一种基于视觉词袋模型的图像复制-粘贴篡改检测算法

摘要

本发明公开了一种基于视觉词袋模型的图像复制‑粘贴篡改检测算法，包括如下步骤：将图像尺寸归一化，使用SIFT算法提取特征点；构造特征点感兴趣区域的复值贝塞尔傅立叶矩不变量作为特征点的特征，将特征进行匹配得到单词级匹配结果；利用匹配特征点之间的几何关系计算视觉短语，进行最大池化得到短语级特征；构造基于边缘信息的热度图，使用热度图加权短语级特征，对短语级特征直接匹配，得到短语级匹配结果；执行后处理算法得到最终检测结果。本发明单词级与短语级特征描述和匹配对于具有高度自相似性的自然图像，产生的误匹配对更少，不仅减少了算法后处理执行的时间，还提高了算法的查准率；并且算法的鲁棒性更好，提高了算法的查全率。

说明书

技术领域

本发明涉及图像篡改检测方法，特别涉及一种基于视觉词袋模型的图像复制-粘贴篡改检测算法，属于数字图像认证技术领域。

背景技术

随着人类进入信息社会，多媒体信息正以难以想象的速度增长。而图像作为人类最重要的信息来源之一，在群体和个人意见形成的过程中扮演着关键角色。现代图像处理软件以及个人智能终端的飞速推广使得人们可以以极低的成本对数字图像的内容进行篡改，这对数字图像的可靠性产生了严重的威胁。

复制-粘贴篡改是各类数字图像篡改中的一种常见操作，其中图像的一个或多个区域被复制并且粘贴在同一图像中的其他位置，其目的是隐藏或强调感兴趣的对象。富有经验的篡改者可以通过这些简单的操作骗过一般的观察者，以实现非法的或不道德的目标。尽管复制-粘贴篡改的过程非常简单，但检测它并不容易。首先，篡改区域的内容来源于被篡改图像本身，所以其基本的物理特征(比如光照和视角)和图像的其他区域相比没有明显区别。此外，为了使篡改不留下肉眼可辨的痕迹，篡改者通常会对复制区域执行仿射变换操作(包括旋转、缩放、镜像等)，以及对整个篡改图像(或仅复制区域)进行常规信号攻击(包括噪声、压缩、模糊等),这都为复制-粘贴篡改检测带来了困难。

复制-粘贴篡改检测一般依赖于可靠的特征描述算子来表示图像的局部属性，并通过匹配上述特征来寻找具有相同语义的图像片段。因此，复制-粘贴篡改检测通常包含特征提取、特征匹配和后处理三大主要步骤。特征提取：计算出每个像素点或特定的部分关键点的合适特征，用以代表像素点的领域；匹配：以某种距离评价指标，衡量任意两个特征的“相似”程度，将相近的特征归为一类；后处理：使用上一步得到的匹配结果来精准定位复制-粘贴篡改的实际边界。根据图像局部特征是从每个像素点中提取还是仅从一些选定的关键点中提取，现有的复制-粘贴篡改检测技术主要可以分为密集域(基于密集分块)和稀疏域(基于特征点)两类。1)密集域(基于密集分块)方法：特征提取的感兴趣区域为图像的密集分块，这些区域一般具有固定的大小、形状和位置。2)稀疏域(基于特征点)方法：特征提取的感兴趣区域为经过挑选的少数“显著性”区域，这些区域的大小、形状和位置一般随图像内容而改变。

如今，面向图像复制-粘贴型篡改的盲取证技术已经成为学界的研究热点，但是该领域中仍存在若干待解的开放性问题，包括：1)对于具有高度自相似性的自然图像，算法可能会产生大量的误匹配对，这增加了后处理算法的处理难度；2)对于常规信号攻击(比如噪声)，算法中正确匹配对的数量可能会大大减少，这降低了检测结果的可靠性。

发明内容

本发明是为了解决现有复制-粘贴篡改检测方法所存在的上述技术问题，所提供的一种基于视觉词袋模型的图像复制-粘贴篡改检测算法。

本发明的技术解决方案是一种基于视觉词袋模型的图像复制-粘贴篡改检测算法，

一种基于视觉词袋模型的图像复制-粘贴篡改检测算法，包括如下步骤：

S1、将图像尺寸归一化，使用SIFT算法提取特征点；

S2、构造特征点感兴趣区域的复值贝塞尔傅立叶矩不变量作为特征点的特征，将特征进行匹配得到单词级匹配结果；

S3、利用匹配特征点之间的几何关系计算视觉短语，进行最大池化得到短语级特征；随后，构造基于边缘信息的热度图，使用热度图加权短语级特征，对短语级特征直接匹配，得到短语级匹配结果；

S4、最后，执行后处理算法得到最终检测结果。

进一步的，所述步骤S1包括如下步骤：

S11、初始设置：获取待检测图像I，并设置感兴趣区域的归一化尺寸BZ和特征点集合K的阈值；

S12、特征点提取：

a.读入图像I，图像的尺寸为N

b.对图像I执行SIFT算法，获得特征点集合K＝{k

进一步的，所述步骤S2包括如下步骤：

S21、将特征点k

S22、根据贝塞尔傅立叶矩的基函数：

S23、将所有归一化感兴趣区域

S24、匹配特征向量，得到单词级匹配对集合为P

进一步的，所述步骤S3包括如下步骤：

S31、查找每个单词级匹配特征点的K个图像平面上的最近邻，组成几何视觉短语

S32、基于几何短语池化策略，计算每个特征点k

其中

S33、对于图像I＝{f(i,j):(i,j)∈[1,...,N

S34、基于边缘图像I

其中，w(i,j)为图像I在(i,j)处的加权值，通过高斯模糊的边缘强度累加定义：

S35、基于几何短语特征

S36、匹配短语级特征得到短语级特征匹配对集合P

与现有技术相比，本发明具有以下有益效果：

第一，本发明的步骤S2单词级特征描述和匹配与步骤S3短语级的特征描述和匹配对于具有高度自相似性的自然图像，所产生的误匹配对更少，这不仅减少了算法后处理执行的时间(如表2所示)，而且提高了算法的查准率(如表1所示)；

第二，本发明的步骤S2单词级特征描述和匹配与步骤S3短语级的特征描述和匹配对于常规的几何或信号攻击，所产生的正确匹配对数量相对稳定，这表明算法的鲁棒性更好，提高了算法的查全率(如图3所示)；

附图说明

图1是本发明实施例的几何短语池化示意图；

图2是本发明实施例的基于边缘的空间加权示意图；

图3是本发明实施例在图像库FAU、GRIP、MICC-F600和CMH的检测结果主观示意图；

图4为本发明实施例的流程图。

具体实施方式

如图4所示，本发明的方法共包括四个步骤：特征点提取，单词级特征描述和匹配，短语特征描述和匹配，后处理。

约定：I指待检测的图像，(i,j)为图像像素点的坐标，N

一种基于视觉词袋模型的图像复制-粘贴篡改检测算法，包括如下步骤：

S1、将图像尺寸归一化，使用SIFT算法提取特征点；

S11、初始设置：获取待检测图像I，并设置阈值BZ＝15，K＝3

S12、特征点提取：

a.读入图像I，图像的尺寸为N

b.对图像I执行SIFT算法，获得特征点集合K＝{k

S2、构造特征点感兴趣区域的复值贝塞尔傅立叶矩不变量作为特征点的特征，将特征进行匹配得到单词级匹配结果；

S21、将特征点k

S22、根据贝塞尔傅立叶矩的基函数：

S23、将所有归一化感兴趣区域

S24、匹配特征向量，得到单词级匹配对集合为P

S3、利用匹配特征点之间的几何关系计算视觉短语，进行最大池化得到短语级特征；随后，构造基于边缘信息的热度图，使用热度图加权短语级特征，对短语级特征直接匹配，得到短语级匹配结果；

S31、查找每个单词级匹配特征点的K个图像平面上的最近邻，组成几何视觉短语

S32、如图1所示，基于几何短语池化策略，计算每个特征点k

其中

S33、如图2所示，对于图像I＝{f(i,j):(i,j)∈[1,...,N

S34、基于边缘图像I

其中，w(i,j)为图像I在(i,j)处的加权值，通过高斯模糊的边缘强度累加定义：

S35、基于几何短语特征

S36、匹配短语级特征得到短语级特征匹配对集合P

S4、最后，匹配结果P

如图3是本发明实施例在图像库FAU、GRIP、MICC-F600和CMH的检测结果主观示意图；实验测试和参数设置：实验是在Matlab R2021a环境下执行的，实验所涉及到的图像库为FAU、GRIP、MICC-F600和CMH，均已公开，可以在网上自行搜索下载。表1是本发明实施例在图像库FAU、GRIP、MICC-F600和CMH的像素级和图像级客观结果；表2是不同特征描述/匹配阶段的CPU时间(秒)和总匹配数量；

表1

表2

以上所述的具体实施方案对本发明的目的和技术方案进行了进一步的详细说明，熟知本领域的技术人员将理解，以上所述仅为本发明的具体实施方案而已，并非用以限定本发明的范围，在不脱离由所附权利要求书限定情况下，可以在细节上进行各种修改，都应当视为属于本发明的保护范围。