數(shù)字拼接圖像特征分析與檢測(cè)方法研究.pdf

1、近年來(lái)，隨著電子信息技術(shù)的進(jìn)步、圖像采集設(shè)備的廣泛普及以及借助于互聯(lián)網(wǎng)/移動(dòng)互聯(lián)網(wǎng)等新型傳播媒體，數(shù)字圖像的使用范圍迅猛發(fā)展，傳播速度大大增強(qiáng)。同時(shí)隨著圖像處理軟件功能的不斷增強(qiáng)和智能化，圖像的編輯、修改變得越來(lái)越簡(jiǎn)單。數(shù)字圖像給人們的生活帶來(lái)巨大便利的同時(shí)，也引入了一系列網(wǎng)絡(luò)社會(huì)管理以及司法取證方面的問(wèn)題。數(shù)字圖像相比于傳統(tǒng)的膠片相片更容易篡改和傳播，這會(huì)給司法取證中的聲像資料鑒定、新聞媒體單位中的新聞素材真實(shí)性審核以及網(wǎng)絡(luò)輿情分析中

2、虛假圖像信息的確認(rèn)帶來(lái)巨大的挑戰(zhàn)。鑒于這種情況，數(shù)字圖像篡改檢測(cè)技術(shù)獲得了廣泛的關(guān)注，在最近幾年逐漸成為圖像取證領(lǐng)域的研究熱點(diǎn)，并得到了快速的發(fā)展。
　　數(shù)字圖像篡改檢測(cè)技術(shù)可以劃分為主動(dòng)檢測(cè)技術(shù)和被動(dòng)檢測(cè)技術(shù)兩大類。主動(dòng)檢測(cè)技術(shù)借助嵌入圖像中的數(shù)字水印/指紋等先驗(yàn)信息鑒定圖像的真?zhèn)巍１粍?dòng)檢測(cè)技術(shù)不需要事先嵌入數(shù)字水印/指紋等先驗(yàn)信息，而是通過(guò)驗(yàn)證未知圖像在成像原理（如CFA濾波陣列）、物理屬性（如相機(jī)模式噪聲、光照方向）或圖像統(tǒng)

3、計(jì)特征等方面是否與正常圖像一致，達(dá)到判斷圖像是否經(jīng)過(guò)篡改操作的目的。本文在深入研究當(dāng)今主流被動(dòng)篡改檢測(cè)技術(shù)的基礎(chǔ)上，針對(duì)目前最為常見的一種數(shù)字圖像篡改方式—拼接，提出一系列基于圖像統(tǒng)計(jì)特征的數(shù)字圖像被動(dòng)拼接檢測(cè)關(guān)鍵技術(shù)和理論方法。具體研究工作和創(chuàng)新點(diǎn)如下：
　　1.篡改者在拼接圖像時(shí)，雖然能夠通過(guò)圖像編輯軟件盡可能地掩蓋拼接痕跡，達(dá)到欺騙人眼的目的，但是拼接操作會(huì)不可避免地導(dǎo)致圖像底層統(tǒng)計(jì)特征的改變。本文第三章提出分塊離散余弦變換

4、（Block Discrete Cosine Transform, BDCT）域的三階統(tǒng)計(jì)特征和色度域的游程長(zhǎng)度游程數(shù)目（Run-length Run-number,RLRN）特征用于捕捉圖像底層統(tǒng)計(jì)特性的改變，以達(dá)到圖像拼接檢測(cè)的目的。在一階Markov特征的基礎(chǔ)上，將圖像的BDCT系數(shù)看作單方向的一維隨機(jī)信號(hào)，提取該信號(hào)的三階統(tǒng)計(jì)特征以區(qū)分正常圖像和拼接圖像。同時(shí)將色度域信息引入到圖像拼接檢測(cè)中來(lái)，以排除圖像背景內(nèi)容對(duì)于拼接檢測(cè)的影

5、響，通過(guò)提取色度域RLRN特征捕捉圖像拼接痕跡。實(shí)驗(yàn)部分綜合分析比較了三階統(tǒng)計(jì)特征和色度域RLRN特征的檢測(cè)性能，實(shí)驗(yàn)結(jié)果表明這兩種高階統(tǒng)計(jì)特征的檢測(cè)識(shí)別率均高于傳統(tǒng)的低階統(tǒng)計(jì)特征。
　　2.目前基于圖像底層統(tǒng)計(jì)特征的方法，大都是將待檢測(cè)圖像看作一維信號(hào)進(jìn)行處理，忽略了圖像的二維非因果特性。本文第四章提出二維非因果模型用于解決圖像拼接檢測(cè)問(wèn)題。將原始圖像（或其對(duì)應(yīng)的變換域系數(shù)矩陣）看作二維非因果信號(hào)，并通過(guò)狀態(tài)的先驗(yàn)概率直方圖、不

6、同狀態(tài)所對(duì)應(yīng)的觀測(cè)值的概率密度函數(shù)以及狀態(tài)之間的轉(zhuǎn)移概率矩陣三個(gè)特征集合描述該模型。給出了計(jì)算三個(gè)特征集合的公式推導(dǎo)和具體計(jì)算方法。最后將這三個(gè)特征集合作為統(tǒng)計(jì)特征，結(jié)合機(jī)器學(xué)習(xí)的方法以區(qū)分正常圖像和拼接圖像，實(shí)驗(yàn)結(jié)果顯示基于二維非因果模型的檢測(cè)方法優(yōu)于目前的基于一維因果信號(hào)的方法。
　　3.圖像的拼接痕跡在不同的顏色通道往往表現(xiàn)不同，因此特征提取方法在固定顏色通道上的檢測(cè)性能往往不是最優(yōu)的。本文第五章提出了一種面向圖像拼接檢測(cè)的

7、最優(yōu)類色度通道選擇算法，該方法結(jié)合支持向量機(jī)（Support Vector Machine,SVM）和廣義判決分析（Generalized Discriminant Analysis,GDA）學(xué)習(xí)算法，能夠使得特征提取方法在其對(duì)應(yīng)的最優(yōu)類色度通道上的檢測(cè)識(shí)別率高于已有的顏色通道。實(shí)驗(yàn)結(jié)果顯示該顏色通道選取方法對(duì)于目前六種主流的特征提取方法均是可行的，這六種特征提取方法在其對(duì)應(yīng)的最優(yōu)類色度通道上的檢測(cè)結(jié)果均優(yōu)于其它已有的顏色通道。

8、　　4.隨著圖像拼接檢測(cè)技術(shù)的發(fā)展，越來(lái)越多的特征引入到拼接檢測(cè)中來(lái)，高維度的特征雖然能夠捕捉到更多的拼接痕跡，但同時(shí)也會(huì)引入分類器學(xué)習(xí)時(shí)間過(guò)長(zhǎng)、特征冗余等問(wèn)題。本文第六章討論了圖像拼接檢測(cè)中高維度特征處理問(wèn)題，提出一種基于分布式局部Margin學(xué)習(xí)的特征優(yōu)化選擇方法。該方法利用局部Margin最大化準(zhǔn)則優(yōu)化一個(gè)非負(fù)線性變換矩陣，通過(guò)該矩陣去除冗余特征同時(shí)保留重要特征，達(dá)到特征優(yōu)化選擇的目的。同時(shí)將該算法并行處理，可以大大提升該特征選擇

9、算法的效率。實(shí)驗(yàn)結(jié)果顯示該特征優(yōu)化選擇算法能夠大幅度降低現(xiàn)有主流高維特征的維度，從而大大降低分類器在訓(xùn)練、預(yù)測(cè)階段的時(shí)間消耗，同時(shí)保持算法的檢測(cè)識(shí)別率在一個(gè)較小的范圍內(nèi)波動(dòng)。
　　本文從特征提取、顏色通道選取以及高維特征優(yōu)化選擇三個(gè)角度研究圖像拼接檢測(cè)問(wèn)題。首先提出使用色度域的RLRN特征以及BDCT域的三階統(tǒng)計(jì)特征進(jìn)行拼接檢測(cè)。接著將檢測(cè)工作由一維擴(kuò)展至二維，提出使用二維非因果Markov模型捕捉更多的拼接痕跡，以提升檢測(cè)識(shí)別率