專利名稱：：分形維數(shù)的計算機生成圖像被動檢測方法
技術領域：
：本發(fā)明涉及的是一種數(shù)字圖像
技術領域：
的檢測方法，具體是一種分形維數(shù)的計算機生成圖像被動檢測方法。
背景技術：
：近年來，計算機圖像生成技術飛速發(fā)展，使計算機生成的圖像越來越逼近于真實場景，以至于人眼幾乎無法將其與自然圖像區(qū)分開來，圖像的真實性和唯一性受到巨大挑戰(zhàn)。計算機生成圖像是數(shù)字圖像信息防偽被動鑒定工作所面臨的一個主要數(shù)據(jù)來源，對自然圖像和計算機生成圖像的鑒別區(qū)分在犯罪調(diào)査、新聞報道、情報分析等眾多領域具有至關重要的地位?，F(xiàn)有針對計算機生成圖像的被動鑒定的研究較少，成果亦不多。就現(xiàn)在所公開報道的研究工作來看，主要研究方向是基于整數(shù)維空間和分數(shù)維空間展開的。在整數(shù)維空間，S.Lyu和H.Farid在文章"Howrealisticisphotorealistic[J]"(《真實感圖像有多逼真？》)(IEEETrans.SignalProcessing,53(2):845-850，2005)(IEEE信號處理期刊)提出首先對待測圖像進行小波變換，然后在小波域上提取均值、方差、偏態(tài)、峰態(tài)四個統(tǒng)計量，將這四個統(tǒng)計量作為統(tǒng)計特征，然后對這些特征向量用機器學習方法進行分類判決。該方法只從統(tǒng)計上對圖像進行分析，并未指出計算機生成圖像與自然圖像的本質(zhì)差異，因此鑒別率并不理想。在分數(shù)維空間，Tian-TsongNg在文章"Physics-motivatedfeaturesfordistinguishingphotographicimagesandcomputergr即hics[C]'，(《基于物理特性區(qū)分自然圖像和計算機生成圖像》)(ACMMultimedia,Singapore,2005)(ACM多媒體會議)利用計算生成圖像和自然圖像本身之間所存在的三個固有差異性——對象模型差異、光線傳輸差異及圖像獲取過程差異，在分數(shù)維基礎上提取這差異性特征。但由于該方法所涉及的數(shù)學模型在理論上還不是很成熟，尚需要進一步加以完善，因此，該方法最終的檢測鑒別效果也仍不是很理想。
發(fā)明內(nèi)容本發(fā)明目的在于針對現(xiàn)有技術的不足，提供一種分形維數(shù)的計算機生成圖像被動檢測方法。本發(fā)明改進了基于差分盒分形維數(shù)的計算機生成圖像檢測方法。提取圖像差分盒分形維數(shù)特征，通過機器學習的方法檢測計算機生成圖像，其在檢測準確性和操作效率上均達到較好的結(jié)果。本發(fā)明是通過以下技術方案實現(xiàn)的本發(fā)明首先在訓練階段對自然圖像與計算機生成圖像庫中的每幅圖像分別進行子塊篩選，然后對每個圖像子塊分別計算其分形維數(shù)，進而得到一組特征向量，最后將該系列特征用SVM(SupportVectorMachines,支持向量機)進行訓練得到最優(yōu)分類器參數(shù)；在測試階段，首先將待測圖像進行如上類似處理得到分形特征向量，然后利用訓練階段得到的最優(yōu)分類器進行分類鑒別進而得到檢測結(jié)果。所述的訓練階段，包括如下步驟①為降低復雜度，首先將自然圖像與計算機生成圖像庫中的每幅圖像截取512X512子塊作為待處理圖像；②分別將①中得到的每幅圖像劃分為若干個64X64的圖像子塊，對每一個圖像子塊，計算其方差，再將其與整幅圖像的方差w比較。若子塊方差①小于《，則說明該子塊變化相對于整幅圖像的變化而言比較緩慢，圖像內(nèi)容較平緩，故將其刪除，否則保留該子塊，經(jīng)過此步驟得到Z個子塊，當Z〉32，則從￡個子塊中舍棄方差小于"的(丄—32)個子塊；當丄<32，則從丄個子塊中選取方差小于《的(32-丄)個子塊并重復步驟②，直至得到方差大于w的32個子塊。③對上述得到的32個子塊，采用差分盒分形維數(shù)方法分別計算其分形維數(shù)，得到一組32維特征向量。所述差分盒分形維數(shù)的計算步驟是-1)將MxM大小的子塊以s"為格子逐點劃分，此處選取^=2,3，分別得到每個格子中的像素灰度最大值/,^和最小值/皿；2)基于動態(tài)規(guī)劃方法計算對應于2和的倍數(shù)大小格子中像素極值。以2、4、8為例，將上一步驟中對每個2X2格子計算的格子內(nèi)像素灰度的最大最小值，作為第一層子結(jié)構(gòu)的解保存下來，此時共得到32X32組最大最小值子對；求4X4格子內(nèi)像素灰度的最大值和最小值，可知在第一層子結(jié)構(gòu)中與此4X4格子位置相對應的4組2X2格子的最大最小值子對中査找即可，求得的最大值、最小值作為第二層子結(jié)構(gòu)的解保存下來；依次類推，求2'x2'劃分時的格子內(nèi)像素灰度的最大最小值。此步驟最終得到以5=2，3，4，6，8，12為尺度的格子所對應的像素灰度的最大值和最小值。3)判斷所選5是否能被M整除，如不能，則通過復制擴大進行圖像子塊窗口擴張，得到(^M)x("^M)的圖像塊。令r-^M，將圖像想象成三維空間中的曲線，則xy平面被劃分成許多"^的網(wǎng)格，在每個網(wǎng)格上，是一列""s的盒子，其中s為可變盒子高度，具體為s=maX/4-min/4,/JA^1，2，L,")表示sxs單位面積內(nèi)"個像素灰度值的大小。設第(z'，7')網(wǎng)格所對應的盒子數(shù)為W，力=(max^t—min4)/r(1)覆蓋整個圖像塊所需的盒子數(shù)為"，而尺度S下^x^原始圖像子塊的盒子數(shù)為乂=乂'/,，通過s的變化引起r的變化，用最小二乘法擬合lgiVf-lg(l"),求出的斜率即為盒子維數(shù)D,即圖像分形維數(shù)。重復步驟①至步驟③，得到自然圖像與計算機生成圖像庫中每幅圖像的32維分形維數(shù)特征向量，分別將計算機生成圖像特征向量及自然圖像特征向量送入SVM進行訓練，訓練后得到的分類器模型用于后續(xù)判定操作。所述的測試階段，包括如下步驟①輸入待判圖像，截取512X512圖像塊用于后續(xù)處理，并計算其方差^;②分別將①中得到的每幅圖像劃分為若干個64X64的圖像子塊，對每一個圖像子塊，計算其方差仏，再將其與整幅圖像的方差w比較。若子塊方差①小于《，則說明該子塊變化相對于整幅圖像的變化而言比較緩慢，圖像內(nèi)容較平緩，故將其刪除，否則保留該子塊，經(jīng)過此步驟得到Z個子塊，當Z〉32，則從丄個子塊中舍棄方差小于"的"—32)個子塊；當丄<32，則從Z個子塊中選取方差小于w的(32-Z)個子塊并重復步驟②，最終得到方差大于^的32個子塊。③對由步驟②得到的32個子塊，分別按所述分形維數(shù)的計算步驟計算其分形維數(shù)，最終得到一組32維特征向量；將由步驟③得到的32維特征向量輸入訓練后得到的分類器模型進行檢測處理，得到最終的鑒別結(jié)果。本發(fā)明采用"盒子維"思想提取圖像子塊分形維數(shù)特征，較之傳統(tǒng)的分形維數(shù)特征提取方法在復雜度上有了很大的改進；本發(fā)明增加了圖像子塊篩選操作步驟，一方面大大降低了后續(xù)操作步驟的處理量，另一方面將自然圖像和計算機生成圖像在自相似性上的區(qū)別更好地體現(xiàn)出來，使得檢測率得以大幅提高。圖1為本發(fā)明特征提取流程圖。圖2為本發(fā)明圖像子塊篩選流程圖。圖3為本發(fā)明中改進的差分盒分形維數(shù)計算方法流程圖。圖4為測試演示實例示意其中a、512*512圖片，b、分塊后圖片，c、篩選后圖片。具體實施例方式以下結(jié)合附圖對本發(fā)明的實施例作詳細說明本實施例在以本發(fā)明技術方案為前提下進行實施，給出了詳細的實施方式和過程，但本發(fā)明的保護范圍不限于下述的實施例。如圖l、圖2和圖3所示，本實施例包括以下步驟l.訓練階段①訓練圖片庫建立——選取400幅自然圖像，400幅計算機生成圖像，圖片格式均為jpeg，圖片大小從400*600到1024*768不等。圖片一部分來自哥倫比亞大學的圖片庫(http:〃www.ee.columbia.edu/ln/dv腿/downloads/PIM—PRCG—dataset/)，另一部分來自個人收藏。圖片內(nèi)容涵蓋了人物、自然風景、建筑、靜物等各個方面。其中，計算機生成圖像所使用到的軟件有3Dmax、Maya、Renderman、Shake、ZBrush等等；②圖像子塊篩選模塊——對圖片庫中任一幅圖截取512X512大小作為待處理圖像(如圖4.a)，計算其總體方差w;然后對其進行64X64的分塊，得到圖4.b，分別每一個圖像子塊計算其方差。，將其與整幅圖像的方差^比較。若子塊方差°"'小于w，則說明該子塊變化相對于整幅圖像的變化而言比較緩慢，圖像內(nèi)容較平緩，故將其刪除，否則保留該子塊，經(jīng)過此步驟得到Z個子塊。若丄〉32，則從Z個子塊中舍棄方差小的G—32)個子塊；若^<32，則從Z個子塊中選取方差小的(32—Z)個子塊進行重復，最終得到方差較大的32個子塊，如圖4.c所示；③計算圖像子塊分形維數(shù)一一采用差分盒分形維數(shù)方法分別計算上述32個子塊的分形維數(shù)，得到一組32維特征向量。具體措施是將M-64的64X64大小子塊以^"為格子逐點劃分，此處選取^=2,3，分別得到一組各格子像素最大值乙^和/,;基于動態(tài)規(guī)劃方法計算對應于2和3的倍數(shù)大小的格子中像素極值，取^=2，3，4，6，8，12;判斷所選s是否能被M整除，如不能，則通過復制擴大進行圖像子塊窗口擴張，得到"fM)x^tM)的圖像塊；令"s/M，將圖像想象成三維空間中的曲線，則xy平面被劃分成許多"^的網(wǎng)格，在每個網(wǎng)格上，是一列s""'的盒子，其中s為可變盒子高度，具體為s=max/*—min/、/4^=1，2山，n)表示"s單位面積內(nèi)w個像素灰度值的大小。設第("力網(wǎng)格所指的盒子數(shù)為",(/，力-(maxA-min/J"，覆蓋整個圖像塊所需的盒子數(shù)為"，而尺度s下^x似原始圖像子塊的盒子數(shù)為iVr-W/"2，通過^的變化引起r的變化，用最小二乘法擬合ig^—ig(1^)，求出的斜率即為盒子維數(shù)D，即圖像分形維數(shù)。在此例中，具體各子塊分形維數(shù)如表l所示，其表中各位置分別對應上述各子塊位置；表1分形維數(shù)<table>tableseeoriginaldocumentpage9</column></row><table><table>tableseeoriginaldocumentpage10</column></row><table>SVM支持向量機--種機器學習方法，此處引用Libsvm軟件包進行處理(http:〃www.csie.ntu.edu.tw/~cjlin/libsvm)。將圖像庫中共800幅圖像所對應的32維特征向量組織成Libsvm所需要結(jié)構(gòu)(具體流程見http:〃www.csie.ntu.edu.tw廣cjlin/p鄰ers/guide/guide.pdO，其中，設數(shù)字1代表自然圖像，o代表計算機生成圖像。2.測試階段①測試圖像輸入——選取任意自然圖像或計算機生成圖像，格式為jpeg，圖片大小從400*600到1024*768中任意之一；②圖像子塊篩選模i央——將測試圖像截取512X512大小作為待處理圖像，接著對其進行64X64的分塊，具體步驟與訓練階段步驟②相同。③計算圖像子塊分形維數(shù)一一采用上述差分盒分形維數(shù)方法分別計算上述32個子塊的分形維數(shù)，得到一組32維特征向量；SVM支持向量機鑒別模塊——此處引用Libsvm軟件包進行處理(具體軟件包可從此處下載http://www.csie.ntu.edu.tw/~cjlin/libsvm)。將此單幅圖像的32為特征向量作為SVM鑒別器的原始輸入(具體流程參見http:〃ww.csie.ntu.edu.tw/"cjlin/p寧rs/guide/guide.pdf)，最終得至U鑒另ll值1或0，l則判別為自然圖像，o則為計算機生成圖像。權(quán)利要求1、一種分形維數(shù)的計算機生成圖像被動檢測方法，其特征在于，首先在訓練階段對自然圖像與計算機生成圖像庫中的每幅圖像分別進行子塊篩選，然后對每個圖像子塊分別計算其分形維數(shù)，進而得到一組特征向量，最后將該系列特征用支持向量機進行訓練得到最優(yōu)分類器參數(shù)；在測試階段，首先將待測圖像進行如上類似處理得到分形特征向量，然后利用訓練階段得到的最優(yōu)分類器進行分類鑒別進而得到檢測結(jié)果。2、根據(jù)權(quán)利要求1所述的分形維數(shù)的計算機生成圖像被動檢測方法，其特征是，所述的訓練階段，包括如下步驟①為降低復雜度，首先將自然圖像與計算機生成圖像庫中的每幅圖像截取512X512子塊作為待處理圖像，并計算其方差《;②分別將①中得到的每幅圖像劃分為若干個64X64的圖像子塊，對每一個圖像子塊，計算其方差①，再將其與整幅圖像的方差w比較，若子塊方差①小于w，則說明該子塊變化相對于整幅圖像的變化而言比較緩慢，圖像內(nèi)容較平緩，故將其刪除，否則保留該子塊，經(jīng)過此步驟得到Z個子塊，當^>32，則從1個子塊中舍棄方差小于"的"_32)個子塊；當丄<32，則從￡個子塊中選取方差小于w的(32—丄)個子塊并重復歩驟②，最終得到方差大于w的32個子塊；③對上述得到的32個子塊，采用差分盒分形維數(shù)方法分別計算其分形維數(shù)，得到一組32維特征向量；重復步驟①至步驟③，得到自然圖像與計算機生成圖像庫中每幅圖像的32維分形維數(shù)特征向量，分別將計算機生成圖像特征向量及自然圖像特征向量送入SVM進行訓練，訓練后得到的分類器模型用于后續(xù)判定操作。3、根據(jù)權(quán)利要求2所述的分形維數(shù)的計算機生成圖像被動檢測方法，其特征是，所述差分盒分形維數(shù)的計算步驟是1)將MxM大小的子塊以"s為格子逐點劃分，此處選取^=2，3，分別得到每組格子中的像素最大值/^和最小值/皿；2)基于動態(tài)規(guī)劃方法計算對應于2和3的倍數(shù)大小的格子中像素極值。以2、4、8為例，將上一步驟中對每個2X2格子計算的格子內(nèi)像素灰度的最大最小值作為第一層子結(jié)構(gòu)的解保存下來，此時共得到32X32組最大最小值子對；求4X4格子內(nèi)像素灰度的最大值和最小值，在第一層子結(jié)構(gòu)中與此4X4格子位置相對應的4組2X2格子的最大最小值子對中查找即可，求得的最大值、最小值作為第二層子結(jié)構(gòu)的解保存下來；依次類推，求2'x2'劃分時的格子內(nèi)像素灰度的最大最小值。此步驟最終得到以5=2，3，4，6，8，12為尺度的格子所對應的像素灰度的最大值和最小值；3)判斷所選s是否能被M整除，如不能，則通過復制擴大進行圖像子塊窗口擴張，得到(^M)x(^M)的圖像塊，令/"-s/M，將圖像想象成三維空間中的曲線，則xy平面被劃分成許多^xs的網(wǎng)格，在每個網(wǎng)格上，是一列s"^'的盒子，其中s為可變盒子高度，s-max^-min/p/JA^1,2,L，")表示sxs單位面積內(nèi)"個像素灰度值的大??；設第(Z'，y)網(wǎng)格所對應的盒子數(shù)為<formula>formulaseeoriginaldocumentpage3</formula>覆蓋整個圖像塊所需的盒子數(shù)為^=S，而尺度s下MxM原始圖像子塊的盒子數(shù)為乂=乂'/，通過^的變化引起r的變化，用最小二乘法擬合lgA^-lg(l/")，求出的斜率即為盒子維數(shù)Z)，即圖像分形維數(shù)。4、根據(jù)權(quán)利要求2所述的分形維數(shù)的計算機生成圖像被動檢測方法，其特征是，所述的測試階段，包括如下步驟①輸入待判圖像，截取512X512圖像塊用于后續(xù)處理，并計算其方差"；②將①中得到的圖像塊劃分為若干個64X64的圖像子塊，對每一個圖像子塊，計算其方差C7'，再將其與整幅圖像的方差w比較，若子塊方差^小于w，則說明該子塊變化相對于整幅圖像的變化而言比較緩慢，圖像內(nèi)容較平緩，故將其刪除，否則保留該子塊，經(jīng)過此步驟得到Z個子塊，當丄>32，則從丄個子塊中舍棄方差小于w的(丄-32)個子塊；當丄<32，則從Z個子塊中選取方差小于"的(32—丄)個子塊并重復步驟②，最終得到方差大于《的32個子塊；③對由步驟②得到的32個子塊，分別按所述分形維數(shù)的計算步驟計算其分形維數(shù)，最終得到一組32維特征向量；將由步驟③得到的32維特征向量輸入訓練階段得到的分類器模型進行檢測處理，得到最終的鑒別結(jié)果。全文摘要本發(fā)明涉及的是一種數(shù)字圖像
技術領域：
的分形維數(shù)的計算機生成圖像被動檢測方法。首先在訓練階段對自然圖像與計算機生成圖像庫中的每幅圖像分別進行子塊篩選，然后對每個圖像子塊分別計算其分形維數(shù)，進而得到一組特征向量，最后將該系列特征用支持向量機進行訓練得到最優(yōu)分類器參數(shù)；在測試階段，首先將待測圖像進行如上類似處理得到分形特征向量，然后利用訓練階段得到的最優(yōu)分類器進行分類鑒別進而得到檢測結(jié)果。本發(fā)明在傳統(tǒng)的差分盒分形維數(shù)方法基礎上增加了擴展窗口、基于動態(tài)規(guī)劃思想的數(shù)據(jù)復用及可變盒子高度機制，這些都使得方法在計算復雜度和檢測率上有了較大的提高。文檔編號G06K9/62GK101655913SQ200910195780公開日2010年2月24日申請日期2009年9月17日優(yōu)先權(quán)日2009年9月17日發(fā)明者姚丹紅,張愛新,李建華,李生紅,波蘇,波金,陳香蘋申請人:上海交通大學