一种基于多域耦合的图像人工模糊检测方法技术

本发明专利技术公开一种基于多域耦合的图像人工模糊检测方法，首先对图像进行分块DCT变换，计算每个像素在二次模糊前后DCT系数的相似度，得到测试图像在DCT域对应的人工模糊度估计映射图。然后对该映射图进行二值分割，利用图像形态学进行去燥和填充孔洞，得到人工模糊的候选区域。最后在图像的空域内，利用图像的纹理描述子包括灰度统计，平滑度和信息熵综合对候选的人工模糊区域进行筛选，得到最终的定位结果。本发明专利技术综合利用了图像DCT域和空域特征的优势，得到新的人工模糊的度量方法，具有很好的检测效率和定位的准确率。

An image artificial fuzzy detection method based on multi domain coupling

【技术实现步骤摘要】
一种基于多域耦合的图像人工模糊检测方法
本专利技术涉及数字图像信息
，具体涉及一种基于多域耦合的图像人工模糊检测方法。
技术介绍
随着网络和智能设备的普及，多媒体信息的传输变得无处不在。数字图像作为传输信息其中重要的一种载体，更是成为重中之重。但如今，数字图像内容的篡改变得越来越容易，人们不在需要专业的技术都可以几乎不留痕迹的对图像进行编辑修改，这为数字图像的真实性和安全性带来了挑战。因此对数字图像取证的研究对维护网络信息的安全具有重要的意义。图像的人工模糊篡改检测作为数字图像取证技术的一个重要分支，其目的是为了检测数字图像中是否存在人工模糊的痕迹并定位出篡改的区域。在图像中人工模糊的目的通常是为了掩饰原始图像中一些敏感的信息内容，或者作为后处理的润饰功能掩饰图像中拼接等篡改的痕迹。通过这种精心巧妙的模糊设计，在图像中几乎很难通过人眼观察看到图像中篡改的痕迹。即使在图像中仍留有一些可以辨别的痕迹，也需要有力的方法去证明篡改的存在。因此有效的数字图像人工模糊检测可以在信息安全保障体系中可以发挥非常重要的作用。图像人工模糊检测技术被广泛的应用在司法取证、新闻纪实、媒体娱乐等领域中。现有的图像人工模糊检测技术主要分为两种：一种是基于图像模糊的边缘检测，人工模糊区域和原始区域的交界边缘作为图像中特殊的存在不同于图像中正常的纹理边缘，通过滤波等方式可以强化提取到这个边缘，从而实现人工模糊的定位；另一种是基于图像像素的统计特征，对图像的每一个像素点进行特征的求取，并利用机器学习的方法对统计特征进行分类识别，这类方法之间的区别主要在于图像变换域和统计特征选取。
技术实现思路
本专利技术的目的在于提供一种基于多域耦合的图像人工模糊检测方法，能够有效地检测定位出图像中是否存在人工模糊的操作，具有检测效率快、定位准确率高、不需要人为判断的优点。为了达到上述技术目的，本专利技术的技术方案如下：一种基于多域耦合的图像人工模糊检测方法，包括以下步骤：S1：灰度转化：对于输入的原始测试图像首先转换成单通道的灰度图像I；S2：二次模糊：对步骤S1中的灰度图像I使用高斯模糊进行全局模糊操作得到二次模糊后的图像Ib，用于之后在各个域上I和Ib相似度的比较，用公式表示为Ib＝I*G其中，G是高斯模糊核，*是卷积操作；S3：提取DCT域内特征：对于灰度图像I上每一个像素点p，找到它在二次模糊后的图像Ib上的对应点p′，分别截取它们n*n邻域的图像块b和bb，并进行DCT操作，得到DCT域内特征B＝DCT(b)，Bb＝DCT(bb)；S4：DCT域内相似度比较：利用相对差异计算步骤S3得到的B和Bb的相似度，得到图像在DCT域内的人工模糊度估计，有其中，B(i,j)和Bb(i,j)分别表示在坐标(i,j)上对应的DCT系数值；TF是在DCT上得到计算相似度的距离，用来表示DCT域内的人工模糊程度；S5：对于步骤S4中比值当分母接近或者为0时会出现异常，将比值利用Sigmoid映射到[0,0.5]的范围内，具体的有，其中，r表示比值和S6：获得候选的可疑人工模糊区域：利用步骤S4求得图像中每个像素点对应的人工模糊度估计值TF，即可得到图像DCT域内的人工模糊度估计映射图；而后使用阈值T1对该映射图进行分割，利用图像形态学的开闭操作进行去燥和填充孔洞，即可在二值图中提取出候选的可疑人工模糊区域其中Rb是候选的可疑人工模糊区域的集合；S7：在步骤S6中得到的每一个可疑候选区域在二次模糊后的图像Ib中找到其对应的区域其中Rg是二次模糊后的图像Ib中对应的集合，在空域内利用空域纹理的描述子包括异常灰度级统计、平滑度以及信息熵作为特征f计算和的相似度S，有其中fb和fg分别是和计算特征f所得到的结果，然后以T2为阈值进行最终的判断得到人工模糊区域的定位结果，有其中是求出的最终人工模糊区域的集合，表示对求出的S值。进一步，所述步骤S7中特征f计算的处理过程如下：S701：计算候选区域的图像梯度：对于每一个候选区域上的像素点计算它的梯度幅值，有其中[.]表示取整操作；S702：异常灰度级统计：利用灰度共生矩阵对提取特征，有其中M为利用灰度共生矩阵提取到的矩阵，δ(·)为脉冲函数，用来对像素对进行计数，写为式子中分别当di＝0，dj＝1和di＝1，dj＝0时可以得到M在水平和垂直方向上相邻梯度幅值的统计，分别用MH和MV来表示；将统计中较大幅值的统计对视为异常的点对，异常元素表示为则对异常点对的统计有,S703：平滑度估计：首先求得梯度值的方差σ，其中n是中点的个数，是的均值，L是梯度幅值的变化范围；根据σ求得候选区域的平滑度，用f2表示有S704：纹理信息熵估计：候选图像区域梯度的纹理信息熵可以表示为其中是所出现的概率，通过计算直方图的频数求得，其中指的是所对应直方图的统计数，因为f1、f2以及f3取值都正相关与S，采用如下式子将三种描述子结合起来，得到候选区域在图像空域内的特征值。与现有技术相比，本专利技术技术方案的有益效果是：本专利技术联合了DCT域和图像空域的提取的特征，能够更好的对图像中的细节信息进行表征，对人工模糊区域更加的敏感。首先是在DCT内采用相对差异的方式和二次模糊后的图像进行相似度的比较，能够抓住图像高频分量在人工模糊和原始图像中的不同；在空域中利用三种纹理的描述子对图像的候选人工模糊区域进行筛选甄别，有效利用了人工模糊区域在空域上的一些内容的先验知识，进一步提高了定位的准确率。相比于传统的基于特征的检测算法，速度更快，实用性更强，能够准确的给出人工模糊区域的轮廓。本专利技术首次联合DCT域和空域对图像的人工模糊进行检测定位，能够充分利用两个域的优势，在和二次模糊的相似度比较中得到准确的检测定位结果，避免了人工按照经验来判断的操作，具有很好的检测效率和定位的准确率。附图说明图1为本专利技术方法流程图图2为本专利技术实施例中待处理的人工模糊篡改后的图像图3为本专利技术实施例中待处理篡改图像的掩膜图4为本专利技术实施例中得到的DCT域内的人工模糊度映射图图5为本专利技术实施例定位结果图具体实施方式下面结合附图对本专利技术作进一步的说明。为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。实施例1如图1所示，一种基于多域耦合的图像人工模糊检测方法，包括以下步骤：S1：灰度转化：对于输入的原始测试图像首先转换成单通道的灰度图像I，转化公式为，I＝0.299*R+0.587*G+0.114*B(1)其中，R，G，B本文档来自技高网...

【技术保护点】
1.一种基于多域耦合的图像人工模糊检测方法，其特征在于包括以下步骤：/nS1：灰度转化：对于输入的原始测试图像首先转换成单通道的灰度图像I；/nS2：二次模糊：对步骤S1中的灰度图像I使用高斯模糊进行全局模糊操作得到二次模糊后的图像I

【技术特征摘要】
1.一种基于多域耦合的图像人工模糊检测方法，其特征在于包括以下步骤：
S1：灰度转化：对于输入的原始测试图像首先转换成单通道的灰度图像I；
S2：二次模糊：对步骤S1中的灰度图像I使用高斯模糊进行全局模糊操作得到二次模糊后的图像Ib，用于之后在各个域上I和Ib相似度的比较，用公式表示为
Ib＝I*G
其中，G是高斯模糊核，*是卷积操作；
S3：提取DCT域内特征：对于灰度图像I上每一个像素点p，找到它在二次模糊后的图像Ib上的对应点p′，分别截取它们n*n邻域的图像块b和bb，并进行DCT操作，得到DCT域内特征B＝DCT(b)，Bb＝DCT(bb)；
S4：DCT域内相似度比较：利用相对差异计算步骤S3得到的B和Bb的相似度，得到图像在DCT域内的人工模糊度估计，有



其中，B(i，j)和Bb(i，j)分别表示在坐标(i，j)上对应的DCT系数值；TF是在DCT上得到计算相似度的距离，用来表示DCT域内的人工模糊程度；
S5：对于步骤S4中比值当分母接近或者为0时会出现异常，将比值利用Sigmoid映射到[0，0.5]的范围内，具体的有，



其中，r表示比值和
S6：获得候选的可疑人工模糊区域：利用步骤S4求得图像中每个像素点对应的人工模糊度估计值TF，即可得到图像DCT域内的人工模糊度估计映射图；
而后使用阈值T1对该映射图进行分割，利用图像形态学的开闭操作进行去燥和填充孔洞，即可在二值图中提取出候选的可疑人工模糊区域其中Rb是候选的可疑人工模糊区域的集合；
S7：在步骤S6中得到的每一个可疑候选区域在二次模糊后的图像Ib中找到其对应的区域其中Rg是二次模糊后的图像Ib中对应的集合，在空域内利用空域纹理的描述子包括异常灰度级统计...

【专利技术属性】
技术研发人员：张超，邰炜，蔡忠林，刘子瑞，白晓斌，孙红宝，杨海文，余洁，杨小宁，
申请(专利权)人：国网陕西省电力公司宝鸡供电公司，
类型：发明
国别省市：陕西;61