[发明专利]一种基于虚拟样本集成学习的图像来源鉴别方法

说明书

一种基于虚拟样本集成学习的图像来源鉴别方法，属于计算机图像处理技术领域。技术方案步骤如下：提取训练样本LBP特征，计算每类样本中LBP特征每一维的扩散范围，在扩散范围内按均匀分布随机生成多组虚拟样本，将原始训练样本分别加入多组虚拟样本中并训练多个基分类器，基于集成学习思想得到最终的强分类器，对测试样本分类得到来源鉴别准确率。有益效果是:本发明所述的基于虚拟样本集成学习的图像来源鉴别方法用有效的虚拟样本增加训练样本的数量，并用集成学习的思想对分类结果进行整合，从而提升了训练样本不足情况下的相机型号来源鉴别准确率。

技术领域

本发明属于计算机图像处理技术领域，尤其涉及一种基于虚拟样本集成学习的图像来源鉴别方法。

背景技术

近年以来，随着网络的发展和科技的进步，快速的网络和便捷的智能设备使得人们可以及时地获取所需的数字图像信息，这给生活带来了许多的便利。其中各种数字图像编辑的软件工具如Photoshop、天天p图等风靡一时，这些软件不仅操作相对简单，且其对数字图像的修改痕迹也很难被发现。也正因如此，数字图像作为互联网社会中信息传递的重要载体，其真实性和完整性越来越受到人们的关注。数字图像的来源鉴别是数字图像取证领域十分重要的方向，由于不同的手机或相机拍摄的图像总会存在其特有的痕迹，数字图像的来源鉴别就是根据这种痕迹对数字图像进行分类，找到其来源设备。

由于透镜在制作和组装过程中会存在磨损偏差而引入畸变，Choi等人提出将透镜径向畸变作为识别源相机的指纹。径向畸变使输出图像上的直线呈现为曲线，当横向放大率MT(图像距离与物体距离之比)不是一个常数时，就会发生径向畸变。不同的制造商采用不同的透镜系统设计来完成透镜焦距对径向畸变的影响程度。因此，每个型号相机的径向畸变模式都会不同。以此作为图像的特征并对3种不同的相机型号进行实验，平均分类精度约为91.46％。Lukas等人中提出了一种基于传感器模式噪声(光响应非均匀性噪声,PRUN)的图像来源鉴别方法。像素不均匀性是模式噪声的主要来源，不同的像素由于传感器制造过程中的缺陷而具有不同的光灵敏度，这使得模式噪声成为能够识别不同型号相机的传感器的图像特征。在此基础上，Lukas等人采用基于小波的去噪算法对图像进行去噪，得到的噪声残差包含所需的噪声分量和来自图像本身的信息。因此，为了进一步增强噪声模式并抑制来自图像的随机信息，将从多个图像获得的噪声残差进行平均，以估计相机的噪声模式。同时为了识别给定图像的来源，将图像的噪声残差与从相机中提取的参考噪声模式相关联，并将测量的相关统计数据与预先确定的决策阈值进行比较，做出决策。Chen C等人提出了一种新的相机型号来源鉴别方法，该方法计算了图像和不同插值算法之间的插值误差。其构建的每个子模型都是由插值误差的结构化联合分布组成的(以共现矩阵表示)。每个子模型都可以捕捉到相机中插值算法的部分信息。然后将所有子模型组合在一起，并将其输入到一个集成分类器中。

统计特征也经常被用于相机型号的来源识别中。Xu G等人用均匀灰度不变局部二值模式(LBP)作为统计特征，分别从R、G通道的空间域、相应的预测误差图像以及每幅图像的一级小波子带中提取共3组59个局部二值模式]。Xu B等人在HSV颜色空间中从原始图像、残差噪声图像和残差噪声图像的轮廓变换系数中提取LBP特征，接着从原始图像和残差噪声图像中提取LPQ特征。然后将LBP和LPQ结合起来作为图像最终的特征，并将其送入SVM分类器进行来源识别，实验结果表明，该方法具有良好的来源鉴别准确率和鲁棒性。Wang B等人提出了一种有效的方法，从被测图像中提取216维的高阶小波特征和135维的小波系数，并采用序贯前向特征选择(SFFS)方法来减少冗余度和相关性，最后利用支持向量机(SVM)判别数字图像的相机来源。实验证明，用支持向量机(SVM)对的图像来源鉴别的准确率达到98％。