基于抽样型最大似然估计的JPEG图像被动取证方法

摘要

本发明提供了一种基于抽样型最大似然估计的JPEG图像被动取证方法，包括：采用增强型交叉滤波器对灰度图像进行过滤，得到图像边缘检测的噪声谱后对其进行水平和垂直方向的分解，对水平分量或垂直分量求导，从求导结果中提取周期信号，计算原始图像的块大小的最大似然估计B，再采用RSMLE计算原始图像块大小估计

说明书

技术领域

本发明涉及计算机数字图像处理技术领域，特别涉及一种基于抽样型最 大似然估计的JPEG图像被动取证方法。

背景技术

随着计算机技术的发展，图像的篡改操作变得更加容易，使得真伪鉴别 变得越发困难。数字图像取证技术是近年发展起来的一个新的研究领域，它 的主要目的是对数字图像内容的真实性和完整性进行鉴别。数字图像取证技 术分为主动取证和被动取证两种。数字图像主动取证技术主要包括数字签名 和数字水印，然而数字签名和数字水印都具有一定的局限性，数字签名不能 够将鉴别数据与原始数据相融合，嵌入水印则会导致图像质量下降，并且图 像的主动取证技术需要第三方认证，所以数字图像主动取证的局限性很大。

数字图像被动取证技术也叫数字图像盲取证技术(PassiveBlindImage Forensics),在不依赖任何先验信息的条件下对图像的内容的真伪性和图像来 源进行鉴别。所以数字图像被动取证技术具有更高的应用价值。现有的数字 图像被动取证分为三类：基于图像内容的被动取证、基于成像过程的被动取 证、基于物理过程的被动取证。

基于JPEG篡改和复制-粘贴的数字图像篡改是一类最为常见的篡改伪造 手段，是基于图像内容的被动取证中的方法之一。复制粘贴篡改分为同一幅 图像复制粘贴篡改和不同图像的复制拼接篡改两大类。针对同一幅图像之间 的复制-粘贴篡改操作，主要检测依据是篡改图像中存在完全相同或者相似的 两个以及两个以上的区域。

目前，几种基础的针对JPEG压缩图像的方法被提出。已有技术表明，从 JPEG的压缩过程中，块状信息是非常有用的JPEG图像篡改方法。对称性、周 期性和一致性在JPEG图像篡改时，会遭到破坏。现有的研究已经研究了双重 问题压缩检测，量化表估计和篡改区域定位。JPEG图像压缩两次即二次压缩， 即篡改，然后再次压缩。虽然，当前已经可以利用JPEG块效应的周期性噪声 检测图像的篡改和重压缩。然而，篡改检测的准确性对于图像内容是很敏感 的，并很依赖于算法图像分割，是一个待解决问题。现有的基于块状网格提 取BAG的方法，可以有效检测和定位篡改区域，但实验显示，其仍很大程度 上收到图像内容的影响，并且在复杂纹理和边界的情况下，会产生很高的误 检率。因此，针对基于内容的JPEG篡改检测方法，并且对于图像边界和纹理 等图像内容有很好检测结果的方法，也是亟待解决的。

发明内容

本发明的目的在于提供一种基于抽样型最大似然估计的JPEG图像被动 取证方法，以解决现有的JPEG图像被动检测方法中所存在的在复杂纹理和边 界的情况下，会产生很高的误检率，检测精度和稳定性均较差的问题。

为实现上述目的，本发明提供了一种基于抽样型最大似然估计的JPEG图 像被动取证方法，其特征在于，包括以下步骤：

S1：将待检测的JPEG图像转换为灰度图像；

S2：采用增强型交叉滤波器对所述灰度图像进行过滤，得到图像边缘检 测的噪声谱BBNM；

S3：对所述噪声谱BBNM进行水平和垂直方向的分解，得到水平方向分 量及垂直方向分量，随后对所述水平方向分量或垂直方向分量进行求导，并 从求导结果中提取周期部分信号；

S4：在保证噪声方差σ²最小的情况下对所述周期部分信号进行最大似然 估计，得到原始图像的块大小的最大似然估计B，并采用从随机抽样中选取 的方法，得到原始图像块大小估计

S5：将所述噪声谱BBNM分为3B_V×3B_h大小不重叠的子块，在约束条件 下采用在随机抽样中选举的方法对各子块进行块大小估计得到B′；

S6：判断所述B′和是否相同，若B′和相同，则B′为非篡改区域；若B′ 和不同，则其对应的块为篡改区域，得到初步篡改区域；

S7：对所述初步篡改区域进行细化，以去掉错检块，并增加漏检块，得 到最终篡改区域的检测结果，完成检测。

较佳地，所述增强型交叉滤波器的表达式为：

其中，θ为预设的阈值，用来分离出噪声；α为减小系数，用于减小来自 图像强边缘的噪声；g(x,y)为交叉差分滤波器，具体地：

g(x,y)＝|I(x,y)+I(x+1,y+1)-I(x+1,y)-I(x,y+1)|，

其中，灰度图像大小为M×N，I(x,y)代表像素(x,y)的灰度值，其中 x∈{1,…,M}，y∈{1,…,N}。

较佳地，预设的阈值θ的值为15，减小系数α的值为0.2。

较佳地，对所述水平方向分量进行求导并提取周期部分信号后，所述步 骤S4中，求解原始图像块大小估计的过程具体为：

a)将周期部分信号s(i)转换为周期为B_h的周期信号q：

s(i)＝q(imodB_h)，

b)用最大似然估计计算B_h，在密度函数P(Pd_h|s,σ²,B_h)中，保证噪声方差σ²的值最小的情况下求得如下：

$B_h^{MLE}=\arg \underset{B_h}{min}{\sigma }^2\left(B_h\right)$

c)采用在随机抽样中选举的方法，计算最后的块大小估计

$\tilde{B}=\arg \underset{B_h^{VML}}{max}\left\{\underset{K\in iter}{\Sigma }{H}_{vote}\left(B_h^{VML}\right)\right\},$

其中，H_vote为周期选举的直方图，iter为迭代次数，为每次抽样对应 的的值。

较佳地，对所述垂直方向分量进行求导并提取周期部分信号后，所述步 骤S4中，求解原始图像块大小估计的过程具体为：

a)将周期部分信号s(i)转换为周期为B_v的周期信号q：

s(i)＝q(imodB_v)，

b)用最大似然估计计算B_v，在密度函数P(Pd_v|s,σ²,B_v)中，保证噪声方差σ²的值最小的情况下求得如下：

$B_v^{MLE}=\arg \underset{B_v}{min}{\sigma }^2\left(B_v\right)$

c)采用在随机抽样中选举的方法，计算最后的块大小估计

$\tilde{B}=\arg \underset{B_v^{VML}}{max}\left\{\underset{K\in iter}{\Sigma }{H}_{vote}\left(B_v^{VML}\right)\right\},$

其中，H_vote为周期选举的直方图，iter为迭代次数，为每次抽样对应 的的值。。

较佳地，所述步骤S5中，具体为：将噪声BBNM分为 [M/(3×B_v)]×[N/(3×B_h)]个大小为3B_V×3B_h不重叠的子块，其中，B_h为水平方向 分量的周期部分信号的周期，B_v为垂直方向分量的周期部分信号的周期；

其随机抽样的约束条件为：

(i-1)3B_v+1<x<(i+1)3B_v，

(j-1)3B_h+1<y<(j+1)3B_h，

其中，x、y分别为灰度图像像素(x,y)的横坐标及纵坐标。

较佳地，所述步骤S7中，对所述初步篡改区域进行细化包括：将所述 初步篡改区域所在块的区域向四个方向分别扩大预设数量的像素，采用在随 机抽样中选举的方法再次对扩展后的块进行块大小估计，若任意一个初步篡 改区域重新计算得到的块大小估计与原图像的块大小估计相同，则该初步篡 改区域为误检，将其从初步检测结果中去除，否则，保留该初步篡改区域至 最终检测结果中。

较佳地，所述步骤S7中，增加漏检块包括：对于步骤S6中得到的初步 篡改区域以外的较小的封闭非篡改区域，当较小的封闭区域小于72×72时，首 先，将非篡改区域向四个方向分别扩大预设数量的像素后得到扩大区域，其 次，将所述扩大区域分为若干个大小相同的小块，并判断每个小块是否为篡 改块，最后，计算所述扩大区域内篡改块占总块数的比值，当比值大于0.7时， 则判断该扩大区域对应的非篡改区域为漏检块，将其加入到最终的检测结果 中。

本发明方法实现了以下的技术效果：

1)增强型交叉滤波器可以加强块效应和减少来自图像边缘和纹理的干 扰。

2)采用集成随机抽样，投票两种方法对最大似然法进行改进，得到新的 块估计方法RSMLE，可以提高块大小估计的准确性。

3)采用两种不同随机抽样策略的块大小估计：一是原图像JPEG块大小 的估计，另一个是局部块大小的一致性分析。然后对局部块大小和原始块大 小进行比较，当局部块的JPEG块大小与原始图像块大小不同时，该局部块认 定为篡改区域。

4)对初步篡改区域进行细化及增加漏检块，可以消除错误的块检测和补 充漏检的篡改块。

该方法有效地对多种篡改进行检测，具有很好的稳定性和鲁棒性。

附图说明

图1为本发明提供的基于抽样型最大似然估计的JPEG图像被动取证方法 流程图；

图2为本发明方法步骤S5中对噪声谱BBNM进行局部分块的操作示意图；

图3A为本发明方法实施例一步骤S6得到的初步检测的篡改区域

图3B为本发明方法实施例一步骤S7处理后的最终篡改区域检测结果；

图4A为篡改前的原图像示例图；

图4B为篡改后的图像示例图；

图4C为MLE算法的检测结果示例图；

图4d为BAG算法的检测结果示例图；

图4e为本发明方法检测结果示例图。

具体实施方式

为更好地说明本发明，兹以一优选实施例，并配合附图对本发明作详细 说明，具体如下：

实施例一：

如图1所示，本实施例提供的基于抽样型最大似然估计的JPEG图像被动 取证方法，包括以下步骤：

S1：将待检测的JPEG图像转换为灰度图像；

S2：采用增强型交叉滤波器对上述的灰度图像进行过滤，得到图像边缘 检测的噪声谱BBNM；

S3：对所述噪声谱BBNM进行水平和垂直方向的分解，得到水平方向分 量及垂直方向分量，随后对所述水平方向分量或垂直方向分量进行求导，并 从求导结果中提取周期部分信号；

S4：在保证噪声方差σ²最小的情况下对所述周期部分信号进行最大似然 估计，得到原始图像的块大小的最大似然估计B，并采用从随机抽样中选取 的方法，得到原始图像块大小估计

S5：将所述噪声谱BBNM分为3B_V×3B_h大小不重叠的子块，在约束条件 下采用在随机抽样中选举的方法对各子块进行块大小估计得到B′；

S6：判断所述B′和是否相同，若B′和相同，则B′为非篡改区域；若B′ 和不同，则其对应的块为篡改区域，得到初步篡改区域；

S7：对所述初步篡改区域进行细化，以去掉错检块，并增加漏检块，得 到最终篡改区域的检测结果，完成检测。

具体地，本发明方法的详细执行过程如下：

1、待检测图像预处理

由于图像被动取证实质上就是在原图像中未加入先验信息的基础上，找 出与原图像性质不同的篡改区域。利用篡改区域与原图像的块状信息有必然 的不同，检测出篡改区域并定位。由于检测的相关量是建立在灰度值上。因 此，首先，在步骤S1中将彩色图像转换为灰度图像。

在步骤S2中对灰度图像进行过滤时，本实施例采用增强型交叉滤波器对 上述灰度图像进行过滤，以加强块效应和减少来自图像边缘和纹理的干扰。

本实施例采用增强型交叉滤波器。具体地，把I看作是输入的灰度图像， 其大小为M×N,I(x,y)代表像素(x,y)的灰度值，其中x∈{1,…,M}y∈{1,…,N}， 本实施例选用水平和垂直方向均包含的交叉差分滤波器g(x,y)，如式(1)：

g(x,y)＝|I(x,y)+I(x+1,y+1)-I(x+1,y)-I(x,y+1)|(1)

交叉差分滤波器g(x,y)可以有效减小图像边界的影响，但由于图像边界的 强边界性，使得一大部分的块效应也变得很弱。为了很好地减弱强边界的影 响，而加强块效应边界，这里提出增强型交叉滤波器f(x,y)，如式(2)：

其中，θ为预设的阈值，用来从强噪声中分离出噪声；α为减小系数，用 于减小来自图像强边缘的噪声。优选地，本实施例中的θ的值为15，α的值 为0.2。使用改进后的增强型交叉滤波器对灰度图像进行过滤，降低图像边界 的干扰，同时增强图像块的块效应，提供稳定的噪声谱BBNM。

2、原始图像块大小估计

首先，采用步骤S3对噪声谱BBNM，进行水平和垂直方向的分解，水平 方向d_h和垂直方向d_v的求解方法相同，对垂直方向分量进行求导得到Pd_v(i)， 并取Pd_v(i)的周期部分信号。

其次，采用步骤S4在保证噪声方差σ²最小的情况下，对周期信号s(i)进 行最大似然估计，得到原始图像的块大小的最大自然估计B。再采用从随机抽 样中选举的办法，进一步保证不受图像边界噪声谱BBNM的影响，提高最大似 然估计的可靠性，得到最终的原始图像块大小估计

具体地，本实施例采用最大似然估计(MLE)去估计Pd_v(i)和Pd_h(i)的周 期与块大小估计的水平方向和垂直方向分量一致，因此将块大小估计转换成 对Pd_v(i)的周期估计。假设Pd_v(i)是由周期信号s(i)和噪声信号n(i)，即 Pd_v(i)＝s(i)+n(i),i∈{1,2,…,M}。则步骤S4中求解原始图像块大小估计的过程 具体为：

a)将周期部分信号s(i)转换为周期为B_h的周期信号q，如式(3)：

s(i)＝q(imodB_h)，(3)

b)用最大似然估计(MLE)计算B_h，在密度函数P(Pd_v|s,σ²,B_h)中，保证 噪声方差σ²的值最小的情况下求得如式(4)：

$B_h^{MLE}=\arg \underset{B_h}{min}{\sigma }^2\left(B_h\right)---\left(4\right)$

c)采用在随机抽样中选举的方法(RSMLE)，计算最后的块大小估计

$\tilde{B}=\arg \underset{B_h^{VML}}{max}\left\{\underset{K\in iter}{\Sigma }{H}_{vote}\left(B_h^{VML}\right)\right\}---\left(5\right)$

其中，H_vote为周期选举的直方图，iter为迭代次数，本实施例中iter值为 30。步骤c)的在随机抽样中选举的方法可避免MLE的估计仍然会受到边界 和纹理产生的噪声谱BBNM的影响。

3、进行局部块大小估计

采用步骤S5将噪声谱BBNM分为[M/(3×B_v)]×[N/(3×B_h)]个大小为 3B_V×3B_h不重叠的子块，如图2所示，其中，B_h为水平方向分量的周期部分 信号的周期，B_v为垂直方向分量的周期部分信号的周期；

采用约束条件如式(6)、(7)：

(i-1)3B_v+1<x<(i+1)3B_v，(6)

(j-1)3B_h+1<y<(j+1)3B_h，(7)

从子块中进行随机抽样，用上述的在随机抽样中选举的方法(RSMLE)对 子块进行块大小估计得到B′。

4、初步判定篡改区域

在前面步骤结束后，求得原始图像块大小估计和局部图像块大小估计 B′，采用步骤S6对求出的每一个局部块大小B′都与原始块大小进行比较， 当B′与不同时，则判定该区域为篡改区域，得到初步篡改区域。

5、对步骤S6得到的结果进行再次验证。

在初步检测后，得到对篡改区域的二值图像标记(0或255)。首先对步 骤S6得到的初步篡改区域进行细化，以重复验证块大小的一致性。具体包括： 二值图像内相关小区域(篡改或非篡改区域)的封闭矩形小于72×72个像素时， 将该区域在四个方向上均扩大24个像素，然后再次采用在随机抽样中选举的 方法再次对扩展后的块进行块大小估计，若任意一个初步篡改区域重新计算 得到的块大小估计与原图像的块大小估计相同，则该初步篡改区域为误检， 将其从初步检测结果中去除，否则，保留该初步篡改区域至最终检测结果中。 细化过程结果如图3A、3B所示，其中，图3A为初步检测的篡改区域，其中 出现较多小的错捡区域和漏检区域，图3B为细化过程处理过的最终篡改区域 检测结果。由检测结果的对比可以看出，经过细化过程的优化后，错检和漏 检得到很大程度的改善，检测精确度提高明显。

再进行增加漏检块操作，具体包括：对于步骤S6中得到的初步篡改区域 以外的较小的封闭非篡改区域，当较小的封闭区域小于72×72时，首先，将非 篡改区域向四个方向分别扩大预设数量的像素后得到扩大区域，其次，将所 述扩大区域分为若干个大小相同的小块，并判断每个小块是否为篡改块，最 后，计算所述扩大区域内篡改块占总块数的比值，当比值大于0.7时，则判断 该扩大区域对应的非篡改区域为漏检块，将其加入到最终的检测结果中。

实施例二：

本实施例除以下部分与实施例一有所区别外，其余内容均与实施例一相 同，具体如下：

本实施例中，步骤S3中对水平方向分量进行求导得到Pd_v(i)，并从Pd_v(i)中 提取周期部分信号s(i)。

本实施例采用最大似然估计MLE去估计Pd_v(i)的周期与块大小估计的水平 方向和垂直方向分量一致，因此将块大小估计转换成对Pd_h(i)的周期估计。假 设Pd_v(i)是由周期信号s(i)和噪声信号n(i)，即Pd_v(i)＝s(i)+n(i),i∈{1,2,…,M}。

则上述的步骤S4中，求解原始图像块大小估计的过程具体为：

a)将周期部分信号s(i)转换为周期为B_v的周期信号q：

s(i)＝q(imodB_v)，

b)用最大似然估计计算B_v，在密度函数P(Pd_v|s,σ²,B_v)中，保证噪声方差σ²的值最小的情况下求得如下：

$B_v^{MLE}=\arg \underset{B_v}{min}{\sigma }^2\left(B_v\right)$

c)采用在随机抽样中选举的方法，计算最后的块大小估计

$\tilde{B}=\arg \underset{B_v^{VML}}{max}\left\{\underset{K\in iter}{\Sigma }{H}_{vote}\left(B_v^{VML}\right)\right\},$

其中，H_vote为周期选举的直方图，iter为迭代次数，为每次抽样对应 的的值。

本发明方法的执行结果如图4A、4B、4C、4D、4E所示，图4A为原图 像，图4B为篡改图像，图4C为MLE算法的检测结果，图4D为基于块状网 格提取算法(BAG)算法的检测结果，图4E为本文方法检测结果。通过实验 结果对比可以发现，基于MLE算法的检测方法受到边界的影响较大，有很高 的误检率，甚至不能正确检测出结果；基于BAG的方法也会受到强边界的影 响，检测的篡改区域周围会出现误检现象。本文方法有效克服强边界的影响， 检测结果更精确。

本发明有效克服图像边界和纹理对检测的影响，提高篡改区域的检测精 度和稳定性，可以应用于对商业中的篡改和诈骗检测，提高图像真实性的鉴 别。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限 于此，任何本领域的技术人员在本发明揭露的技术范围内，对本发明所做的 变形或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围 应以所述的权利要求的保护范围为准。