基於dct域統計特性的自然圖像與計算機生成圖像的鑑別方法
2023-09-12 14:02:05 3
專利名稱:基於dct域統計特性的自然圖像與計算機生成圖像的鑑別方法
技術領域:
本發明涉及圖像鑑別技術領域,尤其涉及的是一種基於DCT域統計特性的自然圖像與計算機生成圖像的鑑別方法。
背景技術:
隨著資訊時代的到來,數位化成像設備越來越普遍,傳統的膠片圖像正逐步被數字圖像所取代,但數字圖像更很容易被篡改,偽造。一些3D圖像生成軟體可以輕易的生成以假亂真的計算機圖像,以至於人眼幾乎無法將其與自然圖像區分開來。隨著數字圖像的應用範圍不斷擴大,特別是其在新聞、司法等行業的應用不斷增多,面對大量的數字圖像如何鑑別其相應的來源便成了一個急需解決的問題。真實圖像和計算機生成圖像的鑑別方法,一直是數字圖像取證中的重要問題,也是首要的問題。自然圖像PM是指由數位相機、掃描儀等成像設備獲取的真實世界的影像,它強調由真實世界獲取。而計算機生成圖像CG是指由計算機通過圖像處理軟體(常用的有3Ds MAX, Maya, Softimage等)生成的與真實世界相似的影像,它雖有真實世界的對應物,但不是由真實世界直接獲得。CG的生成過程是首先構建一個3D多邊模型模擬期望的形狀,然後為模型賦予顏色和紋理,並且用模擬光源照射,最後將修飾好的模型送到一個虛擬的照相機前成像,生成圖像。兩者在平滑度、色彩數量、直方圖連續性和細小紋理複雜度等方面有很大的不同。目前多數的數字圖像處理軟體都是在電腦上操作的,也即那些偽造、篡改的圖像都是在電腦上操作的,對計算機生成圖像和自然圖像的區別的認識,將對篡改圖像的篡改區域的認識起到引領作用,可以依此來對篡改圖像進行檢測,因此對計算機生成圖像的檢測研究就具有十分重要的意義。現有的自然圖像與計算機鑑別方法的特徵提取都是採用單一類型的特徵信息,信息涵蓋不全,分析能力不強,收集到的特徵信息不能夠十分準確地用於計算機生成圖像和自然圖像的檢測。比如,目前基於離散小波變換的統計特徵提取技術、特徵閥值判決技術等都沒有包含足夠全面的特徵信息,以至於自動檢測的準確率不高。經過現有技術文獻的檢索發現,S. Lyu和H. Farid在文章「How Realistic isPhotorealistic ,,(IEEE Transactions on Signal Processing, 2005, 53 (2) :845-850.)(IEEE信號處理期刊)提出首先對待測圖像進行小波變換,然後在小波域上提取均值、方差、偏態、峰態四個統計量,將這四個統計量作為統計特徵,然後對這些特徵向量用機器學習方法進行分類判決。該方法只從統計上對圖像進行分析,並未指出計算機生成圖像與自然圖像的本質差異,鑑別率只有84. 97%,因此鑑別率並不理想。W. Chen和Q. Y. shi在文章「Identifying Computer Graphics using HSV Color Model and Statistical Momentsof Characteristic Functions,, (IEEE International Conference on Multimedia andExpo. Beijing IEEE, 2007 :1123-1126.) 一種基於HSV顏色模型的統計方法來區分Photo和CG,將圖像由RGB顏色空間映射到HSV顏色空間,然後對圖像進行離散小波變換(DWT)以及離散傅立葉變換(DFT)之後,再統計圖像特徵進行圖像分類鑑別,進一步提高了圖像的鑑別準確率。鑑別率只有82. 1%,該方法的鑑別率並不理想。李文祥和張濤在文章「基於二階差分統計量的自然圖像與計算機圖形的鑑別」(計算機輔助設計與圖形學學報計算機輔助設計與圖形學學報.2010,22(9) =195-200.)提出一種基於圖像二階差分統計量的鑑別方法.首先在HSV顏色空間提取圖像及其校準圖像的二階差分信號和預測誤差信號,在此基礎上提取二階差分信號的方差、峰度以及預測誤差信號的I 4階統計量,並將其作為分類特徵,結合Fisher線性判別分析,實現2類圖像的正確分類.實進一步提高了圖像的鑑別準確率。鑑別率達到了 92.8%。王讓定和郭克在專利中「基於多小波變換的自然圖像和計算機生成圖像的識別方法」(專利號201010618428. 4)中公開了一種基於多小波變換的自然圖像和計算機生成圖像的識別方法,特點包括以下步驟(I)將訓練樣本圖像和測試樣本圖像轉換到HSV顏色空間,分別獲取相應的色相分量圖像、飽和度圖像和亮度量圖像;(2)將各分量圖像進行預處理後再將各分量圖像進行一階多小波變換;(3)將獲得的色相分量圖像、飽和度分量圖像和亮度分量圖像的16個子帶作為對象,計算每個子帶小波係數的均值、方差、偏斜度和峰度,獲得192個特徵值;(4)將特徵值校準再歸一化處理後代入SVM分類器中進行訓練和測試,獲得圖像的類別,檢測識別率達到了 92. 79%。現有的自然圖像與計算機鑑別方法的特徵提取都是採用單一類型的特徵信息,信息涵蓋不全,分析能力不強,收集到的特徵信息不能夠十分準確地用於計算機生成圖像和自然圖像的檢測。比如,目前基於離散小波變換的統計特徵提取技術、特徵閥值判決技術等都沒有包含足夠全面的特徵信息,以至於自動檢測的準確率不高。
發明內容
針對目前自然圖像和計算機生成圖像的鑑別方法鑑定準確率不高的問題,提出了一種基於DCT域統計特性的自然圖像與計算機生成圖像的鑑別方法。本發明的技術方案如下一種基於DCT域統計特性的自然圖像與計算機生成圖像的鑑別方法,包括以下步驟(1)首先對待測圖像進行高斯模糊處理、降維處理,然後對圖像R、G、B3個通道分別進行8X8的不重複塊DCT離散餘弦變換,得到的8X8分塊DCT係數矩陣;(2)對每一通道DCT域AC係數的首位有效數字的分布進行統計,得到3條概率分布曲線;(3)計算3條概率分布曲線的平均絕對差分,若平均絕對差分大於設定的閾值T,說明3條概率分布曲線的重合程度不強,將待測圖像判定為自然圖像,否則判定為計算機生成圖像;所述平均絕對差分
定義如下
權利要求
1.一種基於DCT域統計特性的自然圖像與計算機生成圖像的鑑別方法,其特徵在於,包括以下步驟(1)首先對待測圖像進行高斯模糊處理、降維處理,然後對圖像R、G、B3個通道分別進行8X8的不重複塊DCT離散餘弦變換,得到的8X8分塊DCT係數矩陣;(2)對每一通道DCT域AC係數的首位有效數字的分布進行統計,得到3條概率分布曲線;(3)計算3條概率分布曲線的平均絕對差分,若平均絕對差分大於設定的閾值T,說明3條概率分布曲線的重合程度不強,將待測圖像判定為自然圖像,否則判定為計算機生成圖像;所述平均絕對差分15定義如下
2.根據權利要求I所述的鑑別方法,其特徵在於,所述步驟(I)中,所述的對圖像進行高斯模糊處理,模糊半徑設定為0. 3,在二維空間正態分布方程為
3.根據權利要求I所述的鑑別方法,其特徵在於,所述步驟(3)中,所述閾值T的確定方法如下 (1)首先對實驗組圖像進行高斯模糊處理、降維處理,然後對圖像R、G、B3個通道分別進行8 X 8的不重複塊離散餘弦變換,得到的8 X 8分塊DCT係數矩陣; (2)對每一通道DCT域AC係數的首位有效數字的分布進行統計,得到3條概率分布曲線. (3)計算3條曲線的平均絕對差分,通過統計實驗組圖像的平均絕對差分,比較出平均絕對差分的最大值與最小值,並以最小值為初始值,初始值與每一個平均絕對差分作對比,統計出自然圖像平均絕對差分小於初始值的個數A以及計算機生成圖像平均絕對差分大於初始值的個數B,通過A的值除以自然圖像的個數,計算出自然圖像的鑑別錯誤率,利用同樣的方法計算出計算機生成圖像的鑑別錯誤率,得到相應的鑑別正確率後,取兩個鑑別正確率平均數,得到最終的鑑別平均正確率,在初始值的基礎上加上0. 00001,直到數值等於平均絕對差分的最大值, 利用上述方法統計出最高的鑑別正確率已經對應的數值,此數值就是閾值T。
全文摘要
本發明公開了一種基於DCT域統計特性的自然圖像與計算機生成圖像的鑑別方法,其特徵在於,包括以下步驟(1)首先對待測圖像進行高斯模糊處理、降維處理,然後對圖像R、G、B3個通道分別進行8×8的不重複塊DCT離散餘弦變換,得到的8×8分塊DCT係數矩陣;(2)對每一通道DCT域AC係數的首位有效數字的分布進行統計,得到3條概率分布曲線;(3)計算3條概率分布曲線的平均絕對差分,若平均絕對差分大於設定的閾值T,說明3條曲線的重合程度不強,將待測圖像判定為自然圖像,否則判定為計算機生成圖像。實驗結果顯示,這種算法提高了自然圖像與計算機生成圖像的鑑別準確率。與已有算法相比具有更高的識別率,鑑別準確率達到95.22%,且計算量小、易於實現。
文檔編號G06T7/00GK102968793SQ20121046978
公開日2013年3月13日 申請日期2012年11月20日 優先權日2012年11月20日
發明者陳長寶, 張震, 楊宇豪, 杜紅民, 謝永傑, 佟森峰, 莊東剛, 盛鐸, 宋超, 範秉琪, 趙曉祥, 崔帥 申請人:百年金海安防科技有限公司, 鄭州大學