JPEG-缩放-JPEG图像初次量化步长估计方法技术

本发明专利技术涉及信息安全技术领域，具体涉及JPEG

【技术实现步骤摘要】
JPEG
‑
缩放
‑
JPEG图像初次量化步长估计方法


[0001]本专利技术涉及信息安全
，具体涉及JPEG
‑
缩放
‑
JPEG图像初次量化步长估计方法。

技术介绍

[0002]数据图像被广泛应用于新闻报道、司法鉴定、理财理赔保险和科学研究等领域，其重要性不言而喻。然而随着图像编辑软件的普及，人们可以轻易的对图像内容进行伪造，生成极其逼真、肉眼无法区分的造假图像。承载虚假信息的造假图像具有极强的误导性，对国家安全、人民的财产和人身安全均会造成极其恶劣的影响。为了鉴别图像真伪，数字图像取证技术应运而生。该技术通过分析图像“固有指纹”的完整性和一致性，进而判定图像是否真实，对维护国家安全和社会稳定起到重要作用。
[0003]JPEG是常用图像压缩格式，对JPEG图像的真实性取证一直以来都是研究的热点。在图像篡改过程中为了使图像原始区域和篡改部分之间分辨率更加协调，通常会对两部分区域进行缩放操作，形成JPEG
‑
缩放
‑
JPEG＝操作链。由于缩放操作会弱化甚至消除第一次压缩的痕迹，因此估计初次压缩的质量因子、量化步长等信息对图像篡改取证有着重要意义。
[0004]近年来数字图像处理技术迅速发展，很多学者开发了JPEG
‑
缩放
‑
JPEG操作链取证的算法，也建立了多种图像取证服务系统，从而简化图像取证的流程，提高图像取证的鉴别精度。目前已有很多鉴别方法应用于各类图像格式，然而不同的图像格式压缩算法不同，对鉴别真伪的精度会造成很多影响。例如，现有的机器学习方法可以在大部分不同格式的数字图像中鉴别伪造图像。但是浅层机器学习方法也存在缺陷，那就是需要大量的优质数据与大量人工特征提取工程，一方面这类数据库很难收集，另一方面人工特征提取工程会耗费大量时间。
[0005]随着深度学习的兴起，图像取证领域工作者致力于研究利用深度学习方法进行图像真伪的鉴别，虽然该技术省去了人工特征提取的步骤，但是也存在需要优质数据以进行深度模型的训练，且神经网络相比传统机器学习参数更多，会导致服务器出现显存溢出或者程序运行异常缓慢的问题，无法实现对数字图像的精度进行迅速的鉴别。
[0006]除此之外，还有基于理论驱动图像取证的技术，由于该技术依赖数字图像JPEG图像的自身特征，故而在速度与精度优于上述基于数据驱动的方法。但是现有此类方法存在明显问题，例如针对JPEG
‑
缩放
‑
JPEG操作链情形下初次量化步长估计问题，当第一次压缩步长较小时，量化步长估计的准确率明显降低。另外现有的方法只利用直流(Direct Current,DC)系数，而忽略了交流(Alternate Current,AC)系数的信息。

技术实现思路

[0007]为了解决量化步长估计的准确率低的技术问题，本专利技术提供JPEG
‑
缩放
‑
JPEG图像初次量化步长估计方法，所采用的技术方案具体如下：
[0008]选取一组候选缩放因子并对待测图像进行逆缩放操作，对逆缩放操作后的图像DC通道DCT系数的PSD直方图进行伽马校正和归一化处理，其中，具有最显著峰的PSD直方图对应的缩放因子作为估计的缩放因子；
[0009]利用估计的缩放因子对待测图像进行逆缩放操作，得到重构的初次压缩图像；
[0010]根据重构的初次压缩图像DC通道DCT系数PSD直方图中最显著峰的位置信息，利用几何拟合计算DC通道的初次量化步长；
[0011]根据AC通道的DCT系数直方图的分布特性，利用滤波算法和极大似然估计计算AC通道的初次量化步长。
[0012]优选的，所述对逆缩放操作后的图像DC通道DCT系数的PSD直方图进行伽马校正和归一化处理，包括：
[0013][0014][0015]其中，为伽马校正后的PSD直方图的第e个数值；为待测图像的PSD直方图的第e个数值；max(f
psd
)为待测图像的PSD直方图中的最大数值；γ为伽马值；为伽马校正和归一化后的PSD直方图的第e个数值；N为伽马校正后的PSD直方图中的数量。
[0016]优选的，所述DC通道的初次量化步长的计算公式为：
[0017][0018]其中，Q为初次量化步长；round()为四舍五入函数；fp
*
为最显著峰对应的频率；K为频谱宽度；bias为超参数。
[0019]优选的，所述根据AC通道的DCT系数直方图的分布特性，利用滤波算法和极大似然估计计算AC通道的初次量化步长，包括：
[0020]对DCT系数直方图进行滤波；滤波的方法为：
[0021]输入：H
Origin
：重构的初次压缩图像AC通道DCT系数直方图；
[0022]pks
sorted
：直方图的峰值大小(未排序)；
[0023]locs
sorted
：直方图的峰值频率位置(未排序)；
[0024]pks
unsorted
：直方图的峰值大小(按大小从大到小排序)；
[0025]locs
unsorted
：直方图的峰值频率位置(按大小从大到小排序)；
[0026]index
valley
：直方图的波谷的频率坐标；
[0027]index
peak
：直方图的波峰的频率坐标；
[0028]输出：H
filted
：过滤后的AC通道DCT系数直方图
[0029]begin
[0030]for i＝1 tolength(index
peak
)
‑
1 do
[0031]index
prex_peak
＝locs
unsoirted
[index
peak
[i]]；//获得前置峰值坐标
[0032]index
sudd_peak
＝locs
unsorted
[index
peak
[i+1]]；//获得后置峰值坐标
[0033]//从前置峰值坐标到后置峰值坐标遍历
[0034]for j＝index
prex_peak
to index
suff_peak
do
[0035]//获得前置峰值坐标到后置峰值之间的最小波谷值的位置
[0036]index
ture_cursor
＝0；
[0037]//获得前置峰值坐标到后置峰值之间的最小波谷值的数值
[0038]value
temp_min
＝pks
sorted
[1]；
[0039]ifindex
cu本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.JPEG
‑
缩放
‑
JPEG图像初次量化步长估计方法，其特征在于，该方法包括以下步骤：选取一组候选缩放因子并对待测图像进行逆缩放操作，对逆缩放操作后的图像DC通道DCT系数的PSD直方图进行伽马校正和归一化处理，其中，具有最显著峰的PSD直方图对应的缩放因子作为估计的缩放因子；利用估计的缩放因子对待测图像进行逆缩放操作，得到重构的初次压缩图像；根据重构的初次压缩图像DC通道DCT系数PSD直方图中最显著峰的位置信息，利用几何拟合计算DC通道的初次量化步长；根据AC通道的DCT系数直方图的分布特性，利用滤波算法和极大似然估计计算AC通道的初次量化步长。2.根据权利要求1所述的JPEG
‑
缩放
‑
JPEG图像初次量化步长估计方法，其特征在于，所述对逆缩放操作后的图像DC通道DCT系数的PSD直方图进行伽马校正和归一化处理，包括：述对逆缩放操作后的图像DC通道DCT系数的PSD直方图进行伽马校正和归一化处理，包括：其中，为伽马校正后的PSD直方图的第e个数值；为待测图像的PSD直方图的第e个数值；max(f
psd
)为待测图像的PSD直方图中的最大数值；γ为伽马值；为伽马校正和归一化后的PSD直方图的第e个数值；N为伽马校正后的PSD直方图中的数量。3.根据权利要求1所述的JPEG
‑
缩放
‑
JPEG图像初次量化步长估计方法，其特征在于，所述DC通道的初次量化步长的计算公式为：其中，Q为初次量化步长；round()为四舍五入函数；fp
*
为最显著峰对应的频率；K为频谱宽度；bias为超参数。4.根据权利要求1所述的JPEG
‑
缩放
‑
JPEG图像初次量化步长估计方法，其特征在于，所述根据AC通道的DCT系数直方图的分布特性，利用滤波算法和极大似然估计计算AC通道的初次量化步长，包括：对DCT系数直方图进行滤波；滤波的方法为：输入：H
Origin
：重构的初次压缩图像AC通道DCT系数直方图；pks
sorted
：直方图的峰值大小(未排序)；locs
sorted
：直方图的峰值频率位置(未排序)；pks
unsorted
：直方图的峰值大小(按大小从大到小排序)；locs
unsorted
：直方图的峰值频率位置(按大小从大到小排序)；index
valley
：直方图的波谷的频率坐标；index
peak
：直方图的波峰的频率坐标；输出：H
filted
：过滤后的AC通道DCT系数直方图begin
for i＝1to length(index
peak
)
‑
1doindex
prex_peak
＝locs
unsorted
[index
...

【专利技术属性】
技术研发人员：牛亚坤，陈旭光，展桂荣，张磊，左宪禹，
申请(专利权)人：河南大学，
类型：发明
国别省市：