[发明专利]基于小波域的图像拼接盲检测方法

权利要求书

1.一种基于小波域的图像拼接盲检测方法，其特征在于：

首先用自然图像的高频小波子带系数拟合广义高斯分布；

当自然图像经过篡改后，其小波分解得到的高频子带系数的统计特性发生变化，从而无法与广义高斯分布很好地吻合，因此，对每个高频子带，利用这个特点进行特征提取；

在对图像小波分解后，用每个高频子带系数进行参数估计，与高频子带系数的实际分布做比较，并利用它们之间的差别提取特征；

然后通过支持向量机SVM分类，对图像真伪进行判别；

所述的图像特征提取，包括如下步骤：

①图像进行离散小波变换后，对每一个高频子带，假设系数服从广义高斯分布，利用大小为M*N的高频子带系数w(i，j)，求解下列方程式：

其中：Γ(·)为gamma函数，可得到广义高斯分布概率密度函数的形状参数v和方差参数δ_θ；并将估计出的参数值代入下式可得到广义高斯分布概率密度函数： 

其中 参数v作为一个特征；

②将高频子带系数的系数最小值到最大值之间等分为K个区间，即区间长度L＝(Max-Min)/K；计算系数落在各个区间内的概率p(θ_i)，i＝1，2...K，则实际图像的高频子带系数分布密度函数在每个区间中心处的取值近似为：g(θ_i)＝p(θ_i)/L；

③在每个区间中心处，求实际图像的高频子带系数分布密度函数和其广义 高斯分布概率密度函数之间的差：delta(θ_i)＝|g(θ_i)-π(θ_i)|，将其平均值 所有区间内delta(θ_i)*L的和 作为另外两个特征。

2.根据权利要求1所述的基于小波域的图像拼接盲检测方法，其特征是，所述的支持向量机SVM分类过程，包括如下步骤：

①用包括真实图像和拼接图像已知类别的图像构成训练集，对训练集的每一幅图像提取上述的小波域特征，并用标志位来标志其图像所属类别；

②SVM分类器核函数选用径向基函数，将训练集特征送入支持向量机SVM，利用交叉验证，获得使交叉验证准确率最高的最优参数C和g，并用其训练支持向量机SVM；

③对测试图像，提取上述小波域特征，并用训练过的支持向量机SVM判断其所属类别。

3.根据权利要求2所述的基于小波域的图像拼接盲检测方法，其特征是，所述的所属类别，是指标志位为1表示其为真实图像，-1表示拼接图像。