本發(fā)明涉及數(shù)字圖像的復(fù)制粘貼盲取證領(lǐng)域，尤其涉及一種基于截?cái)郿ct(discretecosinetransform,離散余弦變換)域系數(shù)的復(fù)制粘貼盲取證方法。

背景技術(shù)：

隨著互聯(lián)網(wǎng)技術(shù)和多媒體技術(shù)的不斷發(fā)展、數(shù)碼相機(jī)的大量普及、以及圖像編輯軟件如photoshop等的廣泛應(yīng)用，人們對(duì)圖像進(jìn)行修改、編輯以及存儲(chǔ)變得越來(lái)越容易。若偽造的數(shù)字圖像改變了原有的信息，而被廣泛應(yīng)用在新聞媒體、科學(xué)研究、法庭證物等領(lǐng)域，將影響政治、經(jīng)濟(jì)和社會(huì)的穩(wěn)定^[1]?；诖爽F(xiàn)象而發(fā)展的圖像盲取證技術(shù)具有廣闊的應(yīng)用前景，近幾年已成為圖像處理領(lǐng)域研究的熱點(diǎn)問(wèn)題之一。

圖像的篡改方式眾多，其中一種最常被使用的篡改方式為同幅圖像內(nèi)的復(fù)制粘貼篡改，即復(fù)制圖像中的某一部分將其粘貼到該幅圖像內(nèi)的另一區(qū)域中，且兩者沒(méi)有任何的交集。一般情況下，因?yàn)橥环鶊D像的色彩、亮度都不會(huì)有很大的變化，因此篡改部分將很難引起人們的察覺(jué)。

目前，復(fù)制粘貼盲取證技術(shù)分為三類：基于圖像像素點(diǎn)的匹配、自相關(guān)檢測(cè)法以及基于圖像塊的匹配^[2]。

1、基于圖像像素點(diǎn)的匹配：通過(guò)對(duì)圖像像素點(diǎn)進(jìn)行遍歷比較來(lái)檢測(cè)篡改區(qū)域。此方法原理簡(jiǎn)單、精確度高、邏輯鏈簡(jiǎn)單，對(duì)于沒(méi)有經(jīng)過(guò)任何后處理操作的復(fù)制粘貼圖像檢測(cè)效果明顯，但是計(jì)算量巨大，魯棒性極其不好。

2、自相關(guān)檢測(cè)法^[3]：其原理是復(fù)制和粘貼的圖像塊具有完全相同或相似性，因而具有很強(qiáng)的自相關(guān)性。該算法比較簡(jiǎn)單，計(jì)算的復(fù)雜度也不是很大，但當(dāng)此算法適用于被復(fù)制粘貼篡改的區(qū)域尺寸小于整幅圖像的25％的情況時(shí)，常出現(xiàn)準(zhǔn)確率不高等情況。

3、基于圖像塊的匹配：通過(guò)尋找圖像塊中相同或相似塊對(duì)的算法來(lái)對(duì)篡改區(qū)域進(jìn)行檢測(cè)定位。此算法原理簡(jiǎn)單，易于實(shí)現(xiàn)且適用廣泛。

三類算法各有優(yōu)劣，但由于基于圖像塊的匹配能夠一定程度上降低時(shí)間復(fù)雜度，并具有較好地檢測(cè)效果及一定的魯棒性而得到廣泛應(yīng)用^[4]。

通過(guò)對(duì)上述的分析發(fā)現(xiàn)，復(fù)制粘貼盲取證領(lǐng)域目前面臨的主要挑戰(zhàn)為：算法的時(shí)間復(fù)雜度過(guò)高、以及對(duì)各種常用的后處理操作的魯棒性不好，限制了實(shí)際應(yīng)用范圍。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明提供了一種基于截?cái)郿ct域系數(shù)的復(fù)制粘貼盲取證方法，本發(fā)明有效地降低了時(shí)間復(fù)雜度以及具有更強(qiáng)的魯棒性，可以應(yīng)用于任何基于復(fù)制粘貼篡改方式的盲取證，詳見(jiàn)下文描述：

一種基于截?cái)郿ct域系數(shù)的復(fù)制粘貼盲取證方法，所述方法包括以下步驟：

對(duì)各子圖像塊分別進(jìn)行dct變換操作，使用量化系數(shù)對(duì)各子圖像塊進(jìn)行處理，再進(jìn)行z字形掃描并進(jìn)行截?cái)嗖僮?，得到特征向量，按照滑?dòng)順序?qū)⑻卣飨蛄勘４娴骄仃嘺中；

對(duì)矩陣a進(jìn)行字典排序得到矩陣b，并對(duì)矩陣b的每一個(gè)行向量，都與相鄰的行向量進(jìn)行匹配檢測(cè)，若近似相同，計(jì)算轉(zhuǎn)移向量；

遍歷所有判定為近似相同的行向量對(duì)，獲取所有的轉(zhuǎn)移向量，從中找出主轉(zhuǎn)移向量，去除與主轉(zhuǎn)移向量不同的子塊，剩余子塊即為復(fù)制粘貼的篡改部分；

標(biāo)識(shí)出待檢測(cè)圖像中被復(fù)制、粘貼區(qū)域，通過(guò)開(kāi)操作去除孤立塊，輸出圖像。

其中，判斷近似相同的步驟具體為：

條件1：特征分量

判斷是否成立，如果是，繼續(xù)比較下一個(gè)特征分量；如果否，判定兩個(gè)特征向量是不相同的；abs為絕對(duì)值符號(hào)，為特征分量；

條件2：特征分量

1)計(jì)算同時(shí)改變maxr和minr的值：如果maxr＜rl，則maxr＝rl；如果minr＞rl，則minr＝rl；

2)判斷maxr-minr＜t是否成立，如果成立，則繼續(xù)比較下一個(gè)特征分量，反之則直接判定這兩個(gè)特征向量不相同；

獲取同時(shí)滿足上述條件1、條件2的兩個(gè)特征向量，該兩個(gè)特征向量是近似相同的。

其中，所述計(jì)算轉(zhuǎn)移向量的步驟具體為：

其中，d為轉(zhuǎn)移向量，(x1,y1)，(x2,y2)是兩個(gè)圖像子塊的左上角位置。

其中，所述主轉(zhuǎn)移向量具體為：

遍歷所有判定為近似相同的行向量對(duì)，計(jì)算出各轉(zhuǎn)移向量，對(duì)所有的轉(zhuǎn)移向量進(jìn)行概率統(tǒng)計(jì)，選取各轉(zhuǎn)移向量中頻率出現(xiàn)最多的轉(zhuǎn)移向量作為主轉(zhuǎn)移向量。

其中，所述方法還包括：

當(dāng)不存在與主轉(zhuǎn)移向量不同的子塊時(shí)，表明待檢測(cè)圖像沒(méi)有復(fù)制粘貼篡改。

本發(fā)明提供的技術(shù)方案的有益效果是：

1、選取量化截?cái)嗟膁ct系數(shù)作為每個(gè)子塊的特征向量，有效地降低了時(shí)間的復(fù)雜度；

2、對(duì)于添加高斯白噪聲以及高斯模糊等篡改后常用的后處理操作，具有一定的魯棒性；

3、通過(guò)找到所有相似匹配塊的最大的主轉(zhuǎn)移向量以及形態(tài)學(xué)上的開(kāi)操作處理，提高了檢測(cè)的精確度。

附圖說(shuō)明

圖1為一種基于截?cái)郿ct域系數(shù)的復(fù)制粘貼盲取證算法的流程圖；

圖2為z字形掃描順序示意圖；

圖3為圖像的復(fù)制粘貼區(qū)域?qū)?yīng)相似塊之間的轉(zhuǎn)移向量示意圖；

圖4為各種不同復(fù)制粘貼篡改情況下的檢測(cè)樣例的示意圖；

其中，(a)為被復(fù)制部分與粘貼的部分位于水平位置；(b)為被復(fù)制部分與粘貼的部分位于垂直位置；(c)為被復(fù)制部分與粘貼的部分位于正對(duì)角位置；(d)為被復(fù)制部分與粘貼的部分位于反對(duì)角位；(e)為被復(fù)制部分與粘貼的部分為不規(guī)則區(qū)域。此外，圖像分為三欄，從左到右分別為原始圖像，被篡改后的圖像以及利用本方法檢測(cè)出的效果圖。

圖5為抗噪聲干擾的魯棒性檢測(cè)樣例的示意圖；

其中，(a)為信噪比為35db的加性高斯白噪聲處理圖像及測(cè)試結(jié)果；(b)為信噪比為25db的加性高斯白噪聲處理圖像及測(cè)試結(jié)果；(c)為信噪比為15.035db的加性高斯白噪聲處理圖像及測(cè)試結(jié)果。此外，圖像分為三欄，從左到右分別為只經(jīng)過(guò)復(fù)制粘貼篡改后的圖像，經(jīng)過(guò)復(fù)制粘貼篡改后再添加加性高斯白噪聲后的圖像以及利用本方法檢測(cè)出的效果圖。

圖6為抗模糊處理的魯棒性檢測(cè)樣例的示意圖；

其中，(a)為參數(shù)設(shè)置為：n1＝n2＝5,σ²＝1的高斯模糊處理后的待檢測(cè)圖像及其檢測(cè)結(jié)果；(b)為參數(shù)設(shè)置為：n1＝n2＝5,σ²＝2的高斯模糊處理后的待檢測(cè)圖像及其檢測(cè)結(jié)果。此外，圖像分為三欄，從左到右分別為只經(jīng)過(guò)復(fù)制粘貼篡改后的圖像，經(jīng)過(guò)復(fù)制粘貼篡改后再添加高斯模糊后的圖像以及利用本方法檢測(cè)出的效果圖。

圖7為三種算法的檢測(cè)性能比較的示意圖；

圖8為三種算法的時(shí)間復(fù)雜度比較的示意圖。

具體實(shí)施方式

為使本發(fā)明的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚，下面對(duì)本發(fā)明實(shí)施方式作進(jìn)一步地詳細(xì)描述。

為了解決以上問(wèn)題，需要能夠全面、自動(dòng)、準(zhǔn)確提取子塊的特征并進(jìn)行定位與檢測(cè)的算法。研究表明：dct變換的能量壓縮特性可以使得在僅保留低頻系數(shù)的情況下保留大部分重要信息，這在經(jīng)過(guò)量化后系數(shù)矩陣中體現(xiàn)得更為明顯，可以選擇截?cái)嗔炕膁ct系數(shù)作為每個(gè)子塊的特征^[5]。

實(shí)施例1

本發(fā)明實(shí)施例提出了基于截?cái)郿ct域系數(shù)的復(fù)制粘貼盲取證方法，參見(jiàn)圖1，該方法包括以下步驟：

101：對(duì)各子圖像塊分別進(jìn)行dct變換操作，使用量化系數(shù)對(duì)各子圖像塊進(jìn)行處理，再進(jìn)行z字形掃描并進(jìn)行截?cái)嗖僮鳎玫教卣飨蛄?，按照滑?dòng)順序?qū)⑻卣飨蛄勘４娴骄仃嘺中；

102：對(duì)矩陣a進(jìn)行字典排序得到矩陣b，并對(duì)矩陣b的每一個(gè)行向量，都與相鄰的行向量進(jìn)行匹配檢測(cè)，若近似相同，計(jì)算轉(zhuǎn)移向量；

103：遍歷所有判定為近似相同的行向量對(duì)，獲取所有的轉(zhuǎn)移向量，從中找出主轉(zhuǎn)移向量，去除與主轉(zhuǎn)移向量不同的子塊，剩余子塊即為復(fù)制粘貼的篡改部分；

104：標(biāo)識(shí)出待檢測(cè)圖像中被復(fù)制、粘貼區(qū)域，通過(guò)開(kāi)操作去除孤立塊，輸出圖像。

其中，步驟102中的判斷近似相同的步驟具體為：

條件1：特征分量

判斷是否成立，如果是，繼續(xù)比較下一個(gè)特征分量；如果否，判定兩個(gè)特征向量是不相同的；abs為絕對(duì)值符號(hào)，為特征分量；

條件2：特征分量

1)計(jì)算同時(shí)改變maxr和minr的值：如果maxr＜rl，則maxr＝rl；如果minr＞rl，則minr＝rl；

2)判斷maxr-minr＜t是否成立，如果成立，則繼續(xù)比較下一個(gè)特征分量，反之則直接判定這兩個(gè)特征向量不相同；

獲取同時(shí)滿足上述條件1、條件2的兩個(gè)特征向量，該兩個(gè)特征向量是近似相同的。

其中，步驟103中的主轉(zhuǎn)移向量具體為：

遍歷所有判定為近似相同的行向量對(duì)，計(jì)算出各轉(zhuǎn)移向量，對(duì)所有的轉(zhuǎn)移向量進(jìn)行概率統(tǒng)計(jì)，選取各轉(zhuǎn)移向量中頻率出現(xiàn)最多的轉(zhuǎn)移向量作為主轉(zhuǎn)移向量。

綜上所述，本發(fā)明實(shí)施例通過(guò)上述步驟101-步驟104有效地降低了時(shí)間復(fù)雜度以及具有更強(qiáng)的魯棒性，可以應(yīng)用于任何基于復(fù)制粘貼篡改方式的盲取證，滿足了實(shí)際應(yīng)用中的多種需要。

實(shí)施例2

下面結(jié)合具體的實(shí)例、數(shù)學(xué)公式對(duì)實(shí)施例1中的方案進(jìn)行進(jìn)一步地介紹，詳見(jiàn)下文描述：

201：將待檢測(cè)圖像i轉(zhuǎn)換為灰度圖像，并劃分為若干個(gè)子圖像塊；

例如：設(shè)待檢測(cè)圖像i的大小為m×n，選取滑動(dòng)塊的大小為b×b，使其從待檢測(cè)圖像i的左上角開(kāi)始按照從左到右，從上到下的順序，以一個(gè)像素為單位依次進(jìn)行滑動(dòng)，最終達(dá)到待檢測(cè)圖像i的右下角，最終可得sum＝(m-b+1)(n-b+1)個(gè)子圖像塊。

具體實(shí)現(xiàn)時(shí)，首先判斷待檢測(cè)圖像i是否為灰度圖像，如果不是則將其轉(zhuǎn)換為灰度圖像。本發(fā)明實(shí)施例用到的所有的實(shí)驗(yàn)圖像都是來(lái)自t.-t.ng等人發(fā)布的數(shù)字圖像取證的圖像測(cè)試集^[6]，所有的圖像都為大小為128×128的灰度圖像，保存格式為bmp。在參數(shù)選取時(shí)，選取m＝n＝128，b＝8。

具體實(shí)現(xiàn)時(shí)，還可以選用其他的測(cè)試集，本發(fā)明實(shí)施例對(duì)m、n以及b的取值不做限制，根據(jù)實(shí)際應(yīng)用中的需要進(jìn)行設(shè)定。

202：對(duì)獲得的各子圖像塊分別進(jìn)行dct變換操作，并使用量化系數(shù)q對(duì)各子圖像塊進(jìn)行量化處理，而后再進(jìn)行z字形掃描(如圖2所示)并進(jìn)行截?cái)嗖僮?，得到所有子塊的特征向量[p·b²]，然后按照滑動(dòng)順序?qū)⑺凶訅K的特征向量保存到矩陣a中；

例如：對(duì)于d×d大小的數(shù)字圖像f(x,y)，其dct變換及其idct(inversediscretecosinetransform,逆離散余弦變換)變換分別為：

其中，u,v＝0,1,2,…,d-1，x,y＝0,1,2,…,d-1。a(u)和a(v)為中間變量。

在上述公式中，當(dāng)u＝v＝0時(shí)，余弦值取1，有這個(gè)分量為變化后的dct系數(shù)的最大值，也稱為直流分量，其他系數(shù)都稱為交流分量。

變換后的dct系數(shù)矩陣，從左上角到右下角對(duì)應(yīng)的頻率由直流和低頻分量，向高頻分量變化，并且在實(shí)際情況中，dct系數(shù)矩陣的較大值都集中在直流和低頻分量中。特別的是，量化后高頻系數(shù)基本上全變成了0。

因此，可以根據(jù)該特性來(lái)對(duì)特征向量進(jìn)行降維處理，即每個(gè)子塊的dct系數(shù)只考慮低頻部分。然而，在dct的特征向量中不能再以矩陣的形式保存，必須將變換后的系數(shù)按照從低頻到高頻的順序進(jìn)行排列，這樣才會(huì)方便降維和之后的匹配處理。因此，必須將量化的dct系數(shù)矩陣按照zigzag的排列方式進(jìn)行掃描成一個(gè)大小為1×b²的行向量，并將p(0＜p≤1)(本例中p＝0.25)作為截?cái)嘁蜃咏財(cái)啾Ａ鬹(k＝[p×b²])個(gè)分量(本例中k＝16)。

特征向量在截?cái)嗲斑€會(huì)被量化系數(shù)q量化，即特征向量中的每個(gè)分量都除以q然后取整。則經(jīng)過(guò)量化和降維處理之后的特征向量為：

203：對(duì)特征向量矩陣a進(jìn)行字典排序得到矩陣b，其大小為(m-b+1)(n-b+1)×[p·b²]，并對(duì)矩陣b的每一個(gè)行向量都與其相鄰的nf個(gè)行向量進(jìn)行匹配檢測(cè)，其中nf應(yīng)滿足：j-i＜nf≤(m-b+1)(n-b+1)，(本例中nf＝3)如果匹配結(jié)果為近似相同，則計(jì)算兩者之間的轉(zhuǎn)移向量；

在尋找相似子塊之前，首先對(duì)特征向量矩陣a進(jìn)行字典排序得到矩陣b，隨即兩兩比較它們之間(即特征向量矩陣a排序后的矩陣b之間)的相似程度，如果判斷為近似相同，則對(duì)應(yīng)的兩子塊判定為相似子塊對(duì)，然后記錄相似子塊對(duì)之間的轉(zhuǎn)移向量d：

其中(x1,y1)，(x2,y2)是兩個(gè)圖像子塊的左上角位置的坐標(biāo)。復(fù)制粘貼區(qū)域?qū)?yīng)子塊間具有統(tǒng)一的轉(zhuǎn)移向量，如圖3所示。

下面詳細(xì)介紹兩個(gè)行向量進(jìn)行匹配檢測(cè)的具體過(guò)程：

當(dāng)待檢測(cè)圖像經(jīng)過(guò)壓縮、加噪，模糊等攻擊后，那么被復(fù)制子塊的特征向量與粘貼子塊的特征向量可能不是完全相等的，而是很相似的。因此需要在此引入一種判斷子塊對(duì)應(yīng)特征向量是否相同的方法。如果兩個(gè)子塊的特征向量的每個(gè)對(duì)應(yīng)的分量是幾乎相等的，則可認(rèn)為這兩個(gè)子塊是近似相關(guān)的。

下面用一個(gè)具體的實(shí)例來(lái)說(shuō)明判斷兩個(gè)子塊對(duì)應(yīng)的特征向量是否近似相同的具體過(guò)程：

例如：與分別為兩個(gè)子塊的特征向量，判斷該兩個(gè)子塊的對(duì)應(yīng)的特征向量是否近似相同的過(guò)程如下：

其中，s和t這兩個(gè)參數(shù)在編程時(shí)被預(yù)定義，maxr被初始化一個(gè)足夠小的數(shù)，minr被初始化成一個(gè)足夠大的數(shù)，分別為特征分量。那么具體的判斷流程為：

條件1：對(duì)于每個(gè)1≤l≤k，

判斷是否成立，如果是，繼續(xù)比較下一個(gè)特征分量；如果否，判定兩個(gè)特征向量是不相同的；

其中，abs為絕對(duì)值符號(hào)；本發(fā)明實(shí)施例中s＝4，具體實(shí)現(xiàn)時(shí)，還可以根據(jù)實(shí)際應(yīng)用中的需要對(duì)s的取值進(jìn)行設(shè)定，本發(fā)明實(shí)施例對(duì)此不做贅述。

條件2：對(duì)于每個(gè)1≤l≤k，

1)計(jì)算的值，同時(shí)對(duì)應(yīng)改變maxr和minr的值：如果maxr＜rl，

則maxr＝rl；如果minr＞rl，則minr＝rl；

2)判斷maxr-minr＜t(本例中t＝0.0625)是否成立，如果成立，則繼續(xù)比較下一個(gè)特征分量，反之則直接判定這兩個(gè)特征向量不相同。

具體實(shí)現(xiàn)時(shí)，還可以根據(jù)實(shí)際應(yīng)用中的需要對(duì)t的取值進(jìn)行設(shè)定，本發(fā)明實(shí)施例對(duì)此不做贅述。

獲取同時(shí)滿足上述條件1、條件2的兩個(gè)特征向量，該兩個(gè)特征向量是近似相同的。

204：遍歷所有判定為近似相同的行向量對(duì)，并統(tǒng)計(jì)出所有的轉(zhuǎn)移向量，掃描所有的轉(zhuǎn)移向量，找出其中的主轉(zhuǎn)移向量，再去除所有與主轉(zhuǎn)移向量不同的對(duì)應(yīng)子塊，剩余的子塊即可判定為復(fù)制粘貼的篡改部分，如果沒(méi)找到，即可判斷該待檢測(cè)圖像中沒(méi)有出現(xiàn)復(fù)制粘貼篡改，流程結(jié)束，反之轉(zhuǎn)入下一步；

對(duì)于去除錯(cuò)誤匹配的子塊對(duì)，可以使用確定主轉(zhuǎn)移向量的方法來(lái)實(shí)現(xiàn)精準(zhǔn)復(fù)制粘貼區(qū)域判定。其原理是復(fù)制區(qū)域d1和粘貼區(qū)域d2都具有統(tǒng)一的轉(zhuǎn)移向量，如圖3所示，而與極少數(shù)的相似區(qū)域所產(chǎn)生的轉(zhuǎn)移向量相比，復(fù)制粘貼區(qū)域d1，d2的轉(zhuǎn)移向量占絕大多數(shù)，所以去除那些個(gè)別少數(shù)的轉(zhuǎn)移向量，所留下的對(duì)應(yīng)的子塊對(duì)區(qū)域極為復(fù)制粘貼部分。

下面詳細(xì)介紹一下找出主轉(zhuǎn)移向量的具體過(guò)程：

遍歷所有判定為近似相同的行向量對(duì)，計(jì)算出各轉(zhuǎn)移向量d，對(duì)所有的轉(zhuǎn)移向量d進(jìn)行概率統(tǒng)計(jì)，選取各轉(zhuǎn)移向量d中頻率出現(xiàn)最多的轉(zhuǎn)移向量作為主轉(zhuǎn)移向量。

205：分別標(biāo)識(shí)出待檢測(cè)圖像中的被復(fù)制區(qū)域和粘貼區(qū)域，使用開(kāi)操作去除地圖上可能的孤立塊，然后將處理完的圖像可視化輸出，流程結(jié)束。

由于特征向量經(jīng)過(guò)了截?cái)嗪土炕?，可能?huì)有一些誤檢出來(lái)的孤立區(qū)域，因此，采用形態(tài)學(xué)上的開(kāi)操作^[7]，以移除一些孤立的塊。

具體移除孤立塊的步驟為本領(lǐng)域技術(shù)人員所公知，本發(fā)明實(shí)施例對(duì)此不做贅述。

綜上所述，本發(fā)明實(shí)施例通過(guò)上述步驟201-步驟205有效地降低了時(shí)間復(fù)雜度以及具有更強(qiáng)的魯棒性，可以應(yīng)用于任何基于復(fù)制粘貼篡改方式的盲取證，滿足了實(shí)際應(yīng)用中的多種需要。

實(shí)施例3

下面結(jié)合具體的計(jì)算公式、圖4-圖8對(duì)實(shí)施例1和2中的方案進(jìn)行可行性驗(yàn)證，詳見(jiàn)下文描述：

本實(shí)驗(yàn)用到的所有實(shí)驗(yàn)的自然圖像都來(lái)自t.-t.ng等人發(fā)布的用于數(shù)字圖像取證的圖像測(cè)試集^[6]，其中所有的圖像都為大小為128×128像素，均為灰度圖像，保存格式為bmp。

為了測(cè)試檢測(cè)算法能夠檢測(cè)篡改區(qū)域位置的精確度，如下一些參數(shù)被計(jì)算。記輸入篡改圖像的復(fù)制區(qū)域?yàn)閐1，粘貼區(qū)域?yàn)閐2，檢測(cè)算法檢測(cè)出來(lái)的復(fù)制區(qū)域?yàn)閞1，粘貼區(qū)域?yàn)閞2，有效檢測(cè)acc，無(wú)效檢測(cè)f分別定義為：

其中，|.|為一個(gè)區(qū)域的面積，∩為兩個(gè)區(qū)域的交集，∪為兩個(gè)區(qū)域的并。acc和f體現(xiàn)了檢測(cè)算法檢測(cè)出的區(qū)域和待檢測(cè)圖像中實(shí)際存在的篡改區(qū)域的接近程度。

實(shí)驗(yàn)中將本算法與以下兩種算法進(jìn)行對(duì)比：

fridrich算法^[2]，其圖像特征塊的處理方式為dct；

popescu算法^[8]，其圖像特征塊的處理方式為pca(principalcomponentanalysis)。

為了更好的驗(yàn)證本算法對(duì)于復(fù)制粘貼篡改檢測(cè)的準(zhǔn)確性，對(duì)選取的300張自然圖像進(jìn)行了復(fù)制粘貼篡改，并且綜合考慮了各種可能的篡改情況，對(duì)得到的所有的有效檢測(cè)acc，無(wú)效檢測(cè)f作平均處理，得到平均有效檢測(cè)平均無(wú)效檢測(cè)

此外，為了驗(yàn)證本算法的魯棒性，分別進(jìn)行了噪聲添加及模糊處理等操作，如圖5和圖6所示，并將各算法的檢測(cè)性能進(jìn)行了列表比較，如圖7所示。當(dāng)對(duì)待檢測(cè)圖像添加高斯噪聲后的信噪比snr＝35或25db時(shí)，檢測(cè)效果與添加噪聲前的檢測(cè)效果檢測(cè)一致；但當(dāng)snr小于20.035時(shí)，檢測(cè)效果急劇下降。

通過(guò)與popescu算法進(jìn)行比較發(fā)現(xiàn)，popescu算法在信噪比低于25db時(shí)，檢測(cè)效果就會(huì)急劇變差，因此本算法在抗噪聲處理上具有更好的魯棒性；當(dāng)對(duì)待檢測(cè)圖像進(jìn)行高斯模糊處理時(shí)，其中參數(shù)設(shè)置為：n1＝n2＝5,σ²＝1或者σ²＝2，檢測(cè)效果也很好，可以驗(yàn)證本算法在抗模糊處理上也具有一定的魯棒性。此外，將三種算法的時(shí)間復(fù)雜度進(jìn)行了比較，如圖8可知，本算法在一定程度上降低了時(shí)間復(fù)雜度。綜上，實(shí)驗(yàn)結(jié)果驗(yàn)證了本方法的可行性與優(yōu)越性。

參考文獻(xiàn)：

[1]周琳娜.數(shù)字圖像盲取證技術(shù)研究[d].北京郵電大學(xué)，2007.

[2]j.fridrich,d.soukal,j.lukas.detectionofcopy-moveforgeryindigitalimages[a].in:proceedingsofthedigitalforensicresearchworkshop[c],usa,2003:1-10.

[3]單薇.基于復(fù)制粘貼的數(shù)字圖像篡改檢測(cè)研究[d].蘇州大學(xué)，2014.

[4]趙俊紅.圖像內(nèi)容被動(dòng)取證技術(shù)的研究[d].華南理工大學(xué)，2011.

[5]s.a.khayam.thediscretecosinetransform(dct):theoryandapplication[m].uppersaddleriver,nj,usa:prenticehallpress,aug.2003,32-41.

[6]t.-t.ng,j.hsu,s.-f.chang.columbiaimagesplicingdetectionevaluationdataset,http://www.ee.columbia.edu/ln/dvmm/downloads/authspliceddataset/authspliceddataset.htm.

[7]rafealc.gonzalez,richarde.woodsp.,“digitalimageprocessing”,edition2nd,addison-wesleypp.528-532,1992.

[8]a.popescu,h.farid.exposingdigitalforgeriesbydetectingduplicatedimageregions[r],technicalreporttr2004-515,dartmouthcollege,2004.

本領(lǐng)域技術(shù)人員可以理解附圖只是一個(gè)優(yōu)選實(shí)施例的示意圖，上述本發(fā)明實(shí)施例序號(hào)僅僅為了描述，不代表實(shí)施例的優(yōu)劣。

以上所述僅為本發(fā)明的較佳實(shí)施例，并不用以限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)，所作的任何修改、等同替換、改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。