基元樹(shù)建筑物圖像偽造組件檢測(cè)算法

吳冰潔，杜振龍

（南京工業(yè)大學(xué)電子與信息工程學(xué)院，江蘇 南京 211800）

0 引 言

隨著數(shù)字獲取技術(shù)的發(fā)展，利用攝像機(jī)、數(shù)碼相機(jī)、智能手機(jī)等設(shè)備能方便、快捷地獲取生活、旅游等方面的圖像資料。這些數(shù)字媒體文檔為豐富現(xiàn)代人們的精神生活提供了影像物料，其中，以地標(biāo)建筑、歷史建筑物為背景的生活圖像占了相當(dāng)大的比重。然而，不斷發(fā)展的圖像編輯技術(shù)為人物生活照的編輯和合成提供了強(qiáng)有力的支持，使得普通用戶可以容易地更改圖像中的建筑物圖像而不被察覺(jué)，從而產(chǎn)生充斥互聯(lián)網(wǎng)的“移花接木”圖像。為了保證圖像內(nèi)容的真實(shí)性，可通過(guò)鑒定圖像中的建筑物部分是否被修改來(lái)判斷圖像真?zhèn)巍Ｒ虼耍ㄖ飯D像的檢測(cè)具有一定的現(xiàn)實(shí)需求和意義。同時(shí)，李滿滿等[1]指出，圖像合成處理后的偽造圖像是難以檢測(cè)出來(lái)的。

眾所周知，建筑物圖像的主要組成部分是窗戶、陽(yáng)臺(tái)等基本建筑構(gòu)成單元，即建筑物基元。建筑物圖像變形是改變一個(gè)或多個(gè)基元數(shù)量或位置信息，本質(zhì)是改變基元之間的空間關(guān)系。通過(guò)將基元進(jìn)行新的空間組合，構(gòu)造出新基元組件，整合多個(gè)基元組件偽造出“莫須有”的圖像。由于建筑物圖像在三維重建中的重要性，對(duì)建筑物圖像的研究已經(jīng)成為近年來(lái)的熱點(diǎn)。而傳統(tǒng)的逐像素[2-4]或逐塊的檢索方法[5-7]通過(guò)將圖像分塊，提取圖像塊或像素點(diǎn)特征，進(jìn)行相關(guān)性檢測(cè)，從而搜尋到匹配區(qū)域，但忽略了圖像內(nèi)容上的語(yǔ)義聯(lián)系以及空間結(jié)構(gòu)特征，且計(jì)算量大，使得這些圖像特征檢測(cè)方法難以鑒別圖像真?zhèn)巍Ｈ鏢hivakumar等[2]提出使用基于SURF特征的檢測(cè)算法，聯(lián)合K-d樹(shù)與SURF特征，來(lái)實(shí)現(xiàn)多維特征匹配，以檢測(cè)偽造區(qū)域，實(shí)驗(yàn)結(jié)果顯示其算法具有較好的魯棒性。但該算法在圖像全局屬性表達(dá)方面較弱，影響了檢測(cè)結(jié)果的準(zhǔn)確性。Amerini等[4]提出使用SIFT特征提取圖像特征點(diǎn)與特征向量，可調(diào)整特征匹配時(shí)仿射變換參數(shù)從而減少特征點(diǎn)對(duì)的誤配。但該方法計(jì)算量較大，匹配效率低。Cao等[5]提出使用離散余弦變換DCT表示圖像塊單元特征，通過(guò)與閾值進(jìn)行比較篩選出疑似偽造圖像塊。但該方法忽略了圖像塊之間的語(yǔ)義聯(lián)系與空間關(guān)系，對(duì)經(jīng)過(guò)加噪與模糊處理的偽造圖像塊檢測(cè)效率較差。

對(duì)此，研究人員開(kāi)發(fā)了新的針對(duì)建筑圖像偽造檢測(cè)技術(shù)。Martinovic等[8]提出使用遞歸神經(jīng)網(wǎng)絡(luò)（RNN）與馬爾科夫隨機(jī)場(chǎng)（MRF）構(gòu)成的三層模型，并從其語(yǔ)義上提取了建筑物基元；但該方法在使用RNN進(jìn)行訓(xùn)練時(shí)，需要先將圖像進(jìn)行過(guò)度分割，生成許多塊區(qū)域，這將占據(jù)大量?jī)?nèi)存空間。Teboul等[9]提出使用自定義的建筑結(jié)構(gòu)規(guī)則，結(jié)合監(jiān)督分類與隨機(jī)過(guò)程方法分割出建筑物基元。但是該方法需要對(duì)基元形狀進(jìn)行過(guò)程學(xué)習(xí)，訓(xùn)練樣本的差異會(huì)影響最終基元檢測(cè)結(jié)果。Fan等[10]提出通過(guò)將實(shí)驗(yàn)圖像可見(jiàn)部分的建筑物基元表示成包絡(luò)盒，即剛好容納基元區(qū)域的外接矩形，并結(jié)合圖像數(shù)據(jù)庫(kù)訓(xùn)練得到的建筑物布局候選項(xiàng)，補(bǔ)齊實(shí)驗(yàn)圖像未知部分基元，從而構(gòu)造出完整的建筑物圖像。但是該方法需要依賴圖像數(shù)據(jù)庫(kù)，數(shù)據(jù)庫(kù)中不完備的圖像種類將導(dǎo)致可能無(wú)法產(chǎn)生布局候選項(xiàng)，繼而降低了其檢測(cè)準(zhǔn)確度。

為了解決上述難題，本文提出一種圖像基元樹(shù)表示法，即對(duì)建筑物圖像進(jìn)行基元提取，根據(jù)建筑物對(duì)稱性特點(diǎn)[11]生成基元樹(shù)，通過(guò)檢索基元樹(shù)結(jié)點(diǎn)對(duì)應(yīng)的非聚合組件的對(duì)稱因子和聚合組件的密集度差異值，快速定位疑似偽造組件，并測(cè)試了本文算法的檢測(cè)速度與準(zhǔn)確度。

1 建筑物圖像的基元樹(shù)表示

首先對(duì)建筑物圖像進(jìn)行基元提取，再依據(jù)對(duì)稱性原則，構(gòu)造出基元樹(shù)。

1.1 基元提取

建筑物由于其人工構(gòu)建特性，具有基元重復(fù)性和規(guī)整性。利用這些人為特性，將建筑物圖像中重復(fù)構(gòu)建的門(mén)、窗等基元作標(biāo)記，然后采用包絡(luò)盒替代細(xì)節(jié)復(fù)雜的基元區(qū)域，從而提取出基元，得到清晰的基元空間分布圖。

輸入一幅建筑物圖像，交互式地將門(mén)、窗、陽(yáng)臺(tái)等建筑物外表形狀規(guī)整的元素作為基元予以標(biāo)記，如圖1（b）所示。定義基元的集合表示，設(shè)e={門(mén)|窗|陽(yáng)臺(tái)|…}表示建筑物圖像的基元。由于基元類型不同，故定義了標(biāo)簽集合L={l1|l2|l3|…}代表不同類別的基元，其中，li是標(biāo)識(shí)不同類別基元的標(biāo)簽，i=1，2，3，…，n。空間分布不同的多種類別基元可以組成空間結(jié)構(gòu)不同的基元組件，故基元組件S為基元e的并集，定義S=∪e為由基元e組裝成的組件。不同結(jié)構(gòu)的組件通過(guò)不同的拼接方式可以構(gòu)造出多樣基元樹(shù)，故基元樹(shù)為組件的并集，定義T=∪S是由組件構(gòu)成的基元樹(shù)。

在建筑物圖像中，由于個(gè)別基元邊緣模糊以及基元之間的拍攝光強(qiáng)不一致等外界因素，使得同類基元區(qū)域各方面呈現(xiàn)差異。為了消除這些干擾因素，本文引入包絡(luò)盒，利用不同顏色的包絡(luò)盒來(lái)替代表示不同類別的基元，忽略非基元區(qū)域，將各類基元進(jìn)行提取，從而得到空間結(jié)構(gòu)明朗的包絡(luò)盒表示圖，見(jiàn)圖 1（c）。

設(shè)包絡(luò)盒 bos=（l，x，h，left，right，parent）， 式中l(wèi)表示基元類別，x、h分別表示包絡(luò)盒寬度和高度，（left，right，parent）∈N3代表左右基元及所屬組件的信息。

1.2 組件拆分

圖像經(jīng)過(guò)基元提取后得到的包絡(luò)盒表示圖，需以此為跟結(jié)點(diǎn)，進(jìn)行組件拆分操作，從而構(gòu)造基元樹(shù)。

根據(jù)建筑物對(duì)稱特性，可以發(fā)現(xiàn)在建筑物圖像中，基元之間的空間關(guān)系是聚合或者嵌入。因此，根據(jù)不同的空間關(guān)系，對(duì)組件進(jìn)行不同的拆分操作，從而簡(jiǎn)化組件的基元組合關(guān)系。

圖1 基元提取

圖2 組件分割操作

聚合，即同一類基元聚集在某一區(qū)域，且該區(qū)域不包含其他類別的基元。若沿著中軸線把該區(qū)域分成空間相等的兩個(gè)部分，則每個(gè)部分所包含的基元數(shù)目是相等的。當(dāng)組件中包含聚合組件時(shí)，為了保存聚合區(qū)域的對(duì)稱性，采用分割的方式將聚合組件從原組件中分離出來(lái)，從而得到兩個(gè)新組件，如圖2所示。

嵌入，即不同類別基元在空間上間隔地分布，通常是在聚合組件中插入其他類別的基元，從而導(dǎo)致組件中的基元類別不統(tǒng)一，不同的基元錯(cuò)落排列，組件不具備對(duì)稱性，則稱該組件為非聚合組件。為了保存部分聚合區(qū)域的結(jié)構(gòu)完整性，而采用嵌入的方式，使用聚合類別的基元虛擬取代非本類基元，并將非本類基元從該區(qū)域中剔除，如圖3所示。

圖3 組件嵌入操作

1.3 對(duì)稱性計(jì)算

對(duì)組件進(jìn)行拆分操作時(shí)，由于存在聚合與嵌入兩種選擇，故提出對(duì)兩種選擇分別進(jìn)行對(duì)稱性計(jì)算，選取對(duì)稱性大者為拆分選擇。

在構(gòu)造基元樹(shù)過(guò)程中，需要對(duì)結(jié)點(diǎn)所代表的組件進(jìn)行對(duì)稱性計(jì)算。由于基元樹(shù)的組成單元為基元或者組件，故本文定義了基元或組件對(duì)稱性。

定義基元對(duì)稱性：提取基元時(shí)，為得到清晰的基元空間分布，使用包絡(luò)盒替代基元進(jìn)行表示。為了抽取本質(zhì)特征，應(yīng)將包絡(luò)盒表示法應(yīng)用于對(duì)稱性計(jì)算。假設(shè)A為基元對(duì)應(yīng)的包絡(luò)盒，將其置于二維直角坐標(biāo)系上，使其水平范圍為[0，λ]，即寬x∈[0，λ]，高為h，PA（x）定義為與A關(guān)于位于坐標(biāo)x的垂直直線做鏡像對(duì)稱A′的重復(fù)面積。故基元對(duì)稱性PA（x）的計(jì)算模型為

定義組件對(duì)稱性：由于組件中包含多個(gè)基元，所以對(duì)稱性關(guān)系包括基元自身對(duì)稱性以及基元之間對(duì)稱性。基元自身對(duì)稱性使用上述的基元對(duì)稱性模型進(jìn)行計(jì)算。 基元之間對(duì)稱性，則使用模型PA1，A2（x）表示。兩個(gè)空間位置相鄰的基元A1、A2可能屬于同一類別或者不同類別。A1、A2類別相同時(shí)，PA1，A2（x）代表基元A1與基元A2關(guān)于橫坐標(biāo)為x垂直直線做鏡像對(duì)稱A2′的重復(fù)面積。A1、A2類別不同時(shí)，則對(duì)應(yīng)的包絡(luò)盒面積大小不同，不存在對(duì)稱關(guān)系，PA1，A2（x）值為0。綜上所述，則組件對(duì)稱性PS（x）計(jì)算模型為

式中S表示組件。

式中：Φ（S）——組件整體對(duì)稱性；

[-λS/2，+λS/2]——組件對(duì)應(yīng)包絡(luò)盒的寬度；

g（x）——高斯權(quán)重函數(shù)。

在選擇組件拆分方式時(shí)，需計(jì)算拆分后的兩個(gè)子組件或者基元的對(duì)稱性之和，由于不同類別基元對(duì)應(yīng)的包絡(luò)盒面積大小不同，為了對(duì)不同面積的基元進(jìn)行統(tǒng)一衡量并求和，本文對(duì)對(duì)稱性計(jì)算進(jìn)行歸一化操作。設(shè)β（S）為組件S對(duì)應(yīng)的包絡(luò)面積，S1，S2為拆分后的兩個(gè)子組件或者基元。則定義歸一化函數(shù)NS（S1，S2）為

式中：S1，S2——拆分后的兩個(gè)子組件或者基元；

NS（S1，S2）——S1，S2的歸一化函數(shù)；

β（S1），β（S2）——組件S1，S2對(duì)應(yīng)的包絡(luò)面積；

Φ（S1），Φ（S2）——組件S1，S2的整體對(duì)稱性；

Φ（β（S1）），Φ（β（S2））——組件S1，S2對(duì)應(yīng)的包絡(luò)盒整體對(duì)稱性。

1.4 基元樹(shù)的構(gòu)造

建筑物圖像通過(guò)基元提取，得到包絡(luò)盒表示圖，為了進(jìn)一步剖析基元的空間分布結(jié)構(gòu)，需將包絡(luò)盒表示圖作為首個(gè)非聚合組件進(jìn)行自上而下的拆分。拆分過(guò)程中，每步應(yīng)擇優(yōu)選擇拆分方式進(jìn)行拆分，逐步拆分至產(chǎn)生基元或聚合組件，從而生成基元樹(shù)。然后，通過(guò)自下而上遍歷基元樹(shù)，可重構(gòu)出基元如何組合成組件以及組件如何組合成上一層組件，從而得到清晰的基元空間搭配關(guān)系。

對(duì)基元樹(shù)結(jié)點(diǎn)對(duì)應(yīng)的非聚合組件進(jìn)行拆分時(shí)，有分割與嵌入兩種拆分方式，需要計(jì)算每種拆分方式的對(duì)稱性NS的數(shù)值，最終選擇對(duì)稱性NS的數(shù)值較大的拆分方式。如圖4所示，圖4（b）采用的方式是分割，其NS值為 0.34，圖 4（c）采用的方式是嵌入，其值為0.19。因分割方式的NS值大于嵌入方式的NS值，所以對(duì)圖4（a）中的組件采用分割方式進(jìn)行拆分。

圖4 組件對(duì)稱性值比較

圖5 建筑物圖像的基元樹(shù)

大量實(shí)驗(yàn)研究證實(shí)[12-14]，使用上述的基元樹(shù)構(gòu)造方法，最終可得到符合建筑物對(duì)稱性設(shè)計(jì)思想的基元樹(shù)，如圖5所示。

2 疑似偽造組件的檢測(cè)

對(duì)于包含偽造組件的這類圖像，按照基元空間分布信息，將其大致分成兩類，對(duì)稱性被破壞的圖像以及密集度被破壞的圖像。當(dāng)圖像基元樹(shù)結(jié)點(diǎn)對(duì)應(yīng)的非聚合組件與相鄰組件的對(duì)稱因子差異大于閾值WC，其中下標(biāo)C表示非聚合組件，稱該圖像為對(duì)稱性被破壞的圖像。當(dāng)圖像基元樹(shù)結(jié)點(diǎn)對(duì)應(yīng)的的聚合組件與其他聚合組件密集度差異大于閾值Wd，其中下標(biāo)d表示非聚合組件時(shí)，稱該圖像為密集度被破壞的圖像。

2.1 對(duì)稱因子檢測(cè)

圖像中的建筑物基元分布不均勻，不同類別的基元交錯(cuò)排列，在視覺(jué)上不具備協(xié)調(diào)性，稱這類圖像為對(duì)稱性被破壞的圖像，如圖6（b）所示，圖中上面兩層窗戶區(qū)域的對(duì)稱性被破壞。

針對(duì)此類圖像，本文提出使用對(duì)稱因子進(jìn)行檢測(cè)。在非聚合組件S中，如果S的一部分區(qū)域M經(jīng)過(guò)仿射變換T能夠與S的鏡像對(duì)稱區(qū)域M′重疊，則稱S中M與M′對(duì)稱，且S具有對(duì)稱性。定義對(duì)稱因子α，若M與M′完全重合，則α=1，表示M與M′完全對(duì)稱，則對(duì)稱因子α的定義為式（5），以計(jì)算部分重合區(qū)域的面積φ（M∩M′）與M、M′中面積最大的比值：

圖6 對(duì)稱性被破壞的圖像

通過(guò)計(jì)算圖像基元樹(shù)結(jié)點(diǎn)對(duì)應(yīng)的非聚合組件與其相鄰組件的對(duì)稱因子差異值Δα來(lái)快速定位疑似區(qū)域：

式中：αi——非聚合組件i的對(duì)稱因子值；

ai，left、ai，right——該 非 聚 合 組 件 的 相 鄰 組 件 對(duì) 稱因子值。

2.2 密集度檢測(cè)

當(dāng)圖像中的建筑物基元過(guò)于擁擠，密集的基元緊密排列會(huì)造成壓抑與混亂的感覺(jué)，稱此類圖像為密集度被破壞的圖像，如圖7（b）所示。

針對(duì)此類圖像，本文提出通過(guò)檢測(cè)圖像基元樹(shù)結(jié)點(diǎn)對(duì)應(yīng)的聚合組件與其他聚合組件密集度差異值來(lái)定位疑似區(qū)域。

由 1.1節(jié)的e、S和T的定義可知，e?S?T，S和T都包含著一些基元e。基元e的密集程度反映了基元的組合形式和緊湊程度。故本文定義聚合組件對(duì)應(yīng)的包絡(luò)盒面積密集度d1，數(shù)量密集度d2：

式中：μ1——基元樹(shù)的組件包絡(luò)盒的面積函數(shù)；

圖7 密集度被破壞的圖像

δ1——基元樹(shù)根結(jié)點(diǎn)對(duì)應(yīng)的組件包絡(luò)盒的面積函數(shù)；

∪e——基元樹(shù)根結(jié)點(diǎn)對(duì)應(yīng)的組件包含的所有基元。

式中：μ2——基元樹(shù)的組件包含的基元個(gè)數(shù)函數(shù)；

δ2——基元樹(shù)根結(jié)點(diǎn)對(duì)應(yīng)的組件包含的基元個(gè)數(shù)函數(shù)。

通過(guò)將d1、d2進(jìn)行線性加權(quán)，得到聚合組件密集度d的表達(dá)式為

式中：d——聚合組件密集度；

w1、w2——加權(quán)系數(shù)，且w1+w2=1。加權(quán)系數(shù)

w1、w2綜合考慮基元的面積信息和數(shù)量信息。

2.3 疑似偽造組件定位算法

首先對(duì)建筑物圖像進(jìn)行基元提取，然后將輸出的包絡(luò)盒圖像作為輸入信息，構(gòu)造基元樹(shù)，得到圖像對(duì)應(yīng)的基元樹(shù)表示，最后通過(guò)計(jì)算非聚合組件的對(duì)稱因子差異以及聚合組件的密集度差異，從而實(shí)現(xiàn)疑似區(qū)域的快速定位。

建筑物圖像偽造組件檢測(cè)算法如下：

輸入：圖像I

輸出：偽造區(qū)域檢測(cè)結(jié)果圖像Id

1）進(jìn)行基元提取，得到圖像I對(duì)應(yīng)的包絡(luò)盒圖像Im。

2）以Im為根結(jié)點(diǎn)，拆分組件時(shí)，選擇對(duì)稱性值NS較大的拆分方式逐步拆分，構(gòu)造基元樹(shù)TI。

Ifi存在左相鄰非聚合組件

將可疑非聚合組件i壓入棧Ω

End If

Else Ifi存在右相鄰非聚合組件

將可疑非聚合組件i壓入棧Ω

End If

End If

Ifdk＞dj

將可疑聚合組件k壓入棧Ω

Else

將可疑聚合組件j壓入棧Ω

End If

End While

5）While棧 Ω 非空

①取棧頂元素c

②輸出棧頂元素代表的可疑圖像區(qū)域Id

③棧頂元素c出棧

End While

將輸入圖像經(jīng)過(guò)基元提取得到基元樹(shù)，在對(duì)基元樹(shù)進(jìn)行檢索時(shí)，將可疑偽造組件壓入棧。檢索完成后，清空棧并輸出可疑偽造組件對(duì)應(yīng)的圖像區(qū)域。

3 實(shí) 驗(yàn)

在Visual Studio C++10.0環(huán)境下來(lái)測(cè)試本文算法的檢測(cè)性能。為了體現(xiàn)該算法的優(yōu)越性，將偽造檢測(cè)性能較好的文獻(xiàn)[4]視為對(duì)照組。根據(jù)本課題組累積下來(lái)的經(jīng)驗(yàn)值，選取聚合組件密集度中對(duì)稱因子閾值WC=0.17，密集度閾值Wd=0.46。同時(shí)，為了得到較好的檢測(cè)準(zhǔn)確度，在大型訓(xùn)練集（含有不同尺寸的200幅偽造建筑圖像）中對(duì)（基元面積加權(quán)w1，數(shù)量加權(quán)系數(shù)w2）的組合進(jìn)行了優(yōu)化。借助接收機(jī)工作特征ROCs[15]來(lái)評(píng)估檢測(cè)精度。通過(guò)測(cè)試本文算法在（w1=0.1，w2=0.9）、（w1=0.3，w2=0.7）、（w1=0.5，w2=0.5）、（w1=0.7，w2=0.3）的 ROCs曲線來(lái)確定（w1，w2）的優(yōu)化值，結(jié)果見(jiàn)圖 8（a）。 從圖中可以看到，在（w1=0.3，w2=0.7）條件下，所提算法的檢測(cè)正確率最高。

圖 8 （w1，w2）的組合優(yōu)化結(jié)果

再對(duì)（w1=0.3，w2=0.7）進(jìn)行左右劃分，測(cè)試了（w1=0.2，w2=0.8）、（w1=0.3，w2=0.7）、（w1=0.4，w2=0.6）3個(gè)條件的ROCs曲線，見(jiàn)圖8（b），從該圖中可知，所提算法在（w1=0.3，w2=0.7）條件下，仍然具有最高的檢測(cè)準(zhǔn)確度。因此，本文實(shí)驗(yàn)數(shù)據(jù)采用（w1=0.3，w2=0.7）的組合條件。

圖9顯示了利用本文算法與文獻(xiàn)[4]技術(shù)進(jìn)行圖像偽造組件檢測(cè)的結(jié)果，偽造圖像1、2在基元樹(shù)檢索過(guò)程中得到的可疑對(duì)稱因子差異值和可疑密集度差異值。從表中可知，表1為圖6、圖7中偽造圖像1中非聚合組件對(duì)稱因子差異值高于閾值，偽造圖像2中存在聚合組件密集度差異值高于閾值，從而定位可疑偽造圖像區(qū)域，見(jiàn)圖 9（a）、圖 9（f）。而利用文獻(xiàn)[4]算法對(duì)建筑物偽造組件進(jìn)行檢測(cè)，使用SIFT特征點(diǎn)進(jìn)行檢測(cè)，需源圖像與偽造圖像都存在，且會(huì)產(chǎn)生大量錯(cuò)誤匹配點(diǎn)，使其檢測(cè)準(zhǔn)確度較低，存在誤配現(xiàn)象，見(jiàn)圖 9（g）。

圖9 各算法的偽造檢測(cè)結(jié)果

表1 本文算法的可疑對(duì)稱因子差異值和可疑密集度差異值計(jì)算

表2 本文算法與文獻(xiàn)[4，7，14]算法的比較

為了進(jìn)一步說(shuō)明本文算法在計(jì)算效率方面的改善程度，把文獻(xiàn)[4，7，14]特征與本文算法進(jìn)行了比較。實(shí)驗(yàn)圖像大小為 260×390。文獻(xiàn)[4]、文獻(xiàn)[7]、文獻(xiàn)[14]算法分別采用 SIFT、DCT、SURF 特征，特征維數(shù)分別為128維、64維、64維。本文算法用基元樹(shù)表示圖像，有別于傳統(tǒng)的圖像特征提取方法，SIFT、SURF算法需進(jìn)行特征點(diǎn)的匹配，濾除錯(cuò)誤匹配點(diǎn)等過(guò)程，檢測(cè)效率不高，而基元樹(shù)表示法無(wú)須進(jìn)行匹配，僅需檢索結(jié)點(diǎn)的密集度以及對(duì)稱因子特征即可快速定位疑似偽造區(qū)域，故提高了檢測(cè)效率。從表2可以明顯地看出，本文提出的算法檢測(cè)時(shí)間少，檢測(cè)效率高。

4 結(jié)束語(yǔ)

為了解決當(dāng)前圖像偽造檢測(cè)技術(shù)因通過(guò)將圖像的每個(gè)區(qū)域塊特征或點(diǎn)特征進(jìn)行相似性匹配，以完成檢測(cè)而導(dǎo)致耗時(shí)冗長(zhǎng)，內(nèi)存空間消耗大，且準(zhǔn)確度不佳等不足。本文提出了基于基元樹(shù)的建筑物圖像偽造組件檢測(cè)算法。本文通過(guò)基元樹(shù)表示圖像，檢測(cè)非聚合組件對(duì)稱性因子差異值和聚合組件密集度差異值，從而快速定位疑似區(qū)域。實(shí)驗(yàn)結(jié)果表明，該算法對(duì)建筑物圖像能達(dá)到比較理想的檢測(cè)效果，準(zhǔn)確率高。

建筑物圖像偽造組件檢測(cè)方法對(duì)于圖像中以二維形式呈現(xiàn)的建筑物檢測(cè)結(jié)果準(zhǔn)確。但檢測(cè)三維建筑物圖像時(shí)，會(huì)出現(xiàn)建筑基元提取困難的情況，擴(kuò)展本文算法使其可以處理圖像中以三維形式呈現(xiàn)的建筑物偽造檢測(cè)是下一步研究的重點(diǎn)。

[1] 李滿滿，杜振龍，沈鋼綱.基于奇異值加權(quán)的圖像復(fù)制粘貼偽造盲檢測(cè)[J].計(jì)算機(jī)工程與設(shè)計(jì)，2012，32（12）：4125-4129.

[2] Shivakumar B L，Baboo L D S S.Detection of region duplication forgery in digital images using SURF[J].IJCSI International Journal of Computer Science，2011，8（4）：199-205.

[3] 杜振龍，楊凡，李曉麗.利用SIFT特征的非對(duì)稱匹配圖像拼接檢測(cè)[J].中國(guó)圖象圖形學(xué)報(bào)，2013，18（4）：442-449.

[4] Amerini I， Ballan L， Caldelli R.A SIFT-based forensic method for copy-move attack detection and transformation on recovery[J].IEEE Trans on Information Forensics and Security，2011，6（3）：1099-1110.

[5] Cao Y，Gao T，F(xiàn)an L.A robust detection algorithm for region duplication in digital images[J].International Journal of Digital Content Technology and its Applications，2011，5（6）：95-103.

[6] Kang X，Wei S.Identifying tampered regions using singular value decomposition in digital image forensics[C]∥ProceedingsofInternationalConference on Computer Science and Software Engineering.Washington DC：IEEE Compute Society，2012，35（13）：926-930.

[7] HuangY， LuW， SunW.ImprovedDCT-based detection of copy-move forgery in images[J].Forensic Science International，2011，206（13）：178-184.

[8] Martinovic A.A three-layered approach to facade parsing[J].Computer Vision-ECCV，2012，32（8）：416-429.

[9] Teboul O.Segmentation of building facades using proced ural shape priors[C]∥Proceedings of IEEE Conference on Computer Vision and Pattern Recognition （CVPR），San Diego，2010，12（11）：3105-3112.

[10]Fan L B， Musialski P， Liu L G.Structure completion for gird layouts[J].ACM Transactions on Graphics，2014，33（6）：1-10.

[11]Zhang H， Xu K， Jiang.Layered analysis of irregular facades via symmetry maximization[J].ACM Transactions on Graphics，2013，32（4）：1-10.

[12]Hu S M， Zhang F， Wang M， et al.a patch-based image representation for interactive library-driven image editing[J].ACM Transactions on Graphics，2013，32（6）：2504-2507.

[13]Lin J， Cohen O D， Zhang H， et al.Structure-preserving retargeting of irregular 3D architecture[J].Journal of Computer-aided Design&Computer Graphics，2012，30（6）：61-64.

[14]Bay H， Ess A， Tuytelaars T.SURF： speed up robust features[J].Computer Vision and Image Understanding，2013，11（3）：346-359.

[15]Kang X，Li Y，Qu Z，et al.Enhancing source camera identification performance with a camera reference phase sensor pattern noise[J].Information Forensics and Security，2012，7（2）：393-402.