一种基于四元数小波变换的图像拼接检测方法技术

本发明专利技术涉及数字图像取证技术领域，更具体地，涉及一种基于四元数小波变换的图像拼接检测方法。本发明专利技术首先对图像进行四元数小波变换，四元数小波变换在保留离散小波变换的优势基础上，还具有近似平移不变性，丰富的相位信息，有限的数据冗余等特点，能够很好的描述细节纹理信息和图像轮廓，在四元数小波变换分解得到的各个子带上提取子带四元数系数的实部和3个虚部系数组成新的实数系数矩阵，在实数系数矩阵上提取Markov特征能够用来捕获多方向和多尺度的差异信息，再结合机器学习，得到有效的分类器，因此可以同时保证检测的准确率和检测效率。

An image stitching detection method based on four element wavelet transform

The invention relates to the technical field of digital image forensics, and more specifically relates to an image mosaic detection method based on quaternion wavelet transform. The invention first carries out four wavelet transform to the image, and the four wavelet transform is based on the advantages of preserving discrete wavelet transform. It also has the characteristics of approximate translation invariance, rich phase information and limited data redundancy. It can describe the details of texture and image well, and can be divided into four element wavelet transform. The real number and 3 imaginary part coefficients of the extracted subbands of the extracted subbands of the obtained subbands constitute a new real coefficient matrix. The Markov feature extracted from the real number coefficient matrix can be used to capture the multi direction and multi-scale difference information, and then combine the machine learning to get the effective classifier, so it can guarantee the detection at the same time. Accuracy and detection efficiency.

【技术实现步骤摘要】
一种基于四元数小波变换的图像拼接检测方法
本专利技术涉及数字图像取证
，更具体地，涉及一种基于四元数小波变换的图像拼接检测方法。
技术介绍
近年来，随着图像编辑软件和处理技术的快速发展，不会留下视觉痕迹的数字图像内容篡改变得越来越容易，如果数字图像被恶意篡改传播，必然会对人们的生活造成恶劣的影响。这种现状就要求数字图像取证技术对数字图像能够进行准确的辨别。因此，如何实现数字图像在传播、共享和应用过程中的内容真实性和安全性的可靠认证具有重要的实际意义。图像拼接检测是数字图像取证技术的一个重要分支，其目的是为了检测待测数字图像是否由不同数字图像经过拼接篡改操作合成的。图像拼接经过剪切合成操作，可以利用一些信息替换图像中某些信息，从而使图像能够隐藏部分原始信息和表达篡改者想要传达的信息。数字图像经过拼接操作后，再经历模糊，滤波等后处理操作，可以有效的抹除可视的拼接篡改操作留下的痕迹。因此，有效的数字图像拼接检测技术在信息安全体系中发挥着非常重要的作用。图像拼接检测技术主要可以应用在：司法刑侦取证、保险理赔、新闻等应用领域中。现有的图像拼接检测技术主要分为两种：一种基于局部特征不一致性的方法，这类方法基于图像拼接引入的新的图像块和原始图像的局部特征的不同，例如：光照，背景噪声，图像的模糊度等，因此可以利用局部特征方法来估计图像每个部分特征的差异来判断图像是否经过拼接，但是这类方法最后需要依据人工来判断；另一种方法是基于全局统计特征，例如：像素间的关联性，CFA，游程统计等，并利用机器学习的方法对图像的不同信息进行分析和提取统计特征进行分类，这类方法之间的区别主要在于图像变换域和统计特征选取。
技术实现思路
本专利技术的目的在于克服现有技术的不足，提供一种基于四元数小波变换的图像拼接检测方法，能够有效地检测待测数字图像是否经过拼接操作，具有高效和鲁棒性高的优点。为解决上述问题，本专利技术提供的技术方案为：一种基于四元数小波变换的图像拼接检测方法，其中，包括以下步骤：S1.选取图像训练集：训练集包含没有经过任何篡改操作的原始图像和经过拼接篡改操作的拼接图像；S2.对训练图像进行色彩通道选择：对于图像训练集中的每一张图像，首先进行色彩通道选择，如果训练图像是灰度图像则直接进行S3步骤，如果训练图像是彩色图像，则首先选择亮度Y通道再进行S3步骤；S3.对S2步骤得到的图像进行四元数小波变换：对于每一张图像，使用K层的四元数小波分解，得到3K+1个子带，每个子带系数同样是一个四元数，分别提取每个子带四元系数的实数部分和3个虚部，每个子带可以得到4个实数系数矩阵，经过K层分解后共得到M＝12K+4个实数系数矩阵；S4.提取Markov特征：针对每张图像经过S3步骤得到的M个实数系数矩阵提取Markov特征，得到该图像最终的Markov特征向量；S5.训练特征标识：得到训练图像集所有图像的Markov特征向量后，将原始图像的特征向量标识为+1，将拼接图像的特征向量标识为-1，将两类特征集作为SVM的特征训练集，特征集每行对应一张图像的特征向量；S6.特征降维：使用基于支持向量机的回归特征消除方法SVM-RFE对特征训练集的每一列特征进行排序，得到特征排序列表，按照特征排序列表对每张图像的特征向量选择前n个特征值构成新的特征向量，组成一个新的特征向量集；S7.SVM分类器参数寻优：寻找最优的惩罚参数c和核参数g并训练得到分类器。对S6得到的特征向量集和相应的标识集使用径向基内核的SVM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；S8.测试图像提取特征：对测试图像进行与训练图像相同的四元数小波变换，对得到的每个系数子带提取系数成分分离的Markov特征得到特征向量，即进行S2、S3和S4的操作，然后按照S6操作步骤得到测试图像的降维后特征向量；S9.分类预测：利用S7得到的SVM分类模型，对S8得到的测试图像的Markov特征向量进行分类预测，得到预测结果，+1代表分类器检测测试图像为原始图像，-1代表分类器检测测试图像为拼接图像。在本专利技术中，首次提出在四元数小波变换域提取马尔科夫特征进行数字图像拼接篡改检测，充分利用的四元数小波变换近似平移不变性，丰富的相位信息，有限的数据冗余等优势，提取全局统计特征，并且结合机器学习，可以有效的自动辨识测试数字图像，节省了人工辨别操作步骤。进一步地，所述的S3步骤使用K层四元数小波分解其第一层滤波器采用近似对称正交的Farrs带，从第二层开始采用Q-Shift双树滤波器。进一步地，所述的S4步骤具体包括：S41.将实数系数矩阵的每个系数进行取整和取绝对值操作，针对每个实数系数矩阵，将每个系数取整和取绝对值得到Ck，k对应第k个实数系数矩阵，k∈{1,2,…M},M＝12K+4,K是四元数小波分解层数；S42.按照水平方向和垂直方向计算其差分矩阵，得到两个差分矩阵，计算公式为：Dkh＝Ck(u,v)-Ck(u+1,v)Dkv＝Ck(u,v)-Ck(u,v+1)其中，u和v代表Ck系数的坐标，Dkh和Dkv分别代表Ck在水平方向和垂直方向的差分矩阵；S43.阈值操作：对每个差分矩阵的系数，使用阈值T进行截断操作，大于T的系数全部替换为T，小于-T的系数全部替换为-T；S44.提取Markov特征：根据公式计算两个差分矩阵对应的水平方向和垂直方向的Markov转移概率矩阵，将得到4个Markov转移概率矩阵，其计算公式为：其中，Sku对应Ck系数矩阵水平方向的维数，Skv对应Ck系数矩阵垂直方向的维数，Dkhh代表Dkh的水平方向的Markov转移概率矩阵，Dkhv代表Dkh的垂直方向的Markov转移概率矩阵，Dkvh代表Dkv的水平方向的Markov转移概率矩阵，Dkvv代表Dkv的垂直方向的Markov转移概率矩阵，i,j∈{-T,-T+1,…,-1,0,1,…,T-1,T}代表Ck系数的各种取值，并且：S45.连接特征：对于每个实数系数矩阵，将4个Markov转移概率矩阵连在一起得到该系数矩阵的特征向量，然后连接k个实数系数矩阵的特征向量得到每张图像的特征向量。与现有技术相比，有益效果是：本专利技术首先对图像进行四元数小波变换，四元数小波变换在保留离散小波变换的优势基础上，还具有近似平移不变性，丰富的相位信息，有限的数据冗余等特点，能够很好的描述细节纹理信息和图像轮廓，在四元数小波变换分解得到的各个子带上提取子带四元数系数的实部和3个虚部系数组成新的实数系数矩阵，在实数系数矩阵上提取Markov特征能够用来捕获多方向和多尺度的差异信息，再结合机器学习，得到有效的分类器，因此可以同时保证检测的准确率和检测效率。附图说明图1为本专利技术方法流程图。图2为本专利技术实施例中四元数小波变化对图像的分类检测效果图。具体实施方式附图仅用于示例性说明，不能理解为对本专利的限制；为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。附图中描述位置关系仅用于示例性说明，不能理解为对本专利的限制。如图1所示，一种基于四元数小波变换的图像拼接检测方法，其中，包括以下步骤：步骤1：选取图像训练集本文档来自技高网...

【技术保护点】
1.一种基于四元数小波变换的图像拼接检测方法，其特征在于，包括以下步骤：S1.选取图像训练集：训练集包含没有经过任何篡改操作的原始图像和经过拼接篡改操作的拼接图像；S2.对训练图像进行色彩通道选择：对于图像训练集中的每一张图像，首先进行色彩通道选择，如果训练图像是灰度图像则直接进行S3步骤，如果训练图像是彩色图像，则首先选择亮度Y通道再进行S3步骤；S3.对S2步骤得到的图像进行四元数小波变换：对于每一张图像，使用K层的四元数小波分解，得到3K+1个子带，分别提取每个子带四元系数的实数部分和3个虚部，每个子带可以得到4个实数系数矩阵，经过K层分解后共得到M＝12K+4个实数系数矩阵；S4.提取Markov特征：针对每张图像经过S3步骤得到的M个实数系数矩阵提取Markov特征，得到该图像最终的Markov特征向量；S5.训练特征标识：得到训练图像集所有图像的Markov特征向量后，将原始图像的特征向量标识为+1，将拼接图像的特征向量标识为‑1，将两类特征集作为SVM的特征训练集，特征集每行对应一张图像的特征向量；S6.特征降维：使用基于支持向量机的回归特征消除方法SVM‑RFE对特征训练集的每一列特征进行排序，得到特征排序列表，按照特征排序列表对每张图像的特征向量选择前n个特征值构成新的特征向量，组成一个新的特征向量集；S7.SVM分类器参数寻优：寻找最优的惩罚参数c和核参数g并训练得到分类器。对S6得到的特征向量集和相应的标识集使用径向基内核的SVM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；S8.测试图像提取特征：对测试图像进行与训练图像相同的四元数小波变换，对得到的每个系数子带提取系数成分分离的Markov特征得到特征向量，即进行S2、S3和S4的操作，然后按照S6操作步骤得到测试图像的降维后特征向量；S9.分类预测：利用S7得到的SVM分类模型，对S8得到的测试图像的Markov特征向量进行分类预测，得到预测结果，+1代表分类器检测测试图像为原始图像，‑1代表分类器检测测试图像为拼接图像。...

【技术特征摘要】
1.一种基于四元数小波变换的图像拼接检测方法，其特征在于，包括以下步骤：S1.选取图像训练集：训练集包含没有经过任何篡改操作的原始图像和经过拼接篡改操作的拼接图像；S2.对训练图像进行色彩通道选择：对于图像训练集中的每一张图像，首先进行色彩通道选择，如果训练图像是灰度图像则直接进行S3步骤，如果训练图像是彩色图像，则首先选择亮度Y通道再进行S3步骤；S3.对S2步骤得到的图像进行四元数小波变换：对于每一张图像，使用K层的四元数小波分解，得到3K+1个子带，分别提取每个子带四元系数的实数部分和3个虚部，每个子带可以得到4个实数系数矩阵，经过K层分解后共得到M＝12K+4个实数系数矩阵；S4.提取Markov特征：针对每张图像经过S3步骤得到的M个实数系数矩阵提取Markov特征，得到该图像最终的Markov特征向量；S5.训练特征标识：得到训练图像集所有图像的Markov特征向量后，将原始图像的特征向量标识为+1，将拼接图像的特征向量标识为-1，将两类特征集作为SVM的特征训练集，特征集每行对应一张图像的特征向量；S6.特征降维：使用基于支持向量机的回归特征消除方法SVM-RFE对特征训练集的每一列特征进行排序，得到特征排序列表，按照特征排序列表对每张图像的特征向量选择前n个特征值构成新的特征向量，组成一个新的特征向量集；S7.SVM分类器参数寻优：寻找最优的惩罚参数c和核参数g并训练得到分类器。对S6得到的特征向量集和相应的标识集使用径向基内核的SVM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；S8.测试图像提取特征：对测试图像进行与训练图像相同的四元数小波变换，对得到的每个系数子带提取系数成分分离的Markov特征得到特征向量，即进行S2、S3和S4的操作，然后按照S6操作步骤得到测试图像的降维后特征向量；S9.分类预测：利用S7得到的SVM分类模型，对S8得到的测试图像的Markov特征向量进行分类预测，得到预...

【专利技术属性】
技术研发人员：卢伟，王汝鑫，
申请(专利权)人：中山大学，
类型：发明
国别省市：广东,44