[发明专利]一种基于频域差分统计特征的JPEG图像重压缩检测方法

摘要

本发明涉及数字图像取证技术领域，更具体地，涉及一种基于频域差分统计特征的JPEG图像重压缩检测方法，针对JPEG压缩原理，利用了DCT变换后，DCT块内的DCT系数的相关性在频域方向增强的现象，对图像的DCT系数矩阵进行了重排列，使得相邻频域的DCT系数在重排矩阵中水平相邻，然后提取重排矩阵水平差分的Markov特征，并结合图像的DCT系数矩阵的斜对角差分矩阵的水平和垂直的Markov特征作为分类特征，该特征很好地利用了块内频率域的差分信息，能够得到有效的分类器，本发明能够有效地检测图像是否经过JPEG重压缩操作，结合JPEG压缩原理，利用图像频率域的块内差分统计特征作为分类特征，具有较好的检测效果，有效提高了检测的准确率。

主权项

1.一种基于频域差分统计特征的JPEG图像重压缩检测方法，其特征在于，包括以下步骤：S1.选取图像训练集：训练集由各种质量因子QF1压缩的单次JPEG压缩图像和由质量因子QF1、QF2压缩得到的JPEG重压缩图像构成，其中，QF1∈{50,55,60,65,70,75,80,85,90,95}，QF2∈{50,55,60,65,70,75,80,85,90,95}，且QF1≠QF2；S2.对训练图像Y通道的DCT系数矩阵进行重排列；S3.提取Markov特征：先对S2中得到的重排矩阵计算水平的二阶差分矩阵，得到原图像频域方向的块内二阶差分矩阵，然后对该差分矩阵使用阈值T进行截断处理，大于T的数值全部用T来替换，小于‑T的数值全部用‑T来替换，最后对处理后的差分矩阵提取水平的三阶Markov转移概率矩阵，并结合原图像的DCT系数矩阵的斜对角方向的二阶差分矩阵的水平、垂直的三阶Markov转移概率矩阵，得到该图像块内的Markov特征向量；S4.训练特征准备：对所有训练集中的图像进行S3操作后，可以得到训练集中所有图像的特征向量，再将单次JPEG压缩图像的特征向量标识为1，将重压缩图像的特征向量标识为‑1，并将标识好的特征集作为SVM的特征训练集，输入SVM分类模型中进行学习；S5：SVM‑RFE降维：使用基于支持向量机的回归特征消除方法SVM‑RFE对特征训练集进行排序，使有效的特征排在特征训练集前面，得到重排后的特征列表后，选择特征列表的前n个特征值构成新的特征向量，所有图像的n个特征组成一个新的特征向量集；S6.寻找最优的c，g参数：对S5得到的特征向量集和对应的标识集使用径向基内核的SVM进行训练，使用网格搜索的方法搜索最优的惩罚参数c和核参数g，得到分类器模型；S7.测试图像提取特征：先对测试图像进行S2中的重排列，然后提取重排矩阵的水平差分矩阵的水平方向的Markov特征向量，并提取DCT系数矩阵的斜对角差分矩阵的水平、垂直的Markov特征，即进行S3的操作，然后按照S5操作，取重排后的特征排序列表的前n个特征值，组成测试图像的特征向量；S8.分类预测：将S7得到的测试图像的特征向量输入到S6得到的SVM分类模型中，得到测试图像的预测结果；其中，1代表测试图像为单次JPEG压缩图像，‑1代表测试图像为JPEG重压缩图像。