小波變換的計算機生成圖像與自然圖像的檢測方法
2023-04-27 08:34:51 2
專利名稱：小波變換的計算機生成圖像與自然圖像的檢測方法
技術領域：
本發明涉及的是一種圖像檢測技術領域的方法，具體是一種小波變換的計 算機生成圖像與自然圖像的檢測方法。
背景技術：
計算機生成圖像的出現已經成為當前數字圖像取證可信度的嚴重障礙，由 於人眼視覺系統的特性或圖像取證技術人員業務知識的有限性，高仿真的計算 機生成圖像很容易被認為是真實的數字圖像而被用作圖像取證。在計算機生成 圖像的檢測中，最關鍵的問題在於如何準確地區分計算機生成圖像與自然圖像 之間的特徵差別。因此，特徵提取是解決計算機生成圖像與自然圖像檢測的首 要問題。通常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，以致於自動檢測的準確率不高。
經對現有技術文獻的檢索發現，Wen Chen， Yun Q. Shi和Guorong Xuan在 文獻"Identifying computer graphics using HSV color model and statistical moments of characteristic functions"(《基於HSV色彩模型和特徵函數統 計矩的計算機圖像鑑定》)(Multimedia and Expo, 2007 IEEE International Conference. USA: IEEE, 2007. 1123-1126)(多媒體博覽會，2007 IEEE國際 會議)，提出了基於HSV色彩模型的檢測方法，並通過分類器來判斷圖像真偽， 但是檢測準確率不高，僅有82. 1%。而YingWang和Pierre Moulin在文獻"On Discrimination Between Photorealistic and Photographic Images"(《類 自然圖像和自然圖像的鑑定》)(Acoustics, Speech and Signal Processing, 2006. ICASSP . IEEE International Conference)(聲學、語言和信號處理， 2006 ICASSP國際會議)，提出了通過濾波得到兩個高頻特徵和一個低頻特徵來 進行檢測的新方法，檢測準確率雖然有所提高，可以達到90.2%，但是仍不能滿足實際應用需求。
為更有效地進行計算機生成圖像和自然圖像的檢測，應對同一幅圖像提取 多方面特徵，以得到足夠全面、有效的特徵信息。
發明內容
本發明目的在於針對現有技術的不足，提供一種小波變換的計算機生成圖 像與自然圖像的檢測方法，使其通過離散小波變換、提取並結合高頻濾波，進 而提高數字圖像防偽的計算機生成圖像與自然圖像的檢測準確率，為圖像取證 等相關領域提供可靠的依據。
本發明是通過以下技術方案實現的
本發明包括步驟如下
首先，對待測圖像進行色彩通道轉換，將RGB (Red-Green-Blue:紅-綠-藍)彩色圖像轉化為HSV (Hue-Saturation-Value:色彩信息-飽和度-明亮度) 彩色圖像；
然後，經過對圖像各通道進行變換，進而獲得一個包含統計矩特徵和高頻 濾波特徵的多維特徵向量；
進一步利用計算機生成圖像與自然圖像的特徵的差別進行特徵提取；
最後通過支持向量機SVM判別，迅速地判斷出其真實性，進而檢測一幅圖 像是計算機生成圖像還是自然圖像。
所述的圖像色彩通道轉換，具體步驟為首先對RGB圖像中的R、 G、 B分 量進行歸一化處理，即將R、 G、 B分量分別除以255，於是R、 G、 B分量由整型 數據變為在區間[O， l]中的浮點型數據；然後，得到圖像的HSV色彩通道模型:60(^^) MOT =
60(^^ + 2) M4Z = G
60(^^ + 4) M4X = 5
未定義 M4Z = 0formula see original document page 7一 5
0 M4X = 0
其中，8=(MAX-MIN)， MAX=max(R, G, B) ， MIN=min(R, G, B)。
所述的進行特徵提取，通過將待檢測圖像的每個通道進行3階DWT、直方圖 計算、DFT並取模，進而通過計算求得一個包含統計矩特徵和高頻濾波特徵的多 維特徵向量，公式如下
腦
M' = E —4謂/
m=0
其中，H(m)(m=l, 2, N-l)是直方圖h(n) (n=l， 2， ...， N-l)對應的
DFT變換，N為直方圖的子區間數，i\^(A = l，2,3)為H(m)的k階統計矩特徵， 為H(m)的高頻濾波特徵。
具體步驟為
① 首先，分別對圖像的H、 S、 V通道進行3階DWT變換，變換後每個通道 都可得到13個子帶(3次小波變換可得到12個子帶，並將原通道也作為一個子 帶)，整幅圖像可得到39個子帶；
② 其次，對每個子帶分別進行直方圖計算。由於圖像的直方圖是連續的， 故可以將區間[O， l]等分為N (例如取N400)等份，然後再通過統計每段子區 間的像素數來計算直方圖。
像素值在第i段子區間的像素數
屍(r,):
圖像上總的像素數其中，/ = 0,l,...,iV —l(iV為所分的子區間段數)；
③然後，對表示各直方圖的N點空間域離散序列h(n) (n=l， 2， ...， N-l) 進行DFT變換，得到相應的N點頻域離散序列H(m) (m=l， 2， ...， N-l)，並對 該序列取其模l H(m)l;
最後，對每個子帶，通過與其相應的l H(m)l提取統計矩特徵和高頻濾 波特徵
加=1 / m=l
M' = E sinC4丌附/ AO
/w=0
其中，= 1,2,3)為H(m)的k階統計矩特徵，M'為H(m)的高頻濾波特徵。
由於每幅彩色圖像都有3個通道，而每個通道都可得到13個子帶(3次小 波變換可得到12個子帶，並將原圖也作為一個子帶)，每個子帶又可得到4個 特徵(分別為Mi、 M2、 M3、 M')，於是，每幅圖像都可以得到一個156維的特徵
所述的變換，是指離散小波變換、直方圖計算、離散傅立葉變換，變換 操作之後的序列中提取出來的特徵信息包括1、 2、 3階統計矩特徵信息 A^(fc二l,2，3)以及經過高頻濾波後所得到的高頻特徵信息M'，可以提供全面的 圖像檢測信息，在圖像的場景變化吋，能夠不受影響地檢測出圖像的準確類型， 進而獲得極高的計算機生成圖像與自然圖像的檢測準確率。
所述的通過支持向量機SVM判別，包括如下步驟
① 用一些己知類別的圖像構成訓練集(包括計算機生成圖像和自然圖像)， 對訓練集的每一幅圖像提取上述的多維特徵向量，並用不同的標誌位來標誌其 圖像所屬類別(如標誌位l表示自然圖像，標誌位-l表示計算機生成圖像)；
② 通過LibSVM對選定的訓練圖像庫中的圖像進行訓練，以獲得可以達到 最佳檢測效果的參數，進而得到一個基於上述參數的模板文件。
③ 對測試圖像提取上述基於DWT的多維特徵向量，並用②中得到的最佳檢 測準確率所對應的模板文件進行比較，判斷其所屬類別。本發明基於小波變換，採用統計矩特徵和高頻濾波特徵相結合的技術，具 有高準確率、特徵提取全面、全圖檢測等特點，很好地解決了計算機生成圖像 與自然圖像的檢測問題，可以滿足圖像取證的需求。採用更接近於人眼視覺系 統的HSV色彩通道模型，能夠可靠地提取出可以區別計算機生成圖像和自然圖 像的特徵，進而大大地提高了檢測準確率。
圖l為本發明流程圖；圖2為本發明基於小波變換的特徵提取流程圖。
具體實施方式
下面結合附圖對本發明的實施例作詳細說明本實施例採用的圖像庫中的 計算機生成(CG)圖像來源於哥倫比亞大學的CG圖像庫以及網際網路上的一些逼 真的CG圖像，共594幅；自然圖像來源於個人數位相機拍攝，共594幅。本實 施例在上述圖像庫下進行實施，給出了詳細的實施方式和具體的操作過程，但 本發明的保護範圍不限於下述的實施例。基於圖像小波變換的特徵統計矩及高頻特徵的分析，關於自然圖像和計算 機生成圖像的統計信息出現明顯不同，通過特徵提取後，經過SVM分類器進行 分類，可迅速地判斷出其真實性。具體過程為第一步隨機選取計算機生成圖像、自然圖像各500幅組成訓練集，其餘 圖片組成測試集將594幅計算機生成圖像編號為1至594，利用隨機函數，產 生一組1 594之間的隨機數，將圖片按照隨機數的編號重新排列，取前500幅 作為訓練集部分，剩餘作為測試集部分；同理，在自然圖像集上進行類似的操 作，可以建立起訓練圖像集和測試圖像集；第二步對訓練圖像集的圖像進行基於DWT的特徵提取① 對圖像進行色彩通道轉化；② 分別對圖像的H、 S、 V通道進行3階DWT變換，變換後每個通道都可得 到13個子帶，整幅圖像可得到39個子帶；③ 對每個子帶分別進行直方圖計算。由於圖像的直方圖是連續的，故可以 將區間[O， l]等分為N (例如取N:IOO)等份，然後再通過統計每段子區間的像 素數來計算直方圖。=像素值在第i段子區間的像素數 (U— 圖像上總的像素數 ，其中，/ = 0,l,...，iV —l(TV為所分的子區間段數)； 對表示各直方圖的N點空間域離散序列h(n) (n=l， 2, ...， N-l)進行 DFT變換，得到相應的N點頻域離散序列H(m)(薩l， 2， ...， N-1)，並對該序 列取其模l H(m)l;⑤對每個子帶通過與其相應的l H(m)l提取統計矩特徵和高頻濾波特徵formula see original document page 10其中，7l《(A: = 1， 2， 3)為H (m)的k階統計矩特徵，M'為H (m)的高頻濾波特徵。由於每幅彩色圖像都有3個通道，而每個通道都可得到13個子帶(如①所 述)，每個子帶又可得到4個特徵(分別為Mi、 M2、 M3、 M'，如④所述)，於是， 每幅圖像都可以得到一個156維的特徵向量；第三步利用LibSVM進行訓練及測試① 對得到的訓練集圖像多維特徵向量，用不同的標誌位來標誌其圖像所屬 類別(l表示自然圖像，-l表示計算機生成圖像)；② 通過LibSVM對選定的訓練圖像庫中的圖像進行訓練，以獲得可以達到 最佳檢測效果的參數，進而得到一個基於上述參數的模板文件。第四步利用訓練過的LibSVM模版文件進行圖像所屬類別的判定。與訓練 圖像集的特徵提取方式類似，提取測試圖像集中每一幅圖像的特徵，通過訓練 過的分類器模板文件可判斷其所屬類別。將判定結果與測試圖像實際所屬類別 比較，統計判定結果的正確率達到95.3%。從DWT、直方圖計算、DFT操作之後的序列中提取出來的特徵信息包括1、 2、 3階統計矩特徵信息i^(A:二 1,2,3)以及經過高頻濾波後所得到的高頻特徵信息 M'，可以提供全面的圖像檢測信息，在圖像的場景變化時，能夠不受影響地檢 測出圖像的準確類型，進而獲得極高的計算機生成圖像與自然圖像的檢測準確率。本實施例在特徵提取時綜合了統計矩特徵和高頻濾波特徵，在基於離散小 波變換的計算機生成圖像與自然圖像的圖像檢測領域中尚屬首創，可以大大地 提高檢測準確率。實驗表明，該方法的檢測準確率很高，可以滿足圖像取證等 圖像檢測領域的需求。
權利要求
1、一種小波變換的計算機生成圖像與自然圖像的檢測方法，其特徵在於首先，對待測圖像進行色彩通道轉換，將RGB彩色圖像轉化為HSV彩色圖像；然後，經過對圖像各通道進行變換，進而獲得一個包含統計矩特徵和高頻濾波特徵的多維特徵向量；進一步利用計算機生成圖像與自然圖像的特徵的差別進行特徵提取；最後通過支持向量機SVM判別，迅速地判斷出其真實性，進而檢測一幅圖像是計算機生成圖像還是自然圖像。
2、 根據權利要求1所述的小波變換的計算機生成圖像與自然圖像的檢測方 法，所述的圖像色彩通道轉換，步驟為首先對RGB圖像中的R、 G、 B分量進 行歸一化處理，即將R、 G、 B分量分別除以255,於是R、 G、 B分量由整型數據 變為在區間[O, l]中的浮點型數據；然後，得到圖像的HSV色彩通道模型-60(^^) M4X = i 60(^^ + 2) M4X二G60(^^ + 4) M4X二5未定義 M4X二0 =+ 360 < 0 65"=M4X 0 M4X = 0其中，S=(MAX_MM)， MAX=max(R， G， B) ， MIN=min(R， G， B)。
3、根據權利要求1所述的小波變換的計算機生成圖像與自然圖像的檢測方 法，其特徵是所述的進行特徵提取，通過將待檢測圖像的每個通道進行3階 DWT、直方圖計算、DFT並取模，進而通過計算求得一個包含統計矩特徵和高頻 濾波特徵的多維特徵向量，公式如下m「e附,(附)i/D"(附)1 "1,2M'= El"(附)lsin(4謂/iV)其中，H(m)(tiFl， 2， ...， N-l)是直方圖h(n) (n=l， 2， ...， N-l)對應的 DFT變換，N為直方圖的子區間數，il《(A: = l，2，3)為H(m)的k階統計矩特徵，M' 為H(m)的高頻濾波特徵。
4、根據權利要求1所述的小波變換的計算機生成圖像與自然圖像的檢測方 法，其特徵是所述的進行特徵提取，步驟為① 首先，分別對圖像的H、 S、 V通道進行3階DWT變換，變換後每個通道 都可得到13個子帶，3次小波變換可得到12個子帶，並將原通道也作為一個子 帶，整幅圖像可得到39個子帶；② 其次，對每個子帶分別進行直方圖計算，由於圖像的直方圖是連續的，故可以將區間[O， l]等分為N (例如取N400)等份，然後再通過統計每段子區間的像素數來計算直方圖；像素值在第i段子區間的像素數 圖像上總的像素數 ，其中，/ = 0,l,...,iV —l(TV為所分的子區間段數)；③ 然後，對表示各直方圖的N點空間域離散序列h(n) (n=l， 2, ...， N-1) 進行DFT變換，得到相應的N點頻域離散序列H(m) (m=l, 2， ...， N-1)，並對 該序列取其模l H(m)l;④ 最後，對每個子帶，通過與其相應的l H(m)i提取統計矩特徵和高頻濾 波特徵其中，t\《(A: = 1,2,3)為H(m)的k階統計矩特徵，M'為H(m)的高頻濾波特徵。
5、根據權利要求1所述的小波變換的計算機生成圖像與自然圖像的檢測方法，其特徵是所述的變換，是指離散小波變換、直方圖計算、離散傅立葉 變換，變換操作之後的序列中提取出來的特徵信息包括1、 2、 3階統計矩特徵 信息^^(々=1，2,3)以及經過高頻濾波後所得到的高頻特徵信息M'。
6、根據權利要求1所述的小波變換的計算機生成圖像與自然圖像的檢測方 法，其特徵是所述的通過支持向量機SVM判別，包括如下步驟① 用一些已知類別的圖像構成包括計算機生成圖像和自然圖像訓練集，對 訓練集的每一幅圖像提取上述的多維特徵向量，並用不同的標誌位來標誌其圖 像所屬類別；② 通過LibSVM對選定的訓練圖像庫中的圖像進行訓練，以獲得可以達到 最佳檢測效果的參數，進而得到一個基於上述參數的模板文件；③ 對測試圖像提取上述基於DWT的多維特徵向量，並用②中得到的最佳檢 測準確率所對應的模板文件進行比較，判斷其所屬類別。
全文摘要
本發明涉及的是一種圖像檢測技術領域的小波變換的計算機生成圖像與自然圖像的檢測方法。首先，對待測圖像進行色彩通道轉換，將RGB彩色圖像轉化為HSV彩色圖像；然後，經過對圖像各通道進行變換，進而獲得一個包含統計矩特徵和高頻濾波特徵的多維特徵向量；進一步利用計算機生成圖像與自然圖像的特徵的差別進行特徵提取；最後通過支持向量機SVM判別，迅速地判斷出其真實性，進而檢測一幅圖像是計算機生成圖像還是自然圖像。本發明採用統計矩特徵和高頻濾波特徵相結合的技術，具有高準確率、特徵提取全面、全圖檢測等特點，進而大大地提高了檢測準確率。
文檔編號G06K9/62GK101655912SQ200910195779
公開日2010年2月24日 申請日期2009年9月17日 優先權日2009年9月17日
發明者張愛新, 李建華, 李生紅, 王學良, 蔡立明, 波 金, 進 馬 申請人:上海交通大學