USM增強(qiáng)的邊緣羽化拼接圖像檢測(cè)方法

郭 景，王 萍，柯永振

天津工業(yè)大學(xué) 計(jì)算機(jī)科學(xué)與軟件學(xué)院，天津 300387

1 引言

隨著圖像處理軟件技術(shù)的不斷發(fā)展，圖像篡改的方法也是層出不窮。圖像的拼接合成處理是日常生活中最為常見的一種偽造方法。圖像拼接過程中，通過對(duì)拼接區(qū)域的邊緣進(jìn)行模糊處理，可使得合成后的圖像看起來更加的自然。然而圖像的拼接合成更改了圖像本身想要表達(dá)的真實(shí)意義，影響著人們對(duì)事物本身的認(rèn)識(shí)與判斷，傳遞給人們錯(cuò)誤的圖像信息。因此，拼接圖像的真?zhèn)螜z測(cè)也成為了人們關(guān)注與研究的重點(diǎn)。

近年來，研究者提出了多種拼接圖像檢測(cè)的方法，如Shen[1]提出了一種基于模糊圖像邊緣特征的盲識(shí)別算法，該算法主要對(duì)人工模糊圖像邊緣與失焦模糊進(jìn)行研究，可有效地定位出圖像中的篡改區(qū)域；Bahrami和Kot[2-3]根據(jù)拼接圖像與原圖像之間模糊類型的不一致對(duì)圖像進(jìn)行了真?zhèn)螜z測(cè)，該論文主要通過提取圖像中失焦模糊與運(yùn)動(dòng)模糊的模糊核，并進(jìn)行比較來鑒別圖像中的拼接區(qū)域；周琳娜等人[4]則是應(yīng)用同態(tài)濾波、移動(dòng)平均濾波以及數(shù)學(xué)形態(tài)學(xué)的方法檢測(cè)人工模糊處理后的數(shù)字圖像篡改區(qū)域；李杭與鄭江濱[5]根據(jù)經(jīng)過模糊處理后圖像邊緣寬度較未經(jīng)過任何處理的自然圖像邊緣寬度會(huì)有所增加，提出的一種基于邊緣寬度的偽造圖像檢測(cè)方法可有效地鑒別出圖像中的篡改區(qū)域；咸兆勇[6]就自然圖像中局部失焦圖像的存在問題，通過計(jì)算像素的相關(guān)性系數(shù)和局部標(biāo)準(zhǔn)差，根據(jù)模糊測(cè)度對(duì)失焦模糊區(qū)域進(jìn)行劃分的檢測(cè)方法。文獻(xiàn)[7]中，Zheng提出了一種通過檢測(cè)圖像中的羽化模糊痕跡來鑒別圖像的真?zhèn)嗡惴?。拼接區(qū)域邊緣通過設(shè)置羽化半徑進(jìn)行一定的模糊處理，羽化產(chǎn)生的原因決定了拼接區(qū)域的邊緣像素羽化半徑是相同的，該特征作為了該算法對(duì)拼接圖像進(jìn)行盲檢測(cè)的有效依據(jù)，可有效地檢測(cè)出拼接圖像中經(jīng)過羽化模糊處理的拼接篡改區(qū)域。

但由于圖像的多樣性，文獻(xiàn)[7]中的方法對(duì)圖像中的一些未經(jīng)過羽化模糊處理的邊緣過度較為平緩，與經(jīng)過羽化處理后的圖像邊緣相似的邊緣進(jìn)行檢測(cè)時(shí)，這樣的一些邊緣的存在會(huì)影響到圖像的最終檢測(cè)結(jié)果。

針對(duì)上述問題，論文提出了一種使用USM增強(qiáng)算法實(shí)現(xiàn)邊緣羽化的拼接圖像檢測(cè)方法，該方法主要通過USM增強(qiáng)處理，有效地?cái)U(kuò)大羽化模糊邊緣與未經(jīng)過模糊處理的圖像邊緣間的差異，結(jié)合圖像邊緣羽化半徑的特征對(duì)圖像進(jìn)行真?zhèn)舞b別。

2 圖像USM增強(qiáng)檢測(cè)算法研究

2.1 算法的提出及流程

文獻(xiàn)[7]中提出的拼接圖像的盲檢測(cè)方法是針對(duì)拼接區(qū)域邊緣經(jīng)過羽化模糊處理的拼接圖像的檢測(cè)，通過計(jì)算圖像邊緣像素的羽化半徑，并尋找半徑相似的像素點(diǎn)作為圖像鑒別的依據(jù)。但是在圖像真?zhèn)舞b別的過程中，一些圖像中灰度過度較為平緩的邊緣與羽化后的圖像邊緣相似時(shí)，這些相似的邊緣像素在圖像鑒別中就會(huì)被檢測(cè)為拼接邊緣像素，從而影響到圖像的最終檢測(cè)結(jié)果，如圖1所示。

圖1 拼接圖像的檢測(cè)結(jié)果

圖1中，左側(cè)的彩色圖為拼接合成圖像，左測(cè)的白色小鳥是原始圖像，右上方的白色小鳥的經(jīng)過邊緣羽化的拼接圖像；右側(cè)的圖像為文獻(xiàn)[7]的檢測(cè)結(jié)果，白色小鳥雖然被很好地檢測(cè)出，但是下方原圖的樹枝也被檢測(cè)出，產(chǎn)生了誤檢的結(jié)果。

經(jīng)過模糊操作以后的篡改拼接圖像[8-9]，其邊緣部分的灰度級(jí)范圍將會(huì)降低，從而使得在拼接處的模糊邊緣部分會(huì)變得分不清物體的灰度層次和細(xì)節(jié)[10]，而相對(duì)于被人工模糊處理的部分來說，未經(jīng)處理的正常的圖像邊緣部分一般都是灰度級(jí)范圍較大，層次鮮明。待檢測(cè)的圖像既有人工羽化模糊處理的邊緣，也有未經(jīng)過任何模糊處理的圖像邊緣，因此，拼接處理后的合成圖像的邊緣必然存在一定的差異，而這種差異的大小會(huì)直接影響到圖像的最終檢測(cè)結(jié)果，如果能夠通過擴(kuò)大模糊邊緣與自然圖像邊緣間的差異，那么圖像的盲檢測(cè)[11-12]效果就會(huì)得到有效的提高。圖像增強(qiáng)處理可看作是一種補(bǔ)償輪廓、突出邊緣信息的處理方法，圖像的邊緣增強(qiáng)[13]可以使圖像更為清晰。

本文提出了一種使用USM增強(qiáng)處理方法擴(kuò)大拼接圖像中羽化邊緣與未經(jīng)過羽化處理的圖像邊緣差異，從而有效地鑒別出圖像中經(jīng)過羽化模糊處理的拼接區(qū)域。其具體的拼接圖像檢測(cè)算法流程如下所示：

（1）對(duì)給定的偽造圖像 f(i,j)，通過調(diào)整縮放因子λ對(duì)待檢測(cè)圖像 f(i,j)進(jìn)行一次USM銳化處理，其輸出圖像為g(i,j)。

（2）提取圖像g(i,j)的邊緣像素，在領(lǐng)域Ω內(nèi)，計(jì)算邊緣像素點(diǎn)的斜率k。

（3）根據(jù)像素斜率與像素半徑間的關(guān)系，通過已求出的像素斜率k，求出圖像g(i,j)的邊緣像素羽化半徑r。

（4）通過尋找領(lǐng)域Ω內(nèi)與像素點(diǎn)q(i,j)相似的羽化半徑r與相位角尋θ，定位出圖像中的篡改區(qū)域。

2.2 USM增強(qiáng)處理

USM邊緣增強(qiáng)處理是一種較為常見的圖像增強(qiáng)方法。USM增強(qiáng)雖然不能夠增加圖像的細(xì)節(jié)，卻可以增加圖像像素的銳化度，提高圖像內(nèi)容信息的顯示效果。其算法流程如圖2所示。

圖2 USM增強(qiáng)算法流程

圖2中，給定一張待檢測(cè)圖像 f(i,j)，對(duì)其進(jìn)行USM增強(qiáng)處理時(shí)的具體流程，具體的表達(dá)式為：

其中，z(i,j)一般可通過下式獲?。?/p>

其中，f(i,j)為輸入的待檢測(cè)圖像，g(i,j)為經(jīng)過USM增強(qiáng)處理后的圖像，z(i,j)為校正信號(hào)，λ是一個(gè)縮放因子，對(duì)于控制圖像的增強(qiáng)效果，它有著不容小覷的作用。通過調(diào)整λ的大小可調(diào)整圖像增強(qiáng)效果的大小。λ越大，圖像的增強(qiáng)程度越高。如圖3所示。

圖3 λ值對(duì)圖像 f(i,j)USM增強(qiáng)效果影響

在圖3中，圖3（a）為拼接合成圖像，左下方的白色小鳥及樹枝等為原始圖像內(nèi)容，右上方的白色小鳥為邊緣經(jīng)過羽化模糊處理后的拼接區(qū)域，其原始的λ=50，圖3（b）為 λ=75 時(shí)，對(duì)圖3（a）的增強(qiáng)效果，圖3（c）為λ=100時(shí)的圖像增強(qiáng)效果，圖3（d）為λ=125時(shí)的圖像增強(qiáng)效果。從圖3中，可以發(fā)現(xiàn)隨著λ值的增加，圖像邊緣的增強(qiáng)就越高，當(dāng)λ的值超過100時(shí)，圖像的增加效果特別明顯，且圖像邊緣中的噪聲[14]也有明顯的增加，如圖4所示。

圖4 兩種邊緣USM增強(qiáng)時(shí)的變化情況

圖中，橫坐標(biāo)代表的是USM增強(qiáng)因子λ的值，縱坐標(biāo)表示未經(jīng)過模糊處理的圖像邊緣與經(jīng)過模糊處理的圖像在USM增強(qiáng)過程中的變化情況。圖中當(dāng)λ<70時(shí)，圖像拼接區(qū)域的邊緣與自然圖像間的邊緣差異擴(kuò)大情況微弱，在試驗(yàn)的過程中難以達(dá)到想要的檢測(cè)效果；當(dāng)λ>100時(shí)，通過USM增強(qiáng)處理后的圖像邊緣中含有的噪聲大幅度增加，未經(jīng)過模糊處理的邊緣與經(jīng)過模糊處理的邊緣在噪聲的影響下，其差異變得越來越小，從而影響圖像的最終檢測(cè)效果。

2.3 羽化半徑的計(jì)算

2.3.1 羽化半徑大小分析

圖像邊緣進(jìn)行羽化[15]處理時(shí)，同一區(qū)域的羽化半徑是相同的。在圖像拼接過程中，Photoshop中羽化半徑的設(shè)置如圖5所示。

圖5 Photoshop中羽化半徑的設(shè)置

圖像拼接的過程中，對(duì)拼接區(qū)域的邊緣部分會(huì)進(jìn)行適量的羽化模糊處理，如圖5所示，選中的整個(gè)區(qū)域其邊緣半徑都是相同的。而通過設(shè)置后的邊緣羽化效果如圖6所示。圖6（a）為羽化前的圖像，圖6（b）為羽化后的圖像。圖6（b）中銀色的邊緣線為羽化邊緣。

羽化半徑的大小是隨機(jī)設(shè)定的，隨著羽化半徑的增加，羽化的邊緣寬度也呈現(xiàn)5倍的趨勢(shì)增加。羽化半徑越大，圖像邊緣的模糊效果越明顯。在進(jìn)行羽化模糊處理過程中，圖像邊緣的羽化并非羽化半徑值越大，得到的拼接圖像效果就越好。值越大，邊緣模糊效果就越好，圖像邊緣的界限也就越模糊。其羽化半徑值一般設(shè)置為[0.8～10]之間，經(jīng)過羽化處理的邊緣寬度為[4～50]之間，且邊緣的過度呈平緩型。由于未經(jīng)過模糊處理的圖像邊緣寬度較?。ㄟ吘墝挾纫话阍赱3～4]），且邊緣像素間的變化幅度較大，通過USM增強(qiáng)處理后更加增強(qiáng)了這種變化幅度。因此，通過計(jì)算圖像邊緣像素斜率k的推出羽化半徑值，更容易確定圖像中的拼接區(qū)域。

2.3.2 羽化半徑的計(jì)算

在2.2節(jié)中 f(i,j)經(jīng)過USM增強(qiáng)處理后，轉(zhuǎn)化為圖像g(i,j)，圖像g(i,j)中的拼接區(qū)域的邊緣像素可表示如下：

其中，Qi為拼接區(qū)域邊緣與原始圖像像素合成后的邊緣像素，Q1為背景圖像像素，Q2為邊緣羽化區(qū)域中的像素。而羽化區(qū)域內(nèi)的邊緣像素與邊緣寬度間的關(guān)系為t=5r，t為邊緣寬度，r為羽化半徑。隨著r的增長(zhǎng)，t以越5倍的速度增長(zhǎng)。而圖像邊緣像素斜率可表示為如下公式（4）所示：

其中，k為圖像邊緣像素斜率。論文中，邊緣像素斜率k可根據(jù)最小二乘法如公式（5）推導(dǎo)計(jì)算出：

其中，y是像素的值，k為邊緣像素斜率，每個(gè)邊緣像素k的值都是在固定大小的區(qū)域中進(jìn)行的。x表示像素所處的位置 x∈[-2.5r,2.5r]，b為Q2到Q1間的截距。在計(jì)算邊緣像素斜率k的過程中，可通過計(jì)算l∈[-2.5r,2.5r]范圍內(nèi)的相關(guān)性系數(shù)R及局部標(biāo)準(zhǔn)差S來提高像素k的準(zhǔn)確性。

相關(guān)系數(shù)的變化范圍為[-1,1]，隨著R的增加，x和y之間的線性越來越完善。反之亦然。

yi為像素灰度值，yˉ為窗口[-1,1]內(nèi)的像素灰度平均值。當(dāng)相關(guān)系數(shù)R與局部標(biāo)準(zhǔn)差S滿足條件S<γ1，且|R|>γ2時(shí)，保留滿足條件的邊緣像素斜率k。根據(jù)公式（8）可計(jì)算出圖像的邊緣半徑值：

羽化半徑的選擇即人工拼接區(qū)域的定位，在2.4節(jié)中進(jìn)行了詳細(xì)的介紹。

2.4 篡改區(qū)域的定位

在2.3節(jié)中，經(jīng)過USM處理的圖像邊緣像素半徑已求出，根據(jù)求出的圖像邊緣像素半徑，定位羽化篡改區(qū)域，可通過找出區(qū)域中相似的相位角與羽化半徑。

q(m,n)表示一個(gè)像素點(diǎn)，Ω是它的領(lǐng)域范圍。該領(lǐng)域內(nèi)的像素點(diǎn)可表示為：

其中，i,j∈(0,1,…,5)。在領(lǐng)域Ω內(nèi)與q(m,n)相似的點(diǎn)，可通過公式（10）計(jì)算得到：

其中，α與β是權(quán)重系數(shù)，γq與θq的定義如下：

其中，N是領(lǐng)域Ω內(nèi)的所有像素點(diǎn)個(gè)數(shù)，Cr(q,qi)與Cθ(q,qi)定義如下：

其中，qi是領(lǐng)域q范圍內(nèi)的像素點(diǎn)，rq是計(jì)算的羽化半徑值，θq是像素點(diǎn)q的相位角，Cr(q,qi)表示在領(lǐng)域Ω內(nèi)，與rq相似的羽化半徑數(shù)，Cθ(q,qi)表示在領(lǐng)域Ω內(nèi)，與θq相似的相位角數(shù)。若Sq滿足Sq≥δq，則可將滿足條件的像素點(diǎn)保留，即定位出圖像中的篡改區(qū)域。

3 實(shí)驗(yàn)結(jié)果展示與分析

對(duì)提出的算法進(jìn)行了驗(yàn)證，拼接圖像的處理軟件為Adobe Photoshop CS5。算法編譯環(huán)境為Matlab7.0。圖像真?zhèn)舞b別過程中，若待檢測(cè)圖像為彩色圖像，則需要將其轉(zhuǎn)換為灰度圖，再進(jìn)行檢測(cè)。在拼接圖像的測(cè)試過程中，根據(jù)對(duì)實(shí)際操作的了解，在本實(shí)驗(yàn)中，圖像的羽化半徑大小一般設(shè)置在[1～5]，即圖像邊緣羽化范圍為t∈[5,25]。圖像測(cè)試的過程中λ∈[70,100]。

在圖7中，圖7（a）中白色花朵為篡改拼接區(qū)域，圖像背景是拼接前的原圖像。圖7（b）為未經(jīng)過USM增強(qiáng)處理的圖像檢測(cè)結(jié)果，雖然有效地檢測(cè)出了圖像中的白色花朵區(qū)域，但周邊的其他區(qū)域的一些草葉等的輪廓也被檢測(cè)出。檢測(cè)效果受到了一定的影響。圖7（c）為本文中提出的算法得到的檢測(cè)結(jié)果，其中，圖像USM增強(qiáng)因子 λ=70。圖7（c）中的檢測(cè)結(jié)果與圖7（b）的檢測(cè)結(jié)果相比有效地去除了花朵周邊的一些輪廓區(qū)域，檢測(cè)效果有所提高。

圖7 λ=70時(shí)，拼接圖像檢測(cè)結(jié)果對(duì)比

在圖8中，圖8（a）中右側(cè)拄拐杖的男士為篡改圖像中的拼接區(qū)域，圖8（b）為未經(jīng)過USM增強(qiáng)處理后的圖像檢測(cè)結(jié)果，圖8（b）中除右側(cè)男士的輪廓被檢測(cè)出外，左側(cè)較高的女人輪廓也被檢測(cè)出來，但這部分并非拼接篡改區(qū)域。圖8（c）為本文算法得到的檢測(cè)結(jié)果，其中，圖像USM增強(qiáng)因子λ=75。圖8（c）中的檢測(cè)結(jié)果與圖8（b）的檢測(cè)結(jié)果相比有所提高。

圖8 λ=75時(shí)，拼接圖像檢測(cè)結(jié)果對(duì)比

在圖9中，圖9（a）中右側(cè)的石像為篡改圖像中的拼接區(qū)域，圖9（b）為未經(jīng)過USM增強(qiáng)處理后的圖像檢測(cè)結(jié)果，圖9（b）中存在除右側(cè)石像輪廓外的誤檢區(qū)域，這部分并非拼接篡改區(qū)域。圖9（c）為本文算法得到的檢測(cè)結(jié)果，其中λ=90。圖9（c）中只檢測(cè)出了右側(cè)的拼接區(qū)域，檢測(cè)結(jié)果較為理想。

圖9 λ=90時(shí)，拼接圖像檢測(cè)結(jié)果對(duì)比

在圖10中，圖10（a）中右上方的白色小鳥為篡改圖像中的拼接區(qū)域，圖10（b）為未經(jīng)過USM增強(qiáng)處理后的圖像檢測(cè)結(jié)果，檢測(cè)過程中，若只根據(jù)圖像邊緣羽化半徑相同的特征作為檢測(cè)一句，檢測(cè)結(jié)果往往并不會(huì)十分理想。圖10（b）中左側(cè)邊緣輪廓與右側(cè)上方的白色小鳥邊緣相似，檢測(cè)結(jié)果存在除右側(cè)白色小鳥輪廓外的誤檢區(qū)域，即下方樹枝的輪廓也被檢測(cè)出來，而該區(qū)域并非拼接篡改區(qū)域。圖10（c）為本文算法得到的檢測(cè)結(jié)果，即經(jīng)過USM增強(qiáng)處理后的邊緣羽化拼接圖像檢測(cè)結(jié)果，其中λ=100。從圖10（c）所示的檢測(cè)結(jié)果中顯示，本文算法只檢測(cè)出了右側(cè)白色小鳥的輪廓區(qū)域，檢測(cè)結(jié)果較為理想。

圖10 λ=100時(shí)，拼接圖像檢測(cè)結(jié)果對(duì)比

實(shí)驗(yàn)結(jié)果表明，在圖像中存在灰度過度較為平緩的邊緣時(shí)，論文提出的控制USM增強(qiáng)因子λ的大小來增強(qiáng)圖像邊緣差異性的方法實(shí)現(xiàn)邊緣羽化的拼接圖像檢測(cè)效果有較好的效果。并且當(dāng)λ控制在一定范圍內(nèi)時(shí)，檢測(cè)結(jié)果較好。

4 結(jié)束語

本文提出了一種基于增強(qiáng)的邊緣羽化拼接圖像檢測(cè)方法。該方法通過USM算法有效地增強(qiáng)了拼接區(qū)域羽化邊緣與自然圖像邊緣間的差異，進(jìn)而通過計(jì)算圖像邊緣像素的羽化半徑，并保留區(qū)域中邊緣像素半徑相似的像素點(diǎn)來檢測(cè)出圖像中的篡改區(qū)域。從而解決了圖像中存在過渡平緩的邊緣時(shí)，直接提取羽化特征的檢測(cè)方法存在誤判問題。實(shí)驗(yàn)結(jié)果表明，相對(duì)于直接提取羽化特征的檢測(cè)方法，論文提出的方法能更準(zhǔn)確地檢測(cè)出羽化拼接圖像中的篡改區(qū)域。

[1]Shen X，Tang B，Li X，et al.A blur image blind identify algorithm based on the edge feature[C]//The Third International Conference on Multimedia Information Networking and Security，2011：309-313.

[2]Bahrami K，Kot A C.Image tampering detection by exposing blur type inconsistency[C]//IEEE International Conference on Acoustics，2014：2654-2658.

[3]Bahrami K，Kot A C.Image splicing localization based on blur type inconsistency[C]//IEEE International Symposium on Circuits and Systems，2015：999-1009.

[4]周琳娜，王東明，郭云彪，等.基于數(shù)字圖像邊緣特性的形態(tài)學(xué)濾波取證技術(shù)[J].電子學(xué)報(bào)，2008，36（6）：1047-1051.

[5]李杭，鄭江濱.一種人工模糊的偽造圖像盲檢測(cè)方法[J].西北工業(yè)大學(xué)學(xué)報(bào)，2012，30（4）：612-616.

[6]咸兆勇，甘金明，玉振明，等.一種基于相關(guān)性和局部標(biāo)準(zhǔn)差的圖像失焦模糊區(qū)域檢測(cè)方法[J].計(jì)算機(jī)應(yīng)用與軟件，2014（9）：198-200.

[7]Zheng J，Zhu T，Li Z，et al.Exposing image forgery by detecting traces of feather operation[J].Journal of Visual Languages&Computing，2015，27（1）：9-18.

[8]Liu G，Wang J，Lian S.Detect image splicing with artificial blurred boundary[J].Mathematical&Computer Modelling，2013，57（11/12）：2647-2659.

[9]Farid H.Image forgery detection[J].IEEE Signal Process，2009，26（2）：16-25.

[10]Ke Yongzhen，Min Weidong，Du Xiuping，et al.Image splicing detection based on texture consistency of shadow[J].Journal of Convergence Information Technology，2013，8（4）：885-893.

[11]王喜蘭.數(shù)字圖像篡改中的人工模糊被動(dòng)盲取證技術(shù)研究[D].長(zhǎng)沙：湖南大學(xué)，2011.

[12]王俊文.基于非抽樣Contourlet變換的圖像模糊取證[J].計(jì)算機(jī)研究與發(fā)展，2009，46（9）：1549-1555.

[13]Wei L X，Zhu J J，Yang X Y.An image forensics algorithm for blur detection based on properties of sharp edge points[J].Advanced Materials Research，2011（341/342）：743-747.

[14]Lukas J，F(xiàn)ridrich J，Goljan M.Detecting digital image forgeries using sensor pattern noise[J].Proceedings of SPIE-The International Society for Optical Engineering，2006，6072：362-372.

[15]趙峰，李興華，彭岳峰.基于邊緣羽化檢測(cè)的虛假圖像盲識(shí)別算法[J].信號(hào)處理，2009，25（12）：1922-1927.