[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

说明书

技术领域

本发明涉及一种图像篡改检测方法，具体是一种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。 

背景技术

互联网技术、高性能图像获取设备和智能图像处理软件的快速发展在给人们带来便利的同时，也给人们带来了许多困扰，尤其是数字图像的真实性和完整性问题，有些恶意的篡改可能带来不良的社会影响或法律纠纷。因此，鉴定数字图像的真实性和完整性在司法鉴定和版权保护等领域有着十分重要的意义。目前，数字图像取证技术主要包含主动取证技术和被动取证技术两种方式。主动取证技术主要包括图像水印技术、图像数字签名技术等鉴定方法。其主要方式是事先在图像中嵌入保护信息，鉴定时通过检测水印或者比较数字签名，得出鉴定结果。但是这类检测方法需要人为预先加入水印或者签名等先验性信息。由于目前大多数图像获取设备并不具备水印或签名嵌入的功能，在这个背景下，被动取证技术应运而生并成为热点研究课题。被动取证技术不需要事先对图像进行签名或者嵌入水印等处理，而是通过图像内容特征分析，直接对内容真实性可疑的图像进行检测和取证。相比而言，被动取证技术不需要先验信息（水印和签名），更贴近于实际取证应用。近年来，国内外一些学者对被动取证技术做了一些理论研究，也取得了较好的鉴别效果。例如，Wen Chen等根据二维相位一致性和特征函数的统计矩信息，结合支持向量机（SVM，Support Vector Machine）技术对真实图像和篡改图像进行分类识别。Yun Qing Shi等提出了一个基于统计特征的图像被动取证模型，其基本思路是提取图像的Markov统计量和矩特征信息，采用SVM技术鉴别真实图像和篡改图像。Wei Wang等在色度空间提取图像的边缘信息，并求取边缘图像的灰度共生矩阵，最后将阈值化后的共生矩阵作为特征输入SVM进行分类识别，以达到检测的目的。上述 研究成果尚且未对高阶统计特征进行考虑，除此之外，特征数据的维度一旦过高，往往会导致分类器训练（分类）时间过长，甚至出现过拟合问题。 

发明内容

本发明目的是提供一种基于三阶统计特征和组合分类器（EC,Ensemble Classifiers）的数字图像篡改盲检测方法，它不仅具有较高的检测正确率，且检测实时性也比基于SVM的传统取证方法具有明显优势。 

离散余弦变换（DCT，Discrete Cosine Transform）是数码率压缩需要常用的一个变换编码方法。任何连续的实对称函数的付立叶变换中只含余弦项，因此余弦变换与付立叶变换一样有明确的物理意义。分块DCT是先将整体图像分成互不重叠的b×b像素块，然后对b×b像素块逐一进行DCT变换。 

数字图像的DCT系数主要存在三种相关性，即块内相关性、块间相关性和相位相关性。图像拼接操作扰乱了DCT系数的幅值分布，削弱了系数之间的相关性。鉴于此，在图像特征提取方面，本发明利用三阶统计特征—条件共生概率矩阵对块内相关性和块间相关性进行建模，以提取用于图像篡改检测的特征数据。在分类器方面，本发明使用组合分类器鉴别真实图像和篡改图像。组合分类器由若干个基分类器组成，每个基分类器是简单的线性分类器。组合分类器从训练集的特征空间中随机地选择特征子空间，特征子空间的个数与基分类器的个数相同，然后使用每个子空间中的特征训练基分类器，这样可以得到训练好的基分类器。在分类（篡改检测）时，对于测试样本特征，通过基分类器预测进行投票给出分类结果。组合分类器由若干个简单的线性分类器（即基分类器）组成，每个线性分类器由若干个维度的特征训练得来，因此分类速度能够大大提升，而且能避免出现过拟合问题。 

本发明的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，其步骤为： 

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，优化阈值T取3。 

所述的图像特征数据提取，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；