拼圖檢測圖像質(zhì)量評價

1、拼圖檢測圖像質(zhì)量評價 圖像拼接是一種常見的圖像篡改手段，當(dāng)我們認(rèn)真地對一幅圖像進行拼接篡改后，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，因此常見的圖像拼接主要有以下幾種檢測方式:針對在同一幅圖像中進行復(fù)制粘貼操作的檢測方法有克隆操作檢測;針對兩幅或多幅圖像的拼接篡改可以利用圖像的光照一致性、相機函數(shù)響應(yīng)和圖像特征統(tǒng)計等進行檢測。本文針對圖像拼接操作進行檢測，利用圖像統(tǒng)計特征和圖像質(zhì)量評價來提取圖像的特征向量，其中圖像統(tǒng)計特征由圖像塊經(jīng)過非采樣的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)的程度進行評價，最后利用支持向量機對測試數(shù)據(jù)進行分類，達(dá)到了較好效果。1圖像特征提取圖像統(tǒng)計特征的選取直接影響到拼接檢測的效果，在以往的拼接檢測中常常使用小波進行圖像變換，但小波變換的支撐基只有水平、垂直和對角方向，對曲線的表示能力不強，因此本文選取比小波變換更具優(yōu)勢的Contourlet變換來進行圖像變換。Contourlet變換也稱塔型方向濾波器組(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“長條形”，可以利用較少的系數(shù)來逼近奇異曲線。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)。運用Contourlet變換，可以對圖像進行更精細(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)矩陣來表示圖像，并對其提取矩特征，利用這些矩特征的不同來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)量評價為了使拼接邊緣更加自然，篡改者會使用模糊、平滑、重壓縮等手段，這些操作會引起

5、圖像質(zhì)量下降，所以本文利用圖像質(zhì)量評價方法來提取圖像特征。圖像質(zhì)量評價法分為有參考和無參考(NR)的圖像質(zhì)量評價方法，NR3是在沒有可以進行參考和比對的原始圖像的情況下，得出一個與人類視覺系統(tǒng)的視覺感知相一致的質(zhì)量分?jǐn)?shù)值的方法。NR方法一般是針對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)等來進行度量。由于圖像拼接時往往是將原圖像或多幅圖像中的一塊直接粘貼過來，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JPEG壓縮，在壓縮率較低時易出現(xiàn)明顯的塊效應(yīng)，于是本文采用塊效應(yīng)的圖像質(zhì)量評價方法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)量評價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)量評價方法具有很好的適應(yīng)性，結(jié)合了人類視覺系統(tǒng)的特性，比如亮度和紋理掩蓋效應(yīng)，只需要計算小部分的功率譜。1.3SVM分類器計算出圖像的特征向量后可以用支持向量機(SupportVectorMachine)對其進行分類。支持向量機是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別中表現(xiàn)出許多特有的優(yōu)勢，并能夠推廣應(yīng)用到函數(shù)擬合等其它機器學(xué)習(xí)問題中。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)來實現(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的影響，且能明顯的增強圖像拼接帶來的贗象，本文在圖像檢測時不直接對原圖像進行操作，而是對其二維預(yù)測誤差矩陣進行特征提取。二維預(yù)測誤差矩陣的形成過程如下:圖2像素x的預(yù)測鄰域(9)利用NSCT和圖像質(zhì)量評價提取多維圖像矩特征進行拼接檢測的算法框圖如下:圖3圖像特征提取框架圖檢測步驟:1)對待測圖像進行塊效應(yīng)質(zhì)量評價，求出M;2)計算待測圖像的二維預(yù)測誤差矩陣;3)根據(jù)

8、圖像的大小將其劃分為大小適中的n塊圖像(對于128*128大小的圖像可分為9塊);4)計算n個圖像塊的常規(guī)矩2;5)將n個圖像塊分別進行NSCT變換，對其直方圖進行DFT變換，計算其特征矩Mn。6)對每個圖像塊進行NSCT圖像重建，計算預(yù)測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分類器中進行分類。3實驗結(jié)果與分析3.1實驗數(shù)據(jù)庫介紹實驗數(shù)據(jù)庫選用哥倫比亞大學(xué)圖像拼接檢驗數(shù)據(jù)庫6(該庫共有圖片1845幅，其中未經(jīng)修改的圖片933幅，經(jīng)過拼接處理的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實驗步驟進行圖像真?zhèn)螜z測時，首先應(yīng)計算出該圖像的特征向量，下面以一幅真實圖像為例(大小為128*128)，計算其特征向量。第1步如圖4所示，計算原圖像的預(yù)測誤差二維矩陣圖，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)，對每塊計算其常規(guī)矩。圖4誤差圖像提取第2步對待測圖像進行塊效應(yīng)質(zhì)量評價，圖像的水平和垂直功率譜可作為其塊效應(yīng)強弱的度量，因此可得到其功率譜圖，最后計算其塊效應(yīng)質(zhì)量MB。下圖為對圖像進行塊效應(yīng)質(zhì)量評價時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，對其進行NSCT三層分解，其方向子帶數(shù)分別為2、4、8，對分解后的NSCT系數(shù)做直方圖，得到結(jié)果見圖5。對得到的直方圖進行傅里葉變換后，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，對其進行NSCT重建后，得到的結(jié)果見圖7。求得重建圖像和原圖像的差值圖像后，計算其方差。第5步:將得到的各個特征組成一維特征向量。第6步:按照上述過程對所有的圖片求取特征向量后，輸入SVM分類器中進行分類。3.3實驗結(jié)果選取平滑圖像數(shù)據(jù)庫中的一幅真實圖像，一幅偽造圖像，輸入訓(xùn)練好的SVM分類器中進行檢測，得到如下結(jié)果:記S為平滑，T為紋理，D、H、V分別為對角、水平、垂直方向。檢測圖片數(shù)量中第一行為圖片總數(shù)，第二行為真實圖片數(shù)量，第三行為偽造圖像數(shù)量。對圖像庫進行測試得到如下檢測結(jié)果。表2圖像拼接檢測結(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得出的結(jié)果，當(dāng)訓(xùn)練集未全部分類正確時會有更高的檢測正確率。本文對哥倫比亞拼接圖像數(shù)據(jù)庫中的所有圖片進行了檢測，檢測的正確率基本在70%以上，由于在計算時特征向量維數(shù)少(僅有46維)，所以減少了計算量，且達(dá)到了拼接檢測的目標(biāo)，但是檢測正確率還不夠高，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，對數(shù)字取證技術(shù)的要