基于均匀特征点混合描述的图像篡改检测方法与流程

本发明属于数字图像取证
技术领域：
，涉及图像的复制-粘贴篡改检测方法，特别涉及一种基于均匀特征点混合描述的图像篡改检测方法。
背景技术：
：在当今信息和网络高速发展的时代，数字图像已成为人类生活中不可或缺的一部分。然而，随着众多简单有效的编辑工具的出现，人们可以轻易操纵图像的同时亦增加了伪造的可能性。因此，迫切需要能够鉴别图像真实性的取证技术。通常情况下，取证技术分为两种：一种是主动取证，它需要利用额外的数据；另一种是被动取证技术，不需要使用额外的信息，因此更具有现实意义。篡改手段是对图像中至少一个区域进行复制，而后粘贴到同一图像中的其他区域，目的是通过复制某些区域来隐藏对象或者进行过分强调。此外，为了使这种篡改不留下任何肉眼可辨的线索，篡改者通常会给复制的部分添加一系列诸如压缩、噪声、旋转等操作。复制-粘贴篡改检测属于被动取证技术中的一种，分为基于块和基于特征点的两种检测技术。这两类技术相同点在于都提取特征，通过鲁棒地描述局部区域来评估不同区域之间的相似性，不同点在于局部区域的筛选和描述方法上。在基于块的技术中，每个像素点都需要构造特征向量；基于特征点的技术中，多数只对位于高熵区域的突出点刻画描述符。但基于特征点的技术仍存在如下缺陷：特征点无法全面地覆盖整幅图像，若复制的部分是图像中的平滑区域，则检测极可能失效。技术实现要素：本发明是为了解决现有技术所存在的上述技术问题，提供一种基于均匀特征点混合描述的图像篡改检测方法。本发明的技术解决方案是：一种基于均匀特征点混合描述的图像篡改检测方法，其特征在于实施步骤如下：约定：i表示待检测的图像；i1表示去噪后的图像；为自适应提点阈值；指图像i1中检测到的特征点数量；表示每一子块内的特征点数，中存放自适应提取的所有特征点；为控制子块特征点数量的阈值；为存放均匀性处理后的特征点的矩阵；表示特征点的个数；表示用于存放所有frif特征信息的矩阵；为距离以升序排列的近邻点；为预设的近邻点个数；指特征匹配阈值；为控制相匹配的超像素块数量的阈值；a.初始设置获取大小为的待检测图像i并进行预处理，得到图像i1；b.自适应提取特征点b.1将图像i1进行不重叠分块，分割成尺寸为图像子块；b.2使用falog检测器提取特征点，设置初始提点阈值，迭代次数；b.3计算标准特征点数量：；b.4设置均匀性阈值，计算特征点均匀性测量值：；b.5如果或，则输出矩阵，否则，，重复步骤b.2~b.5；c.特征点均匀性处理c.1对于图像子块中的特征点，根据响应强度对其进行降序排列并存于临时矩阵中；c.2若特征点的数目，则取中前个点并将其输出至矩阵，否则中的点全部输出；c.3如果所有的子块都被测试，则输出均匀性处理后的所有点，即，否则，返回步骤c.1，选择下一个子图像块；d.基于frif的特征构造对于存放在矩阵中所有检测到的特征点，使用frif结合局部采样模式和模式间信息来构造混合的64位二进制描述符；e.基于rg2nn的特征匹配e.1为提取到的特征矩阵建立kd树；e.2利用快速近似最近邻（flann）算法检索查询点的近似最近邻，将其按照距离升序排列，得到；e.3通过rg2nn算法从近邻点中找到的匹配点，即逆序计算距离之间的比值：，如果且，则第点和距其的个特征点均相似，其中，；f.后处理f.1利用slic算法分割输入图像；f.2获取与候选的匹配点对、相对应的超像素块对、；f.3删除匹配数较少的块对，即当匹配块数，则保留相应的点对；f.4在粗除后的配对中，利用ransac方法询正确的匹配对；f.5利用改进的nnprod函数定位重复的区域；f.6使用形态学操作去除面积小于图像0.02%的所有孤立区域，并填充合并二进制图像中的“空洞”，最终在篡改的图像上进行彩色标记。本发明首先采取自适应阈值选择策略，通过falog检测器对待检测图像提取特征点，同时对点进行均匀性处理；其次，使用frif算法对提取到的关键点构造混合的二进制描述符；然后，通过rg2nn算法进行特征匹配，找到候选的匹配对，并进一步利用slic方法粗除候选的配对，同时利用ransac查询正确的对；最后，使用改进的nnprod方法和形态学操作对重复的部分进行定位和标记。实验结果表明，本发明在稀疏采样和穷举采样方法的优点间作出了折衷，即使在各种挑战性的条件下仍然具备有效性。与现有技术相比，本发明具有以下有益效果：第一，结合基于块技术和传统基于特征点技术的优点，提出了一种新的特征点检测器，该检测器检测到的特征点可以自适应地、均匀地覆盖整幅图像，特别是对于低对比度的区域；第二，结合局部二进制描述符具有效率高、占用内存少的特点，使用frif描述子来鲁棒表示检测到的特征点；第三，采用了新的滤除算法来分离正确的匹配，有效解决了由于自然图像固有的自相似性造成的大量潜在的匹配对可能被错误分配等问题。附图说明图1为本发明实施例重复区域说明图。图2为本发明实施例各个环节实现结果图。图3为本发明实施例在fau库中的部分检测结果图。图4为本发明实施例在grip库中的部分检测结果图。图5为本发明实施例在fau库下与现有技术的检测精度对比分析图。图6为本发明实施例在grip库下与现有技术的检测精度对比分析图。图7为本发明实施例的流程图。具体实施方式本发明的方法共包括五个阶段：自适应提取特征点、特征点均匀性处理、基于frif的特征构造、基于rg2nn的特征匹配和后处理。具体如图7所示，按照如下步骤进行：约定：i表示待检测的图像；i1表示去噪后的图像；为自适应提点阈值；指图像i1中检测到的特征点数量；表示每一子块内的特征点数，中存放自适应提取的所有特征点；为控制子块特征点数量的阈值；为存放均匀性处理后的特征点的矩阵；表示特征点的个数；表示用于存放所有frif特征信息的矩阵；为距离以升序排列的近邻点；为预设的近邻点个数；指特征匹配阈值；为控制相匹配的超像素块数量的阈值；a.初始设置获取大小为的待检测图像i并进行预处理，得到图像i1；b.自适应提取特征点b.1将图像i1进行不重叠分块，分割成尺寸为图像子块；b.2使用falog检测器提取特征点，设置初始提点阈值，迭代次数；b.3计算标准特征点数量：；b.4设置均匀性阈值，计算特征点均匀性测量值：；b.5如果或，则输出矩阵，否则，，重复步骤b.2~b.5；c.特征点均匀性处理c.1对于图像子块中的特征点，根据响应强度对其进行降序排列并存于临时矩阵中；c.2若特征点的数目，则取中前个点并将其输出至矩阵，否则中的点全部输出；c.3如果所有的子块都被测试，则输出均匀性处理后的所有点，即，否则，返回步骤c.1，选择下一个子图像块；d.基于frif的特征构造对于存放在矩阵中所有检测到的特征点，使用frif结合局部采样模式和模式间信息来构造混合的64位二进制描述符；e.基于rg2nn的特征匹配e.1为提取到的特征矩阵建立kd树；e.2利用快速近似最近邻（flann）算法检索查询点的近似最近邻，将其按照距离升序排列，得到；e.3通过rg2nn算法从近邻点中找到的匹配点，即逆序计算距离之间的比值：，如果且，则第点和距其的个特征点均相似，其中，；f.后处理f.1利用slic算法分割输入图像；f.2获取与候选的匹配点对、相对应的超像素块对、；f.3删除匹配数较少的块对，即当匹配块数，则保留相应的点对；f.4在粗除后的配对中，利用ransac方法询正确的匹配对；f.5利用改进的nnprod函数定位重复的区域；f.6使用形态学操作去除面积小于图像0.02%的所有孤立区域，并填充合并二进制图像中的“空洞”，最终在篡改的图像上进行彩色标记。实验测试和参数设置：实验是在matlabr2014a环境下实施的，所使用的数据库分别是fau和grip，它们均已公开，可在网上自行搜索下载。图1为本发明实施例重复区域说明图。图1中(a)原始图像；(b)篡改图像；(c)篡改区域。图2为本发明实施例各个环节实现结果图。图2中(a)初始特征点提取；(b)自适应迭代特征点提取；(c)图像分块处理；(d)消除子块内强度弱的点；(e)均匀分布的特征点；(f)随机选取一个特征点；(g)特征表达；(h)候选的匹配对；(i)slic粗除候选匹配对；(j)正确的匹配对(k)重复对象1；(l)重复对象2；(m)定位区域1；(n)定位区域2；(o)叠加的结果；(p)彩色标记。图3为本发明实施例在fau库中的部分检测结果图。图4为本发明实施例在grip库中的部分检测结果图。图5为本发明实施例在fau库下与现有技术的检测精度对比分析图。图6为本发明实施例在grip库下与现有技术的检测精度对比分析图。图5与图6中a~d依次为压缩因子、标准偏差、旋转角度、缩放比例。图5、图6中所述现有技术对比文献如下：对比文献：【1】iterative[1]zandim,mahmoudi-aznaveha,talebpoura.iterativecopy-moveforgerydetectionbasedonanewinterestpointdetector[j].ieeetransactionsoninformationforensics&security,2016,11(11):2499-2512.【2】patchmatch[2]cozzolinod,poggig,verdolival.efficientdense-fieldcopy–moveforgerydetection[j].ieeetransactionsoninformationforensics&security,2015,10(11):2284-2297.【3】overseg[3]puncm,yuanxc,bixl.imageforgerydetectionusingadaptiveoversegmentationandfeaturepointmatching[j].ieeetransactionsoninformationforensics&security,2015,10(8):1705-1716.【4】godeep[4]silvae,carvalhot,ferreiraa,etal.goingdeeperintocopy-moveforgerydetection:exploringimagetelltalesviamulti-scaleanalysisandvotingprocesses☆[j].journalofvisualcommunication&imagerepresentation,2015,29:16-32.【5】j-sift[5]amerinii,ballanl,caldellir,etal.copy-moveforgerydetectionandlocalizationbymeansofrobustclusteringwithj-linkage[j].signalprocessingimagecommunication,2013,28(6):659-669.【6】surf[6]b.shivakumarandl.d.s.s.baboo,"detectionofregionduplicationforgeryindigitalimagesusingsurf,"int.journalofcomputersci.issues,vol.8,2011.【7】zernike[7]ryusj,leemj,leehk.detectionofcopy-rotate-moveforgeryusingzernikemoments[c]//internationalconferenceoninformationhiding.springer-verlag,2010:51-65.当前第1页12