The forged image blind detection algorithm based on SIFT
Pick to: image area important goals or copy and paste operations to hide cause some kind of illusion, is one of the most common methods for tampering. In view of the 'copy -
Transformation - mobile - paste 'tamper with the model, this paper proposes a fake image blind detection algorithm based on SIFT. SIFT algorithm was used to extract the image first; then to extract the image feature vector product quantification of nearest neighbor search is adopted to match, the rough localization tampering area; finally to tamper with the area of the essence of determine, through the calculation of Euclidean distance of suspicious piece for judging image. The experimental results show that the algorithm not only can effectively detect after the complex system of rotation, scaling transformation paste tamper with the area, and resistance to blur, add noise and other post-processing.
Key words: image authenticity; Copy and paste; SIFT; Tamper detection; positioning
Copy and paste operation of image region is one of the most common methods for tampering with [1-2]. There are two kinds of image region of copy and paste operations to tamper with model:
(1) the 'copy - mobile - paste' model, copy only exist displacement transformation between regional and paste; (2) the 'copy - transform - mobile - paste' model, copy exists not only between regional and paste displacement transformation, and through the rotation or scaling transformation. At present, in view of the first kind of tampering detection algorithm of the model more [3-5]. For the second tamper with the model, put forward some digital image copy - transform - [6-8] mobile tamper detection algorithm, these algorithms can detect after rotation, scaling transformation of forge the area, and JPEG compression and polishing of common operation has strong robustness, but greater resistance degree fuzzy operation ability is poor.
Analysis 'copy - transform - mobile - paste' tamper with the model and the characteristics of post-processing operation to changes in the image block characteristics, this paper proposes a blind detection algorithm, can effectively detect the image of true and false.
Image blind detection algorithm based on SIFT
Image feature extraction
Image feature extraction using the SIFT algorithm, this algorithm not only can extract the image of the local characteristics, but also has to keep to the rotation, scaling, etcInvariance, can fast accurate matching of image information. Feature extraction of the main steps are as follows:
1. 1. 1 detection images extreme value point scale space
Suppose inspected images in (x, y) I, the scale space for T (x, y, alpha), it can be expressed as:
T( x，y，alpha;) = G( x，y，alpha;) *I( x，y （1）
Among them, the alpha space for scale factor, G (x, y, alpha) is a gaussian function scale space.
Because most of the copy and paste tampering will rotate or scale for paste areas such as operations, in order to these operations can also be effective detection, the algorithm of gaussian scale function was improved, using gaussian difference and image convolution generating gaussian difference scale function:
T =［G( x，y，kalpha;) － G( x，y，alpha;) ］* I( x，y) = T( x，y，kalpha;) － T( x，y，alpha;) （2）
Detection process, each sample point in the image of extreme value point detection range includes 8 neighborhood points with scale, and adjacent scale nine points on the next phase
Adjacent scale nine points. This ensures the accuracy of detection.
1.1.2 Locate the key
Point positioning is mainly in order to eliminate the unstable edge points and contrast, for the subsequent matching increase stability. In order to improve the antinoise ability of key points, main curvature used the Hessian matrix H, according to the features of T main curvature and H value is proportional to the key points to keep.
1.1.3 Determine the direction of the key parameters
In order to make the operator have the direction invariance, determine the direction of the key parameters after positioning key points. According to the direction of the relationship and gradient direction characteristics parameters:
Abstract date: 2014-08-30
Author introduction: xiao-fei li (1985 -), female, yantai, shandong province, assistant professor, masters, is mainly engaged in image processing and pattern recognition and multimedia information security research.
( x，y) = 槡T2 T2 ，theta;( x，y) = arctan( T/ T 2)1 （3）
Among them, I (x, y) as the point (x, y) location point of the gradient modulus value, theta (x, y) as the gradient direction. T1 and T2 as the key points:
T1 = T( x 1，y，alpha;) － T( x － 1，y，alpha;)
T2 = T( x，y 1，alpha;) － T( x，y － 1，alpha;)
The determination of each gradient direction of the key points:
1) for the center with the key in its neighborhood region sampling;
2) according to the sampling histogram statistics of neighborhood pixels gradient direction key to neighborhood of the gradient direction of the main table can use histogram peak
, also is the direction of the key. Since each have more than one key auxiliary direction, the direction of main peak value 80% energy reserves, so leave some auxiliary square to able to enhance the robustness of the match
剩余内容已隐藏，支付完成后下载完整资料
基于 SIFT 的伪造图像盲检测算法
摘 要:图像区域的复制粘贴操作能够隐藏重要目标或者造成某种假象，是最常用的篡改手段之一。针对“复制 －
变换 － 移动 － 粘贴”篡改模型，提出了一种基于 SIFT 的伪造图像盲检测算法。首先用 SIFT 算法提取图像特征;然 后对提取的图像特征向量采用乘积量化的最近邻搜索进行匹配，粗略定位篡改区域;最后进行篡改区域的精确定 位，通过计算可疑块对的欧式距离判断图像真伪。实验结果表明，该算法不仅能有效检测经过旋转、缩放变换的复 制粘贴篡改区域，而且能抵抗模糊、加噪等后处理。
关键词:图像真伪;复制粘贴;SIFT;篡改检测;定位
图像区域的复制粘贴操作是最常用的篡改手段之一［1 － 2］。图像区域的复制粘贴操作有两种篡改模型:
① “复制 － 移动 － 粘贴”模型，复制区域和粘贴区域之间仅存在位移变换;②“复制 － 变换 － 移动 － 粘贴”模 型，复制区域和粘贴区域之间不仅存在位移变换，并且经过了旋转或缩放变换。目前，针对第一种篡改模型 的检测算法较多［3 － 5］。针对第二种篡改模型，提出了一些数字图像拷贝 － 变换 － 移动篡改检测算法［6 － 8］，这 些算法能够检测出经过旋转、缩放变换的伪造区域，并且对常见的 JPEG 压缩和润色操作有较强的鲁棒性， 但是抵抗较大程度模糊操作的能力较差。
分析“复制 － 变换 － 移动 － 粘贴”篡改模型的特点和后处理操作给图像块特征带来的变化，提出了一种 盲检测算法，能够有效检测图像真假。
基于 SIFT 的图像盲检测算法
图像的特征提取
图像的特征提取采用了 SIFT 算法，该算法不仅能够提取图像的局部特征，而且对旋转、缩放等具有保持
1
1． 1
不变性，能够对图像信息点进行快速准确的匹配。特征提取的主要步骤如下:
1． 1． 1 检测图像尺度空间极值点
假设待检图像 I( x，y) ，其尺度空间为 T( x，y，alpha;) ，则可以表示为:
T( x，y，alpha;) = G( x，y，alpha;) *
I( x，y)
(1)
其中，alpha; 为尺度空间因子，G( x，y，alpha;) 是尺度空间高斯函数。
由于大多数的复制粘贴篡改都会对粘贴区域进行旋转或者缩放等操作，为了对这些操作也能有效检测， 该算法对高斯尺度函数进行了改进，采用高斯差分核和图像卷积生成高斯差分尺度函数:
T =［G( x，y，kalpha;) － G( x，y，alpha;) ］* I( x，y) = T( x，y，kalpha;) － T( x，y，alpha;)
(2)
检测过程中，图像中每个采样点的极值点检测范围包括同尺度的 8 邻域点、上相邻尺度的 9 个点和下相
邻尺度的 9 个点。这样保证了检测的精确性。
定位关键点
1． 1． 2
关键点的定位主要是为了消除边缘不稳定点和对比度点，从而为后续的匹配增加稳定度。为了提高关 键点的抗噪能力，主曲率采用了 Hessian 矩阵 H，根据 Trsquo;的主曲率和 H 的特征值成正比进行关键点保留。
确定关键点的方向参数
1． 1． 3
为了使算子具备方向不变性，在定位关键点之后确定关键点的方向参数。根据方向参数与梯度方向特
性关系:
收稿日期:2014-08-30
(3)
1 2
2 1
其中，i( x，y) 为点( x，y) 位置点的梯度模值，theta;( x，y) 为梯度方向。T1 和 T2 为关键点所在尺度:
T1 = T( x 1，y，alpha;) － T( x － 1，y，alpha;)
T2 = T( x，y 1，alpha;) － T( x，y － 1，alpha;)
每个关键点的梯度方向的确定:
1) 以关键点为中心，在其邻域区域进行采样;
(4)
2) 根据采样直方图对邻域像素梯度方向进行统计，关键点邻域的梯度主方向就可以用直方图的峰值表
示，也就是关键点的方向。由于每个关键点有多个辅方向，对主峰值 80% 能量的方向保留，这样留有的辅方 向能对匹配的鲁棒性进行增强。
生成描述子
1． 1． 4
对关键点进行描述子的生成目的是为了增强算法的抗噪力，另外，也提供了特征匹配的定位误差的容错
性。生成过程为:
1) 以关键点为中心，确定 8* 8 邻域;
2)
3)
对关键点 4* 4 邻域共 8 个方向的梯度直方图进行计算;
对得到的 8 方向梯度方向直方图进行累加，形成一个描述子。每个关键点共 4 个描述子，每个描述
子包含 8 方向向量特征。这种邻域方向性综合思想确保了算法的抗噪性、旋转不变性以及尺度不变性。
1． 2 可疑块对定位
提取了图像的 SIFT 特征向量后，对可疑块对进行定位。大多数算法采用最近邻搜索，但是由于 SIFT 特 征向量维数都是高维，一个产生 64 位编码的量化器包含 m = 264 个质心，空间复杂度相当大，容易算法崩溃。 而乘积量化则能够较好的克服此问题。因此本算法采用乘积量化的最近邻搜索定位可疑块对。
假设一个 N 维特征向量 X，将其划为 n 个子向量 bj ，每个子向量包含 N = N / n 维。然后对每个子向量采
用 n 个量化器分别进行量化，映射形式如下:
＇
x1 ，x2 ，hellip;xN － n 1 ，xN － n 2 ，hellip;，xN →q1 ( b1 ( x)) ，q2 ( b2 ( x)) ，hellip;qn ( bn ( x))
(5)
其中，qj 为第 j 个子向量量化器。假设其相对应的码字为 Cj ，特征向量 C = C1 times; C2 times; hellip;Cn ，每个量化器
进行量化后的码字数量为 m* ，则码字总数量为 m = ( m* ) n 。子量化器的训练使用劳埃德算法，为了减少训 练过程中的空间复杂度，采用 k 均值算法进行矢量量化训练。乘积 k 均值的乘积量化和分层 k 均值( HKM) 需要的内存存储量以及复杂度如表 1 所示。其中，W 代表维数，a 代表分支系数，l 代表树高。
表 1 不同搜索对比表
均值
存储量
复杂度
k 均值
mW
mW
a
a － 1
( m － 1) W
HKM
lW
乘积 k 均值
nm* W*
= m1 / n W
nm* W*
= m1 / n W
篡改区域精确定位
可疑块对可能存在误检的像素点块，为了消除误检点，精确定位篡改区，计算可疑点块特征向量的欧式
距离来消除误检。计算欧式距离通常的算法有 SDC( 对称距离算法) 和 ADC( 非对称距离算法)。如果输入 向量为 e 和 f，质心为 q( e) 、q( f)。对于 SDC 算法，就是计算 e 和 f 经过量化后质心之间的距离，即:
1． 3
D( x，y) = d( q( e) ，q( f)) = 槡sum;d ( qj ( x) ，qj ( f))
2
(6)
j
ADC 则是计算 e 和 q( f) 之间的距离，即:
D( x，y) = d( e，q( f)) = 槡sum;d ( bj ( e) ，qj ( bj ( y)))
2
(7)
j
由式子(6) 和式(7) 可以得出，SDC 是采用向量编码，虽然内存的使用得到阶跃，但是同样的空间复杂度
/ T )
i( x，y) = 槡T2 T2 ，theta;( x，y) = arctan( T
下，距离失真较大。因此本算法使用 ADC 算法。使用 ADC 算法计算可以关键块对之间的欧式距离，如果该
距离大于一定阈值 T，则丢弃该关键点块对。
为了定位篡改区域，对确定的篡改块对标记为白色，非篡改块标记为黑色，然后采用数学形态学的膨胀 和腐蚀操作填充最大联通分量之间的”空洞”，就得到了篡改的复制粘贴区域的精确定位。
实验结果及分析
从基于内容检索的图像库和自己拍摄的图像中一共选取 120 幅图像，对其进行区域复制粘贴篡改，将被 复制的区域旋转、缩放后粘贴到另一个区域，并且对篡改后的图像进行模糊、高斯白噪声及 JPEG 压缩等后 处理，共得到 640 幅篡改图像，组成图像数据库对算法进行测试。
2
算法有效性实验
算法的有效性是指算法能否检测出 “复制 － 变换 － 移动 － 粘贴”篡改，并且定位篡改区域，是对算法所 实现功能的描述。通过如图 1 所示的一组没有经过后处理的图像说明算法的有效性。
2． 1
( a) 原始图像
( b) 篡改图像
图 1 实验结果 1
( c) 检测结果
图 1 中，( a) 是原始图像，对( a) 中左上角区域进行复制、顺时针旋转 90 度、放大 1． 5 倍后移动粘贴，得
到篡改图像( b) ，( c) 是本文算法得到的检测结果，白色区域为复制粘贴的区域。检出率和误检率分别为: ( tp，fp) = (0． 9815，0． 0862)。
由图像的检测结果可以看出，本文算法能够检测出“复制 － 变换 － 移动 － 粘贴”篡改，说明了其有效性。
2． 2
算法鲁棒性实验
图像经“复制 － 变换 － 移动 － 粘贴”篡改后，为了去除篡改痕迹，通常会对篡改后的图像进行模糊、加噪
及 JPEG 重压缩等后处理，算法的鲁棒性是指算法抵抗这些后处理操作，检测并定位篡改的能力。
如图 2 所示，(a)是原始图像，对(a)中云彩区域
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[29365]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
