[發(fā)明專利]基于三角網(wǎng)格綜合特征的圖像篡改檢測方法

有效

• 申請?zhí)枺?/td>: 201711365663.3
• 申請日: 2017-12-18
• 公開（公告）號: CN107993230B
• 公開（公告）日: 2021-11-19
• 發(fā)明（設(shè)計(jì)）人: 王向陽;焦麗仙;牛盼盼
• 申請（專利權(quán)）人: 遼寧師范大學(xué)
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/136;G06T5/00;G06T3/40;G06K9/46
• 代理公司: 大連非凡專利事務(wù)所 21220
• 代理人: 閃紅霞

1.一種基于三角網(wǎng)格綜合特征的圖像篡改檢測方法，其特征在于按如下步驟進(jìn)行：

約定：I指待檢測的圖像；I1為去噪后的圖像；S_u(u＝1,2,……,l)表示超像素塊；是像素i在S_u中的概率；E_u是S_u的熵；I2為構(gòu)造的顏色不變量圖像；C_u表示分區(qū)編碼，編碼值0、1分別對應(yīng)非紋理、紋理區(qū)域；T_k(k＝1,2,...,n)為第k個(gè)三角形，n為三角形的個(gè)數(shù)；I_k指T_k的內(nèi)切圓；o_k、r_k是I_k的圓心、半徑；A_k為I_k的外拓正方形；Q_k表示T_k除了I_k外的其余部分；分別代表Q_k的R、G、B三通道下的梯度熵H_k；指Q_k的平均梯度熵；WH_j是提取WH內(nèi)核生成的M維度投影向量；p是特征向量；b_j是添加到隨機(jī)投影的偏移量，范圍在[0,r)，r是固設(shè)閾值；h_j(p)表示CSH算法的散列函數(shù)；g_i(p)由M維h_j(p)向量串聯(lián)得到；T_i[g_i(p)]為g_i(p)生成的散列表；P_B表示patch的最近鄰域集；a、b為patch中的元素；

a.初始設(shè)置

讀取待檢測圖像I，將其與高斯平滑濾波器做卷積運(yùn)算，去除噪聲后得到圖像I1；

b.超像素生成

結(jié)合圖像I1的內(nèi)容，利用SLIC方法生成緊湊且近似均勻的超像素塊S_u,u＝1,2,……,l；

c.圖像特征點(diǎn)提取

c.1根據(jù)下式計(jì)算每個(gè)超像素塊S_u的熵：

c.2根據(jù)圖像I1的色彩特征與幾何結(jié)構(gòu)特征，構(gòu)造顏色不變量圖像I2；

c.3統(tǒng)計(jì)熵分布量，按照如下規(guī)則將圖像I2劃分非紋理、紋理區(qū)域：

其中，

c.4針對兩種區(qū)域，利用SIFER檢測器在加和響應(yīng)的尺度空間內(nèi)，設(shè)置兩種不同的窗口尺寸，實(shí)施特征點(diǎn)的提取；

d.三角網(wǎng)格構(gòu)造

在上步得到的特征點(diǎn)上，使用DT技術(shù)快速構(gòu)造三角網(wǎng)格T_k,k＝1,2,...,n；

e.三角網(wǎng)格特征構(gòu)造

e.1特征一：內(nèi)切圓部分

e.1.1根據(jù)T_k,k＝1,2,...,n的三個(gè)頂點(diǎn)，求出內(nèi)切圓I_k的圓心o_k、半徑r_k；

e.1.2通過o_k、r_k可以求出I_k的外拓正方形A_k，并在A_k的四周“補(bǔ)0”；

e.1.3計(jì)算A_k的局部快速四元數(shù)圓諧傅里葉矩幅值；

e.1.4通過對矩值進(jìn)行幾何攻擊，從而選取8個(gè)穩(wěn)定的值，將其作為三角網(wǎng)格T_k的第一個(gè)特征；

e.2特征二：其他部分

e.2.1利用下式，得到三角網(wǎng)格T_k的剩余部分內(nèi)容Q_k：

Q_k＝T_k-I_k,k＝1,2,…n；

e.2.2對Q_k的R、G、B三通道通過如下公式，分別計(jì)算其梯度熵

其中，Q_k中共有m個(gè)梯度級，p(i)是第i個(gè)梯度級出現(xiàn)的概率；

e.2.3計(jì)算Q_k的平均梯度熵將其作為三角網(wǎng)格T_k的第二個(gè)特征：

e.3重復(fù)步驟e.1～e.2，直到計(jì)算出所有的三角網(wǎng)格的特征，每個(gè)三角網(wǎng)格特征向量表示為8個(gè)穩(wěn)定的快速四元數(shù)圓諧傅里葉矩幅值和1個(gè)平均梯度熵；

f.三角網(wǎng)格特征匹配

f.1利用SVD技術(shù)對三角網(wǎng)格特征向量進(jìn)行降維，使其從9維稀疏向量變成3維稠密向量，更好地體現(xiàn)數(shù)據(jù)核心特征；

f.2利用CSH算法對降維后的三角網(wǎng)格特征向量建立索引，投影在WH內(nèi)核上，其散列函數(shù)定義為：

f.3將M維h_j(p)向量串聯(lián)得到：

g_i(p)＝{h₁(p),h₂(p),...,h_M(p)}；

f.4生成散列表T_i[g_i(p)]；

f.5初始化ANNF，在T_i[g_i(p)]中循環(huán)搜索每個(gè)patch的相應(yīng)候選匹配，產(chǎn)生一個(gè)最近鄰域集P_B，如果來自P_B中的b與a最相似，且滿足下式，那么更新ANNF(a)＝b

dist(a,b)dist(a,ANNF(a))；

f.6對最近鄰域集P_B中的各個(gè)元素進(jìn)行再次投影，使用WH內(nèi)核以歐氏距離為衡量標(biāo)準(zhǔn)排列元素，與當(dāng)前patch的歐氏距離最小的patch為最近匹配，最終得到d個(gè)最近匹配；

g.后處理

g.1采用DLF技術(shù)來調(diào)整偏移量，消除錯(cuò)誤匹配，以增加正確檢測的概率；

g.2最后使用優(yōu)化后的ZNCC算法和形態(tài)學(xué)操作對匹配的區(qū)域進(jìn)行標(biāo)記。