拼图检测图像质量评价

图像拼接是一种常见的图像篡改手段，当我们认真地对一幅图像进行拼接篡改后，很难用肉眼判断其真假。由于图像拼接操作会造成图像平滑性、连续性、光照方向、CFA阵列周期性、模板噪声的不一致，从而改变了图像像素之间的内在关系，因此常见的图像拼接主要有以下几种检测方式:针对在同一幅图像中进行复制粘贴操作的检测方法有克隆操作检测;针对两幅或多幅图像的拼接篡改可以利用图像的光照一致性、相机函数响应和图像特征统计等进行检测。本文针对图像拼接操作进行检测，利用图像统计特征和图像质量评价来提取图像的特征向量，其中图像统计特征由图像块经过非采样的Contour-let［1］变换后的系数矩阵产生，图像质量由块效应的程度进行评价，最后利用支持向量机对测试数据进行分类，达到了较好效果。

1图像特征提取图像统计特征的选取直接影响到拼接检测的效果，在以往的拼接检测中常常使用小波进行图像变换，但小波变换的支撑基只有水平、垂直和对角方向，对曲线的表示能力不强，因此本文选取比小波变换更具优势的Contourlet变换来进行图像变换。Contourlet变换也称塔型方向滤波器组(PDFB，Py-ramidalDirectionalFilterBank)，它能有效地表示图像中的轮廓和纹理。其变换基的支撑区间为“长条形”，可以利用较少的系数来逼近奇异曲线。由于Contourlet变换的最终结果是用类似于线段(contoursegment)的基结构来逼近图像，所以Contourlet变换将图像的各阶高频信息细分为2n个方向(其中n为非零正整数，体现了Contourlet变换的多方向特性)。运用Contourlet变换，可以对图像进行更精细的分析和处理，从而可以达到更好逼近图像线段的处理结果。由于Contourlet变换变换中存在采样和插值操作，所以它不具备平移不变性。NSCT变换(Nonsub-sampledContourletTransform，NSCT)［2］，其基本原理与Contourlet变换一致，但在NSCT中去除了采样和插值操作，使其具备了平移不变性。利用NSCT变换不仅可以更加完整地保留图像信息，而且具有更好的展示方向线段信息的能力。1.1基于NSCT变换系数矩阵的特征提取

1.1．1特征矩拼接改变了图像的频率特征分布，本文利用NSCT变化的系数矩阵来表示图像，并对其提取矩特征，利用这些矩特征的不同来表示其频率分布的差异。矩特征可由一维特征函数即将图像经过NSCT变换后的系数矩阵的一阶直方图做离散傅里叶变换［7］(DiscreteFourierTransform，DFT)获得，特征矩可表示为式中n为正整数，为特征矩的阶数，H(xi)为在频率xi处的一维特征函数，k为子带数，l表示矩的阶数。

1.1.2常规矩拼接的边缘部分常常会由于图像的像素值、对比度不同，而有明显的伪造痕迹，所以它们的常规矩与篡改之前必然会有较大的差异。方差表示信号偏离均值的程度，当均值为零时能反映信号的能量谱。对于高斯分布只需使用均值和方差就可描述分布特征。但经过篡改后的图像不一定满足高斯分布，于是引入偏度和峭来表征其更高阶的信息。偏度表示概率密度分布相对于平均值不对称的程度。偏度小于零称负偏度分布，偏度大于零称正偏度分布。峭度是对信号非高斯性的一个度量，具有负峭度的分布是亚高斯的，具有正峭度的分布是超高斯分布。为了表示图像的分布特征，又由于自然图像和经过拼接后的图像在自然统计特征的分布上会有不同，故引入方差、偏度、峭度来对图像进行度量方差σ2i偏度u2(3)峭度u4为第i个图像区域的第j个像素点，E{．．}为其均值，σi为区域i的方差。

1.2块效应图像质量评价为了使拼接边缘更加自然，篡改者会使用模糊、平滑、重压缩等手段，这些操作会引起图像质量下降，所以本文利用图像质量评价方法来提取图像特征。图像质量评价法分为有参考和无参考(NR)的图像质量评价方法，NR［3］是在没有可以进行参考和比对的原始图像的情况下，得出一个与人类视觉系统的视觉感知相一致的质量分数值的方法。NR方法一般是针对某一种或几种类型的失真，如模糊效应、分块效应、噪声效应等来进行度量。由于图像拼接时往往是将原图像或多幅图像中的一块直接粘贴过来，所以图像中很有可能出现块分界，现在的照片大多经过JPEG压缩，在压缩率较低时易出现明显的块效应，于是本文采用块效应的图像质量评价方法［10］，在图像的水平和垂直方向度量块效应。图1块效应质量评价图垂直的块度量定义为水平的块度量定义为式中P［l］是第l段的功率谱。PM是使用中值滤波得到的平滑功率谱，N为图像块的大小。测试图像的块度量公式为MB=0.5*(MBV+MBH)(7)块效应的图像质量评价方法具有很好的适应性，结合了人类视觉系统的特性，比如亮度和纹理掩盖效应，只需要计算小部分的功率谱。

1.3SVM分类器计算出图像的特征向量后可以用支持向量机(SupportVectorMachine)对其进行分类。支持向量机是Vapnik等于1995年首先提出的［5］，在解决小样本、非线性及高维模式识别中表现出许多特有的优势，并能够推广应用到函数拟合等其它机器学习问题中。SVM分为线性分类器和非线性分类器，本文采用非线性分类器。SVM通过非线性变换将低维特征空间转换到高维核空间，在高维核空间中构造线性分类函数来实现原空间的非线性分类。SVM核函数有多种形式，本文所选用的核函数为k(x，y)=exp(－γx－y2)(8)2图像特征提取框架由于误差图像能减少图像纹理多样性所带来的影响，且能明显的增强图像拼接带来的赝象，本文在图像检测时不直接对原图像进行操作，而是对其二维预测误差矩阵进行特征提取。二维预测误差矩阵的形成过程如下:图2像素x的预测邻域(9)利用NSCT和图像质量评价提取多维图像矩特征进行拼接检测的算法框图如下:图3图像特征提取框架图检测步骤:1)对待测图像进行块效应质量评价，求出M;2)计算待测图像的二维预测误差矩阵;3)根据图像的大小将其划分为大小适中的n块图像(对于128*128大小的图像可分为9块);4)计算n个图像块的常规矩σ2;5)将n个图像块分别进行NSCT变换，对其直方图进行DFT变换，计算其特征矩Mn。6)对每个图像块进行NSCT图像重建，计算预测误差矩阵与重建图像的差值图像的方差δ;7)最终得到(n*5+1)维特征向量，送入训练好的SVM分类器中进行分类。

3实验结果与分析

3.1实验数据库介绍实验数据库选用哥伦比亚大学图像拼接检验数据库［6］(该库共有图片1845幅，其中未经修改的图片933幅，经过拼接处理的912幅)，全部为灰度图像，图像大致分为以下几类:平滑图像、纹理图像、纹理-平滑图像、平滑-平滑图像、纹理-纹理图像。

3.2实验步骤进行图像真伪检测时，首先应计算出该图像的特征向量，下面以一幅真实图像为例(大小为128*128)，计算其特征向量。第1步如图4所示，计算原图像的预测误差二维矩阵图，其结果为图4b)，由图可以看出，边缘和灰度级变化范围大的地方误差较大。根据图像的大小，将其分为n块(将128*128大小的图像分为9块)得到图4c)，对每块计算其常规矩。图4误差图像提取第2步对待测图像进行块效应质量评价，图像的水平和垂直功率谱可作为其块效应强弱的度量，因此可得到其功率谱图，最后计算其块效应质量MB。下图为对图像进行块效应质量评价时水平和垂直方向的功率谱图。第3步选取图4c)的右上角的图像块(即:第三块)作为示意图，对其进行NSCT三层分解，其方向子带数分别为2、4、8，对分解后的NSCT系数做直方图，得到结果见图5。对得到的直方图进行傅里叶变换后，求其特征矩。第4步选取图4c)的右上角图像块(即:第三块)作为示意图，对其进行NSCT重建后，得到的结果见图7。求得重建图像和原图像的差值图像后，计算其方差。第5步:将得到的各个特征组成一维特征向量。第6步:按照上述过程对所有的图片求取特征向量后，输入SVM分类器中进行分类。

3.3实验结果选取平滑图像数据库中的一幅真实图像，一幅伪造图像，输入训练好的SVM分类器中进行检测，得到如下结果:记S为平滑，T为纹理，D、H、V分别为对角、水平、垂直方向。检测图片数量中第一行为图片总数，第二行为真实图片数量，第三行为伪造图像数量。对图像库进行测试得到如下检测结果。表2图像拼接检测结果类型P，C值上表中所有的数据都是在训练集全部分类正确时得出的结果，当训练集未全部分类正确时会有更高的检测正确率。本文对哥伦比亚拼接图像数据库中的所有图片进行了检测，检测的正确率基本在70%以上，由于在计算时特征向量维数少(仅有46维)，所以减少了计算量，且达到了拼接检测的目标，但是检测正确率还不够高，希望在今后的工作中可以提升。4结论如今，篡改技术飞速发展，对数字取证技术的要求越来越高。在实际运用中最好能编写出简单快速的图像真伪识别算法，使人们能很快判断图像的真假，从而大大提升网络中图像的可信度。本文利用较优的图像分解方法Contourlet变换来提取图像特征，结合图像质量评价结果对拼接图像进行检测，大大降低了特征维数和计算时间复杂度，对平滑-平滑、纹理-纹理，平滑-纹理图像的进行了检测，取得了较好的实验结果。