申请/专利权人：湖南大学

申请日：2019-05-05

公开（公告）日：2023-05-26

公开（公告）号：CN110097124B

主分类号：G06V10/80

分类号：G06V10/80;G06V10/764

优先权：

专利状态码：有效-授权

法律状态：2023.05.26#授权;2019.08.30#实质审查的生效;2019.08.06#公开

摘要：本发明涉及一种基于混淆处理效应分离的图像操作链中操作类型识别方法。所述方法包括构建基于盲源分离的数字图像操作链的操作分离模型；估计数字图像特征的相关程度，初步识别图像篡改操作类型；依据Dempster‑Shafer证据理论，估计篡改操作置信区间，精确识别图像篡改操作类型。与现有技术相比，本发明提供的一种基于混淆处理效应分离的图像操作链中操作类型识别方法，面向更实际的JPEG图像多重篡改场景。本发明的方法可行且有效，在识别图像经历的篡改操作类型方面能取得良好的效果。

主权项：1.一种基于混淆处理效应分离的图像操作链中操作类型识别方法，其特征在于，按如下步骤进行：步骤1：构建基于盲源分离的数字图像操作链的操作分离模型，具体包括：对从数字图像中提取的混合特征进行矩阵变换，获取基于盲源分离的数字图像操作链的操作分离模型，并依据该模型对数字图像操作链的混淆处理效应分离，获取单篡改操作的特征估计，为单篡改操作类型识别提供直接证据；步骤2：依据数字图像特征的相关程度，初步识别篡改操作类型，具体包括：度量经历多重篡改后的数字图像的混合特征与依据所述操作分离模型获取的某篡改操作特征之间的相关性，得到两者之间的相关程度，初步判断待测图像是否经历该操作篡改伪造以及可能经历的篡改操作类型；步骤3：依据Dempster-Shafer证据理论，估计篡改操作置信区间，精确识别篡改操作类型，具体包括：联合单篡改操作取证的多个检测算法，挖掘不同图像特征；通过Dempster-Shafer证据理论的合成规则的决策融合，依据多个检测算法的融合结果，获得篡改操作置信区间估计，精确判别图像操作链中篡改操作类型；所述步骤1按如下过程进行：1.1明确数字图像可能经历的处理历史：以三个篡改操作组成的操作链为例，对于给定数字图像I和篡改操作集O＝{o1,o2,o3}，其可能经历的篡改处理历史为：H0:图像I未经历篡改，H1:图像I经历o1篡改，H2:图像I经历o2篡改，H3:图像I经历o3篡改，H4:图像I经历o1和o2篡改，H5:图像I经历o1和o3篡改，H6:图像I经历o2和o3篡改，H7:图像I经历o1、o2和o3篡改；1.2分离混淆处理效应，获取各篡改操作的模板特征：从图像数据库A随机选择M张图像，用操作o1、o2和o3处理这些图像；然后，从这M张图像中提取混合特征，每三张图像的混合特征fi、fj和fk组成一个混合特征集合，按照公式计算解混矩阵，再依据公式F＝AS和公式WF＝WAS＝S实现对混合特征的分离，得到分别代表操作o1、o2和o3的模板特征s1、s2和s3；重复执行该步骤M3次，得到平均模板特征和所述F为从经过多重篡改的数字图像集中提取的混合特征集合，A是混合矩阵，S为单操作特征集合，W为解混矩阵，是混合矩阵A的逆矩阵，t表示迭代次数，WiT为解混矩阵的第i行，E[·]为计算每次迭代的统计均值，||·||为计算矩阵范数。

全文数据：基于混淆处理效应分离的图像操作链中操作类型识别方法技术领域本发明涉及图像取证和多媒体安全技术领域，具体涉及一种基于混淆处理效应分离的图像操作链中操作类型识别方法。背景技术随着Photoshop、GIMP等图像编辑软件的流行，对数字图像内容的编辑和修改变得越来越便捷，并且多数篡改伪造操作都不会引起人们视觉上的怀疑。如果数字图像被恶意篡改和广泛传播，将给社会带来严重的公共信任危机。因此，如何结合数字图像处理技术和统计分析技术对图像进行真实性和完整性的验证，是图像取证和多媒体安全领域的重大挑战。由于篡改伪造行为会改变原始数字图像的统计特性，因此，图像被动取证依据数字图像本身的这些统计特性，实现对数字图像真实性和完整性的验证。被动取证技术具有良好的适应性，近些年逐渐成为图像取证技术领域研究的热点。然而，大多数图像被动取证技术都是基于图像仅被单操作篡改的假设进行操作取证，或者仅仅对图像是否经历篡改进行判断，因此可能限制经历多重篡改的图像取证结果准确性。例如，文献“YifangChen，XianguiKang，Z.JaneWang，andQiongZhang.“Denselyconnectedconvolutionalneuralnetworkformulti-purposeimageforensicsunderanti-forensicattacks.”ACMWorkshoponInformationHidingandMultimediaSecurityIH&MMSEC，2018.”公开了一种基于稠密卷积神经网络的单篡改操作取证方法，文献“HaodongLi，WeiqiLuo，andJiwuHuang.“Identificationofvariousimageoperationsusingresidual-basedfeatures.”IEEETransactionsonCircuitsandSystemsforVideoTechnologyTCSVT，2018.”公开了一种基于图像残差域特征的单篡改操作取证方法，文献“MarcoFontani，TizianoBianchi，AlessiaDeRosa，AlessandroPiva，andMauroBarni.“AframeworkfordecisionFusioninimageforensicsbasedondempster–shafertheoryofevidence.”IEEETransactionsonInformationForensicsandSecurityTIFS，2013.”公开了一种基于Dempster-Shafer证据理论的图像真伪判别方法。有鉴于此，本发明面向更深层次的图像操作链取证目标，提出了一种基于混淆处理效应分离的图像操作链中操作类型识别方法，以提高JPEG图像中篡改操作的检测准确性。发明内容本发明提出了一种基于混淆处理效应分离的图像操作链中操作分离方法，用以识别操作链中包含的篡改操作类型，所述方法包括：1构建基于盲源分离的数字图像操作链的操作分离模型；2依据数字图像特征的相关程度，初步识别篡改操作类型；3依据Dempster-Shafer证据理论，估计篡改操作置信区间，精确识别篡改操作类型。具体内容如下：1构建基于盲源分离的数字图像操作链的操作分离模型：该模型的示意图如图1所示，综合考虑图像操作链的操作分离与盲源分离之间的关联性，实现数字图像操作链中篡改操作类型识别。盲源分离是指对于未知系统，在其输入的独立源信号完全未知或者只有少量先验知识的情况下，仅由系统的输出信号即混合信号来恢复输入源信号的过程。在对数字图像进行篡改伪造时可能同时包含多个篡改操作，这些操作以一定的先后顺序组成图像操作链。所述图像操作链中，不同的篡改操作之间是相互独立的。数字图像经历多重篡改的过程，可以大致视为数字图像与多个噪声信号混合叠加的过程，在一定程度上图像操作链的操作类型识别也可以视为对图像篡改过程添加的多个噪声信号的分离识别。因此，图像操作链的操作分离问题与盲源分离问题是类似的。所述方法将对原始图像进行的多重篡改操作的过程视为盲源分离问题中源信号混合的过程，此时与对观测到的混合信号进行一系列分离处理得到估计的源信号类似，在进行图像操作链的篡改操作分离时，提取经多重篡改后的数字图像的特征混淆处理效应产生的混合特征，只需将混合特征输入分离系统，通过分离处理，即可恢复单篡改操作特征。所述混淆处理效应是指数字图像经受多种篡改处理时，各操作对图像篡改遗留的痕迹相互叠加混淆，甚至后续篡改操作弱化前一个操作遗留的痕迹。定义：I＝{I1,I2,...,Im}表示原始图像数据集合，其中m表示数字图像集合的数量。O＝{o1,o2,...,on}表示图像操作链中包含的图像篡改操作集合，其中n表示篡改操作的数量。F＝[f1,f2,...,fm]为从经过多重篡改的数字图像集中提取的混合特征集合，其中d表示特征维度。S＝[s1,s2,...,sn]为待求的单操作特征集合，其中si表示篡改操作oi的估计特征。存在一个混合矩阵满足：F＝AS1分离从待检测数字图像提取的混合特征需要进行矩阵运算：WF＝WAS＝S2其中为解混矩阵，是混合矩阵A的逆矩阵。采用基于四阶累积量的固定点独立成分分析算法，初始化解混矩阵，通过迭代求得最优解混矩阵W：其中t表示迭代次数，为解混矩阵的第i行，E[g]为计算每次迭代的统计均值，||g||为计算矩阵范数。利用最优解混矩阵W对混合特征作矩阵变换，进而得到图像操作链中各篡改操作特征的近似估计，实现对图像操作链混淆处理效应的分离，为单操作类型识别提供直接证据。2依据数字图像特征的相关程度，初步识别篡改操作类型：具体流程图如图2所示，综合考虑提取的数字图像特征与利用分离模型分离获取的操作特征之间的相关程度，实现对图像篡改操作类型的初步识别。对m张原始图像做篡改伪造，操作链包含的篡改操作为O＝{o1,o2,...,on}。从经历多重篡改的数字图像中提取混合特征F＝[f1,f2,...,fm]。利用所述基于盲源分离的数字图像操作链的操作分离模型对混合特征进行分离，进而获取估计的篡改操作特征S＝[s1,s2,...,sn]，并将其视为篡改操作的模板特征。给定一张经历了多重篡改的数字图像I'，提取混合特征f'。为了识别该图像经历的篡改操作，度量从图像I'提取的混合特征f'与经分离获取的操作模板特征si之间的相关性。相关程度越高，则表示图像I'越可能经历了操作oi篡改伪造。通过计算f'和si的皮尔逊相关系数，度量它们之间的相关程度，计算公式为：其中covf',si表示计算特征f'和si的协方差，Df'和Dsi表示计算特征f'和si的方差。ρi为特征f'和si的相关系数，取值范围为[-1,1]。当ρi的值越接近1，表示相关程度越高。为篡改操作oi对应的设置一个阈值τi，当ρi≥τi时，表示图像I'被篡改操作oi篡改伪造。3依据Dempster-Shafer证据理论，估计篡改操作置信区间，精确识别篡改操作类型：具体流程图如图3所示，经混淆处理效应分离，初步确定图像操作链中可能存在的篡改操作O＝{o1,o2,K,on}后，进一步地，需要精确识别这些操作。联合单篡改操作取证的多个检测算法，挖掘不同图像特征，并研究Dempster-Shafer证据理论的合成规则的决策融合，依据融合结果判别图像操作链中篡改操作类型。所述Dempster-Shafer证据理论属于概率论的一种扩充形式，通过将证据的信任函数与概率论的上下值联系，并且依据信任函数和似然函数解释多值映射，从而形成处理不确定信息的证据理论。所述合成规则的决策融合包括多个操作取证算法取证证据的融合。具体步骤包括：选取Q种经典的用以检测篡改操作oi的取证算法，构成Q个取证分类器，分别提取特征，经计算得到Q个篡改概率{p1,p2,...,pQ}，此时图像未经过操作oi篡改的概率为{1-p1,1-p2,...,1-pQ}。采用基于Dempster-Shafer证据理论的合成规则，对Q个取证分类器的取证结果做综合决策，得到一个基本概率分配m＝{m0,m1}，其中m0表示图像未被操作oi篡改的概率，m1表示图像被操作oi篡改的概率。根据m求解被篡改和未被篡改两种情况的信任函数Bel和似然函数Pl，得到置信区间[Belm0,Plm0]和[Belm1,Plm1]，其中Belm0和Belm1分别表示对图像未经历篡改操作oi的信任度和经历篡改操作oi的信任度，Plm0和Plm1分别表示不否认图像未经历篡改操作oi的信任度和经历篡改操作oi的信任度。决策规则具体为：若满足决策规则，则表示图像操作链中存在篡改操作oi；反之，则不存在。与现有技术相比，上述技术方案至少具有以下有益效果：1、本发明提供的一种基于混淆处理效应分离的图像操作链中操作类型识别方法，通过分离图像多重篡改产生的混淆处理效应，检测待测图像特征与分离估计的篡改操作特征之间的相关度，并依据相关度的大小初步识别待测图像经历的篡改操作类型。该方法不依赖于待测图像只经历了单操作篡改的假设，解决了更实际的JPEG图像操作链取证的首要问题，即操作类型识别。2、本发明提供的一种基于混淆处理效应分离的图像操作链中操作类型识别方法，依据Dempster-Shafer证据理论的合成规则的决策融合结果，对篡改操作类型进行精确识别。该方法能有效识别JPEG图像经历的篡改操作。附图说明图1为本发明“基于混淆处理效应分离的图像操作链中操作类型识别方法”的分离模型示意图；图2为本发明“基于混淆处理效应分离的图像操作链中操作类型识别方法”的篡改操作类型初步识别流程图；图3为本发明“基于混淆处理效应分离的图像操作链中操作类型识别方法”的篡改操作类型精确识别流程图；图4为本发明“基于混淆处理效应分离的图像操作链中操作类型识别方法”实施例中Lena照片的真实图像示意图；图5为本发明“基于混淆处理效应分离的图像操作链中操作类型识别方法”实施例中Lena照片的篡改伪造图像示意图。具体实施方式本发明是基于混淆处理效应分离的图像操作链中操作类型识别方法。为了便于说明，本实施例以三个篡改操作组成的操作链为例，按照下述步骤实现混淆处理效应分离，但是本领域技术人员应当知晓，本申请的技术方案适用于任意多个篡改操作。具体分离步骤为：步骤1：明确数字图像可能经历的处理历史。对于给定数字图像I和篡改操作集O＝{o1,o2,o3}，其可能经历的篡改处理历史为：H0:图像I未经历篡改，H1:图像I经历o1篡改，H2:图像I经历o2篡改，H3:图像I经历o3篡改，H4:图像I经历o1和o2篡改，H5:图像I经历o1和o3篡改，H6:图像I经历o2和o3篡改，H7:图像I经历o1、o2和o3篡改.步骤2：依据所述分离模型，分离混淆处理效应，获取各篡改操作的模板特征。从图像数据库A随机选择M张图像，用操作o1、o2和o3处理这些图像。然后，从这M张图像中提取混合特征，每三张图像的混合特征fi、fj和fk组成一个混合特征集合，按照公式3计算解混矩阵，再依据公式1和2实现对混合特征的分离，得到分别代表操作o1、o2和o3的模板特征s1、s2和s3。重复执行该步骤M3次，得到平均模板特征和下面以模特Lena的待测图像为例，对本发明提供的图像篡改操作类型识别方法进行效果验证，具体为：步骤1：提取待测图像的混合特征。图4示例性示出了真实的图像，图5示例性示出了经历三次篡改后的图像，对比两张图像，仅通过肉眼是难以发现图5是被篡改后的图像。本实施例中，以图5作为待测图像，从中提取混合特征f'，用以检测该图像经历的篡改操作类型。步骤2：初步识别图像操作链中操作类型。本实施例中的操作类型识别标准为：其中表示检测到的图像经历的篡改操作历史，ρi表示特征f'和的相关系数，τ1、τ2和τ3分别对应操作o1、o2和o3的阈值。依据公式4计算混合特征f'与模板特征和的相关系数，得到ρ1、ρ2和ρ3，发现ρ1≥τ1、ρ2≥τ2且ρ3≥τ3，由此可以得出图像经历了o1、o2和o3三种操作篡改。步骤3：精确识别图像操作链中操作类型。依据步骤2，已经初步确定图像操作链的操作为o1、o2和o3。此时，为了进一步地明确操作oi的存在，对于图5所示的待测图像I，给定如下假设：H0:图像I未经历oi篡改，H1:图像I经历oi篡改.选取Q种取证算法，构成Q个分类器，对图像是否经历oi篡改进行分类，得到分类结果{p1,p2,...,pQ}。基于Dempster-Shafer证据理论对Q个分类器的取证结果综合决策，得到基本概率分配m＝{m0,m1}。计算信任函数和似然函数，依据公式5所示的决策规则，发现图像经历了操作oi篡改伪造。综上所述，针对更加实际的图像操作链取证场景，本发明设计了一种基于混淆处理效应分离的图像操作链中操作类型识别方法。将图像混淆处理效应分离与盲源分离相结合，并且综合Dempster-Shafer证据理论的合成规则的决策融合结果，所述方法具有可行性，能实现对JPEG图像操作链中操作类型的有效识别。本领域技术人员可以理解，本发明的保护范围不局限于所述的具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征进行等同的更改或替换，需要注意的是，更改或替换之后的技术方案都将落入本发明的保护范围之内。

权利要求：1.一种基于混淆处理效应分离的图像操作链中操作类型识别方法，其特征在于，所述方法包括：1构建基于盲源分离的数字图像操作链的操作分离模型；2依据数字图像特征的相关程度，初步识别篡改操作类型；3依据Dempster-Shafer证据理论，估计篡改操作置信区间，精确识别篡改操作类型。2.根据权利要求1所述的基于混淆处理效应分离的图像操作链中操作类型识别方法，其特征在于，所述构建基于盲源分离的数字图像操作链的操作分离模型，具体包括：对从数字图像中提取的混合特征进行矩阵变换，获取基于盲源分离的数字图像操作链的操作分离模型，并依据该模型对数字图像操作链的混淆处理效应分离，获取单篡改操作的特征估计，为单篡改操作类型识别提供直接证据。3.根据权利要求1或2所述的基于混淆处理效应分离的图像操作链中操作类型识别方法，其特征在于，所述依据数字图像特征的相关程度，初步识别篡改操作类型，具体包括：度量经历多重篡改后的数字图像的混合特征与依据所述操作分离模型获取的某篡改操作特征之间的相关性，得到两者之间的相关程度，初步判断所述待测图像是否经历该操作篡改伪造以及可能经历的篡改操作类型。4.根据权利要求1或2所述的基于混淆处理效应分离的图像操作链中操作类型识别方法，其特征在于，所述依据Dempster-Shafer证据理论，估计篡改操作置信区间，精确识别篡改操作类型，具体包括：联合单篡改操作取证的多个检测算法，挖掘不同图像特征；通过Dempster-Shafer证据理论的合成规则的决策融合，依据多个检测算法的融合结果，获得篡改操作置信区间估计，精确判别图像操作链中篡改操作类型。

百度查询： 湖南大学 基于混淆处理效应分离的图像操作链中操作类型识别方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD