论文部分内容阅读
随着科技进步,各种图像捕获设备层出不穷,图像在人们的生活中使用的也越来越广泛。但同时,由于数字图像便于修改,导致它的内容安全性逐步降低。针对这个问题,人们提出各种解决方法来判定图像的可靠性,其中图像盲认证技术是非常重要的一类方法。
图像盲认证技术包括图像内容盲认证、图像来源认证和图像处理历史分析等。图像来源认证是指鉴别生成图像的设备,又可以分为根据图像来对拍照相机进行鉴定、扫描图像来源认证和CG(computer graphics)图像和自然图像的辨识。CG图像是指利用计算机图形学技术生成的真实感图形,自然图像是指利用相机拍摄的照片。在现有的技术条件下,计算机图形技术已经能生成相片级别的CG图像,甚至人眼都可能把它错判为是照相机拍出的照片。本文针对自然图像和CG图像的分类,分别从三个不同的角度进行研究,具体工作内容如下:
1.提出利用分形的方法对自然图像和CG图像进行辨识。考虑计算的可行性,在制作CG图像时在真实感和计算复杂性往往会取一个平衡。这就导致了大部分CG图像虽然比较接近自然图像,但是在一些细微之处,仍然表现出非真实感。突出表现在两个方面:颜色和纹理。自然图像中的颜色是由场景中物体的颜色决定的；CG图像中的颜色是由制作者决定的。某些颜色在CG图像中出现的概率高,而另外一些颜色在自然图像中出现的概率高。甚至有些CG图像中的颜色不可能出现在我们生活的场景中。为了节省计算量,在CG中经常出现大面积的同色现象。根据各类文献和我们的观察,CG图像比自然图像更光滑。实验上也说明了这一点,通过对梯度强度的统计,我们发现CG图像中,小梯度所在的比例更大。对于CG图像的这两类非真实感,我们提出用分形的方法来描述。这组分类特征能够都自然图像和CG图像实现有效的判别。
2.提出用小波域隐马尔可夫树模型HMT(hidden markov tree)对自然图像和CG图像进行分类。CG图像和自然图像虽然表现出来的视觉感官比较相近,但在图像内容和纹理细节方面存在一定的差异,这些差异最终表现在统计方面。我们用HMT来对HSV颜色空间的图像进建模,提取模型参数,把这些模型参数作为分类特征,取得较好的分类效果。
3.提出在边界的局部区域提取特征对自然图像和CG图像进行分类。边界区域是像素值变化最剧烈的区域,其中包含的信息最丰富。从低层视觉的角度来看,自然图像要经过光学镜头的点扩散函数作用,导致边界变宽；自然图像要经过相机响应函数作用,而CG图像没有受到这样的作用；在边界处,CG图像和自然图像在三个通道的梯度之间的互相关性也不一样。从这三个方面,我们设计了一组分类特征,取得一定的分类效果。