一种使用自适应阈值的图像篡改检测与定位方法
【专利摘要】本发明公开了一种使用自适应阈值的图像篡改检测与定位方法，其基于模式噪声，并考虑了图像内容，其首先提取待测图像的噪声残差，并对待测图像、待测图像的噪声残差和待测图像来源相机的参考模式噪声进行不重叠分块，接着逐块计算待测图像的噪声残差和待测图像来源相机的参考模式噪声的相关性，然后根据对应的待测图像块的纹理复杂度选取阈值进行判决，从而能够消除纹理复杂度对检测结果的负面影响；其在采取不重叠分块确定大致篡改位置的基础上，采用快速的零均值归一化互相关算法进行相关性匹配，因此大大提高了本发明方法的篡改检测和定位效率，并且实现了对篡改精确定位的目的。
【专利说明】
一种使用自适应阈值的图像篡改检测与定位方法
技术领域
[0001] 本发明涉及一种图像取证技术，尤其是涉及一种使用自适应阈值的图像篡改检测 与定位方法。
【背景技术】
[0002] 随着专业相机、消费相机和具有高清拍照功能的智能手机等图像获取设备的广泛 普及，尤其是近些年智能手机的普及，全民已进入"读图时代"。为满足人们对图像编辑的要 求，各种功能强大、操作简单的图像处理软件应运而生，但这也造成大量的篡改图像充斥网 络、新闻等大众媒体，给社会带来了严重的信任危机。数字图像作为一种重要的信息载体， 如何确保它在存储、传输和传播过程中的真实性，已成为数字图像取证领域的研究热点。
[0003] 所有的图像篡改方式中，同图复制-粘贴和异图拼接是最为常见的。如何有效地对 这两类图像篡改进行取证，国内外相关机构展开了深入研究。近年来，利用相机传感器模式 噪声的检测方法受到了研究者的广泛关注。这一类检测方法对同图复制-粘贴、异图拼接和 模糊润饰等多种图像篡改操作都具有通用性，在司法取证、保险取证、新闻、摄影大赛等领 域的图片真实性检测中具有较好的应用前景。
[0004] 相机传感器模式噪声，主要是由传感器的制作工艺不完美和材质不一致所导致。 由于每部相机的模式噪声都具有唯一性，因此可看作相机指纹。利用相机传感器模式噪声 的检测方法中的一种经典的基于模式噪声的篡改取证方法主要包括以下步骤:1)通过一部 相机拍摄的多幅图像的噪声残差的平均获取相机的参考模式噪声R;2)获取待测图像的噪 声残差W;3)采用滑窗方法，用事先设置的固定阈值对窗口内待测图像的噪声残差W与相机 的参考模式噪声R的相关系数P(W，R)进行判决，实现篡改检测及定位。该篡改取证方法存在 以下问题：1)在实际应用中，由于相机拍摄的图像的噪声残差和待测图像的噪声残差偏小， 容易受到图像纹理等不利因素的影响，因此会造成篡改检测及定位效果不理想；2)采用的 基于相关系数的固定阈值滑窗方法的效率极低，导致该篡改取证方法的效率也低下。
[0005] 为解决经典的基于模式噪声的篡改取证方法存在的篡改检测及定位效果不理想 的问题，可以从两个方向出发，一个方向是如何提高相机的模式噪声的质量，另一个方向是 如何通过使用更好的相关性度量方法来提高检测效果。如:Mo Chen、Jessica Fridrich、 Miroslav Goljan.Determining Image Origin and Integrity Using Sensor Noise[J] .IEEE Transactions on Information and Security,2008,3(1) :74-90(陈莫、杰西卡· 弗里德里希、米罗斯拉夫?格兰，基于传感器模式噪声的图像来源与完整性检测[J].IEEE 信息与安全.2008,第3期（1):74-90)，其提出用多幅纹理简单(如蓝天）的图像的噪声残差 经最大似然估计获取相机的模式噪声，消除纹理细节的影响，然后采用零均值化法(zero-mean，ZM)和维纳滤波(Wiener filter，WF)处理CFA插值噪声和JPEG压缩块效应等随机噪声 的干扰，从而提高相机的模式噪声的质量。又如:Miroslav Gol jan、Jessica Fridrich、 TomasFiller.Large scale test of sensor fingerprint camera identification[C] SPIE Proceedings,Media Forensics and Security,2009,7254:0101-12(米罗斯拉夫2格 兰、杰西卡?弗里德里希、托马斯2菲勒，基于传感器指纹识别的大规模测试[C]，SPIE会议 录，多媒体取证与安全，2009，7254:0101-12)，其提出SPCE(signed peak-to-correlation energy，有符号的峰值相关能量比值)方法，利用SPCE方法来提高检测效果。
[0006] 上述两种方法是目前基于模式噪声的图像篡改检测的基本方法。这些方法虽然可 以通过改善相机的模式噪声的质量或者改进相关性匹配方法提高检测结果，但由于待测图 像的噪声残差容易受图像内容的影响，因此会导致不同内容的待测图像的检测结果存在较 大差异。如何减小待测图像内容对其噪声残差的影响，提高检测效果，研究者从不同角度进 行了分析。Li C.-T. Source camera identification using enhanced sensor pattern noise[J]. IEEE Transactions on Information Forensics and Security,2010,5(2): 280-287.(李长纯，使用增强的传感器模式噪声识别源相机方法[J]，IEEE信息取证与安全， 2010,第5期（2) :280-287)，其提出6个增强模型，降低纹理干扰，再使用零均值化法和维纳 滤波处理。之后Li C.-T.and Li Yue.Color-decoupled photo response non-uniformity for digital image forensics[J]. IEEE Transactions on Circuits and Systems for Video Technology ,2012,22(2) :260-271(李长纯、李岳，基于颜色分离的光电响应不一致 性的数字图像取证[J]，IEEE视频技术电路与系统，2012，第22期(2): 260-271 )，其建议从三 个颜色通道分别提取噪声残差消除CFA插值的影响；Lin Xu、Li C. -T . Preprocessing Reference Sensor Pattern Noise via Spectrum Equalization[J]. IEEE Transactions on Information Forensics and Security,2016,11(1):126-140(林旭、李长纯，基于频谱 均衡方法处理参考相机传感器模式噪声[J]，IEEE信息取证与安全，2016,第11期（1):126-140)，其提出采用频谱均衡化的思想滤除残差中的纹理分量。Kang Xiangui、Li Yinxiang、 Qu Zhenhua、Huang Jiwu.Enhancing source camera identification performance with a camera reference phase sensor pattern noise[J]. IEEE Transactions on Information Forensics and Security,2012.7(2) :393-402(康显桂、李寅祥、屈振华、黄 继武，利用相机传感器模式噪声相位提高源相机识别率[J]，IEEE信息取证与安全，2012,第 7期（2):393-402)，其借助噪声残差的相位剔除干扰噪声。3 &^?&^1111、61〇￥&111^ Poggi、Carlo Sansone. on the influence of denoi sing in PRNU based forgery detection[C]ACM Workshop Multimedia Forensics,2010:117-122.(萨拉?帕雷尔、乔 凡·尼波吉、卡洛?桑索，基于降噪的光电响应不一致噪声伪造检测[C]，ACM多媒体取证， 2010:117-122)和Kang Xiangui、Chen Jiansheng、Peng Anjie.A context-adaptive SPN predictor for trustworthy source camera identification!!J]，EURASIP Journal on Image and Video Processing,2014(1):1-11(康显桂、陈建生、彭安杰，基于上下文自适应 传感器模式噪声预测的相机源辨识[J]，EURASIP图像和视频处理，2014，（ 1): 1-11)，其在获 取噪声残差时分别采用BM3D和PCAI的滤波方法降低纹理影响。这些方法虽然都能提高待测 图像的噪声残差的质量，从而能有效地解决纹理细节和干扰噪声等不利因素的影响，但是 算法复杂度高，提取手段过于繁琐，且在提取过程中可能会引入新的随机噪声，即方法噪 声。新的随机噪声可能对相机设备来源识别影响不大，此时计算图像整体的相关性，不考虑 局部因素，然而在图像篡改检测时，通常是分块检测，新的随机噪声势必会影响局部块的相 关性匹配。
[0007] 基于以上原因，为消除图像内容的影响，避免引入新的噪声，提高检测效率，因此 有必要研究一种考虑待测图像内容的快速篡改检测与定位方法。
【发明内容】
[0008] 本发明所要解决的技术问题是提供一种使用自适应阈值的图像篡改检测与定位 方法，其篡改检测与定位效率高，且能够消除图像纹理等不利因素对篡改检测与定位的干 扰，实现篡改区域的精确定位。
[0009] 本发明解决上述技术问题所采用的技术方案为:一种使用自适应阈值的图像篡改 检测与定位方法，其特征在于包括以下步骤：
[0010] ①选取一幅图像，将该图像作为待测图像，记为Itest;并获取N幅纹理简单的原始 图像，将获取的第η幅纹理简单的原始图像记为loan;其中，拍摄每幅纹理简单的原始图像 与拍摄ltd对应的原始图像所采用的相机为同一部相机，每幅纹理简单的原始图像与I^t 的尺寸大小相同，宽度为col且高度为row，l<n<N，N彡2;
[0011] ②对Itest进行小波降噪处理，得到Itest的降噪图像，记为I' test;然后根据Itest及 I ' test，计算I test的噪声残差，记为W test ? fftest-I test-1 test ； 再采用零均值化法对wt(3St进行处 理，将得到的结果记为W'test;之后采用维纳滤波对W'test处理，将得到的结果作为Itest的最 终噪声残差，记为
[0012] 同样，对每幅纹理简单的原始图像进行小波降噪处理，得到每幅纹理简单的原始 图像的降噪图像，将I〇rg,η的降噪图像记为r〇 rg,η;然后根据每幅纹理简单的原始图像及其 降噪图像，计算每幅纹理简单的原始图像的噪声残差，将1。％"的噪声残差记为 = Ι_,η-Γ_,η;接着采用最大似然估计法，对所有纹理简单的原始图像的噪声残差进行处 理，得到Itest所对应的相机的参考模式噪声，记为Rtest;再采用零均值化法对R test进行处理， 将得到的结果记为R'test;之后采用维纳滤波对R'test处理，将得到的结果作为Itest所对应的 相机的最终参考模式噪声，记为·，
[0013] ③判断col % 128和row% 128是否均等于0，如果col % 128和row% 128均等于0，则 直接执行步骤④;如果col % 128等于0而row% 128不等于0，则对Itest、和各自扩展 128-row% 128行，然后令row = row+( 128-row% 128)，再执行步骤④；如果row % 128等于0而 。〇1%128不等于0，则对1恤*、)^1和^^(各自扩展128-(3〇1%128列，然后令(3〇1 = (3〇1+(128-col%128)，再执行步骤④;如果col%128和row%128均不等于0,则对Itest、lf^和iCi各自 扩展 128-row% 128行，并扩展 128-col % 128列，然后令row = row+( 128-row% 128)，令col = col+(128_col % 128)，再执行步骤④;其中，符号"％"为求余运算符，row = row+(128_row% 128)和(3〇1 = (3〇1+(128-(：〇1%128)中的"="为赋值符号；
[0014] ④将Itest、fCSi和或L分别划分成
个互不重叠的尺寸大小为128X 128的 图像块，将Ites冲的第k个图像块记为施木、将忙,中的第k个图像块记为5/od^，将iC 中的第k个图像块记为;然后计算Itest中的每个图像块的纹理复杂度，将历odf ?的 纹理复杂度记为;接着采用SPCE方法，计算中的每个图像块与〇对应位置 的图像块的相关性，将所odf与财odf的相关性记为SPCEp/oif';其中，
[0015] ⑤根据Itest中的每个图像块的纹理复杂度，获取Itest中的每个图像块相应的自适 应阈值;然后根据中的每个图像块与iC中对应位置的图像块的相关性及I^t中对应位 置的图像块相应的自适应阈值，对Itest中对应位置的图像块进行相关性匹配，检测出Itest中 对应位置的图像块是否发生过篡改;再将i te3St中包含检测出的所有发生过篡改的图像块的 最小矩形区域确定为IteSt中的大致篡改区域；
[0016] ⑥将1C中与IteS冲的大致篡改区域相对应的矩形区域记为Atest，将iC中与Itest 中的大致篡改区域相对应的矩形区域记为Btest;然后采用快速的零均值归一化互相关算 法，计算Atest中的每个像素点与Btest中对应像素点的ZNCC系数，将Atest中坐标位置为t的像 素点与Btest中坐标位置为t的像素点的ZNCC系数记为ZNCCt;然后由Atest中的所有像素点各 自与B test中对应像素点的ZNCC系数组成ZNCC关联图；其中，te Ωζ，Ωζ表示Atest或Btest中的 所有像素点的坐标位置的集合，ZNCCt e [ 0，1 ];
[0017] ⑦通过比较ZNCC关联图中的每个像素点的像素值与固定阈值th的大小，对ZNCC关 联图中的每个像素点的像素值进行重置，对于ZNCC关联图中坐标位置为t的像素点的像素 值ZNCCt，如果ZNCCt大于或等于th，则将ZNCCt重置为1;如果ZNCCt小于th，则将ZNCCt重置为 〇；
[0018] ⑧先后利用腐蚀和膨胀技术对像素值重置后的ZNCC关联图中的每个像素点进行 处理;然后根据膨胀处理后的ZNCC关联图中的每个像素点的像素值，确定I test中的大致篡 改区域中的每个像素点为篡改像素点还是为非篡改像素点，对于ite3St中的大致篡改区域中 坐标位置为t的像素点，若膨胀处理后的ZNCC关联图中坐标位置为t的像素点的像素值为0， 则确定Itest中的大致篡改区域中坐标位置为t的像素点为篡改像素点；若膨胀处理后的 ZNCC关联图中坐标位置为t的像素点的像素值为1，则确定I test中的大致篡改区域中坐标位 置为t的像素点为非篡改像素点。
[0019]所述的步骤③中对Itest 和笔,各自扩展128-row% 128行为在Itest、 各自的第row行的下方扩展128-row % 128行，并使扩展的每行中的每个像素点的像素值等 于第row行中对应坐标位置的像素点的像素值;对和及^各自扩展128-col % 128列 为在Ite3St、和/C,各自的第c〇 1列的右方扩展128-co 1 % 128列，并使扩展的每列中的每个 像素点的像素值等于第col列中对应坐标位置的像素点的像素值。
[0020] 所述的步骤④中的&*_44"的获取过程为:al、令fg丨-c卜-十"，其 中，<-_、.於\ 、c》?和啸应表示信息熵、的边缘比率、.5/od^ 的反差因子、的相关度和的能量;b 1、对步骤a 1得到的进行归一化 处理，即令
，其中，Texturemin表示纹理复杂度中的最小 值，Texture^表示纹理复杂度中的最大值，
中的符号"=" 为赋值符号。
[0021] 所述的步骤④中
"其 中，s i gn ()为求符号函数，= maX0K卜卟e Ω+max ()为求最大值函数， ⑷表示5/oc^fb中坐标位置为s的像素点与中坐标位置为S的像素点的相关 值，表示所0￡^'"或5/〇<^'中的所有像素点的坐标位置的集合，NeXNe表示5/ο< ;'Μ或 5/oc#;中以对应的像素点为中心的窗口区域的尺寸大小， Ω NeXNe表/J、' Biod! 1 '1 或 中以对应的像素点为中心的窗口区域中的所有像素点的坐标位置的集合。
[0022] 所述的步骤⑤中针对历，对所od：h进行相关性匹配，检测出所〇〇^<是否发 生过篡改的具体过程为：如果' j大于或等于/?/〇<· '=相应的自适应 阈值，则确定5/〇￡%4?未发生过篡改；如果#小于B/od:p相应的自 适应阈值，则确定发生过篡改。
[0023] 所述的步骤⑥中
，其中，Atest(t)表示Atest中坐 标位置为t的像素点的像素值，Bte3St(t)表示Bt(3St中坐标位置为t的像素点的像素值，cov (Ate3St(t)，Btest(t))表示At(3St中坐标位置为t的像素点与B test中坐标位置为t的像素点的协 方差，var (Atest (t))表示Atest中坐标位置为t的像素点的方差，var (Btest (t))表示Btest中坐 标位置为t的像素点的方差。
[0024] 所述的步骤⑤中的获取Itest中的每个图像块相应的自适应阈值的具体过程为：
[0025] ⑤」、利用U部不同的相机各拍摄V幅场景不同的照片，共获得UXV幅照片，第u部 相机拍摄的照片的宽度为colu且高度为r 〇Wu;然后从每部相机拍摄的所有照片中随机选取Z 幅照片，并将随机选取的UXZ幅照片构成训练图像库，将训练图像库中的第i幅照片记为 11, 1;接着对训练图像库中的每幅照片进行小波降噪处理，得到训练图像库中的每幅照片的 降噪图像，将^，的降噪图像记为1\ 1;之后根据训练图像库中的每幅照片及其降噪图像， 计算训练图像库中的每幅照片的噪声残差，将11;1的噪声残差记为 中，U彡5，V彡400，1彡u彡U，200彡Z彡V，1彡i彡UXZ;
[0026] 利用上述的每部相机重复拍摄纹理简单的同一场景G次，共获得UXG幅纹理简单 的照片，将第j幅纹理简单的照片记为Ij;对每幅纹理简单的照片进行小波降噪处理，得到 每幅纹理简单的照片的降噪图像，将L的降噪图像，记为然后根据每幅纹理简单的照片 及其降噪图像，计算每幅纹理简单的照片的噪声残差，将L的噪声残差记为= 接着采用最大似然估计法，对每部相机拍摄的所有纹理简单的照片的噪声残差进行处理之 后，再分别进行零均值化和维纳滤波处理，得到每部相机的参考模式噪声，将第U部相机的 参考模式噪声记为Ru;其中，G彡50，1彡j彡UXG;
[0027] ?_2、通过判断每部相机拍摄的照片的尺寸大小能否被128X128整除，确定是否 扩展该部相机的参考模式噪声和训练图像库中来自该部相机的每幅照片及其噪声残差，对 于第u部相机拍摄的照片，判断colu%128和rowu%128是否均等于0,如果col u%128和 rowu% 128均等于0，则直接执行步骤⑤_3;如果colu% 128等于0而rowu% 128不等于0,则对 Ru、训练图像库中来自第u部相机的每幅照片及其噪声残差各自扩展128-r 〇Wu%128行，然后 令roWu = rowu+(128-rowu% 128)，再执行步骤⑤_3;如果rowu% 128等于0而colu%128不等于 0,则对Ru、训练图像库中来自第u部相机的每幅照片及其噪声残差各自扩展128-col u%128 列，然后令(：〇111 = (3〇111+(128-(3〇111%128)，再执行步骤(1)_3;如果(3〇111%128和1'〇￥11%128均不 等于0,则对R u、训练图像库中来自第u部相机的每幅照片及其噪声残差各自扩展128-r〇Wu% 128行，并扩展128-(3〇111%128列，然后令1'〇￥11 = 1'〇￥11+(128-1'〇￥11%128)，令(3〇111 = (3〇111+(128-〇〇111%128)，再执行步骤(1)_3;其中，符号"％"为求余运算符，1'〇￥11 = 1'〇￥11+(128-1'〇￥11%128) 和colu = colu+(128-colu%128)中的"="为赋值符号；
[0028] (D_3、将每部相机的参考模式噪声和训练图像库中来自该部相机的每幅照片及其 噪声残差分别划分成多个互不重叠的尺寸大小为128X128的图像块;然后计算训练图像库 中来自每部相机的每幅照片中的每个图像块的纹理复杂度，将训练图像库中来自第u部相 机的第z幅照片中的第k u个图像块的纹理复杂度记为_ ;接着采用SPCE方法，计算 训练图像库中来自每部相机的每幅照片的噪声残差中的每个图像块与该部相机的参考模 式噪声中对应位置的图像块的相关性，将训练图像库中来自第u部相机的第z幅照片的噪声 残差中的第ku个图像块与Ru中的第ku个图像块的相关性记为其中，1?Z，
[0029] ⑤_ 4、将训练图像库中尺寸大小最小的照片的宽度和高度对应记为c ο 1 m i n和 rowmin;然后按colmin和r〇Wmin，对训练图像库中的每幅照片及其噪声残差和每部相机的参考 模式噪声从左上角开始进行裁剪，使训练图像库中的所有照片及各自的噪声残差和每部相 机的参考模式噪声的宽度均为colmin，且高度均为row min;再判断colmin%128和rowmin%128 是否均等于0，如果colmin% 128和rowmin% 128均等于0，则直接执行步骤⑤_5 ;如果colmin% 128等于0而r〇wmin% 128不等于0,则对训练图像库中的每幅照片及其噪声残差和每部相机 的参考模式噪声各自扩展128-1'〇￥-%128行，然后令1'〇￥- = !'〇￥-+(128-1'〇￥-%128)，再 执tx步骤⑤_5 ;如果rOWmin% 128等于0而colmin% 128不等于0，则对训练图像库中的每幅照 片及其噪声残差和每部相机的参考模式噪声各自扩展128-c〇l min%128列，然后令c〇lmin = colmin+(128-colmin%128)，再执行步骤⑤ _5;如果 colmin%128 和 rowmin%128 均不等于0,则 对训练图像库中的每幅照片及其噪声残差和每部相机的参考模式噪声各自扩展128-1'〇界1^11%128行，并扩展128-。〇11^11%128列，然后令1'〇￥1^11 = 1'〇￥1^11+(128-1'〇￥1^11%128)，令 C〇lmin=C〇linin+(128-C〇linin%128)，再执行步骤⑤_5;其中，符号"％"为求余运算符，rowmin = r〇Wmin+(128-r〇Winin%128)和C〇lmin = C〇linin+(128-C〇linin%128)中的"="为赋值符号；
[0030] (D_5、将第u部相机作为当前相机；
[0031] ?_6、从训练图像库中来自除当前相机外的每部相机的所有照片中随机选取Η幅 照片，并由共选取得到的(U-l)XH幅照片构成异源照片集，记为Y u;其中，20<Η<Ζ;
[0032] (D_7、将当前相机的参考模式噪声Ru和Yu中的每幅照片及其噪声残差分别划分成
个互不重叠的尺寸大小为128 X 128的图像块;然后计算Yu中的每幅照片中的 每个图像块的纹理复杂度，将Y u中的第h幅照片中的第k y个图像块的纹理复杂度记为 TVm〃义"；接着采用SPCE方法，计算Yu中的每幅照片的噪声残差中的每个图像块与当前相 机的参考模式噪声R u中对应位置的图像块的相关性，将Yu中的第h幅照片的噪声残差中的第 ky个图像块与Ru中的第ky个图像块的相关性记为*;其中，1彡h彡（U-l) XH，
[0033] ?_8、令u = u+l，将下一部相机作为当前相机，然后返回步骤⑤_6继续执行，直至 所有相机处理完毕;其中，u = u+l中的"="为赋值符号；
[0034] ?_9、将纹理复杂度的取值范围[0，1]分成33个纹理复杂度等级子区间，分别为
[0,0.03),[0.03,0.06),……、[0.93,0.96)、[0.96,1];然后根据步骤(D_3 中计算得到的所 有图像块各自的纹理复杂度及步骤?_5至步骤?_8中计算得到的所有图像块各自的纹理 复杂度所在的纹理复杂度等级子区间，将步骤⑤_3中计算得到的所有相关性及步骤⑤_5至 步骤⑤_8中计算得到的所有相关性分成33类，从而得到每个纹理复杂度等级子区间下同源 和异源照片对应的相关值分布;接着根据每个纹理复杂度等级子区间下同源和异源照片对 应的相关值分布，使用Neyman-Pearson准则，在虚警率为Pf的情况下计算出每个纹理复杂 度等级子区间下的相关性阈值;之后对所有纹理复杂度等级子区间下的相关性阈值进行拟 合，拟合得到相关性阈值与纹理复杂度的关系曲线;其中，Pf e [0. 00 1，0. 0 1 ];
[0035] (D_10、在相关性阈值与纹理复杂度的关系曲线上，找出与Itest中的每个图像块的 纹理复杂度相对应的相关性阈值，作为该图像块相应的自适应阈值。
[0036] 所述的步骤⑤_2中对Ru、训练图像库中来自第u部相机的每幅照片及其噪声残差 各自扩展128-r 〇Wu%128行为在Ru、训练图像库中来自第u部相机的每幅照片及其噪声残差 各自的第row u行的下方扩展128-rowu % 128行，并使扩展的每行中的每个像素点的像素值等 于第r〇Wu行中对应坐标位置的像素点的像素值;对R u、训练图像库中来自第u部相机的每幅 照片及其噪声残差各自扩展128-colu%128列为在R u、训练图像库中来自第u部相机的每幅 照片及其噪声残差各自的第colu列的右方扩展128-col u%128列，并使扩展的每列中的每个 像素点的像素值等于第colu列中对应坐标位置的像素点的像素值；
[0037] 所述的步骤⑤_4中对训练图像库中的每幅照片及其噪声残差和每部相机的参考 模式噪声各自扩展128-r〇Wmin%128行为在训练图像库中的每幅照片及其噪声残差和每部 相机的参考模式噪声各自的第row min行的下方扩展128-rowmin % 128行，并使扩展的每行中 的每个像素点的像素值等于第r〇Wmin行中对应坐标位置的像素点的像素值;对训练图像库 中的每幅照片及其噪声残差和每部相机的参考模式噪声各自扩展128-col min% 128列为在 训练图像库中的每幅照片及其噪声残差和每部相机的参考模式噪声各自的第colmin列的右 方扩展128-col min%128列，并使扩展的每列中的每个像素点的像素值等于第colmin列中对 应坐标位置的像素点的像素值；
[0038] 所述的步骤⑤_3中的的获取过程为:32、令2^?/<~+χ丨' 其 中，ci"k和七'对应表示训练图像库中来自第U部相机的第Z幅照片中 的第ku个图像块的信息熵、边缘比率、反差因子、相关度和能量；b2、对步骤a2得到的 进行归一化处理，即4
，其中，Texturemin表示纹理复杂度 中的最小值，TextUremax表示纹理复杂度中的最大值，
中的符号"=" 为赋值符号;所述的步骤⑤_3中'
1其中，sign ()为求符号函数，=max?^A (&)μ" 为求最大值函数，if(5") 表示训练图像库中来自第U部相机的第Z幅照片的噪声残差中的第ku个图像块中坐标位置 为^的像素点与Ru中的第ku个图像块中坐标位置为&的像素点的相关值，％表示训练图像 库中来自第U部相机的第Z幅照片的噪声残差中的第k u个图像块或Ru中的第ku个图像块中的 所有像素点的坐标位置的集合，表示训练图像库中来自第u部相机的第z幅照片 的噪声残差中的第ku个图像块或Ru中的第ku个图像块中以对应的像素点为中心的窗 口区域的尺寸大小表示训练图像库中来自第u部相机的第z幅照片的噪声残差中 的第ku个图像块或R u中的第ku个图像块中以if对应的像素点为中心的窗口区域中的所 有像素点的坐标位置的集合；
[0039] 所述的步骤⑤_7中的7W"心的获取过程为:a3、令' =4 ' +<·'+☆'-4 -冬，其 中，4对应表示1中的第h幅照片中的第ky个图像块的信息熵、 边缘比率、反差因子、相关度和能量;b3、对步骤a3得到的^7〃/<"进行归一化处理，即令
其中，Texturemin表示纹理复杂度中的最小值，Texture max 表示纹理复杂度中的最大值：
-中的符号"="为赋值符号； 所述的步骤⑤_7中
其中， s i g η ()为求符号函数，= max 4式卜)卜e ΩΑ-，)，m a X ()为求最大值函数， 表示Yu中的第h幅照片的噪声残差中的第ky个图像块中坐标位置为sy的像素点 与Ru中的第ky个图像块中坐标位置为sy的像素点的相关值，表示y u中的第h幅照片的噪声 残差中的第ky个图像块或Ru中的第ky个图像块中的所有像素点的坐标位置的集合， ，表示Yu中的第h幅照片的噪声残差中的第ky个图像块或Ru中的第k y个图像块中以 对应的像素点为中心的窗口区域的尺寸大小，表示Yu中的第h幅照片的噪声 残差中的第ky个图像块或Ru中的第ky个图像块中以/ftf"对应的像素点为中心的窗口区域 中的所有像素点的坐标位置的集合。
[0040] 所述的步骤⑦中取th = 0.06219。
[0041] 所述的步骤⑧中先后利用腐蚀和膨胀技术对像素值重置后的ZNCC关联图中的每 个像素点进行处理的过程为:先用半径为64个像素点的圆对像素值重置后的ZNCC关联图中 的每个像素点进行腐蚀处理，再用半径为20个像素点的圆对腐蚀处理后的ZNCC关联图中的 每个像素点进行膨胀处理。
[0042] 与现有技术相比，本发明的优点在于：
[0043] 1)本发明方法基于模式噪声，并考虑了图像内容，其首先提取待测图像的噪声残 差，并对待测图像、待测图像的噪声残差和待测图像来源相机的参考模式噪声进行不重叠 分块，接着逐块计算待测图像的噪声残差和待测图像来源相机的参考模式噪声的相关性， 然后根据对应的待测图像块的纹理复杂度选取阈值进行判决，从而能够消除纹理复杂度对 检测结果的负面影响。
[0044] 2)本发明方法与现有的基于相关系数的固定阈值滑窗方法相比，由于本发明方法 在采取不重叠分块确定大致篡改位置的基础上，采用快速的零均值归一化互相关算法进行 相关性匹配，因此大大提高了本发明方法的篡改检测和定位效率。
[0045] 3)本发明方法根据每个图像块的纹理复杂度来获取该图像块的自适应阈值，很好 的消除了图像纹理的不利影响，再使用快速的零均值归一化互相关算法计算相关性，实现 了对篡改位置的精确定位。
【附图说明】
[0046] 图1为本发明方法的总体实现框图；
[0047] 图2为本发明方法具体实施时拟合得到的相关性阈值与纹理复杂度的关系曲线；
[0048] 图3a为一幅原始图像；
[0049]图3b为图3a经同图复制-粘贴篡改得到的篡改图像，其局部块的纹理复杂度属于 [0.3361,0.9286]；
[0050] 图3c为图3b的篡改位置(ground truth);
[0051]图3d为利用本发明方法对图3b进行检测，精确地定位出的篡改区域；
[0052]图4a为另一幅原始图像；
[0053]图4b为使用两部相机拍摄同一场景然后将对应位置拼接得到的篡改图像，其局部 块的纹理复杂度属于[0.2246,0.9379];
[0054] 图4c为图4b的篡改位置(ground truth);
[0055] 图4d为利用本发明方法对图4b进行检测，精确地定位出的篡改区域；
[0056]图5a为利用基于相关系数的固定阈值滑窗方法且阈值τ为0.02时对图3b进行检测 得到的定位结果；
[0057]图5b为利用基于相关系数的固定阈值滑窗方法且阈值τ为0.015时对图3b进行检 测得到的定位结果；
[0058]图5c为利用基于相关系数的固定阈值滑窗方法且阈值τ为0.010时对图3b进行检 测得到的定位结果；
[0059]图5d为利用基于相关系数的固定阈值滑窗方法且阈值τ为0.007时对图3b进行检 测得到的定位结果；
[0060] 图6a为利用基于相关系数的固定阈值滑窗方法且阈值τ为0.02时对图4b进行检测 得到的定位结果；
[0061] 图6b为利用基于相关系数的固定阈值滑窗方法且阈值τ为0.015时对图4b进行检 测得到的定位结果；
[0062]图6c为利用基于相关系数的固定阈值滑窗方法且阈值τ为0.010时对图4b进行检 测得到的定位结果；
[0063]图6d为利用基于相关系数的固定阈值滑窗方法且阈值τ为0.007时对图4b进行检 测得到的定位结果；
[0064]图7a为原始的蓝天图像，其局部块的纹理复杂度属于[0.1857,0.2886];
[0065]图7b为图7a的篡改图像；
[0066] 图7c为图7b的篡改位置(ground truth);
[0067] 图7d为利用本发明方法对图7b进行检测，精确地定位出的篡改区域；
[0068]图8a为原始的墙壁图像，其局部块的纹理复杂度属于[0.3228,0.4372];
[0069]图8b为图8a的篡改图像；
[0070] 图8c为图8b的篡改位置(ground truth);
[0071] 图8d为利用本发明方法对图8b进行检测，精确地定位出的篡改区域；
[0072]图9a为原始的地板图像，其局部块的纹理复杂度属于[0.3511，0.5296];
[0073]图9b为图9a的篡改图像；
[0074] 图9c为图9b的篡改位置(ground truth);
[0075] 图9d为利用本发明方法对图9b进行检测，精确地定位出的篡改区域；
[0076]图10a为原始的青草图像，其局部块的纹理复杂度属于[0.6601，0.8442];
[0077]图10b为图10a的篡改图像；
[0078] 图 10c为图 10b的篡改位置(ground truth);
[0079] 图10d为利用本发明方法对图10b进行检测，精确地定位出的篡改区域；
[0080] 图1 la为原始的枯草图像，其局部块的纹理复杂度属于[0.6927，0.9463];
[00811图lib为图11a的篡改图像；
[0082] 图 11c为图lib的篡改位置(ground truth);
[0083] 图lid为利用本发明方法对图lib进行检测，精确地定位出的篡改区域。
【具体实施方式】
[0084] 以下结合附图实施例对本发明作进一步详细描述。
[0085] 本发明提出的一种使用自适应阈值的图像篡改检测与定位方法，其总体实现框图 如图1所示，其包括以下步骤：
[0086] ①选取一幅图像，将该图像作为待测图像，记为Itest;并获取N幅纹理简单的原始 图像，将获取的第η幅纹理简单的原始图像记为loan;其中，拍摄每幅纹理简单的原始图像 与拍摄ltd对应的原始图像所采用的相机为同一部相机，每幅纹理简单的原始图像与ltd 的尺寸大小相同，宽度为col且高度为row，Kn<N，N彡2,在本实施例中取N=60。
[0087] 在本实施例中，Itest可能是未经篡改的原始图像，也可能是经篡改后的篡改图像； 在获取纹理简单的图像时是人为判断图像的纹理复杂度的，一般内容简单(如蓝天)的图像 的纹理简单;纹理简单的原始图像可以是需要时拍摄得到，也可以是之前已拍摄的。
[0088] ②对Itest进行小波降噪处理，得到Itest的降噪图像，记为然后根据Itest及 I ' test，计算I test的噪声残差，记为W test ? fftest-I test-1 test ； 再用现有的零均值化法对"Wtest 进行处理，将得到的结果记为W'test;之后采用现有的维纳滤波对W'test处理，将得到的结果 作为Itest的最终噪声残差，记为。
[0089]同样，对每幅纹理简单的原始图像进行小波降噪处理，得到每幅纹理简单的原始 图像的降噪图像，将I〇rg,η的降噪图像记为r〇rg,η;然后根据每幅纹理简单的原始图像及其 降噪图像，计算每幅纹理简单的原始图像的噪声残差，将1。％"的噪声残差记为 = Ι_,η-Γ_,η;接着采用现有的最大似然估计法，对所有纹理简单的原始图像的噪声残差 进行处理，得到I^t所对应的相机的参考模式噪声，记为Rtest;再采用现有的零均值化法对 Rtest进行处理，将得到的结果记为R'test;之后采用现有的维纳滤波对R'test处理，将得到的 结果作为I test所对应的相机的最终参考模式噪声，记为
[0090] 在此，米用现有的零均值化法和现有的维纳滤波对Wtest和Rtest先后进彳丁处理，是为 了尽量去除Wtest和Rtest中的非传感器模式噪声分量。
[0091 ] ③判断col % 128和row% 128是否均等于0，如果col % 128和row% 128均等于0，则 直接执行步骤④；如果〇〇1%128等于0而仰《%128不等于0，则在1*(^、1^^和尽1,各自的第 row行的下方扩展128-row% 128行，并使扩展的每行中的每个像素点的像素值等于第row行 中对应坐标位置的像素点的像素值，然后令row = row+(128-row%128)，再执行步骤④;如 果row% 128等于0而col % 128不等于0,则在Itest、Ml,和各自的第col列的右方扩展128- col % 128列，并使扩展的每列中的每个像素点的像素值等于第col列中对应坐标位置的像 素点的像素值，然后令〇〇1 = 〇〇1 + (128-(3〇1%128)，再执行步骤@;如果(3〇1%128和仰界％ 128均不等于0，则在I test、和iC,各自的第row行的下方扩展128-row % 128行，并使扩展 的每行中的每个像素点的像素值等于第row行中对应坐标位置的像素点的像素值，在It(3St、 ML和及L各自的第c〇 1列的右方扩展128-co 1 % 128列，并使扩展的每列中的每个像素点的 像素值等于第col列中对应坐标位置的像素点的像素值，然后令r〇W = r〇W+( 128-row% 128)，令col = col + ( 128-col % 128)，再执行步骤④；其中，符号"％"为求余运算符，row = row+( 128-row% 128)和col = col+( 128-col % 128)中的"="为赋值符号。
[0092]④将分别划分成
个互不重叠的尺寸大小为128X128的 图像块，将Ites冲的第k个图像块记为所〇成^，将冗,中的第k个图像块记为滿,将iC 中的第k个图像块记为然后计算Itest中的每个图像块的纹理复杂度，将的 纹理复杂度记为接着采用SPCE方法，计算中的每个图像块与中对应位置 的图像块的相关性，将5/od:p与B/oifL的相关性记为SPCE卜/〇C0:' j ;其中，
[0093] 在此具体实施例中，步骤④中的命的获取过程为:al、令=亡+妒+仝?? 其中，、gf·、C〗《和4?对应表示B/oc十f的信息熵、β/oc^?的边缘比率、 历od：h的反差因子、所〇〇^的相关度和的能量；b 1、由于步骤a 1得到的 2ktt?r+ 6[0,+?)，因此对步骤al得到的r_r#>进行归一化处理，即4
，其 中，Texturemin表示纹理复杂度中的最小值，Texturemax表示纹理复杂度中的最大值，
-中的符号"="为赋值符号，在本实施例中取Texture max = 11 · 7375、Texture- = 0 · 0381，Texture-和Texturemax的值是通过对大量图像块测试得到 的；步骤④中·
其中， sign0为求符号函数，=max(/f~A?⑷卜εξΩ;-)，max()为求最大值函数，⑷ 表/"Km,中坐标位置为s的像素点与斑中坐标位置为s的像素点的相关值，Ω读 示谢~或5/oc々f~中的所有像素点的坐标位置的集合，Ne X Ne表示或历oefef-中 以#对应的像素点为中心的窗口区域的尺寸大小，Ω NeXNe表示撤…或中以 对应的像素点为中心的窗口区域中的所有像素点的坐标位置的集合。
[0094] ⑤根据Itest中的每个图像块的纹理复杂度，获取Itest中的每个图像块相应的自适 应阈值;然后根据C,中的每个图像块与iC中对应位置的图像块的相关性及I test中对应位 置的图像块相应的自适应阈值，对Itest中对应位置的图像块进行相关性匹配，检测出Itest中 对应位置的图像块是否发生过篡改;再将i te3St中包含检测出的所有发生过篡改的图像块的 最小矩形区域确定为Itest中的大致篡改区域。
[0095] 在此具体实施例中，步骤⑤中的获取It(3St中的每个图像块相应的自适应阈值的具 体过程为：
[0096] (D_l、利用U部不同的相机各拍摄V幅场景不同的照片，共获得UXV幅照片，照片的 内容可以是自然景观、人物或者动物等不同场景，第u部相机拍摄的照片的宽度为col u且高 度为r〇Wu;然后从每部相机拍摄的所有照片中随机选取Z幅照片，并将随机选取的U X Z幅照 片构成训练图像库，将训练图像库中的第i幅照片记为11,1;接着对训练图像库中的每幅照 片进行小波降噪处理，得到训练图像库中的每幅照片的降噪图像，将11 ;1的降噪图像记为 Γχ,1;之后根据训练图像库中的每幅照片及其降噪图像，计算训练图像库中的每幅照片的 噪声残差，将Ix,i的噪声残差记为^^，14 = !14-1'14;其中，1]彡5，在本实施例中取1]=10，￥ 彡400,在本实施例中取V = 450，l彡u彡U，200彡Z彡V，在本实施例中取Z = V = 450，1彡i彡U XZ;表1给出了 10部不同的相机各自拍摄的照片的数量。
[0097]利用上述的每部相机重复拍摄纹理简单的同一场景（如蓝天)G次，共获得UXG幅 纹理简单的照片，将第j幅纹理简单的照片记为对每幅纹理简单的照片进行小波降噪处 理，得到每幅纹理简单的照片的降噪图像，将L的降噪图像，记为Ι?;然后根据每幅纹理简 单的照片及其降噪图像，计算每幅纹理简单的照片的噪声残差，将L的噪声残差记为WpWj =込-Ι?;接着采用现有的最大似然估计法，对每部相机拍摄的所有纹理简单的照片的噪声 残差进行处理之后，再分别进行零均值化和维纳滤波处理，得到每部相机的参考模式噪声， 将第U部相机的参考模式噪声记为R u;其中，G多50，在本实施例中取G = 60，1 < j X G，在 拍摄纹理简单的照片时是人为判断的，一般内容简单(如蓝天)的场景拍摄得到的照片的纹 理简单，零均值化处理的方式与步骤②中采用现有的零均值化法对Rtest进行处理的方式相 同，维纳滤波处理的方式与步骤②中采用现有的维纳滤波对R' test处理的方式相同。
[0098]表1 10部不同的相机各自拍摄的照片的数量
[0100] ?_2、通过判断每部相机拍摄的照片的尺寸大小能否被128X128整除，确定是否 扩展该部相机的参考模式噪声和训练图像库中来自该部相机的每幅照片及其噪声残差，对 于第u部相机拍摄的照片，判断colu%128和rowu%128是否均等于0,如果col u%128和 rowu%128均等于0,则直接执行步骤⑤_3;如果colu%128等于0而row u%128不等于0,则在 Ru、训练图像库中来自第u部相机的每幅照片及其噪声残差各自的第r 〇Wu行的下方扩展128-rowu%128行，并使扩展的每行中的每个像素点的像素值等于第r〇Wu行中对应坐标位置的像 素点的像素值，然后令1'〇￥11 = 1'〇￥11+(128-1'〇￥11%128)，再执行步骤(1)_3;如果1'〇￥11%128等于 0而col u%128不等于0,则在Ru、训练图像库中来自第u部相机的每幅照片及其噪声残差各自 的第col u列的右方扩展128-colu%128列，并使扩展的每列中的每个像素点的像素值等于第 col u列中对应坐标位置的像素点的像素值，然后令colu = colu+(128-colu%128)，再执行步 骤⑤_3;如果colu%128和r 〇Wu%128均不等于0,则在Ru、训练图像库中来自第u部相机的每 幅照片及其噪声残差各自的第row u行的下方扩展128-rowu % 128行，并使扩展的每行中的每 个像素点的像素值等于第r〇Wu行中对应坐标位置的像素点的像素值，在R u、训练图像库中来 自第u部相机的每幅照片及其噪声残差各自的第colu列的右方扩展128-col u%128列，并使 扩展的每列中的每个像素点的像素值等于第colu列中对应坐标位置的像素点的像素值，然 后令1'〇￥11 = 1'〇￥11+(128-1'〇￥11%128)，令(3〇111 = (3〇111+(128-(3〇111%128)，再执行步骤?_3;其 中，符号 "％"为求余运算符，rowu = rowu+( 128-rowu% 128)和colu = colu+( 128-colu% 128) 中的"="为赋值符号。
[0101] (D_3、将每部相机的参考模式噪声和训练图像库中来自该部相机的每幅照片及其 噪声残差分别划分成多个互不重叠的尺寸大小为128X128的图像块;然后计算训练图像库 中来自每部相机的每幅照片中的每个图像块的纹理复杂度，将训练图像库中来自第u部相 机的第z幅照片中的第k u个图像块的纹理复杂度记为；接着采用SPCE方法，计算 训练图像库中来自每部相机的每幅照片的噪声残差中的每个图像块与该部相机的参考模 式噪声中对应位置的图像块的相关性，将训练图像库中来自第u部相机的第z幅照片的噪声 残差中的第ku个图像块与Ru中的第ku个图像块的相关性记为SPCgK，其中，1?Z，
[0102] 在此，步骤(D_3中的-，的获取过程为:a2、令，其 中，<' <"、A和对应表示训练图像库中来自第u部相机的第2幅照片 中的第ku个图像块的信息熵、边缘比率、反差因子、相关度和能量;b2、由于步骤a2得到的 reA'iwre/:· e_[0，-H?)，因此对步骤a2得到的「《tw十'进行归一化处理，即令
其中，Texturemin表示纹理复杂度中的最小值，Texturemax表示纹理复杂度中的最大值，
中的符号"="为赋值符号，在本实施例中取TeXtur emax =11 · 7375、Texturemin = 0.0381，Texturemin 和Texturemax 的值是通过对大量图像块测试得 到的广
'其中，sign()为求符 号函数，户二=人=(0卜,,e Ω,J ,max()为求最大值函数， 图像库中来自第u部相机的第z幅照片的噪声残差中的第ku个图像块中坐标位置为&的像素 点与Ru中的第ku个图像块中坐标位置为&的像素点的相关值，Ω?(表示训练图像库中来自第 u部相机的第ζ幅照片的噪声残差中的第k u个图像块或Ru中的第ku个图像块中的所有像素点 的坐标位置的集合气表示训练图像库中来自第u部相机的第z幅照片的噪声残差 中的第ku个图像块或Ru中的第ku个图像块中以对应的像素点为中心的窗口区域的尺 寸大小，表示训练图像库中来自第u部相机的第ζ幅照片的噪声残差中的第ku个图 像块或R u中的第ku个图像块中以'对应的像素点为中心的窗口区域中的所有像素点 的坐标位置的集合。
[0103] ?_4、将训练图像库中尺寸大小最小的照片的宽度和高度对应记为colmin和 rowmin;然后按colmin和r〇Wmin，对训练图像库中的每幅照片及其噪声残差和每部相机的参考 模式噪声从左上角开始进行裁剪，使训练图像库中的所有照片及各自的噪声残差和每部相 机的参考模式噪声的宽度均为colmin，且高度均为row min;再判断colmin%128和rowmin%128 是否均等于0，如果colmin% 128和r〇Wmin% 128均等于0，则直接执行步骤⑤_5 ;如果colmin% 128等于0而r〇Wmin% 128不等于0,则在训练图像库中的每幅照片及其噪声残差和每部相机 的参考模式噪声各自的第rowmin行的下方扩展128-row min % 128行，并使扩展的每行中的每 个像素点的像素值等于第r〇Wmin行中对应坐标位置的像素点的像素值，然后令r 〇Wmin = r〇Wmin+(128-r〇Wmin%128)，再执行步骤⑤_5;如果r〇Wmin%128等于0而C〇lmin%128不等于0， 则在训练图像库中的每幅照片及其噪声残差和每部相机的参考模式噪声各自的第col min列 的右方扩展128-colmin%128列，并使扩展的每列中的每个像素点的像素值等于第col min列 中对应坐标位置的像素点的像素值，然后令〇〇11^ = 〇〇111^+(128-〇〇111^%128)，再执行步骤 (D_5;如果col min%128和r〇Wmin%128均不等于0,则在训练图像库中的每幅照片及其噪声残 差和每部相机的参考模式噪声各自的第r 〇Wmin行的下方扩展128-r〇Wmin% 128行，并使扩展 的每行中的每个像素点的像素值等于第r〇Wmin行中对应坐标位置的像素点的像素值，在训 练图像库中的每幅照片及其噪声残差和每部相机的参考模式噪声各自的第col min列的右方 扩展128-colmin%128列，并使扩展的每列中的每个像素点的像素值等于第col min列中对应 坐标位置的像素点的像素值，然后令rowmin = r〇Wmin+( 128-r〇Wmin % 128 )，令CO lmin = CO lmin+ (128-C〇lmin% 128)，再执行步骤⑤_5 ;其中，符号"为求余运算符，r〇Wmin = r〇Wmin+(128-1"〇?^11%128)和(3〇11^11 = (3〇111^+(128-(3〇11^11%128)中的"="为赋值符号。
[0104] d)_5、将第u部相机作为当前相机。
[0105] ?_6、从训练图像库中来自除当前相机外的每部相机的所有照片中随机选取Η幅 照片，并由共选取得到的(U-l)XH幅照片构成异源照片集，记为Yu;其中，20<Η<Ζ，在本实 施例中取Η=50。
[0106]⑤7、将当前相机的参考模式噪声Ru和Yu中的每幅照片及其噪声残差分别划分成
-个互不重叠的尺寸大小为128X128的图像块;然后计算Y u中的每幅照片中的 每个图像块的纹理复杂度，将Y u中的第h幅照片中的第k y个图像块的纹理复杂度记为 着采用SPCE方法，计算Yu中的每幅照片的噪声残差中的每个图像块与当前相 机的参考模式噪声R u中对应位置的图像块的相关性，将Yu中的第h幅照片的噪声残差中的第 ky个图像块与R u中的第ky个图像块的相关性记为;其中，1彡h彡（U-l) XH，
[0107] 在此，步骤?_7中的々·的获取过程为:a3、令考其 边缘比率、反差因子、相关度和能量;b3、由于步骤a3得到的TV.m〃十_'_s[0、+功，因此对步骤 a3得到的进行归一化处理，即令：
，其中， Texturemin表示纹理复杂度中的最小值，Texturemax表示纹理复杂度中的最大值，
.中的符号"="为赋值符号，在本实施例中取Texture max = 11 · 7375、Texturemin = 0 · 0381，Texturemin和Texturemax的值是通过对大量图像块测试得到 的；
'其中，sign()为求符号 函数，，max()为求最大值函数，f ^ Μ表示Yu中的第 h幅照片的噪声残差中的第ky个图像块中坐标位置为sy的像素点与Ru中的第k y个图像块中 坐标位置为sy的像素点的相关值，Ω,<表示Yu中的第h幅照片的噪声残差中的第k y个图像块 或Ru中的第ky个图像块中的所有像素点的坐标位置的集合，#\χΛ/气表示 Yu中的第h幅照 片的噪声残差中的第ky个图像块或Ru中的第k y个图像块中以对应的像素点为中心的 窗口区域的尺寸大小，表示Yu中的第h幅照片的噪声残差中的第k y个图像块或匕中 的第ky个图像块中以对应的像素点为中心的窗口区域中的所有像素点的坐标位置 的集合。
[0108] ?_8、令u = u+l，将下一部相机作为当前相机，然后返回步骤⑤_6继续执行，直至 所有相机处理完毕;其中，u = u+l中的"="为赋值符号。
[0109] ?_9、将纹理复杂度的取值范围[0，1]分成33个纹理复杂度等级子区间，分别为 [0,0.03),[0.03,0.06),……、[0.93,0.96)、[0.96,1];然后根据步骤(D_3 中计算得到的所 有图像块各自的纹理复杂度及步骤?_5至步骤?_8中计算得到的所有图像块各自的纹理 复杂度所在的纹理复杂度等级子区间，将步骤⑤_3中计算得到的所有相关性及步骤⑤_5至 步骤⑤_8中计算得到的所有相关性分成33类，从而得到每个纹理复杂度等级子区间下同源 和异源照片对应的相关值分布;接着根据每个纹理复杂度等级子区间下同源和异源照片对 应的相关值分布，使用Neyman-Pearson(N-P)准则，在虚警率为Pf的情况下计算出每个纹理 复杂度等级子区间下的相关性阈值;之后对所有纹理复杂度等级子区间下的相关性阈值进 行拟合，拟合得到相关性阈值与纹理复杂度的关系曲线，如图2所示；其中，P f e [ 0 . 00 1， 0.01]，在本实施例中取Pf = 0.01。
[0110] (D_10、在相关性阈值与纹理复杂度的关系曲线上，找出与Itest中的每个图像块的 纹理复杂度相对应的相关性阈值，作为该图像块相应的自适应阈值。
[0111] 在此具体实施例中，步骤⑤中针对'，对所进行相关性匹配，检测出 5^0<是否发生过篡改的具体过程为:如果大于或等于 相应的自适应阈值，则确定未发生过篡改；如果SPCEp/df' 5/〇味小于 S/OC&相应的自适应阈值，则确定5/od^'发生过篡改。
[0112] ⑥将中与Ites冲的大致篡改区域相对应的矩形区域记为Atest，将iC中与Itest 中的大致篡改区域相对应的矩形区域记为Btest;然后采用现有的快速的零均值归一化互相 关算法（Zero Mean Normalized Cross Correlation，ZNCC)，计算Atest中的每个像素点与 Btest中对应像素点的ZNCC系数，将Atest中坐标位置为t的像素点与Btest中坐标位置为t的像 素点的ZNCC系数记为ZNCCt;然后由A tes冲的所有像素点各自与Btes冲对应像素点的ZNCC系 数组成ZNCC关联图；其中，t e Ω z，Ω z表示Atest或Btest中的所有像素点的坐标位置的集合， ZNCC te[0，l]o
[0113] 在此具体实施例中，步骤⑥中： 其中，Atest(t) 表示Ates冲坐标位置为t的像素点的像素值，Btest(t)表示Btes冲坐标位置为t的像素点的像 素值，cov(Atest(t)，Btest(t))表示Atest中坐标位置为t的像素点与B test中坐标位置为t的像 素点的协方差，var (Atest (t))表示Atest中坐标位置为t的像素点的方差，var (Btest (t))表示 Btest中坐标位置为t的像素点的方差。
[0114]⑦通过比较ZNCC关联图中的每个像素点的像素值与固定阈值th的大小，对ZNCC关 联图中的每个像素点的像素值进行重置，对于ZNCC关联图中坐标位置为t的像素点的像素 值ZNCCt，如果ZNCCt大于或等于th，则将ZNCCt重置为1;如果ZNCCt小于th，则将ZNCCt重置为 0。在本实施例中取th = 0.06219。
[0115] ⑧先后利用腐蚀和膨胀技术对像素值重置后的ZNCC关联图中的每个像素点进行 处理;然后根据膨胀处理后的ZNCC关联图中的每个像素点的像素值，确定I test中的大致篡 改区域中的每个像素点为篡改像素点还是为非篡改像素点，对于ite3St中的大致篡改区域中 坐标位置为t的像素点，若膨胀处理后的ZNCC关联图中坐标位置为t的像素点的像素值为0， 则确定Itest中的大致篡改区域中坐标位置为t的像素点为篡改像素点；若膨胀处理后的 ZNCC关联图中坐标位置为t的像素点的像素值为1，则确定I test中的大致篡改区域中坐标位 置为t的像素点为非篡改像素点。
[0116] 在此具体实施例中，步骤⑧中先后利用腐蚀和膨胀技术对像素值重置后的ZNCC关 联图中的每个像素点进行处理的过程为：先用半径为64个像素点的圆对像素值重置后的 ZNCC关联图中的每个像素点进行腐蚀处理，再用半径为20个像素点的圆对腐蚀处理后的 ZNCC关联图中的每个像素点进行膨胀处理。
[0117] 为了进一步说明本发明方法的可行性和有效性，对本发明方法进行实验验证。 [0118]由于本发明方法需要已知待测图像的来源，因此需要使用者自己构建一个测试图 像库，在此所构建的测试图像库如表2所示，其中每部相机对应100幅真实图像和100幅篡改 图像，篡改图像是由Photoshop CS5经同图复制-粘贴和异图拼接两种篡改方式得到的，为 达到以假乱真的效果，篡改块都是不规则的，篡改区域包含像素从3000~30000不等。测试 环境为Windows 7平台，Intel Core i5-3470处理器，CPU频率为3.2GHz，编译环境为Matlab R2012a〇
[0119]表2测试图像库
[0121] 真实性检测结果：
[0122] 将每一幅测试图像的真实性检测结果分为两类:篡改和真实。为评估检测与定位 算法的性能，采用检测率(True Positive Rate，TPR)和虚警率(False Alarm Rate，FAR)两 种定量参数进行评估，评估公式如下
，其 中，TN表示将篡改图像检测为篡改的数量，FP表示将篡改图像检测为真实的数量，FN表示将 真实图像检测为篡改的数量。
[0123] 分别使用传统的基于相关系数的固定阈值滑窗方法和本发明方法对表2所给出的 测试图像库中的500幅真实图像和500幅篡改图像进行篡改检测实验。
[0124] 基于相关系数的固定阈值滑窗方法在不同阈值下会有不同的检测结果，通过实验 选择四个比较理想的阈值0.007、0.01、0.015、0.02进行对比。为了能够客观评价检测结果， 基于相关系数的固定阈值滑窗方法和本发明方法中图像的噪声残差都采用零均值化法和 维纳滤波处理。在计算TPR和FAR时，若某一幅图像篡改定位结果的像素点的总个数少于20 个，则就将其判定为真实图像，反之，则判定其发生篡改。基于相关系数的固定阈值滑窗方 法和本发明方法的检测结果如表3所示：
[0125] 表3基于相关系数的固定阈值滑窗方法和本发明方法的检测结果比较
[0127] 观察表3所示的检测结果，从表3中可以看出，本发明方法对篡改图像的TPR达到了 98.8%，FAR为1.897%，而基于相关系数的固定阈值滑窗方法在不同阈值下的检测结果不 尽相同，阈值τ为0.01、0.015和0.02时，虽然TPR与本发明方法对篡改图像的TPR相近或等于 本发明方法对篡改图像的TPR，但FAR却远高于本发明方法的FAR;阈值τ为〇. 〇〇7时，虽然FAR 与本发明方法的FAR相近，但TPR远低于本发明方法对篡改图像的TPR。同时，表3给出了基于 相关系数的固定阈值滑窗方法和本发明方法各自在1000幅图像上的平均检测时间，对比可 见本发明方法的效率远远高于基于相关系数的固定阈值滑窗方法的效率。由此可说明，本 发明方法在保持较高检测率和检测效率的情况下，有效地降低了虚警。
[0128] 篡改定位效果：
[0129] 图3a给出了一幅原始图像；图3b给出了图3a经同图复制-粘贴篡改得到的篡改图 像，其局部块的纹理复杂度属于[ο . 3361，0.9286];图3c给出了图3b的篡改位置(ground truth);图3d给出了利用本发明方法对图3b进行检测，精确地定位出的篡改区域。图4a给出 了另一幅原始图像;图4b给出了使用两部相机拍摄同一场景然后将对应位置拼接得到的篡 改图像，其局部块的纹理复杂度属于[0.2246,0.9379];图4c给出了图4b的篡改位置 (ground truth);图4d给出了利用本发明方法对图4b进行检测，精确地定位出的篡改区域。
[0130]在基于相关系数的固定阈值滑窗方法中，不排除可以通过调节阈值降低纹理复杂 真实区域虚警的情形，但因此也可能造成对不同图像篡改区域定位结果的差异。图5a给出 了利用基于相关系数的固定阈值滑窗方法且阈值τ为0.02时对图3b进行检测得到的定位结 果，图5b给出了利用基于相关系数的固定阈值滑窗方法且阈值τ为0.015时对图3b进行检测 得到的定位结果，图5c给出了利用基于相关系数的固定阈值滑窗方法且阈值τ为0.010时对 图3b进行检测得到的定位结果，图5d给出了利用基于相关系数的固定阈值滑窗方法且阈值 τ为0.007时对图3b进行检测得到的定位结果。图6a给出了利用基于相关系数的固定阈值滑 窗方法且阈值τ为0.02时对图4b进行检测得到的定位结果，图6b给出了利用基于相关系数 的固定阈值滑窗方法且阈值τ为0.015时对图4b进行检测得到的定位结果，图6c给出了利用 基于相关系数的固定阈值滑窗方法且阈值τ为0.010时对图4b进行检测得到的定位结果，图 6d给出了利用基于相关系数的固定阈值滑窗方法且阈值τ为0.007时对图4b进行检测得到 的定位结果。从图5a至图6d中可以看出，阈值τ为〇. 02和0.015时，虽然大致定位出了篡改区 域，但也把多处纹理复杂的真实区域检测为篡改区域;观察阈值τ为0.010和0.007时的结 果，虽然在低阈值情况下消除了复杂纹理的影响，但定位效果却非常不理想，甚至出现无法 定位的情况。
[0131 ] 对比图3d及图5a至图5d，对比图4d及图6a至图6d，可以看出本发明方法不仅能精 确定位出篡改区域，而且也有效消除了复杂纹理对检测的不利影响。
[0132] 鲁棒性分析：
[0133] 为了验证本发明方法对纹理复杂度的鲁棒性，又进行了多组实验。
[0134] 图7a给出了原始的蓝天图像，其局部块的纹理复杂度属于[0.1857,0.2886];图8a 给出了原始的墙壁图像，其局部块的纹理复杂度属于[0.3228，0.4372];图9a给出了原始的 地板图像，其局部块的纹理复杂度属于[0. 3511，0.5296];图10a给出了原始的青草图像，其 局部块的纹理复杂度属于[0.6601,0.8442];图11a给出了原始的枯草图像，其局部块的纹 理复杂度属于[0.6927,0.9463];图7a、图8a、图9a、图10a和图11a的纹理复杂度由简单到复 杂各不相同。图7b、图8b、图％、图10b和图lib对应给出了图7a、图8a、图9a、图10a和图11a的 篡改图像；图7c、图8c、图9c、图10c和图11c对应给出了图7b、图8b、图9b、图10b和图lib的篡 改位置(ground truth);图7d、图8d、图9d、图10d和图lid对应给出了利用本发明方法对图 7b、图8b、图9b、图10b和图1 lb进行检测，精确地定位出的篡改区域。
[0135] 观察利用本发明方法对五幅篡改图像检测的定位结果，可知无论篡改图像的纹理 简单还是复杂，都能精确地定位出篡改区域，有效地消除了纹理对取证的影响。
[0136] 经大量实验表明，本发明方法的检测率达到了 98.8%，对1000幅图像的平均检测 时间为26.76秒，效率远远高于现有方法，并且对不同纹理复杂度的篡改图像都具有鲁棒 性，能达到对篡改区域精确定位的目的。
【主权项】
1. 一种使用自适应阔值的图像篡改检测与定位方法，其特征在于包括W下步骤： ① 选取一幅图像，将该图像作为待测图像，记为Itest;并获取N幅纹理简单的原始图像， 将获取的第η幅纹理简单的原始图像记为lorg,η;其中，拍摄每幅纹理简单的原始图像与拍摄 I test对应的原始图像所采用的相机为同一部相机，每幅纹理简单的原始图像与I test的尺寸 大小相同，宽度为col且高度为row，l《n《N，N>2; ② 对Itest进行小波降噪处理，得到Itest的降噪图像，记为I'test;然后根据Itest及I'test， 计算Itest的噪声残差，记为￥*63*，￥*63*=1*63广1\63。再采用零均值化法对￥*63*进行处理，将 得到的结果记为r test;之后采用维纳滤波对W'test处理，将得到的结果作为Itest的最终噪声 残差，记为 同样，对每幅纹理简单的原始图像进行小波降噪处理，得到每幅纹理简单的原始图像 的降噪图像，将lorg,η的降噪图像记为I'Drg,η;然后根据每幅纹理简单的原始图像及其降噪 图像，计算每幅纹理简单的原始图像的噪声残差，将I〇rg,n的噪声残差记为Wwg,n，W〇rg,n = lDrg,n-I'Drg,n;接着采用最大似然估计法，对所有纹理简单的原始图像的噪声残差进行处 理，得到Itest所对应的相机的参考模式噪声，记为Rtest;再采用零均值化法对Rtest进行处理， 将得到的结果记为R'test;之后采用维纳滤波对R'test处理，将得到的结果作为Itest所对应的 相机的最终参考模式噪声，记为i4,; ③ 判断col % 128和row % 128是否均等于0，如果col % 128和row% 128均等于0，则直接 执行步骤@;如果。〇1%128等于0而'〇*%128不等于0，则对1*63*、两：,和尽。,各自扩展128- ；1"〇讯％128行，然后令1'〇￥ = 1'〇￥+(128-1'〇￥%128)，再执行步骤@;如果1'〇￥%128等于0而 〇〇1%128不等于0，则对1*63*、巧1和游,,各自扩展128-(3〇1%128列，然后令(3〇1 = (3〇1+(128- col % 128)，再执行步骤④;如果col % 128和row% 128均不等于0,则对Itest、巧完和為W各自 扩展 128-;row% 128行，并扩展 128-col % 128列，然后令;row = ;row+( 128-;row% 128)，令col = col+(128-col % 128)，再执行步骤④；其中，符号"％"为求余运算符，;row = ;row+(128-;row% 128)和。〇1 = (3〇1+(128-(3〇1%128)中的"="为赋值符号； ④ 将和iC,分别划分成个互不重叠的尺寸大小为128X 128的图像 块，将I tes冲的第k个图像块记为S/0成"'将巧1中的第k个图像块记为及/oc/cf't'"，将也,中 的第k个图像块记为及/OC巧然后计算Itest中的每个图像块的纹理复杂度，将拼OC巧。'的纹 理复杂度记为扔·规W产';接着采用SPCE方法，计算巧L中的每个图像块与巧1冲对应位置的 图像块的相关性，将执与拼〇冰f'。，的相关性记为SPC￡ (公/OC片》'，Woe巧；其中， 1三又，兰杯" ， 128 128 L J ⑤ 根据Itest中的每个图像块的纹理复杂度，获取Itest中的每个图像块相应的自适应阔 值;然后根据巧I,中的每个图像块与城冲对应位置的图像块的相关性及Ites冲对应位置的 图像块相应的自适应阔值，对Itest中对应位置的图像块进行相关性匹配，检测出Itest中对应 位置的图像块是否发生过篡改;再将Itest中包含检测出的所有发生过篡改的图像块的最小 矩形区域确定为Itest中的大致篡改区域； ⑥ 将:iC,中与Itest中的大致篡改区域相对应的矩形区域记为4*63*，将及；《中与Itest中的 大致篡改区域相对应的矩形区域记为Btest;然后采用快速的零均值归一化互相关算法，计 算Atest中的每个像素点与Btest中对应像素点的ZNCC系数，将Atest中坐标位置为t的像素点与 Btest中坐标位置为t的像素点的ZNCC系数记为ZNCCt;然后由Atest中的所有像素点各自与 Btest中对应像素点的ZNCC系数组成ZNCC关联图；其中，te Ωζ，Ωζ表示Atest或Btest中的所有 像素点的坐标位置的集合，ZNCCt e [0，1 ]; ⑦ 通过比较ZNCC关联图中的每个像素点的像素值与固定阔值th的大小，对ZNCC关联图 中的每个像素点的像素值进行重置，对于ZNCC关联图中坐标位置为t的像素点的像素值 ZNCCt，如果ZNCCt大于或等于th，则将ZNCCt重置为1;如果ZNCCt小于化，则将ZNCCt重置为0; ⑧ 先后利用腐蚀和膨胀技术对像素值重置后的ZNCC关联图中的每个像素点进行处理； 然后根据膨胀处理后的ZNCC关联图中的每个像素点的像素值，确定Itest中的大致篡改区域 中的每个像素点为篡改像素点还是为非篡改像素点，对于Itest中的大致篡改区域中坐标位 置为t的像素点，若膨胀处理后的ZNCC关联图中坐标位置为t的像素点的像素值为0,则确定 Itest中的大致篡改区域中坐标位置为t的像素点为篡改像素点；若膨胀处理后的ZNCC关联 图中坐标位置为t的像素点的像素值为1，则确定Itest中的大致篡改区域中坐标位置为t的 像素点为非篡改像素点。2. 根据权利要求1所述的一种使用自适应阔值的图像篡改检测与定位方法，其特征在 于所述的步骤③中对Itest、lC和巧1各自扩展128-row%128行为在Itest、昭都iC各自的 第row行的下方扩展128-row % 128行，并使扩展的每行中的每个像素点的像素值等于第row 行中对应坐标位置的像素点的像素值;对I test、和C,各自扩展128-co 1 % 128列为在 Itest、巧和iC,各自的第col列的右方扩展128-col% 128列，并使扩展的每列中的每个像素 点的像素值等于第col列中对应坐标位置的像素点的像素值。3. 根据权利要求1所述的一种使用自适应阔值的图像篡改检测与定位方法，其特征在 于所述的步骤④中的賠 tto吟·'的获取过程为:al、令蛇.忱/?咕"=《""+岭。+g^""-攻。'-皆"， 其中，却。'、皆-"、如。"、吵'和皆"对应表示公/oc皆''i的信息赌、公/oc皆"的边缘比率、 Woe皆。的反差因子、拼oc/t户i的相关度和说OC巧。'的能量;b 1、对步骤a 1得到的TeWw冷"进 行归一化处理，即令，其中，TexUiremin表示纹理复杂度中…1·?Λ Hint 的最小值，Texturemax表示纹理复杂度中的最大值的符 号为赋值符号。4. 根据权利要求1所述的一种使用自适应阔值的图像篡改检测与定位方法，其特征在 于所述的步骤④中其中，sign()为求符号函数，，max()为求最大值函数， 巧'(.s')表示/认心.中坐标位置为S的像素点与识觀婷:''中坐标位置为S的像素点的相 关值，Q k表示公/化辞-或公/0(1?心中的所有像素点的坐标位置的集合，Ne X化表示公/〇从 或说中W巧i/'^''对应的像素点为中屯、的窗口区域的尺寸大小，Ω NeXNe表示公foe足或 公/〇从f 1'~中W好对应的像素点为中屯、的窗口区域中的所有像素点的坐标位置的集合。5. 根据权利要求1至4中任一项所述的一种使用自适应阔值的图像篡改检测与定位方 法，其特征在于所述的步骤⑤中针对及/OC巧。'，对S/OC巧。'进行相关性匹配，检测出公/oc皆" 是否发生过篡改的具体过程为：如果%端化'皆)大于或等于热OC皆"相应的 自适应阔值，则确定公/OC#"未发生过篡改；如果没。公/〇诚产，公/oot户)小于及/0C皆'"相 应的自适应阔值，则确定勘OC巧。'发生过篡改。6. 根据权利要求1所述的一种使用自适应阔值的图像篡改检测与定位方法，其特征在 于所述的步骤⑥4其中，Atest(t)表示Atest中坐标位 置为t的像素点的像素值，Btest(t)表示Btest中坐标位置为t的像素点的像素值，C0V(Atest (t)，Btest(t))表示Ates冲坐标位置为t的像素点与Btes冲坐标位置为t的像素点的协方差， var ( Atest ( t ))表示Atest中坐标位置为t的像素点的方差，var ( Btest ( t ))表示Btest中坐标位置 为t的像素点的方差。7. 根据权利要求1所述的一种使用自适应阔值的图像篡改检测与定位方法，其特征在 于所述的步骤⑤中的获取Itest中的每个图像块相应的自适应阔值的具体过程为： @_1、利用U部不同的相机各拍摄V幅场景不同的照片，共获得UXV幅照片，第U部相机 拍摄的照片的宽度为colu且高度为rowu;然后从每部相机拍摄的所有照片中随机选取Z幅照 片，并将随机选取的UXZ幅照片构成训练图像库，将训练图像库中的第i幅照片记为Ιχ,ι;接 着对训练图像库中的每幅照片进行小波降噪处理，得到训练图像库中的每幅照片的降噪图 像，将Ιχ,ι的降噪图像记为Γχ,ι;之后根据训练图像库中的每幅照片及其降噪图像，计算训 练图像库中的每幅照片的噪声残差，将Ιχ,ι的噪声残差记为胖<,1，胖<,1 = 1<,1-1'<,1;其中，11> 5，V>400，l《u《U，200《Z《V，l《i《UXZ; 利用上述的每部相机重复拍摄纹理简单的同一场景G次，共获得UXG幅纹理简单的照 片，将第j幅纹理简单的照片记为。;对每幅纹理简单的照片进行小波降噪处理，得到每幅 纹理简单的照片的降噪图像，将。的降噪图像，记为I'j;然后根据每幅纹理简单的照片及其 降噪图像，计算每幅纹理简单的照片的噪声残差，将。的噪声残差记为Wj，WfIrI接着 采用最大似然估计法，对每部相机拍摄的所有纹理简单的照片的噪声残差进行处理之后， 再分别进行零均值化和维纳滤波处理，得到每部相机的参考模式噪声，将第U部相机的参考 模式噪声记为Ru;其中，G>50，l《j《UXG; @_2、通过判断每部相机拍摄的照片的尺寸大小能否被128X 128整除，确定是否扩展 该部相机的参考模式噪声和训练图像库中来自该部相机的每幅照片及其噪声残差，对于第 U部相机拍摄的照片，判断colu%128和;roWu%128是否均等于0,如果colu% 128和rowu% 128 均等于0，则直接执行步骤⑤_3;如果colu% 128等于0而rowu% 128不等于0，则对Ru、训练图 像库中来自第U部相机的每幅照片及其噪声残差各自扩展128-roWu%128行，然后令roWu = ;roWu+( 128-;roWu% 128)，再执行步骤⑤_3;如果rowu% 128等于0而colu% 128不等于0，则对 Ru、训练图像库中来自第U部相机的每幅照片及其噪声残差各自扩展128-colu%128列，然后 令。〇111 = (3〇111+(128-(3〇111%128)，再执行步骤(1)_3;如果(3〇111%128和1'〇￥11%128均不等于0， 则对Ru、训练图像库中来自第U部相机的每幅照片及其噪声残差各自扩展128-roWu%128行， 并扩展128-。〇111%128列，然后令1'〇"11 = 1'〇"11+(128-1'〇"11%128)，令。〇111 =。〇111+(128-。〇111% 128)，再执行步骤⑤_3;其中，符号"％"为求余运算符，rowu = ;roWu+ (128-;roWu % 128)和CO lu = colu+( 128-colu% 128)中的为赋值符号； @_3、将每部相机的参考模式噪声和训练图像库中来自该部相机的每幅照片及其噪声 残差分别划分成多个互不重叠的尺寸大小为128X128的图像块;然后计算训练图像库中来 自每部相机的每幅照片中的每个图像块的纹理复杂度，将训练图像库中来自第U部相机的 第Z幅照片中的第ku个图像块的纹理复杂度记为7(<r化巧;'；接着采用SPCE方法，计算训练 图像库中来自每部相机的每幅照片的噪声残差中的每个图像块与该部相机的参考模式噪 声中对应位置的图像块的相关性，将训练图像库中来自第U部相机的第Z幅照片的噪声残差 中的第ku个图像块与Ru中的第ku个图像块的相关性记为S/T与"；其中，l《z《Z， 128 128 @_4、将训练图像库中尺寸大小最小的照片的宽度和高度对应记为Colmin和rOWmin ;然 后按Colmin和rOWmin，对训练图像库中的每幅照片及其噪声残差和每部相机的参考模式噪声 从左上角开始进行裁剪，使训练图像库中的所有照片及各自的噪声残差和每部相机的参考 模式噪声的宽度均为Colmin，且高度均为rOWmin;再判断C〇lmin%128和r〇Wmin%128是否均等 于0，如果colmin% 128和rowmin% 128均等于0，则直接执行步骤⑤_5 ;如果colmin% 128等于0 而r〇Wmin%128不等于0,则对训练图像库中的每幅照片及其噪声残差和每部相机的参考模 式噪声各自扩展 128-；r〇Wmin% 128行，然后令；r〇Wmin = ：r〇Wmin+(128-；r〇Wmin% 128)，再执行步骤 @_5 ;如果rOWmin% 128等于0而colmin% 128不等于0，则对训练图像库中的每幅照片及其噪 声残差和每部相机的参考模式噪声各自扩展128-C〇lmin%128列，然后令C〇lmin = C〇lmin+ (128-colmin% 128)，再执行步骤⑤_5;如果colmin% 128和rowmin% 128均不等于0，则对训练 图像库中的每幅照片及其噪声残差和每部相机的参考模式噪声各自扩展128-roWmin%128 行，并扩展 128-CO Imin % 128列，然后令rowmin = r〇Wmin+ ( 128-；r〇Wmin % 128 )，令CO Imin = CO lmin+ (128-co Imin % 128)，再执行步骤⑤_5;其中，符号"％"为求余运算符，1'〇机1山=1'〇机1山+(128- rowmin % 128 )和CO Imin = CO lmin+ ( 128-CO Imin % 128 )中的"为赋值符号； (D_5、将第U部相机作为当前相机； @_6、从训练图像库中来自除当前相机外的每部相机的所有照片中随机选取Η幅照片， 并由共选取得到的化-1)ΧΗ幅照片构成异源照片集，记为Yu;其中，20《Η《Ζ; @_7、将当前相机的参考模式噪声Ru和Yu中的每幅照片及其噪声残差分别划分成 个互不重叠的尺寸大小为128X128的图像块;然后计算Yu中的每幅照片中的 12〇 12〇 每个图像块的纹理复杂度，将Yu中的第h幅照片中的第ky个图像块的纹理复杂度记为 心巧着采用SPCE方法，计算Yu中的每幅照片的噪声残差中的每个图像块与当前相 机的参考模式噪声Ru中对应位置的图像块的相关性，将Yu中的第h幅照片的噪声残差中的第 ky个图像块与Ru中的第ky个图像块的相关性记为其中，i《h《（U-l)XH， !28 128 @_8、令u = u+l，将下一部相机作为当前相机，然后返回步骤⑤_6继续执行，直至所有 相机处理完毕;其中，u = u+l中的为赋值符号； @_9、将纹理复杂度的取值范围[0，1]分成33个纹理复杂度等级子区间，分别为[0， 0.03)、[0.03,0.06)、……、[0.93,0.96)、[0.96,1];然后根据步骤@_3中计算得到的所有 图像块各自的纹理复杂度及步骤⑤_5至步骤@_8中计算得到的所有图像块各自的纹理复 杂度所在的纹理复杂度等级子区间，将步骤⑤_3中计算得到的所有相关性及步骤⑤_5至步 骤⑤_8中计算得到的所有相关性分成33类，从而得到每个纹理复杂度等级子区间下同源和 异源照片对应的相关值分布;接着根据每个纹理复杂度等级子区间下同源和异源照片对应 的相关值分布，使用化yman-Pearson准则，在虚警率为Pf的情况下计算出每个纹理复杂度 等级子区间下的相关性阔值;之后对所有纹理复杂度等级子区间下的相关性阔值进行拟 合，拟合得到相关性阔值与纹理复杂度的关系曲线;其中，Pfe [0.001,0.01]; @_10、在相关性阔值与纹理复杂度的关系曲线上，找出与Itest中的每个图像块的纹理 复杂度相对应的相关性阔值，作为该图像块相应的自适应阔值。8.根据权利要求7所述的一种使用自适应阔值的图像篡改检测与定位方法，其特征在 于所述的步骤中对Ru、训练图像库中来自第U部相机的每幅照片及其噪声残差各自扩 展128-roWu%128行为在Ru、训练图像库中来自第U部相机的每幅照片及其噪声残差各自的 第rowu行的下方扩展128-rowu % 128行，并使扩展的每行中的每个像素点的像素值等于第 rowu行中对应坐标位置的像素点的像素值;对Ru、训练图像库中来自第U部相机的每幅照片 及其噪声残差各自扩展128-colu%128列为在Ru、训练图像库中来自第U部相机的每幅照片 及其噪声残差各自的第colu列的右方扩展128-colu%128列，并使扩展的每列中的每个像素 点的像素值等于第colu列中对应坐标位置的像素点的像素值； 所述的步骤⑤_4中对训练图像库中的每幅照片及其噪声残差和每部相机的参考模式 噪声各自扩展128-rowmin% 128行为在训练图像库中的每幅照片及其噪声残差和每部相机 的参考模式噪声各自的第rowmin行的下方扩展128-rowmin % 128行，并使扩展的每行中的每 个像素点的像素值等于第rowmin行中对应坐标位置的像素点的像素值;对训练图像库中的 每幅照片及其噪声残差和每部相机的参考模式噪声各自扩展128-C〇lmin%128列为在训练 图像库中的每幅照片及其噪声残差和每部相机的参考模式噪声各自的第colmin列的右方扩 展128-C〇lmin%128列，并使扩展的每列中的每个像素点的像素值等于第colmin列中对应坐 标位置的像素点的像素值； 所述的步骤⑤_3中的7??"嗦'。的获取过程为:曰2、令做"'rc；:。矿-皆'， 其中，雌-、皆"·:、托·"·:、坤·"·=和皆-对应表示训练图像库中来自第u部相机的第z幅照片 中的第ku个图像块的信息赌、边缘比率、反差因子、相关度和能量；b2、对步骤曰2得到的 妨曲化^·:进行归一化处理，即4，其中，Tex1:uremin表示 纹理复杂度中的最小值，Texturemax表示纹理复杂度中的最大值，中的符号为赋值符号；所述的步骤⑤_ 3中廷中，sign()为求符号函 数imaxO为求最大值函数，诗-、.表示训练图像 库中来自第U部相机的第Z幅照片的噪声残差中的第ku个图像块中坐标位置为Su的像素点与 Ru中的第ku个图像块中坐标位置为Su的像素点的相关值，表示训练图像库中来自第U部 相机的第Ζ幅照片的噪声残差中的第ku个图像块或Ru中的第ku个图像块中的所有像素点的 坐标位置的集合。表示训练图像库中来自第U部相机的第Z幅照片的噪声残差中 的第ku个图像块或Ru中的第ku个图像块中W/fi品A对应的像素点为中屯、的窗口区域的尺寸 大小，表示训练图像库中来自第U部相机的第Z幅照片的噪声残差中的第ku个图像 块或Ru中的第ku个图像块中W A对应的像素点为中屯、的窗口区域中的所有像素点的 坐标位置的集合； 所述的步骤⑤_7中的冷''的获取过程为:曰3、令吟=<'' +岭' +护-q'l ' -皆''，其 中，皆'、皆·*、各;"''、皆·'和夺·'对应表示Yu中的第h幅照片中的第ky个图像块的信息赌、 边缘比率、反差因子、相关度和能量;b3、对步骤a3得到的reW?巧f '''进行归一化处理，即令，其中，Texturemin表示纹理复杂度中的最小值， Texturemax表示纹理复杂度中的最大中的符号为 赋值符号;所述的步骤⑤_7中'其中，. . ·'!.' .'I'. signO为求符号函数'max ()为求最大值函数， 表示Yu中的第h幅照片的噪声残差中的第ky个图像块中坐标位置为sy的像素点 与Ru中的第ky个图像块中坐标位置为Sy的像素点的相关值，表示Yu中的第h幅照片的噪声 残差中的第ky个图像块或Ru中的第ky个图像块中的所有像素点的坐标位置的集合， 表示Yu中的第h幅照片的噪声残差中的第ky个图像块或Ru中的第ky个图像块中W <吉：户对应的像素点为中屯、的窗口区域的尺寸大表示Yu中的第h幅照片的噪声 残差中的第ky个图像块或Ru中的第ky个图像块中对应的像素点为中屯、的窗口区域 中的所有像素点的坐标位置的集合。9. 根据权利要求1所述的一种使用自适应阔值的图像篡改检测与定位方法，其特征在 于所述的步骤⑦中取th = 0.06219。10. 根据权利要求1所述的一种使用自适应阔值的图像篡改检测与定位方法，其特征在 于所述的步骤⑧中先后利用腐蚀和膨胀技术对像素值重置后的ZNCC关联图中的每个像素 点进行处理的过程为:先用半径为64个像素点的圆对像素值重置后的ZNCC关联图中的每个 像素点进行腐蚀处理，再用半径为20个像素点的圆对腐蚀处理后的ZNCC关联图中的每个像 素点进行膨胀处理。
【文档编号】G06T7/00GK106097379SQ201610588684
【公开日】2016年11月9日
【申请日】2016年7月22日 公开号201610588684.0, CN 106097379 A, CN 106097379A, CN 201610588684, CN-A-106097379, CN106097379 A, CN106097379A, CN201610588684, CN201610588684.0
【发明人】郭浩龙, 张 荣, 郭立君, 王潇
【申请人】宁波大学