基于背景噪声图像伪作检测.docVIP

基于背景噪声图像伪作检测 　　摘 要：一幅真实的数字图像中的噪声特征具有一致性，而由多幅数字图像拼接的合成图像的噪声特征没有一致性。本文，我们利用小波变换多分辨率的特点，依据原图像和篡改后图像的平均运算、细节运算不同的原理，采用了支持向量机（SVM）分类器的诸多常用核函数中的S形核函数进行分类识别，提出了基于图像背景噪声的图像伪作检测算法。该方法对于识别合成的数字图像具有显著效果，对合成图像的篡改操作有较好地鲁棒性。 　　关键词：噪声；篡改；小波变换；支持向量机 　　中图分类号：TP391.41 　　在当今互联网时代，信息尤其是图像信息的真实性对于商业、军事、媒体等来说都至关重要，但是由于相应的图像篡改技术在不断升级，使得如何识别初始图像和篡改图像成了研究的难点，也是学术界关注的重点之一。目前研究图像篡改的检测方法，分为主动与被动技术两种。主动技术包括给数字水印和数字签名，他们都有在图像中添加附加信息等弊端；被动技术是根据图像本身信息来判断其是否篡改，包括四种常见的检查方法：采用SURF提取图像不变量特征采用最近邻法进行特征匹配的图像复制粘贴篡改检测技术[1]；基于质量评价量和方差分析以及基于相位一致性的篡改检测技术[2-3]；利用相机模板噪声与待测图像相匹的篡改检测技术[4]；利用图像高阶统计量来计算噪声标准差的不一致性的篡改检测技术[5-6]。本文通过小波变换获得图像噪声，再运用支持向量机分类器进行特征分析真实图像和篡改图像，从而识别图像是否被篡改。 　　1 小波变换及其原理 　　1910年，Haar最早提出小波规范正交基；1981年，Morlet首次提出“小波分析”的概念，它是对傅里叶变换和短时傅里叶变换的改进，成功用于地质数据处理；1986年，Meyer通过创造了具有衰减性的ψ（x）光滑函数，其二进伸缩和平移： ；j，k∈Z是函数空间L2（R）的一个标准正交基，标志着小波分析取得了突破进展，同年S.Mallat和Y.Meyer提出多分辨率概念和快速小波变换算法[7]，此时小波变换的理论框架就已成熟。与傅里叶变换只能反映图像的整体特征但缺乏时空域上局部化的功能相比，小波变换可通过伸缩平移运算对信号逐步进行多尺度细化，可以进行高频处时间细分、低频处频率细分，通过自动适应时频信号分析要求，聚集到信号的任意细节。 　　本文研究的基于背景噪声的图像伪作检测算法主要也是基于小波变换，而信号压缩则是小波变换的核心思想。具体来说，设多元素的信号为{X1，X2，X3，X4}，平均运算和细节运算表示为：{a1，0，a1，1，d1，0，d1，1}，篡改越多，则丢弃的细节信号越多，原信号的小波变换是：{a0，0，d0，0，d1，0，d1，1}，其中基于不同层次的平均信息、细节信息的分辨率信息依次是：{X1，X2，X3，X4}表示最高分辨率信息；{a1，0，a1，1}表示次高分辨率平均信息；{d1，0，d1，1}表示次高分辨率细节信息；{a0，0}表示最低分辨率平均信息；{d0，0}表示最高分辨率细节信息。对于长度为2n的信号Sn={Sn，t|0≤1≤2n}，平均和细节记作： 　　多级Haar小波变换分解和重构过程可用图1表示： 　　2 分类器解释 　　利用小波变换原理获得图像噪声特征，然后采用支持向量机对真实原图像和篡改部分图像进行分类和识别，在本文采用的是支持向量机（SVM）[8]分类器中的诸多常用核函数S形核函数K（xi，xj）=tanch（v（xi*xj）+t）对噪声特征进行分类。前人研究中有多项式内积函数、径向基核函数的支持向量机，但未有文献研究Sigmoid核函数。SVM它的主要思想是将非线性可分样本的输入向量映射到高维度Z空间，从而找到超平面，在图像识别和函数运算方面具有诸多优势。在两个平面间我们找那么一个超平面，它使得分类间隔最大，这种分类器称之为支持向量机，如图2。通过支持向量机，可以有效地将图像原始部分和发生篡改的部分进行有效的分离。 　　3 实验结果与分析 　　为了验证本文算法是否有效，选取了三幅256*384的彩色图像进行了灰度处理，再原始图像分别进行增加、减少、转移等篡改操作，篡改后的图像如下，并对其进行检测。 　　在实验中，我们针对上面的三幅图像共进行了两次检测。在第一次检测时，我们发现只有一部分被篡改的图像部分能够被检测出，但仍然存在漏检甚至误检的情况，所以我们利用改进后的算法进行重新的检测与定位。在第二次检测与定位之前，我们先对篡改后的图像进行了相关性强弱的判断，这一次的结果精确度较第一次有所提高，尤其是误检和漏检情况得到了明显改善，效果也比较理想。 　　通过Matlab我们对每个图像进行了8*8和8*12的分块检测，分块后，确定了每块的平均值；然后对每个子块进行归类（类别包括均匀字