一种置换混叠图像的盲分离方法
【技术领域】
[0001] 本发明涉及一种置换混叠图像的盲分离方法,属于盲源分离法处理数字图像的领 域。
【背景技术】
[0002] 盲源分离(BBS)是信号处理中一个传统而又极具挑战性的问题。盲源分离即在观 测信号的源信号和混合模型均无法获知的情况下从众多混合信号中将不同的源信号分离, 在图像篡改检测方面广泛应用。置换混叠图像是篡改图像中一种特殊的单信道混合方式的 图像,图像中的某一部分被另一幅图像中的某部分置换。与传统的叠加混合图像不同,此类 置换混叠图像中原始图像的被置换区域内容会有丢失,且置换区域的位置、大小、个数均是 未知的。
[0003] 现有的置换混叠图像盲分离理论是通过对篡改图像本身具有的特征进行分析实 现置换区域的检测,通过盲源分离实现图像置换区域的检测,或者通过置换图像的稀疏表 示实现置换区域的检测。而这些理论存在着以下几点不足:(1)现有的盲分离理论是针对 单一来源的置换图像。(2)现有的盲分离理论是针对同一方式处理的置换图像。(3)现有 的盲分离理论是针对置换图像具体特征来实现分离。当今社会的图像来源繁多、形式不同, 现有的盲分离方法已不能准确的分离置换混叠图像。通过研究表明,影响混叠图像盲分离 效果最重要的因素是对特征域的选取。因此,如何准确的选取混叠图像中的特征,是一个亟 待解决的问题。
【发明内容】
[0004] 本发明的目的在于克服现有技术的不足,提出了一种置换混叠图像盲分离的方 法,解决由于混叠图像特征域不易选取而影响盲分离准确性的问题。
[0005]本发明是通过如下方案予以实现的:
[0006] -种置换混叠图像的盲分离方法,步骤如下:
[0007] 步骤1),构建置换混叠图像I,该置换混叠图像I的置换区域含有噪声;
[0008] 步骤2),将置换混叠图像I划分成m个大小相等的子块,其中,m多1 ;建立一个数 组,数组的每行为一个子块的像素值,该数组记为图像序列X;对图像序列X进行归一化处 理得到新的图像序列X1;
[0009] 步骤3),利用降噪自动编码器采用向前传播算法对图像序列&编码,即提取图像 序列&的特征,再利用反向传播和梯度下降对提取的图像序列乂:的特征进行重构,得到重 构的图像序列Y;重构的图像序列Y与图像序列Xi作商,得到商图像L;
[0010] 步骤4),按照划分混叠图像I的方式,将商图像L也划分成m个大小相等的子块, 其中,m多1 ;选取各子块的像素值和设定的阈值做比较,根据获取的比较值实现将置换混 叠图像I中的置换区域和被置换区域图像分离。
[0011]进一步的,步骤2)所述的对图像序列X进行归一化,归一化方法表达式如下:
[0012] X1=double(X)/255
[0013] 进一步的,步骤3)中所述的降噪自动编码器为三层神经网络结构:输入层、隐含 层和输出层,采用一定概率分布的〇矩阵覆盖输入数据,隐含层第j个节点的输入值表达式 如下:
[0014]
[0015] 其中,^>表示输入层第i个节点与隐含层第j个节点之间的权重;if隐层第j节 点的偏置值;Xl为第i个节点的输入层值;
[0016] 输出层值y的表达方式如下:
[0017]
[0018] 其中,a_j为每个隐层节点的输出值,通过sigmoid激活函数f(z)的非线性表示, 即f(z) =lAl+ez),a]=f(z,) 为隐层第i个节点与输出层第j个节点之间的权重; 6^为输出层第j节点的偏置值。[0019]进一步的,步骤3)中所述的反向传播方法的表达式为:
[0022]其中,w是权重值;b是偏置;J(w,b,X,y)是单个样本的误差;y;是第i个节点输 出层的值;Xl是第i个节点的输入层的值
:是m个节点的均方误差;
[0020]
[0021] ___ _是整个代价函数的权重衰减项;
/.=:1r--l- ;-:1
[0023] 利用梯度下降方法对参数w和b进行微调,表达式如下:
[0024]
[0025]
[0026] 其中,α为学习率;^?Μ?)为权重的偏导数;^为偏置的偏导数 ij ^i
[0027]进一步的,步骤3)所述的商图像L的表达式如下:
[0028] L=X/Y
[0029] 其中,Xi为对图像序列X归一化处后的图像序列X1;Y为对重构的图像序列。
[0030] 进一步的,所述的步骤4)中,选取商图像L各子块的最小像素值和设定的阈值做 比较,根据比较结果对各子块的像素值进行二值化处理,将获得的二值化图像和混叠图像I 通过点乘的方式,即可分离置换区域和被置换区域图像。
[0031] 本发明和现有技术相比的有益效果是:
[0032] 在置换混叠图像的盲分离方法中,对其特征的选取尤为重要。本发明提出了一种 置换混叠图像的盲分离方法。将降噪自动编码器用于训练含噪声的置换混叠图像,提取混 叠图像的特征,即对置换混叠图像进行编码,再利用提取的特征重构置换混叠图像,即为解 码过程。根据解码后的图像和原图像存在的差异,通过作商后采用阈值化操作,分离出置换 区域图像。自动编码器在深度学习中具有无监督特性,在图像分类等任务中具有很好的效 果。本发明实现对混叠图形特征自动的选取,不仅节省特征选取的时间,减少了检索的时间 复杂度,也克服了现有技术中特征域不易选取的缺点,避免了造成误检的现象,提高了分离 结果的准确性。
[0033] 采用本发明的混叠图像盲分离方法,不受图像来源和处理方式的限制,对于含噪 声的置换区域位置、大小、个数及噪声方差不同的置换混叠图像均能有效分离出置换区域 图像,具有很强的适应性。
[0034] 而且,在训练的过程中采用一定概率分布的0矩阵覆盖原始输入数据,使得部分 特征丢失。由于0矩阵覆盖后的数据训练出的权重含噪声较少,可以降低训练后的混叠图 像的噪声,从而使提取的特征更具有鲁棒性。
【附图说明】
[0035] 图1是本发明基于降噪自动编码器的置换混叠图像盲分离方法的流程图;
[0036] 图2是本发明置换图像含噪声方差为0. 2的置换混叠图像;
[0037] 图3是本发明置换图像含噪声方差为0. 2的置换混叠图像的编码后的图像;
[0038] 图4是本发明置换图像含噪声方差为0. 2的置换混叠图像解码后的图像;
[0039] 图5是本发明置换图像含噪声方差为0. 2的置换混叠图像作商后的结果;
[0040] 图6是本发明置换图像含噪声方差为0. 2的置换混叠图像盲分离效果图;
[0041] 图7是本发明置换图像含噪声类型为高斯白噪声、方差为0. 1的置换混叠图像;
[0042] 图8是本发明置换图像含噪声类型为椒盐噪声、方差为0. 2的置换混叠图像;
[0043] 图9是本发明置换图像含噪声类型为高斯白噪声、方差为0. 3的置换混叠图像;
[0044] 图10是本发明置换图像含噪声类型为椒盐噪声、方差为0. 4的置换混叠图像;
[0045] 图11是本发明置换图像含噪声类型为高斯白噪声、方差为0. 5的置换混叠图像;
[0046] 图12-16依次是图7-11的盲分离结果图;
[0047] 图17-18是含有大小、位置及噪声方差不同置换图像的置换混叠图像;
[0048] 图19-20依次是图17-18的盲分离结果图;
[0049] 图21是本发明DAE神经网络算法的结构图。
【具体实施方式】
[0050] 下面结合附图和实施例对本发明做进一步详细的说明。
[0051] -种置换混叠图像的盲分离方法,步骤如下:
[0052] 步骤(一)、构建大小为MXM的置换混叠图像I,该图像的置换区域含有噪声,则 置换混叠图像I的数学模型表达式如下:
[0053] I=ΑΘΡ+ΑΤ1ΘΡΤ1+... +ΑΤηιΘΡΤηι+... +ΑΤηΘΡΤη (1)
[0054] 其中,Θ表示Hadamard积;P为置换图像的源图像;A为全1矩阵;ATi(i= 1,2,. . .,η)为置换矩阵;PTl(i= 1,2,. . .,η)为含噪声的源图像。
[0055] 式⑴中,ΑΤ1,ΑΤ2,…ΑΤη的具体表示方式如下:
[0056]
[0057] 其中,UT1,UT2,…UTn为激活IX间,
[0058] 步骤(二)、将置换混叠图像I按照8X8分块大小对其进行分块,获得m个子块,其 中,m多1,将m个子块保存成一个数组,数组的每一行代表其中一小块的像素值,该数组记 为图像序列X。将图像序列X作为输入数据集,由于图像序列X中的像素灰度值相差很大, 如果直接利用降噪自动编码其的训练会产生较大误差,因此需要对图像序列X进行归一化 处理,从而得到新的图像序列&。则归一化表达式如下:
[0059] X1=double(X)/255 (3)
[0060] 步骤(三)、构建降噪自动编码器(DEA)神经网络,利用归一化后的图像序列&对 其进行训练,利用前向传播算法首次对图像序列&进行自编码操作,即对图像序列其进行 特征提取。构建DAE神经网络的具体方式如下:
[0061] (1)设定DAE神经网络的初始参数值,构建DAE神经网络结构,初始化权重w和偏 置b。其中,DEA神经