基于D-S证据理论的数字图像可信性度量方法

摘要

本发明公开了一种基于D-S证据理论的数字图像可信性度量方法，其特征在于按如下步骤进行：构建用于特征比对的篡改特征集、建立数字图像可信性度量模型；对所述数字图像可信性度量模型进行自检；对未知图像提取相应的篡改特征，并使用所建立的数字图像可信性度量模型对未知图像进行预测；最后使用D-S证据理论对预测结果进行处理并给出未知图像的度量结果和可信区间。本发明用于对数字图像的隐写安全性、篡改完整性及来源可靠性等做出综合度量。

主权项

一种基于D‑S证据理论的数字图像可信性度量方法，其特征在于按如下步骤进行：步骤1：构建用于特征比对的篡改特征集、建立数字图像可信性度量模型；步骤2：对所述数字图像可信性度量模型进行自检；步骤3：对未知图像提取相应的篡改特征，并使用所建立的数字图像可信性度量模型对未知图像进行预测；最后使用D‑S证据理论对预测结果进行处理并给出未知图像的度量结果和可信区间；所述步骤1按如下过程进行：1.1，由用户制定数字图像可信指标I，I＝{tag|tag＝1，2…n}，其中n为正整数，tag为数字图像篡改行为的标记；1.2，根据步骤1.1中用户制订的数字图像可信指标I建立包含具有相等规模大小的n个图像集的训练集，所述训练集中包含未经任何篡改的图像集tag＝1和n‑1个经过单一类型篡改的图像集tag＝2，3，4…n；1.3，对所述训练集中的n个图像集分别提取tag＝2，3，4…n类型的篡改特征，构成n个篡改特征集，对获得的n个篡改特征集使用分类器进行训练，获得相应的n个模型，记为modeli，i＝1，2，…n；所述步骤2按如下过程进行：2.1，任意选取数字图像不同于训练集的测试集，要求所述测试集中图像规模至少为500幅，测试集中图像为经过已知种类篡改tag＝2，3，4…n的图像；2.2，对步骤2.1中选取的测试集中的图像提取tag＝2，3…n类型的篡改特征；2.3，将步骤2.2中提取的篡改特征和步骤1.3中获得的modeli使用分类器作预测，得到modeli预测结果，每一条预测结果中含有将图像预测为属于步骤1.2中定义的各种图像类别的分类概率；2.4，分析步骤2.3的预测结果，定义差值概率的绝对值d等于每一条预测结果的分类概率中最大的两个概率值之差的绝对值；设定门限ε，其中0＜ε＜1；若d＜ε，则认为此时这两个起关键作用的分类概率比较近似，modeli在这种情况下难以做出准确判断，此时的分类结果是不可靠的；统计这样的不可靠分类事件的发生频率以及做出的正确判断事件的发生频率，即为各个model的不确定度U及准确率A，所述不确定度U和准确率A均为n维向量，对准确率A作归一化处理；所述步骤3按如下过程进行：3.1，对一幅未知图像提取tag＝2，3…n类型的篡改特征；3.2，将步骤3.1中提取的篡改特征和步骤1.3中获得的modeli使用分类器进行预测，获得n个model的预测结果；步骤4按如下过程进行：步骤4.1，由步骤3.2中获得的预测结果建立n*n的概率分布矩阵，将步骤2.4中得到的不确定度U的转置UT作为概率分布矩阵的第n+1列，并逐行作归一化；将步骤2.4中得到的准确率A归一化，转置矩阵AT作为概率分布矩阵中各行的权重，此权重作为矩阵的附加信息，定义由此附加信息获得的矩阵： M = P ( tag 1 - 1 ) 1 + U ( 1 ) P ( tag 1 = 2 ) 1 + U ( 1 ) . . . U ( 1 ) 1 + U ( 1 ) . . . . . . P ( tag n = 1 ) 1 + U ( n ) P ( tag n = 2 ) 1 + U ( n ) . . . U ( n ) 1 + U ( n ) = m 11 m 12 . . . m 1 n + 1 . . . . . . m n 1 m n 2 . . . m nn + 1 , 其中 Σ j = 1 n + 1 m ij = 1 , i＝1，2…n为D‑S证据矩阵；步骤4.2，对步骤4.1所得证据矩阵使用带约束条件的最小二乘法进行修正，得到修正的证据矩阵，其中约束条件是最小二乘法构造的不动点所拟合的直线在最大点与最小点之间；步骤4.3，对步骤4.2中所得的修正的证据矩阵使用D‑S证据合成公式 m ( A ) = Σ ∩ i A j = A Π l ≤ i ≤ n m i ( A j ) K 其中 K = Σ ∩ i A j = Φ Π l ≤ i ≤ n m i ( A j ) 得到合成结果；步骤4.4，记步骤4.3中所得的合成结果为m’(A)，m’(B)，m’(C)…m’(U)，因为图片只可能存在一种归属，所以U集合中的元素A，B，C…互斥，在此条件下，根据D‑S证据理论，未知图像的可信区间为[bel(A)，pl(A)]，其中bel(A)＝m’(A)，pl(A)＝m’(A)+m’(U)。