拼圖檢測(cè)圖像質(zhì)量評(píng)價(jià)

1、拼圖檢測(cè)圖像質(zhì)量評(píng)價(jià) 圖像拼接是一種常見(jiàn)的圖像篡改手段，當(dāng)我們認(rèn)真地對(duì)一幅圖像進(jìn)行拼接篡改后，很難用肉眼判斷其真假。由于圖像拼接操作會(huì)造成圖像平滑性、連續(xù)性、光照方向、CFA陣列周期性、模板噪聲的不一致，從而改變了圖像像素之間的內(nèi)在關(guān)系，因此常見(jiàn)的圖像拼接主要有以下幾種檢測(cè)方式:針對(duì)在同一幅圖像中進(jìn)行復(fù)制粘貼操作的檢測(cè)方法有克隆操作檢測(cè);針對(duì)兩幅或多幅圖像的拼接篡改可以利用圖像的光照一致性、相機(jī)函數(shù)響應(yīng)和圖像特征統(tǒng)計(jì)等進(jìn)行檢測(cè)。本文針對(duì)圖像拼接操作進(jìn)行檢測(cè)，利用圖像統(tǒng)計(jì)特征和圖像質(zhì)量評(píng)價(jià)來(lái)提取圖像的特征向量，其中圖像統(tǒng)計(jì)特征由圖像塊經(jīng)過(guò)非采樣的Contour-let1變換后的系數(shù)矩陣產(chǎn)生，圖像

2、質(zhì)量由塊效應(yīng)的程度進(jìn)行評(píng)價(jià)，最后利用支持向量機(jī)對(duì)測(cè)試數(shù)據(jù)進(jìn)行分類，達(dá)到了較好效果。1圖像特征提取圖像統(tǒng)計(jì)特征的選取直接影響到拼接檢測(cè)的效果，在以往的拼接檢測(cè)中常常使用小波進(jìn)行圖像變換，但小波變換的支撐基只有水平、垂直和對(duì)角方向，對(duì)曲線的表示能力不強(qiáng)，因此本文選取比小波變換更具優(yōu)勢(shì)的Contourlet變換來(lái)進(jìn)行圖像變換。Contourlet變換也稱塔型方向?yàn)V波器組(PDFB，Py-ramidalDirectionalFilterBank)，它能有效地表示圖像中的輪廓和紋理。其變換基的支撐區(qū)間為“長(zhǎng)條形”，可以利用較少的系數(shù)來(lái)逼近奇異曲線。由于Contourlet變換的最終結(jié)果是用類似于線段(c

3、ontoursegment)的基結(jié)構(gòu)來(lái)逼近圖像，所以Contourlet變換將圖像的各階高頻信息細(xì)分為2n個(gè)方向(其中n為非零正整數(shù)，體現(xiàn)了Contourlet變換的多方向特性)。運(yùn)用Contourlet變換，可以對(duì)圖像進(jìn)行更精細(xì)的分析和處理，從而可以達(dá)到更好逼近圖像線段的處理結(jié)果。由于Contourlet變換變換中存在采樣和插值操作，所以它不具備平移不變性。NSCT變換(Nonsub-sampledContourletTransform，NSCT)2，其基本原理與Contourlet變換一致，但在NSCT中去除了采樣和插值操作，使其具備了平移不變性。利用NSCT變換不僅可以更加完整地保留圖像

4、信息，而且具有更好的展示方向線段信息的能力。1.1基于NSCT變換系數(shù)矩陣的特征提取1.11特征矩拼接改變了圖像的頻率特征分布，本文利用NSCT變化的系數(shù)矩陣來(lái)表示圖像，并對(duì)其提取矩特征，利用這些矩特征的不同來(lái)表示其頻率分布的差異。矩特征可由一維特征函數(shù)即將圖像經(jīng)過(guò)NSCT變換后的系數(shù)矩陣的一階直方圖做離散傅里葉變換7(DiscreteFourierTransform，DFT)獲得，特征矩可表示為式中n為正整數(shù)，為特征矩的階數(shù)，H(xi)為在頻率xi處的一維特征函數(shù)，k為子帶數(shù)，l表示矩的階數(shù)。1.2塊效應(yīng)圖像質(zhì)量評(píng)價(jià)為了使拼接邊緣更加自然，篡改者會(huì)使用模糊、平滑、重壓縮等手段，這些操作會(huì)引起

5、圖像質(zhì)量下降，所以本文利用圖像質(zhì)量評(píng)價(jià)方法來(lái)提取圖像特征。圖像質(zhì)量評(píng)價(jià)法分為有參考和無(wú)參考(NR)的圖像質(zhì)量評(píng)價(jià)方法，NR3是在沒(méi)有可以進(jìn)行參考和比對(duì)的原始圖像的情況下，得出一個(gè)與人類視覺(jué)系統(tǒng)的視覺(jué)感知相一致的質(zhì)量分?jǐn)?shù)值的方法。NR方法一般是針對(duì)某一種或幾種類型的失真，如模糊效應(yīng)、分塊效應(yīng)、噪聲效應(yīng)等來(lái)進(jìn)行度量。由于圖像拼接時(shí)往往是將原圖像或多幅圖像中的一塊直接粘貼過(guò)來(lái)，所以圖像中很有可能出現(xiàn)塊分界，現(xiàn)在的照片大多經(jīng)過(guò)JPEG壓縮，在壓縮率較低時(shí)易出現(xiàn)明顯的塊效應(yīng)，于是本文采用塊效應(yīng)的圖像質(zhì)量評(píng)價(jià)方法10，在圖像的水平和垂直方向度量塊效應(yīng)。圖1塊效應(yīng)質(zhì)量評(píng)價(jià)圖垂直的塊度量定義為水平的塊度量定義

6、為式中Pl是第l段的功率譜。PM是使用中值濾波得到的平滑功率譜，N為圖像塊的大小。測(cè)試圖像的塊度量公式為MB=0.5*(MBV+MBH)(7)塊效應(yīng)的圖像質(zhì)量評(píng)價(jià)方法具有很好的適應(yīng)性，結(jié)合了人類視覺(jué)系統(tǒng)的特性，比如亮度和紋理掩蓋效應(yīng)，只需要計(jì)算小部分的功率譜。1.3SVM分類器計(jì)算出圖像的特征向量后可以用支持向量機(jī)(SupportVectorMachine)對(duì)其進(jìn)行分類。支持向量機(jī)是Vapnik等于1995年首先提出的5，在解決小樣本、非線性及高維模式識(shí)別中表現(xiàn)出許多特有的優(yōu)勢(shì)，并能夠推廣應(yīng)用到函數(shù)擬合等其它機(jī)器學(xué)習(xí)問(wèn)題中。SVM分為線性分類器和非線性分類器，本文采用非線性分類器。SVM通過(guò)非

7、線性變換將低維特征空間轉(zhuǎn)換到高維核空間，在高維核空間中構(gòu)造線性分類函數(shù)來(lái)實(shí)現(xiàn)原空間的非線性分類。SVM核函數(shù)有多種形式，本文所選用的核函數(shù)為k(x，y)=exp(xy2)(8)2圖像特征提取框架由于誤差圖像能減少圖像紋理多樣性所帶來(lái)的影響，且能明顯的增強(qiáng)圖像拼接帶來(lái)的贗象，本文在圖像檢測(cè)時(shí)不直接對(duì)原圖像進(jìn)行操作，而是對(duì)其二維預(yù)測(cè)誤差矩陣進(jìn)行特征提取。二維預(yù)測(cè)誤差矩陣的形成過(guò)程如下:圖2像素x的預(yù)測(cè)鄰域(9)利用NSCT和圖像質(zhì)量評(píng)價(jià)提取多維圖像矩特征進(jìn)行拼接檢測(cè)的算法框圖如下:圖3圖像特征提取框架圖檢測(cè)步驟:1)對(duì)待測(cè)圖像進(jìn)行塊效應(yīng)質(zhì)量評(píng)價(jià)，求出M;2)計(jì)算待測(cè)圖像的二維預(yù)測(cè)誤差矩陣;3)根據(jù)

8、圖像的大小將其劃分為大小適中的n塊圖像(對(duì)于128*128大小的圖像可分為9塊);4)計(jì)算n個(gè)圖像塊的常規(guī)矩2;5)將n個(gè)圖像塊分別進(jìn)行NSCT變換，對(duì)其直方圖進(jìn)行DFT變換，計(jì)算其特征矩Mn。6)對(duì)每個(gè)圖像塊進(jìn)行NSCT圖像重建，計(jì)算預(yù)測(cè)誤差矩陣與重建圖像的差值圖像的方差;7)最終得到(n*5+1)維特征向量，送入訓(xùn)練好的SVM分類器中進(jìn)行分類。3實(shí)驗(yàn)結(jié)果與分析3.1實(shí)驗(yàn)數(shù)據(jù)庫(kù)介紹實(shí)驗(yàn)數(shù)據(jù)庫(kù)選用哥倫比亞大學(xué)圖像拼接檢驗(yàn)數(shù)據(jù)庫(kù)6(該庫(kù)共有圖片1845幅，其中未經(jīng)修改的圖片933幅，經(jīng)過(guò)拼接處理的912幅)，全部為灰度圖像，圖像大致分為以下幾類:平滑圖像、紋理圖像、紋理-平滑圖像、平滑-平滑圖像

9、、紋理-紋理圖像。3.2實(shí)驗(yàn)步驟進(jìn)行圖像真?zhèn)螜z測(cè)時(shí)，首先應(yīng)計(jì)算出該圖像的特征向量，下面以一幅真實(shí)圖像為例(大小為128*128)，計(jì)算其特征向量。第1步如圖4所示，計(jì)算原圖像的預(yù)測(cè)誤差二維矩陣圖，其結(jié)果為圖4b)，由圖可以看出，邊緣和灰度級(jí)變化范圍大的地方誤差較大。根據(jù)圖像的大小，將其分為n塊(將128*128大小的圖像分為9塊)得到圖4c)，對(duì)每塊計(jì)算其常規(guī)矩。圖4誤差圖像提取第2步對(duì)待測(cè)圖像進(jìn)行塊效應(yīng)質(zhì)量評(píng)價(jià)，圖像的水平和垂直功率譜可作為其塊效應(yīng)強(qiáng)弱的度量，因此可得到其功率譜圖，最后計(jì)算其塊效應(yīng)質(zhì)量MB。下圖為對(duì)圖像進(jìn)行塊效應(yīng)質(zhì)量評(píng)價(jià)時(shí)水平和垂直方向的功率譜圖。第3步選取圖4c)的右上角的

10、圖像塊(即:第三塊)作為示意圖，對(duì)其進(jìn)行NSCT三層分解，其方向子帶數(shù)分別為2、4、8，對(duì)分解后的NSCT系數(shù)做直方圖，得到結(jié)果見(jiàn)圖5。對(duì)得到的直方圖進(jìn)行傅里葉變換后，求其特征矩。第4步選取圖4c)的右上角圖像塊(即:第三塊)作為示意圖，對(duì)其進(jìn)行NSCT重建后，得到的結(jié)果見(jiàn)圖7。求得重建圖像和原圖像的差值圖像后，計(jì)算其方差。第5步:將得到的各個(gè)特征組成一維特征向量。第6步:按照上述過(guò)程對(duì)所有的圖片求取特征向量后，輸入SVM分類器中進(jìn)行分類。3.3實(shí)驗(yàn)結(jié)果選取平滑圖像數(shù)據(jù)庫(kù)中的一幅真實(shí)圖像，一幅偽造圖像，輸入訓(xùn)練好的SVM分類器中進(jìn)行檢測(cè)，得到如下結(jié)果:記S為平滑，T為紋理，D、H、V分別為對(duì)角、水平、垂直方向。檢測(cè)圖片數(shù)量中第一行為圖片總數(shù)，第二行為真實(shí)圖片數(shù)量，第三行為偽造圖像數(shù)量。對(duì)圖像庫(kù)進(jìn)行測(cè)試得到如下檢測(cè)結(jié)果。表2圖像拼接檢測(cè)結(jié)果類型P，C值上表中所有的數(shù)據(jù)都是在訓(xùn)練集全部分類正確時(shí)得出的結(jié)果，當(dāng)訓(xùn)練集未全部分類正確時(shí)會(huì)有更高的檢測(cè)正確率。本文對(duì)哥倫比亞拼接圖像數(shù)據(jù)庫(kù)中的所有圖片進(jìn)行了檢測(cè)，檢測(cè)的正確率基本在70%以上，由于在計(jì)算時(shí)特征向量維數(shù)少(僅有46維)，所以減少了計(jì)算量，且達(dá)到了拼接檢測(cè)的目標(biāo)，但是檢測(cè)正確率還不夠高，希望在今后的工作中可以提升。4結(jié)論如今，篡改技術(shù)飛速發(fā)展，對(duì)數(shù)字取證技術(shù)的要