基於噪聲分布規律檢測偽造圖像的方法

2023-08-08 08:01:26

專利名稱：基於噪聲分布規律檢測偽造圖像的方法
技術領域：
本發明涉及圖像內容信息安全領域，特別是圖像內容真實性盲檢測方法。
背景技術：
當前對數字圖像內容的保護，主要是利用數字水印和籤名技術來實現的，這些技術釆用的基本思想都是通過添加附加信息對圖像進行真實性鑑別。但是目前絕大多數圖像中並不含有數字水印或者籤名。隨著數位相機和圖像處理軟體的普及和流行，越來越多的高品質的偽造圖像通過網絡大量傳播，使人們的"眼見"不再"為實"，造成了政治、文化、新聞和科學真實性等方面的負面影響。更進一步的，偽造照片的大量存在很可能影響到公眾的個人意識，最終讓人們失去對照片的信任。因此，這一研究的開展對社會和人們生活有著重要的軍事意義，民用意義和科學意義。
數字圖像真實性檢測是信息安全技術的分支之一，是在不預先向圖像中嵌入水印等標識的情況下對數字圖像內容的真實性進行評價的技術。該技術通過分析圖像數據及其統計特性，來對圖像進行真偽檢測，並對圖像中的偽造和竄改痕跡進行檢測和定位。
目前，對數字圖像內容可信度評價的研究尚處於起步階段，隨著國內外相關機構對其關注程度日益提高，已取得了一些研究成果。這些研究主要針對某種具體篡改操作對圖像進行真偽檢測，其中包括模糊操作，雙重JPEG壓縮操作，局部複製-粘貼操作，重採樣操作，拼接操作等等。這些技術都是基於這樣一個假設在自然圖像中存在著某些統計上的性質，倘若對圖像數據進行修改則會改變其潛在的統計規律。這一假設也是判定一幅圖像是否被修改和進行篡改定位的依據。
在基於噪聲統計特性方面，利用噪聲分布規律來檢測圖像內容真偽的研究相對較少。如 Jan Lukas， Jessica Fridrich and Miroslav Goljan在Proceedings ofSPIE， 2006 (會議上)發表文章Detecting Digital Image Forgeries Using SensorPattern Noise (利用傳感器模板噪聲檢測數字偽造圖像)，該方法假設已知成相相機類型，或者已知由同一相機拍攝的若干張圖像，這也是其局限性所在。Hongmei Gao，Ashwin Swaminathan and Min Wu 在文章 noise feature for image tamperingdetection and steganalysis (利用噪聲特徵對圖像篡改進行檢測和分析)中利用了三組噪聲統計特性來檢測圖像真偽，其中三組噪聲分別通過濾波操作，小波分析和鄰域
預測得到，該方法需要訓練樣本數據，且運算量較大。

發明內容
為了克服現有技術不能有效檢測圖像真偽的不足，本發明提供一種基於噪聲分布規律檢測偽造圖像的方法，從噪聲分布規律方面總結了偽造圖像中可能存在的破綻規律，分析了圖像偽造過程可能遺留的痕跡，並對偽造區域進行定位。
本發明的原理分析如下-
噪聲是圖像中存在的一種很重要的統計特性，它是在圖像生成、傳輸和處理過程中產生的，因此，噪聲的分布具有很大的隨機性和不確定性。申請人在對大量圖像的噪聲分布規律進行分析研究後發現不同來源圖像的噪聲分布規律往往是不同的，而同一幅圖像中的"同質區域"(不同位置處的草地與草地，天空與天空，人物與人物等具有相同屬性的區域)的噪聲分布規律是具有相似性的。在圖像偽造過程中，如果將在不同環境下成相的兩幅圖像進行拼接，則拼接兩側區域的噪聲分布規律會有較大差異。因此，本發明提出了一種通過比較圖像中同質區域的噪聲分布規律的相似性程度來對圖像進行真偽檢測的方法。
本發明解決其技術問題所採用的技術方案包括以下步驟一、利用基於邊緣保護的濾波算法提取出圖像中的噪聲。
數字圖像在形成、傳輸及處理等過程中，必然受到各種各樣噪聲的影響，最為常見的為高斯噪聲、泊松噪聲和椒鹽噪聲。高斯噪聲和泊松噪聲的濾除可採用線性濾波技術，而椒鹽噪聲則採用非線性濾波技術。但是對於受混合噪聲汙染的圖像，僅僅用線性濾波或非線性濾波無法取得很好的效果， 一般都需要組合不同的濾波算法。在大量實驗的過程中發現，大多數的濾波算法不能很好的區分噪聲與邊緣，導致檢測到的噪聲中包含很多邊緣和細節信息，因此，本發明結合中值濾波和均值濾波技術，採用了一種基於邊緣保護的混合噪聲濾波算法來提取圖像中的噪聲。
均值濾波算法之所以會導致圖像變模糊，是因為算法直接將像素鄰域均值作為濾波輸出，而沒有考慮該鄰域內是否包含邊緣信息。為了削減均值濾波算法的模糊後果，可以選擇一個不包含邊緣信息的像素鄰域，而僅以該鄰域中的灰度均值作為濾波輸出。
濾波算法如下首先，將待檢測圖像/0c,力由i GS空間(或其本身所在的顏色空間)轉換至7S/空 間，得到圖像g(JC,力，並選取亮度分量g3(;c,力；
其次，在亮度分量g3(x,力中，以待檢像素(x，力為中心定義W (5SA^9)個鄰域
^，『2, rw，包括中心像素(x，力在內每個鄰域包含W, (4S",S8)個像素； 然後，對圖像中每個像素(u)進行遍歷，執行如下4個步驟 1)分別計算W個鄰域中像素的灰度均值和方差，見式(1)和(2)，從而得到
方差向量V二(0",，CT2，0"3,…，0"J
二丄2^/"","0-/"力
(1)
1
/;">0=—S/(x+A:，"z) (2)
其中，/(x,力為像素點(;c,力的灰度值，T^為像素(U)的第/個鄰域的灰度均 值，w,為像素0c，力的第/個鄰域K(hl， ...,iV)中像素個數。
2) 對方差向量中的元素按升序進行排列，得到新向量V、&', ^',...,^！，其中， c;《(Z = l, 2,…，iV-l)。
3) 較大方差所對應的鄰域中很有可能存在邊緣，為了使邊緣不被模糊，計算V'中
前M (BM^Y)個方差元素o"', M)對應的鄰域的灰度均值ZO,力
…，M)組成的向量F = W(;c,力I/ = 1，.."M}; 4)取向量F的元素中值作為最後的濾波輸出
g(義，力二median(/0，力)，(/ = 1，...，M") (3)
由於在選擇鄰域時考慮了圖像的邊緣信息，該算法在很好的消除圖像噪聲的同時， 也很好的保護了圖像的邊緣和細節。
最後，對待檢測圖像/的亮度分量&，運用上述基於邊緣保護的混合濾波方法後，
得到濾波後的圖像g、，由濾波前後的圖像，利用式(4)可以得到噪聲圖像，從而提 取出圖像中的噪聲"(x，j) = g3(x，>0-g30,_y) (4) 二、通過計算噪聲均值、方差、信噪比來定量描述圖像中指定區域的噪聲分布規律。
滑鼠選取圖像中某一像素點《，記錄其在噪聲圖像中對應的像素為9"，以《 為中 心定義大小為Ax&(50S^&s200)的鄰域v/，利用式(5) (6) (7)分別計算該鄰域的 灰度均值，、方差var和信噪比re^ 。
匿《
1 p ——2j""，
1 2
=TTT1 (""，力_麵 )
x巧x 255'2
纖=10 X lg(^;~~^~~^-^
(5)
(6)
(7)
其中，(x,力ey， m^,var《，SM^分別為像素點《的鄰域^的三個輸出灰度均值、 方差和信噪比。
對待檢測圖像中的像素g，將av ,vavSA 作為三個屬性，得到像素點g的鄰域^ 的屬性向量 —m^,va^，SW / 。
三、確定噪聲分布規律的相似性準則，比較不同區域的噪聲分布規律的相似性程度， 進行真偽判斷。
通常來說， 一幅圖像中的"同質區域"的噪聲分布規律應該是具有一定相似性的， 若待檢圖像中存在兩個或多個同質的不同區域，但二者的噪聲分布規律不相似的話， 那麼可以認為圖像中存在偽造區域。其中，相似性的大小可以採用距離函數(Minkowsky distance, Euclidean distance(歐氏距離),Manhattan distance, Mahalanobis distance (馬氏距離))進行度量。
根據同質區域的定義，在圖像中選取兩塊同質區域的中心像素點？1和&,指定以仏 和A為中心的鄰域大小為^x&(50^^"200)，則二者對應鄰域^和K的屬性向量可 以表示為aql = (m;^,v ，SA )T和aq2 = (w 2, va^,SM^f ，則它們的相似性大小可以
使用距離函數表示為如下形式
a) 明科夫斯基距離(Minkowsky distance)
7"(I『-證 2卩+1 v -varg2卩+1纖91 -纖^ |" " ( 8 )
b) 曼哈屯貞S巨離(Manhattan distance) 當qr-l時，(8)式就變為Manhattan distance:
^ H證《-匿 21 +1曹 1 - v I +1羅9'-雄 21 (9 )
c) 歐氏足巨離(Euclidean distance)
當《=2日寸，(8)式就變為Euclidean distance(歐氏距離)
d = 7(彥91 -，)2 +(vargl-v )2十(層^ -纖w)2 (10)
d) 馬氏足巨離(Mahalanobis distance)
"2=(aql-aq2)TS(aql-aq2) (11)
這裡，S為協方差。
設定合適閾值& ( 0.1《& ^0.4 )，判斷像素點仏和&對應的鄰域^和w2的相似性， 如下所示
d < & 像素點仏和^對應的鄰域^和V^相似 (12)
d》& 像素點^和^對應的鄰域^和^不相似
其中，"為鄰域^和^的屬性向量之間的距離(歐氏距離，馬氏距離，漢明距離)。
對待檢測圖像中所有同質區域的噪聲分布規律進行以上相似性判斷，若存在兩塊同質 區域不具有相似性，則判定該圖像為偽造圖像。
本發明的有益效果是從分析偽造圖像的噪聲分布規律入手，總結了偽造圖像中 可能存在的噪聲分布規律的破綻，提出了一種不需要模板噪聲等先驗知識的盲檢測算 法。本發明通過對已有的噪聲濾波方法進行改進，採用了基於邊緣保護的濾波算法來 提取噪聲信息，彌補了現有濾波算法不能很好區分噪聲和邊緣的不足。本發明對已經 過平滑濾波的偽造圖像也有不錯的檢測結果，具有一定的適用性。
下面結合附圖和實施例對本發明進一步說明。


圖1是本發明所述像素點九個鄰域的示意圖。
圖2為利用噪聲分布規律檢測偽造圖像的樣本圖像及檢測結果示意圖。
具體實施例方式
8為便於進行圖像偽造檢測，課題組建立了按具體篡改手段分類的偽造圖像資料庫，
目前已有近4000幅圖像。圖像資料庫中既有直接拼接等簡單操作，也有對簡單偽造後 圖像再進行潤色修飾的複雜操作；既有採用單一工具處理的圖像，也有綜合多種工具 處理的圖像，該圖像庫使研究可以從簡單到複雜循序漸進地進行，利於提高算法的可 行性分析。
圖2是來自於圖像資料庫的一組圖像，其中圖2(a)、圖2(b)為原始圖像，圖2(c) 為由圖2(a)和圖2 (b)進行拼接得到的偽造圖像。我們利用噪聲分布規律對其偽造圖像 圖2(c)進行檢測。檢測步驟如下
(1) 將圖像(c)由RGB空間轉換至HSI空間，得到的圖像記為g;
(2) 選取g的亮度分量&，對其進行基於邊緣保護的噪聲濾波算法，得到濾波後的
圖像&，具體濾波過程如下
a. 以像素(x,力為中心定義9個鄰域^，『2,...，『9，如附圖l所示；
b. 分別計算9個鄰域中像素的灰度均值和方差，見式(1)和(2)，從而得到方 差向量V: V ^(q，o"2，o"3,…，o"9);
c. 對方差向量中的元素按升序進行排列，得到新向量V': V:^,'^',^,...,^};
d. 計算v'中前5個方差元素cr', (i=i,...， 5)對應的鄰域的灰度均值y;(x,力
(/ = 1, ...， 5)，組成的向量F:F^乂(;t:,力l/^1,…,5〉;
e. 取向量F的元素中值作為最後的濾波輸出，見式(3);
f. 在亮度分量圖像&中，遍歷每一個像素(x，力，執行a-e步驟，最終得到濾波後 的圖像&;
(3) 由濾波前後的圖像&和&，得到噪聲圖像^ = ^3-g3';
(4) 通過滑鼠選取圖像中兩塊同質區域的中心像素點&和^，指定鄰域大小為 100x150，分別計算A和^對應的鄰域^和^的灰度均值、方差和信噪比，見式
(5) (6) (7)，從而得到兩個同質區域^和^的屬性向量 ,-(m^,va^,SiVi^) 和 2=( 2,纖^);
(5) 利用式(10)計算^和^之間的歐氏距離《，設定閾值&=0.25，若《<&，則判斷區域K和^的噪聲分布規律相似，循環執行步驟(4) (5)，檢測圖像中存在
的所有偽造區域；若《^&，則判定區域^和K的噪聲分布規律不相似，圖像
為偽造圖像，算法結束。 圖2(d)顯示的為檢測結果，其中紅線標示的區域為選取的其中兩塊同質區域^和
W2， 二者的相似性大小及閾值選擇如下《=0.518,^=0.25，即《2&，因此，區域^
和^的噪聲分布規律是不相似的。可以得出結論圖2(C)是由兩幅不同來源的圖像進
行偽造得到的。
為了進一步驗證算法的有效性，對己經過平滑濾波的圖像也進行了實驗，圖2(e) 圖為對偽造圖像圖2(c)進行平滑濾波後的圖像，採用的平滑算法為3x3均值濾波。對 圖2 (e)執行上述相同的檢測步驟，檢測結果如圖2 (f)所示。其中選取的同質區域 ^和^用矩形標出，二者的相似性大小和閾值選擇如下《=0.496，^= 0.25 ，即 《2&，因此，區域^和^的噪聲分布規律是不相似的，仍可以判斷該圖像為偽造圖 像，可以看出，該算法對經平滑濾波後的偽造圖像也有不錯的檢測效果。
權利要求
1、基於噪聲分布規律檢測偽造圖像的方法，其特徵在於包括下述步驟第一步、利用基於邊緣保護的濾波算法提取出圖像中的噪聲，具體步驟如下首先，將待檢測圖像f(x，y)由RGB空間或其本身所在的顏色空間轉換至HSI空間，得到圖像g(x，y)，並選取亮度分量g3(x，y)；其次，在亮度分量g3(x，y)中，以待檢像素(x，y)為中心定義N個鄰域W1，W2，...，WN，5≤N≤9，包括中心像素(x，y)在內每個鄰域包含n1個像素，4≤ni≤8；然後，對圖像中每個像素(x，y)進行遍歷，執行如下4個步驟1)分別計算N個鄰域中像素的灰度均值和方差，見式(1)和(2)，從而得到方差向量V＝{σ1，σ2，σ3，...，σN}<![CDATA[ i= 1 ni k,l |f ( x + k , y + l )- f ( x , y ) | 2--- ( 1 ) ]]><![CDATA[ f i ( x , y ) = 1 ni k,l f ( x + k , y + l )--- ( 2 ) ]]>(i＝1，2，...，N，f(x+k，y+l)∈Wi)其中，f(x，y)為像素點(x，y)的灰度值，f(x，y)為像素(x，y)的第i個鄰域的灰度均值，ni為像素(x，y)的第i個鄰域Wi(i＝1，...，N)中像素個數；2)對方差向量中的元素按升序進行排列，得到新向量V′＝{σ1′，σ2′，σ3′，...，σN′}，其中，σi′≤σi+1′(i＝1，2，...，N-1)；3)計算V′中前M個方差元素σ′i對應的鄰域的灰度均值fi(x，y)組成的向量F＝{fi(x，y)|i＝1，...，M}，<![CDATA[ 1M N-1 3,i=1,...,M; ]]> top= "202" left = "63"/>4)取向量F的元素中值作為最後的濾波輸出g(x，y)＝median(fi(x，y))，i＝1，...，M；最後，對待檢測圖像f的亮度分量g3運用上述基於邊緣保護的混合濾波方法後，得到濾波後的圖像g′3，由濾波前後的圖像提取出圖像中的噪聲n(x，y)＝g3(x，y)-g′3(x，y)；第二步、通過計算噪聲均值、方差、信噪比來定量描述圖像中指定區域的噪聲分布規律，具體步驟如下滑鼠選取圖像中某一像素點q，記錄其在噪聲圖像中對應的像素為qn，以qn為中心定義大小為s1×s2的鄰域ψ，50≤s1，s2≤200，利用式(5)(6)(7)分別計算該鄰域的灰度均值ave、方差var和信噪比PSNR，<![CDATA[ ave q= 1 s 1 s 2 (x,y) n ( x , y )--- ( 5 ) ]]><![CDATA[ var q= 1 s 1 s 2 (x,y) (n ( x , y )- ave q) 2--- ( 6 ) ]]><![CDATA[ SNR q=10lg ( s1 s2 2552 ( x , y ) ( g3 (x,y) - g 3 (x,y) )2 )--- ( 7 ) ]]>其中，(x，y)∈ψ；對待檢測圖像中的像素q，得到像素點q的鄰域ψ的屬性向量aq＝(aveq，varq，SNRq)T；第三步、確定噪聲分布規律的相似性準則，比較不同區域的噪聲分布規律的相似性程度，進行真偽判斷，具體步驟如下根據同質區域的定義，在圖像中選取兩塊同質區域的中心像素點q1和q2，指定以q1和q2為中心的鄰域大小為s1×s2，50≤s1，s2≤200，則二者對應鄰域ψ1和ψ2的屬性向量可以表示為aq1＝(aveq1，varq1，SNRq1)T和aq2＝(aveq2，varq2，SNRq2)T，則它們的相似性大小可以使用距離函數表示為如下形式a)明科夫斯基距離d＝(|aveq1-aveq2|q+|varq1-varq2|q+|SNRq1-SNRq2|q)1/q；b)曼哈頓距離d＝|aveq1-aveq2|+|varq1-varq2|+|SNRq1-SNRq2|；c)歐氏距離<![CDATA[ d= ( ave q 1 - ave q 2 )2 + ( var q 1 - var q 2 )2 + ( SNR q 1 - SNR q 2 )2 ; ]]> top= "187" left = "63"/>d)馬氏距離d2＝(aq1-aq2)TS(aq1-aq2)，這裡，S為協方差；設定閾值δd，0.1≤δd≤0.4)，判斷像素點q1和q2對應的鄰域ψ1和ψ2的相似性，如下所示 top= "216" left = "42"/>其中，d為鄰域ψ1和ψ2的屬性向量之間的距離，對待檢測圖像中所有同質區域的噪聲分布規律進行以上相似性判斷，若存在兩塊同質區域不具有相似性，則判定該圖像為偽造圖像。
全文摘要
本發明公開了一種基於噪聲分布規律檢測偽造圖像的方法，選取待檢測圖像亮度分量混合濾波方法後，得到濾波後的圖像，由濾波前後的圖像提取出圖像中的噪聲，通過計算噪聲均值、方差、信噪比來定量描述圖像中指定區域的噪聲分布規律，確定噪聲分布規律的相似性準則，比較不同區域的噪聲分布規律的相似性程度，進行真偽判斷。本發明彌補了現有濾波算法不能很好區分噪聲和邊緣的不足，對已經過平滑濾波的偽造圖像也有不錯的檢測結果，具有一定的適用性。
文檔編號G06T7/00GK101493938SQ20091002131
公開日2009年7月29日 申請日期2009年2月27日 優先權日2009年2月27日
發明者哲 李, 鄭江濱 申請人:西北工業大學