基于HSV和HE的復(fù)制粘貼篡改檢測算法

甘 玲，王 凱

(1.重慶郵電大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院,重慶 400065；2.重慶郵電大學(xué) 軟件工程學(xué)院,重慶 400065)

0 引 言

當(dāng)前，數(shù)字圖像的傳播越來越廣泛，相應(yīng)的圖像編輯與處理軟件也普及應(yīng)用，這使得人們可以輕而易舉的偽造和篡改圖像。各種惡意篡改的圖像不僅顛覆了人們“眼見為實(shí)”的傳統(tǒng)觀念，而且對于新聞攝影、保險(xiǎn)理賠、刑事審判、軍事情報(bào)等方面帶來了諸多負(fù)面影響，所以，針對圖像篡改檢測研究具有重要意義。

復(fù)制粘貼篡改[1]是圖像篡改中最常見的手段之一，復(fù)制粘貼篡改檢測的目的是檢測一幅圖像中是否具有多個(gè)相似區(qū)域，也就是檢測圖像是否經(jīng)過篡改或偽造。目前針對同幅圖像復(fù)制粘貼篡改的檢測方法主要分為2種：①圖像點(diǎn)匹配方法[2]；②圖像塊匹配方法[3]?；邳c(diǎn)匹配的方法依賴于所提取特征點(diǎn)的數(shù)量，當(dāng)處理平滑的背景區(qū)域時(shí)，檢測到的特征點(diǎn)數(shù)量比較少，所以，如果篡改過程中使用復(fù)制背景來隱藏復(fù)制粘貼區(qū)域，點(diǎn)匹配方法的檢測效果較差?；趬K匹配的方法將圖像分成較小的重疊子塊，檢測準(zhǔn)確率高，且能夠更精確地檢測不規(guī)則的邊界區(qū)域。近年來，產(chǎn)生了很多性能優(yōu)異的基于塊匹配的復(fù)制粘貼篡改檢測算法。Ryu等[4]提出基于澤尼克矩的復(fù)制粘貼篡改檢測算法，其在灰度圖像下提取澤尼克矩特征，利用kd樹[5]搜索全局最優(yōu)最近鄰塊，該算法具有較好的魯棒性，但是其丟失了圖像的顏色信息，且特征匹配階段塊的匹配效率低，算法時(shí)間長。Cozzolino等[6]將PatchMatch算法應(yīng)用到復(fù)制粘貼篡改檢測中，其在RGB(red，green，blue)顏色空間下提取基于圓諧波變換[7]的特征，利用PatchMatch算法的局部一致性搜索近似最近鄰塊，該算法不僅保留了圖像的顏色信息，而且縮減了塊匹配時(shí)間，但是其忽略了直接對待測圖像進(jìn)行特征提取時(shí)，自然相似區(qū)域與平滑區(qū)域會(huì)引起大量的漏檢與誤檢像素的問題。

針對Cozzolino等提出的算法不能較好地應(yīng)對圖像中自然相似區(qū)域與平滑區(qū)域特征提取的問題，本文提出一種基于HSV(hue，saturation，value)顏色空間和直方圖均衡化算法的復(fù)制粘貼篡改檢測方法。

1 理論基礎(chǔ)和方法

1.1 HSV顏色空間

HSV和RGB是圖像色彩空間中常采用的表示方法，面向顯示設(shè)備的顏色空間一般采用RGB顏色模型，在RGB顏色空間中，R，G，B3個(gè)分量是獨(dú)立的。而HSV顏色空間的表示方法與人類感知顏色的方式類似，并在計(jì)算中保持簡單性，HSV顏色空間中包含色調(diào)、飽和度、明度3個(gè)分量，其中，色調(diào)H代表色彩的基本屬性，飽和度S代表色彩的純度，明度V表示色彩的明亮程度。對于R,G,B∈[0,255],H∈[0°,180°],S,V∈[0,1]，RGB顏色空間到HSV顏色空間的映射過程如下。假設(shè)M=max(R,G,B),N=min(R,G,B)。

當(dāng)M≠N時(shí)，定義

(1)

則

(2)

(2)式中，

(3)

為了降低篡改圖像中藍(lán)天、無紋理的墻壁等自然相似區(qū)域的誤檢[8]，采用HSV顏色空間中的明度V信息進(jìn)行加速穩(wěn)健特征(speeded up robust features, SURF)特征提取，檢測結(jié)果明顯比RGB顏色空間好，但是只使用V通道進(jìn)行特征提取，會(huì)丟失圖像的顏色信息，因此，針對面積較小區(qū)域，會(huì)因?yàn)闊o法提取到足夠的特征點(diǎn)而造成檢測效果較差。

1.2 直方圖均衡化

直方圖均衡化[9](histogram equalization, HE)又稱為直方圖平坦化，其中心思想是把原始圖像的灰度直方圖變換為均勻分布的形式，增強(qiáng)圖像像素灰度值的動(dòng)態(tài)范圍從而達(dá)到增強(qiáng)圖像整體對比度的效果。針對大小為M×N的灰度圖像G，任意圖像位置(x,y)(1≤x≤M,1≤y≤N)所對應(yīng)的像素灰度值大小為g(x,y)(0≤g(x,y)≤L-1)(這里的L是圖像灰度級總數(shù))，不同灰度級出現(xiàn)概率pi(0≤i≤1)可表示為

0≤i

(4)

采用直方圖均衡化方法對灰度圖像G進(jìn)行增強(qiáng)，表示為

0≤i

(5)

(5)式中，函數(shù)f(i)=(0≤i≤L)表示增強(qiáng)前圖像灰度級i與增強(qiáng)后灰度級i′=f(i)之間的映射關(guān)系，直方圖均衡化中常用的灰度級映射表達(dá)式為

0≤i

(6)

將HE算法分別與SIFT算法、ASIFT算法相結(jié)合進(jìn)行圖像特征匹配[10]，這種特征提取方法對于經(jīng)過模糊處理的圖像和惡劣照明條件的圖像能夠提取到更多的特征點(diǎn)。

2 本文方法

文獻(xiàn)[6]提出的基于圓諧波變換特征的塊匹配檢測方法沒有充分考慮復(fù)制區(qū)域與粘貼區(qū)域具有相同顏色信息、自然相似區(qū)域和平滑區(qū)域易導(dǎo)致漏檢與誤檢的問題，本文使用直方圖均衡化對圖像HSV顏色空間的V通道明度信息進(jìn)行特征增強(qiáng)，以保證特征提取階段能夠準(zhǔn)確提取圖像自然相似區(qū)域與平滑區(qū)域的特征，既保持了原算法魯棒性較好的特點(diǎn)，同時(shí)又克服了其缺點(diǎn)。

2.1 改進(jìn)的特征提取方法

本文特征提取階段充分利用HSV顏色空間前2個(gè)通道的顏色信息以及第3個(gè)通道明度信息提取圖像特征。圖像非平滑區(qū)域，紋理信息豐富，能夠準(zhǔn)確提取特征，但面積較小的非平滑區(qū)域在丟失顏色信息后依然難以準(zhǔn)確提取特征，所以，為應(yīng)對面積較小的非平滑區(qū)域的特征提取，本文保留圖像的顏色信息，圖像平滑區(qū)域，紋理信息較少，本文采用HE算法對HSV顏色空間的V通道進(jìn)行特征增強(qiáng)，以使得圖像的平滑區(qū)域能夠較準(zhǔn)確地提取特征，故本文采用基于HSV與HE的特征提取方法。使用HSV與HE對待測圖像進(jìn)行處理的過程如圖1。

圖1 基于HSV與HE的圖像特征增強(qiáng)Fig.1 Image feature enhancement based on HSV and HE

經(jīng)過HSV顏色空間轉(zhuǎn)換與直方圖均衡化之后，使用B×B像素的滑動(dòng)窗口對圖像進(jìn)行滑動(dòng)分塊，然后對得到的圖像子塊進(jìn)行特征提取構(gòu)建特征向量，本文使用基于圓諧波變換(circular harmonic transforms, CHT)的特征進(jìn)行特征提取，因?yàn)槠渚哂谢儾蛔冃?。設(shè)圖像在極坐標(biāo)中的定義為I(ρ,θ),ρ∈[0,],θ∈[0,2π],則圓諧波變換的系數(shù)計(jì)算式為

(7)

(7)式中，Kn,m(ρ,θ)為基函數(shù)，定義為

(8)

將基函數(shù)Kn,m(ρ,θ)代入(7)式得到

(9)

采用不同的徑向函數(shù)可以得到不同圓諧波變換，本文在特征提取階段分別使用澤尼克矩(Zernike Moments, ZM)、極坐標(biāo)余弦變換(polar cosine transform, PCT)、傅立葉梅林變換(Fourier-Mellin transform, FMT)3種特征，澤尼克矩的徑向函數(shù)定義為

(10)

(10)式中：ρ∈[0,1]；Cn,m,h為保證基函數(shù)的正交性的系數(shù)。

極坐標(biāo)余弦變換的徑向函數(shù)定義為

Rn(ρ)=Cncos(πnρ2)

(11)

(11)式中：ρ∈[0,1]；Cn為歸一化系數(shù)。

傅立葉梅林變換的徑向函數(shù)定義為

(12)

(12)式中：ρ≥0時(shí)，函數(shù)非零，且函數(shù)在原點(diǎn)處發(fā)散；ν=2nπ/log(ρmax/ρmin)。

2.2 PatchMatch算法圖像塊匹配

為了保證在匹配準(zhǔn)確率較高的情況下，又能縮減圖像塊的匹配時(shí)間，本文不再使用kd樹算法或者局部敏感哈希算法[11]來搜索最近鄰塊，而是采用基于局部一致性的PatchMatch算法[12]搜索最近鄰塊。PatchMatch算法是一種最近鄰搜索算法，其主要用來在特征匹配階段通過快速隨機(jī)搜索得到稠密的最近鄰匹配，該算法的主要步驟如下。

步驟1初始化。隨機(jī)初始化一個(gè)偏移量

δ(s)=U(s)-s

(13)

(13)式中，U(s)是一個(gè)二維隨機(jī)變量，去除δ(s)=0,‖δ(s)‖

步驟2鄰域傳播。使用光柵對圖像從上到下，從左到右進(jìn)行掃描，每個(gè)像素s的當(dāng)前偏移量更新為

(s+?))

(14)

(14)式中，ΔP(s)={δ(s),δ(sr),δ(sc)}，sr和sc表示光柵沿著行和列掃描時(shí)像素s之前的像素。該算法在偏移量更新的過程中會(huì)檢查當(dāng)前偏移量是否提高了匹配質(zhì)量。因此，如果具有恒定偏移區(qū)域的給定像素具有良好的偏移量，則其會(huì)很快傳播，然后填充整個(gè)區(qū)域的下方和右側(cè)。為了避免偏差，掃描順序在每一次迭代中都是顛倒的，即從下而上和從右到左。

步驟3隨機(jī)搜索。上述傳播步驟是一種貪心算法，其效果取決于隨機(jī)初始化的偏移量，為了降低陷入局部最小值的風(fēng)險(xiǎn)，在使用(14)式更新偏移量之后，采用隨機(jī)搜索，該階段主要對當(dāng)前偏移量進(jìn)行隨機(jī)采樣，設(shè)候選偏移量為

δi(s)=δ(s)+Ri,i=1,…,L

(15)

(15)式中，Ri為二維隨機(jī)變量，均勻分布在半徑為2i-1的正方形網(wǎng)格中，但不包括原點(diǎn)，經(jīng)過隨機(jī)搜索階段后，偏移量更新為

(s+?))

(16)

(16)式中，ΔR(s)={δ(s),δ1(s),…,δL(s)}。

2.3 濾除誤匹配與篡改區(qū)域定位

由于噪聲、壓縮、幾何變換和光照變化等原因，特征匹配階段得到的部分偏移場是無序的，所以，通過特征匹配階段得到的稠密偏移場不能完全確定圖像是否存在篡改。因此，需要使用有效的方法來調(diào)整偏移場和降低誤檢。由于PatchMatch算法的隱式過濾使得特征匹配階段的偏移場足夠規(guī)則，本文采取文獻(xiàn)[6]中基于稠密線性擬合的方法，即通過線性模型在像素s的適當(dāng)N像素鄰域中擬合真實(shí)偏移場δ(s)，下面列出具體的處理步驟。

1)在半徑為ρM的圓形窗口上進(jìn)行中值濾波；

2)通過最小二乘線性模型計(jì)算半徑為ρN的圓形鄰域的擬合誤差ε2(s)；

4)去除較接近TD像素的區(qū)域?qū)Γ琓D表示匹配區(qū)域?qū)Φ木嚯x，相似的背景區(qū)域通常比較接近，但可能會(huì)被錯(cuò)誤地匹配；

5)去除小于TS像素的區(qū)域，TS表示匹配區(qū)域的面積，當(dāng)匹配區(qū)域面積較小時(shí)，相似的信息較少，可能是錯(cuò)誤的匹配；

6)使用半徑為ρD=ρM+ρN的圓形作為結(jié)構(gòu)元素進(jìn)行形態(tài)學(xué)中的腐蝕和膨脹等操作實(shí)現(xiàn)篡改區(qū)域的標(biāo)識定位。

2.4 算法流程

本文算法具體流程如下。

步驟1輸入圖像，將待測圖像從RGB顏色空間轉(zhuǎn)換到HSV顏色空間，分別提取H，S，V分量，并采用HE算法對V分量進(jìn)行特征增強(qiáng)，合并H，S，增強(qiáng)后的V分量，得到特征增強(qiáng)后的圖像；

步驟2采用矩形窗口對步驟1得到的圖像進(jìn)行滑動(dòng)分塊，并分別提取笛卡爾坐標(biāo)系下的澤尼克矩和PCT、極坐標(biāo)系下的澤尼克矩和PCT、對數(shù)極坐標(biāo)系下的FMT，構(gòu)建特征向量，依次對各個(gè)特征構(gòu)建的特征向量重復(fù)進(jìn)行步驟3—步驟5；

步驟3使用PatchMatch算法對構(gòu)建的特征向量進(jìn)行快速隨機(jī)搜索得到稠密的偏移場；

步驟4對特征匹配階段得到的偏移場應(yīng)用稠密線性擬合算法，濾除可能出現(xiàn)的錯(cuò)誤匹配；

步驟5使用形態(tài)學(xué)操作定位出篡改區(qū)域，并輸出結(jié)果。

3 實(shí)驗(yàn)結(jié)果及分析

3.1 實(shí)驗(yàn)環(huán)境及評價(jià)指標(biāo)

本文實(shí)驗(yàn)所采用的硬件設(shè)備配置：CPU Intel i5-6310H，內(nèi)存為8 Gyte，操作系統(tǒng)Windows 10，仿真軟件為MATLAB 2016a，為驗(yàn)證本文方法的可行性和有效性，實(shí)驗(yàn)使用的數(shù)據(jù)集為GRIP圖像庫和FAU圖像庫，均來自文獻(xiàn)[6]。

為了更好地對比本文方法的有效性，在特征提取階段，本文分別采用了多種不同的圖像矩來構(gòu)建特征向量，包括笛卡爾坐標(biāo)系下的澤尼克矩、極坐標(biāo)系下的澤尼克矩、笛卡爾坐標(biāo)系下的PCT、極坐標(biāo)系下的PCT、對數(shù)極坐標(biāo)系下的FMT，特征提取階段相應(yīng)的參數(shù)設(shè)置具體參考如表1。

表1 不同圖像矩的相應(yīng)參數(shù)設(shè)置Tab.1 Corresponding parameter settings for different image moments

特征匹配階段，本文采用PatchMatch算法來搜索圖像塊之間的最近鄰匹配，主要目的是減少特征匹配階段的圖像塊匹配時(shí)間，經(jīng)過大量實(shí)驗(yàn)，在特征匹配階段設(shè)置迭代次數(shù)Ni=8。

通過PatchMatch算法得到稠密的偏移場之后，采用稠密線性擬合的方法濾除誤匹配，根據(jù)文獻(xiàn)[6]中所述，本文實(shí)驗(yàn)中濾除誤匹配階段的參數(shù)設(shè)置具體參考表2。

表2 濾除誤匹配階段相關(guān)參數(shù)設(shè)置Tab.2 Parameter settings of filter out false matches phase

從像素層面來衡量復(fù)制粘貼篡改檢測算法的性能時(shí)，通常采用以下評價(jià)指標(biāo)

(17)

(18)

(19)

(17)—(19)式中：Precision表示檢測準(zhǔn)確率；Recall表示檢測召回率；F-Measure表示綜合評價(jià)指標(biāo)；TP表示篡改圖像中被正確檢測到的篡改像素?cái)?shù)量；FP表示篡改圖像中未篡改部分被檢測為篡改的像素?cái)?shù)量；FN表示篡改圖像中未被檢測到的篡改像素?cái)?shù)量。準(zhǔn)確率和召回率是評價(jià)算法綜合性能的2個(gè)重要指標(biāo)，這2個(gè)評價(jià)指標(biāo)相互制約，在某些情況下又互相矛盾，F(xiàn)-Measure綜合考慮了準(zhǔn)確率與召回率，F(xiàn)-Measure值越大，則認(rèn)為算法的性能越好。

3.2 GRIP圖像庫

GRIP圖像庫中有80幅復(fù)制粘貼篡改圖像，分辨率為1 024×768，分別與文獻(xiàn)[3，5-6]進(jìn)行對比實(shí)驗(yàn)，部分實(shí)驗(yàn)結(jié)果如圖2。

圖2 GRIP圖像庫中文獻(xiàn)[6]與本文實(shí)驗(yàn)效果對比圖Fig.2 Comparison of experimental results in the literature[6] and this article in GRIP

圖2b為文獻(xiàn)[6]檢測結(jié)果，圖2d為本文檢測結(jié)果，文獻(xiàn)[6]在檢測帶有平滑區(qū)域或自然相似區(qū)域的圖像時(shí)，會(huì)出現(xiàn)誤檢區(qū)域，最終導(dǎo)致大量的誤檢像素，而本文方法能夠較準(zhǔn)確地檢測與定位出真實(shí)復(fù)制粘貼篡改區(qū)域，GRIP圖像庫實(shí)驗(yàn)對比如表3。

表3 GRIP圖像庫的實(shí)驗(yàn)結(jié)果對比Tab.3 Comparison of experimental results of GRIP image database %

從表3可以看出，本文中將待測圖像轉(zhuǎn)換到HSV顏色空間，通過直方圖均衡化算法對V明度信息進(jìn)行特征增強(qiáng)后，提取極坐標(biāo)下的澤尼克矩構(gòu)建特征向量的檢測方法的檢測結(jié)果均優(yōu)于其他文獻(xiàn)。另外，采用本文改進(jìn)的特征提取方法，分別提取笛卡爾坐標(biāo)系下的澤尼克矩和PCT、極坐標(biāo)系下的澤尼克矩和PCT以及對數(shù)極坐標(biāo)系下的FMT構(gòu)建特征向量的檢測方法的檢測結(jié)果均優(yōu)于文獻(xiàn)[6]中相對應(yīng)的檢測方法。

3.3 FAU圖像庫

FAU圖像庫中有48幅復(fù)制粘貼篡改圖像，分辨率為3 000×2 400，每幅圖像的篡改區(qū)域占整個(gè)圖像的6%左右，分別與文獻(xiàn)[3，5-6]進(jìn)行對比實(shí)驗(yàn)，部分實(shí)驗(yàn)結(jié)果如圖3。

圖3b為文獻(xiàn)[6]檢測結(jié)果，圖3d為本文檢測結(jié)果，本文的檢測結(jié)果優(yōu)于文獻(xiàn)[6]檢測結(jié)果，對FAU圖像庫實(shí)驗(yàn)對比如表4。

圖3 FAU圖像庫中文獻(xiàn)[6]與本文實(shí)驗(yàn)效果對比圖Fig.3 Comparison of experimental results in the literature[6] and this article in FAU

從表4可以看出，采用本文改進(jìn)的特征提取方法，對待測圖像提取極坐標(biāo)系下的澤尼克矩特征構(gòu)建特征向量的檢測方法的檢測結(jié)果中準(zhǔn)確率為95.99%，召回率為96.78%，綜合評價(jià)指標(biāo)F-Measure為97.56%，實(shí)驗(yàn)效果最好。

4 結(jié)束語

針對Cozzolino等所提出的算法在復(fù)制粘貼篡改檢測過程中處理面積較小區(qū)域、自然相似區(qū)域與平滑區(qū)域時(shí)，容易出現(xiàn)漏檢和誤檢，從而導(dǎo)致檢測效率不高，本文提出了一種改進(jìn)的特征提取方法，結(jié)合圖像的HSV顏色空間，保留圖像的顏色信息，能較好地適應(yīng)面積較小區(qū)域的特征提取，同時(shí)使用直方圖均衡化算法對HSV顏色空間的V通道明度信息進(jìn)行特征增強(qiáng)，以適應(yīng)自然相似區(qū)域與平滑區(qū)域的特征提取。實(shí)驗(yàn)結(jié)果表明，本文方法能夠降低面積較小區(qū)域、自然相似區(qū)域和平滑區(qū)域的誤檢和漏檢像素?cái)?shù)量，從而提升算法的檢測結(jié)果。在檢測圖像分辨率為3 000×2 400的FAU圖像庫時(shí)，由于待測圖像的分辨率較大，每幅圖像的平均檢測時(shí)間為200 s左右，所以下一步工作需要在保證提升實(shí)驗(yàn)檢測結(jié)果的同時(shí)，縮減算法的檢測時(shí)間。

表4 FAU圖像庫的實(shí)驗(yàn)結(jié)果對比Tab.4 Comparison of experimental results of FAU image database %