• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于CFA插值特性不一致的圖像真?zhèn)舞b別

    2019-04-10 08:07:08蘇文煊
    應(yīng)用科學(xué)學(xué)報 2019年1期
    關(guān)鍵詞:色度分塊插值

    蘇文煊,方 針

    上海大學(xué)通信與信息工程學(xué)院,上海200444

    隨著數(shù)字圖像處理軟件的發(fā)展,圖像內(nèi)容的修改變得越來越容易,以致人們很難通過肉眼分辨圖像的真?zhèn)危簿褪菆D像的真實性受到越來越多的挑戰(zhàn),因此如何有效鑒別圖像內(nèi)容的真?zhèn)稳找媸艿疥P(guān)注.

    顏色濾波陣列(color filter array,CFA)插值是相機成像過程中的重要環(huán)節(jié).受制造成本和工藝復(fù)雜度的限制,目前大部分?jǐn)?shù)碼相機使用單傳感器,并在前端放置顏色濾波陣列,使得傳感器的每個像素位置只記錄一個顏色分量,而缺失的顏色分量則通過CFA 插值得到.CFA插值使得相機輸出圖像具有特定的空域/頻域相關(guān)性,而圖像篡改操作會破壞這一特性,因此可以根據(jù)CFA 插值特性的不一致鑒別圖像真?zhèn)?

    一些學(xué)者基于插值像素的鄰域相關(guān)性,實現(xiàn)對單通道插值圖像的真?zhèn)舞b別.由于插值像素和非插值像素的方差存在差異,文獻[1]根據(jù)像素的方差來反映兩類像素排列的周期性,將方差圖在頻域上的峰值點作為取證特征.文獻[2]估計待測圖像綠色分量的預(yù)測誤差,計算每個圖像塊的加權(quán)方差作為塊特征,使用EM算法定位篡改區(qū)域.文獻[3]通過搭建一個高斯模型來估計CFA 插值圖像的局部相關(guān)模式(local correlation pattern,LCP),并從中提取頻域特征來檢測圖像中的CFA插值痕跡.然而在實際應(yīng)用中通常采用通道間插值算法,故插值圖像中像素的鄰域相關(guān)性較弱.文獻[4]根據(jù)不同通道高頻分量的頻譜差異鑒別通道間插值圖像的真實性,但檢測結(jié)果容易受到圖像內(nèi)容變化和JPEG 壓縮的影響.

    本文基于通道間CFA 插值特性,提出一種圖像真?zhèn)舞b別方法.從頻譜變化和色度失真兩方面提取特征以反映插值特性,根據(jù)待鑒定圖像重插值前后的插值特性變化檢測圖像篡改.

    1 基本原理

    1.1 CFA 插值的頻域分析

    根據(jù)奈奎斯特采樣定理,信號越平滑,采樣后越容易恢復(fù)出原信號.一幅圖像的色差(色比)通常比顏色分量更平滑.當(dāng)通道間插值算法在空域?qū)崿F(xiàn)時,一般基于色差(色比)恒定的假設(shè),先用單通道插值算法對綠色分量進行插值,得到參考綠色分量;再對色差(色比)分量進行插值,并結(jié)合參考綠色分量估計紅色分量和藍(lán)色分量;最后通過迭代更新得到完整的全色圖像.

    以紅色分量R為例,根據(jù)Bayer 模式采樣后求傅里葉變換(discrete Fourier transform,DFT)可得[5]

    式中,Rs(u,v)為傳感器記錄的紅色分量頻譜,Rf(u,v)為理想全色圖像的紅色分量頻譜.由式(1)可得,Rs頻譜發(fā)生了混疊.雖然可以通過CFA 插值克服頻譜混疊,盡量保留Rs頻譜中的低頻部分,但插值結(jié)果的頻譜幅值將小于Rf.綠色分量和藍(lán)色分量也具有類似特性,于是可將CFA 插值過程表示為

    式中,I{·}表示插值的過程,G表示單通道插值后的參考綠色分量,Gs表示G在Bayer 模式下紅色分量位置處的采樣.

    由于插值具有低通濾波的作用,插值后圖像的頻譜主要包含低頻信息,可以表示為

    式中,Rl和Gl分別表示紅、綠分量的低頻.將綠色分量分解為高頻和低頻之和,則由式(2)和(3)可得

    由式(4)可知插值圖像的高頻分量與理想圖像存在差異.插值圖像紅、綠分量的高頻近似相等,而理想全色圖像的紅、綠高頻只是強相關(guān),此外綠、藍(lán)分量的高頻也具有類似特性.

    1.2 CFA 插值圖像的失真分析

    采樣后的CFA 圖像可以表示為亮度分量和色度分量,其轉(zhuǎn)換公式[6]為

    式中,L為亮度分量,C1、C2為2 個色度分量,于是可用亮度和色度將CFA 圖像表示為

    式中,fC為CFA 圖像,fL為其亮度分量,fC1、fC2為其色度分量,[n1,n2]為第n1行n2列的像素坐標(biāo).將式(8)進行傅里葉變換得

    由式(9)可得:色度分量C1在頻譜上被搬移到(π,π)的位置,色度分量C2被搬移到(π,0)和(0,π)的位置.如圖1所示,亮度與色度的高頻發(fā)生了混疊.

    圖1 CFA 圖像頻譜Figure1 Fourier transform of CFA image

    CFA 插值的任務(wù)是分別提取CFA 圖像的亮度和色度分量,得到全色的CFA 插值圖像.混疊使得插值圖像的亮度和色度分量都存在失真,其中色度分量的失真更明顯,且失真程度與所采用的插值方法有關(guān),能夠反映CFA 的插值特性.

    2 篡改檢測

    篡改操作通常包含的縮放、旋轉(zhuǎn)等操作會破壞圖像中的插值痕跡,使得篡改區(qū)域的插值特性與真實區(qū)域不一致[7].本文分別從頻譜變化和色度失真兩方面提取特征以反映CFA 插值特性,根據(jù)待測圖像重插值前后的插值特性變化檢測圖像篡改.

    2.1 特征提取

    插值圖像的頻譜能量、高頻分量都與理想圖像存在差異,于是需要計算通道間頻譜差的能量特征以反映CFA 插值導(dǎo)致的頻譜變化.區(qū)域?1可定義為

    如圖2陰影部分所示:

    圖2 區(qū)域?1Figure2 Area ?1

    提取頻譜差能量特征U

    式中,b為區(qū)域?1中元素的數(shù)目;C(ω1,ω2)為綠紅頻譜差,其計算公式為

    2.2 算法步驟

    本文根據(jù)插值圖像與理想全色圖像的頻譜差異,分塊提取頻譜變化和色度失真特征來反映CFA 插值特性;然后對待測圖像進行重插值,并依據(jù)圖像CFA 插值特性在重插值前后變化的不一致來實現(xiàn)篡改檢測,其算法步驟如下:

    步驟1采用通道間插值算法對待測圖像I進行重插值,得到重插值圖像;將I和重疊分塊,圖像塊大小為b×b,滑動步長為n,邊緣剩余部分舍棄.

    步驟2將I和中以(i,j)為中心像素的圖像塊分別記為Ii,j和,提取圖像塊Ii,j的通道間頻譜差能量特征Ui,j和色度失真特征Vi,j,得到塊特征Fi,j={Ui,j,Vi,j};同樣地,得到圖像塊的塊特征.

    步驟3計算圖像重插值前后的塊特征差異Di,j作為取證特征

    步驟4對于非邊緣塊Ii,j,計算它與8 個相鄰塊之間的相關(guān)系數(shù).Ii,j與第m個相鄰塊Iim,jm的相關(guān)系數(shù)Rm為

    步驟5計算非邊緣塊Ii,j的相關(guān)系數(shù)R1~R8中的最大值t,并將所有非邊緣塊相關(guān)系數(shù)的最大值排序,再根據(jù)t的排序位置確定其一致性權(quán)值k1.類似地,分別確定塊Ii,j的相關(guān)系數(shù)均值、中值的一致性權(quán)值k2、k3.

    步驟6將k1、k2、k3相加得到塊特征差異Di,j的一致性權(quán)值qi,j,從所有塊的一致性權(quán)值排序中找到最小、次小的塊I1、I2.

    步驟7將塊I1相關(guān)系數(shù)的最大值、均值、中值及其與塊I2的差異(比值表示)構(gòu)成6維特征向量Y,以反映待測圖像的CFA 插值特性一致程度.使用SVM 分類器對Y進行分類,實現(xiàn)篡改檢測.

    3 實驗結(jié)果與分析

    采用LC[8]、Dresden[9]、UCID[10]圖像庫生成篡改圖像.分別使用Bilinear、POCS[11]、ACPI[12]、Zhang 等人的算法[13]對上述圖像庫進行CFA 插值,并在重插值圖像中隨機選取64×64 大小的區(qū)域,隨機拼接到某幅真實圖像中,得到篡改圖像.

    按照2.2 節(jié)的算法實現(xiàn)篡改檢測.當(dāng)提取塊特征F時,分塊尺寸如果太小容易受到圖像內(nèi)容的影響,因此實驗中取分塊尺寸為64×64,取滑動步長n為32.當(dāng)使用SVM 進行分類時,取5/6 的實驗圖像作為訓(xùn)練集,剩下的1/6 實驗圖像作為測試集,且訓(xùn)練集和測試集中真實圖像和篡改圖像的數(shù)量均為1:1.另外,實驗中為了降低隨機選擇訓(xùn)練集帶來的影響,準(zhǔn)確率取1 000 次分類的平均值,SVM 懲罰系數(shù)的范圍設(shè)定在0~104之間,gamma 參數(shù)的范圍設(shè)定在1.6×2?11~0.1 之間.以鑒真率和鑒偽率來評價算法性能,鑒真率表示真實圖像被檢測為真實圖像的概率,鑒偽率表示篡改圖像被檢測為篡改圖像的概率.

    3.1 本文方法的有效性

    對基于UCID 庫生成的篡改圖像進行檢測,所得結(jié)果如表1所示.其中,通道間插值圖像的檢測準(zhǔn)確率在95%以上,使用POCS 生成的篡改圖像檢測準(zhǔn)確率最高.同時,本文算法也能準(zhǔn)確檢測單通道插值圖像.

    對不同庫生成的篡改圖像進行檢測.實驗圖像包含建筑、風(fēng)景、動物、人像等不同的場景,LC 庫圖像的相機型號分別為Canon Powershot S70 和Canon IXY Digital 910IS,Dresden庫圖像的相機型號分別為Canon Ixus55,檢測結(jié)果如表2所示.LC 庫和Dresden 庫的平均準(zhǔn)確率均在96%以上,證明了該算法對不同圖像內(nèi)容和成像設(shè)備的魯棒性.

    表1 不同插值方法的篡改檢測性能Table1 Forgery detection performance by different interpolation methods

    表2 LC and Dresden 圖像庫的篡改檢測性能Table2 Forgery detection performance on LC and Dresden image datasets

    分析不同滑動步長對檢測結(jié)果的影響.對基于UCID 庫生成的篡改圖像,分別取滑動步長為32、16、8 進行檢測,結(jié)果如表3所示.隨著滑動步長的減小,重疊分塊的數(shù)量急劇增加,以致影響了塊排序的結(jié)果,降低了算法準(zhǔn)確率.因此,滑動步長不宜太小,取分塊尺寸的一半比較合適.

    表3 不同步長的篡改檢測性能Table3 Forgery detection performance on different step size

    比較不同分塊尺寸下的檢測結(jié)果.分別使用96×96 和48×48 的分塊尺寸進行篡改檢測,結(jié)果如表4所示.當(dāng)分塊尺寸較大時,篡改區(qū)域相對分塊尺寸而言較小,塊間一致性特征受到影響,故算法準(zhǔn)確率略有下降;當(dāng)分塊尺寸較小時,塊特征的提取易受圖像內(nèi)容的影響,使得算法準(zhǔn)確率有所降低.

    3.2 對JPEG 壓縮的魯棒性

    進一步分析本文方法對JPEG 壓縮的魯棒性.選取檢測單通道插值圖像篡改的Li 方法[3]和檢測通道間插值圖像篡改的Zhang 方法[4]作為比較對象對UCID 庫及其生成的篡改圖像庫進行JPEG 壓縮,壓縮質(zhì)量取100、95、90、85、75.

    本文方法與Li 方法[3]的比較結(jié)果如表5所示.隨著JPEG 壓縮質(zhì)量因子Q的減小,Li 方法的準(zhǔn)確率迅速降低.當(dāng)質(zhì)量因子為95 時,準(zhǔn)確率已降至74.54%;本文方法的準(zhǔn)確率下降不大,在質(zhì)量因子為90 時仍保持在96%以上.

    表4 不同分塊尺寸的篡改圖像檢測結(jié)果Table4 Forgery detection performance on different block size

    表5 JPEG 壓縮對線性插值圖像篡改檢測性能的影響Table5 Effect of JPEG compression on the forgery detection performance using linear interpolated images

    表6給出了本文方法與Zhang 方法[4]的比較結(jié)果.對于未壓縮圖像,本文方法的平均準(zhǔn)確率略低于Zhang 方法[4]的平均準(zhǔn)確率;對于壓縮圖像,該方法表現(xiàn)出較好的魯棒性.當(dāng)質(zhì)量因子降至75 時,平均準(zhǔn)確率仍然高于89%.

    表6 JPEG 壓縮對通道間插值圖像篡改檢測性能的影響Table6 Effect of JPEG compression on the forgery detection performance using inter-channel interpolated images

    由此可見:對于經(jīng)過JPEG 壓縮的單通道和通道間插值圖像,本文方法都表現(xiàn)出較強的魯棒性,這是因為本文將重插值前后插值特性的變化作為取證特征,所以取證特征受到JPEG壓縮的影響較小.

    3.3 篡改區(qū)域變化的影響

    分析不同篡改區(qū)域大小和數(shù)量對檢測結(jié)果的影響.使用UCID 庫隨機生成單篡改區(qū)域圖像,篡改區(qū)域大小分別為128×128、32×32、16×16;隨機生成多篡改區(qū)域圖像,每幅篡改圖像包含3 個16×16 的篡改區(qū)域.

    單篡改區(qū)域圖像檢測結(jié)果如表7所示.其中篡改區(qū)域越大,檢測的平均準(zhǔn)確率也越高.當(dāng)篡改區(qū)域較小時,準(zhǔn)確率有所下降,但均超過88%.另外,多篡改區(qū)域圖像的平均檢測準(zhǔn)確率為90.06%,鑒真率為87.76%,鑒偽率為92.36%,可見本文方法對多篡改區(qū)域的情況也具備一定的鑒別能力.

    表7 不同篡改區(qū)域尺寸下的檢測結(jié)果Table7 Detection results on the images with various forged region size

    4 結(jié) 語

    本文利用CFA 插值引入的頻譜相關(guān)性實現(xiàn)篡改檢測.從頻譜變化和色度失真兩方面提取特征來反映通道間插值特性,根據(jù)重插值前后CFA 插值特性變化的不一致來實現(xiàn)真?zhèn)舞b別.實驗結(jié)果表明,該方法能夠有效檢測篡改圖像,對于JPEG 壓縮、圖像內(nèi)容和成像設(shè)備變化具有較好的魯棒性.在后續(xù)工作中,將考慮對于篡改區(qū)域較小的圖像,進一步提高算法的準(zhǔn)確率,解決篡改區(qū)域的定位問題.

    猜你喜歡
    色度分塊插值
    分塊矩陣在線性代數(shù)中的應(yīng)用
    基于Sinc插值與相關(guān)譜的縱橫波速度比掃描方法
    基于改進色度模型的非接觸式心率檢測與估計
    反三角分塊矩陣Drazin逆新的表示
    景德鎮(zhèn)早期青白瓷的器型與色度
    一種改進FFT多譜線插值諧波分析方法
    基于四項最低旁瓣Nuttall窗的插值FFT諧波分析
    如何提高蘋果的著色度
    基于自適應(yīng)中值濾波的分塊壓縮感知人臉識別
    基于多分辨率半邊的分塊LOD模型無縫表達
    塔河县| 乌兰浩特市| 融水| 交城县| 中方县| 贵南县| 聊城市| 长沙市| 龙井市| 德昌县| 土默特右旗| 珲春市| 确山县| 玉林市| 南皮县| 尉氏县| 威远县| 烟台市| 仁化县| 南宁市| 长治市| 高阳县| 聂荣县| 舞阳县| 孝义市| 南木林县| 长宁县| 革吉县| 荣昌县| 宁阳县| 阜宁县| 青冈县| 永川市| 鹿邑县| 玉田县| 广宁县| 玉门市| 商都县| 雷山县| 安塞县| 唐海县|