基于SIFT和感知哈希的圖像復(fù)制粘貼篡改檢測(cè)方法

馬偉鵬，林敏銳，吳澤宇，黃國(guó)銓

（韓山師范學(xué)院，潮州 521041）

0 引言

近年來(lái)，隨著信息科技的發(fā)展，多媒體技術(shù)已經(jīng)廣泛的應(yīng)用在我們的生活和學(xué)習(xí)之中，改善質(zhì)量。逐漸的，數(shù)字圖像已經(jīng)成為了一種非常重要的信息載體，成為生活中不可分割的一部分。在如今計(jì)算成像技術(shù)的發(fā)展下，計(jì)算機(jī)軟件可以制造出與真實(shí)照片一樣讓人肉眼難辨的“PS”照片，這種信息來(lái)源的真實(shí)性受到嚴(yán)重的威脅。在現(xiàn)在成熟的圖像處理技術(shù)之下，對(duì)數(shù)字圖像的篡改事件比比皆是。例如2005年韓國(guó)科學(xué)家黃禹錫帶隊(duì)的干細(xì)胞研究突破造假圖片、2007年《巴黎競(jìng)賽畫(huà)報(bào)》法國(guó)總統(tǒng)薩科齊“贅肉門”事件、2008年伊朗導(dǎo)彈造假事件等，讓這種“眼見(jiàn)為實(shí)”的傳統(tǒng)觀念徹底打翻，造成政治、文化、新聞和科學(xué)真實(shí)性方面很大程度上受到負(fù)面的影響。

設(shè)計(jì)該作品主要的目的是幫助人們更好地辨認(rèn)圖片的真假，提高信息的可靠程度，不讓虛假信息傳播，一定程度上遏制對(duì)虛假信息對(duì)政治、文化、新聞和科學(xué)真實(shí)性的負(fù)面影響。

如今發(fā)達(dá)的圖像處理技術(shù)之下，篡改方式有很多種，但主要分為同幅圖像的復(fù)制粘貼篡改檢測(cè)和異幅圖片的拼接篡改檢測(cè)兩種方式。本文討論在同幅圖像的復(fù)制粘貼篡改檢測(cè)，本系統(tǒng)在復(fù)制粘貼篡改檢測(cè)中利用局部特征提取的方式進(jìn)行特征提取，再利用局部的相似型進(jìn)行全局匹配，找到相似度高的位置定位出來(lái)，分析情況。

在同幅圖片的復(fù)制粘貼篡改檢測(cè)研究與實(shí)現(xiàn)中，技術(shù)關(guān)鍵為SIFT與SURF算法，感知哈希降維和K-means聚類定位篡改區(qū)域。

1 算法

1.1 SIFT與SURF算法

SIFT算法即尺度不變特征變換（Scale-Invariant Feature Transform）算法，是由David Lowe于1999年在計(jì)算機(jī)視覺(jué)協(xié)會(huì)提出并發(fā)布[3]，到了2004年得到較好的完善[4]。SIFT算法在圖像處理中非常成熟，因?yàn)槌叨炔蛔冃?，在人臉識(shí)別、圖像拼接、圖像檢索等領(lǐng)域得到很好地使用。SIFT的特征提取過(guò)程主要分四個(gè)步驟[1]：尺度空間極值點(diǎn)檢測(cè)、關(guān)鍵點(diǎn)的精確定位、關(guān)鍵點(diǎn)的方向確定和關(guān)鍵點(diǎn)的描述，如圖1所示。

圖1

雖然，SIFT的尺度不變性對(duì)圖像的篡改檢測(cè)帶來(lái)很好的效果，但是提取出來(lái)的特征向量維度高的問(wèn)題，給匹配過(guò)程中歐氏距離運(yùn)算帶來(lái)速度極慢的問(wèn)題。所以很多學(xué)者對(duì)其不足進(jìn)行優(yōu)化，優(yōu)化的方法大多是特征匹配和特征提取環(huán)境中進(jìn)行的。文獻(xiàn)[5]中Herbert等人提出了SURF算法，在特征提取中利用Hessian矩陣構(gòu)建尺度空間，在圖像積分過(guò)程中大大減少了其運(yùn)算量；在文獻(xiàn)[6]Yan Ke和Rahul Sukthankar提出了PCA-SIFT算法，是在描述子環(huán)節(jié)中對(duì)SIFT特征向量進(jìn)行了降維，提高算法效率。本文將會(huì)利用感知哈希對(duì)SIFT算法在特征提取環(huán)節(jié)中對(duì)特征數(shù)據(jù)信息進(jìn)行壓縮，在特征匹配環(huán)節(jié)使用漢明距離比較兩個(gè)特征點(diǎn)的相似度，從而提高特征匹配的速率和匹配效果的質(zhì)量。

1.2 感知哈希降維

感知哈希是這些年來(lái)在對(duì)媒體信息安全領(lǐng)域出現(xiàn)的新技術(shù)。它將數(shù)字媒體映射成一小段小的數(shù)字序列，可反應(yīng)數(shù)字媒體的重要視覺(jué)或聽(tīng)覺(jué)特征。圖像哈希是使用特定的哈希算法對(duì)原圖像進(jìn)行數(shù)字序列化，該數(shù)字序列可以代表圖像的特征，相當(dāng)于一個(gè)指紋，只要圖像獨(dú)一無(wú)二，數(shù)字序列也就獨(dú)一無(wú)二。在進(jìn)行感知哈希的時(shí)候需要對(duì)SIFT特征轉(zhuǎn)換成一個(gè)中間矩陣，再對(duì)中間矩陣用離散余弦變換（DCT）進(jìn)行圖像空間域轉(zhuǎn)換，再提取左上角的低頻部分，原理圖像壓縮一樣[2]。轉(zhuǎn)換后得到的系數(shù)矩陣，左上角大部分是圖片內(nèi)容信息。DCT的二維轉(zhuǎn)換公式如下：

二維DCT定義如下：設(shè)f（x，y）定義M*N的數(shù)字圖像矩陣，則：

式中 x，u=0，1，2，…，M-1;y，v=0，1，2，…，N-1。

程序的現(xiàn)實(shí)過(guò)程如下：

（1）輸入數(shù)據(jù)：輸入128維的SIFT特征向量作為初始數(shù)據(jù)。

（2）構(gòu)建DCT矩陣：將輸入的數(shù)據(jù)重整，重整為32×4的矩陣。

（3）計(jì)算DCT：把數(shù)據(jù)分解成頻率聚集和梯度的形狀。

（4）提取低頻系數(shù)：選取DCT系數(shù)矩陣數(shù)據(jù)中左上角呈現(xiàn)的低頻部分32維，其代表了圖像的內(nèi)容信息。

（5）計(jì)算系數(shù)均值：在32維的數(shù)據(jù)中計(jì)算平均值。

（6）系數(shù)序列化：根據(jù)32維的數(shù)據(jù)，設(shè)置0或1的二進(jìn)制（如果該數(shù)值大于DCT均值則設(shè)置為1，小于DCT均值的設(shè)置為0）。

（7）計(jì)算HASH值：將32維的二進(jìn)制設(shè)置為8位的十六進(jìn)制的HASH表示。

將一維的SIFT特征向量轉(zhuǎn)成二維的DCT矩陣輸出后都會(huì)擁有一個(gè)特點(diǎn)：隨著元素離DCT系數(shù)越來(lái)越遠(yuǎn)，它的模就傾向于越來(lái)越小[2]。這說(shuō)明將DCT處理后的數(shù)據(jù)，已經(jīng)將圖像表示部分集中在DCT矩陣的左上角的系數(shù)（低頻部分，體現(xiàn)圖像的目標(biāo)輪廓和灰度值分布特性），而矩陣的右下角部分系數(shù)幾乎不包含有用信息。

1.3 K-means聚類定位篡改區(qū)域

經(jīng)過(guò)了SIFT特征提取和感知哈希的降維之后，需要設(shè)定一個(gè)閾值，當(dāng)兩個(gè)感知哈希進(jìn)行漢明距離的比較之后，但大于設(shè)定的閾值則判為相似的特征向量。但是提取的大部分的相似特征向量之后，需要把篡改區(qū)域標(biāo)志出來(lái)，過(guò)程中往往存在很多異常，距離大的差錯(cuò)點(diǎn)。這時(shí)，需要使用K-means距離，把差錯(cuò)點(diǎn)剔除。K-means是機(jī)器學(xué)習(xí)中無(wú)監(jiān)督學(xué)習(xí)中最常見(jiàn)的一種聚類算法，也是應(yīng)用最廣泛的聚類算法。它是一種基于目標(biāo)函數(shù)劃分的聚類算法，實(shí)際上基于距離劃分的，它的任務(wù)是把相似的對(duì)象分到一個(gè)簇中，在迭代運(yùn)算中可以自動(dòng)分類。它是幾乎可以運(yùn)用與所有的對(duì)象，簇內(nèi)的對(duì)象越相似，聚類效果就越好。本文中對(duì)篡改區(qū)域劃分的過(guò)程如下：

（1）找出k個(gè)相似的區(qū)域作為初始化聚類的中心，在區(qū)域內(nèi)隨機(jī)選取一個(gè)坐標(biāo)點(diǎn)。

（2）對(duì)剩余的每個(gè)坐標(biāo)計(jì)算其距離（歐氏距離），把他劃分給最近的那一類。

（3）重新計(jì)算已經(jīng)得到的各個(gè)聚類中心點(diǎn)，不停的迭代運(yùn)算。

（4）重復(fù)2、3步，知道中心條件停止為止，如果達(dá)到迭代次數(shù)則聚類中心不變。

圖2為整個(gè)復(fù)制粘貼篡改檢測(cè)過(guò)程。

圖2

2 實(shí)驗(yàn)結(jié)果及分析

通過(guò)舉例子的方法進(jìn)行實(shí)驗(yàn)結(jié)果及分析，以下例子中篡改者對(duì)圖像進(jìn)行了不同程度的篡改，系統(tǒng)均可以將其檢測(cè)出來(lái)。

圖3

圖3中（1）是原圖，篡改者以背景沙地當(dāng)作被克隆的圖像塊，將復(fù)制到人物區(qū)域中，達(dá)到篡改目的。是已經(jīng)篡改了的圖片。（3）是使用特征描述的方式檢測(cè)出相似的特征點(diǎn)。（4）是使用聚類處理，剔除誤差點(diǎn)區(qū)域，使用區(qū)域的方式定位出篡改的地方。系統(tǒng)均可以達(dá)到比較理想的檢測(cè)效果。

圖4

圖4中（1）是原圖，篡改者以三輛坦克的其中一輛為克隆的圖像塊，將復(fù)制到空白的區(qū)域，達(dá)到看起來(lái)變成4輛坦克為篡改目的。（2）是已經(jīng)篡改的圖片。（3）是使用特征描述的方式檢測(cè)出相似的特征點(diǎn)。（4）是使用聚類處理，剔除差錯(cuò)點(diǎn)區(qū)域，使用區(qū)域的方式定位出篡改區(qū)域的地方。

圖5

首先對(duì)一張?jiān)瓐D進(jìn)行4種不同情況的克隆篡改，驗(yàn)證本系統(tǒng)算法的魯棒性。圖5中（1）是對(duì)克隆出來(lái)的目標(biāo)進(jìn)行平移處理，平移到其他不相交的地方，檢測(cè)效果如圖所示。（2）是對(duì)克隆的目標(biāo)進(jìn)行旋轉(zhuǎn)和平移操作處理，選擇操作60度，移至其他不相交的地方，檢測(cè)效果如圖所示。（3）是將克隆的目標(biāo)進(jìn)行縮放和平移處理，平移至不相交的地方，檢測(cè)效果如圖所示。（4）是將克隆的目標(biāo)進(jìn)行選擇平移和加噪聲處理，檢測(cè)的效果如圖所示。

3 結(jié)語(yǔ)

近年來(lái)，偽造圖像的事件日益增多，給各大網(wǎng)絡(luò)媒體曝光，給社會(huì)新聞和輿論帶來(lái)很多的虛假性信息等安全問(wèn)題。如果一些偽造圖像繼續(xù)被濫用，這可能會(huì)造成涉及經(jīng)濟(jì)、政治、軍事等領(lǐng)域上真實(shí)性的問(wèn)題，給社會(huì)帶來(lái)巨大的危害，損失無(wú)法估量。針對(duì)目前較為流行篡改檢測(cè)方法——復(fù)制粘貼篡改，總結(jié)出較為實(shí)用且效果較好的檢測(cè)方法。開(kāi)發(fā)了一個(gè)基于Web應(yīng)用的平臺(tái)給予用戶和相關(guān)的政府機(jī)構(gòu)使用，希望能給信息安全等問(wèn)題帶來(lái)一些解決方案。本文介紹了同幅圖像的復(fù)制粘貼篡改檢測(cè)方式，和目前效果較優(yōu)的特征描述子；針對(duì)目前較有的特征描述子特征維度高，檢查效率低等問(wèn)題使用感知哈希的方法進(jìn)行降維，針對(duì)提取出不穩(wěn)定的特征點(diǎn)使用K-means方法進(jìn)行聚類；最后檢測(cè)效率和效果都比較理想。盡管如此，本系統(tǒng)還是存在一些不足的，只對(duì)于合成這種篡改手段有比較好的檢測(cè)效果，對(duì)于變種、增強(qiáng)、計(jì)算機(jī)合成等篡改方式任然存在缺陷，但在之后將會(huì)結(jié)合深度學(xué)習(xí)方面的知識(shí)，不斷完善，創(chuàng)造出一個(gè)令人滿意的作品。