[发明专利]基于Markov过程和Gabor滤波的图像重采样检测

说明书

技术领域

本发明涉及一种统计特征和纹理特征相结合的图像重采样篡改检测方法，属于数字图像篡改取证技术领域。

背景技术

在当今数字信息迅速发展的时代，数字图像作为最常用的一种数字信息载体被广泛地应用到新闻、司法、科学、娱乐、军事等领域，但是各种对图像的伪造和篡改对事实的真实性产生了严重的破坏，妨碍了司法公正、影响了社会的稳定和秩序等。因此，数字图像取证技术成了信息安全技术研究领域里一个非常重要的方向。

图像篡改操作包括很多种，如图像的拼接、粘贴-复制、重采样等操作。本发明主要是针对重采样操作进行检测，重采样的检测可以分为两类：Popescu等人在“Exposingdigitalforgeriesbydetectingtracesofresampling”(IEEETransactionsonSignalProcessing，vol.53，pp.758-767，2005年2月)中提出的基于期望值最大化(EM)的算法以及Mahdian等人在“Blindauthenticationusingperiodicpropertiesofinterpolation”(IEEETransactionsonInformationForensicsandSecurity，vol.3，pp.529-538，2008年3月)中提出的重采样信号差分统计量具有周期性的方法。在这两种基本算法的基础上，国内外的学者对这两种算法进行了一定的改进，提出了多种检测图像重采样操作的方法，其中包括汪然等人在“基于图像纹理复杂度和奇异值分解的重采样检测”(计算机辅助设计与图形学学报，vol.22，pp.1606-1612，2010年9月)中提出的利用奇异值分解的特征值对重采样图像进行检测，文献中考虑到纹理对图像块的影响，故通过设定阈值将图像块区分开并对其提取不同的特征，该算法对于缩放因子大于1的图像检测很有效果，然而对于旋转图像的检测则效果并不理想。曹洪建等人在“基于冗余性的图像重采样检测”(数据采集与处理，vol.29，pp.116-120，2014年1月)中提出的一种在时域中计算重采样因子的方法解决了由于重采样过程中的频率混叠导致的重采样因子不完全确定的问题，但是该方法也只能在时域中正确检测压缩图像的缩放因子，并不能完全解决存在的问题。

综上所述，上述的算法都可以检测出图像中的重采样篡改操作。但是每种方法都存在它们的缺点，主要的缺点有算法的鲁棒性不强，即对旋转和缩放操作不能同时兼顾，或者是图像中缩放因子的计算等等，所以本发明中针对算法中的一些缺点进行改进从而提高算法的检测精度。

发明内容

本发明意在改进现有算法的不足，提高算法的检测精度，改进算法的鲁棒性。由于原图像经过篡改之后图像的纹理和质量会发生变化，因此在上述算法的基础上引入图像的Markov特征和图像Gabor滤波后的纹理特征对篡改图像进行检测。图像的Markov特征是通过引入图像的条件状态转移概率矩阵来表示的，条件状态转移概率矩阵是用来表达图像相邻DCT系数之间的相关性，所以利用常用的DCT变换计算图像的Markov特征。而图像的纹理特征主要是根据图像对Gabor滤波后响应幅值的标准差和均值向量作为特征值来描述图像的纹理。

本发明提出的技术方案是基于一种统计特征和纹理特征相结合的图像重采样篡改检测方法，其改进部分主要分为三个部分：Markov特征的提取、图像纹理特征的提取、篡改图像的检测。

所述Markov特征的提取步骤如下：

(1)根据分块算法将图像分割成8×8的子块，分别对每个子块进行二维DCT，获取所有BDCT系数的二维矩阵；

(2)根据BDCT系数的二维矩阵分别计算出沿水平、垂直、主对角线及次对角线的差分矩阵，分别记为F_h(u，v)、F_v(u，v)、F_d(u，v)和F_m(u，v)；