基于彩色LBP的隱蔽性復制?粘貼篡改盲鑒別算法

朱 葉 申鉉京 陳海鵬

基于彩色LBP的隱蔽性復制?粘貼篡改盲鑒別算法

朱 葉1,2申鉉京1,2陳海鵬1,2

現有的復制–粘貼盲鑒別算法大多忽略圖像彩色信息,導致對隱蔽性篡改方式的檢測率較低,基于此,本文提出一種基于彩色局部二值模式(Color local binary patterns,CoLBP)的隱蔽性復制–粘貼盲鑒別算法.算法首先對彩色圖像進行預處理,即建立彩色LBP紋理圖像,從而實現彩色信息與LBP紋理特征的融合;其次重疊分塊并提取灰度共生矩陣(Gray level co-occurrence matrix,GLCM)特征;最后,提出改進的kd樹和超平面劃分標記split搜索方法,快速匹配圖像塊,并應用形態學操作去除誤匹配,精確定位復制–粘貼區域.實驗結果表明,本算法對隱蔽性復制–粘貼篡改定位準確,并對模糊、噪聲、JPEG重壓縮后處理操作有很好的魯棒性.

圖像盲鑒別,復制–粘貼篡改,彩色局部二值模式,灰度共生矩陣,kd樹

近年來,大量篡改圖像充斥在新聞、攝影比賽、法庭證據中,嚴重影響人們對圖像的信任和社會的公平公正.復制–粘貼篡改是圖像篡改的重要方式,它將圖像中某區域復制并粘貼到同圖像,因此復制和粘貼區域的光照方向、壓縮因子等信息一致,給檢測帶來較大困難.為此,國內外對復制–粘貼篡改盲檢測進行了大量的研究.

2003年,Fridrich等[1]首次提出基于離散余弦變換(Discrete cosine transform,DCT)和字典排序的復制–粘貼盲鑒別算法,該算法魯棒性較差,計算復雜性高.以此為基礎,Wang等[2]提出將離散小波變換(Discrete wavelet transform,DWT)特征與DCT系數融合,表現出對噪聲和JPEG重壓縮較好的魯棒性;Hu等[3]將DCT系數進行分類, Cao等[4]利用DCT系數的平均值,提高檢測率,但對后處理操作的魯棒性較差.2005年,Popescu等[5]提出了基于主成分分析(Principal component analysis,PCA)的盲檢測算法.2007年,駱偉祺等[6]提出基于圖像塊均勻分割得到的維數較低特征的盲鑒別算法.2012年,Muhammad等[7]結合LL1通道和HH1通道提出基于二階小波變換(Dyadic wavelet transform,DyWT)的盲鑒別算法,提高了圖像塊匹配的正確率.

為了提高檢測率,增強算法的魯棒性,Bayram等[8]提出基于傅里葉–梅林變換 (Fourier-Mellin transform,FMT)的檢測算法,可以檢測旋轉和尺度變換的復制–粘貼篡改.Zhong等[9]提出基于離散分析傅里葉–梅林變換 (Discrete analytical Fourier-Mellin transform,DAFMT)的復制–粘貼篡改盲檢測算法,對高斯噪聲具有較好的魯棒性. Zhang等[10]采用奇異值分解系數(Singular value decomposition,SVD)和kd樹搜索,增強了算法的魯棒性和計算效率.Liu等[11]、Mahdian等[12]和Ryu等[13?14]應用Hu不變矩、blur不變矩和Zernike矩,解決了固定角度旋轉不變性,但對噪聲等魯棒性較差.

Li等[15]首先提出對圖像進行圓形區域分塊,并利用極坐標諧波變換(Polar harmonic transform, PHT)特征匹配,表現出對仿射變換較好的魯棒性. 2013年,Lynch等[16]提出一種有效的圖像塊擴展匹配盲檢測算法,對弱光照變化和后處理操作有較好的魯棒性;同年,Davarzani等[17]應用局部二進制模式(Local binary patterns,LBP)特征檢測復制–粘貼篡改,但是塊匹配正確率低,對模糊和JPEG重壓縮魯棒性較差.2015年,Cozzolino等[18]提出基于塊匹配(PatchMatch)的復制–粘貼檢測算法,但是由于僅利用了灰度信息,對噪聲的魯棒性較差.

由于篡改目的不盡相同,復制–粘貼篡改可分為兩類.1)隱蔽性復制–粘貼篡改,即利用平滑背景遮蓋不希望存在的目標,如圖1(a)所示;2)造成假象類復制–粘貼篡改,增加原始圖像中目標數量,如圖1(b)所示.

圖1 復制–粘貼篡改分類示例((a)隱蔽性復制–粘貼篡改圖像示例;(b)造成假象類復制–粘貼篡改圖像示例,其中實線和虛線矩形框分別為復制和篡改區域)Fig.1 The exemplar of copy-move forgery classify ((a)The exemplar of covert copy-move forgery;(b)The exemplar of spurious copy-move forgery,where solid and dashed rectangles are copied and pasted regions.)

通過大量實驗發現,傳統復制–粘貼篡改盲檢測算法僅利用圖像灰度信息,忽略了彩色的區分能力,對隱蔽性篡改圖像的檢測率較低,對模糊、噪聲和JPEG重壓縮等后處理操作魯棒性也參差不齊.基于此,本文提出基于彩色LBP(Colored local binary patterns,CoLBP)圖像和灰度共生矩陣(Gray level co-occurrence matrix,GLCM)的復制–粘貼盲鑒別算法,該算法隱蔽性篡改圖像檢測率較高,并對模糊、噪聲、JPEG重壓縮等后處理操作有較好的魯棒性.

1 算法描述

算法可大致分為3步,如圖2所示.首先對待檢測圖像I(x,y)建立彩色LBP紋理圖像CoLBP;其次對CoLBP圖像重疊分塊并提取灰度共生矩陣特征glcm(i);最后,利用改進的kd樹和超平面劃分標記split方法,快速匹配圖像塊,并應用形態學操作去除不連續的誤匹配塊,精確定位復制–粘貼區域.

圖2 本文算法流程圖Fig.2 The framework of proposed method

1.1 建立彩色LBP圖像

傳統彩色圖像特征提取方法分為兩類.1)將彩色圖像轉換為灰度圖像,但損失了彩色信息;2)對彩色圖像RGB通道分別提取,但增加了三倍的計算量.彩色LBP[19]是圖像彩色與紋理信息的融合,既保留了彩色圖像三個通道信息,同時提取了LBP紋理特征,使彩色信息與計算量達到平衡,特征提取及匹配準確率更高.

彩色LBP圖像的建立流程如圖3所示.通過對每個點(x,y)計算CoLBP(x,y),得到彩色LBP圖像.其中,C1,i,C2,i,C3,i分別表示點(x,y)的8鄰域中第i個點的C1,C2,C3通道值,C1,0,C2,0, C3,0分別表示點(x,y)的C1,C2,C3通道值.

本文選擇RGB、LAB、HSV三個彩色模型作為彩色LBP圖像建立的基礎,彩色空間的選擇將在第2.2節中分析.

圖3 彩色LBP圖像建立流程圖Fig.3 The framework of color LBP establishment

1.2 提取灰度共生矩陣特征

精確的紋理描述是隱蔽性復制–粘貼篡改檢測的關鍵.灰度共生矩陣GLCM[20]通過計算圖像中一定間距和方向的兩點灰度間的相關性,能精確描述圖像變化幅度和速度.本文計算CoLBP圖像塊四個方向和兩類間隔距離的GLCM特征,更加精準地描述了圖像塊紋理特征.

本文算法設置方向(o)為水平方向(0°,o=1),對角線方向(45°,o=2和135°,o=3)和垂直方向(90°,o=4),點間距(s)為1和2,GLCM特征計算如下:

其中,glcm(g1,g2)表示在四個方向和兩類間隔距離情況下灰度值(g1,g2)出現頻數總和.則灰度級為8的4×4圖像塊GLCM特征提取如圖4所示.

圖4 GLCM特征提取示意圖(其中實線分別表示o=1～4,s=1;虛線表示o=1,s=2)Fig.4 The diagram of GLCM feature extraction, where solid line are respectively indicate o=1～4, s=1;dash line indicates o=1,s=2

通過GLCM的計算過程可知,共生矩陣維度由圖像的灰度級決定,一幅灰度級為256的圖像,可得到256×256維GLCM特征.設本文選擇灰度級別為gth,則對第i圖像塊的GLCM特征進行歸一化,并記為glcm(i).

1.3 改進kd樹圖像塊匹配

傳統的kd樹匹配方法通過對每個圖像塊從根節點開始在樹中遍歷尋找,雖然相對于窮盡算法效率較高,但每次遍歷搜索的速度仍較慢.因此,本文提出改進的kd樹–split條件法快速搜索匹配圖像塊.其匹配過程如下:

步驟1.對每個圖像塊的灰度共生矩陣特征glcm(i)建立kd樹;

步驟2.計算第i個圖像塊的split值,記為sp(i)=glcm(i).split;

步驟3.查找樹中所有split值為sp(i)的圖像塊,將編號存入candidate中;

步驟4.計算glcm(i)和glcm(candidate(j))的歐氏距離,距離最小且小于閾值th,則第i個圖像塊和第candidate(j)個圖像塊為待匹配的圖像塊;

步驟5.利用形態學操作去除待匹配圖像塊中不連續的誤匹配圖像塊,精確定位篡改區域.

2 算法實驗

本文對Cozzolino等提出的GRIP復制–粘貼篡改圖像庫[18]進行分類,其中,共有38幅隱蔽性復制–粘貼篡改圖像,42幅造成假象類復制–粘貼篡改圖像,尺寸為1024×768,同時分別應用DCT[4]、Zernike[14]、LBP[17]和本文算法對圖像進行檢測.本實驗的硬件環境為:主頻2.60GHz,Intel Celeron E3400處理器,3GB內存;軟件環境為:Windows7 +Matlab R2012b.

2.1 評價度量

Amerini等[21]提出正確檢測率 (True positive rate,TPR)和錯誤檢測率(False positive rate, FPR)度量算法的性能.TPR為篡改圖像被檢測為篡改圖像的概率;FPR表示篡改圖像被檢測為真實圖像的概率.

其中,#original為待檢測圖像中原始圖像的個數,#forgery為待檢測圖像中篡改圖像的個數,為檢測結果為篡改圖像并檢測正確的個數,

#forgery-original為檢測結果為篡改圖像但實際是真實圖像的個數.

2.2 彩色空間的選擇

第1.1節中提出采用RGB、LAB和HSV三種模型建立彩色LBP圖像.如圖3所示,本文將上述三種模型的三個通道分別記為C1,C2,C3通道,進而對彩色圖像的每個像素點(x,y)計算CoLBP(x,y),可分別得到RGB、LAB和HSV彩色LBP圖像,如圖5所示.

圖5 不同彩色模型下的彩色LBP圖像Fig.5 The color LBP images on di ff erent color model

由于紋理特征沒有統一的度量方法,一般采用提取特征后驗證正確率的方法度量.因此,本文在80幅圖像庫中選擇40幅圖像,并分別計算在三種模型下的TPR和FPR,結果如表1所示.通過時間效率、TPR和FPR的比較,發現RGB彩色空間在提取時間最短的情況下檢測率最高,因此選擇將RGB彩色模型的R、G、B通道作為本文建立彩色LBP圖像的三個通道.

2.3 彩色LBP圖像性能分析

傳統的復制–粘貼篡改檢測算法思路是將彩色圖像轉化為灰度圖像后提取圖像塊特征,忽略了圖像彩色信息.因此,本節對圖像庫中圖像進行對比實驗,即直接在彩色圖像轉換的灰度圖像上提取GLCM特征和在彩色LBP圖像上提取GLCM特征,驗證彩色LBP圖像的有效性.實驗結果如圖6所示.傳統方式提取的GLCM特征在平滑區域不能有效區分復制和粘貼區域,而本文算法提出的融合彩色LBP信息和GLCM特征能夠有效定位復制–粘貼篡改區域.

表1 彩色空間選擇分析Table 1 The analysis on color space choice

圖6 彩色LBP圖像的有效性實驗示例((a)直接在灰度圖像上提取GLCM特征匹配結果;(b)本文算法匹配結果,其中標記區域為篡改區域)Fig.6 The experiment on e ff ectiveness of color LBP ((a)The matching result based on directly extracting GLCM feature on gray image;(b)The matching result based on our method,where marked regions are forged regions.)

2.4 參數選擇分析

2.4.1 灰度級選擇

由于本文算法對局部圖像塊提取GLCM特征,灰度變化小,因此設帶選擇的灰度級別gth為4,8, 16和32,其TPR和FPR比較結果如表2所示.由實驗結果可知,在灰度級別為4和8的情況下,算法正確檢測率較低且錯誤檢測率較高;在灰度級別為16和32的情況下,算法正確檢測率和錯誤檢測率都達到較優.由于特征維數越高,算法運行時間越長,因此,本文選擇灰度級別gth為16.

2.4.2 特征距離閾值選擇

特征距離閾值th是本文算法的重要參數,閾值越大,TPR越高,但FPR提升;反之,閾值越小, FPR越低,但TPR會降低.由于GLCM特征已歸一化處理,因此為設待選擇的特征距離閾值th以在0.1～1區間,以0.1為步長.本節對GRIP圖像庫中圖像進行實驗,其TPR和FPR比較結果如圖7所示.當距離閾值th取0.3時,本文算法TPR最高且FPR最低.

表2 灰度級別gth選擇Table 2 The choice of gray level gth

圖7 不同閾值下的FPR和TRP對比Fig.7 The FPR and TPR comparison ondi ff erent threshold

2.5 實驗分析

2.5.1 隱蔽性復制?粘貼實驗

隱蔽性復制–粘貼篡改檢測是圖像篡改研究的難點[18],是本文解決的重點問題.本節對GRIP圖像庫中38幅隱蔽性復制–粘貼篡改圖像進行檢測, DCT[4]、Zernike[14]、LBP[17]和本文算法檢測結果及彩色LBP圖像如圖8所示.由實驗結果可知,本文算法較DCT[4]、Zernike[14]、LBP[17]相比,能精確定位隱蔽性復制–粘貼篡改區域.

2.5.2 造成假象類復制?粘貼實驗

為驗證本文算法的綜合性能,對GRIP圖像庫中42幅造成假象類復制–粘貼篡改圖像進行實驗. DCT[4]、Zernike[14]、LBP[17]和本文算法檢測結果及其彩色LBP圖像示例如圖9所示.由實驗結果可知,本文算法和LBP[17]能夠較精確定位復制–粘貼篡改區域,而DCT[4]和Zernike[14]表現較差.

2.5.3 后處理操作實驗

1)噪聲魯棒性實驗

噪聲是圖像的固有性質,但在傳輸過程中,噪聲的增大嚴重影響了人們對圖像的感知.本節對圖像庫中圖像分別添加不同信噪比的高斯白噪聲,信噪比越大,噪聲越小.本節對GRIP圖像庫添加40dB和80dB高斯噪聲,實驗結果示例如圖10所示.

圖8 隱蔽性復制–粘貼篡改檢測結果示例((a),(g)隱蔽性復制–粘貼篡改圖像;(b),(h)彩色LBP圖像; (c),(i)DCT[4]算法檢測結果;(d),(j)Zernike[14]算法檢測結果;(e),(k)LBP[17]算法檢測結果;(f),(l)本文算法檢測結果.其中,(a),(g)實線和虛線框分別表示復制和粘貼區域;(c)～(f),(i)～(l)標記區域為算法檢測篡改區域)Fig.8 The exemplar results on covert copy-move forgery detection((a),(g)Covert copy-move forged images; (b),(h)Color LBP images;(c),(i)The results based on DCT[4];(d),(j)The results based on Zernike[14]; (e),(k)The results based on LBP[17];(f),(l)The results based on our method.Where(a),(g)solid and dashed rectangles are copied and pasted regions;(c)～(f),(i)～(l)marked regions are detected forged regions.)

圖9 造成假象類復制–粘貼篡改檢測結果示例((a),(g)造成假象類復制–粘貼篡改圖像;(b),(h)彩色LBP圖像; (c),(i)DCT[4]算法檢測結果;(d),(j)Zernike[14]算法檢測結果;(e),(k)LBP[17]算法檢測結果;(f),(l)本文算法檢測結果.其中,(a),(g)實線和虛線框分別表示復制和粘貼區域;(c)～(f),(i)～(l)標記區域為算法檢測篡改區域)Fig.9 The exemplar results on spurious copy-move forgery detection((a),(g)Spurious copy-move forged images;(b), (h)Color LBP images;(c),(i)The results based on DCT[4];(d),(j)The results based on Zernike[14];(e),(k)The results based on LBP[17];(f),(l)The results based on our method.Where(a),(g)solid and dashed rectangles are copied and pasted regions;(c)～(f)marked regions are detected forged regions;(i)～(l)green regions are detected forged regions.)

圖10 添加80dB高斯噪聲實驗結果Fig.10 The results of adding Gaussian noise with 80dB

2)模糊魯棒性實驗

為了隱藏篡改邊緣,篡改圖像一般會添加模糊弱化篡改區域邊緣信息.本節對GRIP圖像庫添加平滑窗口尺寸(w)、方差(σ)不同的高斯模糊,實驗結果如圖11所示.添加高斯模糊([w,σ])為[3,1]和[5,2]下,DCT[4]、Zernike[14]、LBP[17]和本文算法的受試者工作特征(Receiver operating characteristic,ROC)曲線如圖12(b)所示.

3)JPEG重壓縮魯棒性實驗

為降低圖像的傳輸成本,JPEG重壓縮是對圖像的二次處理.本節對GRIP圖像庫添加質量因子的JPEG重壓縮,實驗結果如圖12所示.添加質量因子為60和 90的 JPEG 重壓縮下, DCT[4]、Zernike[14]、LBP[17]和本文算法的ROC曲線如圖12(c).

本節對圖像庫噪聲、模糊和 JPEG重壓縮的性能進行分析.由圖 10～12可知,DCT[4]和Zernike[14]對噪聲和模糊的魯棒性較差,對JPEG重壓縮魯棒性較好;LBP[17]對噪聲和模糊的魯棒性較好,但是對JPEG重壓縮魯棒性較差;本文算法后處理操作的魯棒性較好,并能精確定位復制–粘貼篡改區域.統計結果如圖13所示,本文算法在隱蔽性復制–粘貼篡改不同程度的后處理操作中,ROC曲線下面積(Area under curve,AUC)較DCT[4]、Zernike[14]、LBP[17]算法相比面積更大,性能更優,并在噪聲、模糊和JPEG重壓縮中表現出良好的魯棒性.

2.6 算法性能分析

存在相似的目標的真實圖像易被檢測為篡改圖像,這也是復制–粘貼篡改檢測算法的難點[22].為全面驗證算法性能,選取10幅存在相似目標的真實圖像.通過實驗發現,本文算法對該類真實圖像的魯棒性較高,沒有出現誤檢測,如圖14所示.

3 結論

本文提出基于彩色 LBP圖像基礎上提取GLCM 特征的隱蔽性復制–粘貼盲鑒別算法,是彩色信息、LBP與GLCM的多重融合,更加有效地檢測隱蔽性復制–粘貼篡改.通過實驗證明,本算法與DCT、Zernike、LBP相比,對隱蔽性篡改圖像檢測率較高,并對模糊、噪聲和JPEG重壓縮后處理操作有較好的魯棒性.

圖11 添加高斯模糊([3,1])實驗結果Fig.11 The results of adding Gaussian blur([3,1])

圖12 添加壓縮因子90的JPEG重壓縮實驗結果Fig.12 The results of adding JPEG compression with quality factor 90

圖13 后處理操作ROC曲線圖((a)～(c)分別為添加不同程度的高斯白噪聲、高斯模糊和JPEG重壓縮的ROC曲線)Fig.13 The ROC curves of post-processing operations(Where(a)～(c)are adding di ff erent degrees of Gaussian noise,Gaussian blur,and JPEG compression.)

圖14 存在相似目標的真實圖像示例Fig.14 The exemplar of authentic images with similar but genuine objects

1 Fridrich A J,Soukal B D,Luk′as A J.Detection of copymove forgery in digital images.In:Proceedings of the 2003 Digital Forensic Research Workshop.Cleveland,USA,2003.

2 Wang X,Zhang X,Li Z,Wang S.A DWT-DCT based passive forensics method for copy-move attacks.In:Proceedings of the 3rd International Conference on Multimedia Information Networking and Security.Shanghai,China: IEEE,2011.304?308

3 Hu J,Zhang H,Gao Q,Huang H.An improved lexicographical sort algorithm of copy-move forgery detection.In:Proceedings of the 2nd International Conference on Networking and Distributed Computing.Beijing,China:IEEE,2011. 23?27

4 Cao Y J,Gao T G,Li F,Yang Q T.A robust detection algorithm for copy-move forgery in digital images.Forensic Science International,2012,214(1?3):33?43

5 Popescu A C,Farid H.Exposing Digital Forgeries by Detecting Duplicated Image Regions,Technical Report 2004-515, Dartmouth College,USA,2004.

6 Luo Wei-Qi,Huang Ji-Wu,Qiu Guo-Ping.Robust detection of region-duplication forgery in digital image.Chinese Journal of Computers,2007,30(11):1998?2007 (駱偉祺,黃繼武,丘國平.魯棒的區域復制圖像篡改檢測技術.計算機學報,2007,30(11):1998?2007)

7 Muhammad G,Hussain M,Bebis G.Passive copy move image forgery detection using undecimated dyadic wavelet transform.Digital Investigation,2012,9(1):49?57

8 Bayram S,Sencar H T,Memon N.An efficient and robust method for detecting copy-move forgery.In:Proceedings of the 2009 IEEE International Conference on Acoustics, Speech and Signal Processing.Taipei,China:IEEE,2009. 1053?1056

9 Zhong J L,Gan Y F.Detection of copy-move forgery using discrete analytical Fourier-Mellin transform.Nonlinear Dynamics,2016,84(1):189?202

10 Zhang T,Wang R.Copy-move forgery detection based on SVD in digital image.In:Proceedings of the 2nd International Congress on Image and Signal Processing.Tianjin, China:IEEE,2009.1?5

11 Liu G J,Wang J W,Lian S G,Wang Z Q.A passive image authentication scheme for detecting region-duplication forgery with rotation.Journal of Network and Computer Applications,2011,34(5):1557?1565

12 Mahdian B,Saic S.Detection of copy-move forgery using a method based on blur moment invariants.Forensic Science International,2007,171(2?3):180?189

13 Ryu S J,Lee M J,Lee H K.Detection of copy-rotate-move forgery using Zernike moments.In:Proceedings of the 12th International Conference on Information Hiding.Calgary, AB,Canada:Springer,2010.51?65

14 Ryu S J,Kirchner M,Lee M J,Lee H K.Rotation invariant localization of duplicated image regions based on Zernike moments.IEEE Transactions on Information Forensics and Security,2013,8(8):1355?1370

15 Li L D,Li S S,Zhu H C,Wu X Y.Detecting copy-move forgery under affine transforms for image forensics.Computers and Electrical Engineering,2014,40(6):1951?1962

16 Lynch G,Shih F Y,Liao H Y M.An efficient expanding block algorithm for image copy-move forgery detection.Information Sciences,2013,239:253?265

17 Davarzani R,Yaghmaie K,Moza ff ari S,Tapak M.Copymove forgery detection using multiresolution local binary patterns.Forensic Science International,2013,231(1?3): 61?72

18 Cozzolino D,Poggi G,Verdoliva L.Efficient dense- fi eld copy-move forgery detection.IEEE Transactions on Information Forensics and Security,2015,10(11):2284?2297

19 Porebski A,Vandenbroucke N,Macaire L.Haralick feature extraction from LBP images for color texture classi fi cation. In:Proceedings of the 1st Workshops on Image Processing Theory,Tools and Applications.Sousse:IEEE,2008.1?8

20 Haralick R M.Statistical and structural approaches to texture.Proceedings of the IEEE,1979,67(5):786?804

21 Amerini I,Ballan L,Caldelli R,Del Bimbo A,Serra G.A SIFT-based forensic method for copy-move attack detection and transformation recovery.IEEE Transactions on Information Forensics and Security,2011,6(3):1099?1110

22 Kakar P,Sudha N.Exposing post processed copy-paste forgeries through transform-invariant features.IEEE Transactions on Information Forensics and Security,2012,7(3): 1018?1028

Covert Copy-move Forgery Detection Based on Color LBP

ZHU Ye1,2SHEN Xuan-Jing1,2CHEN Hai-Peng1,2

Since negligence of color information in detecting copy-move forgeries leads to low accuracy in detection of in covert tampering,a novel method using color local binary patterns(CoLBP)is proposed.It involves the following three steps: fi rst,establish color LBP texture image,which is a preprocessing of image and a combination of color information and LBP texture;second,divide into overlapping blocks and extract gray level co-occurrence matrix(GLCM) features; fi nally,match image blocks by the improved kd tree and split partition,remove the false matched blocks using morphological operation and then detect the resulting copy-move regions.Experimental results show that our algorithm is e ff ective for covert tampering,and exhibits high robustness even when an image is distorted by blur,noise and JPEG recompression.

Image blind identi fi cation,copy-move forgery,color local binary patterns(CoLBP),gray level co-occurrence matrix(GLCM),kd tree

朱 葉 吉林大學計算機科學與技術學院博士研究生.2011年獲得山東科技大學學士學位.主要研究方向為圖像處理,數字圖像盲取證技術.E-mail:zhuye13@mails.jlu.edu.cn(ZHU Ye Ph.D.candidate at the College of Computer Science and Technology,Jilin University.She received her bachelor degree from Shandong University of Technology in 2011.Her research interest covers image processing and image forensic technology.)

申鉉京 吉林大學計算機科學與技術學院教授.1990年獲得哈爾濱工業大學博士學位.主要研究方向為多媒體技術,計算機圖像處理,智能測量系統,光電混合系統.E-mail:xjshen@jlu.edu.cn(SHEN Xuan-Jing Professor at the College of Computer Science and Technology,Jilin University.He received his Ph.D.degree from Harbin Institute of Technology in 1990. His research interest covers multimedia technology,computer image processing,intelligent measurement system, and optical-electronic hybrid system.)

陳海鵬 吉林大學計算機科學與技術學院副教授.主要研究方向為圖像處理與模式識別.本文通信作者.E-mail:chenhp@jlu.edu.cn(CHEN Hai-Peng Associate professor at the College of Computer Science and Technology,Jilin University. His research interest covers image processing and pattern recognition.Corresponding author of this paper.)

朱葉,申鉉京,陳海鵬.基于彩色LBP的隱蔽性復制–粘貼篡改盲鑒別算法.自動化學報,2017,43(3):390?397DOI10.16383/j.aas.2017.c160068

Zhu Ye,Shen Xuan-Jing,Chen Hai-Peng.Covert copy-move forgery detection based on color LBP.Acta Automatica Sinica,2017,43(3):390?397

2016-01-22 錄用日期2016-04-01

Manuscript received January 22,2016;accepted April 1,2016國家青年科學基金(61305046,61602203),吉林省自然科學基金(201 40101193JC,20150101055JC)資助

Supported by the National Science Foundation for Young Scientists of China(61305046,61602203)and Natural Science Foundation of Jilin Province(20140101193JC,20150101055JC)

本文責任編委劉成林

Recommended by Associate Editor LIU Cheng-Lin

1.吉林大學計算機科學與技術學院 長春130012 2.吉林大學符號計算與知識工程教育部重點實驗室長春130012

1.College of Computer Science and Technology,Jilin University,Changchun 130012 2.Key Laboratory of Symbolic Computation and Knowledge Engineering of Ministry of Education, Jilin University,Changchun 130012