基于局部色彩不變量的圖像篡改檢測方法*

謝　偉，萬曉霞?，葉松濤，王　韜

(1.武漢大學(xué) 印刷與包裝系,湖北 武漢　430072；2.武漢大學(xué) 中國攝影文化產(chǎn)業(yè)研究中心,湖北 武漢　430072；3.湘潭大學(xué) 信息工程學(xué)院,湖南 湘潭　411105；4.湖南大學(xué) 圖像傳媒技術(shù)研究中心,湖南 長沙　410082)

?

基于局部色彩不變量的圖像篡改檢測方法*

謝偉1,2，萬曉霞1,2?，葉松濤3，王韜4

(1.武漢大學(xué) 印刷與包裝系,湖北 武漢430072；2.武漢大學(xué) 中國攝影文化產(chǎn)業(yè)研究中心,湖北 武漢430072；3.湘潭大學(xué) 信息工程學(xué)院,湖南 湘潭411105；4.湖南大學(xué) 圖像傳媒技術(shù)研究中心,湖南 長沙410082)

針對基于分塊的圖像區(qū)域復(fù)制篡改檢測方法通常面臨的圖像特征提取計算量大、維度高、識別率低等問題，提出一種基于局部色彩不變量特征的圖像區(qū)域復(fù)制篡改檢測方法，將RGB彩色圖像轉(zhuǎn)換到對立色彩空間，通過分析和提取圖像各通道上的局部密度分布特征，構(gòu)建k-d樹進(jìn)行相似分塊特征匹配以實現(xiàn)圖像區(qū)域復(fù)制篡改檢測.提出的局部色彩不變量密度特征具有維度低、計算簡單等特點.實驗結(jié)果表明，本文方法與其他幾種典型的基于分塊的方法相比，具有較低的時間復(fù)雜度和較高的檢測率，且對圖像篡改區(qū)域的旋轉(zhuǎn)、縮放攻擊具有較好的魯棒性，特別是當(dāng)圖像篡改區(qū)域進(jìn)行大角度旋轉(zhuǎn)時與其他幾種方法相比具有明顯優(yōu)勢.

色彩不變量；特征提?。粎^(qū)域復(fù)制；篡改檢測；計算機(jī)取證

隨著圖像處理技術(shù)的不斷進(jìn)步，使用圖像處理軟件對圖像進(jìn)行修復(fù)、潤飾和增強甚至篡改操作也變得越來越容易.而在新聞攝影、司法取證與保險理賠等領(lǐng)域，如果圖像進(jìn)行了惡意篡改，將直接影響對案件的處理結(jié)果，造成嚴(yán)重的負(fù)面影響.對圖像的篡改操作一般有區(qū)域復(fù)制、圖像拼接、圖像增強處理等，其中區(qū)域復(fù)制篡改是最為常見的一種篡改方式[1].

圖像區(qū)域復(fù)制篡改就是將數(shù)字圖像中某一區(qū)域進(jìn)行復(fù)制并粘貼到同一幅圖像的另一區(qū)域，由于復(fù)制區(qū)域來源于同一圖片，復(fù)制區(qū)域的噪聲、色彩和紋理等屬性與目標(biāo)區(qū)域相似，使得篡改后的圖像很難被檢測和識別.現(xiàn)有圖像區(qū)域復(fù)制篡改檢測方法大多基于分塊方式實現(xiàn)，通過對圖像進(jìn)行重疊分塊處理后提取圖像分塊特征，然后使用字典排序或最近鄰搜索方法對特征向量進(jìn)行相似性匹配來實現(xiàn)對圖像的篡改檢測[2].圖像灰度紋理特征是圖像篡改檢測中較常使用的特征，如Luo等人[3]提出的基于分塊灰度特征的方法,Mahdian等人[4]基于模糊不變矩的方法等，此類方法特征提取計算較為簡單，但對篡改區(qū)域的旋轉(zhuǎn)、縮放等后期處理操作魯棒性需進(jìn)一步加強.此外,圖像的頻域特征一直是圖像處理領(lǐng)域關(guān)注的熱點，一些學(xué)者將圖像頻域特征應(yīng)用于圖像區(qū)域復(fù)制篡改檢測研究中，取得了較好的成果，如基于DCT的方法[5-6]、基于DWT的方法[7-8]以及結(jié)合頻域特征與主成分分析的方法[9-10]等，然而圖像頻域特征提取通常計算量大、特征向量維度高，增加了圖像篡改檢測方法的計算時間開銷.基于分塊的篡改檢測方法通常面臨特征提取計算復(fù)雜、特征向量維度高、特征向量對圖像特征描述準(zhǔn)確性不夠等問題，導(dǎo)致在檢測速度、檢測精度及魯棒性等方面效果不夠理想.

在提取圖像篡改特征時，現(xiàn)有方法大多基于灰度圖像進(jìn)行處理，忽略了圖像的色彩特征，然而色彩是人眼進(jìn)行信息識別的重要特征，現(xiàn)有計算機(jī)視覺相關(guān)研究表明結(jié)合色彩與幾何特征的圖像特征描述方法與純幾何特征描述方法相比具有更好的識別效果[11].為此，本文結(jié)合圖像色彩特征進(jìn)行分析，提出了一種基于局部色彩不變量特征的圖像區(qū)域復(fù)制篡改檢測方法，通過在不同色彩空間提取目標(biāo)圖像的局部色彩不變量密度特征對圖像進(jìn)行區(qū)域篡改檢測.實驗結(jié)果表明，該方法提出的局部色彩不變量密度特征能夠很好地表征圖像，較以往典型的基于分塊方法相比特征維度低，具有較低的時間復(fù)雜度和較高的檢測率，并且對圖像篡改區(qū)域的旋轉(zhuǎn)、縮放攻擊具有較好的魯棒性.

1　圖像色彩不變量描述

色彩是人眼進(jìn)行信息識別的重要特征，色彩特征也是計算機(jī)視覺中常用的視覺特征.在成像過程中，圖像的色彩往往受成像設(shè)備特性和環(huán)境光源的影響，我們采用公式(1)對角線模型[11]來表示光照變化對成像結(jié)果的影響.

(1)

其中:(Rc,Gc,Bc)為照明條件c變化后生成的圖像色彩；(R,G,B)為標(biāo)準(zhǔn)照明條件下生成的圖像色彩；系數(shù)(a,b,c)表示圖像對比度的變化；(o1,o2,o3)表示圖像的色彩偏移量.

在上述對角線模型中，光照變化會造成設(shè)備所獲取的圖像色彩變化，而圖像所呈現(xiàn)的內(nèi)容特征實際上沒有改變.人眼的色彩視覺識別系統(tǒng)在環(huán)境光發(fā)生改變時具有顏色恒常性，為了描述圖像色彩的本質(zhì)特性，我們可以通過對(R,G,B)三通道數(shù)據(jù)進(jìn)行色彩空間轉(zhuǎn)換和計算提取圖像的色彩不變量，排除光照造成對比度變化對圖像色彩產(chǎn)生的影響.最簡單的色彩不變量色品可以通過公式(2)計算得到，色品向量(r,g,b)對光照強度變化具有不變性[11].

(2)

本文使用的另一種色彩不變量為對立色彩空間，通過將圖像(R，G，B)三通道根據(jù)公式(3)進(jìn)行線性變換得到.

(3)

對立色彩空間中，O3代表圖像的亮度信息；O1，O2代表圖像的色彩信息；圖像的色彩信息O1，O2對圖像的灰度變化具有不變性[11].

2　基于局部色彩不變量的圖像篡改檢測方法

本文提出的圖像復(fù)制移動篡改檢測方法基本流程如圖1所示.首先對圖像進(jìn)行預(yù)處理，將源圖像(R,G,B)三通道數(shù)據(jù)分別轉(zhuǎn)換到色品和對立色彩空間進(jìn)行描述，然后對轉(zhuǎn)換后的圖像根據(jù)公式(5)按規(guī)則計算各個通道平面內(nèi)各個像素點的局部色彩分布密度，然后對圖像進(jìn)行重疊分塊，提取每個分塊的色彩分布密度特征后構(gòu)建k-d樹查找相似性特征，以實現(xiàn)重復(fù)圖像塊的檢測.

2.1圖像預(yù)處理

根據(jù)本文第1節(jié)中的闡述，與(R，G，B)三通道分量表示的圖像色彩特征相比，圖像色彩的色品表示方法與對立色彩空間表示方法具有更好的穩(wěn)定性.首先根據(jù)公式(2)將圖像(R，G，B)三通道數(shù)據(jù)轉(zhuǎn)換成色品坐標(biāo)，轉(zhuǎn)換后圖像的(R,G,B)三通道分量數(shù)值便以表示色彩分量所占比值的(r,g,b)分量進(jìn)行表示，然后結(jié)合公式(3)將圖像從(r,g,b)三通道轉(zhuǎn)換到對立色彩空間(O1,O2,O3)進(jìn)行表示，以便進(jìn)行特征提取.轉(zhuǎn)換過程如式(4)所示：

(R,G,B)→(r,g,b)→(O1,O2,O3).

(4)

圖1　基于局部色彩不變特性的圖像區(qū)域復(fù)制篡改檢測流程

2.2局部色彩不變量密度分布特征描述

源圖像經(jīng)過預(yù)處理后形成(O1,O2,O3)三通道數(shù)據(jù)，其中O1，O2為彩色分量，O3為亮度分量.我們將對立色彩空間上的圖像色彩分量看作二維平面上的概率分布，為了增強圖像f(x,y)在鄰域內(nèi)的色彩不變量密度空間分布特征，引入局部色彩不變量分布密度pk(i,j)來表征圖像f(x,y)在通道k上圖像像素點(i,j)在n×n鄰域內(nèi)的色彩密度分布特性：

(5)

2.3局部色彩不變量密度分布特征提取

經(jīng)過處理后的圖像f(x,y)每個像素點可以看作是在不同通道平面上的一種密度分布，針對圖像塊的特征描述，本文使用密度矩來表征圖像在各個通道上的局部色彩不變量密度分布特征，本文使用的兩種中心矩分別為一階中心矩局部色彩不變量密度均值E和二階中心矩局部色彩不變量密度標(biāo)準(zhǔn)差σ，對于b×b大小的圖像分塊B，其計算方法分別為：

(6)

(7)

(8)

2.4圖像分塊相似性檢測

(9)

3　算法性能分析

4　實驗結(jié)果分析

為了驗證基于色彩不變量特征的圖像篡改檢測方法的檢測效果、魯棒性及性能，在Christlein等人[12]建立的數(shù)據(jù)集上進(jìn)行了相關(guān)對比實驗，該數(shù)據(jù)集包括BenchmarkData基準(zhǔn)數(shù)據(jù)集及旋轉(zhuǎn)縮放等拓展數(shù)據(jù)集，其中基準(zhǔn)數(shù)據(jù)集包含測試圖片96張，旋轉(zhuǎn)縮放攻擊拓展數(shù)據(jù)集測試圖片共計960張.本文實驗在VisualStudio2010上使用C++編程實現(xiàn)，實驗所使用的圖形工作站配置為：AMDAthlonX4 3.7GHzCPU，DDR3 1600Hz8G內(nèi)存.在數(shù)據(jù)集BenchmarkData[12]上進(jìn)行了普通篡改檢測實驗、篡改區(qū)域旋轉(zhuǎn)攻擊實驗、篡改區(qū)域縮放攻擊實驗，在此基礎(chǔ)上與5種典型方法(DCT[5]，LUO[3]，BLUR[4]，PCA[9]，DCT-PCA[10])進(jìn)行了對比.實驗表明，本文提出的圖像復(fù)制移動篡改檢測方法在準(zhǔn)確率、魯棒性及性能上均有較好的表現(xiàn).

4.1評價方法

本文采用精確率(Precision)、召回率(Recall)及綜合評價指標(biāo)F1來對算法進(jìn)行評價，其計算方法分別為：

(10)

(11)

式中：TP為算法正確檢測到的篡改圖片數(shù)量；FP為被算法誤檢測為篡改圖片的數(shù)量；FN為算法未檢測到的篡改圖片數(shù)量.綜合評價指標(biāo)F1為Precision與Recall兩項指標(biāo)的調(diào)和平均數(shù).

4.2普通篡改檢測實驗

本實驗采用的BenchmarkData基準(zhǔn)數(shù)據(jù)集包含48張未經(jīng)過任何篡改操作的原始圖片和48張經(jīng)過復(fù)制移動操作的篡改圖片，其中篡改區(qū)域除了進(jìn)行平移復(fù)制操作和邊緣模糊處理外沒有進(jìn)行任何其他處理，篡改區(qū)域肉眼難以分辨.我們采用本文提出的方法及以上提到的5種方法對基準(zhǔn)數(shù)據(jù)集中的96張圖片進(jìn)行了對比檢測實驗，表1為使用各種方法進(jìn)行檢測的準(zhǔn)確率、召回率及F1值實驗結(jié)果對比.

表1　普通篡改檢測實驗準(zhǔn)確率、召回率、F1值對比

實驗結(jié)果表明，本文提出的圖像局部色彩不變量密度分布特征能夠很好地對圖像塊的局部特征進(jìn)行描述，對檢測準(zhǔn)確率和召回率進(jìn)行綜合權(quán)衡考慮時，本文提出的基于色彩不變量密度分布特征的圖像篡改檢測方法具有較為理想的效果.圖2為本文方法進(jìn)行圖像區(qū)域復(fù)制篡改檢測效果實例圖片，從檢測結(jié)果可以看出，本文所提出的方法對篡改區(qū)域具有較高的識別度.

圖2　本文方法圖像常規(guī)篡改檢測效果實例

4.3旋轉(zhuǎn)攻擊對比實驗

在對圖片進(jìn)行篡改時為了使圖片看起來更加真實自然，可能會對圖像篡改區(qū)域進(jìn)行輕微旋轉(zhuǎn)等處理.為了分析本文所提出的方法對篡改區(qū)域旋轉(zhuǎn)操作的魯棒性，對篡改區(qū)域分別旋轉(zhuǎn)2°,4°,6°,8°,10°,20°,60°和180°的情況進(jìn)行了對比實驗.圖3為本文與其他5種檢測方法對篡改區(qū)域旋轉(zhuǎn)攻擊的對比實驗結(jié)果，其中，橫坐標(biāo)表示旋轉(zhuǎn)角度，縱坐標(biāo)表示不同旋轉(zhuǎn)角度下正確檢測到的篡改區(qū)域面積與篡改區(qū)域無旋轉(zhuǎn)處理情況下正確檢測到的面積比值.從實驗結(jié)果可以看出，各種方法均隨著旋轉(zhuǎn)角度的增大，檢測率有所降低，本文提出的方法在對篡改區(qū)域進(jìn)行大角度旋轉(zhuǎn)處理后的圖片較其他方法相比具有明顯優(yōu)勢.圖4為使用本文算法對篡改區(qū)域進(jìn)行不同程度旋轉(zhuǎn)處理情況下進(jìn)行篡改檢測的圖像實例.

旋轉(zhuǎn)角度/(°)

圖4　本文方法旋轉(zhuǎn)攻擊篡改檢測實例

4.4縮放攻擊對比實驗

在圖像篡改后期處理中，除了可能對篡改區(qū)域進(jìn)行輕微旋轉(zhuǎn)操作外，還可能會對篡改區(qū)域進(jìn)行幾何形變，使圖片篡改區(qū)域難以識別.本文通過對圖像篡改區(qū)域分別進(jìn)行80%，91%，93%，95%，97%，99%，101%，103%，105%，107%，109%和120%幾何形變處理后，進(jìn)行了篡改區(qū)域檢測對比實驗，以驗證本文方法對篡改區(qū)域縮放攻擊的魯棒性.

圖5為使用本文方法對篡改區(qū)域進(jìn)行不同程度縮放處理后進(jìn)行檢測的圖像檢測實例.圖6為篡改區(qū)域不同縮放比例下的篡改檢測對比實驗結(jié)果，其中橫坐標(biāo)表示縮放比例，縱坐標(biāo)表示不同縮放比例下正確檢測到的篡改區(qū)域面積與篡改區(qū)域無縮放處理情況下正確檢測到的面積比值.實驗結(jié)果表明，本文方法在小尺度縮放范圍內(nèi)(91%～109%)亦具有較好的魯棒性.

4.5算法性能對比

本文從圖像預(yù)處理、特征提取、特征匹配3個方面對比分析本文所提出的方法與其他5種典型方法在計算性能上的差異.對測試數(shù)據(jù)集中每張圖像篡改檢測處理的平均時間開銷進(jìn)行統(tǒng)計，圖像預(yù)處理時間、特征向量提取時間、特征匹配處理時間、總體處理時間分別記為P，F(xiàn)，M，O.表2為本文提出方法與其他5種典型方法的平均處理時間開銷情況.

表2　各種算法時間開銷對比

在各種圖像篡改檢測方法中，圖像特征提取方法及特征維度是算法檢測速度的重要影響因素.DCT[5]，LUO[3]，BLUR[4]，DCT-PCA[10]等方法的特征維度分別為256，7，24，64.本文方法提取的圖像塊6維特征向量計算簡單、維度較低，有利于降低相似圖像塊特征向量匹配處理復(fù)雜度，通過構(gòu)建k-d樹進(jìn)行近似最近鄰查找提高了特征向量的匹配效率.實驗表明，本文提出的檢測方法在圖像特征提取、圖像特征匹配及總體檢測性能上與其他幾種基于分塊的檢測方法相比具有較優(yōu)的表現(xiàn)，與其他方法相比單張圖片的平均檢測速度較快.

5　結(jié)　論

基于分塊的圖像區(qū)域復(fù)制篡改檢測方法通常面臨圖像特征提取計算量大、提取的特征向量維度高、特征向量對圖像特征識別度不夠等問題，導(dǎo)致圖像篡改檢測存在速度慢、檢測精度低、魯棒性差.色彩是人眼進(jìn)行信息識別的重要特征，在計算機(jī)視覺中有著廣泛應(yīng)用，然而現(xiàn)有的基于分塊的圖像篡改檢測方法大多是將彩色圖像轉(zhuǎn)換成灰度圖像后，基于灰度圖像進(jìn)行特征提取.

本文提出一種基于局部色彩不變量密度特征的圖像區(qū)域復(fù)制篡改檢測方法，通過分析和提取圖像的色彩不變量密度特征，對圖像塊進(jìn)行區(qū)域復(fù)制篡改檢測.實驗結(jié)果表明，本文提出的局部色彩不變量密度特征能夠很好地表征圖像塊，提取的特征向量具有維度低、計算簡單等特點，對圖像的區(qū)域復(fù)制篡改檢測效果較為理想，與幾種典型的基于分塊的方法相比，具有較低的時間復(fù)雜度和較高的檢測率，并且對圖像篡改區(qū)域的旋轉(zhuǎn)攻擊及小尺度縮放攻擊具有較好的魯棒性，特別是對圖像篡改區(qū)域進(jìn)行大角度旋轉(zhuǎn)時的檢測效果與其他幾種方法相比具有較明顯優(yōu)勢.

[1]BIRAJDAR G K, MANKAR V H. Digital image forgery detection using passive techniques: a survey[J]. Digital Investigation, 2013, 10(3): 226-245.

[2]WANDJI N N D, SUN Xin-ming, FAH K M. A survey of partition-based techniques for copy-move forgery detection[J].The Scientific World Journal,2014，1(1)：1-13.

[3]LUO W,HUANG J,QIU G.Robust detection of region-duplication forgery in digital image[C]//Pattern Recognition, ICPR 2006，18th International Conference on. New York:IEEE, 2006: 746-749.

[4]MAHDIAN B, SAIC S. Detection of copy-move forgery using a method based on blur moment invariants[J]. Forensic Science International,2007,171(2):180-189.

[5]FRIDRICH A J, SOUKAL B D, LUKA J. Detection of copy-move forgery in digital images[C]//Proceedings of Digital Forensic Research Workshop. Cleveland, USA:Springer,2003:1-10.

[6]MIRE A V,DHOK S B,MISTRY N J,etal. Factor histogram based forgery localization in double compressed JPEG images[J].Procedia Computer Science,2015,54: 690-696.

[7]FATTAH S A,ULLAH M M I,AHMED M,etal.A scheme for copy-move forgery detection in digital images based on 2D-DWT[C]//Circuits and Systems (MWSCAS), 2014 IEEE 57th International Midwest Symposium on. New York:IEEE, 2014: 801-804.

[8]LIU F, FENG H. An efficient algorithm for image copy-move forgery detection based on DWT and SVD[J]. International Journal of Security and Its Applications, 2014, 8(5): 377-390.

[9]BASHAR M K, NODA K, OHNISHI N,etal. Exploring duplicated regions in natural images[J]. IEEE Transaction on Image Processing, 2010, 1: 1-40.

[10]SUNIL K, JAGAN D, SHAKTIDEV M. DCT-PCA based method for copy-move forgery detection[C]//ICT and Critical Infrastructure. Proceedings of the 48th Annual Convention of Computer Society of India-Vol II. New York:Springer International Publishing, 2014: 577-583.

[11]VAN DE SANDE K E A, GEVERS T, SNOEK C G M. Evaluating color descriptors for object and scene recognition[J]. Pattern Analysis and Machine Intelligence, IEEE Transactions on, 2010, 32(9): 1582-1596.

[12]CHRISTLEIN V,RIESS C,JORDAN J,etal.An evaluation of popular copy-move forgery detection approaches[J]. Information Forensics and Security, IEEE Transactions on, 2012,7(6):1841-1854.

Image Copy-move Forgery Detection Based on Local Color Invariants

XIE Wei1,2, WAN Xiao-xia1,2?, YE Song-tao3, WANG Tao4

(1.School of Printing and Packaging, Wuhan Univ, Wuhan, Hubei430072,China;2.China Research Center for Photographic Culture Industry, Wuhan Univ, Wuhan, Hubei430072,China;3.College of Information Engineering, Xiangtan Univ, Xiangtan, Hunan411105,China; 4.Image Media Technology Research Center, Hunan Univ, Changsha, Hunan410082,China)

Block-based copy-move image forgery detection methods usually have problems such as high-dimensional feature vector, high computational complexity and low detection rate.So, this paper proposed a new method for image copy-move forgery detection based on color invariants, which extracts density characteristics from each channel of opponent color space converted from RGB. The k-d tree is constructed to speed up approximate nearest neighbors matching for tampering detection. The experiment results show that the proposed local color invariants feature with low-dimension and simple computation can represent the image block feature effectively. When compared with typical block-based methods, this method has some advantages, such as lower computational complexity, more accurate and robust to post-processing for forgery regions such as rotation and scaling.

color invariants;feature extraction;copy-move;forgery detection; computer forensics

1674-2974(2016)08-0128-07

2015-07-21

國家重點基礎(chǔ)研究發(fā)展計劃(973計劃)資助項目 (2012CB725302)；國家自然科學(xué)基金資助項目(61275172), National Natural Science Foundation of China(61275172)；交通部信息化重大專項(2013-364-548-200)

謝偉(1985-)，男，湖南新化人，武漢大學(xué)博士研究生?通訊聯(lián)系人，E-mail:wan@whu.edu.cn

TP391

A