基于自適應(yīng)提點(diǎn)魯棒定位的圖像復(fù)制粘貼篡改檢測(cè)①

于 亮,楊紅穎

(遼寧師范大學(xué) 計(jì)算機(jī)與信息技術(shù)學(xué)院,大連 116029)

數(shù)字圖像是人們?nèi)粘Ｉ钪蝎@取信息的重要渠道,在新聞、學(xué)術(shù)、法庭等領(lǐng)域有著重要的應(yīng)用.然而隨著智能手機(jī)等電子設(shè)備的日益普及,和圖像處理軟件的普遍應(yīng)用,越來越多的圖像被篡改成混淆視覺的偽造圖像.圖像篡改事件層出不窮,嚴(yán)重影響著人們的生活.圖像復(fù)制-粘貼篡改是最普遍的篡改方式.復(fù)制-粘貼篡改(CMF)是將一幅圖像的一部分復(fù)制并粘貼到同一幅圖像的另一個(gè)位置,覆蓋圖像的內(nèi)容以達(dá)到混淆視覺并隱藏信息的作用.復(fù)制-粘貼篡改檢測(cè)(CMFD)過程可分為4 步：(1)預(yù)處理：將RGB 圖像轉(zhuǎn)換成灰度圖像,將圖像分割成塊等；(2)特征提?。禾崛D像的局部或全局特征；(3)特征匹配：對(duì)已有的圖像特征進(jìn)行匹配；(4)后處理：對(duì)匹配結(jié)果進(jìn)一步處理,剔除異常值、定位篡改位置等.主流的CMFD 算法分為兩方向：(1)基于圖像塊的算法；(2)基于圖像高熵位置的特征點(diǎn)算法.基于圖像塊的算法是將圖像分為重疊塊或非重疊塊,利用圖像變換、圖像不變矩、顏色等方法提取圖像塊特征,匹配特征并得到匹配對(duì),使用一系列后處理操作定位篡改區(qū)域.基于圖像塊的算法時(shí)間復(fù)雜度較高,在圖像遭受縮放等攻擊下算法魯棒性較差.基于特征點(diǎn)的算法首先提取圖像的高熵區(qū)域作為特征點(diǎn),描述特征點(diǎn)或其對(duì)應(yīng)區(qū)域的特征并匹配,得到疑似匹配點(diǎn)對(duì).通過聚類或分割等算法,篩除誤匹配點(diǎn)對(duì),最后定位篡改區(qū)域.基于特征點(diǎn)的算法在篡改區(qū)域?yàn)槠交瑓^(qū)域或小區(qū)域時(shí)檢測(cè)效果較差.此外,已有算法對(duì)受到攻擊的圖像(如白噪聲攻擊和JPEG 壓縮攻擊)的檢測(cè)效果較差.

為解決上述問題,本文提出一種魯棒的復(fù)制-粘貼篡改檢測(cè)算法.在特征點(diǎn)提取階段,使用尺度不變的SURF[1]特征點(diǎn)和特征,引入波動(dòng)函數(shù)的思想,提出一種自適應(yīng)的特征點(diǎn)提取方法,該方法能夠在圖像的平滑區(qū)域或小區(qū)域提取足夠多的特征點(diǎn).在特征匹配階段,引入了雙比特迭代量化局部敏感哈希(DBQ-LSH)[2,3]算法.在后處理階段,提出了一種不變矩LBP[4]定位算法,即使圖像受到嚴(yán)重攻擊也能對(duì)其檢測(cè)并精準(zhǔn)定位篡改區(qū)域.

本文貢獻(xiàn)如下：

(1)提出一種自適應(yīng)提點(diǎn)算法,在圖像小區(qū)域或平滑區(qū)域能提取足夠的特征點(diǎn),使特征點(diǎn)分布更均勻.

(2)引入DBQ-LSH 算法,降低了匹配成本.

(3)提出一種魯棒的后處理算法,對(duì)受到攻擊的圖像,檢測(cè)結(jié)果更精準(zhǔn).

本文在第1 節(jié)介紹了圖像復(fù)制-粘貼篡改檢測(cè).在第2 節(jié)詳細(xì)描述所提出的復(fù)制-粘貼篡改檢測(cè)算法.在第3 節(jié)通過一系列的仿真實(shí)驗(yàn)和對(duì)比實(shí)驗(yàn),驗(yàn)證本方案的有效性和魯棒性.

1 圖像復(fù)制-粘貼篡改檢測(cè)

主流圖像復(fù)制-粘貼篡改檢測(cè)算法可分為兩方向：基于圖像塊的方法和基于特征點(diǎn)的方法.它們都試圖提取局部圖像塊或關(guān)鍵點(diǎn)的圖像特征,并評(píng)估不同圖像區(qū)域之間特征的相似性.

1.1 基于圖像塊的方法

基于塊的復(fù)制粘貼篡改檢測(cè)算法將宿主圖像分割為重疊或非重疊圖像塊,計(jì)算并匹配每個(gè)圖像塊特征,得到疑似匹配對(duì).Fridrich 等[5]提出了一種基于塊的圖像復(fù)制粘貼篡改檢測(cè)算法,將圖像分割成重疊子塊,引入離散余弦變換(DCT)特征對(duì)每個(gè)子塊進(jìn)行特征描述,匹配所有特征得到可疑匹配對(duì).但該方法時(shí)間消耗大,且無法檢測(cè)旋轉(zhuǎn)攻擊偽造圖像.一些研究者利用旋轉(zhuǎn)不變特征來解決這個(gè)問題.Ryu 等[6]利用旋轉(zhuǎn)不變的不變矩特征進(jìn)行檢測(cè),且對(duì)白噪聲等攻擊具有較強(qiáng)的魯棒性.為了提高匹配效率,Cozzolino 等[7,8]提出了一種基于重疊圖像塊的CMFD 方法,使用Zernike 矩(ZM)、Fourier-Mellin 變換(FMT)等特征,改進(jìn)Patch Match(PM)近鄰搜索算法并將其應(yīng)用與篡改檢測(cè)中,大大降低了時(shí)間復(fù)雜度.Bi 等[9]提出了一致敏感哈希(CSH)算法,該算法集PM 算法和局部敏感哈希(LSH)算法于一身,比PM 算法具有更快的處理速度和更高的精度.PM 算法和CSH 算法需要多次迭代來傳播和搜索匹配,這也導(dǎo)致了時(shí)間消耗的極大增加,基于此,Zhong 等[10]使用極性余弦變換(PCT)來提取圖像塊特征,將塊特征轉(zhuǎn)換為哈希特征,提出了雙程哈希特征表示和搜索算法,無需迭代,提高了檢測(cè)性能和運(yùn)算效率.然而由于計(jì)算的復(fù)雜性,基于變換或矩特征的方法的時(shí)間消耗大,此外它們使用固定的圖像塊來計(jì)算特征,其特征僅在在一定范圍內(nèi)只具有尺度不變性,這使得基于塊的篡改檢測(cè)算法的魯棒性較差.

1.2 基于特征點(diǎn)的方法

為了解決基于塊的方法計(jì)算復(fù)雜度較高,尺度不變性較差等問題,部分學(xué)者提出了基于特征點(diǎn)的算法.基于特征點(diǎn)的篡改檢測(cè)算法識(shí)別宿主圖像中的高熵區(qū)域(特征點(diǎn)),與基于塊的篡改檢測(cè)算法相比,可以減少特征數(shù)目和計(jì)算時(shí)間.Amerini 等[11]引入尺度不變特征變換(SIFT)特征,提出了g2NN 匹配算法,利用層次聚類進(jìn)行多目標(biāo)篡改檢測(cè),不僅能確定圖像是否被篡改,且能得到被篡改區(qū)域的幾何變換,但其在篡改區(qū)域較小或篡改區(qū)域發(fā)生在圖像平滑區(qū)域時(shí)的檢測(cè)效果較差.Zandi 等[12]提出了一種適合于CMFD 的特征點(diǎn)檢測(cè)算法,該算法可以將關(guān)鍵點(diǎn)均勻地分布在整個(gè)圖像上,利用SLIC 對(duì)圖像進(jìn)行分割,并根據(jù)對(duì)應(yīng)子塊的關(guān)鍵點(diǎn)數(shù)目過濾去除錯(cuò)誤的匹配點(diǎn)對(duì),根據(jù)先驗(yàn)信息調(diào)整子塊關(guān)鍵點(diǎn)的密度,迭代定位篡改區(qū)域.Li 等[13]提出了一種分層的特征點(diǎn)匹配策略,利用顏色信息來定位被篡改的區(qū)域.基于特征點(diǎn)的算法除使用SIFT 特征點(diǎn)外,部分學(xué)者使用了加速魯棒特征(SURF)算法[14,15]、Harris 算法[16]、KAZE 算法[17]、A-KAZE 算法[18]等.

基于關(guān)鍵點(diǎn)的方法時(shí)間復(fù)雜度較低,對(duì)縮放等攻擊的魯棒性強(qiáng),但對(duì)小區(qū)域復(fù)制粘貼或發(fā)生在圖像平滑區(qū)域的復(fù)制粘貼篡改,檢測(cè)效果并不理想,且抗噪聲攻擊、JPEG 壓縮攻擊能力有待提高.

2 本文算法

為了改善圖像小區(qū)域和平滑區(qū)域提取特征點(diǎn)數(shù)量不足,受攻擊圖像的檢測(cè)精度低等問題,本文提出一種自適應(yīng)提取特征點(diǎn)、快速匹配和魯棒篡改區(qū)域定位的復(fù)制移動(dòng)篡改檢測(cè)算法.圖1表明本算法結(jié)構(gòu)框架.第一步將圖像分割成不重疊的塊,構(gòu)造波動(dòng)函數(shù),根據(jù)波動(dòng)函數(shù)在圖像內(nèi)均勻提取SURF 特征點(diǎn).第二步使用SURF 特征進(jìn)行特征表示.第三步引入雙比特量化局部敏感哈希(DBQ-LSH)快速匹配特征.第四步去除孤立匹配,利用k-多均值聚類方法對(duì)匹配點(diǎn)對(duì)進(jìn)行聚類,將灰度圖像轉(zhuǎn)化為不變矩LBP 圖像,定位篡改區(qū)域.

圖1 算法流程

2.1 基于波動(dòng)函數(shù)的自適應(yīng)提取圖像特征點(diǎn)

基于特征點(diǎn)的篡改檢測(cè)算法主要問題為在復(fù)制-粘貼區(qū)域較小或其發(fā)生在平滑區(qū)域時(shí)的檢測(cè)效果較差.余江[19]提出了一種構(gòu)造波動(dòng)函數(shù)并對(duì)圖像塊分類,選擇復(fù)雜紋理塊進(jìn)行圖像隱寫的新方法.本文據(jù)此提出了一種基于波動(dòng)函數(shù)確定提點(diǎn)閾值的自適應(yīng)特征點(diǎn)提取方法.本文提點(diǎn)算法如算法1 所示.

算法1.自適應(yīng)提取特征點(diǎn)輸入：宿主圖像輸出：圖像均勻分布的特征點(diǎn)1.根據(jù)條件對(duì)圖像放大處理2.圖像不重疊分塊并延拓子塊3.構(gòu)造波動(dòng)函數(shù)4.根據(jù)波動(dòng)函數(shù)確定閾值并提取SURF 特征點(diǎn)及特征5.將子塊特征點(diǎn)集合并篩除重復(fù)的特征點(diǎn)

2.1.1 SURF

SURF[1]基于尺度空間,對(duì)平移、縮放、旋轉(zhuǎn)等具有很強(qiáng)的不變性,并在一定范圍內(nèi)對(duì)仿射變換和亮度變化也具有魯棒性.使用盒型過濾器,通過增加窗口大小來構(gòu)建不同比例的圖像金字塔.在Hessian 矩陣中使用積分圖像來獲得兩步特征,在保持較高描述能力的同時(shí)提高了計(jì)算效率.例如,在圖像I中,一個(gè)點(diǎn)是X=(x,y),X在 σ尺度上的Hessian 矩陣是以下定義：

其中,Lxx(x,σ),Lxy(x,σ),Lyy(x,σ)是高斯濾波器在xx、xy、yy方向的二階偏導(dǎo)數(shù)與圖像I在點(diǎn)X處的卷積,為簡(jiǎn)化運(yùn)算,使用Dxx(x,σ),Dxy(x,σ),Dyy(x,σ)分別代替Lxx(x,σ),Lxy(x,σ),Lyy(x,σ),為便于計(jì)算,Hessian 矩陣可近似表示為式(2)：

一般設(shè)置4 組6 層尺度空間.與該尺度空間的上下層的尺度空間中的26 個(gè)點(diǎn)相比,如果該像素是極值,則該像素被確定為特征點(diǎn).計(jì)算了特征點(diǎn)圓鄰域的Haar小波響應(yīng).找出特征點(diǎn)的主要方向.沿著特征點(diǎn)主方向的鄰域選取4×4×4 矩形小區(qū)域,計(jì)算每個(gè)小區(qū)域的Haar小波響應(yīng),得到每個(gè)區(qū)域的4 維特征向量.一個(gè)特征點(diǎn)有64 維特征向量作為SURF 特征的描述符.

2.1.2 圖像不重疊分塊并延拓

我們將圖像分為不重疊的塊,設(shè)圖像像素值為M×N,將圖像分為m0×n0(設(shè)置m0=n0=30)個(gè)子塊,子塊大小為(M/m0)×(N/n0).由于子塊之間的連接處包含大量信息,為將子塊連接處覆蓋,將每個(gè)子塊的長(zhǎng)度和寬度分別擴(kuò)展L1(設(shè)置L1=20)個(gè)像素,此時(shí),子塊大小為(M/m0+L1)×(N/n0+L1).

2.1.3 構(gòu)造波動(dòng)函數(shù)

構(gòu)造波動(dòng)函數(shù),計(jì)算各子塊的波動(dòng)函數(shù)值.根據(jù)波函數(shù)的值確定特征點(diǎn)提取的閾值,從而得到一致的特征點(diǎn)提取結(jié)果.設(shè)子塊的長(zhǎng)度和寬度分別為r、s,定義如下：

xi,j是子塊中的任一像素,xmea為該子塊像素值的中值,P是該子塊像素點(diǎn)的數(shù)量.則波動(dòng)函數(shù)Fw定義如下：

2.1.4 提取特征點(diǎn)及特征

設(shè)初始SURF 特征點(diǎn)閾值為T0(T0=10),每個(gè)子塊的閾值為Td.Td與T0之間的關(guān)系如下：

根據(jù)每個(gè)子塊的Td閾值,均勻地提取每個(gè)子塊的特征點(diǎn),將結(jié)果匯總到原始圖像中,去除同一位置的冗余特征點(diǎn),即可得到在圖像內(nèi)均勻分布的特征點(diǎn),在我們得到特征點(diǎn)的同時(shí)得到其64 維特征.圖2顯示了我們的提點(diǎn)算法與原始特征點(diǎn)提取方法之間的對(duì)比結(jié)果.如圖2所示,傳統(tǒng)的方法無法在平滑區(qū)域提取足夠的特征點(diǎn),而我們的方法可在平滑區(qū)域均勻提取特征點(diǎn).

圖2 特征點(diǎn)提取方法的比較

2.2 特征匹配

局部敏感哈希(LSH)是解決海量高維數(shù)據(jù)匹配問題的常用方法.我們引入了雙比特量化局部敏感哈希(DBQ-LSH)算法[2,3],它比傳統(tǒng)的LSH 算法匹配結(jié)果更精準(zhǔn),匹配效率更高.特征匹配過程如算法2 所示.

算法2.特征匹配輸入：特征點(diǎn)集合X 與特征向量集合F輸出：匹配點(diǎn)對(duì)集合P

1.對(duì)特征向量集 迭代量化分桶2.對(duì)任意特征向量fi,找到其對(duì)應(yīng)的桶,并從對(duì)應(yīng)桶內(nèi)選取其K 個(gè)最近鄰特征向量,組成fi 的最近鄰集合Di fi∈Di Tsml Tdist si={xi,fi} sj={x j,fj} (xi?x j)2≥Tdist(fi?f j)2≤Tsml F={f1,f2,···,fu}3.對(duì)任意,按相似度閾值 和空間距離閾值 進(jìn)行篩選.若 和 構(gòu)成匹配,則需滿足條件 且

2.2.1 雙比特量化局部敏感哈希

主流的哈希方法通常采用兩階段策略.在第一步中,生成一些投影尺寸的實(shí)際值.在第二步中,將多個(gè)閾值量化為二進(jìn)制碼.雙比特量化(DBQ)從數(shù)據(jù)中自適應(yīng)地獲得最佳閾值,并分別將a和b設(shè)置為左閾值和右閾值,a

將ui設(shè)為Si中的平均值,找到適當(dāng)?shù)腶和b值以使E值最小化,如式(7)所示：

在得到a和b之后,我們可以用它們將整個(gè)集合劃分為S1、S2和S3,然后量化子集中的點(diǎn).雙比特量化有兩個(gè)優(yōu)點(diǎn)：一是精度更好,二是時(shí)間消耗更低.采用雙比特迭代量化,大大提高了二進(jìn)制碼在哈希過程中的性能.在復(fù)制-粘貼篡改檢測(cè)中,該方法匹配更精準(zhǔn),時(shí)間復(fù)雜度更低.

2.2.2 快速特征匹配

在得到匹配點(diǎn)對(duì)集合和特征向量集合后,利用DBQLSH進(jìn)行特征匹配.初步匹配對(duì)集為X=特征向量集為F={f1,f2,···,fu},fi與xi一 一對(duì)應(yīng).Tsml為相似閾值,Tdist為空間距離閾值.首先,我們將特征向量集F迭代量化到桶中,相似的特征被散列到同一桶中.對(duì)于一個(gè)特征向量fi,找到其對(duì)應(yīng)的桶,并從對(duì)應(yīng)的桶中選擇其K個(gè)最近鄰特征向量.若(xi?xj)≥Tdist且 (fi?fj)≤Tsml,則xi與xj匹配.我們得到初步匹配對(duì)集合P：

本文使用DBQ-LSH 與g2NN 和KD-Tree 匹配算法在匹配效果上進(jìn)行對(duì)比,實(shí)驗(yàn)主觀結(jié)果見圖3.表1為客觀匹配結(jié)果,本方法可得到更多匹配點(diǎn)對(duì),且時(shí)間復(fù)雜度更低.

表1 不同匹配方法的對(duì)比結(jié)果

2.3 后處理

有效的后處理算法不僅可以減少誤檢測(cè)率,還可使篡改區(qū)域定位結(jié)果更精準(zhǔn).后處理算法步驟見算法3.

算法3.后處理輸入：匹配點(diǎn)對(duì)集合P 與宿主圖像輸出：標(biāo)記篡改位置的二值圖像1.篩除誤匹配2.匹配點(diǎn)對(duì)聚類3.RANSAC 估計(jì)仿射變換參數(shù)4.不變矩LBP 圖像定位篡改區(qū)域

2.3.1 篩除誤匹配

特征匹配過程常常會(huì)得到部分誤匹配點(diǎn)對(duì).由于篡改區(qū)域的連續(xù)性,正確匹配點(diǎn)對(duì)具有連續(xù)性,而誤匹配點(diǎn)對(duì)通常是孤立存在的.我們?cè)谔崛√卣鼽c(diǎn)階段將圖像分割為不重疊的塊,在篩除誤匹配對(duì)時(shí)利用各子塊內(nèi)特征點(diǎn)的數(shù)量性質(zhì),如果子塊中匹配點(diǎn)對(duì)數(shù)小于K(K=6),則該子塊中的匹配對(duì)為誤匹配.

2.3.2 匹配點(diǎn)對(duì)聚類

本方案使用聚類算法解決多目標(biāo)篡改問題.圖像的原始區(qū)域和篡改區(qū)域或是相互接近的,使用傳統(tǒng)的聚類方法,原始區(qū)域和篡改區(qū)域的特征點(diǎn)可能會(huì)聚為一類.引入K-multiple-means[20]聚類算法,該算法具有良好的聚類性能.K-multiple-means 定義了顯示的目標(biāo)函數(shù).在給定總聚類數(shù)k和總樣本數(shù)m的情況下,將m個(gè)樣本和n個(gè)原始數(shù)據(jù)點(diǎn)自適應(yīng)地劃分為k類.K-multiplemeans 解決了原始區(qū)域與篡改區(qū)域之間空間距離過近的問題.

2.3.3 RANSAC 估計(jì)仿射變換參數(shù)

原始區(qū)域與篡改區(qū)域存在一定的幾何關(guān)系[11],在得到聚類結(jié)果后,利用RANSAC 估計(jì)每一聚類結(jié)果的仿射變換參數(shù).變換矩陣如式(9)、式(10)：

其中,a11,a12,a21,a22表示旋轉(zhuǎn)和各向異性縮放信息,tx和ty是平移因子.

2.3.4 定位篡改區(qū)域

LBP[4]具有亮度和旋轉(zhuǎn)不變性等優(yōu)點(diǎn).本方案提出使用LBP 圖像計(jì)算圖像相似度.本文引入中值魯棒擴(kuò)展局部二值模式(MRELBP)[21],其具有很強(qiáng)的噪聲魯棒性.利用Zernike 矩[22]將像素值MRELBP 擴(kuò)展到矩值MRELBP,用Zernike 矩代替圖像像素值從而生成矩值MRELBP 圖像,將空域LBP 拓展到變換域LBP,以提高算法的魯棒性.

篡改區(qū)域(RD)像素與原始區(qū)域(RO)像素之間存在一致的相關(guān)性[23],我們稱它為同一仿射變換參數(shù)T,H是它的矩陣形式.

對(duì)宿主圖像進(jìn)行仿射變換,得到仿射變換圖像ID,計(jì)算得到ID的MRELBP 圖像(見圖4),計(jì)算兩幅MRELBP圖像的相似度并得到篡改區(qū)域(見圖5).

圖6為本方案與基于圖像灰度的相似度計(jì)算算法的對(duì)比結(jié)果.所用宿主圖像對(duì)篡改區(qū)域添加了白噪聲,如圖示本算法對(duì)噪聲攻擊更具魯棒性.由于宿主圖像的自相似性,得到篡改區(qū)域定位結(jié)果的二值圖像包含了部分未篡改區(qū)域,這些區(qū)域很少且大部分為孤立存在,本方案刪除像素值低于整幅圖像0.05%的區(qū)域,并使用形態(tài)學(xué)方法填充孔洞.

圖4 仿射變換圖像轉(zhuǎn)換為L(zhǎng)BP 圖像

圖5 圖像相似度計(jì)算

圖6 噪聲攻擊圖像對(duì)比實(shí)例

3 實(shí)驗(yàn)結(jié)果

通過對(duì)該方案進(jìn)行圖像級(jí)和像素級(jí)實(shí)驗(yàn)并與其他算法進(jìn)行比較,驗(yàn)證了本算法在多個(gè)圖像數(shù)據(jù)集的有效性.進(jìn)行圖像級(jí)實(shí)驗(yàn),檢測(cè)圖像是否被篡改,確定算法的有效性；進(jìn)行像素級(jí)實(shí)驗(yàn),對(duì)檢測(cè)結(jié)果進(jìn)行細(xì)化,精準(zhǔn)定位篡改區(qū)域.實(shí)驗(yàn)在Windows 7 64 位操作系統(tǒng)下進(jìn)行,處理器為Inter(R) Corei7-4790 @3.6 GHz,內(nèi)存16.0 GB,仿真軟件Matlab R2016a 64 Bit.

3.1 評(píng)價(jià)標(biāo)準(zhǔn)與圖像庫(kù)

使用真陽性率(TPR)和假陽性率(FPR)評(píng)價(jià)算法的有效性.高TPR與低FPR代表理想的結(jié)果.分別定義：

TPR和FPR公式參數(shù)在不同情況下有不同含義[13].圖像級(jí)實(shí)驗(yàn),TP(True Positive),TN(True Negative),FN(False Negative),FP(False Positive)分別表示正確檢測(cè)到的篡改圖像數(shù),正確檢測(cè)到的真實(shí)圖像數(shù),未檢測(cè)到的篡改圖像數(shù)和錯(cuò)誤檢測(cè)為篡改圖像的真實(shí)圖像數(shù)；像素級(jí)實(shí)驗(yàn),TP,TN,FN,FP分別表示正確檢測(cè)到的篡改像素?cái)?shù),正確檢測(cè)到的真實(shí)像素?cái)?shù),未檢測(cè)到的篡改像素?cái)?shù)和錯(cuò)誤檢測(cè)為篡改像素的真實(shí)像素?cái)?shù).本文在TPR和FPR的基礎(chǔ)上用F1值來表明綜合實(shí)驗(yàn)結(jié)果.F1定義見式(13),我們使用F-pixel 和 F-image 分別表示像素級(jí)和圖像級(jí)的F1分?jǐn)?shù).

本方案選擇FAU[24]、GRIP[8]和MICC-F600[23]3 個(gè)圖像庫(kù)驗(yàn)證算法的有效性.

3.2 普通圖像實(shí)驗(yàn)

我們對(duì)3 個(gè)圖像庫(kù)[8,23,24]進(jìn)行了實(shí)驗(yàn),并與3 種算法[8,12,13]進(jìn)行了對(duì)比,3 種算法的代碼在對(duì)應(yīng)文章中獲得,實(shí)驗(yàn)結(jié)果見表5.我們得到滿意的結(jié)果,有著較高的TPR、FPR、F1和FP值,證明本算法不僅能檢測(cè)出圖像是否被篡改,而且能更準(zhǔn)確地定位篡改區(qū)域.值得注意的是,文獻(xiàn)[13]算法的結(jié)果在某些情況下高于我們的算法,然而這只是對(duì)普通篡改圖像的結(jié)果.本算法的優(yōu)勢(shì)是精準(zhǔn)定位受攻擊的圖像,在下一小節(jié)我們將證明本算法的優(yōu)越性.

表5 圖像庫(kù)對(duì)比實(shí)驗(yàn)結(jié)果

圖7中3 個(gè)示例分別選自FAU、GRIP、MICCF600 圖像庫(kù).圖7(a)第一幅圖選自FAU 圖像庫(kù),不僅有多目標(biāo)克隆,還包含小區(qū)域篡改.第二幅圖選自GRIP 圖像庫(kù),其具有高度自相似性.第三幅圖選自MICC-F600圖像庫(kù),篡改區(qū)域包含旋轉(zhuǎn)和縮放攻擊.圖像中的綠色區(qū)域表示正確檢測(cè)到的像素,紅色區(qū)域表示錯(cuò)誤檢測(cè)到的像素.如圖7所示,本算法能夠準(zhǔn)確定位篡改區(qū)域.在圖7(g)中有部分紅色區(qū)域,因宿主圖像是具有高度自相似性,本算法在放大圖像時(shí),增加了圖像的原始相似區(qū)域,使得誤檢測(cè)像素?cái)?shù)量增多,這也是未來改進(jìn)方向之一.

圖7 篡改檢測(cè)主觀結(jié)果對(duì)比實(shí)例

3.3 攻擊圖像實(shí)驗(yàn)

部分攻擊圖像庫(kù)選自FAU[24],余下圖像使用FAU生成攻擊圖像的方法對(duì)FAU 基礎(chǔ)數(shù)據(jù)集進(jìn)行處理,得到一系列不同類型的攻擊圖像.以下為本實(shí)驗(yàn)所選攻擊圖像庫(kù)：

(1)縮放：將原始區(qū)域縮放得到篡改區(qū)域,比值從90%到110%,步長(zhǎng)為4%,同時(shí)補(bǔ)充使用50%、80%、120%和200%的縮放圖像庫(kù),共480 張圖像.

(2)旋轉(zhuǎn)：將原始區(qū)域旋轉(zhuǎn)0°、10°、30°、50°和180°得到篡改區(qū)域,共240 張圖像.

(3)JPEG 壓縮：篡改區(qū)域的JPEG 比例因子從20 到100,步長(zhǎng)10.共392 張圖像.

(4)噪聲：篡改區(qū)域添加0.02,0.04,0.06,0.08,0.1 std 高斯白噪聲.共240 張圖像.

我們?cè)趫D像級(jí)和像素級(jí)分別進(jìn)行了對(duì)比實(shí)驗(yàn),對(duì)比文獻(xiàn)[8,12,13]的算法.圖8、圖9分別表示圖像級(jí)與像素級(jí)實(shí)驗(yàn)結(jié)果.

如圖8、圖9所示,該算法在縮放、旋轉(zhuǎn)、噪聲和JPEG 壓縮4 種攻擊下的檢測(cè)效果良好.不僅在圖像級(jí)進(jìn)行正確的檢測(cè),且在像素級(jí)得到精準(zhǔn)的結(jié)果.在極端縮放攻擊(50%和200%)下,文獻(xiàn)[8]和文獻(xiàn)[12]表現(xiàn)不佳,因其特征只有一定程度的尺度不變性,無法抵抗大比例縮放攻擊,相反本方案選用的SURF 特征具有良好的尺度不變性.與其他3 種算法相比,本算法在噪聲攻擊和JPEG 壓縮攻擊下均具有更好的性能,這歸功于后處理算法的魯棒性.

圖8 圖像級(jí)對(duì)比結(jié)果

圖9 像素級(jí)對(duì)比結(jié)果

4 結(jié)論

圖像復(fù)制粘貼篡改是一種常見的數(shù)字圖像篡改方式.我們將圖像分割成不重疊的塊并延拓,構(gòu)造波動(dòng)函數(shù),根據(jù)波動(dòng)函數(shù)值確定閾值均勻地提取圖像特征點(diǎn).使用尺度不變和強(qiáng)描述力的SURF 特征.引入DBQ-LSH匹配算法.提出了一種新的定位方法,不變矩LBP 定位方法.通過使用不變矩矩值代替像素值將LBP 算法從空間域拓展到變換域,比較兩幅不變矩MRELBP 圖像的相似度而不是兩幅灰度圖像的相似度,從而提高對(duì)攻擊圖像檢測(cè)的魯棒性.實(shí)驗(yàn)結(jié)果表明,該方案具有較好的檢測(cè)性能,在檢測(cè)效果得到提高的同時(shí),定位精度也明顯提升.在未來的工作中,我們將尋找更具魯棒性的特征,并嘗試引入軟計(jì)算.