缓解的影响常用数字信号处理操作,需要预处理,如图 1。所有输入图像首先被转化为一个标准 N × N 通过双线性插值图像。调整的目的是抵御可能的调整操作,并确保这些图片有大小不同的固定散列的长度。然后,高斯低通滤波应用于标准的图像(图 1 (b)),它可以减少小修改的影响,如噪声污染或过滤。CIE LAB颜色空间比其他颜色感知统一的空间和L组件匹配人类感知的轻盈。RGB彩色图像是首先转换成相应的XYZ颜色空间,然后XYZ颜色空间转换成相应的实验室颜色空间由以下( 24, 25]: (1) X Y Z = 0.4125 0.3576 0.1804 0.2127 0.7152 0.0722 0.0193 0.1192 0.9502 R G B , (2) l = 116年 f Y Y w - - - - - - 16 , (3) 一个 = 500年 f X X w - - - - - - f Y Y w , (4) B = 200年 f Y Y w - - - - - - f Z Z w , R, G, B是红色,绿色和蓝色的组件的一个像素,X, Y, Z是CIE XYZ三色值( 1),L, A, B (( 2),( 4)和( 3))颜色明度、色度和坐标,分别。Xw = 0.950456, Yw = 1.0和Zw = 1.088754的CIE XYZ三色值是引用白色点,和f (t)计算由以下规则: (5) f t = t 1 / 3 , t > 0.008856 7.787 t + 16 116年 , O t h e r w 我 年代 e , 然后L组件(图拍摄的图像表示 1 (c))。整数小波变换(IntWT)是一个近似的原始图像和更强大的信号处理攻击。因此,我们最终应用一级IntWT L组件,低频子带(LL)作为语义知觉形象(图 1 (d)),多种类型的特征是散列生成的提取。

假设有 n 在给定的一系列图像,表示为 χ = { x 我 } , 我 = 1、2 , … , n ,在那里 x 我 ∈ R D 代表特征向量。对于每一个图像,我们提取他们的 V 类型的特性。多视图的任务知觉形象哈希是学习哈希函数,同时利用特征矩阵 X ( 1 ) , X ( 2 ) , … , X ( V ) , X ( v ) = ( x 1 ( v ) , x 2 ( v ) , … , x n ( v ) ] 对应于 v - - - - - - t h 类型的特征矩阵。让 X = { X 1 : X 2 : ⋯ : X n } 表示矩阵相结合的多视图功能, X ∈ R D × n , D = ∑ v = 1 V d v , d v 的尺寸是 v - - - - - - t h 类型的特性。我们的算法的目标是学习地图的哈希函数 X ∈ R D × n 一个紧凑的表示 B K × n 在一个低维汉明空间 K 是数字的长度。

在一组 χ ,有 l 标签的图片, l ≪ n 至少有一个相关联的两个分类 米 和 C 。具体地说,一副 ( x 我 , x j ) ∈ 米 来标示时感知相似的一对吗 ( x 我 , x j ) 下的图像content-preserved un-malicious扭曲和攻击。 ( x 我 , x j ) ∈ C 来标示时感知不同的对两个样本是原始图像和一个遭受恶意操纵或感知对象插入和删除等重大袭击。让我们表示形成的特征矩阵对应的 l 列 X 作为 X l ∈ R D × l 。注意特征矩阵是zero-centered规范化。

我们定义每个图像的知觉信心测量的例子。矩阵 年代 ∈ R l × l 将成对的标签信息 X l , 年代 我 j 成对关系吗 ( x 我 , x j ) ,它被定义为 (6) 年代 我 j = 1 x 我 , x j ∈ 米 - - - - - - 1 x 我 , x j ∈ C 0 o t h e r w 我 年代 e 。

假设我们想要学习 K 导致的哈希函数 K 数字表示 B 的 X 。为每一个数字 k = 1、2 , … , K 哈希函数被定义为 (7) h k x 我 = w k T x 我 , 在哪里 w k ∈ R D 是系数向量。让 W = ( w 1 , w 2 , … , w k ] ∈ R D × K 和表示 B 的特征矩阵 X 对于图像集 χ 是 (8) B = W T X 。 我们的目标是学习 W ,同时最大化标记图像上的实验精度和方差的哈希位对所有图像。标签上的经验准确定义为图像 (9) J 1 W = ∑ k ∑ x 我 , x j ∈ 米 年代 我 j h k x 我 h k x j + ∑ x 我 , x j ∈ C 年代 我 j h k x 我 h k x j 。 实验精度的目标函数可以表示为 (10) J 1 W = 1 2 t r W T X l 年代 W T X l T 。 然后,实验精度 J 1 ( W ) 提出了为 (11) J 1 W = 1 2 t r W T X l 年代 X l T W 。 此外,为了最大化每一位所提供的资料,哈希位对所有数据的方差 X 也是衡量和作为一个正规化条件: (12) R W = ∑ k var ⁡ h k X = ∑ k var ⁡ w k T X 。 上面的函数对最大化 W 由于其nondifferentiability仍然困难。作为一个哈希函数的最大方差的下界的比例方差投影数据,理论正规化的信息表示为 (13) J 2 W = 1 2 t r W T X W T X T 。

最后,整个semi-supervised目标函数结合放松实证健身术语( 11)和正则化项( 13)。我们得到以下优化问题( 26]: (14) 米 一个 x W J W 酸处理 W W T = 我 , 与 (15) J W = J 1 W + η J 2 W = 1 2 t r W T 米 W , 在哪里 米 = X l 年代 X l T + η X X T , η 是一个权衡参数和约束 W W T = 我 使投影方向正交的。学习最优预测 W 可以解决矩阵特征值分解吗 米 。

伪造图像通常是由结合几个图片,包括对象的添加、删除、替换等,是人类知觉高度相关。换句话说,这些对象的修改通常影响知觉特点相应的形象。在这篇文章中,我们称之为信任和测试之间的变异显著地图上形象知觉损害的特点,认为这是一个提示。因此,在我们的方法中,我们探索图像的计算散列通过考虑知觉凸起的效果而不是哈希获得直接从总图像。根据( 27),我们采取结构化矩阵分解(SMD)模型,将(凸)前景/背景分离煤和structured-sparse矩阵分解问题,来计算给定图像的显著图。

给定一个输入图像的特征矩阵,它可以分解为低秩矩阵 l 对应于非突的背景和一个稀疏矩阵 V 对应的前景对象。可以制定结构化矩阵分解模型 (16) 最小值 l , V ⁡ Ψ l + α Ω V + β Θ , l , V , 在哪里 Ψ ( l ) 是一个低秩约束允许识别内在特征子空间的冗余背景补丁, Ω ( V ) structured-sparsity正规化, Θ ( l , V ) 拉普拉斯算子的正规化, α 和 β 是积极的权衡参数。

篡改检测,法医哈希计算从一个值得信赖的形象和编码后发送到目的地。将原始图像划分为重叠和伪随机选择的矩形区域 R r , r = 1、2 , … , N u 米 。对于每个区域,我们提取 V 类型的特征矩阵 X 一个 并获得相应的哈希代码 B 一个 。同样,相同的程序用来测试图像计算哈希代码 B t 对特征矩阵 X t 。 (17) B 一个 = W T X 一个 , B t = W T X t , 考虑到知觉特点,两个哈希代码的度量距离计算 (18) D 我 年代 t r = 1 + 一个 b 年代 λ r 一个 - - - - - - λ r t B 一个 - - - - - - B t 2 B 一个 B t , 在哪里 N u 米 是随机选择的地区和的数量吗 λ r 一个 和 λ r t 是显著的重量为每个地区的原始和干扰图像。我们终于找到导致的距离差值和最高 D 我 年代 t 获得的 (19) D 我 年代 t = 参数 ⁡ 马克斯 r = 1、2 , … , 全国矿工工会 ⁡ D 我 年代 t r 。

篡改检测,法医哈希计算从一个值得信赖的形象和编码后发送到目的地。最后,阈值 τ 定义判断测试图像吗 我 是一个类似的图像或干扰图像。 (20) 我 = 我 年代 p r 我 年代 t 我 n e D 我 年代 t ≤ τ 我 年代 f 一个 k e D 我 年代 t > τ 。 篡改检测的阈值参数度量距离我们的方法是设置为0.16。这里,我们试验检测结果的概率分布不同阈值对我们新创建的数据库,最后根据经验值确定它。

评估影响的知觉特点篡改检测结果,图 3显示了一些示例篡改检测的距离度量。在这里,我们提取图像显著图之后,随机选择10个区域( N u 米 = 10 )和大小 64年 × 64年 。准确性是基于小的尺寸和大的数字。然而,它也会导致更高的哈希代码的长度,这将减少内存效率。我们组最后一个参数值的精度和效率之间的权衡。对于每个区域,我们调整成 256年 × 256年 和计算哈希代码使用( 12)。如图 3,原始图像的修改(列(a)和(c))有效地映射到凸起的地图(列(b)和(d))。例如,地区六个语义内容( R 6 修改)的图像通过添加一个红色的花,导致更高的感知差异 R 6 两个图像。所示( 13),我们这样的差异和把它标记为体重最终哈希计算距离。同样,对于对象删除和修改,地区 R 10 和 R 3 也反映出这样的损害。图 4说明了不同地区的哈希距离知觉显著图对应于三个图像 3。图像散列我们的知觉特点设计充分考虑和提高本地特性的影响。图 5显示了篡改检测真实身份验证功能的概率在新创建的数据库有/没有知觉显著不同的阈值设置。

我们比较方法和下面的基线。小波图像散列( 1开发一个基于图像数据的图像散列向量提取各个部分波段图像的小波分解。SVD-based图像散列( 8)使用光谱矩阵奇异值分解所展现的不变量。RPIVD-based图像散列( 11)包含环分区和不变的向量距离为提高旋转图像散列算法的鲁棒性和区别的能力。Quaternion-based图像散列( 5构造四元数的图像,颜色和结构特点,将两者有机结合的优势来实现哈希代四元数傅里叶变换的图像特征。我们报告的篡改检测结果将我们的重点。表 1显示的真实身份验证功能的概率方法相比,提出的方法在 1, 5, 8, 11]。请注意,在我们的方法是设置为区域大小 64年 × 64年 。我们使用真实身份验证功能,全面评估的概率性能。对于类似的图像,它记录的比率类似的图像判断类似图片的总数相似的图片,标明该算法的鲁棒性。对于干扰的图像,他们记录了破坏图像的比例判断图像的总数做手脚图片,标明该算法歧视。我们进行了许多次的实验和计算相应的结果在不同的攻击。5所示,真正的验证能力的概率不同content-preserving攻击三个数据库。请注意,值越大表示更好的性能指标。在一个大图片,我们的方法优于所有的基线。篡改检测,包括删除、插入、替换的对象,修改颜色,和背景替换,我们的方法优于其他方法,尤其是在各种攻击。应该注意的是,对所有实验,我们散列的长度 K 64位,与其他方法相比是相对短。

提出图像散列算法的复杂性,将这里讨论包括semi-supervised学习,凸起地图生成和篡改检测。semi-supervised学习,它实际上是最耗费时间的一步在我们的方法,因为大部分的时间都花在学习 W 。我们样品的一个子集(例如,包含培训项目 l 项目)。成对相似性保持认为相似的双项子集。时间复杂度是 O ( l 2 K + l 2 d ) 。 K 散列码的数量和吗 d 是图像的尺寸特性。重要的是要注意,semi-supervised离线学习过程是一个过程,和生产的最优预测W然后固定方法的整个过程。实际上,培训过程已经完成了一个可行的MATLAB代码在普通个人电脑。这个过程可以被任何用户预处理在个人电脑上常见的配置。至于我们的方案,计算复杂度主要取决于显著图和散列计算距离。卓越地图生成的复杂性取决于凸检测算法。当前快速模型约0.017秒/形象。篡改检测,我们的算法是有效地产生一个命令序列的原始和篡改图像之间的距离增加。时间复杂度的成本 O ( N u 米 日志 ⁡ N u 米 ) 。

目前取证程序,陈等人。 15和钱等。 16)提出一个中值滤波检测和基于卷积神经网络(cnn)隐写式密码解密。同样,巴亚尔et al。 17使用深度学习]提出图像处理检测。所有这些方法专注于图像处理,内容保留攻击。至于散列程序,哈希代码健壮的广泛的内容保留攻击但敏感的恶意操作。邦迪et al。 18)和Yarlagadda et al。 19]提出篡改检测和定位算法。然而,这些算法并不是基于散列操作。基于图像的散列算法,图像的语义内容反映在一个紧凑的签名。此外,视频伪造检测( 20.)和相机模型识别与cnn ( 21, 22提出了]。总之,目前的算法大多集中在图像内容保持操作或不是基于散列表示。同时我们提出的方法有效地利用监督信息和多个特性到学习和执行散列篡改检测通过考虑不同地区之间的感知显著效应。与基于深度学习的图像取证方法的比较如表所示 2。

从我们MV-SHPS算法的描述和实验结果,我们得出结论,有三个方面,重要的是会影响感知哈希算法。

(1)学习基于图像散列:在我们的方法中,我们有效地利用监督信息到散列学习。实验结果表明,数据依赖的方法学习可能会导致高质量的散列。这个过程是训练有素的最佳健康数据分布和特定的目标函数,产生更好的散列码保存当地的相似性。因此,如何有效地学习基于图像数据的哈希代码第一次重视在未来研究的主题。

(2)基于多视图的图像散列嵌入:大部分的方法用单一特征来描述图像内容。因为大多数特性只健壮的一个或多个类型的攻击,它可能不是可行的提取一个绝对强大的功能,能满足用户的需求。因此,如何有效地把不同图像的特征以提高整体性能的第二个话题重视研究目前的研究更少。

(3)基于卓越的图像散列检测:目前的哈希方法通常获取散列被平等地对待每一个局部区域检测结果。而不是学习度量距离全球形象,我们探索当地的哈希距离通过考虑不同地区之间的感知显著效应。因此,如何有效地设计基于感知的图像散列方法特点是第三主题非常重要的感知哈希算法篡改检测。