CN102930493A - 防篡改的图像处理方法和装置 - Google Patents
防篡改的图像处理方法和装置 Download PDFInfo
- Publication number
- CN102930493A CN102930493A CN2011102349278A CN201110234927A CN102930493A CN 102930493 A CN102930493 A CN 102930493A CN 2011102349278 A CN2011102349278 A CN 2011102349278A CN 201110234927 A CN201110234927 A CN 201110234927A CN 102930493 A CN102930493 A CN 102930493A
- Authority
- CN
- China
- Prior art keywords
- point
- robust features
- image
- cluster
- group
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T1/00—General purpose image data processing
- G06T1/0021—Image watermarking
- G06T1/0028—Adaptive watermarking, e.g. Human Visual System [HVS]-based watermarking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2201/00—General purpose image data processing
- G06T2201/005—Image watermarking
- G06T2201/0081—Image watermarking whereby both original and watermarked images are required at decoder, e.g. destination-based, non-blind, non-oblivious
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2201/00—General purpose image data processing
- G06T2201/005—Image watermarking
- G06T2201/0201—Image watermarking whereby only tamper or origin are detected and no embedding takes place
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
一种防篡改的图像处理方法和装置。该方法包括:分别获取原始图像的第一组鲁棒特征点的第一鲁棒特征表示以及待检测图像的第二组鲁棒特征点的第二鲁棒特征表示;将第一鲁棒特征表示和第二鲁棒特征表示进行匹配,以便获得不匹配特征点;以及基于不匹配特征点的分布特性来确定待检测图像相对于原始图像是否存在篡改。通过本发明的实施例,通过基于原始图像和待检测图像的鲁棒特征表示对不匹配特征点的分布特性进行分析,能够有效地将对图像的常规操作和对图像的篡改区分开来,具有足够的鲁棒性,而且能够准确地识别出是否对原始图像进行了篡改。尤其能够确保识别出是否存在细小区域中的篡改。由此兼顾了优异的鲁棒性和篡改识别的精确性两种性能。
Description
技术领域
本发明一般地涉及图像处理的技术领域,更具体而言,涉及图像验证和完整性保护,尤其涉及防篡改的图像处理方法和装置。
背景技术
图像数据容易被篡改,也容易在传输或保存过程中出现误差或丢失。现有的技术手段允许修改图像的内容而难以被识别。在很多应用中,用户都需要检查图像的完整性,以确认图像未被篡改或者未出现误差或丢失。如法庭中用到图像作为证据时,需要证明该图像是未被篡改的。又如医学图像如电子病例中的图片资料需要保护其精确性。
现有技术中,常常采用数字签名保护数据的完整性。然而对于图像而言,进行压缩、旋转、尺度变化、模糊等常规操作并不影响图像的内容因而不能被认为是对图像进行了篡改。为了保护图像的完整性,需要对图像的常规操作鲁棒的技术。数字水印尤其是鲁棒水印能够提供一定的鲁棒性同时保护图像不被篡改。如中国专利申请No.CN101866477A,No.CN1658223提供了图像验证的数字水印。然而数字水印技术需要将完整性信息分散并嵌入到原始图像或视频中,一定程度上改变了原始数据,在很多应用场合下不方便使用。
与数字水印技术相比较,鲁棒哈希技术(Perceptual Hashing,也可称为感知哈希,语义哈希,图像哈希)不需要将信息嵌入到原始数据中,因此适用于更多的应用。同时由于不需要嵌入到原始图像中,相应具有更高的鲁棒性。鲁棒哈希技术通常从图像中提取鲁棒特征,然后压缩生成鲁棒哈希值。这些鲁棒特征在图像的常规操作下改变较小,而对于图像的恶意篡改有着明显的改变。有关感知哈希的相关知识,例如可参见作者为牛夏牧,焦玉华,题目为“感知哈希综述”的文献(电子学报,Vol.36,No.7,2008),以及作者为WANG Shuo-zhong(王朔中),ZHANG Xin-peng(张新鹏),题目为“Recent development of perceptual image hashing”的文献(Journal of Shanghai University(English Edition),2007,11(4):323331)。
然而现有的鲁棒哈希算法通常仅能够识别较大区域的图像篡改。对于细小区域的篡改,通常为了达到鲁棒性的目的而不能识别。作者为Weng,L.,Preneel,B.,题目为“Attacking some perceptual image hash algorithms”(In:Proceedings of International Conference on Multimedia Computing andSystems/International Conference on Multimedia and Expo-ICME(ICMCS).2007)的文献中分析了几种著名的鲁棒哈希算法,并指出它们均不能抵抗对图像的细小区域的篡改。然而,图像的细小区域往往也可能包含重要的语义信息,例如,交通图片中车牌拍照的数字,商品的商标,建筑的旗帜等标志性信息。这一弱点使得这些鲁棒哈希算法不适用于图像验证和完整性保护。
中国专利申请No.CN101079101公开了一种基于Zernike矩的鲁棒哈希图像认证方法,对图像的旋转,JPEG压缩,加噪和滤波操作具有一定的稳健性,同时能够区分剪贴等恶意操作。但是对于细小区域的篡改由于其鲁棒性的考虑将被忽略。
中国专利申请No.CN1663276公开了用于信号验证的稳健签名,其中采用图像块的DC值作为特征,所得到的签名对于压缩有很好的鲁棒性,同时能够实现篡改定位。然而由于所选择的特征的鲁棒性有限,对于图像旋转,尺度变换等操作鲁棒性不强。
发明内容
鉴于上述现有技术的状况,本发明的实施例希望提供一种简单高效的用于防图像篡改的图像处理方法和装置。
根据本发明的实施例,提供一种防篡改的图像处理方法,包括:
分别获取原始图像的第一组鲁棒特征点的第一鲁棒特征表示以及待检测图像的第二组鲁棒特征点的第二鲁棒特征表示;
将第一鲁棒特征表示和第二鲁棒特征表示进行匹配,以便获得不匹配特征点;以及
基于不匹配特征点的分布特性来确定待检测图像相对于原始图像是否存在篡改。
本发明实施例还提供一种防篡改的图像处理装置,包括:
特征表示获取单元,其被配置成分别获取原始图像的第一组鲁棒特征点的第一鲁棒特征表示以及待检测图像的第二组鲁棒特征点的第二鲁棒特征表示;
匹配单元,其被配置成将第一鲁棒特征表示和第二鲁棒特征表示进行匹配,以便获得不匹配特征点;以及
篡改判定单元,其被配置成基于不匹配特征点的分布特性来确定待检测图像相对于原始图像是否存在篡改。
根据本发明实施例的上述防篡改的图像处理方法可以应用在新闻图片出版发行中。其中,通过该方法来识别出版发行中涉及的新闻图片相对于原始新闻图片是否存在篡改。
根据本发明实施例的上述防篡改的图像处理方法还可以应用在智能交通监控***中的应用。其中,通过该方法来识别被提交作为证据使用的交通违章画面相对于原始交通违章画面是否存在篡改。
根据本发明实施例,还提供了一种存储有机器可读取的指令代码的程序产品,所述指令代码由机器读取并执行时,可执行上述的防篡改的图像处理方法。
根据本发明实施例,还提供一种存储介质,其承载有机器可读取的指令代码,所述指令代码由机器读取并执行时,可执行上述的防篡改的图像处理方法。
根据上述本发明实施例的防篡改图像处理技术,通过基于原始图像和待检测图像的鲁棒特征表示对不匹配特征点的分布特性进行分析,能够有效地将对图像的常规操作和对图像的篡改区分开来,具有足够的鲁棒性,同时能够准确地识别出是否对原始图像进行了篡改,尤其能够确保识别出是否存在细小区域中的篡改。由此兼顾了优异的鲁棒性和篡改识别的精确性两种性能。
在下面的说明书部分中给出本发明实施例的各种具体实现方式,其中,详细说明用于充分地公开本发明实施例的优选实施例,而不对其施加限定。
附图说明
通过结合附图对本发明的具体实施方式的描述,本发明的以上的和其它目的、特点和优点将变得清楚。在各附图中,相同或类似的附图标记表示相同或者类似的功能部件或步骤。在附图中:
图1是根据本发明实施例的防篡改的图像处理方法的流程简图;
图2A-2B是示出在一个具体例子中,原始图像以及针对其提取的鲁棒特征点的示意图;
图3A-3C是分别示出对图2A所示的原始图像进行模糊操作后得到的图像、针对其提取的鲁棒特征点、以及与图2B中原始图像的特征点不匹配的特征点的示意图;
图4A-4C是分别示出对图2A所示的原始图像进行压缩处理后得到的图像、针对其提取的鲁棒特征点、以及与图2B中原始图像的特征点不匹配的特征点的示意图;
图5A-5C是分别示出对图2A所示的原始图像进行旋转操作后得到的图像、针对其提取的鲁棒特征点、以及与图2B中原始图像的特征点不匹配的特征点的示意图;
图6A-6C是分别示出对图2A所示的原始图像进行细小区域中的篡改后得到的图像、针对其提取的鲁棒特征点、以及与图2B中原始图像的特征点不匹配的特征点的示意图;
图7A-7C是分别示出对图2A所示的原始图像进行模糊操作以及细小区域中的篡改后得到的图像、针对其提取的鲁棒特征点、以及与图2B中原始图像的特征点不匹配的特征点的示意图
图8A-8C是分别示出对图2A所示的原始图像进行压缩操作以及细小区域中的篡改后得到的图像、针对其提取的鲁棒特征点、以及与图2B中原始图像的特征点不匹配的特征点的示意图;
图9A-9C是分别示出对图2A所示的原始图像进行旋转操作以及细小区域中的篡改后得到的图像、针对其提取的鲁棒特征点、以及与图2B中原始图像的特征点不匹配的特征点的示意图;
图10是根据本发明实施例的防篡改的图像处理装置的结构简化框图;
图11是示出图10中的防篡改图像处理装置所包括的特征表示获取单元的一种具体实现方式的结构简化框图;
图12是示出图10中的防篡改图像处理装置所包括的篡改判定单元的一种具体实现方式的结构简化框图;
图13是示出图10中的防篡改图像处理装置所包括的篡改判定单元的另一种具体实现方式的结构简化框图;
图14是示出图10中的防篡改图像处理装置所包括的篡改判定单元的又一种具体实现方式的结构简化框图;
图15是示出图10中的防篡改图像处理装置所包括的篡改判定单元的再一种具体实现方式的结构简化框图;以及
图16是作为本发明的实施例中可采用的信息处理设备的个人计算机的示例性结构的框图。
具体实施方式
下面参照附图来说明本发明的实施例。应当注意,为了避免因不必要的细节而模糊了本发明,在附图中仅仅示出了与根据本发明的实施方案密切相关的设备结构和/或处理步骤,而省略了与本发明关系不大的其他细节。在各附图中相同或者相似的构成元素或部分利用相同或者类似的附图标记来表示。
图1是根据本发明实施例的防篡改的图像处理方法100的流程简图。如图1所示,方法100开始于步骤S110。在步骤S120,分别获取原始图像的第一组鲁棒特征点的第一鲁棒特征表示以及待检测图像的第二组鲁棒特征点的第二鲁棒特征表示。在步骤S130,将第一鲁棒特征表示和第二鲁棒特征表示进行匹配,以便获得不匹配特征点。在步骤S140,基于不匹配特征点的分布特性来确定待检测图像相对于原始图像是否存在篡改。
下面结合各附图对图1所述方法100包含的各处理的具体实现方式进行详细描述。
在此,待检测图像指的是需要判断其相对于原始图像是否存在篡改的图像。原始图像的鲁棒特征表示以及待检测图像的鲁棒特征表示需要最大限度地保持这些图像中各特征点的特性,同时对于图像的常规操作,例如旋转、模糊处理、压缩等等是不敏感的(即,鲁棒的)而对于图像中存在的篡改是敏感的。因此,满足上述要求的任何特征表示都可以被用作这种鲁棒特征表示。在一种具体实现方式中,例如可以使用哈希技术来获得与原始图像和待检测图像相关的鲁棒哈希值,作为与这些图像相关的鲁棒特征表示。
关于在步骤S120中获取的原始图像的第一鲁棒特征表示以及待检测图像的第二鲁棒特征表示,既可以从外部接收这些鲁棒特征表示,也可以是在方法100的处理中针对原始图像和待检测图像自行生成这些图像的鲁棒特征表示。当然,也可以是第一鲁棒特征表示和第二鲁棒特征表示中之一从外部接收,另一个在方法100的处理中自行生成。
在自行生成第一鲁棒特征表示和/或第二鲁棒特征表示的一种具体实现方式中,可以通过提取图像的鲁棒特征点来生成第一鲁棒特征表示和/或第二鲁棒特征表示。具体而言,针对原始图像提取第一组鲁棒特征点,并对第一组鲁棒特征点进行处理以得到与第一组鲁棒特征点对应的第一鲁棒特征表示;和/或,针对待检测图像提取第二组鲁棒特征点,并对第二组鲁棒特征点进行处理以得到与第二组鲁棒特征点对应的第二鲁棒特征表示。
在针对原始图像和/或待检测图像提取鲁棒特征点的处理中,可以采用任何已知的或者将来开发出的合适的鲁棒特征提取技术。例如,可以采用SIFT,SURF和Harris角点等作为所提取的鲁棒特征点。SIFT(ScaleInvariant Feature Transformation,尺度不变特征转换,例如参见Lowe,D.:Object recognition from local scale-invariant features.1999),SURF(SpeedUp Robust Feature,快速鲁棒性特征,例如参见Bay,H.,Tuytelaars,T.,Gool,L.V.:Surf:Speeded up robust features.In:In ECCV.(2006))和Harris角点(例如参见Monga,V.,Evans,B.L.:Robust perceptual image hashing using featurepoints.In:Proceedings of the IEEE International Conference on ImageProcessing.2004)等特征对图像的常规操作均具有较好的鲁棒性。
图2B,3B,4B,5B,6B,7B,8B和9B分别示出了针对原始图像以及待检测图像,即,对原始图像经模糊处理的图像、对原始图像进行压缩的图像、对原始图像进行旋转的图像、对原始图像进行细小区域篡改的图像、对原始图像进行了模糊处理以及细小区域篡改的图像、对原始图像进行了压缩处理以及细小区域篡改的图像、以及对原始图像进行了旋转处理以及细小区域篡改的图像提取的鲁棒特征点的示意图。各图中黑色的圆点代表所提取的鲁棒特征点。
接着对所提取出的鲁棒特征点进行相应处理以得到这些鲁棒特征点对应的鲁棒特征表示,例如鲁棒哈希值。
此外,在现实应用中,有时对图像提取的鲁棒特征点较大,为了更加便利于后续的处理,可以在获得鲁棒哈希值之前对所提取的鲁棒特征点进行量化处理。
下面给出对所提取出的鲁棒特征点进行量化处理一个具体例子。
通过利用上述技术对图像(原始图像和待检测图像)提取出的每一个鲁棒特征点可以是一个一维或者多维矢量。对这些提取出的鲁棒特征点进行聚类。聚类例如可以通过利用各种已知的聚类技术来实现,细节在此不再赘述。然后,针对每一个聚类、对该聚类中所有特征点的每一维矢量分别计算平均值,例如,对于某个聚类中特征点的所有第一维矢量计算平均值,对于该聚类中特征点的所有第二维矢量计算平均值,等等,依此类推。对于所有聚类中每个特征点的每一维矢量,如果大于与该维矢量相关的平均值,则将其量化为“1”,否则将其量化为“0”零。在这种情况下,实际上是根据计算得到的平均值为每一维矢量设置了两个量化区间,一个区间是大于该平均值的量化区间,一个是小于等于该平均值的量化区间。下面给出一个具体例子,例如,鲁棒特征点提取采用SURF特征点,特征点压缩方法采用通过为每一维矢量设定两个量化区间来将每一维矢量量化为1比特的方法。则每一个SURF特征点有128维矢量,相应地量化为128比特。通过这种处理方法,可以将从原始图像和待检测图像中提取的鲁棒特征点量化压缩为二进制的数字序列。这种量化过程由于是基于特征点的每一维矢量的平均值进行的,因此在较大程度上保持了特征点的特性,同时使得特征的数据量大幅下降,有利于后续的获得与鲁棒特征点相应的鲁棒特征表示(例如鲁棒哈希值)的处理,降低了***计算负荷。
在一种可替选的实现方式中,也可以将每一维矢量量化为至少两个比特。具体而言,根据上述得到的每一维矢量的平均值将设定至少两个量化区间,每个区间可对应多个比特的二进制值,作为与该区间对应的量化值。例如,可以根据每一维矢量的平均值设定三个量化区间,小于等于该平均值为一个区间,大于该平均值30%以下为一个区间,大于该平均值30%以上为一个区间,等等,每一个区间被分配多个比特的二进制值。对于每个特征点的每一维矢量,如果落在某个量化区间内,则量化为与该区间对应的多个比特。
可见,量化区间越多,最终得到的鲁棒哈希值与原鲁棒特征点越接近,后续匹配的准确度越高,但是鲁棒哈希值也越长。因此,具体量化方式的选择是在图像处理的精确度与***负荷之间的一种折衷,可根据实际需求来决定。
虽然上面的描述中都是将鲁棒特征点量化压缩为二进制序列,但是这并不对本发明的实施例构成限制。将鲁棒特征点量化为任意的数字序列都是可行的。同样容易理解,对鲁棒特征点的鲁棒性能影响较小的其他量化压缩方法也可适用于本发明实施例中,与后续操作一起达到既鲁棒又能够识别出细小篡改的效果。
从鲁棒特征点经压缩量化得到数字序列之后,既可以将该压缩得到的数字序列直接当作最终的鲁棒哈希值,也可以对该压缩得到的数字序列进行进一步处理,例如编码处理等,以便生成最终的鲁棒哈希值。从压缩得到的数字序列生成鲁棒哈希值的处理可利用各种常规的哈希技术来实现,具体细节在此不再赘述。
容易理解,如果所提取的鲁棒特征点并不是很大,则也可以直接利用这些提取出的鲁棒特征点来获得其鲁棒特征表示(例如鲁棒哈希值)而无需进行上述的量化压缩处理。
在通过上述处理获得与原始图像以及待检测图像中提取出的鲁棒特征点的鲁棒特征表示之后,基于这些鲁棒特征表示进行匹配处理,以便得到不匹配特征点。可以通过现有的各种合适的匹配技术来执行这种匹配处理。例如,可以对鲁棒特征表示之间进行逐点比较以找出不匹配特征点;或者,可以将鲁棒特征表示进行整体比较,例如求取作为鲁棒特征表示的码字序列之间的汉明距离,以找出不匹配特征点。
获得不匹配特征点之后,可根据这些不匹配特征点的分布特性来确定待检测图像相对于原始图像是否存在篡改。例如,不匹配特征点的分布特性可以是不匹配特征点的离散程度。
在一种具体实现方式中,不匹配特征点的离散程度例如可以通过不匹配特征点的聚类密度来表征。下面描述求取不匹配特征点的聚类密度的示例。
在一个例子中,可以对不匹配的特征点进行聚类。例如采用mean-shift聚类方法按照特征点的距离进行聚类。mean shift聚类方法是目前一种常用的聚类方法,mean shift本质上是自适应的梯度上升搜索峰值的方法。用mean shift作聚类时,不需要事先指定聚类的个数。通过沿着概率密度的梯度上升方向迭代发现聚类的中心。有关mean-shift聚类方法的信息和知识,例如可以参见Dorin Comaniciu,Peter Meer等所著的“Mean shift:A robust approach toward feature space analysis”(IEEETransactions on Pattern Analysis and Machine Intelligence,Vol.24,No.5,p603-619.2002)。当然,本发明的实施例可以采用任何合适的聚类方法而不限制于某一种特定的聚类方法。
在完成聚类以后,计算不匹配特征点的离散程度,即,这种离散程度表示不匹配特征点是聚集在少数几个聚类中还是分散分布于多数的聚类中。一般,图像中涉及篡改的区域,尤其是细小区域中的篡改其不匹配特征点的离散程度很低,而常规操作常常涉及图像全局,其不匹配特征点的离散程度较高。根据这一情况,可以设定合理的阈值将对图像的篡改和对图像的常规操作区分开,进一步地,通过对阈值进行适当的调整就可以确保识别对图像中细小区域的篡改。例如,如上所述,离散程度可通过计算聚类密度来计算。
在本发明实施例的具体实现方式中,根据密度的一般概念:密度=重量/面积,构造了如下的各种用于求取聚类密度的方法。
根据求取聚类密度的一个具体示例,首先计算聚类中的每个点到其所属的聚类中心的距离:
其中,(xi,0,yi,0)是第i聚类的中心点的坐标,(xi,j,yi,j)是第i聚类中的第j个特征点的坐标,坐标系可以采用任何已知的方式构建,例如在图像平面中构建的直角坐标系等。基于每个距离按聚类内的特征点个数求取如下的与距离相关的加权平均值,作为不匹配特征点的聚类密度,即总密度Den:
其中,n表示聚类的个数,m表示一个聚类中特征点的个数,m,n是正整数,i,j分别表示聚类的索引和一个聚类中不匹配特征点的索引。Ki,j表示的是距离Di,j的权重,可通过若干次试验确定或者根据经验值确定设置。在该计算方法中,将每一个距离的经过加权的值Di,j*Ki,j当作是与该距离相对应的特征矢量的重量,以该重量除以所有聚类的数量n(在此相当于面积)即得到该矢量的矢量密度。将所有聚类中所有特征点(即,特征矢量)的重量之和除以所有聚类的数量n(在此相当于面积),即得到聚类密度。从(式2)中可以看出,这里的总密度Den表示一种与不匹配特征点(即特征矢量)的距离相关的加权平均值,作为聚类密度。
如果根据(式2)计算得到的聚类密度大于预定的阈值,则判定待检测图像中存在篡改。否则,认为待检测图像中不存在篡改或者只是存在对原始图像的常规操作。阈值可根据具体需要确定,例如可以通过若干次试验确定或者根据经验值确定,细节在此不再赘述。进一步而言,优选地,通过对阈值的适当的设定,可以确保将对图像中细小区域中的篡改也识别出来。
根据求取聚类密度的另一个具体示例,例如可使用K-mean方法对不匹配特征点进行聚类。对不匹配的特征点例如可通过上述(式1)计算到其所属的聚类的聚类中心点的距离Di,j。然后计算每个聚类的矢量密度并对所有特征点做平均,求得如下的总密度Den:
其中,n表示聚类的个数,m表示一个聚类中特征点的个数,m,n是正整数,i,j分别表示聚类的索引和一个聚类中不匹配特征点的索引。相比于(式2),(式3)中的聚类密度计算用D2 i,j代替了Di,j*Ki,j,简化了Ki,j的选择过程。即,这里表示的是一种自适应的加权处理过程,用距离Di,j本身作为其加权系数。容易看出,(式3)与上述(式2)类似,求取的也是一种与距离相关的加权平均值,作为聚类密度。
根据总密度Den是否大于预定的阈值来判定是否存在篡改,并且通过调整阈值可以进一步确保能够识别对图像细小区域中进行的篡改。具体处理方式与上述例子类似,在此不再赘述。
K-mean聚类方法是本领域惯用的聚类方法,有关信息和知识例如可以参见J.A.Hartigan and M.A.Wong所著的“A K-Means ClusteringAlgorithm”(Applied Statistics,Vol.28,No.1,p100-108,1979)。在该例子中阈值的设置方式也与上述例子类似,具体细节在此不再赘述。
根据求取聚类密度的又一个具体示例,在例如根据上述(式1)得到不匹配的特征点的距离: 之后,也可以根据下列(式4)来计算总密度Den:
在(式4)中参数m,n,i,j的含义与上述(式2)和(式3)中的相同。在本例的计算方式中,将与距离Di,j对应的特征矢量的重量当作单位重量“1”,则1/Di,j表示单位重量在一维距离Di,j(相当于二维中的面积)上的分布,即,矢量密度。1/Di,j 2表示对1/Di,j进行了自适应加权,即,加权系数为1/Di,j。类似地,将每一个聚类的重量当作单位重量“1”,则1/m表示与该聚类相对应的密度。上述(式4)计算得到的总密度Den于是表示与特征点的距离有关的加权平均值,作为最终的聚类密度。在该例子中阈值的设置方式,以及根据总密度Den是否大于预定的阈值来判定是否存在篡改、并进一步确保能够识别对图像细小区域中进行的篡改的处理方式等都与上述两个例子类似,具体细节在此不再赘述。
可见,上述(式1)-(式4)都是根据不匹配特征点到其所属聚类的聚类中心之间的距离来求取的、与所有聚类内的至少一部分特征点的距离相关的加权平均值,作为与所有聚类对应的聚类密度。需要注意,例如,在上述(式2)和(式3)的计算方式中,可以针对所有聚类中的所有不匹配特征点来求取聚类密度。而在上述(式4)的计算方式中,由于距离Di,j作为分母,因此,在计算聚类密度时需要剔除那些仅包含一个特征点的聚类,因为在这种聚类中,Di,j的取值为“0”,可能导致总密度Den的计算出现异常。
此外,作为表征不匹配特征点的离散程度的一种可替选的实现方式,也可以在完成上述的聚类处理后,采用以聚类中心点为中心、预定大小的区域内的不匹配特征点数量来表示不匹配特征点的离散程度。不匹配特征点离散程度越高,预定大小的区域内的特征点数越少。类似地,可以设定合理的阈值,将对图像的篡改和对图像的常规操作区分开,也即,预定大小的区域内不匹配特征点大于阈值,则判定待检测图像中存在篡改。否则,认为待检测图像中不存在篡改或者只是存在对原始图像的常规操作。与上述类似,阈值可根据具体需要确定,例如可以通过若干次试验确定或者根据经验值确定,细节在此不再赘述。进一步而言,优选地,通过对阈值进行适当的调整就可以确保识别对图像中细小区域的篡改。在一种具体实现方式中,预定大小的区域例如可以是以聚类中心点为中心的单位面积的区域。
上面给出了在获得不匹配特征点之后,根据这些不匹配特征点的离散程度来确定待检测图像相对于原始图像是否存在篡改的例子。下面将给出通过不匹配特征点的分布特性来确定待检测图像相对于原始图像是否存在篡改的其他可替选例子。
在一种可替选例子中,根据从原始图像提取出的鲁棒特征点确定(例如利用统计方式确定)所有这些鲁棒特征点的分布情况。类似地可以确定不匹配特征点在待检测图像中的分布情况。将所确定的不匹配特征点的分布情况与原始图像中鲁棒特征点的分布情况进行比较,如果这两种分布情况彼此接近(例如两者的差异在预定的范围之内),则认为待检测图像相对于原始图像不存在篡改,否则认为待检测图像存在篡改。
在另一种可替选例子中,可以预先对不匹配特征点的分布特性进行样本学习,以便构建出未经篡改但经过常规图像处理操作和/或经过篡改情况下不匹配特征点的分布特性模型。常规图像处理操作可包括图像压缩、旋转、尺度变化以及模糊等。后续检测过程中通过与上述学习得到的模型进行比较来确定待检测图像是否被篡改。例如,可以将不匹配特征点的分布特性模型与未经篡改但经过常规图像处理操作情况下不匹配点的分布特性模型进行比较,如果两者之间的差异在预定范围之内,则认为待检测图像相对于原始图像不存在篡改,否则,认为存在篡改。或者,可以将不匹配特征点的分布特性模型与经过篡改情况下不匹配点的分布特性模型进行比较,如果两者之间的差异在预定范围之内,则认为待检测图像相对于原始图像存在篡改,否则,认为不存在篡改。一般情况下,只需要与未经篡改但经过常规图像处理操作情况下不匹配特征点的分布特性模型以及经过篡改情况下不匹配特征点的分布特性模型中之一进行比较,就可以得出是否存在篡改的结论。但是实际中也可能存在需要针对上述两种模型都进行比较的情形,例如,如果对篡改检测结果精度要求更高,则可以将针对上述两种模型进行比较的结果进行互相印证,如果基于两个比较结果得出的结论不相符,则说明不匹配特征点的检测、模型的构建等方面可能未达到预定要求,可以根据实际情况进行进一步优化处理,例如重新进行不匹配特征点的检测,重新构建模型,等等。这种优化处理的细节对于充分说明本发明实施例的实现是无关紧要的,故在此不再逐一赘述。由此,通过在检测过程中针对未经篡改但经过常规图像处理操作情况下和经过篡改情况下不匹配特征点的分布特性模型这两者都进行比较,实现了double check(双重检测)的有益效果。
下面结合具体图示对上述的根据不匹配特征点的离散程度来确定待检测图像相对于原始图像是否存在篡改的篡改判定处理及其结果进行描述。
例如,如图3C所示,对原始图像进行模糊处理后的待检测图像中存在多个不匹配特征点,经过聚类处理后这些不匹配特征点形成了三个聚类,其中有三个聚类中心3-1,3-2和3-3,其余黑点表示不匹配特征点。基于这些聚类,通过例如上述(式2)、(式3)或者(式4)的处理,计算得到这些不匹配特征点的离散程度是比较大的,即上述(式2)、(式3)或(式4)计算得到的值大于预定阈值。因此,判断图3C所示的图像相对于原始图像不存在篡改,其不匹配特征点离散程度较大,属于对原始图像进行的常规操作。
如图4C所示,对原始图像进行压缩处理后的待检测图像中存在多个不匹配特征点,经过聚类处理后这些不匹配特征点没有形成聚类,图中黑点表示不匹配特征点。由于没有形成聚类,可知这些不匹配特征点的离散程度是较大的,因此可以直接判断图4C所示的图像相对于原始图像不存在篡改,属于对原始图像进行的常规操作。
如图5C所示,对原始图像进行旋转处理后的待检测图像中存在多个不匹配特征点,经过聚类处理后这些不匹配特征点形成了四个聚类,其中有四个聚类中心5-1,5-2,5-3和5-4,其余黑点表示不匹配特征点。基于这些聚类,通过例如上述(式2)、(式3)或(式4)的处理,计算得到这些不匹配特征点的离散程度是比较大的,即上述(式2)、(式3)或(式4)计算得到的值大于预定阈值。因此,判断图5C所示的图像相对于原始图像不存在篡改,其不匹配特征点离散程度较大,属于对原始图像进行的常规操作。
如图6C所示,对原始图像进行细小区域的篡改后的待检测图像中存在多个不匹配特征点,经过聚类处理后这些不匹配特征点形成了一个聚类,其中有一个聚类中心6-1,其余黑点表示不匹配特征点。基于该聚类,通过例如上述(式2)、(式3)或(式4)的处理,计算得到这些不匹配特征点的离散程度相对较小,即上述(式2)、(式3)或(式4)的计算得打的值小于预定阈值。因此,判断图6C所示的图像相对于原始图像存在篡改,其不匹配特征点离散程度较小,即密度较高。
如图7C所示,对原始图像进行模糊处理以及细小区域的篡改后的待检测图像中存在多个不匹配特征点,经过聚类处理后这些不匹配特征点形成了四个聚类,其中有四个聚类中心7-1,7-2,7-3和7-4,其余黑点表示不匹配特征点。基于这些聚类,通过例如上述(式2)、(式3)或(式4)的处理,计算得到这些不匹配特征点的离散程度相对较小,即上述(式2)、(式3)或(式4)计算得到的值小于预定阈值。因此,判断图7C所示的图像相对于原始图像存在篡改,其不匹配特征点离散程度较小,即密度较高。
如图8C所示,对原始图像进行压缩处理以及细小区域的篡改后的待检测图像中存在多个不匹配特征点,经过聚类处理后这些不匹配特征点形成了一个聚类,其中有一个聚类中心8-1,其余黑点表示不匹配特征点。基于这些聚类,通过例如上述(式2)、(式3)或(式4)的处理,计算得到这些不匹配特征点的离散程度相对较小,即上述(式2)、(式3)或(式4)计算得到的值小于预定阈值。因此,判断图8C所示的图像相对于原始图像存在篡改,其不匹配特征点离散程度较小,即密度较高。
如图9C所示,对原始图像进行旋转处理以及细小区域的篡改后的待检测图像中存在多个不匹配特征点,经过聚类处理后这些不匹配特征点形成了四个聚类,其中有四个聚类中心9-1,9-2,9-3和9-4,其余黑点表示不匹配特征点。基于这些聚类,通过例如上述(式2)、(式3)或(式4)的处理,计算得到这些不匹配特征点的离散程度相对较小,即上述(式2)、(式3)或(式4)计算得到的值小于预定阈值。因此,判断图9C所示的图像相对于原始图像存在篡改,其不匹配特征点离散程度较小,即密度较高。
本领域技术人员理理解,在获得上述图2C,3C,4C,5C,6C,7C,8C,9C中示出的不匹配特征点之后,也可以通过判断以各聚类中心为中心、预定大小的区域内的不匹配特征点的个数与预定阈值的关系来判断待检测图像中是否存在篡改。例如,只要有一个区域中不匹配特征点的个数超过预定阈值,就判定该待检测图像中存在篡改。
从上面的描述可以看到,本发明实施例所提供的能够识别图像中篡改的图像处理方法,对不匹配特征点进行聚类并通过这些不匹配特征点的分布特性来判断是否存在篡改。当以不匹配特征点的离散程度作为是否存在篡改的判断依据时,特别地,对于图像中的细小区域的篡改其不匹配特征点的离散程度很低,而常规操作常常涉及图像全局,其不匹配特征点的离散程度较高。据此,通过设定合理的阈值就可以高效准确地将对图像的篡改和常规操作区分开,在优选的实施例中尤其是可以识别出对图像细小区域的篡改。这种方法在不失鲁棒性的同时提高了识别篡改的能力,并且在优选的实施方式中确保能够识别出对细小区域的篡改。如上所述的,图像的细小区域往往也可能包含重要的语义信息,例如,交通图片中车牌拍照的数字,商品的商标,建筑的旗帜等标志性信息,因此准确地识别出对这种细小区域的篡改在实际应用是非常有意义的。在此,“细小区域”通常指的是图像中这样的区域:利用现有的图像处理方法不能识别出或者不能准确地识别出对于这些区域的篡改。例如,细小区域可以是图像中具有预定的小尺寸的区域。当然,本领域技术人员了解,根据实际应用场景不同,细小区域也可以具有其他不同的定义。
如图6A,7A,8A和9A所示,在这些图中都将如图2A所示原始图像中的直立杆上部的标识信息20(由虚线圆圈框出的)删除,而通过本发明实施例的图像处理方法可以准确地识别出这种对细小区域的篡改。
与上述防篡改图像处理方法相对应的,本发明的实施例还提供了一种防篡改的图像处理装置。图10示出了这种装置1000的结构简化图。如图所示,装置1000包括:特征表示获取单元1010,其被配置成分别获取原始图像的第一组鲁棒特征点的第一鲁棒特征表示以及待检测图像的第二组鲁棒特征点的第二鲁棒特征表示;匹配单元1020,其被配置成将第一鲁棒特征表示和第二鲁棒特征表示进行匹配,以便获得不匹配特征点;篡改判定单元1030,其被配置成基于不匹配特征点的分布特性来确定待检测图像相对于原始图像是否存在篡改。
如上所述,特征表示获取单元1010既可以从外部接收原始图像的第一鲁棒特征表示以及待检测图像的第二鲁棒特征表示,也可以自行生成这种第一和第二鲁棒特征表示。可替选地,特征表示获取单元1010可以从外部接收第一和第二鲁棒特征表示其中之一,而自行生成另外一个。
在一种具体实现方式中,例如可以通过提取原始图像和/或待检测图像的鲁棒特征点来生成上述第一和/或第二鲁棒特征表示。具体地,特征表示获取单元1010可以被配置成通过如下方式生成第一鲁棒特征表示和/或第二鲁棒特征表示:针对原始图像提取第一组鲁棒特征点,并对第一组鲁棒特征点进行处理以得到与第一组鲁棒特征点对应的第一鲁棒特征表示,和/或,针对待检测图像提取第二组鲁棒特征点,并对第二组鲁棒特征点进行处理以得到与第二组鲁棒特征点对应的第二鲁棒特征表示。
在特征表示获取单元1010可以自行生成第一鲁棒特征表示和/或第二鲁棒特征表示的情况下,如图11所示,根据图10中装置1000所包括的特征表示获取单元1010的一种具体实现方式,该特征表示获取单元1010包括:量化设置子单元1012,其被配置成分别对第一组和/或第二组鲁棒特征点进行聚类处理,针对每一个聚类、分别计算该聚类中所有特征点的每一维矢量的平均值,并根据该平均值设定与所述每一维矢量相关的至少两个量化区间,每个量化区间对应一个量化值;压缩子单元1014,其被配置成对于第一组和/或第二组鲁棒特征点中每个特征点的每一维矢量,根据该矢量落入哪个量化区间而为该矢量赋予与所落入的量化区间对应的量化值,以便分别对第一组和/或第二组鲁棒特征点进行压缩;以及,特征表示获取子单元1016,其被配置成生成经过压缩的第一组鲁棒特征点的第一鲁棒哈希值,作为与第一组鲁棒特征点对应的第一鲁棒特征表示,和/或,生成第二组鲁棒特征点的第二鲁棒哈希值,作为与第二组鲁棒特征点对应的第二鲁棒特征表示。
如图12所示,在图10中装置1000所包括的篡改判定单元1030的一种具体实现方式中,该篡改判定单元包括:第一聚类子单元1032,其被配置成将不匹配特征点进行聚类;聚类密度计算子单元1034,其被配置成计算聚类的密度;以及,第一篡改判定子单元1036,其被配置成如果聚类密度大于或者等于预定的第一阈值,则确定待检测图像相对于原始图像存在篡改。第一聚类子单元1034可以被配置成例如按照上述(式1)-(式4)的方法计算聚类密度。
如图13所示,在图10中装置1000所包括的篡改判定单元1030的另一种具体实现方式中,该篡改判定单元1030包括:第二聚类子单元1038,其被配置成将不匹配特征点进行聚类;以及,第二篡改判定子单元1040,其被配置成如果所有聚类中存在至少一个如下的聚类,则确定待检测图像相对于原始图像存在篡改:以该聚类的聚类中心为中心、预定大小的区域中不匹配特征点的数量大于预定的第二阈值。
如图14所示,在图10中装置1000所包括的篡改判定单元1030的另一种具体实现方式中,该篡改判定单元1030包括:不匹配特征点分布情况确定子单元1042,其被配置成确定第一组鲁棒特征点在原始图像中的原始特征点分布情况,以及,确定不匹配特征点在待检测图像中的不匹配特征点分布情况;以及,第三篡改判定子单元1044,其被配置成将原始特征点分布情况与不匹配特征点分布情况进行比较,如果比较结果指示原始特征点分布情况与不匹配特征点分布情况之间的差异在第一预定范围之内,则判定待检测图像相对于原始图像不存在篡改,否则,判定待检测图像相对于原始图像存在篡改。
如图15所示,在图10中装置1000所包括的篡改判定单元1030的另一种具体实现方式中,该篡改判定单元1030包括:不匹配特征点分布特性模型比较子单元1046,其被配置成将不匹配特征点的分布特性模型与预先构建的、未经篡改但经过常规图像处理操作和/或经过篡改情况下不匹配点的分布特性模型进行比较;以及,第四篡改判定子单元1048,其被配置成进行如下操作:如果不匹配特征点的分布特性模型与未经篡改但经过常规图像处理操作情况下不匹配点的分布特性模型之间的差异在第二预定范围之内,则判定待检测图像相对于原始图像不存在篡改,否则,判定待检测图像相对于原始图像存在篡改;和/或,如果不匹配特征点的分布特性模型与经过篡改情况下不匹配点的分布特性模型之间的差异在第三预定范围之内,则判定待检测图像相对于原始图像存在篡改,否则,判定待检测图像相对于原始图像不存在篡改。
上述图10-15中示出的装置1000及其各组成单元例如可以被配置成执行上面参照图1-9描述的根据本发明实施例的防篡改的图像处理方法,并且可以获得相应的技术益处。具体细节可以参见上面的相关描述,在此不再逐一赘述。
由于根据本发明实施例的防篡改的图像处理技术的上述特点和所能带来的技术益处,可以在实际应用中将这种防篡改的图像处理技术应用于新闻图片的出版发行过程。在新闻图片的出版发行过程中,常常需要进行各种常规编辑操作。新闻图片常常包含重要但常常细小的图像信息,如用于标识主体身份的旗帜等。在该新闻图片出版发行时,新闻编辑者可以通过上述防篡改的图像处理技术来识别和验证该新闻图片是否经受了篡改,尤其是对细小区域的篡改,从而判定该新闻图片是否具有符合要求的完整性。
在另一种应用场景中,可以将根据本发明实施例的防篡改的图像处理技术应用于智能交通监控***中的违章画面的完整性保护和验证。交通执法中常常需要对事故现场进行拍照以作为后续的证据。如车辆违章通过路口时,路口的监控摄像头会拍摄违章画面。该图像在后续的传输,存储中可能被实施压缩,放大等操作。而违章画面中的车牌信息是重要但常常细小的图像信息。通过上述根据本发明实施例的防篡改的图像处理技术,可以确保事后被用作证据的违章画面不存在对违章画面的篡改,尤其是没有对关键信息,例如违章画面中的车牌信息的篡改。
在又一种应用场景中,可以将根据本发明实施例的防篡改的图像处理技术应用于网站应用中,提供图片防篡改保护。现有搜索引擎可以根据已有的图片反向搜索出相似的图片。这一功能可以用于网站站长,摄影师,设计师等,查找哪些网站使用或者转载了自己的图片。在这种应用场景中,转载者对图片作局部小的恶意篡改,从而改变图片的语义。现有方法通常不能识别出这些小的恶意篡改。
在此需要指出的是,根据本发明上述各实施例的装置、设备、***的各构成部件以及方法的系列处理都可以通过硬件、软件和/或固件实现。在通过软件和/或固件实现的情况下,例如可以从存储介质或网络向具有专用硬件结构的计算机,例如图16所示的通用个人计算机1600安装构成该软件的程序,该计算机在安装有各种程序时,能够执行上述实施例中描述的各种功能和处理等等,因而构成能够实现根据本发明实施例的防篡改的图像处理方法和播放方法的信息处理设备的例子。
如图16所示,中央处理单元(CPU)1601根据只读存储器(ROM)1602中存储的程序或从存储部分1608加载到随机存取存储器(RAM)1603的程序执行各种处理。在RAM 1603中,也根据需要存储当CPU 1601执行各种处理等等时所需的数据。
CPU 1601、ROM 1602和RAM 1603经由总线1604彼此连接。输入/输出接口1605也连接到总线1604。
下述部件连接到输入/输出接口1605:输入部分1606,包括键盘、鼠标等等;输出部分1607,包括显示器,比如阴极射线管(CRT)、液晶显示器(LCD)等等,和扬声器等等;存储部分1608,包括硬盘等等;和通信部分1609,包括网络接口卡比如LAN卡、调制解调器等等。通信部分1609经由网络比如因特网执行通信处理。
根据需要,驱动器1610也连接到输入/输出接口1605。可拆卸介质1611比如磁盘、光盘、磁光盘、半导体存储器等等根据需要被安装在驱动器1610上,使得从中读出的计算机程序根据需要被安装到存储部分1608中。
在通过软件实现上述系列处理的情况下,从网络例如因特网或存储介质例如可拆卸介质1611安装构成软件的程序。
本领域的技术人员应当理解,这种存储介质不局限于图16所示的其中存储有程序、与设备相分离地分发以向用户提供程序的可拆卸介质1611。可拆卸介质1611的例子包含磁盘(包含软盘(注册商标))、光盘(包含光盘只读存储器(CD-ROM)和数字通用盘(DVD))、磁光盘(包含迷你盘(MD)(注册商标))和半导体存储器。或者,存储介质可以是ROM 1602、存储部分1608中包含的硬盘等等,其中存有程序,并且与包含它们的设备一起被分发给用户。
可见,本发明实施例还公开了一种存储有机器可读取的指令代码的程序产品,这种指令代码由机器读取并执行时,可执行本发明前述实施例的防篡改的图像处理方法。同时本发明实施例还公开了一种存储介质,其承载有机器可读取的指令代码,所述指令代码由机器读取并执行时,可执行本发明前述实施例的防篡改的图像处理方法。
在上面对本发明具体实施例的描述中,针对一种实施方式描述和/或示出的特征可以以相同或类似的方式在一个或更多个其它实施方式中使用,与其它实施方式中的特征相组合,或替代其它实施方式中的特征。
应该强调,术语“包括/包含”在本文中使用时指特征、要素、步骤或组件的存在,但并不排除一个或更多个其它特征、要素、步骤或组件的存在或附加。涉及序数的术语“第一”,“第二”等并不表示这些术语所限定的特征、要素、步骤或组件的实施顺序或者重要性程度,而仅仅是为了描述清楚起见而用于在这些特征、要素、步骤或组件之间进行标识。
此外,根据本发明的各实施例的方法和处理不限于按照说明书中描述的时间顺序来执行,也可以按照其他的时间顺序地、并行地或独立地执行。因此,本说明书中描述的各种方法和处理的执行顺序不对本发明的技术范围构成限制。
尽管上面已经通过对本发明的具体实施例的描述对本发明进行了披露,但是应该理解,上述的所有实施例和示例均是示例性的,而非限制性的。本领域的技术人员可在所附权利要求的精神和范围内设计对本发明的各种修改、改进或者等同物。这些修改、改进或者等同物也应当被认为包括在本发明的保护范围内。
Claims (20)
1.一种防篡改的图像处理方法,包括:
分别获取原始图像的第一组鲁棒特征点的第一鲁棒特征表示,以及待检测图像的第二组鲁棒特征点的第二鲁棒特征表示;
将所述第一鲁棒特征表示和所述第二鲁棒特征表示进行匹配,以便获得不匹配特征点;以及
基于所述不匹配特征点的分布特性来确定所述待检测图像相对于所述原始图像是否存在篡改。
2.如权利要求1所述的防篡改的图像处理方法,其中,分别获取第一鲁棒特征表示和第二鲁棒特征表示包括通过如下方式生成第一鲁棒特征表示和/或第二鲁棒特征表示:
针对所述原始图像提取所述第一组鲁棒特征点,并对所述第一组鲁棒特征点进行处理以得到与所述第一组鲁棒特征点对应的第一鲁棒特征表示,和/或,针对所述待检测图像提取所述第二组鲁棒特征点,并对所述第二组鲁棒特征点进行处理以得到与所述第二组鲁棒特征点对应的第二鲁棒特征表示。
3.如权利要求2所述的防篡改的图像处理方法,其中,对第一组和/或第二组鲁棒特征点进行处理以得到第一和/或第二鲁棒特征表示包括:
分别对第一组和/或第二组鲁棒特征点进行聚类,针对每一个聚类、分别计算该聚类中所有特征点的每一维矢量的平均值,并根据所述平均值设定与所述每一维矢量相关的至少两个量化区间,每个量化区间对应一个量化值;
对于所述第一组和/或第二组鲁棒特征点中每个特征点的每一维矢量,根据所述矢量落入哪个量化区间而为该矢量赋予与所落入的量化区间对应的量化值,以便分别对所述第一组和/或第二组鲁棒特征点进行压缩;以及
生成经过压缩的第一组鲁棒特征点的第一鲁棒哈希值,作为与所述第一组鲁棒特征点对应的第一鲁棒特征表示,和/或生成经过压缩的第二组鲁棒特征点的第二鲁棒哈希值,作为与所述第二组鲁棒特征点对应的第二鲁棒特征表示。
4.如权利要求3所述的防篡改的图像处理方法,其中,
根据平均值设定至少两个量化区间包括:根据所述第一组和/或第二组鲁棒特征点中每个特征点的每一维矢量的平均值,分别设定与所述每一维矢量相关的、大于所述平均值的第一量化区间和小于等于所述平均值的第二量化区间;以及
分别对第一组和/或第二组鲁棒特征点进行压缩包括:对于所述第一组和/或第二组鲁棒特征点中每个特征点的每一维矢量,如果所述矢量的值落入与该矢量相关的第一量化区间中,则将该矢量量化为1,否则,将该矢量量化为0。
5.如权利要求1-4中任一项所述的防篡改的图像处理方法,其中,所述不匹配特征点的分布特性包括所述不匹配特征点的离散程度。
6.如权利要求5所述的防篡改的图像处理方法,其中,基于不匹配特征点的分布特性来确定所述待检测图像相对于所述原始图像是否存在篡改包括:
对所述不匹配特征点进行聚类处理;
根据聚类处理得到的聚类计算聚类密度;以及
如果聚类密度大于或者等于预定的第一阈值,则确定所述待检测图像相对于所述原始图像存在篡改。
7.如权利要求6所述的防篡改的图像处理方法,其中,所述聚类密度通过如下方式来计算:
针对所述不匹配特征点的每一个聚类,计算该聚类中每个特征点到聚类中心的距离;
根据计算得到的每一个距离、求取与所有聚类内的至少一部分特征点的距离相关的加权平均值,作为与所有聚类对应的聚类密度。
9.如权利要求5所述的防篡改的图像处理方法,其中,基于不匹配特征点的分布特性来确定所述待检测图像相对于所述原始图像是否存在篡改包括:
对所述不匹配特征点进行聚类处理;
如果所有聚类中存在至少一个如下的聚类,则确定所述待检测图像相对于所述原始图像存在篡改:以该聚类的聚类中心为中心、预定大小的区域中不匹配特征点的数量大于预定的第二阈值。
10.如权利要求1-4中任一项所述的防篡改的图像处理方法,其中,基于不匹配特征点的分布特性来确定所述待检测图像相对于所述原始图像是否存在篡改包括:
确定所述第一组鲁棒特征点在所述原始图像中的原始特征点分布情况,以及,确定所述不匹配特征点在所述待检测图像中的不匹配特征点分布情况;以及
将所述原始特征点分布情况与所述不匹配特征点分布情况进行比较,如果比较结果指示所述原始特征点分布情况与所述不匹配特征点分布情况之间的差异在第一预定范围之内,则判定所述待检测图像相对于所述原始图像不存在篡改,否则,判定所述待检测图像相对于所述原始图像存在篡改。
11.如权利要求1-4中任一项所述的防篡改的图像处理方法,其中,基于不匹配特征点的分布特性来确定所述待检测图像相对于所述原始图像是否存在篡改包括:
将所述不匹配特征点的分布特性模型与预先构建的、未经篡改但经过常规图像处理操作和/或经过篡改情况下不匹配点的分布特性模型进行比较;
如果所述不匹配特征点的分布特性模型与未经篡改但经过常规图像处理操作情况下不匹配点的分布特性模型之间的差异在第二预定范围之内,则判定所述待检测图像相对于所述原始图像不存在篡改,否则,判定所述待检测图像相对于所述原始图像存在篡改;和/或
如果所述不匹配特征点的分布特性模型与经过篡改情况下不匹配点的分布特性模型之间的差异在第三预定范围之内,则判定所述待检测图像相对于所述原始图像存在篡改,否则,判定所述待检测图像相对于所述原始图像不存在篡改。
12.一种防篡改的图像处理装置,包括:
特征表示获取单元,其被配置成分别获取原始图像的第一组鲁棒特征点的第一鲁棒特征表示以及待检测图像的第二组鲁棒特征点的第二鲁棒特征表示;
匹配单元,其被配置成将所述第一鲁棒特征表示和所述第二鲁棒特征表示进行匹配,以便获得不匹配特征点;以及
篡改判定单元,其被配置成基于所述不匹配特征点的分布特性来确定所述待检测图像相对于所述原始图像是否存在篡改。
13.如权利要求12所述的防篡改的图像处理装置,其中,所述特征表示获取单元被配置成通过如下方式生成第一鲁棒特征表示和/或第二鲁棒特征表示:
针对原始图像提取所述第一组鲁棒特征点,并对所述第一组鲁棒特征点进行处理以得到与所述第一组鲁棒特征点对应的第一鲁棒特征表示,和/或,针对待检测图像提取所述第二组鲁棒特征点,并对所述第二组鲁棒特征点进行处理以得到与所述第二组鲁棒特征点对应的第二鲁棒特征表示。
14.如权利要求13所述的防篡改的图像处理装置,其中,所述特征表示获取单元包括:
量化设置子单元,其被配置成分别对第一组和/或第二组鲁棒特征点进行聚类,针对每一个聚类、分别计算该聚类中所有特征点的每一维矢量的平均值,并根据所述平均值设定与所述每一维矢量相关的至少两个量化区间,每个量化区间对应一个量化值;
压缩子单元,其被配置成对于所述第一组和/或第二组鲁棒特征点中每个特征点的每一维矢量,根据所述矢量落入哪个量化区间而为该矢量赋予与所落入的量化区间对应的量化值,以便分别对所述第一组和/或第二组鲁棒特征点进行压缩;以及
特征表示获取子单元,其被配置成生成经过压缩的第一组鲁棒特征点的第一鲁棒哈希值,作为与所述第一组鲁棒特征点对应的第一鲁棒特征表示,和/或生成经过压缩的第二组鲁棒特征点的第二鲁棒哈希值,作为与所述第二组鲁棒特征点对应的第二鲁棒特征表示。
15.如权利要求14所述的防篡改的图像处理装置,其中,
量化设置子单元被配置成根据所述第一组和/或第二组鲁棒特征点中每个特征点的每一维矢量的平均值,分别设定与所述每一维矢量相关的、大于所述平均值的第一量化区间和小于等于所述平均值的第二量化区间;以及
所述压缩子单元被配置成通过如下方式分别对第一组和/或第二组鲁棒特征点进行压缩:
对于所述第一组和/或第二组鲁棒特征点中每个特征点的每一维矢量,如果所述矢量的值落入与该矢量相关的第一量化区间中,则将该矢量量化为1,否则,将该矢量量化为0。
16.如权利要求12-15中任一项所述的图像处理方法,其中,所述不匹配特征点的分布特性包括所述不匹配特征点的离散程度。
17.如权利要求16所述的防篡改的图像处理装置,其中,所述篡改判定单元包括:
第一聚类子单元,其被配置成对所述不匹配特征点进行聚类处理;
聚类密度计算子单元,其被配置成根据由第一聚类子单元获得的聚类来计算聚类密度;以及
第一篡改判定子单元,其被配置成如果聚类密度大于或者等于预定的第一阈值,则确定所述待检测图像相对于所述原始图像存在篡改。
18.如权利要求17所述的防篡改的图像处理装置,其中,所述聚类密度计算子单元通过如下方式来计算聚类密度:
针对所述不匹配特征点的每一个聚类,计算该聚类中每个特征点到聚类中心的距离;
根据计算得到的每一个距离、求取与所有聚类内的至少一部分特征点的距离相关的加权平均值,作为与所有聚类对应的聚类密度。
20.如权利要求16所述的防篡改的图像处理装置,其中,所述篡改判定单元包括:
第二聚类子单元,其被配置成对所述不匹配特征点进行聚类处理;
第二篡改判定子单元,其被配置成如果所有聚类中存在至少一个如下的聚类,则确定所述待检测图像相对于所述原始图像存在篡改:以该聚类的聚类中心为中心、预定大小的区域中不匹配特征点的数量大于预定的第二阈值。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110234927.8A CN102930493B (zh) | 2011-08-12 | 2011-08-12 | 防篡改的图像处理方法和装置 |
US13/559,985 US20130039588A1 (en) | 2011-08-12 | 2012-07-27 | Image processing method and apparatus for tamper proofing |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110234927.8A CN102930493B (zh) | 2011-08-12 | 2011-08-12 | 防篡改的图像处理方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102930493A true CN102930493A (zh) | 2013-02-13 |
CN102930493B CN102930493B (zh) | 2017-08-08 |
Family
ID=47645284
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201110234927.8A Expired - Fee Related CN102930493B (zh) | 2011-08-12 | 2011-08-12 | 防篡改的图像处理方法和装置 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20130039588A1 (zh) |
CN (1) | CN102930493B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103927709B (zh) * | 2014-03-19 | 2017-06-06 | 西安电子科技大学昆山创新研究院 | 一种基于特征区域几何优化的鲁棒可逆水印嵌入和提取方法 |
CN109859142A (zh) * | 2019-02-19 | 2019-06-07 | 广州视源电子科技股份有限公司 | 图像亮度的调节方法、装置、计算机设备和存储介质 |
CN110895811A (zh) * | 2019-11-05 | 2020-03-20 | 泰康保险集团股份有限公司 | 一种图像篡改检测方法和装置 |
CN111133449A (zh) * | 2017-09-22 | 2020-05-08 | 真视野股份有限公司 | 篡改激活的可认证安全设备 |
Families Citing this family (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160379330A1 (en) | 2013-06-21 | 2016-12-29 | Signs & Wonders Unlimited, Llc | Method and apparatus for protecting digital photos from alteration |
US9384520B2 (en) | 2013-06-21 | 2016-07-05 | Signs & Wonders Unlimited, Llc | System and method for encoding and authenticating a digital image |
DE102015209186A1 (de) * | 2015-05-20 | 2016-12-08 | Bayerische Motoren Werke Aktiengesellschaft | Verfahren zur Ermittlung einer Beschreibung eines Fahrstreifens |
CN109903302B (zh) * | 2015-06-25 | 2022-11-04 | 北京影谱科技股份有限公司 | 一种用于拼接图像的篡改检测方法 |
CN108986008A (zh) * | 2017-06-01 | 2018-12-11 | ***通信集团重庆有限公司 | 图像数据处理方法、装置和设备 |
CN108875814B (zh) * | 2018-06-04 | 2022-07-26 | 联想(北京)有限公司 | 图片检索方法、装置及电子设备 |
JP7218535B2 (ja) * | 2018-10-12 | 2023-02-07 | トヨタ自動車株式会社 | 交通違反車両識別システム及びサーバ |
US11373228B2 (en) | 2019-01-31 | 2022-06-28 | Walmart Apollo, Llc | System and method for determining substitutes for a requested product |
US11373231B2 (en) * | 2019-01-31 | 2022-06-28 | Walmart Apollo, Llc | System and method for determining substitutes for a requested product and the order to provide the substitutes |
CN109919927B (zh) * | 2019-03-06 | 2022-12-16 | 辽宁师范大学 | 基于快速四元数极谐变换的多对象篡改检测方法 |
US10928186B2 (en) * | 2019-04-02 | 2021-02-23 | Premier Innovations, LLC | System and method for thickness measurement in tortilla production |
CN111047579B (zh) * | 2019-12-13 | 2023-09-05 | 中南大学 | 一种特征质量评估方法及图像特征均匀提取方法 |
CN111191636B (zh) * | 2020-02-17 | 2023-04-18 | 北京同方凌讯科技有限公司 | 一种基于图像色量分布和矩的融媒体播出一致性检测方法 |
CN111429337B (zh) * | 2020-02-28 | 2022-06-21 | 上海电力大学 | 基于变换域和形状特征的图像哈希获取方法 |
EP3933690A1 (en) * | 2020-06-30 | 2022-01-05 | Sick IVP AB | Generation of a second object model based on a first object model for use in object matching |
CN112561907B (zh) * | 2020-12-24 | 2022-11-01 | 南开大学 | 一种基于双流网络的视频篡改操作检测方法及装置 |
CN115063810A (zh) * | 2022-06-24 | 2022-09-16 | 联仁健康医疗大数据科技股份有限公司 | 文本检测方法、装置、电子设备和存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1858799A (zh) * | 2005-05-08 | 2006-11-08 | 中国科学院计算技术研究所 | 一种数字图像哈希签名方法 |
CN101853486A (zh) * | 2010-06-08 | 2010-10-06 | 华中科技大学 | 一种基于局部数字指纹的图像拷贝检测方法 |
CN101964041A (zh) * | 2010-09-25 | 2011-02-02 | 合肥工业大学 | 一种基于感知哈希的实用安全图像取证***及其取证方法 |
WO2011069021A2 (en) * | 2009-12-02 | 2011-06-09 | Qualcomm Incorporated | Improving performance of image recognition algorithms by pruning features, image scaling, and spatially constrained feature matching |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040128511A1 (en) * | 2000-12-20 | 2004-07-01 | Qibin Sun | Methods and systems for generating multimedia signature |
US6831990B2 (en) * | 2001-01-02 | 2004-12-14 | The United States Of America As Represented By The Secretary Of The Army | System and method for image tamper detection via thumbnail hiding |
EP1850270B1 (en) * | 2006-04-28 | 2010-06-09 | Toyota Motor Europe NV | Robust interest point detector and descriptor |
EP2315161A1 (en) * | 2006-10-11 | 2011-04-27 | Mitsubishi Electric Information Technology Centre Europe B.V. | Image descriptor for image recognition |
US8285118B2 (en) * | 2007-07-16 | 2012-10-09 | Michael Bronstein | Methods and systems for media content control |
US8189945B2 (en) * | 2009-05-27 | 2012-05-29 | Zeitera, Llc | Digital video content fingerprinting based on scale invariant interest region detection with an array of anisotropic filters |
US8488883B2 (en) * | 2009-12-28 | 2013-07-16 | Picscout (Israel) Ltd. | Robust and efficient image identification |
US8483427B2 (en) * | 2010-09-28 | 2013-07-09 | Futurewei Technologies, Inc. | System and method for image authentication |
-
2011
- 2011-08-12 CN CN201110234927.8A patent/CN102930493B/zh not_active Expired - Fee Related
-
2012
- 2012-07-27 US US13/559,985 patent/US20130039588A1/en not_active Abandoned
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1858799A (zh) * | 2005-05-08 | 2006-11-08 | 中国科学院计算技术研究所 | 一种数字图像哈希签名方法 |
WO2011069021A2 (en) * | 2009-12-02 | 2011-06-09 | Qualcomm Incorporated | Improving performance of image recognition algorithms by pruning features, image scaling, and spatially constrained feature matching |
CN101853486A (zh) * | 2010-06-08 | 2010-10-06 | 华中科技大学 | 一种基于局部数字指纹的图像拷贝检测方法 |
CN101964041A (zh) * | 2010-09-25 | 2011-02-02 | 合肥工业大学 | 一种基于感知哈希的实用安全图像取证***及其取证方法 |
Non-Patent Citations (3)
Title |
---|
VISHAL MONGA,ET AL。: "A Clustering Based Approach to Perceptual Image Hashing", 《IEEE TRANS. ON INFORMATION FORENSICS AND SECURITY》 * |
VISHAL MONGA等: "PerceptualImage Hashing Via Feature Points:Performance Evaluation and Tradeoffs", 《IEEE TRANSACTIONS ON IMAGE PROCESSING》 * |
孙锐等: "一种用于图像认证的感知哈希方法", 《***仿真学报》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103927709B (zh) * | 2014-03-19 | 2017-06-06 | 西安电子科技大学昆山创新研究院 | 一种基于特征区域几何优化的鲁棒可逆水印嵌入和提取方法 |
CN111133449A (zh) * | 2017-09-22 | 2020-05-08 | 真视野股份有限公司 | 篡改激活的可认证安全设备 |
CN111133449B (zh) * | 2017-09-22 | 2023-12-01 | 真视野股份有限公司 | 篡改激活的可认证安全设备 |
CN109859142A (zh) * | 2019-02-19 | 2019-06-07 | 广州视源电子科技股份有限公司 | 图像亮度的调节方法、装置、计算机设备和存储介质 |
CN109859142B (zh) * | 2019-02-19 | 2021-06-22 | 广州视源电子科技股份有限公司 | 图像亮度的调节方法、装置、计算机设备和存储介质 |
CN110895811A (zh) * | 2019-11-05 | 2020-03-20 | 泰康保险集团股份有限公司 | 一种图像篡改检测方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
US20130039588A1 (en) | 2013-02-14 |
CN102930493B (zh) | 2017-08-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102930493A (zh) | 防篡改的图像处理方法和装置 | |
Zhu et al. | Bag-of-visual-words scene classifier with local and global features for high spatial resolution remote sensing imagery | |
Pun et al. | A two-stage localization for copy-move forgery detection | |
Al-Qershi et al. | Evaluation of copy-move forgery detection: datasets and evaluation metrics | |
CN107622489B (zh) | 一种图像篡改检测方法及装置 | |
CN102176208B (zh) | 基于三维空时特征的鲁棒视频指纹方法 | |
Türkyılmaz et al. | License plate recognition system using artificial neural networks | |
CN106228129A (zh) | 一种基于matv特征的人脸活体检测方法 | |
CN102236675A (zh) | 图像特征点匹配对处理、图像检索方法及设备 | |
CN111797829A (zh) | 一种车牌检测方法、装置、电子设备和存储介质 | |
CN108875727B (zh) | 图文标识的检测方法及装置、存储介质、处理器 | |
Li et al. | Keypoint-based copy-move detection scheme by adopting MSCRs and improved feature matching | |
CN103839074B (zh) | 一种基于素描线段信息和空间金字塔匹配的图像分类方法 | |
CN112528934A (zh) | 一种基于多尺度特征层的改进型YOLOv3的交通标志检测方法 | |
CN103093243A (zh) | 高分辨率全色遥感图像云判方法 | |
CN115392937A (zh) | 一种用户欺诈风险识别方法、装置、电子设备及存储介质 | |
CN113158954B (zh) | 交通非现场的基于ai技术的斑马线区域自动检测方法 | |
CN114140670A (zh) | 基于外源特征进行模型所有权验证的方法和装置 | |
CN113962324A (zh) | 图片检测方法、装置、存储介质及电子设备 | |
CN103426140A (zh) | 图像防篡改验证方法和装置,以及图像防篡改方法和*** | |
CN112836636A (zh) | 一种签字图像真伪鉴别方法及装置 | |
CN110929613A (zh) | 一种智能交通违法审核的图像筛选算法 | |
CN114724128B (zh) | 一种车牌识别方法、装置、设备和介质 | |
CN115546762A (zh) | 图像聚类方法、装置、存储介质及服务器 | |
CN110674334B (zh) | 基于一致性区域深度学习特征的近重复图像检索方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170808 |