基于噪聲分布規律的偽造圖像盲檢測算法

（西北工業大學 計算機學院， 西安 710072）



摘要：

提出了一種基于噪聲分布規律的偽造圖像盲檢測方法。首先利用基于邊緣保護的濾波方法檢測出圖像中的噪聲；然后計算圖像中同質區域噪聲的均值、方差和信噪比等統計量，通過比較圖像中同質區域的噪聲分布規律的相似性程度實現偽造圖像鑒別。實驗證明該算法能有效地檢測出偽造圖像。

關鍵詞：偽造圖像檢測； 真實性； 噪聲檢測； 噪聲分布規律

中圖分類號：TP391文獻標志碼：A

文章編號：10013695(2009)03109203



Blind detection of digital forgery image based on distribution of noise



LI Zhe， ZHENG Jiangbin



(College of Computer Science， Northwestern Polytechnical University， Xi’an 710072， China)



Abstract:

This paper proposed a method about blind detection of digital forgery image based on the distribution of noise. Firstly， intended the edge preserving smoothing filtering to get the noise in the image. Then calculated the statistics， such as the gray medium， the variance and the signal noise ratio. Finally， the digital forgery could be detected through comparing the similarity of noise distribution shown by the statistics among the different regions. Experiment results demonstrate the effectiveness of the algorithm in detecting the digital forgery image.

Key words：digital forgery detection; factuality; noise detection; distribution of noise



0引言

當前圖像處理工具軟件的功能是如此的強大，使得人們可以輕易地通過對數字圖像進行修改而很難被肉眼發現，導致流傳于網絡上各式各樣的圖片有的真偽性很難判定，這會給社會、法律和個人生活帶來極大影響。當前基于水印與簽名的圖像信息安全技術只能保護經過人工預處理的圖像，因此，在沒有嵌入任何保護信息和先驗知識的前提下，如何從圖像本身所具有的特征入手，評價一幅數字圖像內容的可信程度便成為十分重要的研究課題。

近年關于圖像內容真實性的盲認證技術已有了一些初步的研究。該技術假設在自然圖像中存在著某些統計上的性質，若對圖像數據進行修改則會改變其潛在的統計規律，這一假設也是判定一幅圖像是否被修改和進行竄改定位的依據。Popescu等人[1，2]利用量化DCT系數直方圖中出現的采樣效應來進行圖像重壓縮檢測，并使用EM算法來分析鄰近像素線性組合的概率，進而檢測數字圖像重采樣的痕跡[3]。Ng等人[4~6]提出了檢測圖像拼接偽造的數學模型，并利用雙一致性對拼接的偽造圖像進行分析檢測。Zhou Linna等人[7，8]提出利用同態濾波、移動平均濾波和數學形態學的方法檢測經過模糊處理的數字圖像竄改。

噪聲是圖像中存在的很重要的一種統計特征，目前利用圖像中噪聲特征來對圖像進行盲檢測的研究還鮮有涉及。Lukas等人[9]提出了利用相機的模板噪聲來對圖像的原始性和真實性進行檢測的方法，但是該方法的局限性在于需要已知有關成像相機的模板噪聲的先驗知識。本文從圖像本身所具有的噪聲特征入手，通過大量實驗發現，不同來源圖像的噪聲分布規律往往是不同的，而同一幅圖像中的同質區域（不同位置處的草地與草地、天空與天空、人物與人物等具有某種相同性質的區域）的噪聲分布規律是具有相似性的。因此，本文提出了一種基于噪聲分布規律的檢測圖像真偽的方法。

1圖像噪聲提取方法

數字圖像在形成、傳輸及處理等過程中，必然受到各種各樣噪聲的影響，最為常見的為高斯噪聲、泊松噪聲和椒鹽噪聲。高斯噪聲和泊松噪聲的濾除可采用線性濾波技術，而椒鹽噪聲則采用非線性濾波技術。但是對于受混合噪聲污染的圖像，僅僅用線性濾波或非線性濾波無法取得很好的效果，一般都需要組合不同的濾波算法。比如李向吉等人[10]提出了基于中值和均值濾波算法的混合噪聲濾波器。在大量的實驗過程中發現，大多數的濾波算法不能很好地區分噪聲與邊緣，導致檢測到的噪聲中包含很多邊緣和細節信息。因此，本文結合中值濾波和均值濾波技術，設計了一種基于邊緣保護的混合噪聲濾波算法。

均值濾波算法之所以會導致圖像變模糊，是因為算法直接將像素鄰域均值作為濾波輸出，而沒有考慮該鄰域內是否包含邊緣信息。為了削減均值濾波算法的模糊后果，可以選擇一個不包含邊緣信息的像素鄰域，而僅以該鄰域中的灰度均值作為濾波輸出。

濾波算法如下：

a)定義以待檢像素(x，y)為中心的九個鄰域[7]，如圖1所示。

b)對圖像中每個像素(x，y)進行遍歷，執行如下三個步驟:

(a）由式（1）和（2）得到方差向量V={σ1，σ2，σ3，…，σ9}。

σi=∑k，l|f(x+k，y+l)-f(x，y)|2/ni（1）

f(x，y)=(1/ni)∑k，lf(x+k，y+l)（2）

i=1，2，…，5; f(x+k，y+l)∈Wi

其中： f(x，y)為像素點(x，y)的灰度值；f(x，y)為像素(x，y)的第i個鄰域的灰度均值；ni為像素(x，y)的第i個鄰域Wi(i=1，…，9)中像素個數。

(b）排序，得到新向量V′。

V′:V={σ′1，σ′2，σ′3，…，σ′9}

其中：σ′i≤σ′i+1(i=1，…，8)

(c）計算V′中前五個方差元素σ′1(i=1，…，5)對應的鄰域的灰度均值mi(i=1，…，5)組成的向量M={mi|i=1，…，5|}，排序后有

m′i≤m′i+1(i=1，…，4)

g(x，y)=median(m′i)=m′3(i=1，…，5)(3)

mi′=(1/ni)∑k，lf(x+k，y+l)(4)

i=1，2…，5; f(x+k，y+l)∈Wi

由于在選擇鄰域時考慮了圖像的邊緣信息，該算法在很好地消除圖像噪聲的同時，也很好地保護了圖像的邊緣和細節。

2圖像內容真實性檢測

對待檢測圖像f(x，y)，運用上述基于邊緣保護的混合濾波方法得到濾波后的圖像g(x，y)，由濾波前后的圖像可以得到噪聲圖像n(x，y)=f(x，y)-g(x，y)，從而可分析噪聲圖像中不同區域的噪聲分布規律。通常來說，一幅圖像中的同質區域的噪聲分布規律應該是比較相似的，若待檢圖像中存在兩個同質的不同區域，但兩者的噪聲分布規律的相似性較小，那么可以認為圖像中存在偽造區域。其中，相似性的大小采用常用的距離函數來量化。

首先根據圖像的大小M和N將圖像分成S×S大小相等(10≤S≤20)的小塊T（p，q）(p=M/S，q=N/S)；然后利用式（5）~（7）分別計算每一小塊T（p，q）的灰度均值ave、方差var和信噪比SNR等統計量。

ave（p，q）=[1/（S×S）]∑x，yn(x，y)(5)

var（p，q）=∑x，yn[(x，y)-ave（p，q）]2/（S×S）(6)

SNR（p，q）=10×lg{(s×s×2552）/∑（x，y）[f(x，y)-g(x，y)]}2(7)

其中：(x，y)∈T(p，q)；S×S為區域T(p，q)的大小。

至此，待檢圖像中不同區域的噪聲分布規律已經可以定量地表示出來。下面選取圖像中的同質區域Ti(i=1，…，Z)，Z為同質區域的個數，定義兩個同質區域的相似性如下：

|h1-h2|≤θS1和S2是相似的elseS1和S2是不相似的(8)

其中：h1和h2是兩個同質區域的統計量；

hi∈{avei，vari，SNRi}(i=1，2)

θ為判定閾值，可自適應地選取：

θ=k|(h1+h2)/2|k=1/10(9)

檢測算法實現步驟如下：

a）將待檢測圖像f由RGB空間轉換至HSV空間，得到圖像g；

b)選取g的亮度分量g3，對其進行基于邊緣保護的噪聲濾波算法，得到濾波后的圖像g′3；

c)由濾波前后的圖像g3和g′3，得到噪聲圖像n=g3-g′3；

d)將圖像分成大小相同的小塊，計算每一小塊的均值、方差或信噪比等統計量（見式（5）~（7），本文以信噪比為例）；

e)利用式（8）比較圖像中同質區域噪聲分布規律的相似性程度，得到實驗結論。

3實驗

為了驗證算法的有效性，實驗選取圖像庫中的部分圖像進行了實驗，這些圖像涵蓋了各種竄改技術。其中包括圖像模糊操作、有損壓縮處理、圖像合成部分進行旋轉縮放處理、圖像拼接操作等，既有直接拼接合成等簡單操作，也有對簡單偽造后圖像再進行潤色修飾的復雜操作。因此，實驗結果具有一定的代表性。部分實驗結果如圖2、3所示。

圖2中，(a)(b)為兩幅原始圖像，(c)是由(a)(b)進行拼接得到的竄改圖像。竄改步驟為：首先對(a) 進行對稱操作，然后與(b)拼接，并對接縫進行模糊后處理。(d)顯示了對竄改圖像(c)進行濾波后得到的信噪比圖像。其中方框標志的區域為選取的其中兩塊同質區域T1和T2。計算結果和閾值選擇如下：h1=28.80，h2=38.31，θ=3.381。因此，T1和T2是不相似的。可以得出結論：(c)是由兩幅不同來源的圖像進行拼接得到的。其中：(d)顯示了(c)的信噪比圖像，左右部分信噪比差異較大，可判斷出由兩幅圖像拼接而成。

圖3中，(a)(b)為兩幅原始圖像，(c)為竄改圖像。竄改步驟為：首先將(b)中的人物摳出，然后粘貼到(a)中，并對邊緣進行模糊潤飾后處理。(d)顯示了對竄改圖像(c)進行濾波后得到的信噪比圖像。其中方框標志的區域為選取的其中兩塊同質區域T1和T2。其計算結果和閾值選擇如下：h1=27.99，h2=20.37，θ=2.418，因此，T1和T2是不相似的。可以得出結論：(c)的兩個人物不是來自于同一幅圖像。

由圖(d)可以看出，圖像中兩個人物的信噪比差別較大，故兩者應該來自不同的圖像。

為了進一步驗證算法的有效性，本文對經平滑濾波處理過的偽造圖像也進行了實驗，結果證明可以達到不錯的檢測效果，如圖4所示。

圖4中，(a)(b)為兩幅原始圖像，(c)是竄改圖像。竄改方法為：將圖像(a)和(b)直接進行拼接，并對接縫進行模糊后處理。(d)顯示了(c)的信噪比圖像。其中方框標志部分為其中的兩塊同質區域T1和T2。其結果和閾值選擇如下：h1=189.92，h2=166.81，θ=17.837。因此，T1和T2是不相似的。可以得出結論：(c)是由兩幅圖像進行拼接得到的；(e)是經過了平滑濾波后的偽造圖像；(f)顯示了(e)的信噪比圖像，其計算結果和閾值選擇如下：h1=184.92，h2=163.81，θ=17.436。可以看出，該算法對經平滑濾波后的偽造圖像也有不錯的檢測效果。

4結束語

本文提出了一種利用圖像中不同區域的噪聲分布的相似性程度來判斷圖像真偽的方法。首先設計了一種基于邊緣保護的混合噪聲濾波方法，實驗證明該方法提取出的圖像中的混合噪聲要優于其他濾波方法；然后選取圖像中的同質區域，并計算每一區域中噪聲的均值、方差和信噪比等統計量；最后通過比較圖像中同質區域的噪聲分布規律的相似性程度來對圖像進行偽造檢測。實驗結果表明，該方法可以很好地對圖像的真實性進行正確評價，并且對已經過平滑濾波后的偽造圖像也有不錯的檢測效果。但是該方法也具有一定的局限性，僅適用于有兩幅或多幅圖像進行合成的偽造圖像的檢測，且存在較大面積的同質區域。因此，還需要在后續的研究工作中進行改進。

參考文獻：

[1]POPESCU A C. Statistical tools for digital image forensics， TR2005531[R]. Hanover: Dartmouth College， 2004.

[2]POPESCU A C，FARID H. Statistical tools for digital forensics[C]//Proc of the 6th International Workshop on Information Hiding. Berlin: Springer， 2004：128147.

[3]POPESCU A C， FARID H. Exposing digital forgeries by detecting traces of resampling[J]. IEEE Trans on Signal Processing， 2004，53(2): 758767.

[4]NG T T， CHANG S F， LIN C Y， et al. Passiveblind image forensics: multimedia security technologies for digital rights[M]. London: Elsevier， 2006.

[5]NG T T， CHANG S F. A model for image splicing[C]//Proc of IEEE International Conference on Image Processing. Piscataway: IEEE Press， 2004: 11691172.

[6]NG T T， CHANG S F ， SUN Qibin. Blind detection of photomontage using higher order statistics[C]//Proc of IEEE International Symposium on Circuits and Systems. Piscataway: IEEE Press， 2004: 688691.

[7]ZHOU Linna， WANG Dongming， GUO Yunbiao， et al. Blue detection of digital forgery using mathematical morphology [C]//Lecture Notes in Computer Science. 2007.

[8]周琳娜，王東明，郭云彪，等.基于數字圖像邊緣特性的形態學濾波取證技術[J]. 電子學報，2007，36（6）：10471051.

[9]LUKAS J， FRIDRICH J， GOLJAN M. Detecting digital image forgeries using sensor pattern noise[C]//Proc of Conference on Security， Steganography and Watermarking of Multimedia Contents VIII. 2006:362372.

[10]李向吉，丁潤濤，蔡靖.基于區域生長的噪聲圖像細節保護濾波器[J].電子測量與儀器學報，1999，13（1）：711.