楊婧譞

摘 要：為解決傳統(tǒng)圖像拼接檢測(cè)算法對(duì)圖像內(nèi)容、光照變化等魯棒性不強(qiáng)問(wèn)題，提出一種基于多種紋理特征融合的圖像拼接檢測(cè)方法。對(duì)二維灰度圖像執(zhí)行非下采樣輪廓波變換（NSCT），以獲得包含圖像紋理特征的一系列子帶圖像。對(duì)在水平和垂直方向進(jìn)行差分處理的低頻子帶圖像以及4個(gè)高頻圖像，獲取韋伯局部描述符（WLD）紋理和局部三值模式（LTP）紋理。將WLD紋理與灰度共生矩陣結(jié)合，得到像素點(diǎn)強(qiáng)度、梯度與灰度之間的關(guān)系;再將LTP紋理與灰度共生矩陣結(jié)合，得到無(wú)噪聲和光照影響的像素點(diǎn)灰度間關(guān)系;最后分別提取WLD值共生矩陣和LTP值共生矩陣的對(duì)比度、相關(guān)性、相異度、熵、能量等5個(gè)特征，并融合成特征向量，使用RBF神經(jīng)網(wǎng)絡(luò)分類。該方法在哥倫比亞彩色圖像庫(kù)上檢測(cè)準(zhǔn)確率達(dá)到了95.7%。

關(guān)鍵詞：復(fù)合紋理特征;非下采樣輪廓波變換;韋伯局部描述符（WLD）;局部三值模式（LTP）;灰度共生矩陣;圖像檢測(cè)

DOI：10. 11907/rjdk. 182731

中圖分類號(hào)：TP317.4文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1672-7800（2019）001-0178-05

Abstract： Aiming at the problem that traditional image splicing detection algorithm is not robust to image content and illumination change， an image splicing detection method based on multi-texture feature fusion is proposed. In this method， non-subsampling contour wave transform （NSCT） is performed on two-dimensional gray images to obtain a series of sub-band images with image texture features. Then the low frequency sub-band images were processed in the horizontal and vertical directions， and the four high frequency images were used to obtain the Weber local descriptor （WLD） texture and local three-valued model （LTP） texture. Then WLD texture and gray level co-occurrence matrix are combined to obtain the relationship among pixel intensity， gradient and grayscale; LTP texture and grayscale co-occurrence matrix are combined to obtain the relationship among the noiseless pixels affected by light. Finally the five features including WLD value symbiosis matrix， LTP co-occurrence matrix phase contrast ratio， correlation， entropy and energy are extracted and integrated into feature vectors. RBF neural network is employed for classification.

0 引言

隨著計(jì)算機(jī)產(chǎn)業(yè)蓬勃發(fā)展以及智能手機(jī)廣泛普及，圖像處理的軟硬件變得容易獲得和使用，如Photoshop、美圖秀秀等。修圖成為人們的一種日常休閑娛樂(lè)，而輕而易舉篡改圖片也給圖謀不軌的人創(chuàng)造了機(jī)會(huì)。近年來(lái)確實(shí)頻頻出現(xiàn)篡改或偽造圖像被應(yīng)用于新聞媒體、科學(xué)發(fā)現(xiàn)、攝影比賽和法庭物證等案例，無(wú)疑極大影響了社會(huì)穩(wěn)定性。因此，在人們無(wú)法通過(guò)肉眼識(shí)別圖像真實(shí)性的情況下，檢測(cè)圖像真實(shí)性的技術(shù)變得尤為重要。

目前，數(shù)字圖像篡改檢測(cè)主要分為主動(dòng)取證和盲取證兩類[1]。前者主要通過(guò)檢測(cè)事先在圖像中添加的數(shù)字簽名、數(shù)字水印鑒別圖像真實(shí)性[2]。后者主要通過(guò)檢測(cè)圖像內(nèi)容以檢測(cè)圖像本身的真實(shí)性。相比之下，被動(dòng)取證（盲取證）并不需要提前對(duì)圖像進(jìn)行任何處理，因此它更具有應(yīng)用價(jià)值。

在被動(dòng)取證研究中，圖像拼接檢測(cè)是目前研究熱點(diǎn)之一，它將同一圖像或不同圖像上的某一區(qū)域剪切并粘貼到另一圖像的某一區(qū)域，而不進(jìn)行任何修飾。圖像紋理特征提取方法作為識(shí)別拼接篡改圖像的關(guān)鍵步驟，也是眾多學(xué)者不斷研究的重點(diǎn)。

針對(duì)該問(wèn)題，近年來(lái)，相關(guān)學(xué)者紛紛對(duì)較具代表性的局部相位量化（LPQ）、韋伯局部特征（WLD）、局部二值模式（LBP）和基于二階概率密度統(tǒng)計(jì)的灰度共生矩陣（GLCM）等4種局部紋理特征提取方法進(jìn)行了改進(jìn)[3]。其中，Saleh 等[4]用多尺度 WLD 對(duì)圖像拼接進(jìn)行檢測(cè)，在3個(gè)不相似鄰域內(nèi)計(jì)算梯度定向和激勵(lì)信息，合并該鄰域直方圖從而得到多尺度的WLB直方圖，最后依據(jù)該直方圖特征用相應(yīng)分類器實(shí)現(xiàn)對(duì)拼接圖像的檢測(cè)。Verma等[5]證明了局部三值模式（LTP）能很好地描述圖像統(tǒng)計(jì)特征和結(jié)構(gòu)模式。Hashmi等[6]通過(guò)融合DCT、LBP和Gabor等3種紋理特征，實(shí)現(xiàn)對(duì)拼接圖像的識(shí)別。而李燕等[7]通過(guò)局部二值模式（LBP）與共生矩陣相結(jié)合方式，將描述每個(gè)像素之間的關(guān)系拓展到描述整個(gè)灰度空間的相關(guān)特性，但基于LBP本身依舊存在局限性，僅描述了圖像細(xì)節(jié)特征與每個(gè)像素點(diǎn)及周?chē)?個(gè)像素點(diǎn)之間的相關(guān)性，而忽略了噪聲干擾以及像素點(diǎn)的強(qiáng)度特征、梯度特征、灰度—梯度空間特征等。

因此，本文提出基于局部三值模式（LTP）、WLD與灰度共生矩陣相結(jié)合的復(fù)合特征對(duì)拼接圖像進(jìn)行檢測(cè)，實(shí)驗(yàn)表明該方法對(duì)拼接圖像的檢測(cè)準(zhǔn)確率有較大提升，并且對(duì)光照、噪聲、旋轉(zhuǎn)有很好的魯棒性。

1 基本原理

1.1 局部二值模式（LBP）與局部三值模式（LTP）

LBP 是描述灰度圖像紋理特征的算子，主要在提取圖像局部區(qū)域的對(duì)比度特征方面起到輔助作用[8]。LBP 算子僅比較像素值的大小而忽略了像素間的對(duì)比度值，無(wú)法描述該類非線性變化前后的差異，最終可能會(huì)丟失一些重要紋理特征。

LTP 算子擴(kuò)展了 LBP 算子并采用三值編碼，它對(duì)光照變化和噪聲等方面更加魯棒，并增強(qiáng)了局部紋理特征的分類性能[9]。在LTP運(yùn)算器量化級(jí)中，添加-1值模式及用戶定義的閾值t，并且將映射在[-t，t]區(qū)間中的像素差值量化為 0 值，大于該間隔的差值被量化為1，小于該間隔的差值被量化為-1，S（[gi-gc]）變換為三值編碼形式，具體定義如下[10]：

正LBP編碼：將不為1的編碼值均修改為0。負(fù)LBP編碼：將為-1的編碼值修改為1，其余變?yōu)?。

以圖1為例，中心像素點(diǎn)的正LBP編碼為00010001，正LBP編碼值為25-1+1=17。負(fù)LBP編碼為10100010，負(fù)LBP編碼值為28-1+26-1+22-1=162。

LTP 通過(guò)對(duì) LBP擴(kuò)展以表示圖像的局部形狀、微量特征和紋理，并且通過(guò)用戶定義的閾值t增加一個(gè)編碼模式， 極大增強(qiáng)了對(duì)噪聲的敏感度，且在一定程度上均衡了劇烈光照變化下的像素值。綜上所述， LTP 改進(jìn)和完善了 LBP，并通過(guò)增強(qiáng)對(duì)圖像噪聲的魯棒性及對(duì)劇烈光照變化的均衡能力，有效提高了 LTP 特征的分類性能。

1.2 韋伯局部描述符（WLD）與共生矩陣

韋伯局部描述符是一種計(jì)算簡(jiǎn)便、高效且健壯的局部描述符[11]。它包含兩個(gè)部分：差別閾限、方向。對(duì)于輸入圖像中的每個(gè)像素點(diǎn)，計(jì)算特征的兩個(gè)組成部分，通過(guò)統(tǒng)計(jì)所有像素點(diǎn)的值，可以得到一個(gè)用以描述輸入圖像的特征直方圖。

式（5）中，[？I]表示增量閾值（可引起注意的差異值），I表示初始刺激強(qiáng)度，[k]表示即使I變化，等式左側(cè)的比率也將保持恒定。該比值被稱為韋伯分?jǐn)?shù)。事實(shí)上，韋伯定律表明剛好可被注意到的差異值在原始刺激強(qiáng)度值中占有一個(gè)恒定比例。

WLD則使用鄰域強(qiáng)度差和當(dāng)前像素強(qiáng)度比作為圖像局部特征，WLD描述符由兩部分組成：[ξ]是韋伯公式的比值，用于描述周?chē)袼刈兓c當(dāng)前像素的比值，如式（6）所示;θ是當(dāng)前像素的梯度方向，用來(lái)描述垂直方向與水平方向像素變化的比值，如式（7）所示。

差勵(lì)反映了當(dāng)前像素與相鄰像素之間的差異，能夠獲取圖像局部區(qū)域的變化情況。對(duì)于圖像中任意一個(gè)像素點(diǎn)，即可計(jì)算出該點(diǎn)的差勵(lì)值（見(jiàn)圖2）。

2 改進(jìn)復(fù)合特征模型

2.1 算法整體流程

基于復(fù)合紋理特征的圖像拼接檢測(cè)算法整體流程如圖4所示。

2.2 拼接檢測(cè)框架

3 實(shí)驗(yàn)結(jié)果與分析

下文對(duì)試驗(yàn)數(shù)據(jù)集進(jìn)行介紹，并使用提出的復(fù)合特征方式進(jìn)行拼接檢測(cè)測(cè)試，使用不同參數(shù)進(jìn)行測(cè)試，以獲取最佳參數(shù)值，并與基于殘差圖的LBP與灰度共生矩陣融合的拼接檢測(cè)算法進(jìn)行對(duì)比。實(shí)驗(yàn)環(huán)境為Matlab2014b，實(shí)驗(yàn)機(jī)器為Intel（R） Core（TM）i7-3630QM CPU2.4GHz。

3.1 數(shù)據(jù)集選擇與訓(xùn)練

本文選擇哥倫比亞彩色拼接檢測(cè)數(shù)據(jù)集進(jìn)行測(cè)試[16]。該測(cè)試集中圖像大小范圍從757*568到1 152*768，格式為未壓縮的TIFF或BMP。拼接圖像的創(chuàng)建使用真實(shí)圖像并且沒(méi)有任何后期處理，真實(shí)圖像中包含完整的EXIF信息。首先選擇180張篡改圖片和92張真實(shí)圖片，以7∶3分為訓(xùn)練集和測(cè)試集。

實(shí)驗(yàn)中主要使用查全率、查準(zhǔn)率以及準(zhǔn)確率3個(gè)參數(shù)衡量算法性能。查全率（Recall） 計(jì)算公式為R=TP/TP+FN，查準(zhǔn)率（Precision）計(jì)算公式為P=TP/TP+FP，準(zhǔn)確率（Accuracy，ACC）計(jì)算公式為ACC=（TP+TN）/（TP+FN+FP+TN）。其中，TP 表示被正確識(shí)別的真實(shí)圖像數(shù)量，TN表示正確識(shí)別的篡改圖像數(shù)量，F(xiàn)P 表示被誤判為真實(shí)圖像的數(shù)量，F(xiàn)N表示被誤判為篡改圖像的數(shù)量[17]。

3.2 實(shí)驗(yàn)結(jié)果分析

3.3 魯棒性測(cè)試

為了驗(yàn)證本文算法對(duì)光照、噪聲、旋轉(zhuǎn)的魯棒性，選取哥倫比亞圖庫(kù)中部分圖片，對(duì)圖像進(jìn)行質(zhì)量壓縮、亮度增強(qiáng)、減弱、加噪、旋轉(zhuǎn)等操作后，使用本文算法進(jìn)行檢測(cè)。將圖片壓縮到不同程度并進(jìn)行20次測(cè)試，結(jié)果如表2所示?？梢钥闯?，當(dāng)壓縮質(zhì)量為90%時(shí)，降低了非下采樣輪廓波高頻分量的影響，進(jìn)而使復(fù)合紋理特征更為突出，準(zhǔn)確率最高達(dá)到97.7%。同時(shí)對(duì)圖像不同亮度變化進(jìn)行測(cè)試，實(shí)驗(yàn)結(jié)果如表3所示，光照在一定范圍內(nèi)時(shí)，算法識(shí)別效果穩(wěn)定，但是光度過(guò)強(qiáng)或者過(guò)暗時(shí)，影響圖像特征提取，識(shí)別率下降。對(duì)于噪聲測(cè)試，本文對(duì)原圖像進(jìn)行不同程度加噪，結(jié)果如表4所示，在加噪10%～30%的情況下，算法準(zhǔn)確率相對(duì)穩(wěn)定，加噪達(dá)到50%時(shí)，準(zhǔn)確率明顯下降。最后對(duì)圖像進(jìn)行多角度旋轉(zhuǎn)測(cè)試，結(jié)果如表5所示，算法體現(xiàn)出很好的穩(wěn)定性。

4 結(jié)語(yǔ)

本文通過(guò)改進(jìn)已有算法并且使用多紋理特征融合的方式對(duì)拼接圖像進(jìn)行檢測(cè)，在哥倫比亞拼接圖庫(kù)上準(zhǔn)確率達(dá)到了95.7%。此外，在魯棒性測(cè)試中本文方法可以很好地抵抗噪聲、光照等因素干擾。但是，算法對(duì)于不同圖庫(kù)的魯棒性不高，其原因可能是在提取紋理特征時(shí)，為降低算法復(fù)雜度，僅對(duì)通過(guò)NSCT變換得到的低頻子帶圖像進(jìn)行差分處理，而放棄了本身攜帶紋理信息較少的高頻子帶圖像，從而帶來(lái)一定誤差，使得圖像內(nèi)容的影響不能被完全消除，進(jìn)而造成對(duì)于不同圖庫(kù)魯棒性不強(qiáng)的問(wèn)題。未來(lái)將在消除圖像內(nèi)容影響、提取拼接痕跡方面作更進(jìn)一步研究，從而提高算法準(zhǔn)確性和在不同圖庫(kù)中的魯棒性。

參考文獻(xiàn)：

[1] 張震，邊玉琨，康吉全，等. 一種新的拼接圖像檢測(cè)方法[J]. 計(jì)算機(jī)應(yīng)用研究，2009， 26 （3）：1127-1130.

[2] 陳園園，于在河. 數(shù)字圖像被動(dòng)取證技術(shù)綜述[J]. 吉林大學(xué)學(xué)報(bào)：信息科學(xué)版，2014，32（6）：689-698.

[3] 石澤男. 基于局部紋理特征的數(shù)字圖像拼接盲鑒別算法研究[D]. 長(zhǎng)春：吉林大學(xué)，2017.

[4]MUHAMMAD H，SAHAR Q，GEORGE B，et al. Evaluation of image forgery detection using multi-scale Weber local descriptors[J]. Artificial Intelligence Tools，2015，24（4）：416-417.

[5] VERMA M， RAMAN B. Local tri-directional patterns： a new texture feature descriptor for image retrieval[J]. Digital Signal Processing，2016，51：62-72.

[6] HASHMI M F，KESKAR A G. Image forgery authentication and classification using hybridization of HMM and SVM classifier[J]. International Journal of Security & Its Applications，2015，9（4）：125-140.

[7] 李燕，鐘磊，李健. 基于LBP和共生矩陣的圖像拼接篡改檢測(cè)[J]. 武漢大學(xué)學(xué)報(bào)：理學(xué)版， 2015， 61 （6）：517-524.

[8] JIN H，LIU Q，LU H，et al. Face detection using improved LBP under Bayesian framework[C]. IEEE First Symposium on Multi-Agent Security and Survivability，2004：306-309.

[9] TAN X，XU T，TAN X，et al. Enhanced local texture feature sets for face recognition under difficult lighting conditions[J]. IEEE Transactions on Image Processing，2010，19：1635-1650.

[10] JALA T，PETIKAINEN M，MAENPAA T. Multiresolution gray scale and rotation invariant texture classification with local binary patterns[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence，2002，24（7）：971-987.

[11] CHEN J，SHAN S G，HE C，et al. WLD：a robust local image descriptor[J]. IEEE TPAMI，2010，32（9）：1705-1719.

[12] JAIN A K. Fundamentals of digital signal processing[M]. New Jersy：Prentice-Hall，1986.

[13] 朱正禮，趙春霞，侯迎坤，等. 基于多特征的旋轉(zhuǎn)不變紋理圖像檢索[J]. 南京理工大學(xué)學(xué)報(bào)，2012，36（3）：375-380.

[14] 雷升鍇，劉紅陽(yáng)，何嘉，等. 動(dòng)態(tài)K-均值聚類算法在RBF神經(jīng)網(wǎng)絡(luò)中心選取中的應(yīng)用[J]. 信息系統(tǒng)工程，2011（6）：83-85.

[15] 王奇平，王禎璋. 基于徑向基神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷方法研究[J]. 電力與能源，2017，38（5）：546-548.

[16] COLUMBIA DVMM RESEARCH LAB. Columbia image splicing detection evaluation dataset[EB/OL].? http：//www.ee.columbia.edu/ln/dvmm/downloads/authsplcuncmp/.

[17] 王任華，霍宏濤，蔣敏. RANSAC算法在同圖復(fù)制鑒定中的應(yīng)用研究[J]. 計(jì)算機(jī)應(yīng)用研究，2014，31（7）： 2209-2211.

（責(zé)任編輯：何 麗）