基于局部色彩不变量的图像篡改检测方法*

谢　伟，万晓霞†，叶松涛，王　韬

(1.武汉大学 印刷与包装系,湖北 武汉　430072；2.武汉大学 中国摄影文化产业研究中心,湖北 武汉　430072；3.湘潭大学 信息工程学院,湖南 湘潭　411105；4.湖南大学 图像传媒技术研究中心,湖南 长沙　410082)



基于局部色彩不变量的图像篡改检测方法*

谢伟1,2，万晓霞1,2†，叶松涛3，王韬4

(1.武汉大学 印刷与包装系,湖北 武汉430072；2.武汉大学 中国摄影文化产业研究中心,湖北 武汉430072；3.湘潭大学 信息工程学院,湖南 湘潭411105；4.湖南大学 图像传媒技术研究中心,湖南 长沙410082)

针对基于分块的图像区域复制篡改检测方法通常面临的图像特征提取计算量大、维度高、识别率低等问题，提出一种基于局部色彩不变量特征的图像区域复制篡改检测方法，将RGB彩色图像转换到对立色彩空间，通过分析和提取图像各通道上的局部密度分布特征，构建k-d树进行相似分块特征匹配以实现图像区域复制篡改检测.提出的局部色彩不变量密度特征具有维度低、计算简单等特点.实验结果表明，本文方法与其他几种典型的基于分块的方法相比，具有较低的时间复杂度和较高的检测率，且对图像篡改区域的旋转、缩放攻击具有较好的鲁棒性，特别是当图像篡改区域进行大角度旋转时与其他几种方法相比具有明显优势.

色彩不变量；特征提取；区域复制；篡改检测；计算机取证

随着图像处理技术的不断进步，使用图像处理软件对图像进行修复、润饰和增强甚至篡改操作也变得越来越容易.而在新闻摄影、司法取证与保险理赔等领域，如果图像进行了恶意篡改，将直接影响对案件的处理结果，造成严重的负面影响.对图像的篡改操作一般有区域复制、图像拼接、图像增强处理等，其中区域复制篡改是最为常见的一种篡改方式[1].

图像区域复制篡改就是将数字图像中某一区域进行复制并粘贴到同一幅图像的另一区域，由于复制区域来源于同一图片，复制区域的噪声、色彩和纹理等属性与目标区域相似，使得篡改后的图像很难被检测和识别.现有图像区域复制篡改检测方法大多基于分块方式实现，通过对图像进行重叠分块处理后提取图像分块特征，然后使用字典排序或最近邻搜索方法对特征向量进行相似性匹配来实现对图像的篡改检测[2].图像灰度纹理特征是图像篡改检测中较常使用的特征，如Luo等人[3]提出的基于分块灰度特征的方法,Mahdian等人[4]基于模糊不变矩的方法等，此类方法特征提取计算较为简单，但对篡改区域的旋转、缩放等后期处理操作鲁棒性需进一步加强.此外,图像的频域特征一直是图像处理领域关注的热点，一些学者将图像频域特征应用于图像区域复制篡改检测研究中，取得了较好的成果，如基于DCT的方法[5-6]、基于DWT的方法[7-8]以及结合频域特征与主成分分析的方法[9-10]等，然而图像频域特征提取通常计算量大、特征向量维度高，增加了图像篡改检测方法的计算时间开销.基于分块的篡改检测方法通常面临特征提取计算复杂、特征向量维度高、特征向量对图像特征描述准确性不够等问题，导致在检测速度、检测精度及鲁棒性等方面效果不够理想.

在提取图像篡改特征时，现有方法大多基于灰度图像进行处理，忽略了图像的色彩特征，然而色彩是人眼进行信息识别的重要特征，现有计算机视觉相关研究表明结合色彩与几何特征的图像特征描述方法与纯几何特征描述方法相比具有更好的识别效果[11].为此，本文结合图像色彩特征进行分析，提出了一种基于局部色彩不变量特征的图像区域复制篡改检测方法，通过在不同色彩空间提取目标图像的局部色彩不变量密度特征对图像进行区域篡改检测.实验结果表明，该方法提出的局部色彩不变量密度特征能够很好地表征图像，较以往典型的基于分块方法相比特征维度低，具有较低的时间复杂度和较高的检测率，并且对图像篡改区域的旋转、缩放攻击具有较好的鲁棒性.

1　图像色彩不变量描述

色彩是人眼进行信息识别的重要特征，色彩特征也是计算机视觉中常用的视觉特征.在成像过程中，图像的色彩往往受成像设备特性和环境光源的影响，我们采用公式(1)对角线模型[11]来表示光照变化对成像结果的影响.

(1)

其中:(Rc,Gc,Bc)为照明条件c变化后生成的图像色彩；(R,G,B)为标准照明条件下生成的图像色彩；系数(a,b,c)表示图像对比度的变化；(o1,o2,o3)表示图像的色彩偏移量.

在上述对角线模型中，光照变化会造成设备所获取的图像色彩变化，而图像所呈现的内容特征实际上没有改变.人眼的色彩视觉识别系统在环境光发生改变时具有颜色恒常性，为了描述图像色彩的本质特性，我们可以通过对(R,G,B)三通道数据进行色彩空间转换和计算提取图像的色彩不变量，排除光照造成对比度变化对图像色彩产生的影响.最简单的色彩不变量色品可以通过公式(2)计算得到，色品向量(r,g,b)对光照强度变化具有不变性[11].

(2)

本文使用的另一种色彩不变量为对立色彩空间，通过将图像(R，G，B)三通道根据公式(3)进行线性变换得到.

(3)

对立色彩空间中，O3代表图像的亮度信息；O1，O2代表图像的色彩信息；图像的色彩信息O1，O2对图像的灰度变化具有不变性[11].

2　基于局部色彩不变量的图像篡改检测方法

本文提出的图像复制移动篡改检测方法基本流程如图1所示.首先对图像进行预处理，将源图像(R,G,B)三通道数据分别转换到色品和对立色彩空间进行描述，然后对转换后的图像根据公式(5)按规则计算各个通道平面内各个像素点的局部色彩分布密度，然后对图像进行重叠分块，提取每个分块的色彩分布密度特征后构建k-d树查找相似性特征，以实现重复图像块的检测.

2.1图像预处理

根据本文第1节中的阐述，与(R，G，B)三通道分量表示的图像色彩特征相比，图像色彩的色品表示方法与对立色彩空间表示方法具有更好的稳定性.首先根据公式(2)将图像(R，G，B)三通道数据转换成色品坐标，转换后图像的(R,G,B)三通道分量数值便以表示色彩分量所占比值的(r,g,b)分量进行表示，然后结合公式(3)将图像从(r,g,b)三通道转换到对立色彩空间(O1,O2,O3)进行表示，以便进行特征提取.转换过程如式(4)所示：

(R,G,B)→(r,g,b)→(O1,O2,O3).

(4)

图1　基于局部色彩不变特性的图像区域复制篡改检测流程

2.2局部色彩不变量密度分布特征描述

源图像经过预处理后形成(O1,O2,O3)三通道数据，其中O1，O2为彩色分量，O3为亮度分量.我们将对立色彩空间上的图像色彩分量看作二维平面上的概率分布，为了增强图像f(x,y)在邻域内的色彩不变量密度空间分布特征，引入局部色彩不变量分布密度pk(i,j)来表征图像f(x,y)在通道k上图像像素点(i,j)在n×n邻域内的色彩密度分布特性：

(5)

2.3局部色彩不变量密度分布特征提取

经过处理后的图像f(x,y)每个像素点可以看作是在不同通道平面上的一种密度分布，针对图像块的特征描述，本文使用密度矩来表征图像在各个通道上的局部色彩不变量密度分布特征，本文使用的两种中心矩分别为一阶中心矩局部色彩不变量密度均值E和二阶中心矩局部色彩不变量密度标准差σ，对于b×b大小的图像分块B，其计算方法分别为：

(6)

(7)

(8)

2.4图像分块相似性检测

(9)

3　算法性能分析

4　实验结果分析

为了验证基于色彩不变量特征的图像篡改检测方法的检测效果、鲁棒性及性能，在Christlein等人[12]建立的数据集上进行了相关对比实验，该数据集包括BenchmarkData基准数据集及旋转缩放等拓展数据集，其中基准数据集包含测试图片96张，旋转缩放攻击拓展数据集测试图片共计960张.本文实验在VisualStudio2010上使用C++编程实现，实验所使用的图形工作站配置为：AMDAthlonX4 3.7GHzCPU，DDR3 1600Hz8G内存.在数据集BenchmarkData[12]上进行了普通篡改检测实验、篡改区域旋转攻击实验、篡改区域缩放攻击实验，在此基础上与5种典型方法(DCT[5]，LUO[3]，BLUR[4]，PCA[9]，DCT-PCA[10])进行了对比.实验表明，本文提出的图像复制移动篡改检测方法在准确率、鲁棒性及性能上均有较好的表现.

4.1评价方法

本文采用精确率(Precision)、召回率(Recall)及综合评价指标F1来对算法进行评价，其计算方法分别为：

(10)

(11)

式中：TP为算法正确检测到的篡改图片数量；FP为被算法误检测为篡改图片的数量；FN为算法未检测到的篡改图片数量.综合评价指标F1为Precision与Recall两项指标的调和平均数.

4.2普通篡改检测实验

本实验采用的BenchmarkData基准数据集包含48张未经过任何篡改操作的原始图片和48张经过复制移动操作的篡改图片，其中篡改区域除了进行平移复制操作和边缘模糊处理外没有进行任何其他处理，篡改区域肉眼难以分辨.我们采用本文提出的方法及以上提到的5种方法对基准数据集中的96张图片进行了对比检测实验，表1为使用各种方法进行检测的准确率、召回率及F1值实验结果对比.

表1　普通篡改检测实验准确率、召回率、F1值对比

实验结果表明，本文提出的图像局部色彩不变量密度分布特征能够很好地对图像块的局部特征进行描述，对检测准确率和召回率进行综合权衡考虑时，本文提出的基于色彩不变量密度分布特征的图像篡改检测方法具有较为理想的效果.图2为本文方法进行图像区域复制篡改检测效果实例图片，从检测结果可以看出，本文所提出的方法对篡改区域具有较高的识别度.

图2　本文方法图像常规篡改检测效果实例

4.3旋转攻击对比实验

在对图片进行篡改时为了使图片看起来更加真实自然，可能会对图像篡改区域进行轻微旋转等处理.为了分析本文所提出的方法对篡改区域旋转操作的鲁棒性，对篡改区域分别旋转2°,4°,6°,8°,10°,20°,60°和180°的情况进行了对比实验.图3为本文与其他5种检测方法对篡改区域旋转攻击的对比实验结果，其中，横坐标表示旋转角度，纵坐标表示不同旋转角度下正确检测到的篡改区域面积与篡改区域无旋转处理情况下正确检测到的面积比值.从实验结果可以看出，各种方法均随着旋转角度的增大，检测率有所降低，本文提出的方法在对篡改区域进行大角度旋转处理后的图片较其他方法相比具有明显优势.图4为使用本文算法对篡改区域进行不同程度旋转处理情况下进行篡改检测的图像实例.

旋转角度/(°)

图4　本文方法旋转攻击篡改检测实例

4.4缩放攻击对比实验

在图像篡改后期处理中，除了可能对篡改区域进行轻微旋转操作外，还可能会对篡改区域进行几何形变，使图片篡改区域难以识别.本文通过对图像篡改区域分别进行80%，91%，93%，95%，97%，99%，101%，103%，105%，107%，109%和120%几何形变处理后，进行了篡改区域检测对比实验，以验证本文方法对篡改区域缩放攻击的鲁棒性.

图5为使用本文方法对篡改区域进行不同程度缩放处理后进行检测的图像检测实例.图6为篡改区域不同缩放比例下的篡改检测对比实验结果，其中横坐标表示缩放比例，纵坐标表示不同缩放比例下正确检测到的篡改区域面积与篡改区域无缩放处理情况下正确检测到的面积比值.实验结果表明，本文方法在小尺度缩放范围内(91%～109%)亦具有较好的鲁棒性.

4.5算法性能对比

本文从图像预处理、特征提取、特征匹配3个方面对比分析本文所提出的方法与其他5种典型方法在计算性能上的差异.对测试数据集中每张图像篡改检测处理的平均时间开销进行统计，图像预处理时间、特征向量提取时间、特征匹配处理时间、总体处理时间分别记为P，F，M，O.表2为本文提出方法与其他5种典型方法的平均处理时间开销情况.

表2　各种算法时间开销对比

在各种图像篡改检测方法中，图像特征提取方法及特征维度是算法检测速度的重要影响因素.DCT[5]，LUO[3]，BLUR[4]，DCT-PCA[10]等方法的特征维度分别为256，7，24，64.本文方法提取的图像块6维特征向量计算简单、维度较低，有利于降低相似图像块特征向量匹配处理复杂度，通过构建k-d树进行近似最近邻查找提高了特征向量的匹配效率.实验表明，本文提出的检测方法在图像特征提取、图像特征匹配及总体检测性能上与其他几种基于分块的检测方法相比具有较优的表现，与其他方法相比单张图片的平均检测速度较快.

5　结　论

基于分块的图像区域复制篡改检测方法通常面临图像特征提取计算量大、提取的特征向量维度高、特征向量对图像特征识别度不够等问题，导致图像篡改检测存在速度慢、检测精度低、鲁棒性差.色彩是人眼进行信息识别的重要特征，在计算机视觉中有着广泛应用，然而现有的基于分块的图像篡改检测方法大多是将彩色图像转换成灰度图像后，基于灰度图像进行特征提取.

本文提出一种基于局部色彩不变量密度特征的图像区域复制篡改检测方法，通过分析和提取图像的色彩不变量密度特征，对图像块进行区域复制篡改检测.实验结果表明，本文提出的局部色彩不变量密度特征能够很好地表征图像块，提取的特征向量具有维度低、计算简单等特点，对图像的区域复制篡改检测效果较为理想，与几种典型的基于分块的方法相比，具有较低的时间复杂度和较高的检测率，并且对图像篡改区域的旋转攻击及小尺度缩放攻击具有较好的鲁棒性，特别是对图像篡改区域进行大角度旋转时的检测效果与其他几种方法相比具有较明显优势.

[1]BIRAJDAR G K, MANKAR V H. Digital image forgery detection using passive techniques: a survey[J]. Digital Investigation, 2013, 10(3): 226-245.

[2]WANDJI N N D, SUN Xin-ming, FAH K M. A survey of partition-based techniques for copy-move forgery detection[J].The Scientific World Journal,2014，1(1)：1-13.

[3]LUO W,HUANG J,QIU G.Robust detection of region-duplication forgery in digital image[C]//Pattern Recognition, ICPR 2006，18th International Conference on. New York:IEEE, 2006: 746-749.

[4]MAHDIAN B, SAIC S. Detection of copy-move forgery using a method based on blur moment invariants[J]. Forensic Science International,2007,171(2):180-189.

[5]FRIDRICH A J, SOUKAL B D, LUKA J. Detection of copy-move forgery in digital images[C]//Proceedings of Digital Forensic Research Workshop. Cleveland, USA:Springer,2003:1-10.

[6]MIRE A V,DHOK S B,MISTRY N J,etal. Factor histogram based forgery localization in double compressed JPEG images[J].Procedia Computer Science,2015,54: 690-696.

[7]FATTAH S A,ULLAH M M I,AHMED M,etal.A scheme for copy-move forgery detection in digital images based on 2D-DWT[C]//Circuits and Systems (MWSCAS), 2014 IEEE 57th International Midwest Symposium on. New York:IEEE, 2014: 801-804.

[8]LIU F, FENG H. An efficient algorithm for image copy-move forgery detection based on DWT and SVD[J]. International Journal of Security and Its Applications, 2014, 8(5): 377-390.

[9]BASHAR M K, NODA K, OHNISHI N,etal. Exploring duplicated regions in natural images[J]. IEEE Transaction on Image Processing, 2010, 1: 1-40.

[10]SUNIL K, JAGAN D, SHAKTIDEV M. DCT-PCA based method for copy-move forgery detection[C]//ICT and Critical Infrastructure. Proceedings of the 48th Annual Convention of Computer Society of India-Vol II. New York:Springer International Publishing, 2014: 577-583.

[11]VAN DE SANDE K E A, GEVERS T, SNOEK C G M. Evaluating color descriptors for object and scene recognition[J]. Pattern Analysis and Machine Intelligence, IEEE Transactions on, 2010, 32(9): 1582-1596.

[12]CHRISTLEIN V,RIESS C,JORDAN J,etal.An evaluation of popular copy-move forgery detection approaches[J]. Information Forensics and Security, IEEE Transactions on, 2012,7(6):1841-1854.

Image Copy-move Forgery Detection Based on Local Color Invariants

XIE Wei1,2, WAN Xiao-xia1,2†, YE Song-tao3, WANG Tao4

(1.School of Printing and Packaging, Wuhan Univ, Wuhan, Hubei430072,China;2.China Research Center for Photographic Culture Industry, Wuhan Univ, Wuhan, Hubei430072,China;3.College of Information Engineering, Xiangtan Univ, Xiangtan, Hunan411105,China; 4.Image Media Technology Research Center, Hunan Univ, Changsha, Hunan410082,China)

Block-based copy-move image forgery detection methods usually have problems such as high-dimensional feature vector, high computational complexity and low detection rate.So, this paper proposed a new method for image copy-move forgery detection based on color invariants, which extracts density characteristics from each channel of opponent color space converted from RGB. The k-d tree is constructed to speed up approximate nearest neighbors matching for tampering detection. The experiment results show that the proposed local color invariants feature with low-dimension and simple computation can represent the image block feature effectively. When compared with typical block-based methods, this method has some advantages, such as lower computational complexity, more accurate and robust to post-processing for forgery regions such as rotation and scaling.

color invariants;feature extraction;copy-move;forgery detection; computer forensics

1674-2974(2016)08-0128-07

2015-07-21

国家重点基础研究发展计划(973计划)资助项目 (2012CB725302)；国家自然科学基金资助项目(61275172), National Natural Science Foundation of China(61275172)；交通部信息化重大专项(2013-364-548-200)

谢伟(1985-)，男，湖南新化人，武汉大学博士研究生†通讯联系人，E-mail:wan@whu.edu.cn

TP391

A