CN111754441B - 一种图像复制粘贴伪造被动检测方法 - Google Patents
一种图像复制粘贴伪造被动检测方法 Download PDFInfo
- Publication number
- CN111754441B CN111754441B CN202010606073.0A CN202010606073A CN111754441B CN 111754441 B CN111754441 B CN 111754441B CN 202010606073 A CN202010606073 A CN 202010606073A CN 111754441 B CN111754441 B CN 111754441B
- Authority
- CN
- China
- Prior art keywords
- image
- sub
- suspected
- fake
- features
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 41
- 238000005242 forging Methods 0.000 title claims description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000010586 diagram Methods 0.000 claims description 28
- 238000000034 method Methods 0.000 claims description 24
- 238000000605 extraction Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 11
- 238000012216 screening Methods 0.000 claims description 10
- 230000000877 morphologic effect Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 5
- 238000013016 damping Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 2
- 230000006835 compression Effects 0.000 description 4
- 238000007906 compression Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000013519 translation Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000011895 specific detection Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明涉及一种图像复制粘贴伪造被动检测方法,包括以下步骤:输入待检测伪造图像,并对该待检测伪造图像进行预处理;基于自选择子图像方式,从预处理后的待检测伪造图像中获取疑似伪造子图像;采用改进的PCNN,从疑似伪造子图像中提取特征;通过双特征匹配方式,结合多个疑似伪造子图像的特征,在待检测伪造图像中定位得到图像伪造区域,其中,图像伪造区域包括复制区域和粘贴区域。与现有技术相比,本发明采用自选择子图像方式,并通过改进PCNN,能够加快检测速度,且能提取出鲁棒性高的特征,从而提高了复制粘贴图像伪造检测的效率及准确性。
Description
技术领域
本发明涉及图像取证伪造检测技术领域,尤其是涉及一种图像复制粘贴伪造被动检测方法。
背景技术
随着5G技术的发展,互联网数字媒体应用的越来越广泛,数字图像的安全性和真实性日益受到关注。现有的图像编辑软件,如Photoshop,功能强大,可以使得数字图像以极低的代价被轻易地伪造而不留下任何痕迹。复制粘贴伪造是最为常见的一种伪造类型,它是将图像的一部分进行复制,然后粘贴到该图像的其他位置,以达到隐藏或加倍重要信息的目的。
图像复制粘贴伪造检测技术可分为主动检测和被动检测(即盲检测)两大类。主动检测需要在图像建立时主动对图像进行预处理,如在图像中嵌入特征信息,这些特征信息是具有特定意义的水印或图像等,检测时会对嵌入信息的完整性进行验证,从而判断图像是否发生伪造。而被动检测则不需要事先为图像添加任何特征信息,仅凭借图像本身的统计信息或物理特性便可达到伪造检测的目的。考虑到大部分图像在被伪造前不会进行特征嵌入等操作的实际应用场景,而且嵌入特征信息增加了伪造检测的工作量。因此,主动检测具有很强的局限性,被动检测逐渐成为研究的热点。
近些年,提出了许多图像复制粘贴伪造检测方法,大致可分为两类:点方法和块方法。点方法是通过提取图像稀疏特征点来检测伪造,块方法是通过提取图像块密集特征信息来检测伪造。不论是点方法还是块方法,在复制粘贴伪造检测中,特征信息的提取是保证检测结果准确性的关键,现有技术为提高特征提取的可靠性,往往事先寻找到适应性很强的分割参数,以将整个图像分重叠块,这种方式会增加特征提取的工作量、降低检测效率。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种图像复制粘贴伪造被动检测方法,以实现高效、准确检测的目的。
本发明的目的可以通过以下技术方案来实现:一种图像复制粘贴伪造被动检测方法,包括以下步骤:
S1、输入待检测伪造图像,并对该待检测伪造图像进行预处理;
S2、基于自选择子图像方式,从预处理后的待检测伪造图像中获取疑似伪造子图像;
S3、采用改进的PCNN(Pulse Coupled Neural Network,脉冲耦合神经网络),从疑似伪造子图像中提取特征;
S4、通过双特征匹配方式,结合步骤S3中提取的特征,在待检测伪造图像中定位得到图像伪造区域,其中,图像伪造区域包括复制区域和粘贴区域。
进一步地,所述步骤S1中预处理过程具体为:
S11、对待检测伪造图像进行灰度化处理,得到对应的灰度图;
S12、对灰度图进行高斯滤波去噪,得到去噪后的灰度图。
进一步地,所述步骤S2具体包括以下步骤:
S21、根据预设的像素值阈值,对去噪后的灰度图进行二值化处理;
S22、对二值化处理后的图像进行形态学开操作,以消除图像中细小的目标、分离不必要的连通域、平滑较大目标的边界;
S23、对形态学开操作后的图像进行轮廓提取,得到多个疑似伪造区域的轮廓;
S24、从多个疑似伪造区域的轮廓中筛选得到疑似伪造区域的优选轮廓;
S25、对各疑似伪造区域的优选轮廓分别画出边界框,以作为各疑似伪造子图像。
进一步地,所述步骤S24具体包括以下步骤:
S241、根据层级结构,从多个疑似伪造区域的轮廓中删除无用轮廓,筛选得到既无子轮廓又无父轮廓的轮廓;
S242、根据预设的轮廓边长阈值范围,进一步从步骤S241筛选得到的轮廓中删除无用轮廓,以得到疑似伪造区域的优选轮廓。
进一步地,所述步骤S242中轮廓边长阈值范围具体为0.5Cav~1.5Cav,其中,Cav为全部既无子轮廓又无父轮廓的轮廓边长平均值。
进一步地,所述步骤S3具体包括以下步骤:
S31、将疑似伪造子图像分离为B、G和R三个通道,得到对应的B、G和R三通道图像矩阵;
S32、将疑似伪造子图像对应的B、G和R三通道图像矩阵输入改进的PCNN中,以分别提取B、G和R三个通道特征信息;
S33、对提取的B、G和R三个通道特征信息进行连接,即得到疑似伪造子图像的特征。
进一步地,所述步骤S32中改进的PCNN包括连接单元、馈入单元、内部状态单元和脉冲发生单元,所述连接单元和馈入单元分别连接至内部状态单元,所述内部状态单元连接至脉冲发生单元,其中,所述连接单元具体为:
其中,L[n]为连接单元的前一次的连接状态,L[n+1]为后一次的连接状态,为连接单元衰减常数,VL为规则化常量,Y[n]为前一次迭代的输出,W为权重矩阵;
所述馈入单元具体为:
其中,F[n]为馈入单元的前一次的馈入状态,F[n+1]为后一次的馈入状态,为馈入单元衰减常数,VF为规则化常量,Y[n]为前一次迭代的输出,G为权重矩阵,I为输入图像像素矩阵;
所述内部状态单元具体为:
U[n+1]=F[n+1](1+βL[n+1])
其中,U[n+1]为每次迭代的内部状态,F[n+1]和L[n+1]分别为对应迭代次数的馈入状态和连接状态,β为连接系数;
所述脉冲发生单元具体为:
其中,Y[n+1]为后一次迭代的输出,U[n+1]为对应迭代次数的内部状态,Θ[n]为前一次迭代过程的动态阈值,Θ[n+1]为后一次迭代过程的动态阈值,为动态阈值衰减常数,VΘ为规则化常量,Y[n]为前一次迭代的输出。
进一步地,所述步骤S32具体包括以下步骤:
S321、设置改进PCNN的内部神经元参数;
S322、设定提取的特征形式为时间信号:
T[n]=∑Y[n]
其中,T[n]为时间信号,Y[n]为改进PCNN每次迭代的输出;
S323、设定迭代次数n,将R、G和B三通道图像矩阵输入改进PCNN,不断进行迭代,记录每次迭代后的时间信号,最终输出迭代次数与时间信号波形图作为对每个通道提取的特征。
进一步地,所述步骤S33具体包括以下步骤:
S331、将G和R两个通道的波形图特征的第一次迭代信息删除;
S332、按照B、G和R的顺序,将B通道的波形图特征与删除第一次迭代信息后G和R通道的波形图特征进行连接,得到一个包含B、G和R三个通道信息的迭代次数和时间信号的波形图特征,即为疑似伪造子图像的特征。
进一步地,所述步骤S4具体包括以下步骤:
S41、通过双特征匹配方式,根据特征相近度计算,从多个疑似伪造子图像的特征中筛选得到最相近的两个特征,以得到对应的最相近的两个疑似伪造子图像,其中,双特征匹配方式包括:
a、采用欧式距离匹配特征波形图的峰值,欧式距离越小,则两个特征就越相似:
xi∈X,yi∈Y
其中,dist(X,Y)为X和Y的欧式距离,X和Y分别是两个待匹配的特征,xi和yi分别是X和Y的第i个峰值;
b、采用Jaccard度量匹配特征波形图峰值对应的迭代次数,Jaccard度量越大,则两个特征就越相似,
其中,sim(X,Y)为X和Y的Jaccard度量值;
所述相近度计算公式具体为:
S(X,Y)=0.5*(1-dist(X,Y))+0.5*sim(X,Y)
其中,S(X,Y)为X和Y的相近度计算值,相近度计算值越大,则两个特征越相近;
S42、根据最相近的两个疑似伪造子图像,在原待检测伪造图像中进行标定,定位出复制区域和粘贴区域。
与现有技术相比,本发明具有以下优点:
一、本发明通过自选择子图像的方式,能够快速从图像中获取疑似伪造子图像,不需要寻找适应性很强的分割参数,大大减少了后续特征提取的工作量,从而提高了检测效率。
二、本发明通过构建包含连接单元、馈入单元、内部状态单元和脉冲发生单元的改进PCNN,能够保证提取特征具有良好的鲁棒性,增强特征的抗旋转、缩放和噪音性能,从而提高检测结果的准确性。
三、本发明采用双特征匹配方式,结合欧式距离以及Jaccard度量计算,能够获得最相近的两个疑似伪造子图像,从而能够准确定位出图像中的复制区域和粘贴区域,进一步保证了检测结果的准确性。
附图说明
图1为本发明的方法流程示意图;
图2为实施例中检测过程示意图;
图3a为实施例中待检测伪造图像;
图3b为实施例中去噪后的灰度图;
图3c为实施例中二值化处理后的图像;
图3d为实施例中形态学开操作后的图像;
图3e为实施例中提取出的轮廓图像;
图3f为实施例中筛选后的优选轮廓图像;
图3g为实施例中对优选轮廓画边界框示意图;
图3h为实施例中疑似伪造子图像示意图;
图4为本发明中改进PCNN单个神经元结构图;
图5为本发明中改进PCNN提取特征过程示意图;
图6a为实施例中疑似伪造子图像及其特征波形图;
图6b为实施例中平移攻击后疑似伪造子图像及其特征波形图;
图6c为实施例中旋转攻击后疑似伪造子图像及其特征波形图;
图6d为实施例中缩放攻击后疑似伪造子图像及其特征波形图;
图6e为实施例中噪音添加攻击后疑似伪造子图像及其特征波形图;
图6f为实施例中JPEG压缩攻击后疑似伪造子图像及其特征波形图;
图7a为实施例中伪造图像;
图7b为实施例中检测结果示意图;
图7c为实施例中伪造的真值区域;
图8为实施例中本发明方法与传统检测方法的F1分数对比结果示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
实施例
如图1所示,一种图像复制粘贴伪造被动检测方法,包括以下步骤:
S1、输入待检测伪造图像,并对该待检测伪造图像进行预处理;
S2、基于自选择子图像方式,从预处理后的待检测伪造图像中获取疑似伪造子图像;
S3、采用改进的PCNN(Pulse Coupled Neural Network,脉冲耦合神经网络),从疑似伪造子图像中提取特征;
S4、通过双特征匹配方式,结合步骤S3中提取的特征,在待检测伪造图像中定位得到图像伪造区域,其中,图像伪造区域包括复制区域和粘贴区域。
将上述方法应用于本实施例,具体检测过程如图2所示,本实施例的实现平台Intel(R)Core(TM)i9-9900K [email protected] 3.60GHz、RAM 32.0GB,实验环境为OpenCV3.4.2,实现语言为Python。
其中,步骤S1中预处理的过程包括:
将输入的彩色伪造图像(如图3a所示)灰度化,得到对应的灰度图;
选择3×3的高斯掩模,对灰度图进行滤波以实现去噪,得到如图3b所示的灰度图。
步骤S2的具体过程包括:
设置像素值阈值对去噪后的灰度图像进行二值化处理,得到如图3c所示的二值化处理后图像,其中,像素值阈值设定为200,个别图像的阈值可根据具体情况稍作调整,;
对二值化后的图像进行形态学开操作,来消除图像中细小的目标,分离不必要的连通域,平滑较大目标的边界而又不明显改变其面积和形状,得到如图3d所示的形态学开操作之后的图像,本实施例具体采用7×7的结构元素来实现开操作;
对形态学开操作后的图像提取轮廓,获得伪造图像中疑似伪造区域的轮廓(如图3e所示);
设定标准删除无用的轮廓,获得少量的疑似伪造区域优选轮廓(如图3f所示):
首先根据层级结构删除无用的轮廓,获得既无子轮廓又无父轮廓的轮廓;
之后根据轮廓边长阈值进一步删除无用的轮廓,阈值设定为0.5Cav~1.5Cav,其中Cav为所有轮廓边长平均值;
对获得的少量疑似伪造区域优选轮廓画边界框(如图3g所示),得到如图3h所示的多个疑似伪造子图像。
步骤S3的具体过程为:
一、改进PCNN模型,以用于特征提取,改进PCNN的单个神经元结构如图4所示,包括:
1、连接单元:
其中,L[n]为连接单元的前一次的连接状态,L[n+1]为后一次的连接状态,为连接单元衰减常数,VL为规则化常量,Y[n]为前一次迭代的输出,W为权重矩阵;
2、馈入单元:
其中,F[n]为馈入单元的前一次的馈入状态,F[n+1]为后一次的馈入状态,为馈入单元衰减常数,VF为规则化常量,Y[n]为前一次迭代的输出,G为权重矩阵,I为输入图像像素矩阵;
3、内部状态:
U[n+1]=F[n+1](1+βL[n+1])
其中,U[n+1]为每次迭代的内部状态,F[n+1]和L[n+1]分别为对应迭代次数的馈入状态和连接状态,β为连接系数;
4、脉冲发生单元:
其中,Y[n+1]为后一次迭代的输出,U[n+1]为对应迭代次数的内部状态,Θ[n]为前一次迭代过程的动态阈值,Θ[n+1]为后一次迭代过程的动态阈值,为动态阈值衰减常数,VΘ为规则化常量,Y[n]为前一次迭代的输出;
二、将步骤S2获得的所有疑似伪造子图像各自对应分离为B、G和R三个通道(如图5所示);
三、将所有疑似伪造子图像的B、G和R三通道图像矩阵输入改进PCNN进行特征提取(如图5所示):
首先设定改进PCNN模型中相关参数的值,各参数取值如表1所示;
表1 PCNN内部神经元参数设定
L[0]、F[0]、U[0]、θ[0]和Y[0]为w×h的零矩阵,其中,w和h分别为疑似伪造子图像的宽和高;
之后设定提取的特征形式为时间信号:
T[n]=∑Y[n]
其中,T[n]为时间信号,Y[n]为改进PCNN每次迭代的输出;
最后设定迭代次数n为21,并将R、G和B三通道像素矩阵输入改进PCNN,不断进行迭代,记录每次迭代后的时间信号,最终输出迭代次数与时间信号的波形特征图作为对每个通道提取的特征;
四、对提取的B、G和R三个通道的特征信息进行连接,输出各疑似伪造子图像的特征(如图5所示):
将G和R两个通道的波形图特征的第一次迭代信息删除;
按照B、G和R的顺序,连接B通道和删除后的G和R通道的特征,输出一个包含B、G和R三个通道信息的迭代次数和时间信号的波形图特征,该波形图特征即为从疑似子图像提取的特征。
步骤S4的具体过程包括:
一、采用两种特征匹配标准,找到最相似的两个子图像,两种特征匹配包括:
1、采用欧式距离匹配特征波形图的峰值,欧式距离越小,则两个特征就越相似:
xi∈X,yi∈Y
其中,dist(X,Y)为X和Y的欧式距离,X和Y分别是两个待匹配的特征,xi和yi分别是X和Y的第i个峰值;
2、采用Jaccard度量匹配特征波形图峰值对应的迭代次数,Jaccard度量越大,则两个特征就越相似,
其中,sim(X,Y)为X和Y的Jaccard度量值;
通过计算相近度即可筛选得到最相近的两个特征,从而得到对应的最相近的两个疑似伪造子图像,该相近度计算公式为:
S(X,Y)=0.5*(1-dist(X,Y))+0.5*sim(X,Y)
其中,S(X,Y)为X和Y的相近度计算值,相近度计算值越大,则两个特征越相近;
二、对最相似的两个子图像在原伪造图像进行标定,进而定位出复制粘贴伪造图像中复制区域和粘贴区域。
本实施例采用标准图像复制粘贴伪造数据集CoMoFoD对本发明方法进行验证。
首先,验证改进的PCNN提取特征的鲁棒性。复制粘贴伪造图像中复制区域常常会被进行不同的攻击,如平移、旋转、缩放、噪音添加和JPEG压缩,后才会被粘贴到粘贴区域。以数据集中的一张伪造图片为例,如图6a~6f所示,分别获得了框定复制区域的子图像(a1)和框定不同粘贴区域对应的子图像(b1)~(f1),(其中,(b1)是平移攻击、(c1)是旋转攻击、(d1)是缩放攻击、(e1)是噪音添加攻击、(f1)是JPEG压缩攻击),采用改进的PCNN分别对这些子图像进行特征提取,对应的特征波形图依次为(a2)~(f2)。通过波形图可以明显看出,虽然框定粘贴区域子图像(b1)~(f1)受到了不同类型的攻击,但是通过改进PCNN提取出来的特征波形图(b2)~(f2)和框定复制区域子图像提取出来的特征波形图(a2)仍然很相似,这充分验证了本发明中的改进PCNN特征提取方法有很高的鲁棒性。
其次,如图7a~7c所示,进一步验证了本发明的伪造检测效果,图7a为伪造图像,图7b为本发明的检测效果,图7c为伪造的真值区域,对比可知本发明能够精确地定位出复制粘贴伪造图像中复制和粘贴的位置。
最后,对本发明的伪造检测效果进行评估,采用常用的F1分数作为评估标准:
其中,p为精确率,是指检测出的正类中真正正类的比值;r为召回率,是指所有的真正正类中检测出的正类的比值。
与当前几种传统方法SURF(Speeded Up Robust Features,加速稳健特征)、SIFT(Scale-invariant feature transform,尺度不变特征变换)、DCT(Discrete CosineTransform,离散余弦变换)和FMZM进行比较,比较结果如图8所示,横坐标上分别对应四种传统方法和本发明,纵坐标是F1分数值,五条不同的线,对应于平移、旋转、缩放、噪音添加和JPEG压缩五种不同的攻击类型。从图中可以看出,在每种攻击类型下,本发明方法的F1分数最高,证明了本发明方法的有效性。
Claims (6)
1.一种图像复制粘贴伪造被动检测方法,其特征在于,包括以下步骤:
S1、输入待检测伪造图像,并对该待检测伪造图像进行预处理;
S2、基于自选择子图像方式,从预处理后的待检测伪造图像中获取疑似伪造子图像;
S3、采用改进的PCNN,从疑似伪造子图像中提取特征;
S4、通过双特征匹配方式,结合步骤S3中提取的特征,在待检测伪造图像中定位得到图像伪造区域,其中,图像伪造区域包括复制区域和粘贴区域;
所述步骤S2具体包括以下步骤:
S21、根据预设的像素值阈值,对去噪后的灰度图进行二值化处理;
S22、对二值化处理后的图像进行形态学开操作,以消除图像中细小的目标、分离不必要的连通域、平滑较大目标的边界;
S23、对形态学开操作后的图像进行轮廓提取,得到多个疑似伪造区域的轮廓;
S24、从多个疑似伪造区域的轮廓中筛选得到疑似伪造区域的优选轮廓;
S25、对各疑似伪造区域的优选轮廓分别画出边界框,以作为各疑似伪造子图像;
所述步骤S3具体包括以下步骤:
S31、将疑似伪造子图像分离为B、G和R三个通道,得到对应的B、G和R三通道图像矩阵;
S32、将疑似伪造子图像对应的B、G和R三通道图像矩阵输入改进的PCNN中,以分别提取B、G和R三个通道特征信息;
S33、对提取的B、G和R三个通道特征信息进行连接,即得到疑似伪造子图像的特征;
所述步骤S32中改进的PCNN包括连接单元、馈入单元、内部状态单元和脉冲发生单元,所述连接单元和馈入单元分别连接至内部状态单元,所述内部状态单元连接至脉冲发生单元,其中,所述连接单元具体为:
其中,L[n]为连接单元的前一次的连接状态,L[n+1]为后一次的连接状态,为连接单元衰减常数,VL为规则化常量,Y[n]为前一次迭代的输出,W为权重矩阵;
所述馈入单元具体为:
其中,F[n]为馈入单元的前一次的馈入状态,F[n+1]为后一次的馈入状态,为馈入单元衰减常数,VF为规则化常量,Y[n]为前一次迭代的输出,G为权重矩阵,I为输入图像像素矩阵;
所述内部状态单元具体为:
U[n+1]=F[n+1](1+βL[n+1])
其中,U[n+1]为每次迭代的内部状态,F[n+1]和L[n+1]分别为对应迭代次数的馈入状态和连接状态,β为连接系数;
所述脉冲发生单元具体为:
其中,Y[n+1]为后一次迭代的输出,U[n+1]为对应迭代次数的内部状态,Θ[n]为前一次迭代过程的动态阈值,Θ[n+1]为后一次迭代过程的动态阈值,为动态阈值衰减常数,VΘ为规则化常量,Y[n]为前一次迭代的输出;
所述步骤S4具体包括以下步骤:
S41、通过双特征匹配方式,根据特征相近度计算,从多个疑似伪造子图像的特征中筛选得到最相近的两个特征,以得到对应的最相近的两个疑似伪造子图像,其中,双特征匹配方式包括:
a、采用欧式距离匹配特征波形图的峰值,欧式距离越小,则两个特征就越相似:
xi∈X,yi∈Y
其中,dist(X,Y)为X和Y的欧式距离,X和Y分别是两个待匹配的特征,xi和yi分别是X和Y的第i个峰值;
b、采用Jaccard度量匹配特征波形图峰值对应的迭代次数,Jaccard度量越大,则两个特征就越相似,
其中,sim(X,Y)为X和Y的Jaccard度量值;
所述相近度计算公式具体为:
S(X,Y)=0.5*(1-dist(X,Y))+0.5*sim(X,Y)
其中,S(X,Y)为X和Y的相近度计算值,相近度计算值越大,则两个特征越相近;
S42、根据最相近的两个疑似伪造子图像,在原待检测伪造图像中进行标定,定位出复制区域和粘贴区域。
2.根据权利要求1所述的一种图像复制粘贴伪造被动检测方法,其特征在于,所述步骤S1中预处理过程具体为:
S11、对待检测伪造图像进行灰度化处理,得到对应的灰度图;
S12、对灰度图进行高斯滤波去噪,得到去噪后的灰度图。
3.根据权利要求1所述的一种图像复制粘贴伪造被动检测方法,其特征在于,所述步骤S24具体包括以下步骤:
S241、根据层级结构,从多个疑似伪造区域的轮廓中删除无用轮廓,筛选得到既无子轮廓又无父轮廓的轮廓;
S242、根据预设的轮廓边长阈值范围,进一步从步骤S241筛选得到的轮廓中删除无用轮廓,以得到疑似伪造区域的优选轮廓。
4.根据权利要求3所述的一种图像复制粘贴伪造被动检测方法,其特征在于,所述步骤S242中轮廓边长阈值范围具体为0.5Cav~1.5Cav,其中,Cav为全部既无子轮廓又无父轮廓的轮廓边长平均值。
5.根据权利要求1所述的一种图像复制粘贴伪造被动检测方法,其特征在于,所述步骤S32具体包括以下步骤:
S321、设置改进PCNN的内部神经元参数;
S322、设定提取的特征形式为时间信号:
T[n]=∑Y[n]
其中,T[n]为时间信号,Y[n]为改进PCNN每次迭代的输出;
S323、设定迭代次数n,将R、G和B三通道图像矩阵输入改进PCNN,不断进行迭代,记录每次迭代后的时间信号,最终输出迭代次数与时间信号波形图作为对每个通道提取的特征。
6.根据权利要求5所述的一种图像复制粘贴伪造被动检测方法,其特征在于,所述步骤S33具体包括以下步骤:
S331、将G和R两个通道的波形图特征的第一次迭代信息删除;
S332、按照B、G和R的顺序,将B通道的波形图特征与删除第一次迭代信息后G和R通道的波形图特征进行连接,得到一个包含B、G和R三个通道信息的迭代次数和时间信号的波形图特征,即为疑似伪造子图像的特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010606073.0A CN111754441B (zh) | 2020-06-29 | 2020-06-29 | 一种图像复制粘贴伪造被动检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010606073.0A CN111754441B (zh) | 2020-06-29 | 2020-06-29 | 一种图像复制粘贴伪造被动检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111754441A CN111754441A (zh) | 2020-10-09 |
CN111754441B true CN111754441B (zh) | 2023-11-21 |
Family
ID=72677998
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010606073.0A Active CN111754441B (zh) | 2020-06-29 | 2020-06-29 | 一种图像复制粘贴伪造被动检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111754441B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112270330A (zh) * | 2020-11-05 | 2021-01-26 | 国网甘肃省电力公司电力科学研究院 | 一种基于Mask R-CNN神经网络被关注目标的智能检测方法 |
CN112651319B (zh) * | 2020-12-21 | 2023-12-05 | 科大讯飞股份有限公司 | 一种视频检测方法、装置、电子设备及存储介质 |
CN113033530B (zh) * | 2021-05-31 | 2022-02-22 | 成都新希望金融信息有限公司 | 证件翻拍检测方法、装置、电子设备及可读存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103345758A (zh) * | 2013-07-25 | 2013-10-09 | 南京邮电大学 | 基于dct统计特征的jpeg图像区域复制篡改盲检测方法 |
CN106327481A (zh) * | 2016-08-10 | 2017-01-11 | 东方网力科技股份有限公司 | 基于大数据的图像篡改检测方法及装置 |
CN107067389A (zh) * | 2017-01-05 | 2017-08-18 | 佛山科学技术学院 | 一种基于Sobel边缘检测与图像块亮度特征的图像篡改盲取证方法 |
CN107993230A (zh) * | 2017-12-18 | 2018-05-04 | 辽宁师范大学 | 基于三角网格综合特征的图像篡改检测方法 |
CN108122225A (zh) * | 2017-12-18 | 2018-06-05 | 辽宁师范大学 | 基于自适应特征点的数字图像篡改检测方法 |
CN108335290A (zh) * | 2018-01-23 | 2018-07-27 | 中山大学 | 一种基于liop特征与块匹配的图像区域复制篡改检测方法 |
CN109360199A (zh) * | 2018-10-15 | 2019-02-19 | 南京工业大学 | 基于沃瑟斯坦直方图欧氏度量的图像重复区域的盲检测方法 |
CN111008955A (zh) * | 2019-11-06 | 2020-04-14 | 重庆邮电大学 | 多尺度图像块匹配的快速复制粘贴篡改检测方法 |
-
2020
- 2020-06-29 CN CN202010606073.0A patent/CN111754441B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103345758A (zh) * | 2013-07-25 | 2013-10-09 | 南京邮电大学 | 基于dct统计特征的jpeg图像区域复制篡改盲检测方法 |
CN106327481A (zh) * | 2016-08-10 | 2017-01-11 | 东方网力科技股份有限公司 | 基于大数据的图像篡改检测方法及装置 |
CN107067389A (zh) * | 2017-01-05 | 2017-08-18 | 佛山科学技术学院 | 一种基于Sobel边缘检测与图像块亮度特征的图像篡改盲取证方法 |
CN107993230A (zh) * | 2017-12-18 | 2018-05-04 | 辽宁师范大学 | 基于三角网格综合特征的图像篡改检测方法 |
CN108122225A (zh) * | 2017-12-18 | 2018-06-05 | 辽宁师范大学 | 基于自适应特征点的数字图像篡改检测方法 |
CN108335290A (zh) * | 2018-01-23 | 2018-07-27 | 中山大学 | 一种基于liop特征与块匹配的图像区域复制篡改检测方法 |
CN109360199A (zh) * | 2018-10-15 | 2019-02-19 | 南京工业大学 | 基于沃瑟斯坦直方图欧氏度量的图像重复区域的盲检测方法 |
CN111008955A (zh) * | 2019-11-06 | 2020-04-14 | 重庆邮电大学 | 多尺度图像块匹配的快速复制粘贴篡改检测方法 |
Non-Patent Citations (2)
Title |
---|
An Evaluation of Popular Copy-Move Forgery Detection Approaches;Vincent Christlein et al.;《IEEE》;第1-26页 * |
基于SIFT 和感知哈希的图像复制粘贴篡改检测方法;马伟鹏等;《图形图像》;第56-59页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111754441A (zh) | 2020-10-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yuan et al. | A robust and efficient approach to license plate detection | |
Bappy et al. | Exploiting spatial structure for localizing manipulated image regions | |
CN111754441B (zh) | 一种图像复制粘贴伪造被动检测方法 | |
Qureshi et al. | A bibliography of pixel-based blind image forgery detection techniques | |
CN112907598B (zh) | 一种基于注意力cnn文档证件类图像篡改检测方法 | |
Mushtaq et al. | Digital image forgeries and passive image authentication techniques: a survey | |
Sridevi et al. | Comparative study of image forgery and copy-move techniques | |
Hussain et al. | Evaluation of image forgery detection using multi-scale weber local descriptors | |
AlSawadi et al. | Copy-move image forgery detection using local binary pattern and neighborhood clustering | |
CN103164856B (zh) | 一种基于稠密sift流的视频复制粘贴盲检测方法 | |
Alamro et al. | Copy-move forgery detection using integrated DWT and SURF | |
Das et al. | A robust method for detecting copy-move image forgery using stationary wavelet transform and scale invariant feature transform | |
CN102609947B (zh) | 一种针对拼接篡改的数码照片伪造检测方法 | |
Deore et al. | A survey on offline signature recognition and verification schemes | |
Jarusek et al. | Photomontage detection using steganography technique based on a neural network | |
Velliangira et al. | A novel forgery detection in image frames of the videos using enhanced convolutional neural network in face images | |
Pawade et al. | Comparative study of different paper currency and coin currency recognition method | |
Itier et al. | Color noise correlation-based splicing detection for image forensics | |
Zhou et al. | Image copy-move forgery passive detection based on improved PCNN and self-selected sub-images | |
Diaa | A Deep Learning Model to Inspect Image Forgery on SURF Keypoints of SLIC Segmented Regions | |
Birajdar et al. | Subsampling-based blind image forgery detection using support vector machine and artificial neural network classifiers | |
Chen et al. | Color image splicing localization algorithm by quaternion fully convolutional networks and superpixel-enhanced pairwise conditional random field | |
CN111931689B (zh) | 一种在线提取视频卫星数据鉴别特征的方法 | |
Roy | Automatics number plate recognition using convolution neural network | |
Kumar et al. | A review of image features extraction techniques and their applications in image forensic |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |