一种基于视觉词袋模型的图像复制-粘贴篡改检测算法制造技术

本发明专利技术公开了一种基于视觉词袋模型的图像复制

【技术实现步骤摘要】
一种基于视觉词袋模型的图像复制
‑
粘贴篡改检测算法


[0001]本专利技术涉及图像篡改检测方法，特别涉及一种基于视觉词袋模型的图像复制
‑
粘贴篡改检测算法，属于数字图像认证


技术介绍

[0002]随着人类进入信息社会，多媒体信息正以难以想象的速度增长。而图像作为人类最重要的信息来源之一，在群体和个人意见形成的过程中扮演着关键角色。现代图像处理软件以及个人智能终端的飞速推广使得人们可以以极低的成本对数字图像的内容进行篡改，这对数字图像的可靠性产生了严重的威胁。
[0003]复制
‑
粘贴篡改是各类数字图像篡改中的一种常见操作，其中图像的一个或多个区域被复制并且粘贴在同一图像中的其他位置，其目的是隐藏或强调感兴趣的对象。富有经验的篡改者可以通过这些简单的操作骗过一般的观察者，以实现非法的或不道德的目标。尽管复制
‑
粘贴篡改的过程非常简单，但检测它并不容易。首先，篡改区域的内容来源于被篡改图像本身，所以其基本的物理特征(比如光照和视角)和图像的其他区域相比没有明显区别。此外，为了使篡改不留下肉眼可辨的痕迹，篡改者通常会对复制区域执行仿射变换操作(包括旋转、缩放、镜像等)，以及对整个篡改图像(或仅复制区域)进行常规信号攻击(包括噪声、压缩、模糊等),这都为复制
‑
粘贴篡改检测带来了困难。
[0004]复制
‑
粘贴篡改检测一般依赖于可靠的特征描述算子来表示图像的局部属性，并通过匹配上述特征来寻找具有相同语义的图像片段。因此，复制
‑
粘贴篡改检测通常包含特征提取、特征匹配和后处理三大主要步骤。特征提取：计算出每个像素点或特定的部分关键点的合适特征，用以代表像素点的领域；匹配：以某种距离评价指标，衡量任意两个特征的“相似”程度，将相近的特征归为一类；后处理：使用上一步得到的匹配结果来精准定位复制
‑
粘贴篡改的实际边界。根据图像局部特征是从每个像素点中提取还是仅从一些选定的关键点中提取，现有的复制
‑
粘贴篡改检测技术主要可以分为密集域(基于密集分块)和稀疏域(基于特征点)两类。1)密集域(基于密集分块)方法：特征提取的感兴趣区域为图像的密集分块，这些区域一般具有固定的大小、形状和位置。2)稀疏域(基于特征点)方法：特征提取的感兴趣区域为经过挑选的少数“显著性”区域，这些区域的大小、形状和位置一般随图像内容而改变。
[0005]如今，面向图像复制
‑
粘贴型篡改的盲取证技术已经成为学界的研究热点，但是该领域中仍存在若干待解的开放性问题，包括：1)对于具有高度自相似性的自然图像，算法可能会产生大量的误匹配对，这增加了后处理算法的处理难度；2)对于常规信号攻击(比如噪声)，算法中正确匹配对的数量可能会大大减少，这降低了检测结果的可靠性。

技术实现思路

[0006]本专利技术是为了解决现有复制
‑
粘贴篡改检测方法所存在的上述技术问题，所提供的一种基于视觉词袋模型的图像复制
‑
粘贴篡改检测算法。
[0007]本专利技术的技术解决方案是一种基于视觉词袋模型的图像复制
‑
粘贴篡改检测算法，
[0008]一种基于视觉词袋模型的图像复制
‑
粘贴篡改检测算法，包括如下步骤：
[0009]S1、将图像尺寸归一化，使用SIFT算法提取特征点；
[0010]S2、构造特征点感兴趣区域的复值贝塞尔傅立叶矩不变量作为特征点的特征，将特征进行匹配得到单词级匹配结果；
[0011]S3、利用匹配特征点之间的几何关系计算视觉短语，进行最大池化得到短语级特征；随后，构造基于边缘信息的热度图，使用热度图加权短语级特征，对短语级特征直接匹配，得到短语级匹配结果；
[0012]S4、最后，执行后处理算法得到最终检测结果。
[0013]进一步的，所述步骤S1包括如下步骤：
[0014]S11、初始设置：获取待检测图像I，并设置感兴趣区域的归一化尺寸BZ和特征点集合K的阈值；
[0015]S12、特征点提取：
[0016]a.读入图像I，图像的尺寸为N
I
×
M
I
，根据尺度因子s调整图像大小，意为将分辨率较小的输入图像的长边归一化为3000像素，分辨率较大的输入图像不做归一化处理，不损失信息；
[0017]b.对图像I执行SIFT算法，获得特征点集合K＝{k
k
}。
[0018]进一步的，所述步骤S2包括如下步骤：
[0019]S21、将特征点k
k
的感兴趣区域定义为：其中(x
k
,y
k
)是图像平面中的坐标，σ
k
表示尺度，NoK是特征点的数量；然后在数字图像的离散域，将数字域中的感兴趣区域的外接正方形调整为标准尺寸BZ
×
BZ，得到归一化感兴趣区域其中(i,j)为图像像素点的坐标；
[0020]S22、根据贝塞尔傅立叶矩的基函数：计算得到(K+1)2个尺寸为BZ
×
BZ的二维贝塞尔傅立叶矩的基函数{F
k
[i,j]:(i,j)∈[1,...,BZ]2}；
[0021]S23、将所有归一化感兴趣区域重组为一个矩阵，用KR表示，其中每一行对应一个归一化感兴趣区域；将所有二维贝塞尔傅立叶矩的基函数F
k
[i,j]重组为一个矩阵，用BF表示，其中每一列对应一个基函数；计算这两个矩阵的乘积：M＝KR
×
BF，M中的每一行m
k
对应于一个特征点k
k
的贝塞尔傅立叶矩，将矩值中复值不变量的实部与虚部和实值组合，获得单词级特征向量
[0022]S24、匹配特征向量，得到单词级匹配对集合为P
w
＝{(k,k
′
)
k
}，其中(k,k
′
)为一对匹配的特征点。
[0023]进一步的，所述步骤S3包括如下步骤：
[0024]S31、查找每个单词级匹配特征点的K个图像平面上的最近邻，组成几何视觉短语其中，视觉单词称为几何视觉短语G的中心单词，其余K个视觉单词称为几何视觉短语G的边缘单词；
[0025]S32、基于几何短语池化策略，计算每个特征点k
c
的几何短语特征
[0026][0027]其中是的d个维度，是的d个维度，max()表示取最大值；
[0028]S33、对于图像I＝{f(i,j):(i,j)∈[1,...,N
I
]×
[1,...,M
I
]}，计算其边缘图像为：I
e
＝{e(i,j):(i,j)∈[1,...,N
I
]×
[1,...,M...

【技术保护点】

【技术特征摘要】
1.一种基于视觉词袋模型的图像复制
‑
粘贴篡改检测算法，其特征在于，包括如下步骤：S1、将图像尺寸归一化，使用SIFT算法提取特征点；S2、构造特征点感兴趣区域的复值贝塞尔傅立叶矩不变量作为特征点的特征，将特征进行匹配得到单词级匹配结果；S3、利用匹配特征点之间的几何关系计算视觉短语，进行最大池化得到短语级特征；随后，构造基于边缘信息的热度图，使用热度图加权短语级特征，对短语级特征直接匹配，得到短语级匹配结果；S4、最后，执行后处理算法得到最终检测结果。2.根据权利要求1所述一种基于视觉词袋模型的图像复制
‑
粘贴篡改检测算法，其特征在于，所述步骤S1包括如下步骤：S11、初始设置：获取待检测图像I，并设置感兴趣区域的归一化尺寸BZ和特征点集合K的阈值；S12、特征点提取：a.读入图像I，图像的尺寸为N
I
×
M
I
，根据尺度因子s调整图像大小，意为将分辨率较小的输入图像的长边归一化为3000像素，分辨率较大的输入图像不做归一化处理，不损失信息；b.对图像I执行SIFT算法，获得特征点集合K＝{k
k
}。3.根据权利要求1所述一种基于视觉词袋模型的图像复制
‑
粘贴篡改检测算法，其特征在于，所述步骤S2包括如下步骤：S21、将特征点k
k
的感兴趣区域定义为：其中(x
k
,y
k
)是图像平面中的坐标，σ
k
表示尺度，NoK是特征点的数量；然后在数字图像的离散域，将数字域中的感兴趣区域的外接正方形调整为标准尺寸BZ
×
BZ，得到归一化感兴趣区域其中(i,j)为图像像素点的坐标；S22、根据贝塞尔傅立叶矩的基函数：计算得到(K+1)2个尺寸为BZ
×
BZ的二维贝塞尔傅立叶矩的基函数{F
k
[i,j]:(i,j)∈[1,...,BZ]2}；S23、将所有归一化感兴趣区域重组为一个矩阵，用KR表示，其中每一行对应一个归一化感兴趣区域；将所有二维贝塞尔傅立叶矩的基函数F
k
[i,j]重组为一个矩阵，用BF表示，其中每一列对应一个基函数；计算这两个矩阵的乘积：M＝KR
×
BF，M中...

【专利技术属性】
技术研发人员：王超，黄志球，祁树仁，沈国华，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：