數(shù)字拼接圖像特征分析與檢測方法研究.pdf

1、近年來，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、修改變得越來越簡單。數(shù)字圖像給人們的生活帶來巨大便利的同時，也引入了一系列網(wǎng)絡(luò)社會管理以及司法取證方面的問題。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)帶來巨大的挑戰(zhàn)。鑒于這種情況，數(shù)字圖像篡改檢測技術(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，并得到了快速的發(fā)展。
　　數(shù)字圖像篡改檢測技術(shù)可以劃分為主動檢測技術(shù)和被動檢測技術(shù)兩大類。主動檢測技術(shù)借助嵌入圖像中的數(shù)字水印/指紋等先驗信息鑒定圖像的真?zhèn)?。被動檢測技術(shù)不需要事先嵌入數(shù)字水印/指紋等先驗信息，而是通過驗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)過篡改操作的目的。本文在深入研究當(dāng)今主流被動篡改檢測技術(shù)的基礎(chǔ)上，針對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)計特征的數(shù)字圖像被動拼接檢測關(guān)鍵技術(shù)和理論方法。具體研究工作和創(chuàng)新點如下：
　　1.篡改者在拼接圖像時，雖然能夠通過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，但是拼接操作會不可避免地導(dǎo)致圖像底層統(tǒng)計特征的改變。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)計特征和色度域的游程長度游程數(shù)目（Run-length Run-number,RLRN）特征用于捕捉圖像底層統(tǒng)計特性的改變，以達(dá)到圖像拼接檢測的目的。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，提取該信號的三階統(tǒng)計特征以區(qū)分正常圖像和拼接圖像。同時將色度域信息引入到圖像拼接檢測中來，以排除圖像背景內(nèi)容對于拼接檢測的影

5、響，通過提取色度域RLRN特征捕捉圖像拼接痕跡。實驗部分綜合分析比較了三階統(tǒng)計特征和色度域RLRN特征的檢測性能，實驗結(jié)果表明這兩種高階統(tǒng)計特征的檢測識別率均高于傳統(tǒng)的低階統(tǒng)計特征。
　　2.目前基于圖像底層統(tǒng)計特征的方法，大都是將待檢測圖像看作一維信號進(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問題。將原始圖像（或其對應(yīng)的變換域系數(shù)矩陣）看作二維非因果信號，并通過狀態(tài)的先驗概率直方圖、不

6、同狀態(tài)所對應(yīng)的觀測值的概率密度函數(shù)以及狀態(tài)之間的轉(zhuǎn)移概率矩陣三個特征集合描述該模型。給出了計算三個特征集合的公式推導(dǎo)和具體計算方法。最后將這三個特征集合作為統(tǒng)計特征，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，實驗結(jié)果顯示基于二維非因果模型的檢測方法優(yōu)于目前的基于一維因果信號的方法。
　　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應(yīng)的最優(yōu)類色度通道上的檢測識別率高于已有的顏色通道。實驗結(jié)果顯示該顏色通道選取方法對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應(yīng)的最優(yōu)類色度通道上的檢測結(jié)果均優(yōu)于其它已有的顏色通道。

8、　　4.隨著圖像拼接檢測技術(shù)的發(fā)展，越來越多的特征引入到拼接檢測中來，高維度的特征雖然能夠捕捉到更多的拼接痕跡，但同時也會引入分類器學(xué)習(xí)時間過長、特征冗余等問題。本文第六章討論了圖像拼接檢測中高維度特征處理問題，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)化一個非負(fù)線性變換矩陣，通過該矩陣去除冗余特征同時保留重要特征，達(dá)到特征優(yōu)化選擇的目的。同時將該算法并行處理，可以大大提升該特征選擇

9、算法的效率。實驗結(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)測階段的時間消耗，同時保持算法的檢測識別率在一個較小的范圍內(nèi)波動。
　　本文從特征提取、顏色通道選取以及高維特征優(yōu)化選擇三個角度研究圖像拼接檢測問題。首先提出使用色度域的RLRN特征以及BDCT域的三階統(tǒng)計特征進(jìn)行拼接檢測。接著將檢測工作由一維擴(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，以提升檢測識別率