張勁松,楊 玫,周立新

(中國地質科學院巖溶地質研究所,廣西 桂林 541004)

一種改進的SIFT篡改檢測算法

張勁松,楊 玫,周立新*

(中國地質科學院巖溶地質研究所,廣西 桂林 541004)

針對數字圖像的復制粘貼盲檢測進行了研究,傳統(tǒng)的篩選特征描述部分不充分檢測圖像信息,基于統(tǒng)計分布特征和一致性約束理論提出了一種改進的SIFT篡改檢測算法。首先,建立高斯差分(DOC)尺度空間特征點檢測方法以提取關鍵點。然后,在主要方向生成的過程中基于最大色散方法選擇,此外,該方法基于統(tǒng)計特征生成特征描述的精確坐標、尺度值、像素區(qū)域尺寸值、邊界標記、邊界角和曲率。最后,基于一致性約束新的匹配方法將介紹。實驗結果為真正類率(TPR)值為98.03%,假正類率(FPR)值為7.99%,驗證了本文提出的方法的可行性和有效性。該算法對篡改區(qū)域的平移、縮放和旋轉有較強的魯棒性。

改進的SIFT;復制粘貼;篡改;魯棒性

隨著數字化信息時代所產生的新技術和新產品給社會活動帶來了較大的益處。各行業(yè)越來越多的運用photoshop,3Dmax等圖像處理軟件進行圖片修改等操作,調整到預期的圖片效果,傳統(tǒng)觀念中的“眼見為實”不存在了。目前關于圖像的偽造和篡改技術已廣泛應用于科學研究、保險索賠、媒體和司法取證等方面,已經對社會造成了較為嚴重的負面影響,針對數字圖像真實性認證和完整性保護問題,吸引了各個方面學者的眼球。

近年來,國內外學者致力于對于圖像復制粘貼篡改檢測研究,取得了較為重要的成果以及可喜的進展,Jessica Fridrich[1]等人提出了離散余弦變換DCT(Discrete Cosine Transform)算法,其首先對所選取圖像進行分塊并對其進行量化操作,采用量化后的DCT系數作為檢測圖像特征向量,最后檢測出所選取圖像中存在的復制粘貼的偽造區(qū)域;Huang[2]等人基于文獻[1]的研究基礎上,對DCT系數矩陣進行降維,降低了計算的復雜性;駱[3]等人提出的模型首先基于下面的先驗知識,假設“大面積區(qū)域”的大小不能小于原始圖像尺寸的 0.85%。王等人[4]在完善上一小節(jié)模型的基礎上,提出了一個新的模型,該模型可以抵抗多處篡改、幾何變換方面的不足,王鑫等人[5]提出了一種針對彩色圖像的復制粘貼篡改模型。Lowe 等人在 1999 年提出來SIFT(Scale Invariant Feature Transform)算法,后來又由 David Lowe[6]于 2004 年進行了改進。

由國內外研究情況來看[7],數字圖像被動盲取證已經取得了一定的成果,但是數字圖像盲檢測的研究目前仍然處于基礎理論研究和基本技術研究的階段,至今還未形成一個系統(tǒng)。但是,目前的檢測算法的使用范圍比較單一,大多數的算法都是針對一種篡改行為。一些檢測結果往往是建立在大量的預先假設的條件之上的,對數字圖像的質量要求也比較高。

1 變分水平集活動輪廓模型和SIFT變換

1.1 基于邊緣檢測的變分水平集活動輪廓模型

GAC 模型可以通過極小化如下能量泛函來確定活動輪廓:

(1)

式中:p為圖像矩陣,α1(p)為閉合輪廓線C的長度,g(C)是圖像p的梯度,Cp函數為閉合曲線C,與式(1)相對應的水平集演化方程如下:

Φt=gk|Φ|+gΦ,Φ(0,C)=Φ0(C)

(2)

式中:Φt為Φ的一階偏導數,C為U的零維水平集.單位法線g可表示為

(3)

函數Φ的曲率為

k=

(4)

1.2 SIFT方法的介紹

SIFT[8]是從圖像中提取的一種尺度不變特征,它包括關鍵點檢測和局部特征描述。提取特征有以下幾個步驟,如圖1所示。

圖1 SIFT特征描述子的生成步驟

2 改進的SIFT特征描述子

2.1 DOG金字塔空間生成

在相鄰的空間內生成DOG金字塔[9]空間為:

L(x,y,σ)=G(x,y,σ)?I(x,y)

(5)

DoG(x,y,kσ)=L(x,y,kσ)-L(x,y,σ)

(6)

式中:σ為比例因子。I(x,y)為輸入圖像。?表示x,y的卷積運算。G(x,y,σ)為不同尺度空間的高斯函數。

為了搜尋極值點,相鄰像素點之間由2×2矩陣組成改變后的SIFT算法簡化了每一階的結構組成,根據Lowe在SIFT算法研究過程中總結的經驗,對提取出的特征點中,本文將舍掉數值<0.04的局部特征不穩(wěn)定的點。

2.2 關鍵點定位

在遍歷區(qū)間內所有的尺度以后記錄下圖像所處的位置,基于高斯差分公式得到所有可以成為極值的特征點,在檢測尺度空間內尋找極值的過程中,將任一像素與其臨近區(qū)間的像素點相互比較,最后即可精確的確定關鍵點的位置和尺度[10]。對每個可能的極值特征點在其尺度空間上做泰勒展開,公式如下所示,低對比度的極值點將被舍棄。

X=(x,y,σ)T為點的偏移量. 通過計算極值關鍵點,計算函數D關于X的導數,如式(8)所示。

(7)

方程(7)代入方程(6):

(8)

對邊緣的不穩(wěn)定點進行濾值的Hessian矩陣為:

(9)

為了使計算得到的算子具有旋轉不變性,在關鍵點鄰域的窗口內的所有像素點中選擇統(tǒng)計量最大的梯度方向作為其主方向。每個關鍵點所包含的3種信息為位置、方向以及所處尺度。鄰域窗口內每個像素點的梯度模值方程如式(10)。

m(x,y)=

(10)

每個像素的方向使用式(11)計算。

(11)

2.3 特征點描述子生成

首先得到主方向后,將原標準坐標是根據主要方向旋轉,使特征向量不變的旋轉變化。其次,以所取關鍵點為中心,將其轉換成能使關鍵點數值化的特征向量。取大小為N×N的關鍵點鄰域窗口,以關鍵點為中心,將鄰域窗口分為S塊,每塊為一個種子點,統(tǒng)計每個子塊中的所有像素點分別在不同梯度方向的模值并進行累加。

2.4 特征點檢測

在現實場景圖像配準中,對應的圖像之間的轉換包含仿射變換,光照變化,角度變化。方法廣泛應用于這一領域包括快速檢測器,SUSAN,Harris,DoG特征檢測,Hessian矩陣拉普拉斯變換等?？紤]到這些因素,多個規(guī)模特征檢測對于圖像檢測需求將是一個更好的選擇。標準的拉普拉斯算子函數用于Harris拉普拉斯變換的極值檢測方法的過程存在二階導數,計算是較為復雜的。與此同時,DOG檢測函數檢測效率高于前者。因此,選取DOG檢測方法進行檢測多尺度特征點。

DOG檢測過程的主要方向代關于篩選特征點,方向是通過插值獲得。因此,結果是直方圖的分散度的影響?；谶@個問題,獲得主要定位新方法。

2.5 相似匹配

假設一幅圖像的關鍵點集為X={x1,x2,…,xn},每個關鍵點的SIFT 描述符為{f1,f2,…,fn}。在檢測圖像中對得到的關鍵點進行匹配。最直接的匹配策略是對于每一個關鍵點,使用歐式距離尋找它的最相似特征。為了檢測兩個關鍵點是否匹配,只需查看這兩個關鍵點的距離是否小于某個閾值即可。但是這種方法只是粗略的進行匹配,如果需要存在有多個復制區(qū)域的情況時,則需進一步研究。

我們使用最近點和次近點的比率作為度量,并將其和閾值T1相比較,如果d1/d2

3 基于改進的SIFT復制粘貼篡改檢測算法

算法首先利用邊緣檢測的變分水平集輪廓模型提取出圖片的可疑區(qū)域,利用改進的SIFT變換提取圖像的特征,形成新的特征矩陣,再利用相似性檢測并定位復制粘貼篡改區(qū)域。過程如圖2所示。

圖2 改進的SIFT算法流程圖

步驟1:待檢測圖像讀取,如果是彩色圖像,將其轉換成為灰度圖像。

步驟2:基于改進的SIFT算法提取圖像中的特征點,生成鄰域內每個特征點的描述子。把生成的特征點組成一個K×192維的特征矩陣,矩陣的每一行對應著一個特征點的特征描述子。

步驟3:計算這兩個距離的比率c=d1/d2,迭代此過程,直到比率大于閾值T2,記錄下目前的匹配點。

4 實驗結果及分析

選取灰度圖像作為實驗圖像,利用Photoshop CS3對其進行復制-粘貼篡改,篡改的方式主要有簡單的復制粘貼、旋轉、縮放、對整幅圖像進行JPEG壓縮、添加高斯噪聲及這幾種操作的結合。前面的為單一后處理操作,其余的混合操作。為了提高對算法評價的準確度,依據圖像的內容隨意選取圖像的復制區(qū)域。

為了證明改進后算法的有效性,循環(huán)改變訓練集和測試集,重復4次這樣的實驗:

(11)

然后,將選擇的閾值應用于剩余圖像的測試。獲得的結果為:TPR=98.03%,FPR=7.99%。這意味著所選用的閾值可以很好的估計本文的算法。T2的大小選為0.5。

表1 訓練階段不同閾值下的檢測率 %

簡單的復制-粘貼:首先將此算法應用在理想的篡改情況下,只復制一個區(qū)域,然后粘貼到與此不相交的另外一區(qū)域,期間不添加任何的其他操作。

縮放情況:建立一個縮放情況的檢測,復制區(qū)域被稍微放大或者縮小,如圖4所示。

旋轉情況:和前面的實驗相似,建立一個旋轉情況的檢測,在將復制區(qū)域粘貼之前先將其旋轉一個角度,以造成看起來有多個不同物體的假象。如圖5所示。圖5(a)是對圖中的人物進行復制,然后旋轉粘貼到左上角的位置。為了驗證本文算法的有效性,以小船圖為例,將本文算法和文獻[11]中的算法分別在不同的篡改情況下相比較。對圖3～圖5運用文獻中的算法進行檢測,得出的檢測結果如表2～表4所示。

圖3 平移情況檢測結果

圖4 縮放情況檢測結果

圖5 旋轉90°情況檢測結果

表3 縮放情況下的檢測率 單位:%

表4 旋轉情況下的檢測率 單位:%

從表1可以看出改進后的算法分別在不同的情況下的檢測效果都有所提高?？傊?在不同的篡改方式下,本文算法總能夠獲得較精確的匹配對得到一個較好的檢測效果,這意味著算法可以應用于圖像復制-粘貼檢測,并且相比于改進前要好。本文算法對多圖片后期處理具有較好魯棒性,因此本文算法綜合性具有較好的實用價值。

5 結束語

(1)本文提出的檢測算法僅僅局限于同幅圖像的復制粘貼操作,而在現實中還存在多幅不同圖像之間的復制粘貼篡改操作。因此,本文提出的算法不能應用到多幅不同圖像的復制粘貼篡改。在接下來的研究中,將針對不同圖像間的篡改進行研究。

(2)本文算法雖然可以取得較好的檢測效果,但是與其他算法相比,運行時間稍微高于其他算法。另外在閾值選擇方面,本文是通過參考現有閾值,然后多次實驗得到的,這也占用了很多時間。在接下來的研究中,應在保證算法檢測率的同時,盡可能降低算法的運行時間。

[1] Fridrich A J,Soukal B D,LukA J. Detection of Copy-Move Forgery in Digital Images[C]//Proceedings of Digital Forensic Research Workshop. Cleveland OH,USA,2003.

[2] Huang Y,Lu W,Sun W,et al. Improved DCT-Based Detection of Copy-Move Forgery in Images[J]. Forensic Science International,2011,206(1):178-184.

[3] 駱偉祺,黃繼武,丘國平. 魯棒的區(qū)域復制圖像篡改檢測技術[J]. 計算機學報,2007,30(11):1998-2007.

[4] 王俊文,劉光杰,張湛,等. 圖像區(qū)域復制篡改快速魯棒取證[J]. 自動化學報,2009,35(12):1487-1494.

[5] 王鑫,軒波,彭思龍. 基于融合的高分辨率彩色圖像拷貝-變換-移動篡改檢測[J]. 中國圖象圖形學報,2010,15(7):1047-1056.

[6] David G,Lowe. Distinctive Image Feature From Scale-Invariant Keypoints[J]. International Journal of Computer Vision,2004,2(60):91-110.

[7] Li S,Lee M C,Pun C M. Complex Zernike Moments Features for Shape-Based ImageRetrieval[J]. IEEE Transactions on Systems. Man and Cybernetics,2009,39(1):227-237.

[8] 張婷. 基于SIFT數字圖像復制黏貼篡改盲檢測研究[D]. 河北工程大學,2013:23-45.

[9] 申鉉京,朱葉,呂穎達,等. 基于SIFT和HSI模型的彩色圖像復制-粘貼盲鑒別算法[J]. 吉林大學學報(工學版),2014(1):171-176.

[10] Fisher M A,Rolles R C. Random Sample Consensus:A Paradigm for Model Fitting with applications to Image Analysis and Automated Cartography[J]. Communication ACM,1981,24(6):381-395.

[11] Torr P H S,Murray D W. The Development and Comparison of Robust Methods for Estimatingthe Fundamental Matrix[J]. International Journal of Computer Vision,1997,24(3):271-300.

[12] Li S,Lee M C,Pun C M. Complex Zernike Moments Features for Shape-Based Image Retrieval[J]. IEEE Transactions on Systems. Man and Cybernetics,2009,39(1):227-237.

DetectionofCopy-MoveForgeryImageBasedonanImprovedSIFTDescriptor

ZHANGJingsong,YANGMei,ZHOULixin*

(Karst Geology Research Institute of Guangxi China,Guilin Guangxi 541004,China)

In the process of SIFT(Scale Invariant Feature Transform)image registration algorithm,the principal orientation is affected by the dispersion of histogram. Besides,the feature descriptor section of conventional SIFT does not make full use of local feature information. As to these problems,an improved SIFT algorithm on characteristic statistical distributions and consistency constraint will be presented. Firstly,DOG(Difference of Gaussian)scale space feature point detection method is adopted to extract key points. Then,in the process of principal orientation generation,our method selects line with maximum dispersion. Furthermore,this method generates feature descriptor based on characteristic statistical distributions in polar coordinate. Finally,a new matching method based on consistency constraint will be introduced. In experiments,the values of TPR(True Positive Rate)and FPR(False Positive Rate)is 98.03% and 7.99%,we test the performances of our propose method. The experimental results demonstrate the feasibility and effectiveness of our approach.

an improved SIFT;copy-move;tamper;robustness

10.3969/j.issn.1005-9490.2017.06.032

2016-11-04修改日期2017-01-05

TP391

A

1005-9490(2017)06-1496-06

張勁松(1987-),男,廣西桂林人,漢族,在讀碩士,助理研究員。研究方向為數據挖掘,網絡編程,計算機視覺;

楊玫(1989-),女,廣西桂林, 瑤族,本科,研究實習員,研究方向為數據挖掘、資料管理;

周立新(1971-),男,貴州劍河縣, 苗族,研究生,研究員,研究方向為圖像處理、數據分析、數據庫,yovzhunldun04@163.com。