改进的基于模式噪声的源相机检测算法.docVIP

改进的基于模式噪声的源相机检测算法 摘 要： 针对基于模式噪声的数码相机源检测中存在的问题，提出了一种改进的模式噪声提取算法。在Lukas算法的基础上，首先利用Wallis预滤波处理抑制低频噪声并增强模式噪声；再利用Sobel边缘检测算子对图像的复杂边缘纹理区进行有效剔除，最后利用经过上述处理得到的图像模式噪声与相机参考模式噪声模板进行相关检测。实验结果表明，提出的改进算法可以有效提高源相机检测的性能。 关键词： 数字图像取证； 源相机检测； 模式噪声； Wallis预滤波； 相关性检测 中图分类号： TN919?34； TP301.6 文献标识码： A 文章编号： 1004?373X（2014）06?0027?05 0 引 言 数字图像易于存取、传输和编辑，因此在日常生活中得到了广泛的应用。然而，随着PhotoShop等图像编辑软件的快速发展，人们可以轻易地对图像进行篡改，信息安全问题随之产生。为了确定数字图像的真实性，数字图像取证技术得以产生和发展。 通过分析数字图像中由成像设备引入的特性，确定图像来源即成像设备的取证技术称为数字图像来源取证，也叫源相机检测，是图像取证技术的一个重要分支。其采用的方法主要是提取相机的参考模式噪声，并检测待测图像中是否含有此模式噪声。模式噪声[1]是相机的特有属性，类似于人的指纹，主要由固定模式噪声（Fixed Pattern Noise，FPN）和光子响应不一致性噪声（Photo Response Non?Uniformity，PRNU）两部分组成。FPN 是指相机传感器在未曝光情况下的输出，是由暗电流引起的。FPN为加性噪声，可以采用减暗帧的方法抑制。PRNU 的主要成分是像素不一致性噪声（Pixel Non?Uniformity，PNU），是指因传感器对光敏感度的不一致性引入的噪声，与拍摄场景无关，只与成像传感器有关，因此不同的数码相机，即使品牌型号相同，其PNU也不相同。相机源检测中用到的模式噪声主要指PNU。 基于模式噪声的源相机检测可分为两类：一种是通过滤波器滤波提取模式噪声，并以叠加求平均的方式估计相机的参考模式噪声[1?2]；另一种是对成像过程建模，通过最大似然估计法，用滤波后得到的噪声残差图像估计模式噪声的乘性因子[3?4]。本文的研究主要是在第一种方法的基础上进行的。 第一种方法最早由Lukas 和Fridrich等人提出，但由于模式噪声为乘性噪声，且数字图像的成像过程十分复杂，提取的模式噪声会受到图像内容、CFA插值、JPEG压缩等多种噪声的干扰，导致算法的检测性能下降[1?2]。为此，许多学者开始致力于对算法的改进研究。鉴于模式噪声会受到图像内容的影响，Li认为待测图像的模式噪声中，值越大的分量，受场景噪声的干扰越大，可信度越低，要减弱它对相关性检测的影响，因此他提出了5种非线性变换模型，对模式噪声进行提纯[5]。文献[6?8]则通过对图像进行纹理复杂度分析，选择简单纹理区域的方法抑制场景噪声的干扰。文献[9]认为模式噪声应该具有相对平坦的幅值谱，并在此基础上提出了一种相机相位参考模式噪声，通过对模式噪声进行频谱归一化操作，达到抑制场景噪声的目的。以上研究表明：模式噪声提取，是基于模式噪声的相机源检测算法的核心，是从强信号中提取微弱信号（PRUN相机指纹）的过程，这是一个比较复杂的信号检测问题，其检测性能目前还不完善，仍需要进行深入研究。PRUN的提取与检测的精度主要受下列因素影响： （1） 光在灰尘、镜头表面发生的折射以及变焦设置等引入的噪声。这些噪声通常被称为环状模板，是低频成分，不是传感器的固有特征，不能用来进行相机源检测，如何合理去除是一个需要研究的问题。 （2） 图像纹理内容。图像的纹理是图像中像素值变化比较剧烈的部分，属于强噪声信号，如何合理去除，仍然是影响PRUN提取精确度的关键问题。 （3） CFA插值等周期性噪声的影响。针对PRUN提取存在的前两个问题，本文提出了基于Wallis滤波的低频噪声抑制方法和基于边缘检测的图像纹理内容抑制方法，并通过实验验证了提出算法的有效性。 1 Lukas算法简介 首先对Lukas等提出的算法[1?2]进行简单的介绍，其算法关键步骤如下： （1） 模式噪声提取。选用文献[10]提出的小波滤波器对图像I进行滤波，可得图像I的模式噪声为： [ω I-FωI] （1） （2） 相机参考模式噪声。相机的模式噪声无法直接获得，因此Lukas等提出可以用多幅参考相机拍摄的图像作为参考图像，并采用步骤（1）的方法，对每幅图像提取模式噪声，记为[ωk]，叠加求平均后，作为相机参考模式噪声的近似值： 式中N为用于提取相机参考模式噪声的图像个数。 （3） 相关性检测。按步骤（1）对待测图像[p]提取模式噪声，记为[ωp]，按步骤（2）对参