理簡單的原始圖像的噪聲殘差進行處 理，得到Itest所對應的相機的參考模式噪聲，記為Rtest;再采用零均值化法對Rtest進行處理， 將得到的結(jié)果記為R'test;之后采用維納濾波對R'test處理，將得到的結(jié)果作為Itest所對應的 相機的最終參考模式噪聲，記為i4,; ③ 判斷col % 128和row % 128是否均等于0，如果col % 128和row% 128均等于0，則直接 執(zhí)行步驟@;如果。〇1%128等于0而'〇*%128不等于0，則對1*63*、兩：,和盡。,各自擴展128- ；1"〇訊％128行，然后令1'〇￥ = 1'〇￥+(128-1'〇￥%128)，再執(zhí)行步驟@;如果1'〇￥%128等于0而 〇〇1%128不等于0，則對1*63*、巧1和游,,各自擴展128-(3〇1%128列，然后令(3〇1 = (3〇1+(128- col % 128)，再執(zhí)行步驟④;如果col % 128和row% 128均不等于0,則對Itest、巧完和為W各自 擴展 128-;row% 128行，并擴展 128-col % 128列，然后令;row = ;row+( 128-;row% 128)，令col = col+(128-col % 128)，再執(zhí)行步驟④；其中，符號"％"為求余運算符，;row = ;row+(128-;row% 128)和。〇1 = (3〇1+(128-(3〇1%128)中的"="為賦值符號； ④ 將和iC,分別劃分成個互不重疊的尺寸大小為128X 128的圖像 塊，將I tes沖的第k個圖像塊記為S/0成"'將巧1中的第k個圖像塊記為及/oc/cf't'"，將也,中 的第k個圖像塊記為及/OC巧然后計算Itest中的每個圖像塊的紋理復雜度，將拼OC巧。'的紋 理復雜度記為扔·規(guī)W產(chǎn)';接著采用SPCE方法，計算巧L中的每個圖像塊與巧1沖對應位置的 圖像塊的相關(guān)性，將執(zhí)與拼〇冰f'。，的相關(guān)性記為SPC￡ (公/OC片》'，Woe巧；其中， 1三又，蘭杯" ， 128 128 L J ⑤ 根據(jù)Itest中的每個圖像塊的紋理復雜度，獲取Itest中的每個圖像塊相應的自適應闊 值;然后根據(jù)巧I,中的每個圖像塊與城沖對應位置的圖像塊的相關(guān)性及Ites沖對應位置的 圖像塊相應的自適應闊值，對Itest中對應位置的圖像塊進行相關(guān)性匹配，檢測出Itest中對應 位置的圖像塊是否發(fā)生過篡改;再將Itest中包含檢測出的所有發(fā)生過篡改的圖像塊的最小 矩形區(qū)域確定為Itest中的大致篡改區(qū)域； ⑥ 將:iC,中與Itest中的大致篡改區(qū)域相對應的矩形區(qū)域記為4*63*，將及；《中與Itest中的 大致篡改區(qū)域相對應的矩形區(qū)域記為Btest;然后采用快速的零均值歸一化互相關(guān)算法，計 算Atest中的每個像素點與Btest中對應像素點的ZNCC系數(shù)，將Atest中坐標位置為t的像素點與 Btest中坐標位置為t的像素點的ZNCC系數(shù)記為ZNCCt;然后由Atest中的所有像素點各自與 Btest中對應像素點的ZNCC系數(shù)組成ZNCC關(guān)聯(lián)圖；其中，te Ωζ，Ωζ表示Atest或Btest中的所有 像素點的坐標位置的集合，ZNCCt e [0，1 ]; ⑦ 通過比較ZNCC關(guān)聯(lián)圖中的每個像素點的像素值與固定闊值th的大小，對ZNCC關(guān)聯(lián)圖 中的每個像素點的像素值進行重置，對于ZNCC關(guān)聯(lián)圖中坐標位置為t的像素點的像素值 ZNCCt，如果ZNCCt大于或等于th，則將ZNCCt重置為1;如果ZNCCt小于化，則將ZNCCt重置為0; ⑧ 先后利用腐蝕和膨脹技術(shù)對像素值重置后的ZNCC關(guān)聯(lián)圖中的每個像素點進行處理； 然后根據(jù)膨脹處理后的ZNCC關(guān)聯(lián)圖中的每個像素點的像素值，確定Itest中的大致篡改區(qū)域 中的每個像素點為篡改像素點還是為非篡改像素點，對于Itest中的大致篡改區(qū)域中坐標位 置為t的像素點，若膨脹處理后的ZNCC關(guān)聯(lián)圖中坐標位置為t的像素點的像素值為0,則確定 Itest中的大致篡改區(qū)域中坐標位置為t的像素點為篡改像素點；若膨脹處理后的ZNCC關(guān)聯(lián) 圖中坐標位置為t的像素點的像素值為1，則確定Itest中的大致篡改區(qū)域中坐標位置為t的 像素點為非篡改像素點。2. 根據(jù)權(quán)利要求1所述的一種使用自適應闊值的圖像篡改檢測與定位方法，其特征在 于所述的步驟③中對Itest、lC和巧1各自擴展128-row%128行為在Itest、昭都iC各自的 第row行的下方擴展128-row % 128行，并使擴展的每行中的每個像素點的像素值等于第row 行中對應坐標位置的像素點的像素值;對I test、和C,各自擴展128-co 1 % 128列為在 Itest、巧和iC,各自的第col列的右方擴展128-col% 128列，并使擴展的每列中的每個像素 點的像素值等于第col列中對應坐標位置的像素點的像素值。3. 根據(jù)權(quán)利要求1所述的一種使用自適應闊值的圖像篡改檢測與定位方法，其特征在 于所述的步驟④中的賠 tto吟·'的獲取過程為:al、令蛇.忱/?咕"=《""+嶺。+g^""-攻。'-皆"， 其中，卻。'、皆-"、如。"、吵'和皆"對應表示公/oc皆''i的信息賭、公/oc皆"的邊緣比率、 Woe皆。的反差因子、拼oc/t戶i的相關(guān)度和說OC巧。'的能量;b 1、對步驟a 1得到的TeWw冷"進 行歸一化處理，即令，其中，TexUiremin表示紋理復雜度中…1·?Λ Hint 的最小值，Texturemax表示紋理復雜度中的最大值的符 號為賦值符號。4. 根據(jù)權(quán)利要求1所述的一種使用自適應闊值的圖像篡改檢測與定位方法，其特征在 于所述的步驟④中其中，sign()為求符號函數(shù)，，max()為求最大值函數(shù)， 巧'(.s')表示/認心.中坐標位置為S的像素點與識觀婷:''中坐標位置為S的像素點的相 關(guān)值，Q k表示公/化辭-或公/0(1?心中的所有像素點的坐標位置的集合，Ne X化表示公/〇從 或說中W巧i/'^''對應的像素點為中屯、的窗口區(qū)域的尺寸大小，Ω NeXNe表示公foe足或 公/〇從f 1'~中W好對應的像素點為中屯、的窗口區(qū)域中的所有像素點的坐標位置的集合。5. 根據(jù)權(quán)利要求1至4中任一項所述的一種使用自適應闊值的圖像篡改檢測與定位方 法，其特征在于所述的步驟⑤中針對及/OC巧。'，對S/OC巧。'進行相關(guān)性匹配，檢測出公/oc皆" 是否發(fā)生過篡改的具體過程為：如果%端化'皆)大于或等于熱OC皆"相應的 自適應闊值，則確定公/OC#"未發(fā)生過篡改；如果沒。公/〇誠產(chǎn)，公/oot戶)小于及/0C皆'"相 應的自適應闊值，則確定勘O(jiān)C巧。'發(fā)生過篡改。6. 根據(jù)權(quán)利要求1所述的一種使用自適應闊值的圖像篡改檢測與定位方法，其特征在 于所述的步驟⑥4其中，Atest(t)表示Atest中坐標位 置為t的像素點的像素值，Btest(t)表示Btest中坐標位置為t的像素點的像素值，C0V(Atest (t)，Btest(t))表示Ates沖坐標位置為t的像素點與Btes沖坐標位置為t的像素點的協(xié)方差， var ( Atest ( t ))表示Atest中坐標位置為t的像素點的方差，var ( Btest ( t ))表示Btest中坐標位置 為t的像素點的方差。7. 根據(jù)權(quán)利要求1所述的一種使用自適應闊值的圖像篡改檢測與定位方法，其特征在 于所述的步驟⑤中的獲取Itest中的每個圖像塊相應的自適應闊值的具體過程為： @_1、利用U部不同的相機各拍攝V幅場景不同的照片，共獲得UXV幅照片，第U部相機 拍攝的照片的寬度為colu且高度為rowu;然后從每部相機拍攝的所有照片中隨機選取Z幅照 片，并將隨機選取的UXZ幅照片構(gòu)成訓練圖像庫，將訓練圖像庫中的第i幅照片記為Ιχ,ι;接 著對訓練圖像庫中的每幅照片進行小波降噪處理，得到訓練圖像庫中的每幅照片的降噪圖 像，將Ιχ,ι的降噪圖像記為Γχ,ι;之后根據(jù)訓練圖像庫中的每幅照片及其降噪圖像，計算訓 練圖像庫中的每幅照片的噪聲殘差，將Ιχ,ι的噪聲殘差記為胖<,1，胖<,1 = 1<,1-1'<,1;其中，11> 5，V>400，l《u《U，200《Z《V，l《i《UXZ; 利用上述的每部相機重復拍攝紋理簡單的同一場景G次，共獲得UXG幅紋理簡單的照 片，將第j幅紋理簡單的照片記為。;對每幅紋理簡單的照片進行小波降噪處理，得到每幅 紋理簡單的照片的降噪圖像，將。的降噪圖像，記為I'j;然后根據(jù)每幅紋理簡單的照片及其 降噪圖像，計算每幅紋理簡單的照片的噪聲殘差，將。的噪聲殘差記為Wj，WfIrI接著 采用最大似然估計法，對每部相機拍攝的所有紋理簡單的照片的噪聲殘差進行處理之后， 再分別進行零均值化和維納濾波處理，得到每部相機的參考模式噪聲，將第U部相機的參考 模式噪聲記為Ru;其中，G>50，l《j《UXG; @_2、通過判斷每部相機拍攝的照片的尺寸大小能否被128X 128整除，確定是否擴展 該部相機的參考模式噪聲和訓練圖像庫中來自該部相機的每幅照片及其噪聲殘差，對于第 U部相機拍攝的照片，判斷colu%128和;roWu%128是否均等于0,如果colu% 128和rowu% 128 均等于0，則直接執(zhí)行步驟⑤_3;如果colu% 128等于0而rowu% 128不等于0，則對Ru、訓練圖 像庫中來自第U部相機的每幅照片及其噪聲殘差各自擴展128-roWu%128行，然后令roWu = ;roWu+( 128-;roWu% 128)，再執(zhí)行步驟⑤_3;如果rowu% 128等于0而colu% 128不等于0，則對 Ru、訓練圖像庫中來自第U部相機的每幅照片及其噪聲殘差各自擴展128-colu%128列，然后 令。〇111 = (3〇111+(128-(3〇111%128)，再執(zhí)行步驟(1)_3;如果(3〇111%128和1'〇￥11%128均不等于0， 則對Ru、訓練圖像庫中來自第U部相機的每幅照片及其噪聲殘差各自擴展128-roWu%128行， 并擴展128-。〇111%128列，然后令1'〇"11 = 1'〇"11+(128-1'〇"11%128)，令。〇111 =。〇111+(128-。〇111% 128)，再執(zhí)行步驟⑤_3;其中，符號"％"為求余運算符，rowu = ;roWu+ (128-;roWu % 128)和CO lu = colu+( 128-colu% 128)中的為賦值符號； @_3、將每部相機的參考模式噪聲和訓練圖像庫中來自該部相機的每幅照片及其噪聲 殘差分別劃分成多個互不重疊的尺寸大小為128X128的圖像塊;然后計算訓練圖像庫中來 自每部相機的每幅照片中的每個圖像塊的紋理復雜度，將訓練圖像庫中來自第U部相機的 第Z幅照片中的第ku個圖像塊的紋理復雜度記為7(<r化巧;'；接著采用SPCE方法，計算訓練 圖像庫中來自每部相機的每幅照片的噪聲殘差中的每個圖像塊與該部相機的參考模式噪 聲中對應位置的圖像塊的相關(guān)性，將訓練圖像庫中來自第U部相機的第Z幅照片的噪聲殘差 中的第ku個圖像塊與Ru中的第ku個圖像塊的相關(guān)性記為S/T與"；其中，l《z《Z， 128 128 @_4、將訓練圖像庫中尺寸大小最小的照片的寬度和高度對應記為Colmin和rOWmin ;然 后按Colmin和rOWmin，對訓練圖像庫中的每幅照片及其噪聲殘差和每部相機的參考模式噪聲 從左上角開始進行裁剪，使訓練圖像庫中的所有照片及各自的噪聲殘差和每部相機的參考 模式噪聲的寬度均為Colmin，且高度均為rOWmin;再判斷C〇lmin%128和r〇Wmin%128是否均等 于0，如果colmin% 128和rowmin% 128均等于0，則直接執(zhí)行步驟⑤_5 ;如果colmin% 128等于0 而r〇Wmin%128不等于0,則對訓練圖像庫中的每幅照片及其噪聲殘差和每部相機的參考模 式噪聲各自擴展 128-；r〇Wmin% 128行，然后令；r〇Wmin = ：r〇Wmin+(128-；r〇Wmin% 128)，再執(zhí)行步驟 @_5 ;如果rOWmin% 128等于0而colmin% 128不等于0，則對訓練圖像庫中的每幅照片及其噪 聲殘差和每部相機的參考模式噪聲各自擴展128-C〇lmin%128列，然后令C〇lmin = C〇lmin+ (128-colmin% 128)，再執(zhí)行步驟⑤_5;如果colmin% 128和rowmin% 128均不等于0，則對訓練 圖像庫中的每幅照片及其噪聲殘差和每部相機的參考模式噪聲各自擴展128-roWmin%128 行，并擴展 128-CO Imin % 128列，然后令rowmin = r〇Wmin+ ( 128-；r〇Wmin % 128 )，令CO Imin = CO lmin+ (128-co Imin % 128)，再執(zhí)行步驟⑤_5;其中，符號"％"為求余運算符，1'〇機1山=1'〇機1山+(128- rowmin % 128 )和CO Imin = CO lmin+ ( 128-CO Imin % 128 )中的"為賦值符號； (D_5、將第U部相機作為當前相機； @_6、從訓練圖像庫中來自除當前相機外的每部相機的所有照片中隨機選取Η幅照片， 并由共選取得到的化-1)ΧΗ幅照片構(gòu)成異源照片集，記為Yu;其中，20《Η《Ζ; @_7、將當前相機的參考模式噪聲Ru和Yu中的每幅照片及其噪聲殘差分別劃分成 個互不重疊的尺寸大小為128X128的圖像塊;然后計算Yu中的每幅照片中的 12〇 12〇 每個圖像塊的紋理復雜度，將Yu中的第h幅照片中的第ky個圖像塊的紋理復雜度記為 心巧著采用SPCE方法，計算Yu中的每幅照片的噪聲殘差中的每個圖像塊與當前相 機的參考模式噪聲Ru中對應位置的圖像塊的相關(guān)性，將Yu中的第h幅照片的噪聲殘差中的第 ky個圖像塊與Ru中的第ky個圖像塊的相關(guān)性記為其中，i《h《（U-l)XH， !28 128 @_8、令u = u+l，將下一部相機作為當前相機，然后返回步驟⑤_6繼續(xù)執(zhí)行，直至所有 相機處理完畢;其中，u = u+l中的為賦值符號； @_9、將紋理復雜度的取值范圍[0，1]分成33個紋理復雜度等級子區(qū)間，分別為[0， 0.03)、[0.03,0.06)、……、[0.93,0.96)、[0.96,1];然后根據(jù)步驟@_3中計算得到的所有 圖像塊各自的紋理復雜度及步驟⑤_5至步驟@_8中計算得到的所有圖像塊各自的紋理復 雜度所在的紋理復雜度等級子區(qū)間，將步驟⑤_3中計算得到的所有相關(guān)性及步驟⑤_5至步 驟⑤_8中計算得到的所有相關(guān)性分成33類，從而得到每個紋理復雜度等級子區(qū)間下同源和 異源照片對應的相關(guān)值分布;接著根據(jù)每個紋理復雜度等級子區(qū)間下同源和異源照片對應 的相關(guān)值分布，使用化yman-Pearson準則，在虛警率為Pf的情況下計算出每個紋理復雜度 等級子區(qū)間下的相關(guān)性闊值;之后對所有紋理復雜度等級子區(qū)間下的相關(guān)性闊值進行擬 合，擬合得到相關(guān)性闊值與紋理復雜度的關(guān)系曲線;其中，Pfe [0.001,0.01]; @_10、在相關(guān)性闊值與紋理復雜度的關(guān)系曲線上，找出與Itest中的每個圖像塊的紋理 復雜度相對應的相關(guān)性闊值，作為該圖像塊相應的自適應闊值。8.根據(jù)權(quán)利要求7所述的一種使用自適應闊值的圖像篡改檢測與定位方法，其特征在 于所述的步驟中對Ru、訓練圖像庫中來自第U部相機的每幅照片及其噪聲殘差各自擴 展128-roWu%128行為在Ru、訓練圖像庫中來自第U部相機的每幅照片及其噪聲殘差各自的 第rowu行的下方擴展128-rowu % 128行，并使擴展的每行中的每個像素點的像素值等于第 rowu行中對應坐標位置的像素點的像素值;對Ru、訓練圖像庫中來自第U部相機的每幅照片 及其噪聲殘差各自擴展128-colu%128列為在Ru、訓練圖像庫中來自第U部相機的每幅照片 及其噪聲殘差各自的第colu列的右方擴展128-colu%128列，并使擴展的每列中的每個像素 點的像素值等于第colu列中對應坐標位置的像素點的像素值； 所述的步驟⑤_4中對訓練圖像庫中的每幅照片及其噪聲殘差和每部相機的參考模式 噪聲各自擴展128-rowmin% 128行為在訓練圖像庫中的每幅照片及其噪聲殘差和每部相機 的參考模式噪聲各自的第rowmin行的下方擴展128-rowmin % 128行，并使擴展的每行中的每 個像素點的像素值等于第rowmin行中對應坐標位置的像素點的像素值;對訓練圖像庫中的 每幅照片及其噪聲殘差和每部相機的參考模式噪聲各自擴展128-C〇lmin%128列為在訓練 圖像庫中的每幅照片及其噪聲殘差和每部相機的參考模式噪聲各自的第colmin列的右方擴 展128-C〇lmin%128列，并使擴展的每列中的每個像素點的像素值等于第colmin列中對應坐 標位置的像素點的像素值； 所述的步驟⑤_3中的7??"嗦'。的獲取過程為:曰2、令做"'rc；:。礦-皆'， 其中，雌-、皆"·:、托·"·:、坤·"·=和皆-對應表示訓練圖像庫中來自第u部相機的第z幅照片 中的第ku個圖像塊的信息賭、邊緣比率、反差因子、相關(guān)度和能量；b2、對步驟曰2得到的 妨曲化^·:進行歸一化處理，即4，其中，Tex1:uremin表示 紋理復雜度中的最小值，Texturemax表示紋理復雜度中的最大值，中的符號為賦值符號；所述的步驟⑤_ 3中廷中，sign()為求符號函 數(shù)imaxO為求最大值函數(shù)，詩-、.表示訓練圖像 庫中來自第U部相機的第Z幅照片的噪聲殘差中的第ku個圖像塊中坐標位置為Su的像素點與 Ru中的第ku個圖像塊中坐標位置為Su的像素點的相關(guān)值，表示訓練圖像庫中來自第U部 相機的第Ζ幅照片的噪聲殘差中的第ku個圖像塊或Ru中的第ku個圖像塊中的所有像素點的 坐標位置的集合。表示訓練圖像庫中來自第U部相機的第Z幅照片的噪聲殘差中 的第ku個圖像塊或Ru中的第ku個圖像塊中W/fi品A對應的像素點為中屯、的窗口區(qū)域的尺寸 大小，表示訓練圖像庫中來自第U部相機的第Z幅照片的噪聲殘差中的第ku個圖像 塊或Ru中的第ku個圖像塊中W A對應的像素點為中屯、的窗口區(qū)域中的所有像素點的 坐標位置的集合； 所述的步驟⑤_7中的冷''的獲取過程為:曰3、令吟=<'' +嶺' +護-q'l ' -皆''，其 中，皆'、皆·*、各;"''、皆·'和奪·'對應表示Yu中的第h幅照片中的第ky個圖像塊的信息賭、 邊緣比率、反差因子、相關(guān)度和能量;b3、對步驟a3得到的reW?巧f '''進行歸一化處理，即令，其中，Texturemin表示紋理復雜度中的最小值， Texturemax表示紋理復雜度中的最大中的符號為 賦值符號;所述的步驟⑤_7中'其中，. . ·'!.' .'I'. signO為求符號函數(shù)'max ()為求最大值函數(shù)， 表示Yu中的第h幅照片的噪聲殘差中的第ky個圖像塊中坐標位置為sy的像素點 與Ru中的第ky個圖像塊中坐標位置為Sy的像素點的相關(guān)值，表示Yu中的第h幅照片的噪聲 殘差中的第ky個圖像塊或Ru中的第ky個圖像塊中的所有像素點的坐標位置的集合， 表示Yu中的第h幅照片的噪聲殘差中的第ky個圖像塊或Ru中的第ky個圖像塊中W <吉：戶對應的像素點為中屯、的窗口區(qū)域的尺寸大表示Yu中的第h幅照片的噪聲 殘差中的第ky個圖像塊或Ru中的第ky個圖像塊中對應的像素點為中屯、的窗口區(qū)域 中的所有像素點的坐標位置的集合。9. 根據(jù)權(quán)利要求1所述的一種使用自適應闊值的圖像篡改檢測與定位方法，其特征在 于所述的步驟⑦中取th = 0.06219。10. 根據(jù)權(quán)利要求1所述的一種使用自適應闊值的圖像篡改檢測與定位方法，其特征在 于所述的步驟⑧中先后利用腐蝕和膨脹技術(shù)對像素值重置后的ZNCC關(guān)聯(lián)圖中的每個像素 點進行處理的過程為:先用半徑為64個像素點的圓對像素值重置后的ZNCC關(guān)聯(lián)圖中的每個 像素點進行腐蝕處理，再用半徑為20個像素點的圓對腐蝕處理后的ZNCC關(guān)聯(lián)圖中的每個像 素點進行膨脹處理。
【文檔編號】G06T7/00GK106097379SQ201610588684
【公開日】2016年11月9日
【申請日】2016年7月22日 公開號201610588684.0, CN 106097379 A, CN 106097379A, CN 201610588684, CN-A-106097379, CN106097379 A, CN106097379A, CN201610588684, CN201610588684.0
【發(fā)明人】郭浩龍, 張 榮, 郭立君, 王瀟
【申請人】寧波大學