畢業(yè)設(shè)計(jì)——數(shù)字圖像的盲鑒別技術(shù)研究.doc

數(shù)字圖像的盲鑒別技術(shù)研究摘 要：本文指出了現(xiàn)有數(shù)字圖像盲鑒別技術(shù)存在的優(yōu)缺點(diǎn)及有待研究的問題。根據(jù)計(jì)算機(jī)圖像和真圖像在圖像光滑區(qū)域和紋理區(qū)域的不同特性，提出了一種新的計(jì)算機(jī)圖像盲鑒別算法，該算法結(jié)合顏色距離矩陣、灰度共生矩陣以及Canny邊緣檢測等圖像處理方法設(shè)計(jì)出圖像的二維特征，最后利用支持向量機(jī)進(jìn)行分類檢測。本文算法與現(xiàn)有計(jì)算機(jī)盲鑒別算法相比，計(jì)算復(fù)雜度較低，仿真實(shí)驗(yàn)表明該算法能以較高的正確檢測率區(qū)分出計(jì)算機(jī)圖像和真圖像。關(guān)鍵詞：計(jì)算機(jī)圖像 Canny邊緣檢測 顏色距離 灰度共生矩陣 支持向量機(jī)中圖分類號； 文獻(xiàn)標(biāo)識碼：AAn Investigation on the Blind Detection Technologies for the Digital Images ZHOU Chun, GAO Hai-ying（Electronic Technology Institute, PLA Information Engineering University, Zhengzhou, Henan 450004, China）Abstract：In this paper, the advantages and disadvantages of the existing blind detection technologies are pointed out, and the problems to be investigated are clear. Based on the different identities in the smooth area and texture area between computer graphics and camera pictures, a new blind distinguishing algorithm to detect computer graphics is proposed, in which a two-dimensional measure of the image is designed according to the color distance matrix, gray level co-occurrence matrix and the Canny edge detecting method. At last, this paper uses the Support Vector Machine for classifying. Compared to the existing blind distinguishing algorithms, this papers algorithm has a low computing complexity and the emulation experiments show that it can distinguish the computer graphic and the real picture with a high correct detecting rate.Key words：Computer graphic, Canny edge detecting method, Color distance, Gray level co-occurrence matrix, Support Vector Machine.81引 言圖像作為一種信息資源，隨著信息技術(shù)的發(fā)展，傳統(tǒng)的膠片圖像正逐步被數(shù)字圖像取而代之。相對于傳統(tǒng)的膠片圖像，數(shù)字圖像更容易被計(jì)算機(jī)生成或改動(dòng)且難以分辨真?zhèn)?。例如，用戶可以利?D圖像生成軟件輕易的生成假以成真的計(jì)算機(jī)圖像，利用圖像編輯和處理工具可以修改圖像內(nèi)容，并且使得人眼難以辨別修改的痕跡。因此，對于數(shù)字圖像的盲鑒定技術(shù)已成為信息安全領(lǐng)域中的一個(gè)重要課題。在本文中定義照相機(jī)拍攝的圖像為真圖像，而偽圖像有兩種：一種是利用圖像生成軟件繪制的圖像，簡稱為計(jì)算機(jī)圖像；另一種是利用圖像編輯和處理工具修改過的真圖像，簡稱為篡改圖像。目前對數(shù)字圖像的盲鑒定技術(shù)的研究，根據(jù)偽圖像的不同相應(yīng)地分為計(jì)算機(jī)圖像的盲鑒定技術(shù)的研究1-3和篡改圖像的盲鑒定技術(shù)的研究4-8。針對計(jì)算機(jī)圖像的盲鑒定技術(shù)，國外早在20世紀(jì)90年代就有人開始研究此方面的內(nèi)容，該技術(shù)主要包括圖像的特征提取和分類器的設(shè)計(jì)。圖像的特征提取主要集中在顏色特征，紋理特征，邊緣特征，空間特征等。分類器的設(shè)計(jì)，有KNN方法，F(xiàn)ISHER方法，SVM方法等。雖然，該領(lǐng)域的研究起步較早，但已有的研究成果還不夠成熟。目前提出的計(jì)算機(jī)圖像盲鑒別算法存在的不足之處在于：一是圖像特征提取精度不高，怎樣綜合利用真圖像和計(jì)算機(jī)圖像的區(qū)別，提出精度更高的圖像特征，是該領(lǐng)域研究的重點(diǎn)和難點(diǎn)。二是現(xiàn)有的盲鑒別算法最終都采用機(jī)器訓(xùn)練分類的方法區(qū)分圖像，這種分類方法需要的訓(xùn)練圖像數(shù)量多，訓(xùn)練得到的分類器不僅與圖像數(shù)量有關(guān)，而且與選取的圖像的特點(diǎn)有關(guān)，并且分類算法的計(jì)算復(fù)雜度高。針對這方面的研究，設(shè)計(jì)理想的分類器是一個(gè)思路，另外直接利用閾值進(jìn)行判別，將會大大降低鑒別算法的計(jì)算復(fù)雜度，當(dāng)然這個(gè)思路的研究必須建立在高精度特征值的基礎(chǔ)之上。針對篡改圖像的盲鑒別技術(shù)主要分為三個(gè)等級，第一等級是利用圖像中對象之間的關(guān)系，例如，美前總統(tǒng)林肯不可能與前總統(tǒng)克林頓一起合影。第二等級是檢查圖像內(nèi)容的一致性，例如，圖像中物體的陰影部分是否與物體的大小相匹配等。第三等級是分析圖像的內(nèi)部特征，例如圖像的邊緣擴(kuò)散特性，噪聲，JPEG圖像中的量化系數(shù)的分布特性等。計(jì)算機(jī)對于第三等級的研究是有幫助的，而第一、二等級的鑒別則需要人的具體判斷。因此，目前已提出的篡改圖像的盲鑒別技術(shù)主要屬于第三等級的研究，包括基于圖像統(tǒng)計(jì)特性的鑒別技術(shù)和基于數(shù)碼相機(jī)的成像特征的鑒別技術(shù)。這兩類技術(shù)都具有一定的局限性，將計(jì)算機(jī)圖像的鑒別方法與現(xiàn)有的篡改圖像鑒別技術(shù)結(jié)合尋找新的特征值，提高鑒別的正確率，降低鑒別算法的復(fù)雜度，是該技術(shù)研究的難點(diǎn)。2 一種新的計(jì)算機(jī)圖像盲鑒別算法2.1圖像鑒別系統(tǒng)的一般流程一般的圖像鑒別技術(shù)的整個(gè)流程如圖2-1所示。重點(diǎn)是圖像的有效特征的提取，使計(jì)算機(jī)圖像或篡改圖像能有效區(qū)別于自然圖像，并選擇性能非常良好的分類器來識別。圖像特征提取圖像特征分析分類器識別圖像輸入鑒別系統(tǒng)輸出圖像鑒別系統(tǒng)圖2-1： 計(jì)算機(jī)圖像鑒別的一般流程針對計(jì)算機(jī)3D軟件生成的JPEG圖像進(jìn)行檢測，關(guān)鍵是能否找到有效的統(tǒng)計(jì)特征來表征計(jì)算機(jī)生成圖像和真圖像的區(qū)別。文獻(xiàn)1概括的幾種區(qū)別中，第一種區(qū)別最為明顯，計(jì)算機(jī)圖像的邊緣形狀較多，形狀比較規(guī)則，在邊緣處一個(gè)區(qū)域和另外一個(gè)區(qū)域發(fā)生跳躍是在一個(gè)像素中進(jìn)行，變化比較突然；而真圖像中，顏色的轉(zhuǎn)變更加柔和。在計(jì)算機(jī)圖像的一個(gè)區(qū)域塊中，顏色較飽和，顏色塊較大；而真圖像的顏色塊較小，噪聲較大，顏色數(shù)較多。此外，計(jì)算機(jī)圖像的紋理分布與真圖像的紋理分布有很大不同。根據(jù)這些特征，本文采取下面的策略：(1) 首先選用檢測精度較高的邊緣檢測算法實(shí)現(xiàn)待測圖像邊緣的有效提取，基于邊緣進(jìn)行分塊統(tǒng)計(jì)平均每個(gè)分塊像素值不變的點(diǎn)，把這種像素點(diǎn)的個(gè)數(shù)作為一個(gè)特征量。(2) 其次基于灰度共生矩陣確定另一個(gè)特征量。(3) 基于上述兩個(gè)特征量組成的二維特征向量利用分類器進(jìn)行識別檢測。(4) 利用MATLAB軟件GUI設(shè)計(jì)功能設(shè)計(jì)計(jì)算機(jī)圖像檢測系統(tǒng)。2.2基于邊緣和顏色的特征提取算法圖像的邊緣反映了像素值在此處發(fā)生跳躍，真圖像由于相機(jī)沒有在邊緣處發(fā)生聚焦，邊緣比較模糊，因而這種跳躍比較舒緩，往往需要多個(gè)像素點(diǎn)才能完成跳躍，而計(jì)算機(jī)圖像的這種跳躍比較突然，往往只需要一個(gè)像素點(diǎn)就完成了跳躍。邊緣將圖像劃分成一個(gè)個(gè)區(qū)域，在各區(qū)域內(nèi)，像素值沒有發(fā)生跳躍，變化很平緩，因此相比真圖像，區(qū)域內(nèi)最大顏色距離為0的像素點(diǎn)的個(gè)數(shù)較多。本文采用Canny算子進(jìn)行邊緣特征提取10-11，理由主要有：高精度的統(tǒng)計(jì)特征值需要較高精度的邊緣檢測算法，而Canny邊緣檢測算法是目前所有邊緣檢測算子中最優(yōu)的；Canny邊緣檢測算子的雙閾值法能根據(jù)不同類型的圖像調(diào)節(jié)檢測精度，具有可控性。而對于顏色特征，最遠(yuǎn)距離矩陣是刻畫顏色變化較為有效的方法。為此，本文設(shè)計(jì)了如下的特征提取算法：Step 1: 設(shè)原始圖像的大小為，將和Canny邊緣算子檢測后的圖像進(jìn)行相同的分塊處理，每個(gè)塊是一個(gè)的矩陣。分塊處理后得到，分塊處理后得到。（當(dāng)和不是8的倍數(shù)時(shí)，和取整，分塊自圖像的右上角開始）Step 2: 令初始值；判斷中是否含有邊緣點(diǎn)，若沒有，則計(jì)算的最遠(yuǎn)距離矩陣，統(tǒng)計(jì)矩陣中0的個(gè)數(shù)，循環(huán)結(jié)束。Step3，將最后得到的作為的特征值。2.3紋理特征提取紋理可以用來探測和辨別不同的物體和區(qū)域、推斷物體的表面方向、研究物體的形狀、辨別各種物體所具有的不同的紋理類型。本文借助統(tǒng)計(jì)分析的方法，利用廣泛使用的灰度共生矩陣構(gòu)造特征，灰度共生矩陣灰度共生矩陣（GLCM，Gray Level Co-occurrence Matrix）屬于測量紋理的二階統(tǒng)計(jì)特性，灰度共生矩陣GLCM說明當(dāng)圖像中象素處的灰度為，同時(shí)與沿任意方向相距位移的象素處的灰度為的概率。以下我們將詳細(xì)討論共生矩陣的定義9。假設(shè)在一個(gè)大小為的紋理圖像，其灰度共生矩陣的角度和距離函數(shù)表示為：(2-1)(2-2) (2-3) (2-4)表示同類集的個(gè)數(shù)，通常的取值為1。xy圖2-3：方位角0011001102222233圖2-2：矩陣A例如，為一個(gè)的4個(gè)灰度值的圖像，矩陣由以下組成：表示距離為1，方向?yàn)閮上袼刂捣謩e為0和0的統(tǒng)計(jì)次數(shù)。在矩陣中。表示距離為1，方向?yàn)閮上袼刂捣謩e為3和2的統(tǒng)計(jì)次數(shù)。所以有 下圖是當(dāng)，方向?yàn)?，灰度等級?56時(shí)，計(jì)算機(jī)圖像示例和真圖像示例的灰度共生矩陣： 圖2-4：計(jì)算機(jī)圖像的灰度共生矩陣舉例 圖2-5：真圖像的灰度共生矩陣舉例 2.4特征向量的確定灰度共生矩陣的能量：(2-5)當(dāng)中的各項(xiàng)元素值較為接近時(shí)，就較小，紋理較細(xì)時(shí)就會出現(xiàn)這種情況。而當(dāng)?shù)脑刂抵写蟮母黜?xiàng)集中在對角線附近時(shí)，就趨向最大。舉例由圖2-4和2-5可以看出，計(jì)算機(jī)圖像灰度共生矩陣中各的值較為接近，真圖像灰度共生矩陣中元素值大的集中在對角線附近。計(jì)算得到計(jì)算機(jī)圖像的灰度共生矩陣能量；真圖像的灰度共生矩陣能量，這說明所舉的例子實(shí)驗(yàn)所得的值和理論預(yù)測的結(jié)果是一致的。本文將2.2中算法得到的特征值和特征值組成一個(gè)二維特征向量，理論依據(jù)主要有：1. 特征值反映的是圖像的非紋理特征，而特征值反映的是圖像的紋理特征，因此這兩個(gè)特征的相關(guān)度小。2. 分別求圖像的和的算法實(shí)現(xiàn)計(jì)算復(fù)雜度較小，構(gòu)成二維向量有利于分類器實(shí)現(xiàn)，所確定特征向量有利于提高整個(gè)檢測系統(tǒng)的效率。2.4.1 特征無量綱化處理由于提取到的圖像的特征間物理意義和取值范圍不同，要特別注意數(shù)據(jù)統(tǒng)計(jì)的可比性問題，因此在匹配特征向量時(shí)需對它們進(jìn)行內(nèi)部歸一化。本文通過實(shí)驗(yàn)總結(jié)，對特征進(jìn)行如下處理：(2-6)處理后新的特征的權(quán)重與的權(quán)重相同，作為特征向量能夠有效地輸入到分類器進(jìn)行分類識別。2.5實(shí)驗(yàn)結(jié)果與分析本次實(shí)驗(yàn)選擇400張JPEG圖片作為原始圖像集，其中200張JPEG計(jì)算機(jī)圖像來自網(wǎng)上幾個(gè)主要3D網(wǎng)站，比如：。另外200張是用數(shù)碼相機(jī)拍攝得到。選取100張真圖像和100張計(jì)算機(jī)生成圖像作為訓(xùn)練集，100 張真圖像和100 張計(jì)算機(jī)生成圖像作為測試集。利用本文提出的特征向量提取算法提取圖像的二維特征，利用LS-SVM分類器先對訓(xùn)練集所得的二維特征向量進(jìn)行訓(xùn)練，然后對測試集中每幅圖像進(jìn)行識別測試。表2-1是本文算法和Farid算法及文獻(xiàn)3中的算法在圖像檢測性能方面的比較。可以看出采用了本文提出的特征提取算法，計(jì)算機(jī)生成圖像和真圖像的所提取的特征值的個(gè)數(shù)大大減少，而檢測精度有了非常大的提高，說明本文算法用于計(jì)算機(jī)圖像的鑒別檢測是非常有效的。表2-1:檢測性能對比表鑒別算法特征值個(gè)數(shù)檢測精度計(jì)算機(jī)圖像真圖像Farid算法24(n-1)6%82%文獻(xiàn)3算法12(n-1)50.3%76%本文算法280%94%2.6鑒別系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)本文采用MATLAB軟件中GUI設(shè)計(jì)工具箱實(shí)現(xiàn)鑒別系統(tǒng)的功能。一、 系統(tǒng)功能：對任意一幅輸入的計(jì)算機(jī)圖像或真圖像，能以較高的概率判斷識別其為哪種類型的圖像。二、 結(jié)果實(shí)現(xiàn)： 圖2-6：計(jì)算機(jī)圖像鑒別圖2-7：真圖像的鑒別5 結(jié)論數(shù)字圖像的盲鑒別技術(shù)是信息安全領(lǐng)域的重要分支，數(shù)字圖像的盲鑒別技術(shù)研究在軍事和偵察領(lǐng)域具有重要意義。本文提出了一種新的計(jì)算機(jī)圖像盲鑒別算法，該算法提取的圖像特征基于空域，即反映了圖像的紋理特征，又反映了圖像的非紋理特征，最后得到的二維特征借助于分類器進(jìn)行鑒別，仿真實(shí)驗(yàn)驗(yàn)證了所提出算法理論上的正確性。算法的不足之處在于分類器識別時(shí)計(jì)算復(fù)雜度還是不夠理想，設(shè)計(jì)理想的分類器，直接利用閾值進(jìn)行判別，就可以大大降低鑒別算法的計(jì)算復(fù)雜度。參考文獻(xiàn):1 Vassilis Athitsos and Michael J.Swain. Distinguishing Photography and Graphy On the World Wild Web IEEE 1997:10-17.2 H.Farid and S.Lyu. Higher-Order Wavelet Statistics and Their Application to Digital Forensics. In IEEE Workshop on Statistical Analysis in Computer Vision, Madison, Wisconsin, 2003:1-8.3 蘇波,王玉平,朱彤,李生紅.一種改進(jìn)的計(jì)算機(jī)生成圖像檢測算法.網(wǎng)絡(luò)信息安全.2007,10:42-43.4 Alin C. Popescu and Hany Farid. Statistical Tools for Digital Forensics. Information Hiding 2004:128-147.5 Sevinc Bayram. Image Manipulation Detect. Journal of Electronic Imaging 2006,15(4):2-10.6 Tian-Tsong Ng and Shih-Fu Chang. Blind Detection of Digital Photomontage Using Higher Order Statistics. Advent technical report #201-2004-1, Columbia University, 2004, 7:23-28.7 Shuiming Ye, Qibin Sun, and Ee-Chien Chang. Detecting Digital Image Forgeries by Measuring Inconsistencies of Blocking Artifact. Multimedia and Expo.2007 IE