圖像異常邊緣篡改檢測及可信度評價算法

朱婷鴿，李文瑄，來 毅，2，劉 穎，2

(1.西安郵電大學 通信與信息工程學院，陜西 西安 710121；2.西安郵電大學 電子信息現場勘驗應用技術公安部重點實驗室，陜西 西安 710121)

圖像編輯技術一方面給人們帶來便利，另一方面給圖像安全帶來隱患，即圖像在存儲、傳輸過程中容易受到惡意篡改。經過加密[1]、水印[2]等技術進行安全預處理的圖像，可防止被惡意篡改，但事實上，大多數圖像并沒有經過安全預處理。圖像被篡改后，圖像本身固有的特征發生了變化，且篡改手段不同，圖像固有特征變化不同。因此，異常痕跡被用于鑒定圖像的真偽[3-5]。對于圖像異常邊緣的檢測，大多數算法是通過檢測人工模糊[6]、拼接點不一致的光照特征和噪聲特征[7]鑒定圖像真偽。Hsu等[8]通過檢測圖像的幾何不變性和相機固有的特征之間是否一致定位拼接區域,但是該算法僅對拼接篡改檢測有效。Li等[9]通過檢測光照方向是否一致鑒定圖像真偽，但是僅對無線光源檢測較好。圖像拼接后，因為篡改區域與原始圖像的噪聲來自不同圖像，其噪聲分布不一致，所以也可利用圖像噪聲分布的差異鑒定圖像是否被篡改[10-11],但是這類算法正常有效的前提是拼接區域與原始圖像的噪聲有差異，當噪聲的差異不顯著，檢測結果失效。

無論哪種篡改手段，篡改后為了保證篡改區域與原始圖像兼容，一般篡改區域邊緣都需進行模糊、羽化等平滑處理，以達到視覺不可見效果。因此，局部模糊類型的不一致性被用于確定篡改區域[12-13]。Lu等[14]對待檢圖像進行二次高斯模糊，通過對比原始圖像與二次模糊圖像的邊緣差，鑒定圖像是否篡改。篡改區域邊緣被羽化后，圖像邊緣像素與羽化半徑之間滿足一定的關系，利用這種關系可檢測篡改區域[15]。但是，這些邊緣平滑檢測算法僅對模糊或者羽化等其中一類篡改后處理檢測有效。

近年來，深度學習被廣泛用于圖像篡改檢測領域[16]。Saloum等[17]利用學習表面標記和拼接區域邊界的兩個分支的全卷積神經網絡(Convolutional Neural Networks，CNN)檢測拼接和定位篡改區域。Zhou等[18]提出了雙流CNN 進行篡改檢測，比單流網絡檢測效果較好。Yang等[19]基于Lab空間的a通道和b通道構造特征矩陣，擬合高斯混合模型分布，通過對比分析兩種分布之間差異，檢測篡改區域。Wu等[20]提出一種可以處理多種篡改類型、任意尺寸圖像的全卷積網絡，通過尋找局部異常點定位篡改區域。基于深度學習的篡改檢測算法的訓練數據來源于不同的數據庫，雖然對多個數據庫的檢測有效，但其檢測精度卻比一般的篡改檢測算法低。

針對現有圖像篡改檢測算法只能檢測模糊或者羽化等其中一類篡改后處理，以及非真即偽的檢測結果，擬提出一種圖像異常邊緣篡改檢測及可信度評價算法。通過對圖像進行預測編碼和邊緣增強，弱化偽造區域邊緣，增強真實區域的邊緣。對比處理前后的邊緣，尋找異常邊緣點，同時根據邊緣異常概率計算圖像可信度，即給出圖像真實的概率，以期更為合理地評價圖像真偽。

1 邊緣篡改檢測及可信度評價算法

一般地，圖像被篡改后在篡改區域邊緣會進行平滑處理，從而達到篡改區域與原圖兼容的目的。篡改圖像示例如圖1所示。圖1(b)是由圖1(a)羽化處理而來，雖然視覺上無法看出，但事實上篡改區域平滑處理導致篡改區域邊緣特征發生異常。基于此，所提圖像異常邊緣篡改檢測及可信度評價算法，先采用非線性雙邊濾波器對圖像進行去噪處理，然后利用非線性預測編碼弱化篡改區域邊緣，同時利用邊緣增強算法補償前面損失的真實邊緣信息，達到增強真實邊緣的目的。最后，通過提取待檢圖像處理前后的邊緣，尋找異常邊緣點，并依據邊緣點異常概率計算圖像可信度。算法檢測過程如圖2所示。

圖1 篡改圖像示例

圖2 算法檢測過程

1.1 去噪

圖像在傳輸、保存過程中會受到噪聲的干擾，而噪聲對圖像特征的提取有著一定的影響，因此在處理圖像邊緣前，先對其進行去噪。非線性雙邊濾波器既能滿足去噪的需求，同時又能更好地保存圖像的邊緣信息。

1.2 弱化偽造區域邊緣

為了弱化篡改區域邊緣特點，突出真實邊緣的特點，對待檢圖像進行預測編碼，去掉像素之間的相關性，更加顯現出相鄰像素之間的差異，以達到弱化篡改區域邊緣的目的。若待測圖像I在(x,y)點的灰度值為I(x,y)，則(x,y)點的8鄰域像素值分別為I(x-1,y-1)、I(x-1,y)、I(x-1,y+1)、I(x,y-1)、I(x,y+1)、I(x+1,y-1)、I(x+1,y)和I(x+1,y+1)。

設Imax(x,y)和Imin(x,y)分別表示(x,y)點的8鄰域的最大值和最小值。定義c1和c2分別為鄰域中最大值、最小值與I(x,y)之間的差異，即

c1=|Imax(x,y)-I(x,y)|

(1)

c2=|I(x,y)-Imin(x,y)|

(2)

則預測值可表示為

(3)

預測誤差為

(4)

e(x,y)為原始灰度值與預估值的差，相比原圖的灰度值范圍，e(x,y)的取值范圍越低，像素灰度值之間的差異越小，從而達到弱化邊緣的效果。

1.3 增強圖像真實邊緣

利用預測編碼弱化偽造區域邊緣，真實邊緣也有一定的弱化。為了補償這部分損失，同時更加凸顯真實邊緣與處理后邊緣之間的差異，增強真實圖像的邊緣，進一步弱化偽造區域邊緣。因此，對誤差圖像進一步處理，增強圖像真實邊緣。誤差圖像在(x,y)點的8鄰域誤差值分別為e(x-1,y-1)、e(x-1,y)、e(x-1,y+1)、e(x,y-1)、e(x,y+1)、e(x+1,y-1)、e(x+1,y)和e(x+1,y+1)。

設d(x,y)為(x,y)點誤差灰度值與其8鄰域均值的差異，定義為

(5)

(6)

式中：λ表示邊緣增強的強度，取值范圍為λ∈[0,1]；S(x,y)表示該像素點8鄰域灰度值求和；8e(x,y)表示將中心像素灰度值擴大8倍；T為閾值。

d(x,y)和T的大小對比反映了圖像在(x,y)點的紋理復雜度。若d(x,y)

1.4 尋找異常邊緣痕跡

各向同性Sobel檢測算子[21]在水平和垂直兩個方向上檢測邊緣時，具有一致的梯度幅度，位置加權系數準確。Kirsch邊緣檢測算子[22]能較好地保持邊緣細節。結合這兩個邊緣提取算法的優勢，提取圖像的融合邊緣特征。

設任意一個邊緣像素點為(xi,yi)，i∈[1,N]，N為邊緣像素點總數。以此像素為中心，將其鄰域劃分為Sik和Sik′里外各4個區域，k=1,2,3,4，相對應區域包含的邊緣點數目分別為Nik和Nik′。邊緣點的鄰域劃分如圖3所示，圖中黑點表示該像素點。

圖3 邊緣點的鄰域劃分

與待檢圖像劃分類似，以該邊緣像素點(xi,yi)為中心的4個里外區域也劃分為Aik和Aik′，用nik和nik′分別表示相對應區域包含的邊緣點數目。

設以(xi,yi)為中心的里外任一區域含像素數目分別為m和t，Sik和Sik′區域內待檢圖像邊緣像素點的變化概率表示為

(7)

若里外兩個區域的閾值分別為D和D′，存在任意兩個k∈[1,4]，滿足條件

(8)

則認為該像素點為異常像素點。

1.5 圖像可信度評價

目前已有的圖像篡改檢測算法均為非真即偽的二值化篡改檢測結果，準確度較低。利用異常邊緣概率計算圖像可信度，即給出圖像真實的概率，由此評價圖像真偽更為合理。圖像真實邊緣經過處理后，其邊緣多數情況下會變寬，此時可能存在pik<0，因概率取值在0和1之間，可將其修正為pik=0。檢測到的異常邊緣點也可能存在誤檢或者漏檢現象，故對所有像素點進行綜合評價，以此評判圖像的可信度。

定義每個邊緣像素點的可信度為

pi=1-[αmax(pik)+βmax(pik′)]

(9)

式中，α+β=1。

設異常邊緣點和非異常邊緣點的集合分別為Ωa和Ωb，則異常邊緣點和非異常邊緣點的可信度分別為

(10)

(11)

式中，|Ωa|和|Ωb|分別表示集合Ωa和集合Ωb的數目。由此可定義圖像的可信度為

(12)

2 實驗結果和分析

實驗環境為Matlab 2016a，計算機配置為Intel 2.10 GHz處理器，64 GB RAM。選取CASIA2.0標準庫中[23]涉及jpg、png和tif等類型的圖像數據，對目標偽造篡改區域的邊緣進行模糊、羽化處理，通過尋找圖像中存在的異常邊緣痕跡，檢測圖像是否經過篡改。參數T設置為像素點鄰域的局部方差的2倍，λ取0.5。任意一個邊緣點是否異常由該位置的變化概率與D和D′同時決定，通過分析真實圖像與偽造圖像邊緣特點，確定D和D′取值分別為0.35和0.55。每個邊緣點的可信度由里外區域變化概率共同決定，即α+β=1，因此通過兩個區域像素數占的比重確定α和β。

2.1 圖像異常邊緣分析

在CASIA2.0標準庫中選取目標偽造圖像進行異常邊緣檢測，3個實驗結果示例如圖4所示。圖4(a)為待檢圖像，其中第一幅花朵圖像的邊緣經過了羽化處理，第二幅鳥圖像和第三幅月餅圖像為真實圖像。圖4(b)和圖4(c)分別為待檢圖像處理前和處理后提取的邊緣。

圖4 異常邊緣檢測結果

由圖4(c)可以看出，經過羽化處理后的花朵圖像邊緣絕大部分消失，而真實圖像鳥的邊緣和月餅的邊緣大部分存在，且變寬。這說明偽造圖像平滑后絕大部分邊緣消失，而真實圖像的大多數邊緣存在，且邊緣變寬。

2.2 不同算法的檢測效果對比

為了驗證所提算法的異常邊緣檢測效果，分別對比所提算法與文獻[15]算法和文獻[20]算法的檢測結果。偽造圖像及其來源示例如圖5所示，其中前兩列為真實圖像，第三列為經過模糊處理后的偽造圖像，云朵圖像為JPEG壓縮圖像。選取圖4(a)的花朵圖像以及圖5中第三列偽造圖像作為待檢圖像，3種算法的檢測結果對比如圖6所示。

圖5 偽造圖像及其來源示例

圖6 3種算法檢測結果對比

由圖6(b)的檢測結果可知，文獻[15]算法分析了羽化半徑與邊緣像素點之間的關系，通過尋找滿足這種關系的邊緣像素點從而找到羽化痕跡。雖然對圖6(a)中花朵圖像檢測有效，但是對于云朵圖像和人像圖像檢測失效。

由圖6(c)的檢測結果可知，文獻[20]算法對圖像的多個異常特征進行分析時，對壓縮后的圖片檢測能力差。雖然對圖6(a)中人像圖像檢測效果優于所提算法，但是花朵圖像存在漏檢、誤檢現象，云朵圖像檢測錯誤。

由圖6(d)檢測結果可以看出，所提算法均能檢測出圖像異常邊緣。對圖6(a)中花朵圖像檢測效果最好，云朵圖像和人像圖像雖然能檢測出部分異常邊緣，但仍然丟失了部分異常邊緣，如云朵左邊的小部分邊緣和人的身子邊緣。這是因為對于目標與背景紋理差異較小時，待檢圖像的邊緣特征就不顯著。但是相比較前面兩種算法，所提算法可以同時檢測模糊、羽化處理，同時JPEG壓縮也可以檢測。

2.3 圖像可信度評價

選取CASIA2.0標準庫中200幅圖像作為測試數據，真實圖像和篡改圖像各100幅。圖像的可信度分布如圖7所示。

圖7 圖像可信度分布

圖7中，圖像可信度越接近1，該圖像的可信度越高，被篡改的可能性越小；越接近0，該圖像的可信度越低，被篡改的可能性越大。圖像目標與背景之間的紋理差異不同，因而篡改邊緣的提取以及可信度的評價也不同。對這200幅圖像做統計發現，絕大多數篡改圖像可信度在0.2以下，多數真實圖像可信度較高在0.7以上。

3 結語

為了使篡改區域與原圖兼容，圖像異常邊緣篡改檢測及可信度評價算法先在偽造區域與原圖銜接處進行平滑處理，改變了圖像固有的邊緣特性。然后通過弱化篡改區域邊緣，增強真實區域邊緣，分析對比處理前后的圖像邊緣，定位圖像異常邊緣。最后計算每個邊緣點的可信度確定圖像的可信度。實驗結果表明，當篡改圖像邊緣經過羽化、模糊等平滑處理后，所提算法能較好地檢測出異常邊緣，并給出待檢圖像的可信度評價。