專利名稱：基于色調(diào)模式的檢測多種篡改的數(shù)字圖像取證方法
技術(shù)領(lǐng)域：
本發(fā)明屬于信號與信息處理技術(shù)領(lǐng)域，涉及到檢測數(shù)碼照片原始性的數(shù)字圖像取證方法，特別涉及到基于色調(diào)模式的檢測多種篡改的數(shù)字圖像取證方法。
背景技術(shù)：
數(shù)字圖像取證技術(shù)用來判斷一幅圖像來源的可靠性和內(nèi)容的完整性與真實性。目前現(xiàn)有的數(shù)字圖像取證技術(shù)可分為兩大類一類從篡改操作的屬性出發(fā)，基于各種篡改操作為圖像引入的新的特性設(shè)計算法，此類技術(shù)包括Hany Farid和Popescu提出的利用最大似然估計(Expectation Maximization，EM)檢測重采樣和CFA的方法[1]，基于PCA檢測單幅圖像中塊復制粘貼的方法[2]，以及Shih-Fu Chang提出的利用信號高階統(tǒng)計特征中的歸一化的雙一致性，暨雙譜特征來檢測不同圖像中塊復制粘貼的方法[3]。然而，一幅足以以假亂真的篡改作品往往會結(jié)合多種篡改操作，各種操作對圖像的影響會相互制約，使得此類檢測技術(shù)在實際應(yīng)用中往往得不到好的效果。另一類技術(shù)從原始圖像本身的屬性出發(fā)，試圖尋找原始圖像所共有的、而在篡改操作中很難保持的統(tǒng)計特征作為算法設(shè)計的基礎(chǔ)，如Hany Farid在[4]中提出的利用CFA特性鑒別原始末篡改圖像的方法，在[5]中提出的利用高階小波統(tǒng)計特性進行原始未篡改圖像分類的方法，以及Jessica Fridrich提出的利用傳感器模式噪聲鑒別原始圖像和篡改圖像的方法[6]。由于后者的應(yīng)用范圍更加廣泛，因此隨著取證技術(shù)的發(fā)展，越來越多的研究者選擇后一種著眼點，本方法屬于后一類。
較有代表性的已公開的技術(shù)文獻有以下6篇[1].Popescu A C.Statistical tools for digital forensics[dissertation].HanoverDartmouth College，2004. .Popescu A C，F(xiàn)arid H.Exposing digital forgeries by detecting duplicatedimage regions，regions.Technical Report TR2004-515，Department ofComputer Science，Dartmouth College，2004.
http://www.cs.dartmouth.edu/farid/publications/tr04.pdf[3].Ng TT，Chang SF，Sun QB.Blind detection of photomontage using higherorder statistics.IEEE International Symposium on Circuits and Systems，Canada，2004688-691. .Popescu A C，F(xiàn)arid H.Exposing digital forgeries in color filter arrayinterpolated images.IEEE Transactions on Signal Processing，2005，vol 53，no.103948-3959. .Lyu，SW.Natural image statistics for digital image forensics[dissertation].HanoverDartmouth College，2005. .Lukas J，F(xiàn)ridrich J，Goljan M.Detecting digital image forgeries using sensorpattern noise.SPIE Electronic Imaging，Photonics West，2006.

發(fā)明內(nèi)容
本發(fā)明的目的是利用原始數(shù)碼照片特有的色調(diào)模式，通過提取色調(diào)模式的頻域特征作為檢測數(shù)字圖像原始性的判決量，分析其變化規(guī)律來對數(shù)碼照片進行取證。
本發(fā)明的技術(shù)方案如下1.數(shù)碼相機的圖像信號處理過程雖然各廠商生產(chǎn)的數(shù)碼相機的內(nèi)部結(jié)構(gòu)屬于商業(yè)秘密而往往不予公開，而實際上數(shù)碼相機中圖像信號的處理流程大同小異，如圖1所示。被拍攝場景的光首先通過相機鏡頭及光學濾波器，然后到達圖像傳感器。圖像傳感器是每一部數(shù)碼相機的核心，傳統(tǒng)相機和數(shù)碼相機的主要區(qū)別從此開始。圖像傳感器的感光器件有CCD和CMOS兩類(目前以CCD為主)，主要作用是將光信號轉(zhuǎn)換成電信號，隨即經(jīng)由A/D轉(zhuǎn)換器采樣為數(shù)字信號。圖像傳感器被分成許多很小的整齊排列的圖像單元(即像素)收集光子，器件本身只能接受光強灰度信息，數(shù)碼相機接受的彩色信息則是通過彩色CCD或者CMOS感光器前的彩色濾波器陣列(Color Filter Array，簡稱CFA)來實現(xiàn)的。CFA是由彩色濾波器鑲嵌而成，在每一像素位置，CFA都將阻擋某些頻率的進入，而只允許一種顏色的光通過。下文將會對CFA做更多詳細的說明。
如果傳感器應(yīng)用了CFA，在得到傳感器輸出的數(shù)字信號后，還將應(yīng)用插值操作，從而在每個像素位置都能獲得三基色的信息(有些數(shù)碼相機使用的是其他基色，道理相同)。隨后得到的圖像信號還可能通過顏色修正和白平衡，從而進一步增強圖像的視覺效果。最后，數(shù)字圖像以用戶指定的文件形式寫入記憶設(shè)備中。這里可能還將進行另外的數(shù)據(jù)壓縮操作等，比如JPEG壓縮。
每一幅數(shù)碼相機拍攝得到的數(shù)字圖像都將經(jīng)由上述信號處理過程，最終以數(shù)字形式保留在存儲設(shè)備中。因此無論圖像的內(nèi)容如何千差萬別，在圖像數(shù)據(jù)中都會不可避免地存在數(shù)碼相機內(nèi)部信號處理過程所遺留下來的痕跡，其中CFA插值是對圖像顏色的影響意義最大，因為CFA插值是幾乎每幅照片必經(jīng)的處理過程，而其他操作則是視具體情況而定的。
上面我們提到，在每個像素位置，只配有一個感光器件(CCD或CMOS)實際獲得一種顏色通道內(nèi)的像素值。每個像素位置通過什么顏色的光，取決于彩色濾波器陣列(CFA)在該位置的濾波器的種類，最常見的CFA結(jié)構(gòu)如圖2所示。
每個像素位置缺失的顏色將通過插值得到。一般地，像素單位面積遠遠小于圖像重要的細節(jié)分量的面積，因此，可以認為在小的鄰域范圍內(nèi)像素顏色是連續(xù)變化的，因此每個像素位置缺失的顏色可以利用局部鄰域內(nèi)其他像素顏色值插值得到。實際中不同的數(shù)碼相應(yīng)用的插值方法不同，遵循的原則不同，有基于色調(diào)緩慢變化的原則進行插值的，有根據(jù)梯度判斷邊緣走向從而沿邊緣進行插值的，還有基于更復雜原則的自適應(yīng)插值算法等。無論使用哪一種算法，當前像素位置缺失的某一顏色值都可看作是其鄰域內(nèi)傳感器實際獲得的各顏色像素值的某種組合，即Xij=fxij({r,g,b:r,g,b∈Nδ(i,j)})---(1)]]>上式中Xij表示在像素位置i，j處缺失的顏色值，X可以為R，G或B，大寫的RGB表示原本缺失通過插值得來的某一通道內(nèi)的像素值，小寫r，g，b表示感光器件實得像素值，Nδ(i，j)表示以i，j為中心的鄰域，fxij是這一位置的插值函數(shù)。無疑，插值過程為鄰域像素顏色值之間引入了相關(guān)性。另外，由于CFA的排列結(jié)構(gòu)往往是具周期性的，如圖2所示的三色Bayer CFA及其基本單元。在每一單元內(nèi)部的各像素位置上所需的插值函數(shù)不同，但是每一單元對應(yīng)的插值函數(shù)的集合是相同的。由于CFA插值函數(shù)周期作用于原始照片上，因此CFA插值過程為局部鄰域內(nèi)像素顏色值引入的相關(guān)性也具有周期性。
Farid等在文獻[4]中通過EM算法探求CFA插值在RGB各通道內(nèi)所引入的周期相關(guān)性，而沒有考慮RGB各通道間鄰域像素值的相關(guān)性。本文跳出常用的RGB模型，在色調(diào)域中討論CFA插值所帶來的相關(guān)性。對此申請人基于以下的考慮許多顏色模型都將顏色分為亮度信息和色度信息，如YUV，YCbCr，YSI等。其中色度(色調(diào)和飽和度)是與混合光譜中的主要光波長相聯(lián)系的，而物體對哪些光譜反射較多，通常是由其物理屬性所決定的。因此，在同一物體的內(nèi)部，由于物理屬性的連續(xù)性，其色調(diào)變化是緩慢的。事實上有如下公認的假設(shè)自然圖像的色調(diào)在景物內(nèi)部是連續(xù)變化的，在小的局部鄰域范圍內(nèi)可以認為變化很小，可以近似為零。正因為如此，色度信息在圖像數(shù)據(jù)壓縮和圖像分割領(lǐng)域內(nèi)有著廣泛的應(yīng)用。JPG圖像壓縮標準在對圖像進行壓縮前首先將圖像轉(zhuǎn)換到Y(jié)CbCr空間，是因為圖像在Cb，Cr空間中保存的色調(diào)信息變化緩慢，因此可以為每2*2或每1*2個相鄰像素保留一個Cb和Cr值，作為減少圖像數(shù)據(jù)量的手段之一。很多分割算法也利用物體內(nèi)部色調(diào)變化緩慢這一事實，從而可以更容易找到有效的分割門限，如基于膚色的人臉提取[]。然而，本文利用色調(diào)域的目的與前述圖像壓縮與分割領(lǐng)域的應(yīng)用目的不同，我們看到，既然自然景物的色調(diào)是緩慢變化的，并且像素單位面積遠遠小于圖像較為重要的細節(jié)分量的面積，那么相鄰像素色調(diào)值的微小的變化就應(yīng)該不是圖像內(nèi)容造成的，而將主要反映了CFA插值對像素值的影響。
另外，由于像素單位面積遠遠小于圖像較為重要的細節(jié)分量的面積，因此如果我們研究相鄰像素的差值，那么大多數(shù)差值應(yīng)該處于物體的內(nèi)部，此時自然景物的色調(diào)變化對其影響一定不是主要的，由于大部分像顯然，而是相機CFA插值造成的。因此，我們決定研究色調(diào)域內(nèi)相鄰像素差的分布，試圖在其中尋找CFA插值留下的痕跡。
2.反映鄰域像素顏色相關(guān)性的Cb域色調(diào)變化模式在上一節(jié)中，申請人分析了CFA插值會為圖像鄰域像素值之間引入周期出現(xiàn)的相關(guān)性，另一方面分析了將色調(diào)域內(nèi)像素差的分布作為研究手段的可行性。下面，我們就將以YCbCr顏色空間的Cb域為例，進行實驗與理論分析。我們試圖證明的是，Cb域內(nèi)相鄰像素的色調(diào)變化具有其特有的模式，它由相鄰像素間的相關(guān)性造成，并且對于由一部相機拍攝的一組照片，這一分布的模式穩(wěn)定，可以作為數(shù)字圖像取證的證據(jù)。
在Cb域內(nèi)進行研究之前，我們先進行一個簡易的假設(shè)實驗證明鄰域像素值間的相關(guān)性。
首先我們知道，圖像在RGB三通道內(nèi)的相鄰像素差值的概率分布可以用Laplace分布很好的擬合，圖3是圖像R通道內(nèi)相鄰像素差值的概率分布圖，以及用Laplace分布擬合的結(jié)果(G、B通道分布類似)。擬合公式為f(x)=L(x)=a2e-a|x|---(2)]]>如果數(shù)碼相機沒有CFA插值過程，每個像素的三個通道內(nèi)的像素值都由圖像傳感器直接獲得，那么此時RGB三通道內(nèi)相鄰像素差的分布應(yīng)該是彼此獨立的，則根據(jù)概率公式，對于每一對相鄰像素，三個通道內(nèi)的值差的和Δs＝Δr+Δg+Δb的分布應(yīng)該等于RGB域內(nèi)值差分布的卷積1f(Δs)=f(Δr)*f(Δg)*f(Δb)=L(Δr)*L(Δg)*L(Δb)]]>=∫∫L(Δr)L(Δg)L(Δs-Δr-Δg)dΔrdΔg]]>=a38∫∫e-a[|Δr|+|Δg|+|Δs-Δr-Δg|]dΔrdΔg]]>=116(a3Δs2+3a|Δs|+3-a)e-a|Δs|---(3)]]>1實際中，RGB三通道的Laplace擬合參數(shù)a不完全相同，但是相差很小。因此此處認為近似相同。另外，實際上應(yīng)該為卷積和，此處用積分近似。
如圖4中紅色曲線所示為卷積分布，而實際上，三通道內(nèi)值差的和的分布如圖中藍色曲線所示。而兩種分布出現(xiàn)如此大出入的主要原因即是實際中鄰域像素具有CFA插值所造成的相關(guān)性，卷積操作的假設(shè)獨立的條件不成立。
YCbCr顏色空間同RGB顏色空間的轉(zhuǎn)換公式如(4)所示YCbCr=0.29900.58700.1140-0.1687-0.33130.50000.5000-0.4187-0.0813RGB---(4)]]>根據(jù)式(4)，容易得到Cb域內(nèi)的值差與RGB域內(nèi)的值差的函數(shù)關(guān)系如式(5)。
ΔCbij＝-0.1687ΔRij-0.3313ΔGij+0.5ΔBijΔXij＝Xij-Xij-1，X＝R，G，B，Cb (5)可見，Cb域內(nèi)的相鄰像素差值實際是RGB域內(nèi)三通道相鄰像素插值的加權(quán)和。由于權(quán)值為小數(shù)，所以Cb取值不再為整數(shù)。然而按照假設(shè)實驗的思路，則如果我們假設(shè)三通道像素差值分布獨立時，Cb域內(nèi)的像素插值分布為f(ΔCb)＝f(c1Δr)*f(c2Δg)*f(c3Δb)＝f(ΔR)*f(ΔG)*f(ΔB)其中，ΔR=c1Δr,c1=-0.1687ΔG=c2Δg,c2=-0.3313ΔB=c3Δb,c3=0.5000---(6)]]>對比式(3)和式(6)，可見，兩式自變量的定義域不同，函數(shù)關(guān)系相同，ΔCb的分布易見應(yīng)與Δs的分布的基本形狀相同，在橫縱坐標的尺度上會有不同。
實際中，做一幅由KodakDC290拍攝的.tif照片2的Cb域內(nèi)相鄰像素差值的實際典型概率分布h(ΔCb)，以及我們假設(shè)無關(guān)時得到的分布，如圖5、圖6所示。仔細觀察兩圖，可見1)實際分布為零值差所占比例最大，驗證了圖像色調(diào)的連續(xù)變化性，在局部可以近似認為是不變的。
2實驗顯示，應(yīng)用三色(RGB)CFA插值的相機拍攝的照片都有類似實驗現(xiàn)象。而存儲為三色(RGB)，實際CFA插值為四色時，沒有此類現(xiàn)象，如SonyF828。
2)不管是實際分布還是假設(shè)獨立分布，非零值差的分布是離散的，這主要是因為RGB的取值是離散的，所以色調(diào)域值差作為RGB各通道值差的線性組合也是離散的。
3)實際與假設(shè)分布的包絡(luò)分布與假設(shè)實驗對應(yīng)的兩種分布類似。實際值差分布的包絡(luò)也呈現(xiàn)出某種特別的模式，這一特別的模式無疑也是同局部像素顏色的周期相關(guān)性有著密切的聯(lián)系。
由唯一性定理我們知道，概率分布與特征函數(shù)相互唯一，并且特征函數(shù)的實質(zhì)是分布函數(shù)的Fourier變換，本文計算h(ΔCb)的特征函數(shù)H(ω)，H(ω)=∫-∞∞ejωxh(x)dx---(7)]]>則圖6中的兩種分布的特征函數(shù)如圖7所示。
圖7中，紅色曲線代表假設(shè)顏色值差獨立時的特征函數(shù)的分布，在空域分布圖中所表現(xiàn)的兩個特征在此處也以另外一種形式得以體現(xiàn)。不管是實際分布還是假設(shè)獨立的分布，由于其空域分布中都有周期性的下陷點，并且周期相同，因此在特征函數(shù)的d，e兩處，都有頻率峰值。除此之外，實際色調(diào)值差的特征函數(shù)在b，c兩處的峰值就代表了實際色調(diào)分布的特有的模式，而這種分布在一種相機拍攝的照片中分布穩(wěn)定，如圖8所示，600張內(nèi)容各異的照片，由于由同一相機拍攝而得，其色調(diào)值差分布的特征函數(shù)基本一致，再一次驗了形成這一模式的原因是相機內(nèi)部的信號處理流程造成的，而基本不受圖像內(nèi)容的影響。
3.利用色調(diào)分布模式的取證算法可見，數(shù)碼相機所拍攝的原始照片中的這種分布模式是非常精細和微妙的，對原始照片所做的任何修改都很難維持其原有的模式，從而留下了篡改的痕跡，成為指證的證據(jù)。
一幅篡改圖像往往經(jīng)歷了各種修改操作，包括重采樣(尺寸調(diào)整，幾何變換)，直方圖均衡(亮度對比度調(diào)整)，局部模板操作(各種潤飾操作，如模糊，減淡)。上述幾種操作我們都可以抽象為加在圖像上的一種函數(shù)，而只要這一函數(shù)的定義與相機施加的不同，就必然會對像素原有的相關(guān)性造成影響。
因此可以利用一幅圖像的b，c雙峰強度辨別一幅圖像是直接由數(shù)碼相機拍攝得到的自然圖像還是曾經(jīng)過了某些修改操作。這里所說的修改操作，包括各種在三個顏色通道內(nèi)獨立進行的修改，我們已驗證的包括尺寸調(diào)整(旋轉(zhuǎn))，對比度調(diào)整[注亮度調(diào)整除外]、模糊等潤飾操作以及隱密處理(各種空域內(nèi)在RGB通道內(nèi)進行的隱密算法。包括LSB，+-1，SSIS，像素差等)。
為了量化“雙峰”強度，我們定義判別特征量F1，F(xiàn)1=lg(f(a)f(b)*f(c))---(8)]]>f(a)，f(b)，f(c)分別代表歸一化特征函數(shù)分布中直流分量a上，以及b，c頻率點上峰值的高度。由于我們對特征函數(shù)進行了歸一化操作，因此，此時的特征函數(shù)具有了概率密度函數(shù)的特性，F(xiàn)1于是可以理解為a點與b，c點上概率分布的log距離。
得到特征量F1后，我們還需要確定F1特征取值的正常與異常范圍，從而對待測圖像的性質(zhì)作出判斷在實際中，我們往往只能獲得原圖的數(shù)據(jù)，而并不具備有關(guān)篡改操作的先驗知識，即圖像經(jīng)過了哪種操作或聯(lián)合操作。因此在確定判斷門限時，我們只能利用“正?！眻D像的信息以及我們在前節(jié)的分析中得到的有關(guān)其變化過程的知識。
因此對于每種相機，我們需要首先獲得一批原始圖像，估計其特征量F1的分布作為估計特征量F1正常分布的樣本，然后衡量待測圖像的特征量F1與訓練圖像特征量F1的距離，本文使用Mahalanobis距離，定義為d2＝(x-μ)T∑-1(x-μ)(9)其中μ和∑分別代表原始圖像特征量F1分布的均值和方差，可以通過訓練樣本估計得到。Mahalanobis距離的本質(zhì)是提供了一種考慮分布方差下，在統(tǒng)計上某待測點距估計樣本中心的距離。一般來說，Mahalanobis距離越遠，待測樣本的分布就越不符合已知的分布?？梢愿鶕?jù)實際可接受的虛警率確定d的判決門限。
因此利用色調(diào)分布模式的取證算法的步驟如下(1)首先需要獲得某相機原始照片特征量F1的參考分布，根據(jù)參考分布以及可接受的虛警率確定Mahalanobis距離d的判決門限dth。
(2)計算待測照片的F1特征，并計算其與參考分布的Mahalanobis距離d，與門限dth比較；大于dth時，認為圖像經(jīng)過了篡改。
實際中，篡改操作往往只是局部進行的，計算整張照片的特征量F1往往不夠準確，也不能對篡改區(qū)域進行定位。于是我們對圖像進行分塊檢測，分塊判斷是否進行過修改。
本發(fā)明的效果益處是通過主動或者被動的手段，對數(shù)字圖像的完整性和真實性進行鑒別，以保證執(zhí)法機構(gòu)證據(jù)鏈的完整和電子證據(jù)的真實。本發(fā)明基于原始照片的色調(diào)模式，通過定義和量化色調(diào)模式的頻域特征，分析數(shù)字圖像篡改對其的影響對數(shù)字圖像進行取證，能夠有效地檢測和定位出在數(shù)字圖像中篡改的痕跡。
本發(fā)明主要適用于信息安全領(lǐng)域，對數(shù)碼照片的原始性進行取證，定位出數(shù)碼照片中被偽造的部分。


圖1是數(shù)碼相機中的圖像信號處理流程示意圖。
圖2是基于RGB的Bayer CFA及其基本結(jié)構(gòu)示意圖。
圖3是R通道相鄰像素差的Laplace擬合示意圖。
圖4是RGB三通道相鄰像素差和的實際分布和假設(shè)獨立分布示意圖。
圖5是tif照片相鄰像素Cb域內(nèi)值差的典型分布示意圖。
圖6是實際與假設(shè)獨立時色調(diào)值差的分布曲線示意圖。
圖7是實際與假設(shè)獨立時色調(diào)值差的特征函數(shù)示意圖。
圖8是600幅同一相機拍攝的照片的特征函數(shù)分布示意圖。
圖9是各類圖像塊的F1特征分布示意圖。
圖10是偽造圖像樣本示意圖。圖中，圖像右側(cè)的轎車為篡改偽造部分。
圖11是偽造圖像樣本示意圖。圖中，圖像左下角的小狗為篡改偽造部分。
圖12是對圖10中篡改偽造的圖像樣本檢測的結(jié)果示意圖。
圖13是對圖11中篡改偽造的圖像樣本檢測的結(jié)果示意圖。
具體實施例方式
以下結(jié)合技術(shù)方案和附圖，詳細敘述本發(fā)明的具體實施方式
。
為了實驗算法的有效性，申請人以KodakDC290相機為例，對其拍攝的末壓縮tif圖的性質(zhì)進行分析。首先將100幅分辨率為720*480的原始圖像作為樣本，出于對樣本數(shù)據(jù)的數(shù)量和定位精確性的權(quán)衡，分為重疊的128*128塊(重疊3/4塊)。共可得到100*228＝22800個圖像塊，用來估計原始照片F(xiàn)1特征分布的μ和∑。此時的特征量分布的離散程度我們認為是在正常范圍內(nèi)，如果待測圖像的特征量F1的分布與已知分布距離太遠時，我們就認為某圖像塊經(jīng)過了篡改。
然后再取100幅照片作為測試圖像，并用這100幅圖像共生成5類待測圖1.100幅待分類的原圖；2.100幅待分類的重采樣圖，圖像重采樣為原始圖像大小的80％；3.100幅待分類的對比度調(diào)整圖，使用ACDSee將圖像對比度調(diào)整至40；4.100幅待分類的模糊圖，使用3*3模板，高斯函數(shù)方差為4的高斯低通濾波器對圖像進行模糊；5.100幅待分類的隱密圖，對圖像使用SES隱密算法嵌入最大嵌入容量的20％的秘密信息。
對以上五類測試圖仍然進行分塊檢測，每類待測圖共可分為22800圖像塊，分別計算它們對應(yīng)的F1特征以及與參考F1特征分布的Mahalanobis距離。
圖9顯示的是待測五類圖F1特征的分布。當我們將Mahalanobis距離的門限設(shè)置為3時，虛警率為1.55％，各項檢測結(jié)果如下表所示，總的正確率達到97.85％，可見我們的分類方法的性能較好。
檢測結(jié)果


對聯(lián)合篡改圖的檢測效果如下如在圖10和圖11中顯示了兩幅經(jīng)過篡改偽造的樣本圖像，其中黃色的轎車和小狗分別為篡改的部分。篡改圖像并不能通過簡單的剪切粘貼完成，為了使加入的物體(小汽車和小狗)與背景協(xié)調(diào)一致，需要經(jīng)過一系列操作，包括尺寸調(diào)整(小汽車和小狗)，對比度調(diào)整(小狗)以及邊界潤飾(小汽車和小狗)。只有經(jīng)過各種技術(shù)的配合，才能使篡改圖逼真。申請人利用本文提出的基于色調(diào)分布模式的方法對上述圖像進行檢測，篡改區(qū)域被識別出，如圖12和圖13所示。
權(quán)利要求
1.一種基于色調(diào)模式的檢測多種篡改的數(shù)字圖像取證方法，其特征在于在YCbCr空間的色調(diào)域Cb中提取反映CFA插值為自然圖像色調(diào)頻域分布所引入的F1特征，通過多個樣本的訓練計算出F1特征的Mahalanobis距離，并確定檢測判決門限dth，利用該門限和待測圖像的Mahalanobis距離進行比較，以檢測圖像中存在的多種篡改偽造操作。
2.根據(jù)權(quán)利要求1所述的一種基于色調(diào)模式的檢測多種篡改的數(shù)字圖像取證方法，其特征是定義圖像I對應(yīng)的F1特征(1)計算圖像在Cb域中的相鄰色調(diào)值差的概率分布h(ΔCb)；(2)計算h(ΔCb)的特征函數(shù)H(ω)，H(ω)=∫-∞∞ejωTh(x)dx;]]>(3)定義判別特征量F1，F(xiàn)1=lg(f(a)f(b)*f(c)),]]>其中f(a)，f(b)，f(c)分別代表歸一化特征函數(shù)分布中直流分量a上，以及兩波峰頻率值的高度。
3.根據(jù)權(quán)利要求1所述的一種基于色調(diào)模式的檢測多種篡改的數(shù)字圖像取證方法，其特征是對于每種相機，方法需要首先獲得一批原始圖像，計算其特征量F1的分布作為估計特征量F1正常分布的樣本，然后衡量待測圖像的特征量F1與訓練圖像特征量F1的Mahalanobis距離，定義為d2＝(x-μ)T∑-1(x-μ)，其中μ和∑分別代表原始圖像特征量F1分布的均值和方差，通過訓練樣本估計得到，而Mahalanobis距離的本質(zhì)是提供了一種考慮分布方差下，在統(tǒng)計上某待測點距估計樣本中心的距離，Mahalanobis距離越遠，待測樣本的分布就越不符合已知的分布，最后根據(jù)實際設(shè)置可接受的虛警率確定d的判決門限dth。
4.根據(jù)權(quán)利要求1所述的一種基于色調(diào)模式的檢測多種篡改的數(shù)字圖像取證方法，其特征是在檢測時，首先分塊計算待測照片的F1特征，并計算其與參考分布的Mahalanobis距離d，與門限dth比較；大于dth時，認為圖像經(jīng)過了篡改。
全文摘要
本發(fā)明屬于信號與信息處理技術(shù)領(lǐng)域，涉及到一種檢測多種數(shù)字圖像篡改的取證方法。其特征在于基于數(shù)碼相機內(nèi)部的信號處理過程為圖像各顏色通道的像素之間引入的獨特的相關(guān)性，分析其造成的色調(diào)分布的獨特模式，并量化色調(diào)模式的頻譜特征，進而對一幅數(shù)碼照片是否經(jīng)過篡改進行檢測。本發(fā)明的效果益處是能夠有效地檢測出數(shù)碼照片所經(jīng)過的各種篡改，并對遭到篡改的像素塊進行局部定位。本發(fā)明適用于信息安全領(lǐng)域。
文檔編號G06T7/00GK101056350SQ20071001106
公開日2007年10月17日 申請日期2007年4月20日 優(yōu)先權(quán)日2007年4月20日
發(fā)明者孔祥維 申請人:大連理工大學