基于機(jī)器視覺(jué)的小目標(biāo)復(fù)制圖像篡改檢測(cè)方法

趙寶水，黃海龍，田 昊

(遼寧工業(yè)大學(xué)，遼寧錦州 121000)

1 引言

迅猛發(fā)展的信息技術(shù)與傳媒技術(shù)使圖像在存儲(chǔ)與傳輸領(lǐng)域中的應(yīng)用越來(lái)越頻繁，應(yīng)時(shí)而生的PS[1]、ACDsee等圖像編輯軟件降低了圖像篡改難度，讓偽造圖片的真實(shí)性達(dá)到了以假亂真的程度。一旦懷有某種目的大肆傳播經(jīng)過(guò)惡意篡改的圖片，將會(huì)對(duì)正常的生活秩序產(chǎn)生直接影響，甚至引發(fā)社會(huì)恐慌、國(guó)家動(dòng)亂等嚴(yán)重后果，所以，有效鑒別圖像真實(shí)性逐漸演變成社會(huì)發(fā)展的迫切需求，篡改檢測(cè)方法也得到了眾多相關(guān)學(xué)者的廣泛關(guān)注。

文獻(xiàn)[2]針對(duì)拼接的圖像篡改形式，提出一種基于多特征融合及能量分布的圖像篡改檢測(cè)方法，利用多通道與多變換域，完成多特征融合的圖像篡改檢測(cè)模型構(gòu)建，根據(jù)不同通道不同變換域的能量分布，基準(zhǔn)化處理亮度通道能量，修正馬爾科夫轉(zhuǎn)移狀態(tài)閾值，依據(jù)色度通道的能量集中性，細(xì)分馬爾科夫轉(zhuǎn)移狀態(tài)，改進(jìn)圖像篡改檢測(cè)模型；文獻(xiàn)[3]為提升多重鏡像的篡改檢測(cè)效果，設(shè)計(jì)出一種基于近似最近鄰搜索的檢測(cè)方法，根據(jù)提取到的圖形BRISK特征描述子，獲得二值特征向量，利用傳導(dǎo)策略完成相似圖像塊的優(yōu)化搜索，采用最小均方線性模型，求取擬合誤差，將誤匹配點(diǎn)去除，實(shí)現(xiàn)篡改區(qū)域定位與檢測(cè)。

由于上述文獻(xiàn)方法圖像信息冗余度較高，檢測(cè)流程較為復(fù)雜，限制了檢測(cè)效果的提升，因機(jī)器視覺(jué)技術(shù)憑借高精度、非接觸、快速度等優(yōu)勢(shì)，廣泛應(yīng)用于工業(yè)、農(nóng)業(yè)、軍事以及醫(yī)學(xué)等各類自動(dòng)化檢測(cè)領(lǐng)域中[4]，為此，本文引用機(jī)器視覺(jué)技術(shù)，提出一種小目標(biāo)復(fù)制圖像篡改檢測(cè)方法。利用機(jī)器視覺(jué)的角點(diǎn)分析手段，使圖像重要信息更加突出，簡(jiǎn)化提取過(guò)程，增加其穩(wěn)定性與適應(yīng)性；將邊緣點(diǎn)的方向作為模板匹配時(shí)的考慮因素，拉近角點(diǎn)與直觀感覺(jué)的貼合度；選用圓形擴(kuò)展角點(diǎn)區(qū)域，避免旋轉(zhuǎn)操作對(duì)小目標(biāo)復(fù)制圖像造成的信息變化干擾；通過(guò)獲取角點(diǎn)區(qū)域完成篡改檢測(cè)區(qū)域構(gòu)建，在一定程度上提升檢測(cè)效率。

2 基于機(jī)器視覺(jué)的小目標(biāo)復(fù)制圖像篡改檢測(cè)

2.1 圖像檢測(cè)區(qū)域獲取

為明確小目標(biāo)復(fù)制圖像篡改檢測(cè)區(qū)域，需提取圖像邊緣特征，完成圖像邊緣檢測(cè)[5]。

利用Prewitt方向?qū)?shù)近似算子檢測(cè)復(fù)制圖像邊緣的流程具體描述如下：

1)根據(jù)灰度圖像I(x，y)兩方向上的Prewitt算子與圖像卷積，分別采用下列各式描述與x、y方向?qū)?yīng)的灰度導(dǎo)數(shù)近似Ex與Ey

Ex=I*Sx

(1)

Ey=I*Sy

(2)

式中，Sx與Sy的表達(dá)式分別如下所示

(3)

(4)

2)基于得到的灰度導(dǎo)數(shù)近似，推導(dǎo)出圖像各點(diǎn)位置的灰度梯度強(qiáng)度E與方向D表達(dá)式

(5)

(6)

3)通過(guò)預(yù)估噪聲均方根，計(jì)算出邊緣二值化閾值，利用圖像x、y方向上的局部NMS(Non-Maximum Suppression，非極大值抑制)[6]，細(xì)化、二值化處理圖像各點(diǎn)的灰度梯度強(qiáng)度，生成二值邊緣圖像C。

采用直角角點(diǎn)檢測(cè)策略，簡(jiǎn)化檢測(cè)流程，通過(guò)轉(zhuǎn)換圖像檢測(cè)空間為參數(shù)空間，提升匹配效率，完成模板匹配后找到兩條夾角固定且較為明顯的邊緣線段。

假設(shè)p為模板Ti的任意邊緣點(diǎn)，q為該點(diǎn)的鄰域點(diǎn)，若模板Ti中心與鄰域點(diǎn)q重合，點(diǎn)p被模板覆蓋，則將鄰域點(diǎn)q的對(duì)應(yīng)計(jì)數(shù)器加1，相反，則不做變動(dòng)。經(jīng)過(guò)處理所有邊緣點(diǎn)p，得到各點(diǎn)q相應(yīng)計(jì)數(shù)器的值，該值即為模板中心點(diǎn)與二值邊緣圖像的匹配值，此時(shí)的模板中心點(diǎn)與點(diǎn)q重合。當(dāng)模板是已知的情況下，可提前取得相對(duì)點(diǎn)p而言的待增加計(jì)數(shù)點(diǎn)q位置，所以，直接在累加點(diǎn)的相應(yīng)計(jì)數(shù)器加1即可，省去遍歷領(lǐng)域階段。

為使角點(diǎn)更接近直觀感覺(jué)，應(yīng)將邊緣點(diǎn)的方向也作為模板匹配時(shí)的考慮因素，所以，在霍夫變換[7]過(guò)程中，以當(dāng)前邊緣點(diǎn)的法線方向、參考點(diǎn)與累加點(diǎn)向量方向的夾角為依據(jù)，將一個(gè)0到1之間的權(quán)重添加到累加點(diǎn)的計(jì)數(shù)值上。

假設(shè)邊緣為χ，當(dāng)前考察的邊緣點(diǎn)為p，其邊緣法向量為ν(p)，待處理的累加點(diǎn)為q，邊緣點(diǎn)至累加點(diǎn)的向量為τ(p，q)，則當(dāng)向量τ(p，q)垂直于邊緣法向量ν(p)時(shí)，點(diǎn)p的邊緣切向量與向量τ(p，q)在同一條直線上，邊緣點(diǎn)p對(duì)累加點(diǎn)q存在最大累加貢獻(xiàn)，取值為1；若向量τ(p，q)的方向與邊緣法向量ν(p)的方向一致或者相反，則點(diǎn)p的邊緣切向量垂直于向量τ(p，q)，此時(shí)，邊緣點(diǎn)p對(duì)累加點(diǎn)q存在最小累加貢獻(xiàn)，取值為0。

綜上所述，累加值函數(shù)的計(jì)算公式如下所示

(7)

式中，向量τ(p，q)與邊緣法向量ν(p)的夾角為θ′。其中，根據(jù)灰度梯度方向矩陣D，得到邊緣法向量ν(p)的方向，通過(guò)模板取得向量τ(p，q)。

對(duì)模板Ti進(jìn)行霍夫變換后，獲得對(duì)應(yīng)變換結(jié)果Hi，每一個(gè)邊緣點(diǎn)的霍夫變換最大值即為該點(diǎn)的CRF(comer response function，角點(diǎn)響應(yīng)函數(shù))[8]，表達(dá)式如下所示

(8)

上式同時(shí)也表示邊緣點(diǎn)p的鄰域與模板Ti間的匹配值。

經(jīng)過(guò)非極大值抑制處理角點(diǎn)響應(yīng)函數(shù)的各個(gè)方向，基于得到的匹配閾值t，剔除比閾值小的局部極大點(diǎn)，檢測(cè)出的直角角點(diǎn)輸出即為余下的局部極大點(diǎn)。通過(guò)極大值的模板序號(hào)，明確對(duì)應(yīng)角點(diǎn)方向。

因?yàn)榉叫螜z測(cè)區(qū)域會(huì)改變旋轉(zhuǎn)操作的小目標(biāo)復(fù)制圖像信息，因此，需將檢測(cè)區(qū)域設(shè)定為19個(gè)像素直徑的圓形擴(kuò)展角點(diǎn)區(qū)域，來(lái)應(yīng)對(duì)在圖像任意位置出現(xiàn)的偽造區(qū)域。

2.2 圖像特征提取

由于正交矩的正交特性能夠最小化圖像特征信息冗余度，因此，采用下列表達(dá)式界定小目標(biāo)復(fù)制圖像f的n階m重復(fù)數(shù)zernike矩[9]

(9)

=ρm

(10)

小目標(biāo)復(fù)制圖像的zernike矩Znm是一個(gè)復(fù)數(shù)。將已知規(guī)格的圖像完成極坐標(biāo)變換，明確r與σ的取值范圍，即可解得圖像的實(shí)部與虛部，通過(guò)遞推性質(zhì)取得各階Rnm(ρ)值，得到zernike矩Znm，提取出圖像特征。

2.3 圖像篡改檢測(cè)實(shí)現(xiàn)流程

基于機(jī)器視覺(jué)的小目標(biāo)復(fù)制圖像篡改檢測(cè)步驟具體描述如下：

1)根據(jù)取得的圖像f各角點(diǎn)坐標(biāo)(fi，fj)與亞像素坐標(biāo)；

2)從四個(gè)方向擴(kuò)展檢測(cè)到的NUM個(gè)角點(diǎn)區(qū)域，得到直徑是19個(gè)像素的圓形檢測(cè)區(qū)域，個(gè)數(shù)為5*NUM，經(jīng)過(guò)求取各檢測(cè)區(qū)域的zernike矩(Z11，Z10，Z22，Z21，Z20，Z33，Z32，Z31，Z30)，歸一化處理各階zernike矩為0～1，將其當(dāng)做特征向量；

3)利用各檢測(cè)區(qū)域特征向量，構(gòu)建維數(shù)為9的K-D樹(shù)[11]。若檢測(cè)區(qū)域特征向量?jī)蓛芍g的距離不超過(guò)T，則進(jìn)入判定階段：已知給定的任意圓形檢測(cè)區(qū)域坐標(biāo)(fi1，fj1)與另一圓形檢測(cè)區(qū)域坐標(biāo)(fi2，fj2)，如果兩坐標(biāo)任意方向的間距最大值MAXD超過(guò)直徑19，則判定該區(qū)域是偽造區(qū)域。其中，方向間距最大值MAXD的計(jì)算公式如下所示

MAXD=max(|fi1-fi2|，|fj1-fj2|)

(11)

4)如果檢測(cè)得到的偽造區(qū)域在半徑是3*19的圓形區(qū)域中沒(méi)有其它偽造區(qū)域存在，則判定此偽造區(qū)域是真實(shí)區(qū)域，將噪點(diǎn)偽造區(qū)域進(jìn)行剔除；

蟲(chóng)害防治就是茄子在生長(zhǎng)的過(guò)程中會(huì)受到一些病蟲(chóng)的感染，進(jìn)而破壞茄子的正常生長(zhǎng)。蟲(chóng)害主要有蚜蟲(chóng)、白粉虱和茶黃螨等，在防治的過(guò)程中，可以在定植3-4天后在苗床上用15%噠嗪酮2500倍液防治茶黃螨，現(xiàn)蕾至結(jié)果期再查治1次。白粉虱采用25%阿克泰水分散粒劑，每畝2-3 g，兌水30 kg或以青霉素噴藥與黃板誘殺的辦法結(jié)合進(jìn)行。蚜蟲(chóng)可用韶關(guān)霉素防治，進(jìn)而減少病蟲(chóng)對(duì)茄子的大面積感染。

5)用直線連接檢測(cè)出的復(fù)制-粘貼偽造區(qū)域；

6)通過(guò)NIQE(Natural image quality evaluator，圖像質(zhì)量評(píng)價(jià))算法[12]，取得小目標(biāo)復(fù)制圖像的真實(shí)程度最終得分。

3 圖像篡改檢測(cè)效果分析

3.1 數(shù)據(jù)集與評(píng)估指標(biāo)

從接近真實(shí)數(shù)據(jù)但信息相對(duì)復(fù)雜的公開(kāi)圖像數(shù)據(jù)集CASIA中，任意抽取1000組小目標(biāo)復(fù)制篡改圖像數(shù)據(jù)作為檢測(cè)實(shí)驗(yàn)數(shù)據(jù)集，其中，粗篩網(wǎng)絡(luò)、粒提網(wǎng)絡(luò)以及精辨網(wǎng)絡(luò)的訓(xùn)練集共800組，粗篩網(wǎng)絡(luò)驗(yàn)證數(shù)據(jù)集70組，粒提網(wǎng)絡(luò)驗(yàn)證數(shù)據(jù)集70組，精辨網(wǎng)絡(luò)驗(yàn)證數(shù)據(jù)集40組，測(cè)試數(shù)據(jù)集20組。

采用Tensor Flow深度學(xué)習(xí)庫(kù)作為方法實(shí)現(xiàn)平臺(tái)，語(yǔ)言編程由Python完成。為精準(zhǔn)評(píng)價(jià)方法性能，選取精確率precision、召回率recall以及綜合指標(biāo)F1作為評(píng)估指標(biāo)，界定公式分別如下所示

(12)

(13)

(14)

式中，TP表示篡改區(qū)域檢測(cè)正確的像素?cái)?shù)，F(xiàn)P表示篡改區(qū)域被錯(cuò)誤檢測(cè)的像素?cái)?shù)，F(xiàn)N表示非篡改區(qū)域被錯(cuò)誤檢測(cè)的像素?cái)?shù)。

3.2 評(píng)估指標(biāo)分析

分別采用文獻(xiàn)[2]方法、文獻(xiàn)[3]方法以及本文方法，檢測(cè)測(cè)試數(shù)據(jù)集的20組圖像數(shù)據(jù)，各指標(biāo)結(jié)果如圖1所示。

圖1 各方法指標(biāo)結(jié)果對(duì)比圖

通過(guò)上圖1中各方法指標(biāo)結(jié)果數(shù)據(jù)可以看出，本文方法因利用Prewitt方向?qū)?shù)近似算子檢測(cè)圖像邊緣特征，明確了小目標(biāo)復(fù)制圖像篡改檢測(cè)區(qū)域，應(yīng)用zernike矩最小化圖像特征信息冗余度，去除了噪點(diǎn)偽造區(qū)域，所以，對(duì)比文獻(xiàn)[2]方法、文獻(xiàn)[3]方法具有更理想的精確率、召回率以及綜合性能。

3.3 魯棒性分析

針對(duì)不同程度的圖像壓縮攻擊和高斯噪聲污染攻擊，模擬出各方法的檢測(cè)結(jié)果，其均值曲線如下圖2、3所示。

從圖2、3的顯示結(jié)果中可以看出：當(dāng)圖像受到不同品質(zhì)因子的JPEG圖像壓縮攻擊時(shí)，文獻(xiàn)[2]方法因CASIA數(shù)據(jù)集的圖像沒(méi)有拍攝信息元數(shù)據(jù)，使檢測(cè)結(jié)果趨于失效狀態(tài)，文獻(xiàn)[3]方法只有品質(zhì)因子在固定范圍里時(shí)，才能進(jìn)行有效檢測(cè)，一旦超出固定范圍，就失去了檢測(cè)有效性，而本文方法則憑借zernike矩的正交特性與圓形檢測(cè)區(qū)域的適應(yīng)性，大幅度提升了檢測(cè)的穩(wěn)定性，具有更理想的檢測(cè)效果，正因如此，本文方法在圖像受到不同方差的高斯噪聲污染攻擊時(shí)，檢測(cè)效果明顯比文獻(xiàn)方法更具優(yōu)越性。

圖2 不同程度JPEG圖像壓縮攻擊檢測(cè)指標(biāo)示意圖

圖3 不同程度的高斯噪聲污染攻擊檢測(cè)指標(biāo)示意圖

3.4 AUC值分析

利用ROC曲線(Receiver Operating Characteristic curve，受試者工作特征曲線)的線下面積即AUC(Area Under Curve，ROC曲線下面積)值，評(píng)估各方法的性能度量，各方法對(duì)應(yīng)的AUC值曲線如下圖4所示。

圖4 各方法AUC值曲線示意圖

經(jīng)過(guò)對(duì)比各方法AUC值發(fā)現(xiàn)，相比于文獻(xiàn)[2]方法、文獻(xiàn)[3]方法，本文方法由于擴(kuò)充了角點(diǎn)檢測(cè)區(qū)域，降低了圖像特征信息的冗余度，去除了噪點(diǎn)偽造區(qū)域，并得到小目標(biāo)復(fù)制圖像的真實(shí)程度最終得分，因此，其AUC值的曲線走勢(shì)始終處于較好狀態(tài)，說(shuō)明本文方法的綜合性能水平較高，可以滿足實(shí)際的應(yīng)用需求。

4 結(jié)論

當(dāng)前重要信息的傳播途徑以圖像形式為主，快速發(fā)展的計(jì)算機(jī)技術(shù)與媒體技術(shù)，各類圖像編輯軟件應(yīng)運(yùn)而生，增加了修改內(nèi)容信息的便捷度，但隨之而來(lái)的是圖像可信度的大幅下降，圖像篡改對(duì)軍事、傳媒以及司法等行業(yè)領(lǐng)域有直接影響，因此，本文以機(jī)器視覺(jué)為基礎(chǔ)，提出一種小目標(biāo)復(fù)制圖像篡改檢測(cè)方法。各項(xiàng)技術(shù)推陳出新，篡改工具多種多樣，應(yīng)嘗試與新型技術(shù)相結(jié)合，探索出一種可以解決所有篡改問(wèn)題的強(qiáng)普適性篡改檢測(cè)方法，打破其針對(duì)性、單一性；由于時(shí)間限制，檢測(cè)方法中存在一定的弊端與缺失，導(dǎo)致檢測(cè)結(jié)果出現(xiàn)誤檢、漏檢，因此，獲取更完美的檢測(cè)方法將是今后工作的研究重點(diǎn)；攻擊干擾會(huì)影響圖像篡改區(qū)域隱藏特征，應(yīng)通過(guò)注意力機(jī)制與池化操作，加強(qiáng)檢測(cè)方法的抑制性能；為提升檢測(cè)方法在實(shí)際應(yīng)用中的實(shí)踐性，應(yīng)從圖像篡改判定與篡改方式判定等角度入手，架構(gòu)出性能更全面的檢測(cè)策略。