[發明專利]一種基于二次縫裁剪特征的圖像盲檢測方法

有效

• 申請號: 201510049619.6
• 申請日: 2015-01-30
• 公開（公告）號: CN104599279B
• 公開（公告）日: 2017-04-19
• 發明（設計）人: 柯永振;山青青;閔衛東;郭景
• 申請（專利權）人: 天津工業大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06K9/62
• 代理公司: 北京思創畢升專利事務所11218
• 代理人: 郭韞

技術領域

本發明屬于圖像處理中的圖像盲取證領域，具體涉及一種基于二次縫裁剪特征的圖像盲檢測方法。

背景技術

Seam carving，即縫裁剪，是一種有效的基于內容感知改變圖像尺寸的方法。由于它可以克服傳統縮放和裁剪的限制，現在已經獲得一定程度的普及。縫裁剪會自動刪除圖像中最不重要的路徑來減小圖像的尺寸，這種最不重要的路徑被稱為縫，同時也可以插入縫來放大圖像。縫定義為一條從上到下或從左到右貫穿圖像的8連通的低能量像素線。可以用動態規劃技術來選定每個方向的最佳縫，而所謂最佳縫，是指具有最小積累能量的縫，其中積累能量表示了縫中像素的結合重要性。

最常用的能量函數定義如下：

其中，I是一個n×m的圖像。對于一條垂直縫，可以定義為：

其中x表示映射x：[1，...，n]→[1，...，m]。最佳縫s^*是一條能量總和最小的縫，可以通過動態規劃M對于每個入口(i，j)的所有可能的連接縫計算而得。

M(i，j)＝e(i，j)+min(M(i-1，j-1)，M(i，j-1)，M(i-1，j+1))(3)

對于圖像縮小，縫的甄選可以保證維持圖像結構，刪除盡量多的低能量像素，并留下盡量多的高能量像素。

對于通過縫裁剪進行圖像放大，這相當于是縮小圖像的“逆過程”。如果需要對一幅圖像放大k個像素，我們應該先找出前k條會被移除的縫，然后分別插入這些縫s和其左右鄰居的平均值(水平縫插入縫與上下鄰居的均值)。

除了改變圖像尺寸，縫裁剪還能用來實現圖像內容放大，以及對象移除。內容放大是通過結合縫裁剪和等比例縮放實現的，先通過縫裁剪縮小圖像，減少“非重要”的區域，在用等比例縮放放大至原始大小，從而實現對圖像主要內容的放大。對象移除只需為需要移除的對象分配低能量，然后進行縫裁剪即可。

縫裁剪是一種內容感知圖像重定向算法，已經獲得了廣泛的使用，并已成功地應用于改變數字圖像尺寸和在保留重要內容的同時故意刪除圖像中的物體。縫裁剪的廣泛應用對于圖形取證方面造成了嚴重的挑戰。在2013年6月由IEEE信息取證和安全技術委員會(IFS-TC)舉辦的首屆圖像取證挑戰難題中，如何檢測縫裁剪操作已經成為一個圖像取證科學挑戰問題。

由于縫裁剪的這些特征，常規的檢測方法很多都不適用，檢測非常困難。從2009年開始，開始有一些關于縫裁剪取證方面的成果。首先是2009年，Sarkar等人提出的通過提取324維的馬爾科夫特征來檢測縫裁剪。這些特征由基于8×8塊的離散余弦變換域(DCT)上的二維差分直方圖組成，最初是由Shi等人提出用于檢測基于JPEG的隱寫，現在擴展用于檢測縫裁剪。該方法主要計算在水平、垂直、主對角線、次對角線四個方向的第一順序差分數組，并且對于縮小和放大，檢測率分別可達到80％和85％，但是低縮放比例的圖像檢測效果并沒有那么好。這篇文章還通過線性相關對縫插入進行檢測和定位，即使插入的比例很小的時候，檢測率也較高。實驗的圖像集由4500幅來自MM270K數據庫的圖像組成，原始圖像為QF＝75的且為首次壓縮的JPEG格式圖像。

在2010年，Fillion和Sharma提出幾個直觀的特征用于縫裁剪檢測。這些統計特征集包括基于能量偏差的特征、基于縫行為的特征、基于更高次序的圖像統計特征(小波絕對矩)、基于第二次縫裁剪的特征。他們取得了更好的檢測結果，對于縫裁剪20％和30％的圖像，檢測率分別達到了84.0％和91.3％。同時，他們還對故意縮放，即刪除特定對象進行檢測，相同條件下，四種特征組合檢測正確率為76％。

Seung-Jin Ryu等人提取了包括平均列能量、平均行能量、平均能量、最大縫、最小縫等14個特征，并通過SVM訓練進行檢測。在不同的縮放比例下正確率為71.52％到93.5％，但是對于特定對象移除的圖像還有一定的局限性。

Qingzhong liu合并了空間域的基于替換重壓縮的特征和在DCT域上基于替換重壓縮的鄰近聯合密度來檢測JPEG格式圖像中的基于內容感知的圖像偽造。