[发明专利]一种彩色图像JPEG2000重压缩检测方法

说明书

本发明公开了一种基于四元数卷积神经网络的彩色图像JPEG2000重压缩检测方法，针对二次压缩引入JPEG2000造成的混合重压缩问题，通过四元数卷积神经网络模型自动提取图像中的特征，充分利用彩色图像的颜色信息，捕捉经历不同压缩历史对图像中引入的像素值本身的变化，从而对混合重压缩问题进行检测，该方法包括以下步骤：输入图像、图像升维、特征提取、特征转换、结果分析。本发明适用范围广，能够检测现在无法解决的JPEG2000的混合重压缩问题，同时在JPEG重压缩检测问题上也有不错的表现；本发明算法的健壮性较好，在两种重压缩检测问题上的迁移性优于现有算法。

技术领域

本发明涉及数字图像取证领域，特别是一种基于四元数卷积神经网络的彩色图像JPEG2000重压缩检测方法。

背景技术

随着互联网技术和成像技术的发展，数字图像已经在我们的生活中随处可见，用户可以方便、快捷地上传图像至不同的社交媒体，因此，互联网上每天都在快速地产生着大量新的数字图像。同时，由于各种功能强大且使用便捷的图像处理软件出现，非专业的用户可以很容易地处理这些数字图像，这使得图像篡改的成本大大降低，越来越多的篡改图像出现在日常生活中，数字图像篡改事件层出不穷，不仅降低了数字图像的可信度，还给个人和社会都带来了极大的负面影响。基于上述原因，近年来图像取证技术受到了政府的重视，已经有研究人员做了一些尝试来解决数字图像的完整性和可信度问题，其中，基于重压缩的取证算法是重点关注的领域。

由于JPEG类格式（以JPEG和JPEG2000算法等图像频域压缩算法为主）具有存储空间小、传输便捷等特性，其作为一种经典且常见的图像格式存在于日常生活中。如果JPEG类图像被篡改会导致出现JPEG类重压缩的痕迹，此时对JPEG类重压缩的检测可以作为判断图像是否被篡改的重要依据。JPEG类压缩有两种经典的算法分别是：（1）JPEG压缩；（2）JPEG2000压缩。现有的研究大多集中在JPEG的重压缩检测领域，而针对JPEG2000的重压缩检测基本还处于起步阶段。

在JPEG重压缩检测领域，过去的工作大多数基于人工提取或预先设计的特征。传统的重压缩图像方法先从每个88的非重叠块的前20个交流系数中计算相应的第一位数字（1-9）的概率分布，并用马尔科夫概率转移矩阵构成180维特征向量，将这些特征向量输入支持向量机，对单压缩图像和重压缩图像进行分类。然而，这些方法的特征提取主要依赖于人工设计，具有很强的问题针对性，这导致了算法的迁移性较差。

深度学习的出现解决了这些问题，由于它能够自动地更新模型的参数以获取更加优秀的特征而受到从业者们的广泛关注，基于CNN的JPEG重压缩检测算法逐渐出现。这类方法将图像进行多次的压缩和解压缩操作，从中提取截断和舍入误差图像作为网络的输入，进而分辨单压缩和重压缩图像，虽然取得了不错的效果，但基本都依赖于繁重、耗时的预处理，并且仍然局限于预先确定的特征。

上述提到的JPEG重压缩检测算法，不论是传统的还是基于深度学习的方法，它们对特征的依赖性太强，分类特征都基本依赖于JPEG压缩中离散余弦变换带来的块效应。针对特征依赖块效应这一缺点，不法分子在篡改图像时很可能会将JPEG块效应减弱或者抹除从而达到混淆视听的目的。

发明内容

发明目的：本发明的目的是提供一种适用范围广、精度高的基于四元数卷积神经网络的彩色图像JPEG2000重压缩检测方法。

技术方案：本发明提供了一种基于四元数卷积神经网络的彩色图像JPEG2000重压缩检测方法，针对二次压缩引入JPEG2000造成的混合重压缩问题，通过四元数卷积神经网络模型自动提取图像中的特征，充分利用彩色图像的颜色信息，捕捉经历不同压缩历史对图像中引入的像素值本身的变化，从而对混合重压缩问题进行检测。本发明所述的一种基于四元数卷积神经网络的彩色图像JPEG2000重压缩检测方法，包括以下步骤：

（1）输入图像：在训练时给模型中输入被压缩的图像；