一種基于頻域波動特征的中值濾波檢測方法
【專利摘要】一種基于頻域波動特征的中值濾波檢測方法：對獲取到的原圖像進行離散傅里葉變換處理，得到原圖像的頻域圖像；將頻域圖像進行處理，得到能夠反映原圖像的頻域波動特征的描述點，并將處理后得到的圖像劃分為N個環(huán)形區(qū)域，然后分別統(tǒng)計每個環(huán)形區(qū)域的描述點總個數，即為構建的N維檢測特征；將提取的N維檢測特征輸入支持向量機進行訓練，得到支持向量機中值濾波檢測器，然后通過支持向量機中值濾波檢測器檢測原圖像是否經歷了中值濾波。本發(fā)明更加直觀反映經過中值濾波處理的圖像和原始圖像的差異，能夠在保持較低特征維度和算法過程簡單的前提下準確地檢測出圖像是否經過了中值濾波操作，實現(xiàn)高的檢測準確率，具有魯棒性。
【專利說明】
一種基于頻域波動特征的中值濾波檢測方法
技術領域
[0001] 本發(fā)明涉及一種中值濾波檢測方法。特別是涉及一種基于頻域波動特征的中值濾 波檢測方法。
【背景技術】
[0002] 數字多媒體信息已成為當今媒體信息制作、處理、傳輸、存儲的主流，數字圖像也 因其便于處理和編輯的特點而被廣泛應用于娛樂、司法、商務、軍事和科學等各個領域。隨 著數碼相機、手機和平板電腦等終端的普及，人們可以隨時隨地獲取各類數字圖片。然而， 新技術的出現(xiàn)，在給人們帶來便利的同時，其負面效應也逐漸顯現(xiàn)。由于數字信息的易獲取 和易處理性，一些圖像處理技術被用于惡意篡改、偽造圖像，破壞了原始圖像的真實性和完 整性，由此引發(fā)的一系列惡性事件也在社會上引起了很大反響。
[0003] 為了確保數字信息的真實性和完整性，數字圖像被動取證技術應運而生。有別于 以數字簽名和數字水印為代表的主動取證技術，被動取證技術是僅根據獲取的數字圖像， 尋找是否存在篡改后可能留下的各種痕跡，從而區(qū)分出自然圖像與被篡改圖像。由于中值 濾波能夠在一定程度上掩蓋篡改操作留下的痕跡，故常被用做篡改后的反取證處理。所以 檢測圖像是否經歷了中值濾波，也能為圖像取證提供新的證據。
[0004] 現(xiàn)存的中值濾波檢測算法大都是基于空域特征提出的。Fridrich等人基于圖像一 階差分域的聯(lián)合分布，提出了一種能夠抗JPEG壓縮的686維SPAM特征。然而隨著圖像尺寸變 小，其性能也大大降低。Yuan等人開發(fā)出了一種基于圖像直方圖統(tǒng)計特性的44維MFF特征， 能夠減小JPEG壓縮和圖像尺寸降低帶來的影響.Kang等人提出中值濾波殘差(MFR)概念，并 通過10階自回歸模型系數(AR)或者卷積神經網絡(CNNs)構建特征進行分類。
[0005] 上述算法均能有效地檢測中值濾波圖像，但是SPAM特征維數太大，計算耗時;MFF 特征雖然維數較低，但是構建特征的統(tǒng)計過程繁瑣，同樣耗時;通過MFR特征分類所使用的 自回歸模型和卷積神經網絡構建過程也較復雜。因此提出一種簡潔有效的中值濾波檢測算 法是非常有必要的。

【發(fā)明內容】

[0006] 本發(fā)明所要解決的技術問題是，提供一種能夠在低JPEG壓縮因子和小尺寸圖像情 況下保持較高檢測準確率的基于頻域波動特征的中值濾波檢測方法。
[0007] 本發(fā)明所采用的技術方案是：一種基于頻域波動特征的中值濾波檢測方法，包括 如下步驟：
[0008] 1)對獲取到的原圖像進行離散傅里葉變換處理，得到原圖像的頻域圖像；
[0009] 2)將頻域圖像進行處理，得到能夠反映原圖像的頻域波動特征的描述點，并將處 理后得到的圖像劃分為N個環(huán)形區(qū)域，然后分別統(tǒng)計每個環(huán)形區(qū)域的描述點總個數，即為構 建的N維檢測特征；
[0010] 3)將提取的N維檢測特征輸入支持向量機進行訓練，得到支持向量機中值濾波檢 測器，然后通過支持向量機中值濾波檢測器檢測原圖像是否經歷了中值濾波。
[0011]步驟1)所述的處理包括：
[0012]對經離散傅里葉變換后得到的與原圖像同樣尺寸的矩陣中的所有復數值z進行取 模處理，得到對應的正實數值X，公式如下：
[0014] 其中，z = a+b · i，這里a表示實部，b表示虛部，i是虛數單位。
[0015] 步驟2)包括：
[0016] 先將步驟1)經離散傅里葉變換得到的正實數值進行以10為底數的log變換，得到 對應的1 〇 g尺度下的頻域圖像，并將低頻區(qū)域轉換到圖像中心，接下來以1 〇 g尺度下的頻域 圖像的中心區(qū)域像素值的平均值作為當前的閾值，將log尺度下的頻域圖像中小于閾值的 像素值置為1，反之置為〇,其中值為1的點即為描述點，然后將log尺度下的頻域圖像以圖像 中心為圓心劃分成不同直徑的同心圓，形成N個環(huán)形區(qū)域，最后分別統(tǒng)計每個環(huán)形區(qū)域的描 述點總個數，即為構建的N維檢測特征，具體公式如下：
[0019]其中AAP^示提取到的第η維檢測特征，表示第η個環(huán)形區(qū)域中的總數為心的頻 率點，F(xiàn)(.)是一個判決函數，定義如下：
[0021]其中T是一個基于當前輸入尺寸為LXH的log尺度下的頻域圖像中心尺寸為L/4X H/4的區(qū)域w中的各個頻點yi，j平均值的自適應閾值，公式如下：
[0023]最后形成總維數為N的檢測特征
[0024] AAP=(AAPi,AAP2, . . . ,AAPn)〇
[0025] 步驟3)所述的訓練和檢測包括：
[0026] 將獲取到的原圖像分為訓練集和測試集，并提取訓練集圖像的AAP檢測特征，然后 輸入采用C-SVM分類器的支持向量機，支持向量機的內核為高斯函數：
[0027] K(xi,yj) = exp(-y | | xi-yj | |2), γ >0
[0028] 然后通過四層交叉驗證在參數網格J)ijeZ}中，搜索得到最優(yōu)參 數C和γ的值。最后通過訓練得到的SVM中值濾波檢測器來檢測圖像是否經歷了中值濾波。
[0029] 本發(fā)明的一種基于頻域波動特征的中值濾波檢測方法，利用圖像頻域波動特征， 更加直觀反映經過中值濾波處理的圖像和原始圖像的差異，能夠在保持較低特征維度和算 法過程簡單的前提下準確地檢測出圖像是否經過了中值濾波操作，實現(xiàn)高的檢測準確率， 具有魯棒性，并且對小尺寸圖像和經過JPEG處理的圖像仍然保持優(yōu)秀的檢測準確率，同時 當待測圖像尺寸下降時也能保持良好的檢測性能。
【附圖說明】
[0030] 圖1是本發(fā)明的基于頻域波動特征的中值濾波檢測方法的整體流程圖；
[0031] 圖2a是本發(fā)明中對原圖像Lena處理得到的描述點分布圖；
[0032] 圖2b是本發(fā)明中對原圖像Lena中值濾波后的圖像處理得到的描述點分布圖；
[0033]圖3a是3X3中值濾波后的圖像與原圖像的分類結果；
[0034]圖3b是3X3中值濾波后的圖像與5X5均值濾波后的圖像的分類結果；
[0035] 圖3c是3 X 3中值濾波后的圖像與delta值為0.5的5 X 5高斯濾波后的圖像的分類 結果；
[0036] 圖3d是5X5中值濾波后的圖像與原圖像的分類結果；
[0037] 圖3e是5X5中值濾波后的圖像與5X5均值濾波后的圖像的分類結果；
[0038] 圖3f是5 X 5中值濾波后的圖像與delta值為0.5的5 X 5高斯濾波后的圖像的分類 結果；
[0039]圖3g是3 X 3和5 X 5中值濾波后的混合圖像集與原圖像，5 X 5均值濾波和delta值 為0.5的5 X 5高斯濾波后的混合圖像集的分類結果。
【具體實施方式】
[0040] 下面結合實施例和附圖對本發(fā)明的一種基于頻域波動特征的中值濾波檢測方法 做出詳細說明。
[0041] 本發(fā)明的一種基于頻域波動特征的中值濾波檢測方法，如圖1所示，包括如下步 驟：
[0042] 1)對獲取到的原圖像進行離散傅里葉變換(DFT)處理，得到原圖像的頻域圖像;所 述的處理包括：
[0043]對經離散傅里葉變換后得到的與原圖像同樣尺寸的矩陣中的所有復數值z進行取 模處理，得到對應的正實數值X，公式如下：
[0045] 其中，z = a+b · i，這里a表示實部，b表示虛部，i是虛數單位。
[0046] 2)將頻域圖像進行處理，得到能夠反映原圖像的頻域波動特征的描述點，并將處 理后得到的圖像劃分為N個環(huán)形區(qū)域，然后分別統(tǒng)計每個環(huán)形區(qū)域的描述點總個數，即為構 建的N維檢測特征;具體包括：
[0047] 先將步驟1)經離散傅里葉變換得到的正實數值進行以10為底數的log變換，得到 對應的1 〇 g尺度下的頻域圖像，并將低頻區(qū)域轉換到圖像中心，接下來以1 〇 g尺度下的頻域 圖像的中心區(qū)域像素值的平均值作為當前的閾值，將log尺度下的頻域圖像中小于閾值的 像素值置為1，反之置為〇,其中值為1的點即為描述點，如圖2a、圖2b所示，然后將log尺度下 的頻域圖像以圖像中心為圓心劃分成不同直徑的同心圓，形成N個環(huán)形區(qū)域，最后分別統(tǒng)計 每個環(huán)形區(qū)域的描述點總個數，即為構建的N維檢測特征，并且可以根據需要調整N的大小， 具體公式如下：
[0050]其中AAP^示提取到的第η維檢測特征，，1表示第η個環(huán)形區(qū)域中的總數為心的頻 率點，F(xiàn)(.)是一個判決函數，定義如下：
[0052]其中T是一個基于當前輸入尺寸為LXH的log尺度下的頻域圖像中心尺寸為L/4X H/4的區(qū)域w中的各個頻點yi, j平均值的自適應閾值，公式如下：
[0054]最后形成總維數為N的檢測特征
[0055] AAP=(AAPi,AAP2, . . . ,AAPn)〇
[0056] 3)將提取的N維檢測特征輸入支持向量機進行訓練，得到支持向量機中值濾波檢 測器，然后通過支持向量機中值濾波檢測器檢測原圖像是否經歷了中值濾波;具體訓練，檢 測和實驗過程包括：
[0057] 將獲取到的原圖像分為訓練集和測試集，并提取訓練集圖像的AAP檢測特征，然后 輸入采用C-SVM分類器的支持向量機，支持向量機的內核為高斯函數：
[0058] K(xi,yj) = exp(-y | | Xi-yj | |2), γ >0
[0059] 然后通過四層交叉驗證在參數網格(C，y 中，搜索得到最優(yōu)參 數C和γ的值。最后提取測試集圖像的AAP檢測特征，輸入到訓練好的支持向量機中值濾波 檢測器中，完成分類識別。
[0060] 分類性能通過R0C曲線及其線下面積(AUC)來衡量，并且引入最小平均誤差Pe的概
這里的pFP和pFN分別表示虛警概率和漏檢概率。
[0061 ] 實驗過程：
[0062]為了節(jié)省存儲空間，提高傳輸效率，當下很多圖像在篡改過后經常以JPEG格式保 存，這也就要求中值濾波檢測方法能夠對JPEG后壓縮保持魯棒性。本組實驗將本發(fā)明方法 性能與兩種現(xiàn)有技術方法MFF以及SPAM(T = 3)進行對比，本實驗中的檢測特征維度N取默認 值20。
[0063]實驗以對從UCID圖像數據庫獲取到的原圖像處理為例：
[0064] (1)對來自UCID圖像數據庫的每張原圖像中心尺寸為64X64區(qū)域中的像素裁剪形 成測試數據庫B?1。
[0065] (2)對測試數據庫B?1分別實施5 X 5均值濾波，3 X 3和5 X 5的中值濾波和delta值 為0.5的5 X 5高斯低通濾波操作，依次得到數據集ΒΑνΕ 和BeAU;
[0066] (3)來自于B1?1，BAVE，BMF3，B MF5和BGAU這五個數據集的圖像經過DFT處理得到對應的 頻域圖像；
[0067] 其中正例數據集為BMF3和BMF5，負例數據集為BQRI，B av4PBgau，即
[0068] 正例：{BMF3，BMF5}
[0069] 負例：{B0RI，BAVE，BGAU};
[0070] (4)將上述處理得到的結果作為后續(xù)的輸入，形成六個不同的訓練測試對，分別是 BMF3vsB〇RI，BMF3vsBA VE，BMF3vsBGAU，BMF 5vsB〇RI，BMF5vsB機和BMF 5vsBGAU ;
[0071] 每一個訓練測試對都由正例集合中的一個數據集和負例集合中的一個數據集組 成，其中訓練數據占50%，測試數據則為剩余的50%，并且訓練集和測試集都含有隨機數量 的正例和負例。
[0072]除此之外，再從數據集BMF3和BMF5中各隨機抽取總數量的50%作為新的數據集B mf， 從數據集，LbAv^PB?中各隨機抽取三分之一作為新的數據集Bnmf，由此產生一個新的訓 練測試對B MFvsBNMF，于是形成了七個訓練測試對。每個訓練測試對在進行分類識別之前都會 進行質量因子(QF)為70的JPEG壓縮操作。實驗結果如圖3a至圖3g所示，根據R0C曲線及其線 下面積可以看出，本發(fā)明方法在各種測試對情況下幾乎全部優(yōu)于其他兩種現(xiàn)有技術方法。 并且本發(fā)明方法的最小平均誤差P e也低于其他兩種現(xiàn)有技術方法。這驗證了本發(fā)明方法的 抗JPEG壓縮性能優(yōu)秀。
[0073]以上所述，僅為本發(fā)明的【具體實施方式】，但本發(fā)明的保護范圍并不局限于此，任何 熟悉本技術領域的技術人員在本發(fā)明設計的技術范圍內，可以做出很多變形或替換，這些 都應該涵蓋在本發(fā)明的保護范圍之內。
【主權項】
1. 一種基于頻域波動特征的中值濾波檢測方法，其特征在于，包括如下步驟： 1) 對獲取到的原圖像進行離散傅里葉變換處理，得到原圖像的頻域圖像； 2) 將頻域圖像進行處理，得到能夠反映原圖像的頻域波動特征的描述點，并將處理后 得到的圖像劃分為N個環(huán)形區(qū)域，然后分別統(tǒng)計每個環(huán)形區(qū)域的描述點總個數，即為構建的 N維檢測特征； 3) 將提取的N維檢測特征輸入支持向量機進行訓練，得到支持向量機中值濾波檢測器， 然后通過支持向量機中值濾波檢測器檢測原圖像是否經歷了中值濾波。2. 根據權利要求1所述的一種基于頻域波動特征的中值濾波檢測方法，其特征在于，步 驟1)所述的處理包括： 對經離散傅里葉變換后得到的與原圖像同樣尺寸的矩陣中的所有復數值z進行取模處 理，得到對應的正實數值X，公式如下：其中，z = a+b · i，這里a表示實部，b表示虛部，i是虛數單位。3. 根據權利要求1所述的一種基于頻域波動特征的中值濾波檢測方法，其特征在于，步 驟2)包括： 先將步驟1)經離散傅里葉變換得到的正實數值進行以10為底數的log變換，得到對應 的log尺度下的頻域圖像，并將低頻區(qū)域轉換到圖像中心，接下來以log尺度下的頻域圖像 的中心區(qū)域像素值的平均值作為當前的閾值，將log尺度下的頻域圖像中小于閾值的像素 值置為1，反之置為〇,其中值為1的點即為描述點，然后將log尺度下的頻域圖像以圖像中心 為圓心劃分成不同直徑的同心圓，形成N個環(huán)形區(qū)域，最后分別統(tǒng)計每個環(huán)形區(qū)域的描述點 總個數，即為構建的N維檢測特征，具體公式如下：其中六4?"表示提取到的第η維檢測特征，#表示第η個環(huán)形區(qū)域中的總數為心的頻率點， F(.)是一個判決函數，定義如τ其中T是一個基于當前輸入尺寸為LX Η的log尺度下的頻域圖像中心尺寸為L/4XH/4 的區(qū)域w中的各個頻點yi, j平均值的自適應閾值，公式如下：最后形成總維數為N的檢測特征 ΑΑΡ= (ΑΑΡι, AAP2,. . . , ΑΑΡη) 〇4. 根據權利要求1所述的一種基于頻域波動特征的中值濾波檢測方法，其特征在于，步 驟3)所述的訓練和檢測包括： 將獲取到的原圖像分為訓練集和測試集，并提取訓練集圖像的AAP檢測特征，然后輸入 采用C-SVM分類器的支持向量機，支持向量機的內核為高斯函數： K(xi,yj) = exp(-y | |xi-yj| |2), γ>0 然后通過四層交叉驗證在參數網格(C，γ ) e {(2^24 I i，jez}中，搜索得到最優(yōu)參數C 和γ的值。最后通過訓練得到的SVM中值濾波檢測器來檢測圖像是否經歷了中值濾波。
【文檔編號】G06K9/62GK105868778SQ201610181273
【公開日】2016年8月17日
【申請日】2016年3月28日
【發(fā)明人】劉安安, 趙正宇, 蘇育挺
【申請人】天津大學