文摘

为了解决计算复杂度高的问题,基于块的方法copy-move伪造检测,我们将图像分为纹理部分和光滑的部分分别处理。要点在纹理区域提取和匹配。而不是使用所有重叠块中,我们使用在光滑区域不重叠的块作为候选人。聚类模块具有相似颜色到一组可以被视为一个预处理操作。为了避免由于错位失配,我们更新候选人块之前登记投射成散列空间。通过这种方式,我们可以减少计算复杂度和提高同时匹配的准确性。实验结果表明,该方法实现更好的性能通过与最先进的copy-move伪造检测算法和展品的鲁棒性对JPEG压缩、旋转和缩放。

1。介绍

随着计算机技术的发展,越来越多的图像编辑工具,如Photoshop和焰火。因此,它变得更容易让人甚至非专业人士对数字图像进行一些操作。然而,它也带来了方便人们恶意篡改。一旦这些干扰图像应用于法院取证,报纸,或者学术研究,将引起社会信誉危机。因此,图像伪造检测就成为必要。有许多类型的篡改操作和copy-move是其中最常见的操作之一。copy-move伪造是复制粘贴一个区域到另一个地方同样的形象。

在过去的几年里,提出了大量的方法来检测copy-move伪造,主要集中在两类。一个是基于块特征,另一种是基于关键点特征。基于块的方法通常是先把图像划分成重叠块,然后提取每个块的特性,最后找到匹配后的重复区域。Fridrich et al。1)首次提出copy-move伪造检测(CMFD)方法利用离散余弦变换(DCT)系数,并应用字典排序匹配的过程。然而,这种算法的计算复杂度非常高。因此,许多维度约简算法已经提出。Popescu和法(2)降低特征维度通过主成分分析(PCA)。巴沙尔et al。3)性能进一步提高了Kernel-PCA (KPCA)。李等人。4)结合离散小波变换(DWT)和奇异值分解(圣)提取块特性。康和魏5)提取reduced-rank近似的奇异值(计算)作为块特性。Bayram et al。6]计算Fourier-Mellin变换(FMT)对于每个块,这在旋转和缩放方法的鲁棒性高。Mahdian和上汽(7)提出了一种基于模糊不变矩方法(模糊)。王等人。8)应用胡锦涛时刻(胡)每一块提取特征。Ryu et al。9,10)使用泽尼克时刻(泽尼克)块功能,只健壮的旋转。罗等。11)的平均使用红色、绿色和蓝色的组件,分别计算每个块的方向信息。王等人。12)使用的平均强度不同半径与圆绕着街区中心获得的特性。林等。13)有一个能量特征向量通过计算每一块的灰色的平均强度和它的子群。Bravo-Solorio和南帝14提取熵作为块特性。虽然基于块的方法可以准确定位被篡改区域像素水平,性能可能会降低很多可疑图像受到一些操作,如噪声、JPEG压缩和扩展。此外,这些算法很难估计准确的几何变换。此外,计算复杂度非常高在匹配过程中由于大量的重叠块,计算时间会迅速增加图像尺寸变大。

keypoint-based方法依赖于图像提取要点。黄等。15)提出了一个算法基于尺度不变特征变换(筛选),这是健壮和敏感postimage处理。Amerini et al。16通过g2NN]匹配筛选描述符,导致管理多个区域匹配成功。“骗健壮的特性(冲浪)17,18)是用于提高匹配效率,这个特性是筛选的一半的长度。筛选和冲浪是最广泛使用的CMFD要点。其他一些地方特色也提出了检测重复区域,如局部二值模式(LBP) (19),二进制健壮的不变的可伸缩的要点(快)20.),和黛西(21]。虽然这些算法的计算复杂度在匹配过程是低得多,他们也有一个主要的缺点:copy-move区域时的性能会很差是光滑的。

在基于块和keypoint-based方法克服缺点,一种新的匹配策略,提出了在数字图像检测copy-move伪造。我们将图像划分为不重叠的块;然后图像分割成光滑的部分和纹理部分根据要点的分布。在纹理部分,我们使用提取要点找到重复的区域,而在光滑的部分,为了降低计算复杂度,块相似的颜色聚集成一个群体,和搜索重复的块也会在同一组。因为我们使用不重叠的块,我们无法找到这两块内容相同,从而导致失配。所以我们需要更新候选块通过注册如果查询块和候选块部分内容一致的预测前散列空间。最后,激光冲徊化算法组更新的候选人分成几块散列桶。基于不重叠的策略可以显著减少计算复杂度,同时保持CMFD精度高的水平。剩下的纸是组织如下。节2在我们的方法,我们将展示框架。并给出了实验结果3,部分4得出的结论。

2。不重叠的基于块的CMFD方法

我们的方法的框架如图1由三个关键步骤:图像,特征匹配和后处理。在第一步中,一个图像分为两个部分:黄色部分是纹理区域,蓝色部分是光滑的区域。在第二步中,两种特性的两个部分中提取获得匹配的部分。在最后一步中,删除错误的配对;然后利用形态学操作来生成一个伪造检测地图。

2.1。图像分割

在本节中,我们将介绍图像分割。当我们得到一个可疑的形象,我们首先将图像分成不重叠的块;然后我们提取的要点。有许多种类的要点,我们在本文中使用筛选。为什么我们选择筛选关键点将部分中解释2。2。最后,我们计算关键点的数量在每一块。我们都知道,识别和选择要点依靠熵值的区域。因此,大多数要点只能存在于纹理区域。因此,我们选择一个阈值决定是否当前块是一个平滑块或一个纹理块。

2.2。特征匹配

根据文献[23),我们知道筛选功能和泽尼克时刻keypoint-based中推荐的优秀的性能和基于块的特性,分别。在我们的实现中,我们采用vlFeat软件来帮助我们发现和描述要点。参数设置后,摸清的分布和数量是固定的。筛选功能可以检测到伪造区域即使一些攻击,但无法检测平面面积。泽尼克时刻不变的旋转和有效的平面面积。因此,我们选择在我们的实现中筛选和泽尼克时刻作为检测特征纹理块和平滑块,分别。

2.2.1。特征匹配的纹理区域

图像划分后,我们获得的要点 与相应的描述符 。我们使用g2NN匹配在这一步中,因为这个方法可以解决多个区域匹配问题。候选人为每个关键点匹配通过计算发现所有其他之间的欧几里得距离 要点;然后我们得到向量 代表这些排序从最近的距离最远。比率 依次计算 。迭代停止价值当 和 。在每个关键点在通信距离被认为是一个匹配的关键点。

2.2.2。在光滑的地区特征匹配

因为只有一小部分可以在平滑区域中提取关键点,我们提出一种新的匹配策略。首先,聚集成一组块相似的颜色。其次,块被登记在一组更新。基于激光冲徊化是用于加速在最后找到正确的匹配。指出,经过第一轮的匹配我们需要做登记根据下一个块和执行相同的操作,直到所有遍历这组块。特征匹配的框架在光滑区域如图2。

我们假设源区域和相应的目标区域的图像共享相同的颜色分布。因此,当我们发现一双可疑区域,我们只需要搜索块中有类似的颜色。例如,如果应对的内容源地区海洋,其匹配区域必须存在于图像中的蓝色区域。此外,通过这种方式,我们可以减少计算复杂度。为了消除亮度的影响,我们将这些选择平滑块从RGB颜色空间转换为HSV颜色空间换新的了 。的和组件是均匀量化的水平, ; 。然后我们计算的平均值和在每一块获得和 ,在哪里 表示物体的左上角的坐标。我们使用 块的颜色特性;他们中的一些人将被分成一组如果他们的颜色特征非常相似,因为和量化到水平,分别和颜色组的总数 。最后,我们考虑所有的非空的颜色组;然后颜色组可以表示为 ,在哪里非空的颜色组的数量。

传统的基于块的方法通常使用重叠块提取特征,非常耗时,因此我们使用不重叠的块。如图3,复制源地区的绿线和粘贴目标区域是由蓝线标记。两个红色实线和是候选块匹配的下一个步骤。如果我们直接使用激光冲徊化算法来找到相似块,失配更有可能发生由于未对准。为了解决这个问题,在散列之前,我们需要调整剩下的块根据每一块颜色组内。

相关联是一种常见的图像配准方法(24]。给定一个块 ,转变 ,我们会得到 ,在那里 傅里叶变换满足 他们的交叉功率谱 如图4的傅里叶反变换(4)是一个二维脉冲函数,在达到顶峰 。我们做和两个候选人匹配块和在图3。我们首先计算傅里叶反变换的功率谱。如果峰值大于和其他职位的价值低于 ,我们认为两个街区满足注册条件。然后我们使用峰值的位置作为一个位移矢量变化来 。在图2特点,更新后的块红色虚线。相反,如果这两块不能满足报名条件,我们不会更新当前候选块。

我们这里使用泽尼克时刻作为块特性。泽尼克时刻的秩序和重复数字图像的 被定义为 在哪里 泽尼克多项式的秩序和重复 。 在哪里 , 甚至,是实值径向多项式。我们选择的顺序泽尼克时刻, 。因此,从所有的块都可以提取的泽尼克时刻分组如下: 我们做相对应的块特征向量集令人满意的

特征向量可以被看作是数据点分布在高维特征空间。数据点越近,相似度越高。激光冲徊化算法可以从原始数据空间项目数据点通过哈希函数,散列空间和哈希函数满足直观的概念,一个散列碰撞的概率两个点与点之间的相似性。

每一个特征向量可以将散列空间和散列值。我们选择一个哈希函数基于稳定的地理分布: 在哪里表示一个操作舍去小数,是量化的步骤,是一个随机实数位于 ,被设置为2,是一个随机向量, 。为了增加碰撞相似向量的精度,我们使用组的哈希函数 项目特征向量,每个组都有分别哈希函数 。突出每个特征向量与一群哈希函数可以获得一组散列值将被用作他们的桶数。因此,我们可以得到不同的哈希索引表相似向量的搜索。建立哈希表如图5。预测后的特征向量通过哈希函数的团体,我们得到的不同的桶数。所有这些桶取出的特征向量作为一组筛选成为可能。然后之间的相似性所有这些向量计算。值得注意的是,我们不使用第一批订单因为它代表的平均强度和它的价值远远高于其他人。在我们的实现中,L2-norm用于表示特征向量之间的相似度。因此,相似 如果 ,检测到两个街区是相似的。然后,我们校准块的其余部分根据另一块在这个颜色组,直到所有的块都遍历。

采取很多措施来降低算法的计算复杂度。我们把图像分为纹理部分和光滑的部分;因此我们需要分别计算他们的计算复杂度。在纹理部分,我们提取筛选功能和使用g2NN匹配策略,所以这部分的计算复杂度 ,在哪里是要点的数量,而在光滑的部分街区聚集成一组相似的颜色。自和量化到10的水平,颜色组的数量是100。在注册步骤,我们更新的所有其他块参照每次查询块。所以这部分的计算复杂度平均而言,滑块的数量。特别要注意的是,传统的基于块的方法使用重叠块找到重复的区域,和块的总数 ,在那里和分别是图像的宽度和高度,然后呢的长度是广场。很明显,它的计算复杂度 。因为我们使用不重叠的块, 最多, 在大多数情况下。因此,在最坏情况下的计算复杂性方法 。关键点的数量通常是不多,最常用的数据集,我们的方法比传统的基于块的方法可以更快。

2.3。后处理

最后一个步骤的目标是给我们更准确的匹配。在本文中,我们考虑三个步骤删除错误的配对,包括距离、相对位置和仿射变换。

邻近的要点或块可能misregarded匹配对,由于他们相似的特征。所以匹配对将被淘汰,如果它们之间的距离小于阈值 。

真正的匹配对往往分布密集,首先合并方法命名为广泛搜索邻居(BFSN)聚类25)是进行空间位置的匹配对帮助删除孤立的要点或块。在这个算法中,如果点之间的距离和点小于一个阈值,两个点被定义为邻居。为一个集群与元素,点可以合并成 ,而至少是你的邻居吗元素 。收音机的因素 ,范围从0到1,控制集群的大小和形状。首先,我们创建一个空类并将第一行坐标变换矩阵成 。其次,我们寻找的所有邻居以广度优先的顺序和确定当前向量可以被纳入这个班集群的条件。最后,我们删除向量已被纳入并把当前矩阵的第一行成 。重复上面的三个步骤,直到 。集群的内在元素小于3将被视为孤立的集群和其中的元素将被删除。

真正的配对满足相同的仿射变换,这意味着他们应该表现出类似的大量的翻译,缩放和旋转。这两个匹配块之间的关系和可以表示如下,在哪里是一个 矩阵: 我们假设如果两个匹配对相同的重复区域,山坡上的匹配行是一致的。BFSN集群执行匹配行斜坡上的匹配对划分为不同的簇。RANSAC算法(26)然后进行每组分别以消除错误的匹配。这种方法可以避免misdeleting管理multiduplicated匹配的情况。此外,测试图像的干扰,如果剩余比赛的数量超过一个阈值。

3所示。实验结果

在本节中,首次引入误差措施,和实验是进行网上三个数据库,提出的基准Christlein et al。23],CoMoFoD [27),和控制28]。第一个是由48个图像,包括 来 大小,有大约10%的整个形象破坏的地区。第二个200年由原始图像和相应的干扰图像的大小 。有7组干扰图像,一个是没有任何攻击,和其他制造通过添加各种攻击,包括JPEG压缩、模糊,噪声增加,减少和颜色。最后一个包含80张图片,这些图片有固定大小 像素;他们每个人只有一条重复的区域。实验的硬件环境是一个3.60 GHz Intel Core i7 - 4790处理器;软件使用MATLAB R2014b Windows 7。

3.1。错误的措施

我们经常评估的性能CMFD方法从两个层面,即图像和像素级水平。在图像水平,我们关心的是这幅图像是否被篡改,在像素级我们更加注意位置的准确性。使用精度和召回。图像的检测误差被定义为水平 在哪里是图片的数量,正确认定为伪造,代表的数量被错误地发现伪造的图像,和表示错误地错过了伪造的图像。检测错误在像素级别的定义是 在哪里CMFD是像素的数量检测的方法;是伪造所有像素的数量被地面真理。

我们也使用分数作为一个全面的措施。

3.2。检测结果在基准数据库

我们首先测试基准数据库的方法。几个例子测试用例图所示6。第一行的数字6显示了原始图像,第二行显示了干扰图像,第三行显示了地面实况地图,和最后一行显示了该方法的检测结果。在表1我们该算法与其他两个方法进行比较,结果表明,我们的方法可以达到90.91%的精度,回忆起83.33%,F₁分数,预先形成比筛选[16和分割22]。在第三列图6虽然被篡改区域是光滑的,我们仍然可以检测到它。

一个实际CMFD算法应该有一个相对较低的计算复杂度除了保持一定程度的准确性。为了测量方法的性能,我们在这个数据集比较不同算法的时间复杂度。平均执行时间见图7。应该注意的是,评估方法的实现平台是不同的。例如,泽尼克是速度,在c++中实现和分割并在MATLAB中实现该方法。由于高分辨率,所有方法要求更多的时间。该方法是最快的,除了筛选[16]。

3.3。检测结果在CoMoFoD数据库

下一个CoMoFoD数据库上进行实验。说明4例图所示8。从上到下每一行表示原始图像,干扰图像,地面真理,和该方法的检测结果。表2显示了检测的结果与其他方法进行比较。从这个表中,可以清楚地看到,该方法的结果比(16,22在理想的条件下)。

此外,我们进行实验来评估我们的方法对各种攻击的鲁棒性。这将使CMFD更加困难。伪造图像是通过复制生成的片段进行三种攻击,也就是说,JPEG压缩、旋转和缩放。(1)JPEG压缩:图像品质因数从20到100不等的步骤10。结果第一行图所示9。对于大多数的质量因素,精确,回忆,得分高于我们的方法的16,22]。比其他人红线的曲线斜率较小;这意味着我们的方法对JPEG压缩具有更好的鲁棒性。(2)旋转:我们旋转旋转角度不同的片段复制从2°到10°的步骤2°。第二行图所示的结果9。可以清楚地看到,我们的方法比(16,22]。(3)缩放:复制的片段是与规模因素比例从91%变化到109%与2%的步骤。如第三行图所示9,我们的方法优于16,22在精度和分数,回忆是几乎一样的16]。

3.4。检测结果控制数据库

我们还测试了该方法的性能控制数据库。检测结果表3。它可以观察到,所有评价指标的方法远远超过那些的16,22]。特别是,每个评价指标高出11%以上16]。这是因为数据库包含很多平滑图像,和我们的方法将图像的平滑区域划分为不重叠的街区找到正确的重复区域。

我们首先分类块分成几组根据他们的颜色分布。为了证明这个步骤可以提高算法的效率,一个基准参考与注册和激光冲徊化被认为是技术。从图10,我们能够看到,分组的好处是显而易见的,而计算复杂度却降低了94.67%。

此外,我们目前的一些实验来评估登记的影响。一些平滑图像从这个数据集为此挑出。结果报道在表4确认的注册步骤匹配的有效性。

4所示。结论

在本文中,我们提出一个新的CMFD方法,就是能解决计算复杂度高的问题,在传统的基于块的方法。首先,图像分为两种不同类型的地区。接下来,特征提取和匹配的纹理区域和平滑区域使用筛选和泽尼克时刻,分别。特别是,我们使用不重叠的块像候选人在平滑区域和通过相位相关算法在匹配之前注册。最后,确切的伪造区域删除后将生成错误配对和利用形态学操作。有三个主要贡献在我们提出的方法如下。(1)将图像划分为纹理区域和平滑区域的数量根据要点不仅可以避免在光滑区域使用筛选表现不佳也减少计算复杂度。(2)我们使用不重叠的块作为候选人在光滑区域而不是使用所有重叠块并应用基于颜色的特性来减少需要匹配块的数量。(3)为了防止由于未对准失配,我们之前做的登记使用激光冲徊化算法来获得更准确的候选人。

实验结果表明,该算法的性能比最先进的CMFD方法。此外,我们的方法可以管理多个复制区域。与此同时,JPEG压缩展品的鲁棒性,旋转和缩放。然而,当处理非常平滑块,如天空和墙,登记的效果不是特别好。在未来的工作中,我们将努力提高检测速度和位置的准确性。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项工作是支持中国国家重点研究和发展的一部分(2016 yfb0800404),中国国家NSF(61672090, 61672090),中央大学和基础研究基金(2015 jbz002)。