[發明專利]一種基于四元數小波變換的圖像拼接檢測方法

在審

• 申請號: 201810064934.X
• 申請日: 2018-01-23
• 公開（公告）號: CN108364256A
• 公開（公告）日: 2018-08-03
• 發明（設計）人: 盧偉;王汝鑫
• 申請（專利權）人: 中山大學
• 主分類號: G06T3/40
• 分類號: G06T3/40;G06K9/62;G06F17/14
• 代理公司: 廣州粵高專利商標代理有限公司 44102
• 代理人: 陳衛

1.一種基于四元數小波變換的圖像拼接檢測方法，其特征在于，包括以下步驟：

S1.選取圖像訓練集：訓練集包含沒有經過任何篡改操作的原始圖像和經過拼接篡改操作的拼接圖像；

S2.對訓練圖像進行色彩通道選擇：對于圖像訓練集中的每一張圖像，首先進行色彩通道選擇，如果訓練圖像是灰度圖像則直接進行S3步驟，如果訓練圖像是彩色圖像，則首先選擇亮度Y通道再進行S3步驟；

S3.對S2步驟得到的圖像進行四元數小波變換：對于每一張圖像，使用K層的四元數小波分解，得到3K+1個子帶，分別提取每個子帶四元系數的實數部分和3個虛部，每個子帶可以得到4個實數系數矩陣，經過K層分解后共得到M＝12K+4個實數系數矩陣；

S4.提取Markov特征：針對每張圖像經過S3步驟得到的M個實數系數矩陣提取Markov特征，得到該圖像最終的Markov特征向量；

S5.訓練特征標識：得到訓練圖像集所有圖像的Markov特征向量后，將原始圖像的特征向量標識為+1，將拼接圖像的特征向量標識為-1，將兩類特征集作為SVM的特征訓練集，特征集每行對應一張圖像的特征向量；

S6.特征降維：使用基于支持向量機的回歸特征消除方法SVM-RFE對特征訓練集的每一列特征進行排序，得到特征排序列表，按照特征排序列表對每張圖像的特征向量選擇前n個特征值構成新的特征向量，組成一個新的特征向量集；

S7.SVM分類器參數尋優：尋找最優的懲罰參數c和核參數g并訓練得到分類器。對S6得到的特征向量集和相應的標識集使用徑向基內核的SVM訓練，使用網格搜索的方法搜索最優的懲罰參數c和核參數g，得到分類器模型；

S8.測試圖像提取特征：對測試圖像進行與訓練圖像相同的四元數小波變換，對得到的每個系數子帶提取系數成分分離的Markov特征得到特征向量，即進行S2、S3和S4的操作，然后按照S6操作步驟得到測試圖像的降維后特征向量；

S9.分類預測：利用S7得到的SVM分類模型，對S8得到的測試圖像的Markov特征向量進行分類預測，得到預測結果，+1代表分類器檢測測試圖像為原始圖像，-1代表分類器檢測測試圖像為拼接圖像。

2.根據權利要求1所述的一種基于四元數小波變換的圖像拼接檢測方法，其特征在于，所述的S3步驟使用K層四元數小波分解，第一層濾波器采用近似對稱正交的Farrs帶，從第二層開始采用Q-Shift雙樹濾波器。

3.根據權利要求2所述的一種基于四元數小波變換的圖像拼接檢測方法，其特征在于，所述的S4步驟具體包括：

S41.將實數系數矩陣的每個系數進行取整和取絕對值操作，針對每個實數系數矩陣，將每個系數取整和取絕對值得到C_k，k對應第k個實數系數矩陣，k∈{1,2,…M},M＝12K+4,K是四元數小波分解層數；

S42.按照水平方向和垂直方向計算其差分矩陣，得到兩個差分矩陣，計算公式為：

D_kh＝C_k(u,v)-C_k(u+1,v)

D_kv＝C_k(u,v)-C_k(u,v+1)

其中，u和v代表C_k系數的坐標，D_kh和D_kv分別代表C_k在水平方向和垂直方向的差分矩陣；

S43.閾值操作：對每個差分矩陣的系數，使用閾值T進行截斷操作，大于T的系數全部替換為T，小于-T的系數全部替換為-T；

S44.提取Markov特征：根據公式計算兩個差分矩陣對應的水平方向和垂直方向的Markov轉移概率矩陣，將得到4個Markov轉移概率矩陣，其計算公式為：

其中，S_ku對應C_k系數矩陣水平方向的維數，S_kv對應C_k系數矩陣垂直方向的維數，D_khh代表D_kh的水平方向的Markov轉移概率矩陣，D_khv代表D_kh的垂直方向的Markov轉移概率矩陣，D_kvh代表D_kv的水平方向的Markov轉移概率矩陣，D_kvv代表D_kv的垂直方向的Markov轉移概率矩陣，i,j∈{-T,-T+1,…,-1,0,1,…,T-1,T}代表C_k系數的各種取值，并且：

S45.連接特征：對于每個實數系數矩陣，將4個Markov轉移概率矩陣連在一起得到該系數矩陣的特征向量，然后連接k個實數系數矩陣的特征向量得到每張圖像的特征向量。