一种基于Contourlet变换的图像拼接检测方法

摘要

本发明提供一种基于Contourlet变换的图像拼接检测方法，利用Contourlet变换能够很好的描述图像中的轮廓和方向性纹理信息的优点，首先对训练图像进行Contourlet变换后提取Markov特征，并使用基于支持向量机的回归特征消除方法SVM‑RFE对特征集进行降维，提升检测效率和准确率，使用降维后的特征集训练找到最优参数并得到SVM分类模型，然后对测试图像提取相应的特征向量，使用得到的分类模型对测试图像的特征向量进行分类预测，得到测试图像是否经过拼接操作的判断结果。本发明在一种新的变换域提取特征，具有很好的检测效率和准确率。

主权项

一种基于Contourlet变换的图像拼接检测方法，其特征在于，包括以下步骤：S1：选取图像训练集：训练集包含没有经过任何篡改操作的原始图像和经过拼接篡改的拼接图像；S2：对训练图像进行Contourlet变换：对于图像训练集的每一张图像，分别进行相同的Contourlet变化，使用k层的Contourlet分解，相应的每层金字塔方向滤波器DFB的向量个数设为{f1,f2,…,fn}，每层分解会得到对应{2^f1,2^f2,…,2^fn}个系数子带，并且第一层分解时，会额外得到一个低通系数子带，因此一共得到K＝1+2^f1+2^f2+…+2^fn个系数子带，每个子带为一个系数矩阵；S3：提取Markov特征：针对每张图像的每个系数子带提取Markov特征，先将系数子带矩阵的每个系数取整和取绝对值，再按照水平方向和垂直方向计算其差分矩阵，会得到两个差分矩阵，对每个差分矩阵的系数，使用阈值T进行截断操作，大于T的系数全部替换为T，小于‑T的系数全部替换为‑T，然后对每个差分矩阵计算其水平方向和垂直方向的Markov转移概率矩阵，将得到的4个Markov转移概率矩阵连在一起作为该系数子带的特征向量，再将每张图像的所有系数子带的特征向量连接在一起，得到该图像的Markov特征向量；S4：训练特征准备：得到训练集所有图像的特征向量后，将原始图像的特征向量标识为+1，将拼接图像的特征向量标识为‑1，将两类特征集作为SVM的特征训练集，特征集每行对应一张图像的特征向量，每列对应一种特征；S5：SVM‑RFE降维：使用基于支持向量机的回归特征消除方法SVM‑RFE对特征训练集的每一列特征进行排序，得到特征排序列表，按照特征排序列表对每张图像的特征向量选择前n个特征值构成新的特征向量，进而组成一个新的特征向量集；S6：寻找最优的惩罚参数c和核参数g并训练得到分类器：对降维后得到的特征向量集和相应的标识集使用径向基内核的SVM训练，使用网格搜索的方法搜索最优的惩罚参数c和核参数g，得到分类器模型；S7：测试图像提取特征：对测试图像进行与上面训练图像相同的Contourlet变换，对得到的每个系数子带提取Markov特征得到特征向量，即进行类似S2和S3的操作，然后按照S5得到的特征排序列表选取前n个特征值，得到测试图像的特征向量；S8：分类预测：加载S6得到的SVM分类模型，对S7得到的测试图像的特征向量进行分类预测，得到预测结果，+1代表测试图像为原始图像，‑1代表测试图像为拼接图像。