[发明专利]一种细粒度图像拼接区域检测方法

说明书

本发明公开了一种细粒度的图像拼接区域检测方法，首先提取图像RGB三个颜色通道，建立线性插值模型，并通过协方差矩阵分别估计三个通道的插值系数，从而重建三通道。然后，利用拉普拉斯算子构建图像取证特征，并对取证特征进行二值化处理和形态学操作，同时对粗粒度检测结果进行非重叠分块，提取粗粒度块的纹理强度特征，然后进行分类、去除误检，得到细粒度拼接区域的检测结果。最后通过超像素分割算法平滑细粒度拼接区域检测结果的边缘，得到最终的图像拼接区域检测结果。本发明解决了一般基于CFA的图像拼接检测方法对JPEG压缩不鲁棒的问题。

技术领域

本发明属于图像篡改检测技术领域，具体涉及一种细粒度图像拼接区域检测方法。

背景技术

随着数字技术的迅猛发展及各种强大的数字图像编辑工具的广泛使用，非专业人士可以非常容易地对数字图像进行美化、编辑，甚至篡改和伪造，这将破坏图像内容的真实性、完整性和原始性。近年来出现了很多篡改伪造的图像被用在科学研究、新闻传媒、司法取证、金融和军事等领域的报道，严重影响了图像内容的可信度，在很多领域造成了严重的负面影响。

图像内容篡改包括异源图像拼接/合成(splicing/compositing)，同源图像Copy-Move攻击，和图像局部性质改变。图像拼接/合成技术是指将图像的部分内容拼接到其他图像生成一幅合成图像，其目的是隐藏或添加一些虚假内容来伪造不存在的场景。由于图像拼接/合成是最常用的图像内容篡改手段之一，因此，近年来，针对图像拼接/合成伪造的检测方法得到了工业界和学术界的极大关注。

现有的图像拼接检测技术主要分为两类：一类为判别技术，仅检测图像是否经过拼接操作；另一类为识别技术，可检测到图像拼接区域的位置和形状。早期的许多方法都属于判别技术，虽然这类方法一般都具有较高的检测精度，但由于它不能检测到图像拼接区域的位置和形状，因此其使用价值得到了限制。目前，许多学者致力于识别技术的研究，并涌现出了许多优秀的图像拼接区域检测方法。现存的方法主要包括：基于双JPEG压缩的图像拼接区域检测方法[1]，基于噪声水平不一致性的图像拼接区域检测方法[2-5]，基于模糊类型不一致性的图像拼接区域检测方法[6]以及基于光照不一致性的图像拼接区域检测方法[7]。

考虑到多数数码相机使用了彩色滤波阵列(Color Filter Array,CFA)，所拍摄的彩色照片，三分之一的像素点是由相机传感器直接获得的，而另外三分之二的像素点是通过CFA插值得到的，这样，每个颜色通道上的像素之间必然存在着一致的相关性模式，而图像拼接会破坏甚至改变这种模式的一致性。基于这一事实，文献[8]使用期望最大化和线性模型来估计图像的去马赛克伪影，并以此来检测和定位拼接区域，达到了很好的检测效果。文献[9]提出了一种新的图像拼接检测方法，该方法利用CFA插值过程中生成的伪影来估计图像特征，并利用阈值对图像特征进行分类，从而完成拼接区域定位。文献[10]提出了一种基于CFA去马赛克伪影的图像拼接区域检测方法，首先采用二维线性滤波器估计绿色通道，并得到残差图像；然后估计局部加权方差，生成概率图；最后，将概率图中的低值区域判定为可能的伪造区域。文献[11]提出了一种图像拼接区域定位方法，通过CFA插值对图像的R，G， B三通道进行估计，并利用估计图像提取边缘像素点的连续性特征，实现拼接区域的定位。文献[12]通过分析插值区域和非插值区域的像素模式，提出了一种新的图像篡改检测方法，该方法使用检测映射算法来分离插值区域和非插值区域，并使用最小滤波、拉普拉斯运算和最大滤波开发了一个改进算法，识别图像中的篡改区域，结果表明，该方法虽然有良好的视觉检测效果，但对JPEG压缩不够鲁棒。文献[13]提出了一种基于颜色分量相关性的图像拼接检测方法，此方法首先对图像的颜色分量进行CFA插值估计，利用估计误差作为取证特征，然后通过高斯混合参数模型对所提取的特征进行分类，从而完成拼接区域的定位。此方法虽然能够精确的检测出图像的拼接区域，但对图像中较平滑的拼接区域检测时，仍然存在一定的误差。

纵观近年来图像拼接区域检测领域的最新研究和发展动态，尽管涌现出很多优秀的技术，但依然存在许多具有挑战性的问题：