基于局部失焦模糊的拼接圖像盲檢測研究

王萍

摘 要：針對圖像中失焦模糊的存在會影響人工拼接圖像檢測效果的問題，論文提出了一種通過去除失焦模糊區(qū)域?qū)θ斯て唇訁^(qū)域進(jìn)行檢測的理論研究方法。該算法主要通過計算相關(guān)性和局部標(biāo)準(zhǔn)差來檢測圖像中的失焦模糊區(qū)域，然后根據(jù)自然圖形邊緣寬度與人工模糊邊緣寬度的特征的差異性，通過計算圖像邊緣寬度檢測出圖像中的偽造區(qū)域。實驗結(jié)果顯示，該方法可有效解決局部失焦模糊存在對圖像檢測造成影響的問題。

關(guān)鍵詞：失焦模糊；拼接圖像；邊緣寬度

中圖分類號：TP3-0 文獻(xiàn)標(biāo)識碼：A

1 引言（Introduction）

圖像的合成操作是數(shù)字圖像偽造方法中最常見的一種，目前，學(xué)術(shù)界逐漸提出了很多關(guān)于圖像纂改的研究方法，如K. Bahrami和A. C. Kot[1，2]根據(jù)拼接圖像與原圖像之間區(qū)域模糊類型的不一致對圖像進(jìn)行了真?zhèn)螜z測；Wei L X[3]與Shen X J[4]主要通過對人工模糊操作的痕跡及特征來鑒別人工模糊區(qū)域的檢測算法；王俊文等[5]研究的基于非抽樣Contourlet變換的圖像模糊取證方法；潘生軍[6]等提出的基于后驗概率的圖像模糊檢測方法。

李杭與鄭江濱[7]主要根據(jù)人工模糊后的圖像邊緣寬度大于未經(jīng)過任何模糊處理的自然圖像邊緣寬度的特征進(jìn)行的研究，并取得了很好的檢測結(jié)果。但自然圖像中，局部失焦模糊的存在，會影響到圖像的最終檢測效果或造成一定的誤檢。因此，可結(jié)合去除圖像中的局部失焦模糊[8]的方法來解決文獻(xiàn)[7]中的問題。

2 算法分析（Algorithm analysis）

2.1 失焦模糊與人工模糊特征分析

在圖像拍攝過程中，失焦模糊的存在是非常常見的。失焦模糊是由相機(jī)在圖像成像過程中，場景中的局部目標(biāo)和成像傳感器存在相對運(yùn)動或者成像時部分場景失焦造成圖像的局部模糊。因此，在一張圖像中，往往既有散焦模糊區(qū)域又有正常的圖像區(qū)域。根據(jù)失焦模糊產(chǎn)生原理可知失焦模糊可看作是通過一個點向勻速漸減的模糊，并沒有明顯的模糊邊界，其模糊過度較為平緩自然。人工模糊是通過人工手動的進(jìn)行模糊處理產(chǎn)生的一種人為的模糊效果，模糊處理的邊緣較失焦模糊有較清晰的模糊邊界[4]，如圖1所示。

其中，圖1（a）為人工模糊特征，人工模糊過程中，主要通過設(shè)置模糊半徑來確定模糊的范圍與程度。圖1（b）為失焦模糊特征，是自然圖像本省存在的一種模糊效果。

相機(jī)拍攝的照片主要分為前景與背景兩部分，通過模糊背景圖像的方法來突出前景圖像，所以觀察起來我們會很明顯的發(fā)現(xiàn)凸顯的前景像素看起來更加清晰，背景的部分則看起來比較模糊，只能看到圖像大概的輪廓。此外，失焦模糊在圖像中是整個局部區(qū)域中都存在失焦模糊，是呈連通狀的“片狀”區(qū)域，而人工模糊只是圍繞著圖像拼接區(qū)域的邊緣進(jìn)行的，從模糊效果上看，是呈“線條”狀的，如圖2所示。

圖2中的紅色線條的上半部分的A區(qū)域為失焦模糊區(qū)域，可看到該區(qū)域中整體都是較為模糊的，且該區(qū)域是連通的。

2.2 算法流程

圖像中未經(jīng)過任何模糊處理的邊緣寬度一般為3—4個像素值，而經(jīng)過模糊處理的圖像邊緣寬度往往是大于這個邊緣寬度的。因此，通過對失焦模糊，人工拼接區(qū)域的邊緣模糊，以及自然圖像邊緣間的研究，給出圖如下的算法實現(xiàn)過程：

（1）對于局部失焦圖像，將整幅圖像的像素可分為兩類：模糊部分R1和清晰部分R2。根據(jù)文獻(xiàn)[8]中提到的方法，計算局部失焦模糊圖像的頻域相關(guān)性系數(shù)。

（2）計算的標(biāo)準(zhǔn)差模糊測度。

（3）通過計算所得的相關(guān)性系數(shù)與標(biāo)準(zhǔn)差模糊測度，根據(jù)閾值比較，將符合條件的像素點歸0，輸出圖像。

（4）對圖像根據(jù)文獻(xiàn)[7]中的方法計算圖像邊緣像素寬度，若邊緣寬度滿足像素值，像素歸零，若不滿足，像素的值設(shè)為255。

2.3 定位圖像的拼接區(qū)域

論及圖像是否模糊或清晰時，主要是對像素及其領(lǐng)域內(nèi)的像素而言的。而圖像模糊測度的計算主要是為了找出圖像中的失焦模糊區(qū)域，即圖像中的R1區(qū)域，以像素為圓心，以R為半徑的區(qū)域內(nèi)，如果模糊點的個數(shù)滿足公式（1），則為0；否則保持原值。

其中，為區(qū)域內(nèi)的總像素數(shù)，閾值，只有當(dāng)領(lǐng)域中的模糊點個數(shù)大于一定的比例時，像素才會被認(rèn)為是失焦模糊點，如公式（2）所示。

其中，為去除失焦模糊后的輸出圖像，也可以將不符合失焦模糊的像素點設(shè)置為255，如圖4所示。

圖4中，左側(cè)的第一張圖為存在失焦模糊的原始圖像，圖4中右側(cè)的圖像為通過公式（3）去除圖像中失焦模糊區(qū)域后的圖像部分。

當(dāng)圖像中的像素點公式（3）時，

其中，為圖像邊緣像素寬度值，，且為整數(shù)。根據(jù)公式（2）與公式（3），可有效的檢測出圖像中的偽造區(qū)域。

3 實驗論證（Experimental demonstration）

本文對上述中提出的拼接圖像檢測方法進(jìn)行了驗證，在實驗過程中，拼接圖像主要處理軟件為Adobe Photoshop CS5。算法編譯環(huán)境為Matlab7.0，實驗測試圖如圖5所示。

圖5中左側(cè)的第一張圖為存在失焦模糊的原始圖像，右側(cè)的圖像為拼接合成圖像，通過上述算法，對該拼接圖像進(jìn)行檢測，可得到如圖6所示的結(jié)果。

圖6中右上角為圖像的人工拼接區(qū)域，且坐下方較為清晰的的圖像并未被誤檢出來。

實驗結(jié)果顯示，論文中的提到算法可有效的解決因局部失焦模糊存在對拼接圖像的檢測結(jié)果造成一定影響的問題。

4 結(jié)論（Conclusion）

本文分析了局部失焦模糊圖像中，拼接圖像中人工模糊特征與失焦模糊特征，以及自然圖像邊緣特征間的區(qū)別，通過相關(guān)性系數(shù)和局部標(biāo)準(zhǔn)差的計算可有效的找出圖像中的失焦模糊區(qū)域，并加以去除。同時，由于通常情況下，圖像中的人工模糊邊緣寬度大于自然圖像邊緣寬度的特征，通過計算圖像邊緣寬度的值，可有效的去除圖像中的自然圖像區(qū)域，保留人工模糊處理區(qū)域，即圖像中的拼接偽造區(qū)域。根據(jù)上述的理論分析，可有效的證明該算法在理論上的可行性。

參考文獻(xiàn)（References）

[1] K.Bahrami and A.C.Kot.Image tampering detection by exposing blur type inconsistency.in Proc.IEEE ICASSP，May 2014：2654-2658.

[2] K.Bahrami and A.C.Kot.Image Splicing Localization Based on Blur Type Inconsistency[C].IEEE International Symposium on Circuits and Systems，2015：999-1009.

[3] Wei L X，Zhu J J，Yang X Y.An Image Forensics Algorithm for Blur Detection Based on Properties of Sharp Edge Points[J].Advanced Materials Research，2011，341-342；743-747.

[4] Shen X J，et al.A blur Image Blind Identify Algorithm Based on the Edge Feature[C].Third International Conference on Multimedia Information NETWORKING and Security.IEEE Computer Society，2011：309-313.

[5] 王俊文，劉光杰，戴躍偉.基手非抽樣Contourlet變換的圖像模糊取證[J].計算機(jī)研究與發(fā)展，2009，46（9）：1549-1555.

[6] 潘生軍，楊本娟，劉本永.基于后驗概率的圖像模糊檢測方法[J].計算機(jī)工程與應(yīng)用，2012，48（32）：181-186.

[7] 李杭，鄭江濱.一種人工模糊的偽造圖像盲檢測方法[J].西北工業(yè)大學(xué)學(xué)報，2012，30（4）：612-616.

[8] 咸兆勇，甘金明，玉振明.一種基于相關(guān)性和局部標(biāo)準(zhǔn)差的圖像失焦模糊區(qū)域檢測方法[J].計算機(jī)應(yīng)用與軟件，2014（9）：

198-200.

作者簡介：

王 萍（1988-），女，碩士，研究生.研究領(lǐng)域：數(shù)字圖像處理.