[发明专利]一种基于统计模型的图像重拍检测方法

权利要求书

1.一种基于统计模型的图像重拍检测方法，其特征在于，包括如下步骤：

步骤1，利用灰度共生矩阵的数字特征、Tamura特征、LBP特征和小波系数统计量构造图像的取证特征：

利用LBP特征构造图像的取证特征包括提取图像的LBP特征以及H、S、V通道的LBP特征：对于图像I，令T₁⁽¹⁾表示半径为1的8像素点59-D LBP特征，令H(·)，S(·)和V(·)分别表示HSV图像空间的H、S、V通道，T₁^(H),T₁^(S)和T₁^(V)分别表示H、S和V通道的59-D LBP特征，即

T₁⁽¹⁾＝{LBP} (1)

T₁^(H)＝{H(LBP)} (2)

T₁^(S)＝{S(LBP)} (3)

T₁^(V)＝{V(LBP)} (4)

令T₁＝{T₁⁽¹⁾,T₁^(H),T₁^(S),T₁^(V)}，则T₁表示总的LBP特征集合；

利用Tamura特征构造图像的取证特征包括：计算图像粗糙度，首先，计算图像中大小为2^k×2^k活动窗口内像素灰度值的平均值，即

其中，g(i,j)为点(i,j)的像素灰度值，k＝0,1,L,5；

其次，分别计算每一个像素在水平和垂直方向上不相重叠的窗口之间的平均强度差；

对于每个像素点(i,j)，通过调整k值，使得E_k,h(x,y)和E_k,v(x,y)达到最大，从而设置最佳尺寸W(i,j)＝2^k；

最后，计算整幅图像中W(i,j)的平均值得到粗糙度：

其中m和n分别表示图像的长和宽；

灰度共生矩阵的数字特征提取包括能量和熵：

计算图像的灰度共生矩阵M_d，步长为d，方向为θ的灰度共生矩阵表示为：

其中，表示从灰度级i的点离开固定步长d＝(Δx，Δy)以达到灰度为j的概率，L表示图像的灰度级，对M_d进行归一化处理，如下式所示：

K是归一化常数，也就是灰度共生矩阵中的所有元素之和，即K＝L×L；

灰度共生矩阵的能量T₃⁽¹⁾和衡量信息量的熵T₃⁽²⁾，分别表示如下：

取步长d＝1，θ分别为0°，45°，90°和135°，得到4组En和Ep，表示为：

T₃＝{En₁,Ep₁，En₂,Ep₂，En₃,Ep₃，En₄,Ep₄} (12)；

小波系数统计量构造图像的取证特征包括：

在RGB颜色空间中，分别对R、G、B每一通道进行三级haar小波分解，分别计算HL,LH,HH子带的均值和标准差，表示为：

图像的取证特征还包括图像的颜色特征提取：

(1)R、G、B三通道的平均强度值

令其中，R(x_i),G(x_i),B(x_i)分别为R、G、B通道的像素强度，n表示像素点总数；

(2)RGB色彩分量之间的相关性

RGB构成了颜色空间，其中红色分量R、绿色分量G、蓝色分量B之间常有很高的相关性，RGB空间三通道的相关性计算，主要是通过计算两两之间的相关性完成的；

计算R和G之间的相关性R与B之间的相关性以及B与G之间的相关性

其中，和分别表示红色通道、绿色通道和蓝色通道的像素强度均值，即

(3)R、G、B通道质心

首先，分别统计R、G、B通道中0-255各像素值的个数RI_i，GI_i和BI_i，0≤i≤255，令：

RA_i＝(RI_i-1+RI_i+1)/2，1≤i≤254；当i＝0时，令RA₁＝RI₀，当i＝255时，令RA₂₅₅＝RI₂₅；

GA_i＝(GI_i-1+GI_i+1)/2，1≤i≤254；当i＝0时，令GA₁＝GI₀，当i＝255时，令GA₂₅₅＝GI₂₅₅；

BA_i＝(BI_i-1+BI_i+1)/2，1≤i≤254；当i＝0时，令BA₁＝BI₀，当i＝255时，令BA₂₅₅＝BI₂₅；

最后，RA₁₂₈，GA₁₂₈，BA₁₂₈的值，即为质心T₅⁽³⁾；

(4)RGB色彩分量的能量比

利用步骤1中灰度共生矩阵的数字特征提取的方法分别计算R、G、B三个颜色通道的能量和然后计算R与G的能量比率R与B的能量比率以及B与G的能量比率

令

(5)HSV空间的均值、方差和偏斜度

设H、S、V分别表示HSV空间的三通道，H(x_i)表示H通道的像素值，S(x_i)表示S通道的像素值，V(x_i)表示V通道的像素值；

分别计算H、S、V三通道的均值如下：

分别计算H、S、V三通道的方差如下：

分别计算H、S、V三通道的偏斜度如下：

其中，n表示像素点总数；

令

综合上述(1)～(5)不同类型的颜色分量得到颜色特征为：

步骤2，利用经步骤1提取的图像的取证特征建立统计模型：

步骤2.1，利用经步骤1提取构造的图像的LBP特征和H、S、V三通道的LBP特征T₁、粗糙度T₂、灰度共生矩阵GLCM的能量和熵T₃、小波系数统计量T₄、以及图像的颜色特征T₅建立以下4个统计模型：

模型1：X₁＝{α₁T₁⁽¹⁾₃,α₂T₃,α₃T₄,α₄T₅}，共104维；

模型2：X₂＝{β₁T₁^(H),β₂T₂,β₃T₃,β₄T₄,β₅T₅}，共105维；

模型3：X₃＝{γ₁T₁^(V),γ₂T₂,γ₃T₃,β₄T₄,γ₅T₅}，共105维；

模型4：X₄＝{λ₁T₁⁽¹⁾,λ₂T₁^(H),λ₃T₁^(S),λ₄T₁^(V),λ₅T₂,λ₆T₃,λ₇T₄,λ₈T₅}，共282维；

步骤2.2，单独使用特征T₁⁽¹⁾,T₁^(H),T₁^(S),T₁^(V),T₂,T₃,T₄,T₅进行图像重拍摄检测，单独把每种特征分别输入到LibSVM分类器中，LibSVM分类器中建立联合数据库，在所建立的联合数据库上进行训练和测试并统计每种特征的检测精度，得出步骤2.1中建立的各模型的参数为：

模型1的参数：

模型2的参数：

模型3的参数：

模型4的参数：

步骤3，将经步骤2建立的统计模型输入到LibSVM分类器，进行图像重拍摄检测，得出结果。

2.根据权利要求1所示的一种基于统计模型的图像重拍检测方法，其特征在于，所述步骤3具体包括：将经步骤2得到的模型1、模型2、模型3和模型4输入到LibSVM分类器，进行图像重拍摄检测，得出结果。