一种基于二次缝裁剪特征的图像盲检测方法技术

本发明专利技术提供了一种基于二次缝裁剪特征的图像盲检测方法，属于图像处理中的图像盲取证领域。所述方法包括：(1)对图像进行一次额外的缝裁剪操作获得额外缝裁剪图像；(2)进行特征提取：计算该图像和其对应的额外缝裁剪图像间的相似度特征、能量比特征以及缝距离差值特征；(3)利用提取到的相似度特征、能量比特征以及缝距离差值特征，通过训练支持向量机来检测缝裁剪。本发明专利技术方法所提取的特征维度低，因此有更低的计算复杂度，同时本发明专利技术有更高的检测率。

【技术实现步骤摘要】
一种基于二次缝裁剪特征的图像盲检测方法
本专利技术属于图像处理中的图像盲取证领域，具体涉及一种基于二次缝裁剪特征的图像盲检测方法。
技术介绍
Seamcarving，即缝裁剪，是一种有效的基于内容感知改变图像尺寸的方法。由于它可以克服传统缩放和裁剪的限制，现在已经获得一定程度的普及。缝裁剪会自动删除图像中最不重要的路径来减小图像的尺寸，这种最不重要的路径被称为缝，同时也可以插入缝来放大图像。缝定义为一条从上到下或从左到右贯穿图像的8连通的低能量像素线。可以用动态规划技术来选定每个方向的最佳缝，而所谓最佳缝，是指具有最小积累能量的缝，其中积累能量表示了缝中像素的结合重要性。最常用的能量函数定义如下：其中，I是一个n×m的图像。对于一条垂直缝，可以定义为：其中x表示映射x：[1，...，n]→[1，...，m]。最佳缝s*是一条能量总和最小的缝，可以通过动态规划M对于每个入口(i，j)的所有可能的连接缝计算而得。M(i，j)＝e(i，j)+min(M(i-1，j-1)，M(i，j-1)，M(i-1，j+1))(3)对于图像缩小，缝的甄选可以保证维持图像结构，删除尽量多的低能量像素，并留下尽量多的高能量像素。对于通过缝裁剪进行图像放大，这相当于是缩小图像的“逆过程”。如果需要对一幅图像放大k个像素，我们应该先找出前k条会被移除的缝，然后分别插入这些缝s和其左右邻居的平均值(水平缝插入缝与上下邻居的均值)。除了改变图像尺寸，缝裁剪还能用来实现图像内容放大，以及对象移除。内容放大是通过结合缝裁剪和等比例缩放实现的，先通过缝裁剪缩小图像，减少“非重要”的区域，在用等比例缩放放大至原始大小，从而实现对图像主要内容的放大。对象移除只需为需要移除的对象分配低能量，然后进行缝裁剪即可。缝裁剪是一种内容感知图像重定向算法，已经获得了广泛的使用，并已成功地应用于改变数字图像尺寸和在保留重要内容的同时故意删除图像中的物体。缝裁剪的广泛应用对于图形取证方面造成了严重的挑战。在2013年6月由IEEE信息取证和安全技术委员会(IFS-TC)举办的首届图像取证挑战难题中，如何检测缝裁剪操作已经成为一个图像取证科学挑战问题。由于缝裁剪的这些特征，常规的检测方法很多都不适用，检测非常困难。从2009年开始，开始有一些关于缝裁剪取证方面的成果。首先是2009年，Sarkar等人提出的通过提取324维的马尔科夫特征来检测缝裁剪。这些特征由基于8×8块的离散余弦变换域(DCT)上的二维差分直方图组成，最初是由Shi等人提出用于检测基于JPEG的隐写，现在扩展用于检测缝裁剪。该方法主要计算在水平、垂直、主对角线、次对角线四个方向的第一顺序差分数组，并且对于缩小和放大，检测率分别可达到80％和85％，但是低缩放比例的图像检测效果并没有那么好。这篇文章还通过线性相关对缝插入进行检测和定位，即使插入的比例很小的时候，检测率也较高。实验的图像集由4500幅来自MM270K数据库的图像组成，原始图像为QF＝75的且为首次压缩的JPEG格式图像。在2010年，Fillion和Sharma提出几个直观的特征用于缝裁剪检测。这些统计特征集包括基于能量偏差的特征、基于缝行为的特征、基于更高次序的图像统计特征(小波绝对矩)、基于第二次缝裁剪的特征。他们取得了更好的检测结果，对于缝裁剪20％和30％的图像，检测率分别达到了84.0％和91.3％。同时，他们还对故意缩放，即删除特定对象进行检测，相同条件下，四种特征组合检测正确率为76％。Seung-JinRyu等人提取了包括平均列能量、平均行能量、平均能量、最大缝、最小缝等14个特征，并通过SVM训练进行检测。在不同的缩放比例下正确率为71.52％到93.5％，但是对于特定对象移除的图像还有一定的局限性。Qingzhongliu合并了空间域的基于替换重压缩的特征和在DCT域上基于替换重压缩的邻近联合密度来检测JPEG格式图像中的基于内容感知的图像伪造。Wen-LungChang等人提出针对JPEG格式的缝裁剪图像的检测。该检测技术是以方格特征区域矩阵(blockingartifactcharacteristicsmatrix，BACM)为基础。对于原始的JPEG图像，方格特征区域矩阵会是对称且完整的，而对于破坏过的图像，方格特征区域矩阵的对称性会被破坏。在计算出方格特征区域矩阵后，他们从中定义了18维的特征，并将这些特征经由支持向量机作训练来检测图像是原始图像还是经过缝裁剪修改过的图像。实验使用UCID图像数据集，原始图像为QF＝75的JPEG格式图像。2014年，台湾的Jyh-DaWei等人提出了一种基于块的检测方法。首先，将图像分为2*2的小方块。对于每个小块定义了9种2*3的块，作为可能有缝裁剪效果的候选块。然后通过余弦相似和仲裁块计算出哪个是最佳块，并计算垂直、对角线、斜对角线方向的块转换概率矩阵，组成252维的检测。最后，将这些特征通过支持向量机进行训练检测图像是否经过缝裁剪操作。这种方法对于缝裁剪20％和50％的图像检测结果可以达到92.2％和95.8％。然而现有方法的检测率还不足，还可以进一步提高，同时现有方法所提取的特征维度较高，需要较高的计算复杂度。
技术实现思路
本专利技术的目的在于解决上述现有技术中存在的难题，提供一种基于二次缝裁剪特征的图像盲检测方法，用于检测图像是否经过了缝裁剪(或缝插入)操作，并提高检测率，并降低计算复杂度。本专利技术是通过以下技术方案实现的：一种基于二次缝裁剪特征的图像盲检测方法，所述方法包括：(1)对图像进行一次额外的缝裁剪操作获得额外缝裁剪图像；(2)进行特征提取：计算该图像和其对应的额外缝裁剪图像间的相似度特征、能量比特征以及缝距离差值特征；(3)利用提取到的相似度特征、能量比特征以及缝距离差值特征，通过训练支持向量机(SVM)来检测缝裁剪。所述步骤(1)是这样实现的：对于所有大小为M×N的TIF或JPEG格式的图像，首先通过缝裁剪算法在所述图像的横向和纵向分别找到k条缝，然后将这k条缝移除，最后得到(M-k)×(N-k)的缝裁剪图像，即为额外缝裁剪图像；M、N为一副图像的像素的行数和列数。所述步骤(2)包括：计算图像和其对应的额外缝裁剪图像间的相似度特征：采用双向的相似度测量方法来计算图像和额外缝裁剪图像间的相似度特征。所述步骤(2)包括：计算图像和其对应的额外缝裁剪图像间的能量比例特征：对于一幅图像，均值能量和能量方差分别定义为：其中，I是一个M×N的图像，为图像在x方向上的梯度，为图像在y方向上的梯度，实验中，将能量比定义为：其中，Etesting是图像的均值能量或能量方差，Ecarved是额外缝裁剪图像的均值能量或能量方差。所述步骤(2)包括：计算图像和其对应的额外缝裁剪图像间的缝距离差值特征：首先，对于水平缝，缝距离定义为：其中Dp是通过图像p％的最佳缝和整幅图像最佳缝的p％间的缝距离，yp是图像p％的最佳缝的纵坐标，ytot是整幅图像最佳缝的p％的纵坐标，Np是p％的图像的像素个数；垂直缝的计算方法与此相同；其次，计算图像与其对应的额外缝裁剪图像的缝距离差值：Diffseamdistance＝Dptesting-Dpcarved(9)其中，Eptestin本文档来自技高网...

【技术保护点】
一种基于二次缝裁剪特征的图像盲检测方法，其特征在于：所述方法包括：(1)对图像进行一次额外的缝裁剪操作获得额外缝裁剪图像；(2)进行特征提取：计算该图像和其对应的额外缝裁剪图像间的相似度特征、能量比特征以及缝距离差值特征；(3)利用提取到的相似度特征、能量比特征以及缝距离差值特征，通过训练支持向量机来检测缝裁剪。

【技术特征摘要】
1.一种基于二次缝裁剪特征的图像盲检测方法，其特征在于：所述方法包括：(1)对图像进行一次额外的缝裁剪操作获得额外缝裁剪图像；(2)进行特征提取：计算该图像和其对应的额外缝裁剪图像间的相似度特征、能量比特征以及缝距离差值特征；(3)利用提取到的相似度特征、能量比特征以及缝距离差值特征，通过训练支持向量机来检测缝裁剪；其中，所述步骤(3)是这样实现的：将11维特征送入支持向量机进行训练分类，从而实现缝裁剪的检测；所述11维特征包括：1维的相似度特征，2维的均值能量和能量方差的能量比，以及8维缝距离差值特征，其中，8维缝距离差值特征包括水平方向p分别取10％、25％、50％、75％的4维缝距离差值特征的和垂直方向p分别取10％、25％、50％、75％的4维缝距离差值特征；其中，所述将11维特征送入支持向量机进行训练分类，从而实现缝裁剪的检测是这样实现的：训练分类包括训练阶段和分类阶段，在训练阶段，用户给定原始图像和缝裁剪图像，假定原始图像的标志为1，缝裁剪图像的标志为-1；对原始图像进行步骤(1)和步骤(2)的处理，获得原始图像的11维特征，对缝裁剪图像进行步骤(1)和步骤(2)的处理，获得缝裁剪图像的11维特征，将原始图像的11维特征和标志1，以及缝裁剪图像的11维特征和标志-1送到支持向量机进行训练，获得一个分类模型；对待检测图像进行步骤(1)和步骤(2)的处理，获得待检测图像的11维特征，在分类阶段，将待检测图像的11维特征送到训练阶段获得的分类模型中，如果输出结果为1，则表示该待检测图像是原始图像，如果输出结果为-1，则表示该待检测图像是缝裁剪过的图像；所述待检测图像是训练阶段时用的原始图像或缝裁剪图像，或者任意原始图像或缝裁剪图像。2.根据权利要求1所述的基于二次缝裁剪特征的图像盲检测方法，其特征在于：所述步骤(1)是这样实现的：对于所有大小为M×N的TIF或JPEG格式的图像，首先通过缝裁剪算法在所述图像的横向和纵向分别找到k条缝，然后将这k条缝移除，最后得到(M-k)×(N-k)的缝裁剪图像，即为额外缝裁剪图像；M、N为一副图像的像素的行数和列数。3.根据权利要求2所述的基于二次缝裁剪特征的图像盲检测方法，其特征在于：所述步骤(2)包括：计算图像和其对应的额外缝裁剪图像间的...

【专利技术属性】
技术研发人员：柯永振，山青青，闵卫东，郭景，
申请(专利权)人：天津工业大学，
类型：发明
国别省市：天津;12