一种基于纹理特征的数字图像被动盲取证方法

摘要

本发明公开了一种基于纹理特征的图像被动盲取证方法，特征是选用图像纹理平均值、纹理标准差、纹理平滑度、纹理三阶矩、纹理一致性和纹理熵这六个纹理特征量来表示图像内容。相比现有选用图像变换域的间接特征量来代表图像内容信息的方法，本发明直接选取图像纹理特征表示图像信息，更能将图像的信息充分地表示出来；本发明相对现有的方法降低了特征量的维数，本发明选取的纹理特征具有层次性、尺度性和平移不变性等特点，提高了图像篡改取证检测率以及鲁棒性，可应用于图像的内容真实性的鉴别等领域。

主权项

1.一种基于纹理特征的数字图像被动盲取证方法，其特征在于：首先进行纹理特征提取：第一步、对待检测的可疑图像进行灰度判决，如果为非灰度图像，则将其转换为灰度图像；第二步、将转换为灰度图像后的待检测图像的纹理部分剪裁出来；第三步、将剪裁得到的灰度图像纹理部分进行重叠分块；第四步、根据下列公式分别计算出每一个纹理子块的纹理平均值、纹理标准差、纹理平滑度、三阶矩、纹理一致性和纹理熵，作为每一个子块的特征统计量，来代表每一个纹理子块内容信息：1)纹理平均值公式$\mathrm{ave}=\frac{1}{s\times s}\underset{x,y}{\Sigma }n(x,y)$式中ave为纹理平均值，s×s为纹理子块的大小，n(x,y)为(x,y)点的灰度值；2)纹理标准差公式$\mathrm{var}=\underset{x,y}{\Sigma }{[n(x,y)-\mathrm{ave}]}^2/(s\times s)$式中var为纹理标准差；3)纹理平滑度公式$P=1-\frac{1}{1+\frac{{\mathrm{var}}^2}{{(L-1)}^2}}$式中P为纹理平滑度，L为纹理灰度级；4)三阶矩公式$S=\frac{E{(n(x,y)-\mathrm{ave})}^3}{{\mathrm{var}}^3}$式中S为纹理三阶矩，E表示取统计均值的运算；5)纹理一致性公式K=∑(p²)式中K为纹理一致性，p为纹理直方图均值；6)纹理熵公式$E=-\underset{x,y}{\Sigma }{p}_{x,y}\mathrm{lo}{g}_2\left(p_{x,y}\right)$式中E为纹理熵，p_x,y为(x,y)点的分布概率；接着进行纹理特征相似匹配，具体包含以下步骤：第五步、将得到的每一个子块的特征量进行归一化处理；第六步、设归一化后的纹理特征子块的特征向量为(ave_i,var_i,P_i,S_i,K_i,E_i)，其中，i=(M-b+1)×(N-b+1)，将纹理特征子块向量按顺序排列得到N_w×6的特征矩阵，得到排序后的特征矩阵T，T_i表示特征矩阵T中的一行，i=1,2…N_w，M，N表示测试图像纹理区域的大小，b为检测窗口的大小，N_w表示测试图像中包含的子块的数目；第七步、遍历特征矩阵T，计算特征矩阵T中相邻两行坐标值的偏移量，得到偏移量矩阵；第八步、按照下列相似性判决准则公式对得到的偏移量矩阵的每一行进行相似性匹配；式中，D表示计算两向量的欧氏距离，S_i、S_j为偏移矩阵中的行向量，δ为判决阀值；第九步、将小于判决阀值的的行向量所对应的图像纹理部分中的位置进行标记为1，不满足判决阀值的行向量对应的纹理部分的位置标记为0；第十步、对取证过程中产生的非连通区域，先对其进行形态学开操作然后再对其进行形态学闭操作进行消除。