[发明专利]基于深度随机森林的JPEG图像重采样自动检测方法

权利要求书

1.一种基于深度随机森林的JPEG图像重采样自动检测方法，其特征在于，所述基于深度随机森林的JPEG图像重采样自动检测方法包括：

(11)提取描述JPEG图像重采样特性的特征向量：对图像进行预处理，提取描述JPEG图像基于重采样的四个特征：描述受重采样操作影响的局部周期相关性所呈现出的纹理特征；描述R、G、B三个通道受重采样操作影响的差异性的Benford特征；描述受重采样操作影响的DCT系数与其周围系数的关系的相邻系数差特征；描述JPEG图像重采样后出现的块效应特征；

(12)基于典型相关分析的特征融合：使用典型相关分析法将描述重采样特性的四组特征向量进行融合；

(13)基于深度随机森林的重采样学习和检测：使用深度随机森林对融合后的特征向量进行学习和检测，包括：

(91)首先对特征向量进行训练，对特征融合通过变换的特征向量的级联或求和来执行中得到的经过了特征融合产生的特征向量Z₁，然后进行多粒度扫描，用多粒度扫描流程来增强级联森林,使用滑动窗口扫描的生成实例，输入森林后结果合并，生成新的特征；

(92)通过滑动大小为m×m，步长为n的特征窗口进行多粒度扫描得到B组m×m维的特征向量；Z₁是一个M×N的矩阵，B＝(M-m+n)×(N-m+n)；

(93)根据步骤(92)，利用不同尺寸的滑动窗口将原始特征切分成多个实例特征向量，经过森林变换输出类别概率向量，B_n，其中，n＝0,1,2,…,n；

(94)合并类别概率向量生成新的特征m；

(95)输入特征向量C经过森林输出类别概率向量D₀，连接原始输入作为下一层输出D₁；

(96)将步骤(95)重复k次，经过多个级联森林，直到精度没有变化或者达到最大网络层数，得到4组维度为2的判别输出；

(97)重复步骤(94)和(95)得到判别输出直得到4组维度为2的判别输出；

(98)将4组输出结果取平均值作为最终结果，取最大的类别概率即为图像是否经过重采样操作的训练结果。

2.如权利要求1所述的基于深度随机森林的JPEG图像重采样自动检测方法，其特征在于，所述的受重采样操作影响的局部周期相关性所呈现出的纹理特征的提取步骤包括：

(21)对图像选择感兴趣的区域I，提取预提特征的JPEG图像灰度值，得到图像灰度值矩阵，记为I(i,j)；

(22)对灰度值矩阵I(i,j)，使用具有局部变换特性的图像表示，得到卷积的输出D_m来表征局部特征属性；

(23)构建基于重采样描述的检测特征，使用特征函数的特征函数矩来表征覆盖系数和图像概率分布的差异。

3.如权利要求2所述的基于深度随机森林的JPEG图像重采样自动检测方法，其特征在于，所述步骤(22)中，选择12个局部线性掩膜一同构成图像的局部线性表示的步骤包括：

(31)构造12个局部线性掩膜，公式如下：

6个局部2维DCT掩膜：

6个SOD掩膜：

(32)将第m个纹理细节子带D_m通过将I与进行卷积而得到的局部线性表示的公式如下：

其中，m＝1,2,...,12；

所述步骤(23)中，使用特征函数矩表征图像特征，步骤如下：

(41)首先使用L-bin直方图来估计随机变量D_m(i,j)的概率密度函数，以此来得到详细的纹理子带D_m的经验特征函数；让K点离散特征函数被定义为：

(42)提出一种新的特征函数的加权特征，第n个特征函数的重复特征定义为：

|Φ(k)|表示为幅度，通过快速傅里叶变换得到；

(43)定义归一化为：

(44)将n＝3,得到图像纹理特征向量如下：