[发明专利]一种基于集成映射的图像来源鉴别方法

权利要求书

1.一种基于集成映射的图像来源鉴别方法，其特征在于，步骤如下：

S1、提取训练样本LBP特征、CFA特征；

S2、随机提取其中m维特征训练分类器，20≤m≤30，并重复此过程T次，得到T个分类器，180≤T≤200；

S3、将所有样本分别通过T个分类器，对于每个分类器中的每类取后验概率高的前r个样本保存下来继续训练分类器，40≤r≤60；

S4、将有标签样本分别通过上述的T个分类器得到对应的后验概率值，将其作为样本新特征训练分类器；

S5、LBP特征和CFA特征所得到的最终分类器为2T个，采用集成学习法整合它们的分类结果，进而得到最终结果；

其中，所述步骤S1具体步骤如下：

提取训练集中所有的训练样本和测试样本的LBP特征、CFA特征，得到:

训练特征样本集：为样本所属的类别，n为每类训练样本数，为维度为354的行向量和480的行向量；

测试样本集：为样本所属的类别，n为每类测试样本数，为维度为354的行向量和480的行向量；

用LBP特征描述图像纹理特征，定义式如下：

在该式中，参数g_c代表中心像素点的灰度值，g_p(p＝1,L,p)代表它邻近像素点的像素灰度值，其中P是以g_c为中心，分布在半径为R上的像素点个数；利用这P个像素点所组成的模型，来计算局部二值模式模型特征；

在公式(1)式所示的函数s定义为：

根据公式(1)和(2)，计算出中心像素及其附近像素的灰度值之差，包含256个图案的不同组合；整合所有“非均匀”局部二进制模式为一种模式；

采用彩色图像的CFA特征，对于图像的绿色通道，令邻域的大小为(2k+1)×(2k+1)，k是自然数，然后N插值像素表示为：

其中和分别表示彩色图像红、绿、蓝通道的CFA插值权重系数，是绿色通道中的第k个插值像素点领域的第α个插值系，是红色通道中的第k个插值像素点领域的第α个插值系，是蓝色通道中的第k个插值像素点领域的第α个插值系；将公式(3)写成向量形式：

然后将协方差矩阵引入方程式：

插值系数可以通过求解方程(5)获得，

根据上述方式分别计算红色通道和蓝色通道的插值系数，对于给定的数字图像；设置k＝3，将240维CFA插值系数的均值和方差组合起来以形成480维CFA特征。

2.如权利要求1所述的基于集成映射的图像来源鉴别方法，其特征在于，步骤S2中，分别对所提取的LBP特征和CFA特征进行处理，随机选取m维特征训练子SVM分类器，重复此过程T次，得到T个训练好的分类器。

3.如权利要求1所述的基于集成映射的图像来源鉴别方法，其特征在于，在具体提取LBP特征即局部二值模式特征时，计算出中心像素及其附近像素的灰度值之差，整合所有“非均匀”局部二进制模式为一种模式；在具体提取CFA特征时，仅对红、绿颜色两个通道的特征进行提取，在图像的每个色彩通道中分别从空域、预估误差和小波变换子带中提取59维特征。

4.如权利要求1所述的基于集成映射的图像来源鉴别方法，其特征在于，步骤S3中，将所有有标签样本和无标签样本整合为测试集，分别通过这T个子训练器，将得到的后验概率排序取前r个概率值高的保存下来得到T个r×N矩阵，180≤T≤200，40≤r≤60，N为样本所属的类别，其中每一块位置均对应一个图像，所选图像均是属于该类别概率高的图像。

5.如权利要求1所述的基于集成映射的图像来源鉴别方法，其特征在于，步骤S4中，将所述T个矩阵块对应的图像分别作为训练样本再次训练SVM分类器，随后将样本依次通过这T个分类器得到对应的映射向量。

6.如权利要求1所述的基于集成映射的图像来源鉴别方法，其特征在于，将LBP特征、CFA特征所得到的共2T个映射向量分别作为新的子训练样本来训练子分类器，在测试时对所有子分类器结果进行整合，得到最后的分类结果。