[发明专利]基于三阶统计特征和组合分类器的数字图像篡改盲检测方法

权利要求书

1.基于三阶统计特征和组合分类器的数字图像篡改盲检测方法，其特征在于：步骤包括

1)首先由真实图像和篡改图像构成训练集，利用三阶统计特征—条件共生概率矩阵对每幅图像分块离散余弦变换系数的块内和块间相关性进行建模，提取用于图像篡改检测的特征数据，并按4（2T+1）³计算其特征维数；

2)其后进行组合分类器训练，并保存基分类器模块文件；

3)然后对测试图像，按1）的方法获得特征数据；

4)最后由保存的基分类器检测出测试图像是否篡改；

其中，T为阈值，T=2～5。

2.根据权利要求1所述的方法，其特征在于：所述步骤1）包括以下过程：

①对图像进行8×8分块DCT，由此得到的DCT系数矩阵再进行绝对值和取整操作，获得矩阵U；

②将矩阵U中的每个8×8子块中的DCT系数通过之字形扫描成64×1的列向量，然后通过行块和列块扫描方式分别将这些列向量组合起来，得到大小为64L的矩阵V和W，其中L表示矩阵U中总的8×8子块个数；

③对矩阵U做水平和垂直两个方向的差分处理，得到差分矩阵E_h和E_v，其元素为：

E_h(i,j)=U(i,j)-U(i+1,j)

E_v(i,j)=U(i,j)-U(i,j+1)

④对矩阵V和W分别进行垂直方向的差分处理，得到差分矩阵F_v和G_v，其元素为：

F_v(i,j)=V(i,j)-V(i,j+1)

G_v(i,j)=W(i,j)-W(i,j+1)

⑤对第③步和第④步得到的四个差分矩阵的元素进行阈值化处理：

Eh(i,j)=Eh(i,j)|Eh(i,j)|<TTEh(i,j)≥T-TEh(i,j)≤-T,]]>Ev(i,j)=Ev(i,j)|Ev(i,j)|<TTEv(i,j)≥T-TEv(i,j)≤-T,]]>

Fv(i,j)=Fv(i,j)|Fv(i,j)|<TTFv(i,j)≥T-TFv(i,j)≤-T,]]>Gv(i,j)=Gv(i,j)|Gv(i,j)|<TTGv(i,j)≥T-TGv(i,j)≤-T]]>

⑥利用三阶统计特征—条件共生概率矩阵模型对上述的阈值化的差分矩阵进行建模，得到衡量块内DCT系数相关性的条件共生概率矩阵P₁和P₂的元素

P1(T+l,T+m,T+n)=Σi=0M-3Σj=0N-1δ(Eh(i,j)-l)δ(Eh(i+1,j)-m)δ(Eh(i+2,j)-n)Σi=0M-3Σj=0N-1δ(Eh(i,j)-l)]]>

P2(T+l,T+m,T+n)=Σi=0M-1Σj=0N-3δ(Ev(i,j)-l)δ(Ev(i,j+1)-m)δ(Ev(i,j+2)-n)Σi=0M-1Σj=0N-3δ(Ev(i,j)-l)]]>

衡量块间DCT系数相关性的条件共生概率矩阵P₃和P₄的元素

P3(T+l,T+m,T+n)=Σi=0M-1Σj=0N-3δ(Fv(i,j)-l)δ(Fv(i,j+1)-m)δ(Fv(i,j+2)-n)Σi=0M-1Σj=0N-3δ(Fv(i,j)-l)]]>

P4(T+l,T+m,T+n)=Σi=0M-1Σj=0N-3δ(Gv(i,j)-l)δ(Gv(i,j+1)-m)δ(Gv(i,j+2)-n)Σi=0M-1Σj=0N-3δ(Gv(i,j)-l)]]>

采用上述条件概率矩阵P₁，P₂，P₃和P₄的元素作为特征数据，其特征维数为4（2T+1）³；

上述，E_h表示矩阵U的水平方向的差分矩阵；E_v表示矩阵U的垂直方向的差分矩阵；E_h(i,j)表示矩阵E_h的第i行第j列元素；E_v(i,j)表示矩阵E_v的第i行第j列元素；U(i,j)表示矩阵U的第i行第j列元素；U(i+1,j)表示矩阵U的第i+1行第j列元素；U(i,j+1)表示矩阵U的第i行第j+1列元素；F_v表示矩阵V的垂直方向的差分矩阵；G_v表示矩阵W的垂直方向的差分矩阵；F_v(i,j)表示矩阵F_v的第i行第j列元素；G_v(i,j)表示矩阵G_v的第i行第j列元素；V(i,j)表示矩阵V的第i行第j列元素；V(i,j+1)表示矩阵V的第i行第j+1列元素；W(i,j)表示矩阵W的第i行第j列元素；W(i,j+1)表示矩阵W的第i行第j+1列元素；M和N分别是阈值化的差分矩阵的水平和垂直方向尺寸；l表示E_h(i,j)、E_v(i,j)，F_v(i,j)或G_v(i,j)的元素取值；m表示E_h(i+1,j)、E_v(i,j+1),F_v(i,j+1)或G_v(i,j+1)；n表示E_h(i+2,j)、E_v(i,j+2),F_v(i,j+2)或G_v(i,j+2)的元素取值；

l,m,n∈{-T,-T+1,…,0,…,T}；δ函数定义为：

δ(x-x0)=1,x=x00,x≠x0.]]>