一種新穎的數(shù)字圖像篡改檢測方法

王泓鑫 李碩

摘 要：檢測數(shù)字圖像復制—粘貼型篡改是目前研究熱點之一。多數(shù)復制—粘貼篡改檢測方案只對剛性平移篡改具有較好的檢測精度，無法有效應對更復雜的幾何變換和常規(guī)信號攻擊。為優(yōu)化數(shù)字圖像復制—粘貼篡改檢測效率和精度，首次提出一種使用極坐標復指數(shù)變換（PCET）與一致性敏感哈希（CSH）的高效檢測算法。首先，計算滑動窗口PCET系數(shù)，將其作為不變的圖像局部特征;然后，根據(jù)這些特征，利用CSH算法快速、精確地匹配大量密集分塊;最后，使用基于密集線性濾波的后處理算法消除匹配結(jié)果中的錯誤匹配并定位重復區(qū)域，得到最終檢測結(jié)果。根據(jù)實驗結(jié)果可知，該算法不僅檢測精度平均提高12.06%，而且處理時間平均縮短315.64s。因此利用對幾何變換和常規(guī)信號攻擊魯棒的PCET系數(shù)刻畫圖像局部特征，并采用基于圖像一致性的快速高精度匹配算法CSH，可有效優(yōu)化復制—粘貼篡改檢測精度和效率。

關(guān)鍵詞：復制—粘貼型篡改;圖像矩;區(qū)域復制;旋轉(zhuǎn)不變

DOI：10. 11907/rjdk. 192614 開放科學（資源服務(wù)）標識碼（OSID）：

中圖分類號：TP317.4 文獻標識碼：A 文章編號：1672-7800（2020）008-0221-05

Abstract： Detecting copy-move forgery of digital images is one of the current research hotspots. However， most existing copy-move forgery detection schemes are generally only robust to translation， and they are not effective in dealing with more complex geometric transformations and conventional signal processing attacks. In addition， such algorithms are often time-consuming and cannot meet the needs of real-time detection. In order to optimize the efficiency and accuracy of digital image copy-move forgery detection， a fast and effective algorithm using polar complex exponential transform （PCET） and coherency sensitive hashing （CSH） was proposed in this paper. First， the algorithm calculates the PCET coefficients of the sliding windows as invariant local features. Then， based on these feature vectors， a large number of dense windows will be quickly and accurately matched by the CSH algorithm. Finally， the dense linear fitting （DLF） based post-processing algorithm is used to eliminate the mismatches and locate the duplicated regions. In this paper， five challenging tampered images are selected from GRIP and FAU databases， and the accuracy and speed are compared with classic algorithm. According to the experimental results， the proposed algorithm not only improves the average detection accuracy by 12.06%， but also reduces the average processing time by 315.64 seconds. PCET coefficients that are robust to geometric transformations and conventional signal processing attacks are used to characterize image local features. Moreover， image coherency based CSH is introduced for fast and high-precision feature matching. Therefore， the proposed algorithm is able to effectively optimize the accuracy and efficiency of detection.

Key Words： copy-move forgery;image moment; region duplication; rotation invariance

0 引言

圖像作為人類最重要的信息來源之一，在群體和個人意見形成過程中扮演關(guān)鍵角色。然而，現(xiàn)代圖像處理軟件（Photoshop、Gim）及個人電腦和終端的快速推廣，使人們可以極低的成本篡改數(shù)字圖像內(nèi)容。這對數(shù)字圖像可靠性產(chǎn)生了嚴重威脅，若篡改的圖像應用于關(guān)鍵場景，可能導致嚴重的社會后果。

復制—粘貼篡改是一類常見的圖像篡改手段，其中圖像一個或多個區(qū)域被復制并粘貼在同一圖像中的其它位置，其目的是隱藏或強調(diào)感興趣的對象[1]。盡管該篡改過程非常簡單，但由于圖像存在同源性和差異性，檢測難度較大。在過去的10年中，多個復制—粘貼篡改檢測方案被提出[2- 3]。它們基本遵循一個通用框架：特征提取、特征匹配和后處理。根據(jù)是從每個像素中提取局部圖像特征，還是僅從某些選定特征點中提取特征，檢測方案可分為兩大類：基于塊的方法和基于特征點的方法。其中，基于特征點的方法因為特征點稀疏性，檢測結(jié)果通常不如基于塊的方法精確。對基于塊的方法，現(xiàn)有文獻更多關(guān)注特征提取和匹配兩個階段。

在特征提取方面，不同的篡改檢測方法使用不同的變換描述圖像塊。常用變換方法包括離散余弦變換（Discrete Cosine Transform，DCT）[4]、離散小波變換（Discrete Wavelet Transform，DWT）[5]、傅立葉變換（Fourier Transform，F(xiàn)T）[6]、主成分分析（Principal Component Analysis，PCA）[7]和奇異值分解（Singular Value Decomposition，SVD）[8]。但是，這些特征在旋轉(zhuǎn)和縮放攻擊下非常脆弱。因此，出現(xiàn)新算法使用更復雜的幾何不變變換，如Hu矩（Hu Moments）[9]、澤尼克矩（Zernike Moments，ZM）[10]、傅里葉—梅林變換（Fourier-Mellin Transform，F(xiàn)MT）[11]和極坐標余弦變換（Polar Cosine Transform，PCT）[12]。這些方法在抵抗幾何攻擊方面表現(xiàn)出更出色的檢測精度。

在特征匹配方面，大量圖像塊 （105～106） 需進行匹配以揭示篡改。傳統(tǒng)匹配算法主要包括暴力搜索、字典排序、KD樹和局部敏感哈希算法（Locality Sensitivity Hashing，LSH）[13]，通常需高昂的時間成本。這主要是因為這些技術(shù)是通用的，并非專門用于篡改檢測任務(wù)，還忽略了該領(lǐng)域一項重要的先驗知識：自然圖像平滑性和自相似性意味著領(lǐng)近像素最近鄰在空間上很大可能也彼此接近。受此啟發(fā)，一些更適用于復制-粘貼篡改檢測的匹配算法受到關(guān)注，包括PatchMatch [14]和一致性敏感哈希算法（Coherency Sensitive Hashing， CSH）[15]。由于充分利用了先驗知識，這些對特征點位置敏感的新穎匹配策略在時間效率方面大幅度領(lǐng)先于其它方法。

為優(yōu)化數(shù)字圖像復制—粘貼篡改檢測效率和精度，本文首次提出一種使用極坐標復指數(shù)變換（PCET）[16]與一致性敏感哈希（CSH）[17]的高效檢測算法。首先，計算滑動窗口PCET系數(shù)，并將其作為不變的圖像局部特征;然后，根據(jù)這些特征，大量密集分塊由CSH算法快速、精確地匹配;最后，使用密集線性濾波（Dense Linear Fitting，DLF）[14]處理算法消除匹配結(jié)果中的錯誤匹配，并定位重復區(qū)域，得到最終檢測結(jié)果。根據(jù)實驗結(jié)果可知，該算法不僅可大幅提高檢測精度，還可極大壓縮基于塊的檢測算法時間成本。

1 復制—粘貼篡改檢測算法

1.1 極坐標復指數(shù)變換

極諧變換 （Polar Harmonic Transforms，PHTs） 由Yap等[16]于2010年提出，是一種定義域為單位圓的新型正交矩。PHTs包括極坐標復指數(shù)變換 （PCET）、極坐標余弦變換 （PCT）和極坐標正弦變換 （Polar Sine Transform， PST）。本文聚焦于PCET。

由式（7）可知，將圖像旋轉(zhuǎn)一個角度后的PCET的模與原始圖像PCET的模相等。

1.2 一致性敏感哈希算法

一致性敏感哈希（CSH）算法 [17]擴展于LSH算法和PatchMatch算法，可達到快速匹配圖像片段的效果。LSH基于圖像哈希算法，它會將相似的圖像塊投影到相同的桶 （Bin）中，因此算法可在桶中找到匹配圖像塊。LSH匹配精度雖然很高，但需高昂的計算成本。PatchMatch算法則基于圖像一致性，在自然圖像中迭代地進行最優(yōu)偏移向量估計，并利用一致性獲得全局最優(yōu)的匹配偏移。由于使用了先驗知識，算法計算復雜度很低，但有隨機性和匹配誤差大等缺點。CSH是LSH和PatchMatch的融合算法，首先CSH使用LSH查找初始匹配圖像塊 （而不是使用PatchMatch的隨機初始化） ，然后再利用PatchMatch在圖像中具有一致性的區(qū)域拓展正確匹配 （而不是僅使用CSH的圖像哈希） 。通常，CSH匹配時間遠少于PatchMatch，且匹配精確也更高。顯然CSH對于自然圖像篡改檢測任務(wù)非常有效。

CSH算法流程可分為兩大部分：建立索引和搜索。算法輸入是特征矩陣[A]和[B] （[A]和[B]可以相同） ，[A]為源，[B]為目標，輸出是近似的最近鄰域（Approximate Nearest Neighbor Fields，ANNF）。

1.2.1 索引建立

如此操作直至窮盡[PB]中的所有元素。

在上述搜索流程中，生成最近鄰候選集[PB]是關(guān)鍵操作。為簡化討論，首先引入幾個標記。定義哈希函數(shù)為[g]，由該函數(shù)生成的哈希表為[T]。此外，將哈希函數(shù)[g]分為[gA]和[gB]：當對[A（B）]中的塊[a（b）]進行哈希時，哈希函數(shù)[g]標記為[gA（gB）]，生成的哈希表記為[TA（TB）]，并引入[gA]（[gB]）的逆運算[g-1A]（[g-1B]）。塊[p]的上、下、左、右鄰接塊分別記[Top（p），Bottom（p），Left（p），Right（p）]。[A]中的塊[a]在[B]中目前已知的最近鄰塊記為[Cand（a）]。

CSH算法匹配候選技術(shù)基于以下4個定理，其中，[a，a1，a2]是[A]中的塊，[b，b1，b2]是[B]中的塊。

定理1：如果[gA（a）=gB（b）]，則[b]是[a]的一個 （最佳） 候選。

定理2：如果[b]是[a1]的候選，并且[gA（a1）=gA（a2）]，則[b]也是[a2]的候選。

定理3：如果[b1]是[a]的候選，并且[gB（b1）=gB（b2）]，則[b2]也是[a]的候選。

定理4：如果[b]是[Left（a）]的候選，則[Right（b）]是[a]的候選 （該定理對于Right/Left Top/Bottom和Bottom/Top對同樣成立） 。

上述4項定理出自LSH和PatchMatch算法假設(shè)，其中定理1至定理3源自LSH，依賴于表示空間，定理4出自PatchMatch，依賴于一致性。以這4條定理為基礎(chǔ)，CSH算法定義了3種匹配候選方式，其公式定義和直觀表示分別見表1、圖3（彩圖掃描OSID碼可見），該定義對于類型2，Top/Bottom對同樣成立。

圖3中，紅色箭頭表示哈希函數(shù)[g]（請注意箭頭方向和表1公式定義之間的對應關(guān)系） ，綠色箭頭表示目前已知最近鄰塊[Cand（ ）]，[A]中的淺藍色塊表示[a]，[B]中紫色塊并集是[a]的最近鄰候選集[PB]，在[A]和[B]中間的哈希表[T]實際上是由[TA]和[TB]合并得到的，[TA（TB）]的寬度指哈希表中每個桶最多可儲存的塊數(shù)，設(shè)置為[k]。則在理想情況下，類型1和類型3每個類型將貢獻[k]個候選塊，類型2中Left/Right對和Top/Bottom對每對將貢獻[k+1]個候選塊，因此[PB]的勢最大為[4k+2]。

可以看出，CSH的3種匹配候選方式融合折中了LSH與PatchMatch的匹配方式，這使得CSH算法高效且精確。通過3種匹配候選方式，[A]中的任意塊[a]都得到了自己最近鄰候選集[PB]。

1.3 算法流程

本文提出的復制-粘貼篡改檢測算法充分利用了PCET與CSH的優(yōu)勢。首先，密集圖像分塊特征表示基于PCET系數(shù)，特征對于旋轉(zhuǎn)攻擊不變，而且在噪聲魯棒性方面表現(xiàn)良好。這是傳統(tǒng)空域特征和頻域特征所不具有的。隨后，CSH被用于圖像密集域局部不變特征的匹配，較于經(jīng)典的匹配策略，它在特征匹配速度和精度兩方面均有大幅改進。整體上算法包括以下步驟：

步驟1：將給定的彩圖原始圖像變換為灰度圖像。

步驟2：計算密集分塊的PCET系數(shù) [16]，并取系數(shù)的模作為特征。

步驟3：使用CSH [17]對圖像塊特征進行快速精確匹配，得到相應匹配結(jié)果。

步驟4：對匹配結(jié)果使用DLF算法[14]進行誤匹配篩除，并使用形態(tài)學方法優(yōu)化結(jié)果，最后標記篡改區(qū)域。

2 實驗結(jié)果

本文實驗環(huán)境為：Matlab R2016a、3.60GHz 中央處理器和16GB 內(nèi)存。為使實驗結(jié)果更有說服力，來自GRIP [14]和FAU [18]數(shù)據(jù)庫的5幅測試圖像用于本次實驗。

算法參數(shù)方面，圖像塊大小為[25×25]、特征的最大階數(shù)為5、匹配對最小距離為50像素、篡改區(qū)域最小尺寸為圖像尺寸的0.002%。

圖4給出了相關(guān)實驗結(jié)果，其中第一列是原始圖像、第二列是篡改圖像、第三列是真實篡改區(qū)域、第四列是文獻[19]的檢測結(jié)果、第五列是本文算法的檢測結(jié)果?？梢钥吹?，本文算法檢測精度非常高，對各類篡改 （特別是多對象篡改） 有很強的檢測能力。

3 結(jié)語

本文提出了一種新穎的數(shù)字圖像復制—粘貼篡改檢測方法，可同時提高檢測精度和效率。該算法充分利用了PCET和CSH技術(shù)優(yōu)勢。首先，使用PCET抽取密集圖像分塊的高階特征，PCET系數(shù)對旋轉(zhuǎn)具有不變性，而且低階系數(shù)對噪聲類圖像攻擊具有魯棒性。相比于傳統(tǒng)空域特征和頻域特征，這有助于跨越語義鴻溝;隨后，基于圖像一致性這一關(guān)鍵先驗知識，采用CSH匹配圖像密集域局部不變特征。較于計算機視覺領(lǐng)域中常規(guī)的匹配策略，CSH在特征匹配速度和精度兩方面均具有優(yōu)勢。從具體實驗結(jié)果來看，本文算法不僅在檢測精度上平均高出經(jīng)典方案12.06%，而且在計算時間方面也比經(jīng)典方案減少了315.64秒。這證明本文算法具有較好的精度和效率，圖像矩方法與基于一致性的匹配算法在復制-粘貼篡改檢測領(lǐng)域具有獨特優(yōu)勢。

盡管本文算法對于常見的幾何攻擊（如旋轉(zhuǎn)、縮放、翻轉(zhuǎn)）具有較好的魯棒性，但由于使用了固定尺寸的圖像塊，導致縮放魯棒性僅在有限范圍內(nèi)可滿足。下一步將聯(lián)合尺度空間理論和圖像矩方法，尋找一種可行的優(yōu)化方法。

參考文獻：

[1] 呂穎達，申鉉京，陳海鵬. 具有幾何不變性的圖像復制—粘貼盲鑒別算法[J]. 電子學報，2016， 44（11）： 2592-2599.

[2] 畢秀麗，魏楊，肖斌，等. 基于級聯(lián)卷積神經(jīng)網(wǎng)絡(luò)的圖像篡改檢測算法[J]. 電子與信息學報， 2019， 41： 1-8.

[3] 許曼曼，楊繼翔. 數(shù)字圖像復制—粘貼篡改檢測與定位算法[J]. 軟件導刊，2016，15（11）： 199-201.

[4] FRIDRICH A J，SOUKAL B D， LUKá ?A J. Detection of copy-move forgery in digital images[C]. Proceedings of Digital Forensic Research Workshop，2003： 94-100 .

[5] MUHAMMAD G，HUSSAIN M，BEBIS G. Passive copy move image forgery detection using undecimated dyadic wavelet transform[J]. Digital Investigation， 2012， 9（1）： 49-57.

[6] BRAVO-SOLORIO S，NANDI A K. Exposing duplicated regions affected by reflection， rotation and scaling[C]. 2011 IEEE International Conference on Acoustics，Speech and Signal Processing，2011： 1880-1883.

[7] POPESCU A C， FARID H. Exposing digital forgeries by detecting duplicated image regions[R]. Dartmouth College： TR2004-515， 2004： 1-11.

[8] ZHAO J， GUO J. Passive forensics for copy-move image forgery using a method based on DCT and SVD[J]. Forensic Science International， 2013， 233（1-3）：158-166.

[9] 王俊文，劉光杰，張湛，等. 圖像區(qū)域復制篡改快速魯棒取證[J]. 自動化學報， 2009， 35（12）： 1488-1495.

[10] RYU S J，LEE M J， LEE H K. Detection of copy-rotate-move forgery using Zernike moments[C]. International Workshop on Information Hiding， 2010： 51-65.

[11] BAYRAM S，SENCAR H T，MEMON N. An efficient and robust method for detecting copy-move forgery[C]. 2009 IEEE International Conference on Acoustics， Speech and Signal Processing， 2009： 1053-1056.

[12] LI Y. Image copy-move forgery detection based on polar cosine transform and approximate nearest neighbor searching[J]. Forensic Science International， 2013， 224（1-3）： 59-67.

[13] PUN C M， CHUNG J L. A two-stage localization for copy-move forgery detection[J]. Information Sciences， 2018， 463： 33-55.

[14] COZZOLINO D，POGGI G，VERDOLIVA L. Efficient dense-field copy–move forgery detection[J]. IEEE Transactions on Information Forensics and Security， 2015，10（11）： 2284-2297.

[15] BI X， PUN C M. Fast copy-move forgery detection using local bidirectional coherency error refinement[J]. Pattern Recognition， 2018， 81： 161-175.

[16] YAP P T，JIANG X，KOT A C. Two-dimensional polar harmonic transforms for invariant image representation[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence，2009，32（7）： 1259-1270.

[17] KORMAN S，AVIDAN S. Coherency sensitive hashing[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2015， 38（6）： 1099-1112.

[18] CHRISTLEIN V， RIESS C， JORDAN J， et al. An evaluation of popular copy-move forgery detection approaches[J]. IEEE Transactions on Information Forensics and Security， 2012， 7（6）： 1841-1854.

[19] ZANDI M， MAHMOUDI-AZNAVEH A， TALEBPOUR A. Iterative copy-move forgery detection based on a new interest point detector[J]. IEEE Transactions on Information Forensics and Security， 2016， 11（11）： 2499-2512.

（責任編輯：江 艷）