一种基于样本选择的图像相机来源鉴别方法技术

本发明专利技术属于图像信息安全领域，涉及一种基于样本选择的图像相机来源鉴别方法。本发明专利技术结合主成分分析以及随机子空间提出的随机子空间法一定程度上减小了图像内容的影响。为了改善鉴别受图像细节影响的问题，实现了基于样本选择的图像来源鉴别方法。通过分析图像的纹理特征特性，利用灰度共生矩阵计算图像区域的复杂度，选取出图像中复杂度较小的区域，从而提取出较为可靠的模式噪声，提高鉴别准确率。与其它基于模式噪声的图像来源鉴别方法相比，样本选择法能够提取出更为纯净的模式噪声，进一步提高图像来源鉴别的准确率，为图像来源鉴别工作提供了一种新的解决方案。

【技术实现步骤摘要】
一种基于样本选择的图像相机来源鉴别方法
本专利技术属于图像信息安全领域，涉及一种基于样本选择的图像相机来源鉴别方法。
技术介绍
从1965年开始，人们开始研究图像处理和识别。最开始对照相技术、光学技术进行研究，随着科技进步，现在演变成了对计算机技术进行研究。数字图像来源认证技术就是随着计算机技术的发展而来的。如今，可以生成数字图像的设备有很多，数码相机、计算机、扫描仪以及手机等。数字来源认证技术就是确定一张未知来源图像生成设备的技术手段。现有的数字图像来源认证技术主要可以分为两大类：主动取证和被动取证。与主动取证相比，被动取证只需要取证人员采用一些特定的技术就可以实现数字图像来源鉴别，因此被动取证的实施性更强，成为了数字图像来源鉴别技术的研究重点。被动取证中，图像没有经过预处理，其中没有任何嵌入信息时，鉴别数字图像来源就要依靠这些特征的不同，即软硬件的不同来判断。为了得到更准确的研究效果，还应该进一步通过同品牌相机不同型号的软硬件的不同来判断。传感器的模式噪声(SPN,SensorPatternNoise)像相机的指纹一样，成为判断的重要依据，其已广泛用于图像来源鉴别、图像分类和伪造物检测等。J.Lukas等人首先提出通过提取图像的模式噪声进行来源鉴别。通过相机的大量图片总结出该相机的参考模式噪声，然后与测试图像的模式噪声进行相关运算，根据相关系数的大小判断测试图像是否来源该相机。该方法具有极高的识别效率，可以鉴别相同型号的不同相机个体，但图像内容对鉴别准确率有较大影响。R.Li等人在此方法上引入主成分分析，降低了特征集的维度，一定程度上减少了图像内容的影响，提高了鉴别准确率。为了进一步解决图像内容对鉴别的影响，R.Li在主成分分析的基础上，提出了随机子空间法。
技术实现思路
本专利技术的目的是针对现有技术的不足，提供一种基于样本选择的图像相机来源鉴别方法本专利技术具体技术方案实现如下：因为各个相机的图像分辨率不同，为了避免不足N×N大小的像素块在计算时被空白填充，影响相关性的计算结果。同时考虑到人们的拍照习惯，因此将每一幅图像从左上角开始，长和宽分别裁剪出p×q倍的N×N大小(p、q均为整数)，即每幅图像能得到p×q大小的相关性矩阵。对于实验中所用的图像集，每幅图像重复上述计算过程，相加得到图像集的相关性矩阵。从中选取相关性最大，即复杂度最小的N×N像素块作为样本区域提取模式噪声。此时样本区域中含有的图像内容细节较少，提取的模式噪声也较为纯净。之后再与随机子空间法结合，将该方法简称为样本选择法，具体实现如下：步骤1、设在数据库中有C个照相机每个照相机拍摄了Ej幅图像，数据库共有N幅图像步骤2、为了减少计算成本，从数据库中的全尺寸图像的中心裁剪出N×N的像素块代表图像；从该像素块中提取模式噪声，重塑成SPN向量，表示为这n个SPN向量形成训练集；步骤3、对提取的模式噪声进行PCA降维；步骤4、将计算得到的特征向量进行归一化，按照特征值的降序排列λ1≥λ2≥…λn，取其中较大的d个非零特征值对应的特征向量作为特征空间步骤5、在特征空间T中随机选择m(m<d)个特征向量构成随机子空间R，重复L次，生成L个随机子空间Rl；在子空间中，SPN信号表示为：其中，yl代表随机子空间Rl中的模式噪声x，即每个模式噪声x表示为一组新的特征yl；步骤6、利用新生成的模式噪声进行图像来源鉴别。步骤3具体实现如下：对于具有n维特征的矩阵X＝[x1,x2,…,xn]，主成分分析的具体实现如下：3-1.计算协方差矩阵S，找到一系列标准正交向量νk和相关特征值λk，公式如下：其中，3-2.计算协方差矩阵的特征值和特征向量：通过求解|λE-X|＝0，得到n个特征值并对其降序排列：λ1≥λ2≥…λn，分别带回|λE-X|＝0，即可求出特征值对应的特征向量并归一化：[v1,v2,…,vn]；3-3.选取主成分：最终选择多少个主成分，要通过信息的累积贡献率G(d)来确定；其中d为保留的主成分向量个数；当G(d)＞85％时就足以表达原信息；步骤6具体实现如下：对于待测样本图像，提取其模式噪声，按照步骤2-4的方法在随机子空间中表示为新特征后，再通过以下步骤来检测这个待测样本图像是否是数据库中特定的照相机拍摄的，具体实现如下：6-1.计算参考SPN通过对所有训练样本进行随机子空间特征提取，每个随机子空间Rl里将生成一系列特征随机子空间Rl中相机Cj的参考模式噪声通过平均属于该相机的所有训练模式噪声进行评估：6-2.计算相关系数对于每一个待测样本图像的SPN向量xq，通过公式在L个子空间中获得一系列特征一旦生成待测样本图像和相机Cj的参考样本图像计算二者的相关系数ρ：其中分子为协方差：E(x)表示向量x的期望；分母为待测样本图像SPN和相机Cj的参考样本图像SPN的标准差之积：根据ρ和阈值t的关系，相机来源鉴别问题就可以认为是一个双向假设问题：H0:ρ＜t(待测样本图像不是相机Cj拍摄的)H1:ρ≥t(待测样本图像是相机Cj拍摄的)6-3.多数表决在每个子空间Rl中，步骤5-2的鉴别过程都将被执行一次，因此一共会生成L个结果；根据其中多数的结果作为最终结果：超过L/2的结果投票赞成H1，最终认为该待测图像是由相机Cj拍摄的；反之则认为不是相机Cj拍摄的。本专利技术有益效果如下：本专利技术在提取模式噪声之前，通过计算图像区域相关性，选取复杂度较小的像素块，以期望提取纯净的模式噪声，得到更好的鉴别准确率。本专利技术通过对样本区域进行选择，而不是直接从图像中间部分裁剪像素块，提取出更纯净的模式噪声，进一步提高鉴别的准确率。本专利技术结合主成分分析以及随机子空间提出的随机子空间法一定程度上减小了图像内容的影响。为了改善鉴别受图像细节影响的问题，实现了基于样本选择的图像来源鉴别方法。通过分析图像的纹理特征特性，利用灰度共生矩阵计算图像区域的复杂度，选取出图像中复杂度较小的区域，从而提取出较为可靠的模式噪声，提高鉴别准确率。与其它基于模式噪声的图像来源鉴别方法相比，样本选择法能够提取出更为纯净的模式噪声，进一步提高图像来源鉴别的准确率，为图像来源鉴别工作提供了一种新的解决方案。附图说明图1(a)为观察图像；图1(b)为图1(a)的纯净的模式噪声图；图1(c)为图1(a)从不同的区域提取模式噪声图；图2为Lukas提出的用于图像来源鉴别的直接相关法流程图。图3为R.Li后续改进的随机子空间法。样本选择法中，由于各相机的照片分辨率不同，先将照片调整大小为2048*2048。从左上角开始，依此裁剪出p×q倍的N×N大小(p、q均为整数)。图4(a)为当p＝q＝4时，图像示意图。图4(b)为不同区域相关性矩阵示意图。含有图像内容以及雪地等纹理较为复杂的区域相关性较小，即复杂度较大。天空的纹理很简单，因此区域复杂度较小。和理论的想法一致，从天空中提取到的模式噪声会更贴近纯净的模式噪声，有利于鉴别的准确率。图5(a)为第一次实验中固定L＝100，M/d由0.1至1变化的实验结果示意图。图5(b)为第二次实验中固定M/d＝0.3，L的值由100至1000变化的实验结果图；图6为每个相机的鉴别准确率示意图。具体实施方式为了使本专利技术的目的、技术方案和优点更加清楚，下面对本专利技术本文档来自技高网...

【技术保护点】
1.一种基于样本选择的图像相机来源鉴别方法，其特征在于包括如下步骤：步骤1、设在数据库中有C个照相机

【技术特征摘要】
1.一种基于样本选择的图像相机来源鉴别方法，其特征在于包括如下步骤：步骤1、设在数据库中有C个照相机每个照相机拍摄了Ej幅图像，数据库共有N幅图像步骤2、为了减少计算成本，从数据库中的全尺寸图像的中心裁剪出N×N的像素块代表图像；从该像素块中提取模式噪声，重塑成SPN向量，表示为这n个SPN向量形成训练集；步骤3、对提取的模式噪声进行PCA降维；步骤4、将计算得到的特征向量进行归一化，按照特征值的降序排列λ1≥λ2≥…λn，取其中较大的d个非零特征值对应的特征向量作为特征空间步骤5、在特征空间T中随机选择m(m<d)个特征向量构成随机子空间R，重复L次，生成L个随机子空间Rl；在子空间中，SPN信号表示为：其中，yl代表随机子空间Rl中的模式噪声x，即每个模式噪声x表示为一组新的特征yl；步骤6、利用新生成的模式噪声进行图像来源鉴别。2.根据权利要求1所述的一种基于样本选择的图像相机来源鉴别方法，其特征在于步骤3具体实现如下：对于具有n维特征的矩阵X＝[x1,x2,…,xn]，主成分分析的具体实现如下：3-1.计算协方差矩阵S，找到一系列标准正交向量νk和相关特征值λk，公式如下：其中，3-2.计算协方差矩阵的特征值和特征向量：通过求解|λE-X|＝0，得到n个特征值并对其降序排列：λ1≥λ2≥…λn，分别带回|λE-X|＝0，即可求出特征值对应的特征向量并归一化：[v1,v2,…,vn]；3-3.选取主...

【专利技术属性】
技术研发人员：李建军，王虹，虞杰，薛鑫营，黄孝喜，王智慧，李豪杰，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：浙江,33