一种数字图像拼接篡改盲检测方法和系统技术方案

本发明专利技术涉及一种数字图像拼接篡改盲检测方法和系统，包括以下步骤：S1将待测图像分割成不重叠的若干个图像子块，计算参考颜色偏量以及每个图像子块的颜色偏量；S2计算每个图像子块的颜色偏量与图像的参考颜色偏量之间的欧式距离；S3对步骤S2获得的各欧式距离进行分类，计算每个类别包括的图像子块数，其中，图像子块数最少的类别对应的图像子块为篡改图像区域，其余图像子块为真实图像区域。其对于异源图像拼接、多处拼接、图像质量较差或图像经过压缩等情况下数字图像拼接篡改检测的诸多问题，不仅能够对上述图像进行拼接篡改盲检测，而且对于经过篡改的数字图像能够有效定位其篡改区域。其篡改区域。其篡改区域。

【技术实现步骤摘要】
一种数字图像拼接篡改盲检测方法和系统


[0001]本专利技术涉及一种数字图像拼接篡改盲检测方法和系统，属于图像篡改检测


技术介绍

[0002]目前，数字图像拼接篡改盲检测方法主要有基于特征匹配、基于光照方向和基于数字图像成像原理这三大类。基于特征匹配的方法通常只能检测同源数字图像的复制
‑
粘贴篡改，对于异源数字图像的拼接篡改并不适用；基于光照方向的方法虽然能够实现异源数字图像的拼接篡改，但是其检测过程中需要人工在图像中标记疑似拼接篡改区域，对于一幅图像中存在多处拼接篡改区域的情况可能出现漏检。基于数字图像成像原理的方法对待检测图像质量要求较高，通常需要原始设备获取图像或未被压缩过的图像，一旦待检测图像经过滤波、压缩等操作将大幅降低该类方法的准确率。因此，现有技术中方法对于经过滤波、压缩处理的数字图像的拼接篡改检测较为困难，并且容易产生错误结果。

技术实现思路

[0003]针对上述问题，本专利技术的目的是提供了一种数字图像拼接篡改盲检测方法和系统，其对于异源图像拼接、多处拼接、图像质量较差或图像经过压缩等情况下数字图像拼接篡改检测的诸多问题，不仅能够对上述图像进行拼接篡改盲检测，而且对于经过篡改的数字图像能够有效定位其篡改区域。
[0004]为实现上述目的，本专利技术采取以下技术方案：一种数字图像拼接篡改盲检测方法，包括以下步骤：S1将待测图像分割成不重叠的若干个图像子块，计算参考颜色偏量以及每个图像子块的颜色偏量；S2计算每个图像子块的颜色偏量与图像的参考颜色偏量之间的欧式距离；S3对步骤S2获得的各欧式距离进行分类，计算每个类别包括的图像子块数，其中，图像子块数最少的类别对应的图像子块为篡改图像区域，其余图像子块为真实图像区域。
[0005]进一步，步骤S3中通过高斯混合模型对各欧式距离进行分类。
[0006]进一步，步骤S3中通过高斯混合模型对各欧式距离进行分类的具体过程为：S3.1初始化高斯混合模型参数α，θ＝[μ，σ],其中α为高斯混合模型中各高斯子成分系数，θ＝[μ，σ]表示高斯混合模型参数，μ为均值，σ为标准差；S3.2假设各欧式距离满足由参数θ确定的高斯混合模型的分布，通过EM算法迭代求得由参数θ确定的高斯混合模型的最优参数解S3.3通过最优参数解确定各欧式距离所属类别。
[0007]进一步，高斯混合模型的公式为：
[0008][0009]其中，α
j
是第j个高斯子成分的系数，α
j
≥0，ρ(y|θ
j
)是高斯分布密度
函数，则ρ(y|θ
j
)的公式为：
[0010][0011]进一步，步骤S3.2中通过EM算法迭代求得高斯混合模型的最优参数解的方法为：计算当前参数α,θ下的高斯分布函数生成各欧式距离的概率P，及似然函数l(α,θ)，更新参数值α,θ，使得似然函数l(α,θ)取最大值，若更新后的参数值对应的似然函数减去原参数值对应的似然函数的值小于阈值，则终止计算，否则持续更新参数值，直至更新后的参数值对应的似然函数减去原参数值对应的似然函数的值小于阈值。
[0012]进一步，高斯分布函数生成各欧式距离的概率P的计算公式为：
[0013][0014]似然函数的计算公式为：
[0015][0016]其中，为各图像子块对应的欧式距离。
[0017]进一步，步骤S3.3中通过最优参数解确定各欧式距离所属类别的方法为：分别用计算每一个欧氏距离属于的概率，其中概率最大的为欧氏距离的对应组别。
[0018]进一步，步骤S1中参考颜色偏量的计算方法为：在分割后的所有图像子块中选取图像上边缘、下边缘、左边缘和右边缘中的T行图像子块作为拼接篡改检测的参考区域，将参考区域中所有图像子块颜色偏量的平均值作为图像的参考颜色偏量。
[0019]进一步，步骤S2中计算每个图像子块的颜色偏量与图像的参考颜色偏量之间的欧式距离I
TD
，
[0020][0021][0022]其中，为第k个图像子块颜色偏量与参考颜色偏量之间的欧式距离，Cs
mean,Y
、Cs
mean,Cb
和Cs
mean,Cr
分别为YCbCr色彩空间参考区域中Y,Cb和Cr通道的参考颜色偏量。
[0023]本专利技术还公开了一种数字图像拼接篡改盲检测系统，包括：颜色偏量计算模块，用于将待测图像分割成不重叠的若干个图像子块，计算每个图像子块的颜色偏量和待测图像的参考颜色偏量；欧式距离计算模块，用于计算每个图像子块的颜色偏量与图像的参考颜色偏量之间的欧式距离；分类模块，用于对欧式距离计算模块获得的各欧式距离进行分类，计算每个类别包括的图像子块数，其中，图像子块数最少的类别对应的图像子块为篡改图像区域，其余图像子块为真实图像区域。
[0024]本专利技术由于采取以上技术方案，其具有以下优点：
[0025]1、本专利技术将图像篡改概率较低的图像边缘部分设定为颜色偏量计算参考区域，有效避免了参考区域图像中包含大面积篡改图像的可能，使得参考颜色偏量的估计更为精确，极大提升检验结果的准确性。
[0026]2、本专利技术能够实现异源拼接、多处拼接及经过加噪、压缩等数字图像的拼接篡改自动检测，且无需人机交互即可完成自动化的图像检验流程，避免了人机交互对检验结果带来的影响。
[0027]3、本专利技术通过图像分块的方式遍历整幅图像，有效解决了人工选择待检测区域存在的待检测区域选择不准确、待检测区域只能有一个、无法遍历所有图像内容及检验结果无法量化等弊端。
附图说明
[0028]图1是本专利技术一实施例中数字图像拼接篡改盲检测方法的流程图；
[0029]图2是本专利技术一实施例中图像子块的行数T＝2时参考区域的示意图。
具体实施方式
[0030]为了使本领域技术人员更好的理解本专利技术的技术方向，通过具体实施例对本专利技术进行详细的描绘。然而应当理解，具体实施方式的提供仅为了更好地理解本专利技术，它们不应该理解成对本专利技术的限制。在本专利技术的描述中，需要理解的是，所用到的术语仅仅是用于描述的目的，而不能理解为指示或暗示相对重要性。
[0031]实施例一
[0032]本实施例公开了一种数字图像拼接篡改盲检测方法，如图1所示，包括以下步骤：
[0033]S1将待测图像分割成不重叠的若干个图像子块，计算参考颜色偏量以及每个图像子块的颜色偏量。
[0034]步骤S1中将待检测图像分割成不重叠的若干个图像子块的具体过程为：按照像素将M
×
N大小的待检测图像I分割为不重叠的S
×
S大小的图像子块，其中第k个图像子块的第c个通道表示为：
[0035][0036][0037]其中，k＝1,2,3
…
,M
×
N/S2，c＝R，G，B，R、G、B分别为红色通道、绿色通道和蓝色通道。
[0038]计算每个图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种数字图像拼接篡改盲检测方法，其特征在于，包括以下步骤：S1将待测图像分割成不重叠的若干个图像子块，计算参考颜色偏量以及每个图像子块的颜色偏量；S2计算所述每个图像子块的颜色偏量与图像的参考颜色偏量之间的欧式距离；S3对步骤S2获得的各所述欧式距离进行分类，计算每个类别包括的图像子块数，其中，图像子块数最少的类别对应的图像子块为篡改图像区域，其余图像子块为真实图像区域。2.根据权利要求1所述的数字图像拼接篡改盲检测方法，其特征在于，所述步骤S3中通过高斯混合模型对各所述欧式距离进行分类。3.根据权利要求2所述的数字图像拼接篡改盲检测方法，其特征在于，所述步骤S3中通过高斯混合模型对各所述欧式距离进行分类的具体过程为：S3.1初始化高斯混合模型参数α，θ＝[μ，σ]，其中α为高斯混合模型中各高斯子成分系数，θ＝[μ，σ]表示高斯混合模型参数，μ为均值，σ为标准差；S3.2假设各所述欧式距离满足由参数θ确定的混合高斯模型的分布，通过EM算法迭代求得所述由参数θ确定的高斯混合模型的最优参数解S3.3通过所述最优参数解确定各所述欧式距离所属类别。4.根据权利要求3所述的数字图像拼接篡改盲检测方法，其特征在于，所述高斯混合模型的公式为：其中，α
j
是高斯子成分的系数，α
j
≥0，ρ(y|θ
j
)是高斯分布密度函数，则ρ(y|θ
j
)的公式为：5.根据权利要求3所述的数字图像拼接篡改盲检测方法，其特征在于，所述步骤S3.2中通过EM算法迭代求得高斯混合模型的最优参数解的方法为：计算当前参数α，θ下的高斯分布函数生成各所述欧式距离的概率P，及似然函数l(α，θ)，更新参数值α，θ，使得所述似然函数l(α，θ)取最大值，若更新后的参数值对应的似然函数减去原参数值对应的似然函数的值小于阈值，则终止计算，否则持续更新参数值，直至更新后的参数值对应的似然函数减去原...

【专利技术属性】
技术研发人员：孙鹏，郎宇博，周纯冰，谢兰迟，许磊，黎智辉，
申请(专利权)人：中国刑事警察学院，
类型：发明
国别省市：