基于光照方向不一致性的图像盲取证方法

合集下载

(完整版)基于光照方向不一致性的图像盲取证方法

(完整版)基于光照方向不一致性的图像盲取证方法
成的图像的光照方向。
局部光源模式的图像盲取证方法
无限光源照射时拍摄的图像, 其光照方向L 不依赖图像坐 标, 期望相邻小平面的光照方向是相同的, 而局部光源(例 如室内的灯) 照射下拍摄的照片, 其光照方向L 与图像坐标 相关, 期望每个小平面的光线汇聚于一点。
假设局部光源为S, ci 和ci - 1为 任意两个小平面的中心点, L i , L i - 1表示ci , ci - 1与局部点光 源之间的连线, 即分别以ci , ci -
Ld ( p) ka kd ( L N(P) cos) ka kd (N(P)L) ……①
基础算法
把相机拍摄的三维图像简化为二维平面, 只考虑光照方向 的Lx和Ly两个分量
根据图所示, 图像中的整个景物表面具有相同的漫反射 率, 为满足条件, 可以把整个图像分成k个小平面, 每个小平 面包含P个像素点, 并且每个小平面具有相同的漫反射率, 所 以每个小平面的漫反射率kd可取单位值, 然后单独估计每个 小平面的光照方向L i , 最后再把这些光照方向融合到一起,
数码相机和数字打印扫描设备的急剧增长和快速普及, 使人们比以往任何时候更能接触到大量照片、图片,并比以 往任何时候都更加偏爱照片、图片,“数字照片时代”或 “数字图片时代”己经到来。与此同时越来越多的图像处理 和编辑软件如Photoshop, ACDSee, iPhoto等的广泛使用, 使得修改、编辑以及存储数码照片变得越来越简单和有趣。 然而,当我们的视觉和听觉在尽情地享受着现代多媒体技术 及数字传输技术带来的愉悦,当我们在毫无限制地任意编辑、 修改、拷贝和散布数字音乐、图像、视频时,我们是曾想过 这些数字媒体原创者的版权和经济利益如何得到保护?我们 所听到和看到数字媒体是完整、真实、可信?

基于无限光源光照模型的档案真伪盲鉴别算法

基于无限光源光照模型的档案真伪盲鉴别算法
料一旦数 字化加工完成 , 就 绝 对 不 容许 作 任 何 改 动 了 。

拼接篡改操作通 常会破 坏 自然 图像 的数据特性 ,光源
方 向 的 不 一 致 性 就 是 这 种 图像 拼 接 篡 改 过 程 中 遗 留 的 痕迹。 因此 , 可 以 通 过检 测档 案 图像 中不 同 区域 的光 源 方 向是 否 一 致 来 鉴 别 图像 的 真伪 。基 于 这 种 思 想 , 对 于 拼 接 光 照 条 件 较 好 的两 幅或 多 幅 图像 而 生 成 的伪 造 图
旦被篡改 , 该 档 案 将 失 去其 原 有 的 意 义 。 并 被 视 为无
效 档案。 因此 , 对档案图像 在加工 、 存储 、 传输 和应用过 程 中防伪 、防篡改 的版权保 护以及原始性鉴别将是数
字 化 档 案 开 发 和 利 用 的 技 术关 键
像, 本项 目拟采用基 于 L a mb e r t 光照模型 的盲鉴别算法
F i l L a mb e r t l i t mo d e 1 .
案在 加工 、 存储、 传输 和应用 过程 中防伪 、 防 篡 改 的 版
的原始预嵌入信息 。盲鉴别技术是一种新 的图像真实 性分析思路 , 直接依靠 图像 本身 , 在不需要任何 预嵌 入 信息前提下 .通过 分析检测图像 的来源 和图像 篡改 的
权保护 以及原 始性鉴别 。将是数字化档案开发 和利 用 的技术关键 。而随着电子高科技 的飞速发展及数字 时
代 的降临 。计算 机技术 的成熟 以及高性能数码相机 和
湖北 档案 2 5
图像 处 理 软 件 的 广泛 普 及 , 数 字 图像 的 修 改 、 编 辑 变 得 异 常简 单 。 与 此 同时 . 档案图像 、 新 闻媒 体 、 司法 证 据 甚

基于Lambert-Phong模型的图像盲取证方法

基于Lambert-Phong模型的图像盲取证方法
Ab ta t i c h l mi ai n mo e s d i xsi g meh d fb id i g o e s s c ud n tef ci ey r p e e t sr c :S n e te i u n t d l e n e i n t o s o l ma e fr n i o l o f t l e r s n l o u t n c e v s r c i h ig efcs L mb r— h n l mi ai n mo e s p o o e i h c n an d t e df s g a d s e u a e e t n u f e l t f t, a e t o g i u n t d l a g n e P l o wa r p s d whc o ti e h i u i n p c lrr f ci f n l o
漫反射和镜面反射是 同时存在 的。 为了更准确地描述物体 表面 的光照条 件 , 文 同时考虑 本
漫 反 射 和 镜 面 反 射 , 出 了一 种 L m e —hn 光 照 模 型 , 提 a b rP o g t 如
s o a t lm n t nd e t no ie n o jc a e o l ec l lt c ua l u ig h rp sdi u ia o h w t t h iu ia o i ci f f r t bet i i g s udb a ua da c rt y s epo oe lm n t n h el i r o dfe sn m c c e e n t l i
DU ng y . YAO a g s u Ho - e W n —h
fcolfC m ue Si c a dTcnl y oco n esy Szo in s 10 6 hn) h o o o p t c ne n eh o g ,Soh w U i ri, uh uJa gu25 0 ,C i S r e o v t a

如何解决图像识别中的光照不均匀问题(三)

如何解决图像识别中的光照不均匀问题(三)

图像识别技术的快速发展与广泛应用已经改变了人们的生活方式和工作方式。

然而,在实际应用中,不均匀光照条件下的图像识别问题成为制约算法性能和应用效果的一大难题。

本文将探讨如何解决图像识别中的光照不均匀问题,并提供一些有效的解决方案。

一、光照不均匀问题的影响及原因在实际拍摄过程中,光照条件的不均匀性会导致图像中存在明暗差异、细节模糊以及颜色失真等问题,从而影响到图像识别的准确性和鲁棒性。

光照不均匀问题的主要原因包括:自然光照条件的变化、摄像设备的限制以及拍摄角度和距离的不同。

二、基于图像增强的方法图像增强是解决光照不均匀问题的一种常用方法。

首先,可以采用直方图均衡化方法来增强图像的对比度,使得图像中的细节更加清晰。

其次,对于大范围的亮暗差异可以使用自适应直方图均衡化算法进行处理,这种方法能够根据图像的局部区域光照条件的变化来调整图像的对比度。

另外,基于Retinex理论的图像增强方法也被广泛应用于解决光照不均匀问题,该方法通过模拟人眼感知机制对图像进行增强,能够有效提升图像的亮度和色彩表现力。

三、基于深度学习的方法深度学习在图像识别领域取得了巨大的突破,也为解决光照不均匀问题提供了新的思路。

一种常见的深度学习方法是使用卷积神经网络(CNN)进行图像增强。

通过预训练好的CNN模型对输入图像进行特征提取,然后利用这些特征进行图像重建和增强,可以较好地解决光照不均匀问题。

此外,生成对抗网络(GAN)也在光照不均匀问题的解决中发挥了重要作用。

GAN模型通过从训练数据中学习生成真实图像的能力,能够根据输入图像的光照不均匀情况生成对应的光照均匀的图像,从而提高图像识别的准确性和稳定性。

四、基于多尺度融合的方法由于光照不均匀问题往往会造成图像中局部区域亮度差异的明显变化,因此,将多个尺度的图像信息进行融合是一种有效的解决方案。

这种方法可以通过将图像分成多个局部区域,并对每个区域进行光照均衡化处理,然后将处理后的图像重新组合成最终的结果。

基于光照方向不一致性的图像盲鉴别方法

基于光照方向不一致性的图像盲鉴别方法

基于光照方向不一致性的图像盲鉴别方法
吕颖达;申铉京;陈海鹏;王友卫
【期刊名称】《吉林大学学报(信息科学版)》
【年(卷),期】2009(027)003
【摘要】图像篡改破坏了自然图像的光照一致性,为了保证图像内容的安全性,提出一种基于光照方向一致性的图像盲鉴别方法鉴别图像真伪.该方法根据图像的实际强度与计算强度间的误差函数以及适合不同光源模式的约束条件,估计不同光源模式下图像的光照方向.通过分析图像中不同对象或对象与背景之间的光照方向是否一致,判断图像是否被篡改.实验结果表明,无限光源模式的数字图像盲鉴别方法的正确检测率可达到81.8%,从而证明了局部光源和复合光源模式的数字图像盲鉴别方法的有效性.
【总页数】6页(P293-298)
【作者】吕颖达;申铉京;陈海鹏;王友卫
【作者单位】吉林大学,计算机科学与技术学院,长春130012;吉林大学,计算机科学与技术学院,长春130012;吉林大学,计算机科学与技术学院,长春130012;吉林大学,计算机科学与技术学院,长春130012
【正文语种】中文
【中图分类】TP391
【相关文献】
1.利用JPEG块效应不一致性的合成图像盲检测 [J], 魏为民;唐振军
2.基于组合范数的单一方向运动模糊图像盲复原 [J], 陈文标;孙圣姿;万源
3.基于Lambert光照模型的图像真伪盲鉴别算法 [J], 陈海鹏;申铉京;吕颖达;金玉善
4.量化不一致性的JPEG合成图像盲检测 [J], 胡惠平;陈水利
5.基于暗通道先验和多方向加权TV的图像盲去模糊方法 [J], 杨爱萍;张越;王金斌;何宇清
因版权原因,仅展示原文概要,查看原文内容请购买。

如何解决图像识别中的光照不均匀问题(七)

如何解决图像识别中的光照不均匀问题(七)

如何解决图像识别中的光照不均匀问题在日常生活和工作中,我们经常会遇到图像识别的需求,而光照不均匀问题是影响识别准确性的一大挑战。

本文将探讨如何解决图像识别中的光照不均匀问题。

一、了解光照不均匀问题的影响在进行图像识别时,光照不均匀问题会造成图像中不同区域光照强度的差异,从而导致识别结果不准确。

这是因为识别算法往往基于图像的灰度值或颜色信息来进行分析,而光照变化会导致这些信息的失真。

二、预处理阶段的光照校正方法1. 直方图均衡化直方图均衡化是一种常见的光照校正方法,它通过调整图像各个像素的灰度值来改善光照不均匀问题。

具体步骤是将图像的灰度分布映射到一个均匀分布上。

2. 基于颜色空间的方法除了直方图均衡化,还有一些基于颜色空间的方法可以进行光照校正。

这些方法通常基于图像中不同颜色通道间的相关性,利用颜色信息来补偿光照变化。

三、机器学习方法的应用除了传统的预处理方法,机器学习方法也可以用于解决图像识别中的光照不均匀问题。

通过训练一个模型来学习图像中的光照变化模式,然后将这个模型应用于新的图像上进行预测。

1. 特征提取在机器学习方法中,特征提取是一个重要的步骤,它可以帮助模型学习到图像中的光照变化模式。

一些常用的特征包括灰度值、颜色直方图和纹理等。

通过提取这些特征,我们可以构建一个更鲁棒的模型来应对光照不均匀问题。

2. 模型选择和训练在选择模型时,我们可以考虑使用一些深度学习模型,如卷积神经网络(CNN)和递归神经网络(RNN),它们在图像识别中表现良好。

然后,我们需要使用大量的标注数据对模型进行训练,以使其学会从光照变化中提取有用的信息。

四、其他方法和技巧除了上述介绍的方法外,还有一些其他方法和技巧可以帮助我们解决图像识别中的光照不均匀问题。

1. 多图像融合可以通过融合多幅图像来消除光照不均匀问题。

例如,可以拍摄多张图像,然后将它们融合为一张图像,以获得更均匀的光照。

2. 纹理增强光照变化通常会导致图像中的纹理丢失或模糊。

如何解决图像识别中的光照不均匀问题(十)

如何解决图像识别中的光照不均匀问题(十)

在图像识别技术中,光照不均匀是一个常见的问题。

光照不均匀会导致图像中的目标物体出现明暗不一,影响了准确的图像识别和分析。

因此,解决图像识别中的光照不均匀问题是一个关键的任务。

一、了解光照不均匀问题的原因光照不均匀通常由环境中的自然光源不均匀分布、光线的反射和折射等多方面因素导致。

这些因素使得图像中的部分区域相对于其他区域变暗或变亮,进而影响了图像的质量和识别效果。

二、预处理算法对光照不均匀问题的应用在解决光照不均匀问题中,预处理算法是一种常用的方法。

通过对图像进行预处理,可以消除光照不均匀引起的负面影响,提高图像的质量和识别效果。

1. 直方图均衡化算法直方图均衡化算法是一种常用的预处理方法,它通过对图像的直方图进行变换,使得图像中的像素分布更加均匀。

这样可以提高整个图像的对比度,减少光照不均匀导致的明暗差异。

然而,直方图均衡化算法存在一些缺陷,例如对于光照变化较为剧烈的图像,可能会导致细节的丢失和图像的过曝。

2. 双边滤波算法双边滤波算法是一种非线性滤波方法,它不仅考虑相邻像素的空间距离,还考虑图像中像素的亮度差异。

通过保留边缘信息的同时,可以减少光照不均匀带来的影响。

双边滤波算法在处理光照不均匀问题时,能有效减少图像的噪声和增强细节。

三、深度学习在解决光照不均匀问题中的应用近年来,深度学习技术的快速发展为解决图像识别中的光照不均匀问题提供了新的思路和方法。

1. 卷积神经网络(CNN)算法卷积神经网络是一种适用于图像处理和分析的深度学习算法。

通过训练大量的图像数据,CNN能够自动提取和学习图像中的特征。

在解决光照不均匀问题中,CNN可以通过构建多层卷积和汇聚层来提取图像的特征,进而实现对光照不均匀的自适应调整。

2. 生成对抗网络(GAN)算法生成对抗网络是一种由生成器和判别器组成的模型,通过训练生成器和判别器的对抗过程,可以生成质量较高的图像。

在解决光照不均匀问题中,GAN可以通过生成与原始图像近似的新图像,来实现光照不均匀的纠正。

像素方向分布不一致性的图像模糊取证方法

像素方向分布不一致性的图像模糊取证方法
像 素方 向分布不一致 性 的图像模糊取证 方 法 术
彭 蜜 , 彭圆圆
( 1 . 湖 北 第 二 师 范 学 院 计 算机 学 院 , 湖北 武汉 4 3 0 2 0 5 ;
2 . 贵州 I 大 学 计 算机 科 学 与信 息 学 院 , 贵州 贵 阳 5 5 0 0 2 5 )
d i s t r i b u t i o n o f t h e p i x e l s d i r e c t i o n i s u s e d t o l o c a l i z i n g t h e t a mp e i r n g r e g i o n 。 Ex p e ime r n t a l r e s u l t s s h o w t h a t t h i s me t h o d c a n e f f e c t i v e l y d e t e c t ma n u a l b l u ri n g i n a t a mp e r e d i ma g e a n d a l s o h a s a g o o d r o b u s t n e s s . K e y wo r d s: b l u ri n g o p e r a t i o n; d i g i t a l f o r g e r i e s c r e a t i o n; p i x e l s d i r e c t i o n
Ab s t r a c t :T h e wi d e l y u s e d d i g i t a l c a me r a s a n d p h o t o e d i t i n g s o f t w a r e b in r g U S a n e w p r o b l e m o f ta mp e r e d i ma g e.F o c u s i n g o n

如何解决图像识别中的光照不均匀问题(一)

如何解决图像识别中的光照不均匀问题(一)

图像识别是计算机视觉领域的重要研究方向,它涉及将图像中的物体或场景进行分类、定位等任务。

然而,图像识别中常常会遇到一个困扰人的问题,那就是光照不均匀的影响。

光照不均匀可以导致图像中物体的颜色、形状等特征发生变化,从而对图像识别的准确性带来负面影响。

本文将讨论如何解决图像识别中的光照不均匀问题,并提供一些解决方案。

1. 反射光补偿光照不均匀问题的一个主要原因是物体表面的反射光不均匀。

为了解决这个问题,可以利用图像处理的技术进行反射光补偿。

通过在图像上进行局部自适应的亮度修正,可以将图像中亮度偏低的区域增强,从而使整个图像的亮度更加平衡。

2. 光照估计与矫正另一种处理光照不均匀问题的方法是进行光照估计与矫正。

该方法通过分析图像中的光照分布情况,对图像进行光照矫正,使得图像中的光照更加均匀。

例如,可以利用基于物体表面反射模型的算法,对图像进行光照估计,并在此基础上进行光照矫正。

3. 多尺度处理在进行图像识别时,通常会选择一定的图像尺寸进行处理。

然而,光照不均匀问题可能在不同尺度上有所不同。

为了获得更好的识别效果,可以考虑在多个尺度上进行图像处理和识别。

通过在不同尺度上对图像进行光照调整和特征提取,可以更好地处理光照不均匀问题。

4. 数据增强技术数据增强技术是解决图像识别中光照不均匀问题的有效手段之一。

通过对图像进行旋转、翻转、裁剪等操作,可以生成更多的训练样本,从而增加模型对光照变化的鲁棒性。

另外,通过对图像进行亮度、对比度等调整,也可以模拟出不同光照条件下的图像,提高模型的泛化能力。

5. 深度学习方法随着深度学习在计算机视觉领域的广泛应用,它也被用于解决图像识别中的光照不均匀问题。

深度学习模型具有强大的学习能力,在大规模训练数据上可以学习到光照不变的特征表示。

通过训练深度学习模型,可以使其对光照变化更加稳健,提高图像识别的准确性。

综上所述,解决图像识别中的光照不均匀问题是一个具有挑战性的任务。

通过反射光补偿、光照估计与矫正、多尺度处理、数据增强技术以及深度学习方法等手段,可以有效地改善图像识别在光照不均匀条件下的性能。

数字图像盲取证技术研究综述

数字图像盲取证技术研究综述

像光照一致性 、 各种物体 的比例关系、 色彩反差一致性、 局部分 提 出了一个数字 图像盲取证 技术 的基本 框架 , 它包 括图像建 模、 特 征提取与特 征分析、 算法设计、 测试与验 证、图像盲取证
目前 , 通 常有两 种取证 技术 一是 数字 图像主动 取证技 术 辨率 、 边缘 特征等方面 阐述了静态 图像原始性检验技术 。 吴琼 ( 数 字签名、 数 字水 印) , 另一种是数字图像被动取证技术 , 也 通常称为数字图像盲取证技术 。
随着 计算机技 术、网络技 术、 多媒体技 术的迅速 发展 , 数 被 篡改的位置 以及被篡 改的严重程 度。 数字签名和数字水印检 字图像已在我们工作生活 中发挥着 越来越 重要的作用 , 与此 同 测技术 的一个共同特点是 内容 提供方必须对图像进行 预处理, 时, 高质 量数码相机 的普及和功能 日益强大 的图像处理软件 的 提取 签名或嵌入水 印。 换句 话说 , 只有所 有的数字 图像在 发布 相应 的鉴别技术 才能真正 广泛应用 , 使得人们不需要特 殊的专业技 术即可对数字图像进 之前都实现了签名提 取或水印嵌入 , 行非常逼真 的修 改, 处理效果很难 通过人 眼分辨。 大 多数 人对 有效 , 而在实际应用中, 绝大多数数字 图像事先并没有预处理,
1 数字 图像 取证
数字 图像取证技术是一个多学科综合 的研 究问题 , 它 涉及 别成 立了专门的数 字媒体 检测技术研 究小组 。 相比国外, 国内 计 算机 视觉 、 信 号处理 、 计 算机 图形 学、 机 器 学习、 成像传 感 在该领域 的研 究起 步较晚 , 但 由于该项研 究在法律 、 公 安实务
名、 法庭犯 罪取证、 保险事故调查、 军事情报分析等领域 , 有着

如何解决图像识别中的光照不均匀问题(二)

如何解决图像识别中的光照不均匀问题(二)

解决图像识别中的光照不均匀问题导语:图像识别技术在计算机视觉领域中发挥着重要作用,但在实际应用中,光照不均匀问题常常影响识别的准确性和稳定性。

本文将针对光照不均匀问题,提出一些解决方案,帮助改善图像识别算法的表现。

一、光照不均匀问题的影响光照不均匀是指图像中不同区域的亮度存在明显差异,这种差异可能由于光源、阴影、反射等因素引起。

光照不均匀问题对图像识别的影响主要体现在两个方面:1. 特征提取困难:在光照不均匀的情况下,同一物体在不同光照条件下表现出的特征差异较大,使得图像特征提取的准确性和一致性降低。

2. 分类准确度下降:光照不均匀往往导致图像中某些区域细节不清晰,或者局部区域过曝或欠曝,从而使得分类器对不同类别的区分能力降低,导致分类准确度下降。

二、解决方案为了解决图像识别中的光照不均匀问题,可以采取以下策略:1. 预处理技术预处理技术是一种常用的光照不均匀问题解决方法。

通过对图像进行直方图均衡化、滤波和伽马校正等操作,可以调整图像亮度和对比度,降低光照不均匀性。

此外,还可以使用多个光照条件下的训练样本,通过数据增强的方式提高分类器的鲁棒性。

2. 多尺度特征提取光照不均匀问题往往导致图像中某些局部区域存在较大亮度差异,为了增强图像特征的一致性,可以采用多尺度特征提取方法。

通过在不同尺度上对图像进行特征提取,可以获取更全局、更稳定的特征表示,提升分类器的鲁棒性。

3. 深度学习方法深度学习在图像识别领域取得了重大突破,对于解决光照不均匀问题也有一定的效果。

通过使用深度神经网络进行特征学习和模式匹配,可以提取出更具有表征能力的特征,有效地减小光照不均匀的影响。

此外,深度学习还可以通过增加网络层数和引入更复杂的结构,进一步提高识别算法的性能。

4. 模型迁移学习模型迁移学习是一种将在其他任务上训练得到的模型应用于目标任务的技术,可有效解决光照不均匀问题。

通过使用在大规模数据集上训练得到的模型,可以利用其学到的特征表示能力,实现对光照不均匀图像的更准确分类和识别。

  1. 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
基于光照方向不一致性的图 像盲取证方法
指导教师:李昕 学生:李颜(09720961) 2010.4.16
背景知识
数字图像真实性鉴别技术是确保数字图像信息安全的一 种新的有效手段。 图像篡改可归结为对图像对象的增、删、改操作, 一 般是将图像中的对象或背景与另一幅图像的背景或对象相 结合, 以造成某种假象, 或删除图像的某一部分对象或背景 隐藏重要目标。这些操作通常会破坏自然图像的光照一致 性, 并且图像篡改很难使光照效果和定向的光源相匹配 (例 如晴天的太阳、室内的电灯等) , 因此可根据图像中场景光 照的不一致性, 对数字图像进行盲鉴别。
L
3) 在步骤2) 中已经确定分别经过c1 和c2的两条直线l1 和l2 , 假设这两条直线的交点为局部点光源S (Sx , Sy ) 。 4) 点S (Sx , Sy ) 到步骤2) 中确定的各条直线li 的距离之 和为: n Li Liy 2 y f3 ( S x , S y ) i S x S y ei / 1 ( i ) Lx i 1 Lx
该方法根据图像的实际强度与计算强度间的误差函数 以及适合不同光源模式的约束条件, 估计不同光源模式下图 像的光照方向。通过分析图像中不同对象或对象与背景之 间的光照方向是否一致, 判断图像是否被篡改。
总体思想
从一幅图像中手动选取感兴趣的对象或 背景作为待检测图像, 根据Lambert光照模 型, 做一些使问题简化的假设, 由像素点处 的平面法线及图像中像素点的强度可得到 关于光照方向的误差函数, 使误差函数取得 最小值的光照方向即为所求。
2. 3. 4.
5. 6.
数码相机和数字打印扫描设备的急剧增长和快速普及, 使人们比以往任何时候更能接触到大量照片、图片,并比以 往任何时候都更加偏爱照片、图片,“数字照片时代”或 “数字图片时代”己经到来。与此同时越来越多的图像处理 和编辑软件如Photoshop, ACDSee, iPhoto等的广泛使用, 使得修改、编辑以及存储数码照片变得越来越简单和有趣。 然而,当我们的视觉和听觉在尽情地享受着现代多媒体技术 及数字传输技术带来的愉悦,当我们在毫无限制地任意编辑、 修改、拷贝和散布数字音乐、图像、视频时,我们是曾想过 这些数字媒体原创者的版权和经济利益如何得到保护?我们 所听到和看到数字媒体是完整、真实、可信?
局部光源模式的图像盲取证方法
无限光源照射时拍摄的图像, 其光照方向L 不依赖图像坐 标, 期望相邻小平面的光照方向是相同的, 而局部光源(例 如室内的灯) 照射下拍摄的照片, 其光照方向L 与图像坐标 相关, 期望每个小平面的光线汇聚于一点。
假设局部光源为S, ci 和ci - 1为 任意两个小平面的中心点, L i , L i - 1表示ci , ci - 1与局部点光 源之间的连线, 即分别以ci , ci 1为中心的小平面的光照方向。 设f3 (S ) 为局部点光源S到L i 和 L i - 1的距离之和, 因为在局部 光源模式下, 期望光线汇聚于一 点, 所以期望f3 (S ) 趋于零,以估 计光照方向。 确定规范项f3 (S ) 的算法如下:
a表示实际光源方向, b表示估计的光源方向
3 复合光源方向, b表示估计的虚拟光源方向
实验结果分析
基于光照方向的数字图像盲鉴别方法, 针对不同光 源模式的数字图像采用与其相适应的图像盲鉴别方法, 可有效地计算出图像的光照方向, 对被篡改的图像, 可 检测出其不同对象或背景之间的光照方向的不一致性。 而且, 无限光源模式的数字图像盲鉴别方法的正确检测 率已达到81.18% , 说明了局部光源和复合光源模式的 数字图像盲鉴别方法的有效性。 但是, 试验结果中仍存在误差, 出现误差的原因 可能有两种: 物体表面的反射不符合Lambert光照模 型的漫反射条件; 图像中阴影的影响, 使测量图像中 像素的平面法线时, 出现误差。
测得图像中任一像素点的强度Id ( x, y) , 并由一个像素 点的平面法线和此像素点到光源的方向向量计算出该像 素点的一个强度值, 由此得到测量强度和计算强度之间 的误差函数, 且这个误差函数是以光照方向L 为变量的。
……②
无限光源模式的图像盲取证方法
◎相邻小平面的光线是平行的, k个小平 面光源方向的方位是均等的, 即L i 和L i - 1之间的差值非常小(趋于零)。
Ld ( p) ka kd ( L N (P) cos ) ka kd ( N (P)L)
……①
基础算法
把相机拍摄的三维图像简化为二维平面, 只考虑光照方向 的Lx和Ly两个分量 根据图所示, 图像中的整个景物表面具有相同的漫反射 率, 为满足条件, 可以把整个图像分成k个小平面, 每个小平 面包含P个像素点, 并且每个小平面具有相同的漫反射率, 所 以每个小平面的漫反射率kd可取单位值, 然后单独估计每个 小平面的光照方向L i , 最后再把这些光照方向融合到一起, 得到最终的光照方向。
1)CFA插值检测 2)模式噪声检测 3)色差检测 4)相机响应不一 致检测
1)自然图像统计模型 2)双相干系数和边缘 百分比特征 3)图像质量度量,二 元相似性度量等特征
图像盲取证方法分类
光照模型
〓此模型假设光线在空间所 有方向的反射强度均相同 〓当一个表面表现为朗伯(L ambert) 反射时, 观察者在 任何一个方向观察到的反射 亮度都相同, 即物体表面的 亮度与观察角度无关 ◆根据Lambert模型, 一个理想漫射物体表面上反射出的漫反射光的强度同入射 光与物体表面法向之间夹角的余弦成正比, 再将环境光所 产生的光强度计算在内, 可得到完整的图像强度表达式:
结语
数字图像篡改, 通常是拼接不同图像中的对象或背景, 虽然现在的图像编辑软件可以轻松地生成或除去阴影或光线 倾斜度, 但很难隐藏光照方向, 而且图像中不同对象或背景 的光照方向是可以估计的。 因此, 光照方向的不一致性可作为揭示图像篡改的有效 证据。笔者提出了一种通过估计光照方向对数字 图像进行盲分析的技术, 并且对在局部光源照射下拍摄的照 片, 提出了改进的鉴别方法。 数字图像盲鉴别技术是一项非常新的前沿研究领域, 国 内外研究还处于起步阶段, 挑战性问题多,创新空间大。可以 在笔者提出的方法基础上, 进一步研究如何估计光照方向的z 分量, 即Lz , 以使结果更加精准, 同时, 也可建立一个判断机 制, 决定使用无限光源模式还是局部光源模式估计光照方向。
1) 对误差函数 小平方法求出v,即可求出任一小平面的光照方向 Li 。 2) 求任一小平面的中心点ci , 在L i 方向确定通过ci 的一 Liy 条直线l:
2 v (L1x L1y L2 L2 ……Lk Lky Ls ) f1 (v ) Mv b x y x (其中 )。用最
y
i x
x ei
复合光源模式的图像盲取证方法
多个光源照射场景时拍摄的图像称为在复合光源照射下 拍摄的图像。由于光线具有线性属性, 所以, 一个场景在 两个光源照射下拍摄的图像, 其光照强度可表述为:
I d ( x, y ) R (( N ( x, y ) L1 ) ( N ( x, y ) L2 ) k a R ( N ( x, y )( L1 L2 )) k a R ( N ( x, y ) L ) k a
主动取证与被动盲取证
数字图像 即数字水印技术,数字水印是利用 数字作品中普遍存在的冗余数据和随机性把版权信息嵌入在 数字作品本身中,从而起到保护数字产品版权或完整性的一 种技术。
主动取证
数字图像 技术是指在没有嵌入水印的前 提下检测图像从拍摄以后是否经过了篡改。
被动盲取证
图像篡改破坏了自然图像的光照一致性, 为了保证图 像内容的安全性, 提出一种基于光照方向一致性的图像盲 鉴别方法鉴别图像真伪。
图像伪造 知识
图像成像 过程
图像统计 特性
图像特征提取与 一致性模型建立
图像盲取 证算法
图像分类与 篡改区域定位
结果 输出
图像数据库
数字图像盲取证基本框架
基于真实性鉴别的数 字图像盲取证技术
基于图像伪造过程的 遗留痕迹进行盲取证
基于成像设备的一 致性进行盲取证
基于自然图像的统 计性进行盲取证
1)复制粘贴检测 2)JPEG双压检测 3)重采样检测 4)照明不一致检测 5)模糊估计
该形式可以约分到与单一光源(与式①) 相同的形式, 所以,用前面几节中提到的方法, 可得到一个“虚拟” 的估计值, 作为“虚拟”光源。
实验结果及分析
1 无限光源模式图像盲鉴别方法的实验结果 估计实验图像库中486幅图像的光照方向, 这些图像都是天 气晴朗时由索尼数码照相机拍摄的图像。
2 局部光源模式图像盲鉴别方法的实验结果
◎在式②表示的二次误差函数的 基础上,增加以下规范项:
……③ 用因数λ把二次误差函数f1 (L1 , ⋯, Lk , ka ) 和规范项f2 ( v) 连接起来, 得到最终的误差函数:
……④
用最小平方法估计光照方向, 对该误差函数关于v求 微分, 并令其结果为零, 得到: ……⑤
平均k个光源方向L1 , ⋯, Lk , 可得到无限光源照射下生 成的图像的光照方向。
参考文献
1. Popescu A C, Farid H. Exposing digital forgeries detecting traces o f resembling. IEEE Transactions on Processing, 2005, 53(2): 758-7 67 王大青,管会生.基于色像差的数字图像盲取证系统设计[J]. 《微计算机信息》2009 ,25 (2-3):83-100 朱秀明,宣国荣,姚秋明,童学锋,施二庆. 信息取证中图像 L采样检测. 计算机应用,2006, 26(11): 2596-2597 Ng T T, Chang S F, Sun Q B. Blind Detection of Digital Photomon tage Using Higher Order Statistics, Advent Tech-nical Report 2012004-1, Columbia University, June 2004 吴琼, 李国辉, 涂丹, 等. 面向真实性鉴别的数字图像盲取证技 术综述[ J ]. 自动化学报, 2008, 34 (12) : 1458-1466 施化吉, 周新法, 李星毅, 等. 同步数字音频盲水印[ J ]. 吉林 大学学报: 信息科学版, 2006, 24 (1) : 56-61
相关文档
最新文档