楊婧譞

摘 要：為解決傳統(tǒng)圖像拼接檢測算法對圖像內容、光照變化等魯棒性不強問題，提出一種基于多種紋理特征融合的圖像拼接檢測方法。對二維灰度圖像執(zhí)行非下采樣輪廓波變換（NSCT），以獲得包含圖像紋理特征的一系列子帶圖像。對在水平和垂直方向進行差分處理的低頻子帶圖像以及4個高頻圖像，獲取韋伯局部描述符（WLD）紋理和局部三值模式（LTP）紋理。將WLD紋理與灰度共生矩陣結合，得到像素點強度、梯度與灰度之間的關系;再將LTP紋理與灰度共生矩陣結合，得到無噪聲和光照影響的像素點灰度間關系;最后分別提取WLD值共生矩陣和LTP值共生矩陣的對比度、相關性、相異度、熵、能量等5個特征，并融合成特征向量，使用RBF神經網絡分類。該方法在哥倫比亞彩色圖像庫上檢測準確率達到了95.7%。

關鍵詞：復合紋理特征;非下采樣輪廓波變換;韋伯局部描述符（WLD）;局部三值模式（LTP）;灰度共生矩陣;圖像檢測

DOI：10. 11907/rjdk. 182731

中圖分類號：TP317.4文獻標識碼：A文章編號：1672-7800（2019）001-0178-05

Abstract： Aiming at the problem that traditional image splicing detection algorithm is not robust to image content and illumination change， an image splicing detection method based on multi-texture feature fusion is proposed. In this method， non-subsampling contour wave transform （NSCT） is performed on two-dimensional gray images to obtain a series of sub-band images with image texture features. Then the low frequency sub-band images were processed in the horizontal and vertical directions， and the four high frequency images were used to obtain the Weber local descriptor （WLD） texture and local three-valued model （LTP） texture. Then WLD texture and gray level co-occurrence matrix are combined to obtain the relationship among pixel intensity， gradient and grayscale; LTP texture and grayscale co-occurrence matrix are combined to obtain the relationship among the noiseless pixels affected by light. Finally the five features including WLD value symbiosis matrix， LTP co-occurrence matrix phase contrast ratio， correlation， entropy and energy are extracted and integrated into feature vectors. RBF neural network is employed for classification.

0 引言

隨著計算機產業(yè)蓬勃發(fā)展以及智能手機廣泛普及，圖像處理的軟硬件變得容易獲得和使用，如Photoshop、美圖秀秀等。修圖成為人們的一種日常休閑娛樂，而輕而易舉篡改圖片也給圖謀不軌的人創(chuàng)造了機會。近年來確實頻頻出現篡改或偽造圖像被應用于新聞媒體、科學發(fā)現、攝影比賽和法庭物證等案例，無疑極大影響了社會穩(wěn)定性。因此，在人們無法通過肉眼識別圖像真實性的情況下，檢測圖像真實性的技術變得尤為重要。

目前，數字圖像篡改檢測主要分為主動取證和盲取證兩類[1]。前者主要通過檢測事先在圖像中添加的數字簽名、數字水印鑒別圖像真實性[2]。后者主要通過檢測圖像內容以檢測圖像本身的真實性。相比之下，被動取證（盲取證）并不需要提前對圖像進行任何處理，因此它更具有應用價值。

在被動取證研究中，圖像拼接檢測是目前研究熱點之一，它將同一圖像或不同圖像上的某一區(qū)域剪切并粘貼到另一圖像的某一區(qū)域，而不進行任何修飾。圖像紋理特征提取方法作為識別拼接篡改圖像的關鍵步驟，也是眾多學者不斷研究的重點。

針對該問題，近年來，相關學者紛紛對較具代表性的局部相位量化（LPQ）、韋伯局部特征（WLD）、局部二值模式（LBP）和基于二階概率密度統(tǒng)計的灰度共生矩陣（GLCM）等4種局部紋理特征提取方法進行了改進[3]。其中，Saleh 等[4]用多尺度 WLD 對圖像拼接進行檢測，在3個不相似鄰域內計算梯度定向和激勵信息，合并該鄰域直方圖從而得到多尺度的WLB直方圖，最后依據該直方圖特征用相應分類器實現對拼接圖像的檢測。Verma等[5]證明了局部三值模式（LTP）能很好地描述圖像統(tǒng)計特征和結構模式。Hashmi等[6]通過融合DCT、LBP和Gabor等3種紋理特征，實現對拼接圖像的識別。而李燕等[7]通過局部二值模式（LBP）與共生矩陣相結合方式，將描述每個像素之間的關系拓展到描述整個灰度空間的相關特性，但基于LBP本身依舊存在局限性，僅描述了圖像細節(jié)特征與每個像素點及周圍8個像素點之間的相關性，而忽略了噪聲干擾以及像素點的強度特征、梯度特征、灰度—梯度空間特征等。

因此，本文提出基于局部三值模式（LTP）、WLD與灰度共生矩陣相結合的復合特征對拼接圖像進行檢測，實驗表明該方法對拼接圖像的檢測準確率有較大提升，并且對光照、噪聲、旋轉有很好的魯棒性。

1 基本原理

1.1 局部二值模式（LBP）與局部三值模式（LTP）

LBP 是描述灰度圖像紋理特征的算子，主要在提取圖像局部區(qū)域的對比度特征方面起到輔助作用[8]。LBP 算子僅比較像素值的大小而忽略了像素間的對比度值，無法描述該類非線性變化前后的差異，最終可能會丟失一些重要紋理特征。

LTP 算子擴展了 LBP 算子并采用三值編碼，它對光照變化和噪聲等方面更加魯棒，并增強了局部紋理特征的分類性能[9]。在LTP運算器量化級中，添加-1值模式及用戶定義的閾值t，并且將映射在[-t，t]區(qū)間中的像素差值量化為 0 值，大于該間隔的差值被量化為1，小于該間隔的差值被量化為-1，S（[gi-gc]）變換為三值編碼形式，具體定義如下[10]：

正LBP編碼：將不為1的編碼值均修改為0。負LBP編碼：將為-1的編碼值修改為1，其余變?yōu)?。

以圖1為例，中心像素點的正LBP編碼為00010001，正LBP編碼值為25-1+1=17。負LBP編碼為10100010，負LBP編碼值為28-1+26-1+22-1=162。

LTP 通過對 LBP擴展以表示圖像的局部形狀、微量特征和紋理，并且通過用戶定義的閾值t增加一個編碼模式， 極大增強了對噪聲的敏感度，且在一定程度上均衡了劇烈光照變化下的像素值。綜上所述， LTP 改進和完善了 LBP，并通過增強對圖像噪聲的魯棒性及對劇烈光照變化的均衡能力，有效提高了 LTP 特征的分類性能。

1.2 韋伯局部描述符（WLD）與共生矩陣

韋伯局部描述符是一種計算簡便、高效且健壯的局部描述符[11]。它包含兩個部分：差別閾限、方向。對于輸入圖像中的每個像素點，計算特征的兩個組成部分，通過統(tǒng)計所有像素點的值，可以得到一個用以描述輸入圖像的特征直方圖。

式（5）中，[？I]表示增量閾值（可引起注意的差異值），I表示初始刺激強度，[k]表示即使I變化，等式左側的比率也將保持恒定。該比值被稱為韋伯分數。事實上，韋伯定律表明剛好可被注意到的差異值在原始刺激強度值中占有一個恒定比例。

WLD則使用鄰域強度差和當前像素強度比作為圖像局部特征，WLD描述符由兩部分組成：[ξ]是韋伯公式的比值，用于描述周圍像素變化與當前像素的比值，如式（6）所示;θ是當前像素的梯度方向，用來描述垂直方向與水平方向像素變化的比值，如式（7）所示。

差勵反映了當前像素與相鄰像素之間的差異，能夠獲取圖像局部區(qū)域的變化情況。對于圖像中任意一個像素點，即可計算出該點的差勵值（見圖2）。

2 改進復合特征模型

2.1 算法整體流程

基于復合紋理特征的圖像拼接檢測算法整體流程如圖4所示。

2.2 拼接檢測框架

3 實驗結果與分析

下文對試驗數據集進行介紹，并使用提出的復合特征方式進行拼接檢測測試，使用不同參數進行測試，以獲取最佳參數值，并與基于殘差圖的LBP與灰度共生矩陣融合的拼接檢測算法進行對比。實驗環(huán)境為Matlab2014b，實驗機器為Intel（R） Core（TM）i7-3630QM CPU2.4GHz。

3.1 數據集選擇與訓練

本文選擇哥倫比亞彩色拼接檢測數據集進行測試[16]。該測試集中圖像大小范圍從757*568到1 152*768，格式為未壓縮的TIFF或BMP。拼接圖像的創(chuàng)建使用真實圖像并且沒有任何后期處理，真實圖像中包含完整的EXIF信息。首先選擇180張篡改圖片和92張真實圖片，以7∶3分為訓練集和測試集。

實驗中主要使用查全率、查準率以及準確率3個參數衡量算法性能。查全率（Recall） 計算公式為R=TP/TP+FN，查準率（Precision）計算公式為P=TP/TP+FP，準確率（Accuracy，ACC）計算公式為ACC=（TP+TN）/（TP+FN+FP+TN）。其中，TP 表示被正確識別的真實圖像數量，TN表示正確識別的篡改圖像數量，FP 表示被誤判為真實圖像的數量，FN表示被誤判為篡改圖像的數量[17]。

3.2 實驗結果分析

3.3 魯棒性測試

為了驗證本文算法對光照、噪聲、旋轉的魯棒性，選取哥倫比亞圖庫中部分圖片，對圖像進行質量壓縮、亮度增強、減弱、加噪、旋轉等操作后，使用本文算法進行檢測。將圖片壓縮到不同程度并進行20次測試，結果如表2所示?？梢钥闯?，當壓縮質量為90%時，降低了非下采樣輪廓波高頻分量的影響，進而使復合紋理特征更為突出，準確率最高達到97.7%。同時對圖像不同亮度變化進行測試，實驗結果如表3所示，光照在一定范圍內時，算法識別效果穩(wěn)定，但是光度過強或者過暗時，影響圖像特征提取，識別率下降。對于噪聲測試，本文對原圖像進行不同程度加噪，結果如表4所示，在加噪10%～30%的情況下，算法準確率相對穩(wěn)定，加噪達到50%時，準確率明顯下降。最后對圖像進行多角度旋轉測試，結果如表5所示，算法體現出很好的穩(wěn)定性。

4 結語

本文通過改進已有算法并且使用多紋理特征融合的方式對拼接圖像進行檢測，在哥倫比亞拼接圖庫上準確率達到了95.7%。此外，在魯棒性測試中本文方法可以很好地抵抗噪聲、光照等因素干擾。但是，算法對于不同圖庫的魯棒性不高，其原因可能是在提取紋理特征時，為降低算法復雜度，僅對通過NSCT變換得到的低頻子帶圖像進行差分處理，而放棄了本身攜帶紋理信息較少的高頻子帶圖像，從而帶來一定誤差，使得圖像內容的影響不能被完全消除，進而造成對于不同圖庫魯棒性不強的問題。未來將在消除圖像內容影響、提取拼接痕跡方面作更進一步研究，從而提高算法準確性和在不同圖庫中的魯棒性。

參考文獻：

[1] 張震，邊玉琨，康吉全，等. 一種新的拼接圖像檢測方法[J]. 計算機應用研究，2009， 26 （3）：1127-1130.

[2] 陳園園，于在河. 數字圖像被動取證技術綜述[J]. 吉林大學學報：信息科學版，2014，32（6）：689-698.

[3] 石澤男. 基于局部紋理特征的數字圖像拼接盲鑒別算法研究[D]. 長春：吉林大學，2017.

[4]MUHAMMAD H，SAHAR Q，GEORGE B，et al. Evaluation of image forgery detection using multi-scale Weber local descriptors[J]. Artificial Intelligence Tools，2015，24（4）：416-417.

[5] VERMA M， RAMAN B. Local tri-directional patterns： a new texture feature descriptor for image retrieval[J]. Digital Signal Processing，2016，51：62-72.

[6] HASHMI M F，KESKAR A G. Image forgery authentication and classification using hybridization of HMM and SVM classifier[J]. International Journal of Security & Its Applications，2015，9（4）：125-140.

[7] 李燕，鐘磊，李健. 基于LBP和共生矩陣的圖像拼接篡改檢測[J]. 武漢大學學報：理學版， 2015， 61 （6）：517-524.

[8] JIN H，LIU Q，LU H，et al. Face detection using improved LBP under Bayesian framework[C]. IEEE First Symposium on Multi-Agent Security and Survivability，2004：306-309.

[9] TAN X，XU T，TAN X，et al. Enhanced local texture feature sets for face recognition under difficult lighting conditions[J]. IEEE Transactions on Image Processing，2010，19：1635-1650.

[10] JALA T，PETIKAINEN M，MAENPAA T. Multiresolution gray scale and rotation invariant texture classification with local binary patterns[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence，2002，24（7）：971-987.

[11] CHEN J，SHAN S G，HE C，et al. WLD：a robust local image descriptor[J]. IEEE TPAMI，2010，32（9）：1705-1719.

[12] JAIN A K. Fundamentals of digital signal processing[M]. New Jersy：Prentice-Hall，1986.

[13] 朱正禮，趙春霞，侯迎坤，等. 基于多特征的旋轉不變紋理圖像檢索[J]. 南京理工大學學報，2012，36（3）：375-380.

[14] 雷升鍇，劉紅陽，何嘉，等. 動態(tài)K-均值聚類算法在RBF神經網絡中心選取中的應用[J]. 信息系統(tǒng)工程，2011（6）：83-85.

[15] 王奇平，王禎璋. 基于徑向基神經網絡的變壓器故障診斷方法研究[J]. 電力與能源，2017，38（5）：546-548.

[16] COLUMBIA DVMM RESEARCH LAB. Columbia image splicing detection evaluation dataset[EB/OL].? http：//www.ee.columbia.edu/ln/dvmm/downloads/authsplcuncmp/.

[17] 王任華，霍宏濤，蔣敏. RANSAC算法在同圖復制鑒定中的應用研究[J]. 計算機應用研究，2014，31（7）： 2209-2211.

（責任編輯：何 麗）