一种基于多支持区域局部亮度序的图像伪造检测算法制造技术

本发明专利技术公开了一种基于多支持区域局部亮度序的图像伪造检测算法，属于图像伪造检测技术领域，包括S1、特征区域的检测确定特征点；S2、特征区域的变换；S3、每个特征区域内LIOP描述子的构建；S4、特征匹配；S5、特征点归类；S6、几何变换估计；S7、检测完成。通过使用LIOP描述子并利用全局亮度序对支持区域进行划分，这种划分不需要计算支持区域的主方向，不仅节约计算量，而且在理论上能够保证所构造描述子具有真正的旋转不变性和单调亮度不变性，同时利用NSCT得到不同尺度、不同分辨率和不同方向的多个支持区域来提高LIOP描述子的鉴别力。从而提高了图像伪造区域检测算法的鲁棒。

【技术实现步骤摘要】
一种基于多支持区域局部亮度序的图像伪造检测算法
本专利技术涉及图像伪造检测
，特别涉及一种基于多支持区域局部亮度序的图像伪造检测算法。
技术介绍
数字图像在当今通讯过程中有着非常重要的角色。随着数字图像处理软件和修改设备的发展，数字图像可以轻易的被篡改而不留下任何明显的篡改痕迹，即使非专业人员都可以很容易利用图像编辑工具(如Photoshop)来修改已有图像。图像操控和伪造的数量也在快速增长，这给人们判断一幅图像的原创性和准确性带来极大的困扰，特别对判断司法鉴定中作为证据图像的真伪更加具有挑战性。因此，鉴定图像是否被伪造是至关重要的，可以广泛应用在犯罪现场勘测、司法鉴定和许多其他领域。图像伪造检测技术是指在没有任何先验知识的情况下可以确认原始图像的可信度。常见的数字图像伪造方法有重采样、拼接、复制-粘贴等，其中复制-粘贴伪造是最简单和最常见的数字图像篡改方法。复制-粘贴伪造是指图像中任意形状和大小的区域被复制然后放置在图像的另一区域，其目的是通过增强图像的视觉效果来掩盖图像的重要数据或影响识别图像的真实目标。由于复制区域来自同一图像中，其本质属性如噪声、颜色、纹理等都和整体图像一致，这导致鉴别过程异常麻烦。同时复制区域在粘贴前会进行一定的尺度和旋转操作，这使得检测伪造区域具有一定的挑战性。近年来基于特征点的图像复制-粘贴伪造检测方法越来越被重视，这类方法在许多图像变换下被证实具有更强的说服力。基于特征点的图像复制-粘贴伪造检测方法主要考虑特征点所在区域并利用特征描述子来表示可疑区域，常用的特征描述子有尺度不变特征变换和加速鲁棒特征。然而这些方法为了使构建的特征描述子具有旋转不变性，必须计算支持区域的主方向并按照该方向将支持区域进行校正，这不仅大大增加了算法的计算复杂度，而且不可避免的会产生误差。此外，这些方法利用归一化操作使得构建的特征描述子对线性亮度变化具有一定的不变性，但却不能很好地处理非线性亮度变化问题(如单调亮度变化)。
技术实现思路
本专利技术的目的就在于为了解决上述图像伪造检测算法计算复杂，容易产生误差以及不能很好地处理非线性亮度变化的问题而提供一种基于多支持区域局部亮度序的图像伪造检测算法，具有降低计算量，减少误差，解决亮度变换问题的优点。本专利技术通过以下技术方案来实现上述目的，一种基于多支持区域局部亮度序的图像伪造检测算法，包括以下步骤：S1、特征区域的检测确定特征点：先利用高斯滤波器消除噪声的影响，再利用最大稳定极值区域(MSER)算法提取图像的最大稳定极值区域作为支持区域，而支持区域的中心点为特征点；S2、特征区域的变换：获取检测区域的空间信息，利用非抽样Contourlet变换得到不同尺度、不同分辨率和不同方向的多支持区域；S3、每个特征区域内LIOP描述子的构建：对每个支持区域内所有亮度值进行非降排序，将每个支持区域按照亮度值大小等间隔地划分为B个子区域，通过叠加每个子区域内所有像素点的LIOP值得到每个子区域的描述子，通过串联所有子区域的描述子得到每个支持区域最终的LIOP描述子；S4、特征匹配：对相邻两个特征点内的LIOP描述子采用双向欧氏距离比值法进行匹配，若匹配则得到一组特征匹配对；S5、特征点归类：采用空间聚类法对特征点进行归类；S6、几何变换估计：对步骤S5的每一个归类，利用随机抽样一致性(RANSAC)算法进行几何变换估计，进一步剔除不精确的匹配对；S7、检测完成：对类内一组特征点计算最优凸包、连接边界和进行形态学运算，得到伪造区域。优选的，所述步骤S2的非抽样Contourlet变换由非抽样塔状滤波器(NSP)和非抽样方向性滤波器组(NSDFB)组成，且NSP与NSDFB能完全重构信号的条件为：H0(z)G0(z)+H1(z)G1(z)＝1其中H0(z)、H1(z)表示分解滤波器，G0(z)、G1(z)表示重建滤波器。优选的，所述步骤S3对于一个特征点X0，其支持区域是R，在该支持区域内任意一像素点X∈R均可以建立一个旋转不变的坐标系，即以为x轴，垂直于为y轴，则在旋转不变坐标系下，在单位圆上以正y轴上为起点，等间隔得到像素点X的N个邻域点(即距离X最近的N个点)。与现有技术相比，本专利技术的有益效果是：通过使用LIOP描述子并利用全局亮度序对支持区域进行划分，这种划分不需要计算支持区域的主方向，不仅节约计算量，而且在理论上能够保证所构造描述子具有真正的旋转不变性和单调亮度不变性，同时利用NSCT得到不同尺度、不同分辨率和不同方向的多个支持区域来提高LIOP描述子的鉴别力，减少了计算复杂度并且有效地避免误差，最终提高了图像伪造区域检测算法的鲁棒性。附图说明图1为本专利技术的图像伪造检测算法流程图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。如图1所示，一种基于多支持区域局部亮度序的图像伪造检测算法，包括以下步骤：S1、特征区域的检测确定特征点：先利用高斯滤波器消除噪声的影响，再利用最大稳定极值区域(MSER)算法提取图像的最大稳定极值区域作为支持区域，而支持区域的中心点为特征点；S2、特征区域的变换：获取检测区域的空间信息，利用非抽样Contourlet变换得到不同尺度、不同分辨率和不同方向的多支持区域；S3、每个特征区域内LIOP描述子的构建：对每个支持区域内所有亮度值进行非降排序，将每个支持区域按照亮度值大小等间隔地划分为B个子区域，通过叠加每个子区域内所有像素点的LIOP值得到每个子区域的描述子，通过串联所有子区域的描述子得到每个支持区域最终的LIOP描述子；S4、特征匹配：对相邻两个特征点内的LIOP描述子采用双向欧氏距离比值法进行匹配，若匹配则得到一组特征匹配对；S5、特征点归类：采用空间聚类法对特征点进行归类；S6、几何变换估计：对步骤S5的每一个归类，利用随机抽样一致性(RANSAC)算法进行几何变换估计，进一步剔除不精确的匹配对；S7、检测完成：对类内一组特征点计算最优凸包、连接边界和进行形态学运算，得到伪造区域。优选的，所述步骤S2的非抽样Contourlet变换由非抽样塔状滤波器(NSP)和非抽样方向性滤波器组(NSDFB)组成，且NSP与NSDFB能完全重构信号的条件为：H0(z)G0(z)+H1(z)G1(z)＝1其中H0(z)、H1(z)表示分解滤波器，G0(z)、G1(z)表示重建滤波器。步骤S3对于一个特征点X0，其支持区域是R，在该支持区域内任意一像素点X∈R均可以建立一个旋转不变的坐标系，即以为x轴，垂直于为y轴，则在旋转不变坐标系下，在单位圆上以正y轴上为起点，等间隔得到像素点X的N个邻域点(即距离X最近的N个点)。若待检测图像的特征点集(即MSER算法检测区域的中心)为T：T＝{t1,t2,…,tn}(1)其中每个特征点ti∈T,i＝1,2,…,n对应一个MSER区域，可以得到对应的多支持区域LIOP描述子wi，进而得到特征描述子集合ψ：ψ＝{w1,w2,…,wn}(2)对每个特征描述子wi∈ψ,i＝1本文档来自技高网...

【技术保护点】
1.一种基于多支持区域局部亮度序的图像伪造检测算法，其特征在于，包括以下步骤：S1、特征区域的检测确定特征点：先利用高斯滤波器消除噪声的影响，再利用最大稳定极值区域(MSER)算法提取图像的最大稳定极值区域作为支持区域，而支持区域的中心点为特征点；S2、特征区域的变换：获取检测区域的空间信息，利用非抽样Contourlet变换得到不同尺度、不同分辨率和不同方向的多支持区域；S3、每个特征区域内LIOP描述子的构建：对每个支持区域内所有亮度值进行非降排序，将每个支持区域按照亮度值大小等间隔地划分为B个子区域，通过叠加每个子区域内所有像素点的LIOP值得到每个子区域的描述子，通过串联所有子区域的描述子得到每个支持区域最终的LIOP描述子；S4、特征匹配：对相邻两个特征点内的LIOP描述子采用双向欧氏距离比值法进行匹配，若匹配则得到一组特征匹配对；S5、特征点归类：采用空间聚类法对特征点进行归类；S6、几何变换估计：对步骤S5的每一个归类，利用随机抽样一致性(RANSAC)算法进行几何变换估计，进一步剔除不精确的匹配对；S7、检测完成：对类内一组特征点计算最优凸包、连接边界和进行形态学运算，得到伪造区域。...

【技术特征摘要】
1.一种基于多支持区域局部亮度序的图像伪造检测算法，其特征在于，包括以下步骤：S1、特征区域的检测确定特征点：先利用高斯滤波器消除噪声的影响，再利用最大稳定极值区域(MSER)算法提取图像的最大稳定极值区域作为支持区域，而支持区域的中心点为特征点；S2、特征区域的变换：获取检测区域的空间信息，利用非抽样Contourlet变换得到不同尺度、不同分辨率和不同方向的多支持区域；S3、每个特征区域内LIOP描述子的构建：对每个支持区域内所有亮度值进行非降排序，将每个支持区域按照亮度值大小等间隔地划分为B个子区域，通过叠加每个子区域内所有像素点的LIOP值得到每个子区域的描述子，通过串联所有子区域的描述子得到每个支持区域最终的LIOP描述子；S4、特征匹配：对相邻两个特征点内的LIOP描述子采用双向欧氏距离比值法进行匹配，若匹配则得到一组特征匹配对；S5、特征点归类：采用空间聚类法对特征点进行归类；S6、几何变换估计：对步骤S5的每一个归类，利用随机抽样...

【专利技术属性】
技术研发人员：颜普，
申请(专利权)人：安徽建筑大学，
类型：发明
国别省市：安徽,34