基于颜色滤波阵列特性的拼接图像篡改检测方法
【技术领域】
[0001] 本发明属于图像处理技术领域，具体涉及一种基于颜色滤波阵列特性的拼接图像 篡改检测方法。
【背景技术】
[0002] 在数字成像技术日新月异的发展过程中，数码照片被应用在我们的生活中的各个 方面。然而，各种各样图像处理软件的广泛应用，可以方便地对图像进行一些处理操作，如 局部修改、拼接、润饰等计算机处理，使得篡改图像无处不在，造成了数字图像的内容真实 性变得不再可靠，无法作为一些法律案件、新闻传媒、科研成果、医疗诊断以及金融事件的 强有力的证据。因此，如何检测数字图像内容的真实性已成为近年来法律界和信息产业界 所面临的一个重要的热点问题和迫切需要解决的难点问题。展开对数字图像内容真实性的 研宄，对维护互联网的公共信任秩序、维护法律公正、新闻诚信、科学诚信等，具有十分重要 的意义。
[0003]图像拼接是一种最普遍的图像篡改技术，是指把不同图像的部分内容拼接在一起 生成合成图像，以伪造不存在的场景。拼接后的图像往往进行了一些后处理，如模糊、添加 噪声、JPEG压缩，旋转/缩放等几何操作，以制造以假乱真的效果，使得人眼根本无法辨别 真伪，机器识别也变得更加困难。
[0004] 对于数码相机获取的全彩色图像，颜色滤波阵列（ColorFilterArray，简称CFA) 的运用为拼接图像的检测提供了理论基础：即CFA插值操作使图像相邻像素间具有相关 性，拼接操作会破坏或者改变这种相关性模式。因此，可以通过在图像中检测这种相关模式 的改变来追踪拼接伪造的痕迹。
[0005] 首次将CFA插值所引入的图像相邻像素之间的周期性应用于数字图像篡改检测 的方法出现在Popescu和Farid的文献中，作者首先估计了CFA插值模型的系数及插值后 验概率图，并对后验概率图进行二维离散傅里叶变换，实现了空域到频域的转换，最后通过 观察峰值的分布是否具有周期性实现篡改检测，该方法能够检测图像是否经历了拼接篡 改，但不能检测被拼接的区域，而且对JPEG压缩不具有鲁棒性。除此之外，Dirik和Memon 基于CFA的结构特征也提出了两种篡改检测方法：第一种，由于不同模式结构的CFA，通过 插值得到的像素的残留误差不同，由此就可以判断待检测图像所使用的CFA模式结构，进 而实现篡改检测与定位；第二种，给定一种相同模式结构的CFA，计算与之对应的由传感器 直接获得的像素和由CFA插值得到的像素位置处的噪声强度比，最终实现篡改检测定位。 这两种方法的不足之处也在于对JPEG压缩不具有鲁棒性。
[0006] 通过大量调研我们发现，现有的基于CFA插值模式的图像拼接检测方法仍存在许 多缺点，主要体现在两个方面：一是一些算法只能检测出图像是否经过了拼接操作，但无法 确定被伪造区域的位置；二是一些算法虽然可以确定被伪造区域的位置，但对于JPEG压缩 的鲁棒性较差，而JPEG是一种常用的图像压缩格式，目前使用的很多图像都是JPEG格式。 因此，现存方法远远不能够满足图像取证的实际需求，发明篡改检测率高，篡改定位准确并 且鲁棒的取证方法迫在眉睫。
【发明内容】
[0007] 本发明的目的在于提供一种基于颜色滤波阵列特性的拼接图像篡改检测方法，解 决了现有技术中不能精确定位被拼接的图像区域以及算法不具有鲁棒性的问题，其能够准 确定位出拼接伪造的数字图像区域，并对于JPEG压缩、添加噪声、滤波、伽马校正等内容保 持的图像处理操作具有鲁棒性。
[0008] 本发明所采用的技术方案是：基于颜色滤波阵列特性的拼接图像篡改检测方法， 包括以下步骤：
[0009] 第1步，将待检测图像分成多个图像块的预处理；
[0010] 第2步，估算原始图像模式；
[0011] 第3步，利用边缘检测算子进行篡改定位检测。
[0012] 本发明的特点还在于，
[0013] 第1步，将待检测图像分成多个图像块的预处理：
[0014] 将待测图像按像素点分为MXN大小的矩阵I，采用CFA差值模型将待检测图像的 绿色分量记为ICFA，将ICFA划分为不重叠的64X64的图像块，即得到MXN/64 2个图像块，用 表示第k块：
[0016] 第2步，估算原始图像模式时将ICFA的像素分为MjPM2两类，其中I表示通过插 值得到的像素值，]?2表示通过传感器直接获得的像素值，IeFA(m，n)表示插值点（m，n)处的 像素值，具体步骤如下：
[0017]第2.1步，对每一个图像块/^中插值点（m，n)处的像素值/^(w，《)，建立线性插 值模型：
[0019]其中，参数
，参数r(m，n)是服从均 值为〇、方差为〇 2正态分布的残余误差；
[0020]第2. 2步，对参数进行初始化，令NQ= 1，方差〇 = 2，属于仏的条件概 率为匕=1/256,对每一个图像块利用EM算法估算出其插值系数，记为沪，计算所有浐 的平均值，记为mv:
[0022] 第2. 3步，利用巧构造最终的插值系数矩阵，记为H:
[0024]第2. 4步，记绿色分量IeFA插值点（m，n)的邻域矩阵为:
[0026] 第2.5步，利用最终的插值系数矩阵H和差值点（m，n)邻域矩阵/；^得到原始图 像模式I'CFA内的像素值I'CFA(m，n):
[0028] 第3步利用边缘检测算子进行篡改定位检测具体步骤如下：
[0029] 第3. 1步，定义新矩阵I。，其元素为1^与I' eFA的对应元素差的平方：
[0031] 第3. 2步，对I。进行二值化处理得到I'。，然后利用Canny边缘检测算子对I'。进 行边缘检测，得到初步篡改定位结果込：
[0032]IL=E(I，c,'canny，） （8)。
[0033] 第3步还包括：
[0034] 第3. 3步，将初步篡改定位结果k使用形态学闭运算进行处理，得到最终的篡改 定位结果Itod:
[0035]ILend=imclose(IL，SE) (9)，
[0036] 其中，SE是结构元素。
[0037] 本发明的基于颜色滤波阵列特性的拼接图像篡改检测方法利用颜色滤波阵列插 值所引入的图像像素间的周期性相关模式的变化或差异性特点，进行拼接图像篡改检测， 解决了现有技术中不能精确定位被拼接的图像区域以及算法不具有鲁棒性的问题，并具有 以下有益效果：
[0038] (1)不仅能够检测出图像是否被拼接篡改，而且能够检测被篡改区域的位置；
[0039] (2)在篡改定位阶段由于引进了Canny算子，使算法具有较高的篡改定位精度，即 可以精确地定位出被篡改区域的边缘，并有效地拟制了虚假边缘；
[0040] (3)对内容保持的图像处理操作如不同质量因子的JPEG压缩、不同类型的滤波、 加噪处理等，具有较好的鲁棒性。
【附图说明】
[0041] 图la是本发明的一个实施例的原始测试图像；
[0042]图lb是图la中拼接了其他图像部分内容生成的拼接篡改图像；
[0043] 图lc是对图lb的检测结果图像；
[0044] 图2a是本发明的另一实施例的原始测试图像；
[0045] 图2b是图2a中拼接了其他图像部分内容生成的拼接篡改图像；
[0046] 图2c是对图2b的检测结果图像；
[0047] 图3b是在图3a中拼接了其他图像部分内容生成拼接篡改图像后再进行JPEG(QF = 80)压缩后的图像；
[0048] 图3c是对图3b的检测结果图像；
[0049] 图4a是本发明的另一实施例的原始测试图像；
[0050] 图4b是在图4a中拼接了其他图像部分内容生成拼接篡改图像后再进行JPEG(QF = 60)压缩后的图像；
[0051] 图4c是对图4b的检测结果图像；
[0052] 图5a是本发明的另一实施例的原始测试图像；
[0053] 图5b是在图5a中拼接了其他图像部分内容生成拼接篡改图像后再进行JPEG(QF = 40)压缩后的图像；
[0054] 图5c是对图5b的检测结果图像；
[0055] 图6a是本发明的另一实施例的原始测试图像；
[0056] 图6b是在图6a中拼接了其他图像部分内容生成拼接篡改图像后再进行 median(3X3)滤波后的图像；
[0057] 图6c是对图6b的检测结果图像；
[0058] 图7a是本发明的另一实施例的原始测试图像；
[0059] 图7b是在图7a中拼接了其他图像部分内容生成拼接篡改图像后再进行 wiener(3X3)滤波后的图像；
[0060] 图7c是对图7b的检测结果图像；
[0061] 图8a是本发明的另一实施例的原始测试图像；
[0062] 图8b是在图8a中拼接了其他图像部分内容生成拼接篡改图像后再加入椒盐噪声 (噪声因子为〇. 0006)后的图像；
[0063] 图8c是对图8b的检测结果图像；
[0064] 图9a是本发明的另一实施例的原始测试图像；
[0065]图9b是在图9a中拼接了其他图像部分内容生成拼接篡改图像后再加入椒盐噪声 (噪声因子为0. 001)后的图像；
[0066] 图9c是对图9b的检测结果图像；
[0067] 图10a是本发明的另一实施例的原始测试图像；
[0068] 图10b是在图10a中拼接了其他图像部分内容生成拼接篡改图像后再进行伽马校 正（校正因子为0.8)后的图像；
[0069] 图10c是对图10b的检测结果图像。
【具体实施方式】
[0070] 下面结合附图和【具体实施方式】对本发明进行详细说明。
[0071] 本发明提供的基于颜色滤波阵列特性的拼接图像篡改检测方法，包括以下步骤：
[0072] 第1步，将待检测图像分成多个图像块的预处理：
[0073] 将待测图像按像素点分为MXN大小的矩阵I，采用CFA差值模型将待检测图像的 绿色分量记为ICFA，将ICFA划分为不重叠的64X64的图像块，即得到MXN/64 2个图像块，用 表示第k块：
[0074]
[0075] 第2步，估算原始图像模式：
[0076] 将IeFA的像素分为MJPM2两类，其中^表示通过插值得到的像素值，112表示通过 传感器直接获得的像素值，IeFA(m，n)表示插值点（m，n)处的像素值，具体步骤如下：
[0077]第2. 1步，对每一个图像块/&中插值点（m，n)处的像素值，建立线性插 值模型：
[0079] 其中，参数歹v(0,0)=0)，参数 r(m，n)是服从均 值为〇、方差为〇 2正态分布的残余误差；
[0080] 第2.2步，对参数进行初始化，令队=1，即与其相邻的8个像素值相关， 方差〇 = 2, 属于M2的条件概率为1/256,对每一个图像块利用EM算 法估算出其插值系数，记为浐，具体地利用EM算法估算插值系数浐的步骤如下：
[0081] 由于上述模型的系数F和残余误差的方差〇2,一般用极大似然估计来估计，为了 解决极大似然估计的迭代问题，使用期望最大化（简称EM)算法求得。该算法以两步迭代 为过程，最终收敛为目的，分为E步和M步，E步估计插值点（m，n)属于札或^的概率，M步 估计7和〇2,进