基于機器視覺的小目標復制圖像篡改檢測方法

趙寶水，黃海龍，田 昊

(遼寧工業大學，遼寧錦州 121000)

1 引言

迅猛發展的信息技術與傳媒技術使圖像在存儲與傳輸領域中的應用越來越頻繁，應時而生的PS[1]、ACDsee等圖像編輯軟件降低了圖像篡改難度，讓偽造圖片的真實性達到了以假亂真的程度。一旦懷有某種目的大肆傳播經過惡意篡改的圖片，將會對正常的生活秩序產生直接影響，甚至引發社會恐慌、國家動亂等嚴重后果，所以，有效鑒別圖像真實性逐漸演變成社會發展的迫切需求，篡改檢測方法也得到了眾多相關學者的廣泛關注。

文獻[2]針對拼接的圖像篡改形式，提出一種基于多特征融合及能量分布的圖像篡改檢測方法，利用多通道與多變換域，完成多特征融合的圖像篡改檢測模型構建，根據不同通道不同變換域的能量分布，基準化處理亮度通道能量，修正馬爾科夫轉移狀態閾值，依據色度通道的能量集中性，細分馬爾科夫轉移狀態，改進圖像篡改檢測模型；文獻[3]為提升多重鏡像的篡改檢測效果，設計出一種基于近似最近鄰搜索的檢測方法，根據提取到的圖形BRISK特征描述子，獲得二值特征向量，利用傳導策略完成相似圖像塊的優化搜索，采用最小均方線性模型，求取擬合誤差，將誤匹配點去除，實現篡改區域定位與檢測。

由于上述文獻方法圖像信息冗余度較高，檢測流程較為復雜，限制了檢測效果的提升，因機器視覺技術憑借高精度、非接觸、快速度等優勢，廣泛應用于工業、農業、軍事以及醫學等各類自動化檢測領域中[4]，為此，本文引用機器視覺技術，提出一種小目標復制圖像篡改檢測方法。利用機器視覺的角點分析手段，使圖像重要信息更加突出，簡化提取過程，增加其穩定性與適應性；將邊緣點的方向作為模板匹配時的考慮因素，拉近角點與直觀感覺的貼合度；選用圓形擴展角點區域，避免旋轉操作對小目標復制圖像造成的信息變化干擾；通過獲取角點區域完成篡改檢測區域構建，在一定程度上提升檢測效率。

2 基于機器視覺的小目標復制圖像篡改檢測

2.1 圖像檢測區域獲取

為明確小目標復制圖像篡改檢測區域，需提取圖像邊緣特征，完成圖像邊緣檢測[5]。

利用Prewitt方向導數近似算子檢測復制圖像邊緣的流程具體描述如下：

1)根據灰度圖像I(x，y)兩方向上的Prewitt算子與圖像卷積，分別采用下列各式描述與x、y方向對應的灰度導數近似Ex與Ey

Ex=I*Sx

(1)

Ey=I*Sy

(2)

式中，Sx與Sy的表達式分別如下所示

(3)

(4)

2)基于得到的灰度導數近似，推導出圖像各點位置的灰度梯度強度E與方向D表達式

(5)

(6)

3)通過預估噪聲均方根，計算出邊緣二值化閾值，利用圖像x、y方向上的局部NMS(Non-Maximum Suppression，非極大值抑制)[6]，細化、二值化處理圖像各點的灰度梯度強度，生成二值邊緣圖像C。

采用直角角點檢測策略，簡化檢測流程，通過轉換圖像檢測空間為參數空間，提升匹配效率，完成模板匹配后找到兩條夾角固定且較為明顯的邊緣線段。

假設p為模板Ti的任意邊緣點，q為該點的鄰域點，若模板Ti中心與鄰域點q重合，點p被模板覆蓋，則將鄰域點q的對應計數器加1，相反，則不做變動。經過處理所有邊緣點p，得到各點q相應計數器的值，該值即為模板中心點與二值邊緣圖像的匹配值，此時的模板中心點與點q重合。當模板是已知的情況下，可提前取得相對點p而言的待增加計數點q位置，所以，直接在累加點的相應計數器加1即可，省去遍歷領域階段。

為使角點更接近直觀感覺，應將邊緣點的方向也作為模板匹配時的考慮因素，所以，在霍夫變換[7]過程中，以當前邊緣點的法線方向、參考點與累加點向量方向的夾角為依據，將一個0到1之間的權重添加到累加點的計數值上。

假設邊緣為χ，當前考察的邊緣點為p，其邊緣法向量為ν(p)，待處理的累加點為q，邊緣點至累加點的向量為τ(p，q)，則當向量τ(p，q)垂直于邊緣法向量ν(p)時，點p的邊緣切向量與向量τ(p，q)在同一條直線上，邊緣點p對累加點q存在最大累加貢獻，取值為1；若向量τ(p，q)的方向與邊緣法向量ν(p)的方向一致或者相反，則點p的邊緣切向量垂直于向量τ(p，q)，此時，邊緣點p對累加點q存在最小累加貢獻，取值為0。

綜上所述，累加值函數的計算公式如下所示

(7)

式中，向量τ(p，q)與邊緣法向量ν(p)的夾角為θ′。其中，根據灰度梯度方向矩陣D，得到邊緣法向量ν(p)的方向，通過模板取得向量τ(p，q)。

對模板Ti進行霍夫變換后，獲得對應變換結果Hi，每一個邊緣點的霍夫變換最大值即為該點的CRF(comer response function，角點響應函數)[8]，表達式如下所示

(8)

上式同時也表示邊緣點p的鄰域與模板Ti間的匹配值。

經過非極大值抑制處理角點響應函數的各個方向，基于得到的匹配閾值t，剔除比閾值小的局部極大點，檢測出的直角角點輸出即為余下的局部極大點。通過極大值的模板序號，明確對應角點方向。

因為方形檢測區域會改變旋轉操作的小目標復制圖像信息，因此，需將檢測區域設定為19個像素直徑的圓形擴展角點區域，來應對在圖像任意位置出現的偽造區域。

2.2 圖像特征提取

由于正交矩的正交特性能夠最小化圖像特征信息冗余度，因此，采用下列表達式界定小目標復制圖像f的n階m重復數zernike矩[9]

(9)

=ρm

(10)

小目標復制圖像的zernike矩Znm是一個復數。將已知規格的圖像完成極坐標變換，明確r與σ的取值范圍，即可解得圖像的實部與虛部，通過遞推性質取得各階Rnm(ρ)值，得到zernike矩Znm，提取出圖像特征。

2.3 圖像篡改檢測實現流程

基于機器視覺的小目標復制圖像篡改檢測步驟具體描述如下：

1)根據取得的圖像f各角點坐標(fi，fj)與亞像素坐標；

2)從四個方向擴展檢測到的NUM個角點區域，得到直徑是19個像素的圓形檢測區域，個數為5*NUM，經過求取各檢測區域的zernike矩(Z11，Z10，Z22，Z21，Z20，Z33，Z32，Z31，Z30)，歸一化處理各階zernike矩為0～1，將其當做特征向量；

3)利用各檢測區域特征向量，構建維數為9的K-D樹[11]。若檢測區域特征向量兩兩之間的距離不超過T，則進入判定階段：已知給定的任意圓形檢測區域坐標(fi1，fj1)與另一圓形檢測區域坐標(fi2，fj2)，如果兩坐標任意方向的間距最大值MAXD超過直徑19，則判定該區域是偽造區域。其中，方向間距最大值MAXD的計算公式如下所示

MAXD=max(|fi1-fi2|，|fj1-fj2|)

(11)

4)如果檢測得到的偽造區域在半徑是3*19的圓形區域中沒有其它偽造區域存在，則判定此偽造區域是真實區域，將噪點偽造區域進行剔除；

蟲害防治就是茄子在生長的過程中會受到一些病蟲的感染，進而破壞茄子的正常生長。蟲害主要有蚜蟲、白粉虱和茶黃螨等，在防治的過程中，可以在定植3-4天后在苗床上用15%噠嗪酮2500倍液防治茶黃螨，現蕾至結果期再查治1次。白粉虱采用25%阿克泰水分散粒劑，每畝2-3 g，兌水30 kg或以青霉素噴藥與黃板誘殺的辦法結合進行。蚜蟲可用韶關霉素防治，進而減少病蟲對茄子的大面積感染。

5)用直線連接檢測出的復制-粘貼偽造區域；

6)通過NIQE(Natural image quality evaluator，圖像質量評價)算法[12]，取得小目標復制圖像的真實程度最終得分。

3 圖像篡改檢測效果分析

3.1 數據集與評估指標

從接近真實數據但信息相對復雜的公開圖像數據集CASIA中，任意抽取1000組小目標復制篡改圖像數據作為檢測實驗數據集，其中，粗篩網絡、粒提網絡以及精辨網絡的訓練集共800組，粗篩網絡驗證數據集70組，粒提網絡驗證數據集70組，精辨網絡驗證數據集40組，測試數據集20組。

采用Tensor Flow深度學習庫作為方法實現平臺，語言編程由Python完成。為精準評價方法性能，選取精確率precision、召回率recall以及綜合指標F1作為評估指標，界定公式分別如下所示

(12)

(13)

(14)

式中，TP表示篡改區域檢測正確的像素數，FP表示篡改區域被錯誤檢測的像素數，FN表示非篡改區域被錯誤檢測的像素數。

3.2 評估指標分析

分別采用文獻[2]方法、文獻[3]方法以及本文方法，檢測測試數據集的20組圖像數據，各指標結果如圖1所示。

圖1 各方法指標結果對比圖

通過上圖1中各方法指標結果數據可以看出，本文方法因利用Prewitt方向導數近似算子檢測圖像邊緣特征，明確了小目標復制圖像篡改檢測區域，應用zernike矩最小化圖像特征信息冗余度，去除了噪點偽造區域，所以，對比文獻[2]方法、文獻[3]方法具有更理想的精確率、召回率以及綜合性能。

3.3 魯棒性分析

針對不同程度的圖像壓縮攻擊和高斯噪聲污染攻擊，模擬出各方法的檢測結果，其均值曲線如下圖2、3所示。

從圖2、3的顯示結果中可以看出：當圖像受到不同品質因子的JPEG圖像壓縮攻擊時，文獻[2]方法因CASIA數據集的圖像沒有拍攝信息元數據，使檢測結果趨于失效狀態，文獻[3]方法只有品質因子在固定范圍里時，才能進行有效檢測，一旦超出固定范圍，就失去了檢測有效性，而本文方法則憑借zernike矩的正交特性與圓形檢測區域的適應性，大幅度提升了檢測的穩定性，具有更理想的檢測效果，正因如此，本文方法在圖像受到不同方差的高斯噪聲污染攻擊時，檢測效果明顯比文獻方法更具優越性。

圖2 不同程度JPEG圖像壓縮攻擊檢測指標示意圖

圖3 不同程度的高斯噪聲污染攻擊檢測指標示意圖

3.4 AUC值分析

利用ROC曲線(Receiver Operating Characteristic curve，受試者工作特征曲線)的線下面積即AUC(Area Under Curve，ROC曲線下面積)值，評估各方法的性能度量，各方法對應的AUC值曲線如下圖4所示。

圖4 各方法AUC值曲線示意圖

經過對比各方法AUC值發現，相比于文獻[2]方法、文獻[3]方法，本文方法由于擴充了角點檢測區域，降低了圖像特征信息的冗余度，去除了噪點偽造區域，并得到小目標復制圖像的真實程度最終得分，因此，其AUC值的曲線走勢始終處于較好狀態，說明本文方法的綜合性能水平較高，可以滿足實際的應用需求。

4 結論

當前重要信息的傳播途徑以圖像形式為主，快速發展的計算機技術與媒體技術，各類圖像編輯軟件應運而生，增加了修改內容信息的便捷度，但隨之而來的是圖像可信度的大幅下降，圖像篡改對軍事、傳媒以及司法等行業領域有直接影響，因此，本文以機器視覺為基礎，提出一種小目標復制圖像篡改檢測方法。各項技術推陳出新，篡改工具多種多樣，應嘗試與新型技術相結合，探索出一種可以解決所有篡改問題的強普適性篡改檢測方法，打破其針對性、單一性；由于時間限制，檢測方法中存在一定的弊端與缺失，導致檢測結果出現誤檢、漏檢，因此，獲取更完美的檢測方法將是今后工作的研究重點；攻擊干擾會影響圖像篡改區域隱藏特征，應通過注意力機制與池化操作，加強檢測方法的抑制性能；為提升檢測方法在實際應用中的實踐性，應從圖像篡改判定與篡改方式判定等角度入手，架構出性能更全面的檢測策略。