基于超像素和游程直方圖的對比度修改檢測算法

高鐵杠 楊 亮 宣 妍 佟 靜

?

基于超像素和游程直方圖的對比度修改檢測算法

高鐵杠 楊 亮*宣 妍 佟 靜

(南開大學軟件學院 天津 300071)

該文提出一種基于超像素和游程直方圖的圖像對比度修改檢測取證算法。算法首先對圖像進行超像素分割，并提取每個分割區域的游程直方圖特征值，然后將不同方向的特征值進行融合，并進行歸一化處理；再計算處理后的特征值數值突變量；最后將區域的數值突變量用支持向量機(SVM)進行分類識別。實驗結果表明，和現有的一些算法相比，該文提出的算法計算復雜度低，在多種不同的測試數據庫上都具有良好的識別性能。此外，在區域篡改檢測實驗中，該算法不僅可以定位出篡改區域，還能準確地描繪出篡改區域的輪廓形狀。

圖像處理；對比度修改；超像素；游程直方圖；數值突變量；支持向量機(SVM)

1 引言

隨著信息技術的發展，許多圖像編輯軟件得到了廣泛普及與應用，使得對圖像的操作變得更加得心應手，一些非法篡改的圖像進而也得以在互聯網迅速傳播，由于人們無法對經過篡改的圖像從視覺感官上進行分辨，因此，這必然會帶來涉及到法律取證、圖像媒體版權、個人隱私保護等相關問題，所以如何鑒別圖像的真偽性成為了當前最熱門的研究課題之一[1]。

圖像真偽鑒別即鑒別圖像是原始的，還是經過人為篡改的。常見的圖像篡改包括拼接、壓縮、濾波和對比度修改等操作。目前，鑒別圖像真偽的手段主要分為主動認證和被動認證兩種方式[2,3]。主動認證即運用數字水印或數字指紋技術提前在原始圖像中隱秘地寫入驗證信息，通過驗證寫入的信息即可鑒別圖像真偽性；被動認證是指在圖像沒有任何預處理的情況下直接對圖像進行鑒別，通過檢測篡改操作可能留下的統計特征和痕跡達到判斷真偽的目的。當前大部分圖像真偽鑒別操作都是被動認證的。

對比度修改是一種最常見的圖像篡改手段，可以分為全局對比度修改和局部對比度修改兩種方式[4]。局部對比度修改操作主要用于不同圖像間進行拼接和復制粘貼操作后，調整拼接粘貼塊的對比度使得篡改區域色度與原始圖像色度相近，從而達到以假亂真的目的。全局對比度修改是指篡改者對整張圖像進行對比度修改操作，強化或者弱化該圖像內容，從而影響人們對圖像的視覺感受，無法對圖像內容進行客觀判斷。對比度修改的實質是對圖像的像素值進行轉換，將原始圖像的像素值轉換成其他數值，經過轉換后獲得的圖像即為對比度修改后的圖像。最常見的修改方法包括直方圖拉伸，伽馬調整等[5]。由于對比度修改只調整圖像色度，不改變圖像內容和尺寸，所以無法直接進行觀察分辨。由于這個原因，使得經過對比度修改的區域與原始圖像非常相近，給圖像的篡改的檢測工作帶來了極大困難。對比度修改檢測即為解決這個問題提供了途徑，利用對比度修改后留下的異常數據，對拼接圖像進行檢測。這對圖像篡改檢測具有非常重要的實用價值。

無論使用何種對比度修改方法都會在圖像中留下異樣的統計規律，例如直方圖中的波峰波谷效應等[6]。利用對比度修改后留下的統計特征的變化，人們提出了多種識別對比度修改的方法。其中，Stamm等人[7]將圖像直方圖進行傅里葉變換，通過計算直方圖在頻域的高頻分量鑒別圖像是否經過對比度修改。Alessia等人[8]利用2維共生矩陣，計算矩陣標準差然后進行訓練分類，從而達到識別對比度修改的目的。Lin等人[9]分析并利用了RGB 3個不同通道高頻分量之間關系進行對比度修改檢測。Cao等人[10]通過計算圖像直方圖波谷數量檢測圖像是否經過對比度修改，該算法首先計算圖像直方圖；再判斷直方圖波谷位置，判斷依據為該位置數值是否為0，并且相鄰位置數值是否大于,為自定義閾值；最后計算圖像直方圖波谷數量，如果波谷數量大于自定義閾值則可認為該檢測圖像經過對比度修改。雖然相關文獻中提出的算法識別率不斷提高，但算法復雜度也隨之提高，并且算法對于小尺寸圖像檢測以及圖像對比度修改區域定位效果較差。而且現有的圖像區域篡改識別算法多數基于重疊分塊，只能簡單識別出篡改區域位置，無法準確描述出篡改區域輪廓，形狀，范圍。本文使用超像素分割[11]，將圖像按照一定特征相似性劃分為多個不相交的有意義的連通區域，而后對每個區域單獨進行識別，能有效提取圖像局部區域輪廓，提高圖像真偽鑒別準確率。

本文提出了一種簡單且高效的基于超像素分割和游程直方圖特征融合的對比度修改檢測算法。算法首先對圖像進行超像素分割，并對每個分割區域提取游程直方圖特征值，然后將不同方向的游程直方圖特征值進行融合，并進行歸一化處理，再計算處理后特征值數值突變量；最后將區域的數值突變量用支持向量機(SVM)進行分類識別。實驗結果證明，和現有的一些算法相比，提出的方法計算復雜度低，在多種不同的測試數據庫上都具有良好的識別性能，而且還能較準確識別出篡改區域的輪廓形狀。

2 基于超像素和游程直方圖的對比度修改檢測方法

2.1 基于超像素的圖像分割

超像素分割是指將圖像分割為多個子區域(即超像素)的過程。超像素是由一系列位置相鄰且有相似顏色、紋理、亮度等特征的像素點組成的區域。這些區域大多保留了圖像紋理內容等有效信息，且不會破壞圖像中物體的邊界信息。近年來超像素技術被廣泛應用，其生成方式也隨即成為研究熱點。

在圖像復制粘貼篡改操作中粘貼區域內容多數包含完整物體并與周圍區域形成明顯對比，使用超像素分割可以較為準確地將篡改區域分割成一個或多個統一整體，有利于提高后續的鑒別操作準確度。

SLIC(Simple Linear Iterative Clustering)算法是文獻[12]提出的一種簡單線性迭代聚類超像素分割算法，該算法先將圖像轉換為CIELAB色彩空間，然后在圖像中選取個聚類中心點，將聚類中心點附近×范圍內的像素點聚合至聚類中心點，此時的聚類中心點即為超像素的中心點，其中表示像素數量/超像素數目。然后在中心點附近范圍內進行加權距離測量，根據距離值不斷更新臨近像素點的聚合中心，并重新計算聚類中心點的位置，當中心點的位置不再改變時，停止迭代。為降低時間復雜度，SLIC算法在范圍內進行低維向量的k-means聚類。

SLIC算法能將圖像進行高質量分割，本文的圖像分割基礎即采用SLIC算法生成的超像素。

2.2 游程直方圖

游程在圖像中定義為具有相同灰度值的在某一方向 (通常為0o, 45o, 90o, 135o)的連續點的集合。每個游程中所含點數的數目則定義為游程長度。游程直方圖的描述為[13]

游程直方圖最初用于紋理檢測，長游程反映了區域較平滑，短游程則表示像素值變化較快[14]。由于對比度修改會轉換圖像像素值，如圖1所示，從而改變圖像的游程長度分布，因此游程直方圖可有效地作為一種對比度修改檢測工具。

圖1 對比度修改前后的圖像及其游程直方圖

2.3基于超像素和游程圖的對比度修改檢測方法

在自然圖像中存在著某些統計上的性質，而對比度修改操作會改變圖像潛在的統計上的規律，通過檢測改變的統計規律即可鑒別圖像是否經過對比度修改。

文獻[15]中指出，對比度修改操作對數字圖像灰度直方圖所帶來的影響可公式化地描述為

經過上述轉換，修改后的圖像直方圖會產生波峰波谷效應。當多個不同的值轉換到同一個值時，直方圖該值處會成為波峰；當沒有值轉換到值時，直方圖該值處會成為波谷[16]。

本文提出的融合不同方向經過加權累加的游程直方圖能放大波峰波谷效應，使原始圖像和經過對比度改變后的圖像特征值差別更明顯。如圖1所示。

2.4 提出的對比度修改檢測算法

本文算法具體步驟：

(1)使用SLIC超像素分割算法將圖像分割為適當數量的圖像塊。

(2)處理步驟(1)中的每個圖像塊。提取并融合不同方向的游程直方圖特征值，根據游程長度進行加權處理。然后根據像素值進行累加獲得游程向量。

(3)將步驟(2)中提出的游程向量進行歸一化操作。

(4)計算步驟(3)中歸一化后的游程向量中波峰波谷數量，即數值突變量：

3 實驗與結果分析

3.1實驗圖像庫與實驗方法

實驗采用以下5種圖像庫：

圖像庫1：Uncompressed Colour Image Database(UCID)[18]。庫中包含1338幅未壓縮的真實圖像，圖像大小為512384。圖像內容包括場景、物品，室內和室外等。

圖像庫2：CASIA[19]。該庫由中國科學院提供，其V1.0版本包含800幅真實圖像和921幅偽造圖像，圖像大小為384256，圖像格式為JEPG格式。實驗使用庫中800幅真實圖像。

圖像庫3: IEEE IFS-TC image forensics challenge[20]，庫中包含1013張未壓縮圖像，圖像格式為PNG格式，圖像大小包括1024768, 1024683, 1024681, 1024575, 1024680等。

圖像庫4: IEEE IFS-TC image forensics challenge，庫中包含1013張未壓縮圖像，每幅圖像隨機截取128128區域作為實驗圖像。

圖像庫5: IEEE IFS-TC image forensics challenge，庫中包含1013張未壓縮圖像，每幅圖像隨機截取6464區域作為實驗圖像。

實驗方法：

對每幅圖像進行對比度修改操作，生成修改后圖像庫。隨機選取真實圖像的3/5和修改后圖像的3/5作為訓練數據，剩余2/5真實圖像和修改后圖像的2/5作為測試數據。

分類器采用LibSVM[21]，核函數為RBF。對比度修改方法采用伽馬調整，和直方圖均衡化，算法參數取值為1。

3.2實驗結果

為測試本文所提出的對比度修改檢測算法性能，對測試集中的每一幅圖像進行分類，判別其是否經歷過對比度增強操作。性能測度指標包括正檢率和虛警率，分別定義為正確分類的篡改圖像占篡改圖像總數的百分比和錯誤分類的原始圖像占原始圖像總數的百分比。實驗采取文獻[7]和文獻[8]算法作為對比算法，實驗結果利用ROC曲線[22]顯示。

3.2.1伽馬值等于1.5時伽馬調整檢測實驗 表1為本文算法在5個圖像庫上的實驗結果。表中TP表示測試集中真實圖像被正確分類的概率，TN表示測試集中篡改圖像被正確分類的概率。識別率為二者的平均值。實驗結果表明基于加權游程直方圖的對比度修改檢測算法能有效用于圖像對比度修改檢測。當圖像大小為6464時，算法檢測率達80.864%，其中真實圖像正確檢測率為85.47%，篡改圖像正確檢測率為76.26%。

圖2 不同算法的ROC曲線比較

表1算法的實驗結果(%)

圖像庫TPTN識別率(%) UCID 99.9699.6699.81 CASIA100.0099.0699.53 IEEE IFS-TC image forensics challenge 98.0799.2198.64 IEEE IFS-TC image forensics challenge (128128) 89.9288.3589.14 IEEE IFS-TC image forensics challenge (6464) 85.4776.2680.86

表2為不同算法特征維度以及算法在實驗圖像庫中檢測準確率對比。

3.2.3直方圖均衡化檢測實驗 直方圖均衡化是一種對圖像中像素個數多的灰度級進行展寬，對圖像中像素個數少的灰度進行壓縮的操作，擴展像原取值的動態范圍，提高了對比度變化，使圖像更加清晰。

圖4是對圖像庫1進行直方圖均衡化操作后不同算法識別率ROC曲線圖。其中本文提出的算法準確率為99.81%；文獻[8]提出的算法準確率為94.58%；文獻[7]提出的算法：當取值為96時，準確率為73.95%;取值為64時，準確率為57.617%;取值為32時，準確率為55.84%。通過ROC曲線以及準確率比較可以得出本文提出的算法實驗結果明顯優于其他算法。

3.2.4區域對比度修改檢測實驗 圖5為圖像復制粘貼區域檢測實驗，圖5(a)左下角區域經過復制后粘貼到圖5(b)中適當區域。由于圖5(a)與圖5(b)對比度不同，復制區域需經過對比度修改才可與被篡改圖像保持視覺上的一致性。圖5(c)為篡改后圖像，圖5(d)為基于超像素分割的檢測結果，圖5(e)為基于普通分塊的檢測結果。檢測方法為先將圖像進行分割，再計算每個分割塊的游程直方圖數值突變量；使用圖像庫4做實驗圖像庫，隨機選取庫中1/2圖像進行對比度修改；計算修改后圖像庫中圖像的數值突變量，使用LibSVM進行學習；將圖5(d)和圖5(e)中的分割塊的數值突變量作為測試數據進行分類，判斷該塊是否經過對比度修改。如果判斷結果為該塊經過修改則標記為黑色。圖5(d)標記為黑色的塊基本覆蓋篡改區域，表明本文提出的算法對于圖像復制粘貼區域有較好的檢測效果。圖5(e)是基于普通分割技術的對比度檢測結果，先將圖像均勻分割成大小一致的塊，而后對每塊單獨檢測。圖5(e)中標記為黑色的塊雖然基本覆蓋了篡改區域，但由于每個網格塊都是相同的矩形，覆蓋的區域是不規則的多邊體，無法準確顯示出篡改區域形狀以及輪廓范圍，和圖5(d)的檢測結果形成明顯對比。通過兩圖對比明顯表明本文提出的基于超像素分割的區域檢測結果的精準度明顯高于基于傳統分割技術的檢測結果。

表2 實驗結果比較(%)

圖3 不同圖像庫識別率ROC曲線????????圖4 圖像庫1直方圖均衡化操作后的ROC曲線

圖5 復制粘貼區域檢測實驗

3.3實驗分析

(1)參數分析：經過對比度改變后的圖像的游程直方圖波峰處數值增大，使用非線性增長的加權系數能夠放大波峰效應。

圖6為式(3)采用不同加權系數時算法在圖像庫中識別率的ROC曲線，圖6(a)顯示在CASIA圖像庫中所有的加權系數均取得較高的識別率，圖6(b)顯示在尺寸為6464的圖像中，加權系數為時算法識別率略高于其他加權系數。所以當圖像尺寸較小時，加權系數應選取，圖像尺寸較大時加權系數可自由選取，本文實驗中使用作為識別尺寸較大的圖像時的加權系數。

(2)性能分析：現存的對比度修改檢測算法多數直接使用圖像直方圖，通過檢測直方圖中波峰波谷判斷圖像是否經過對比度修改。而波峰波谷效應在一些圖像直方圖中表現并不明顯，尤其當圖像尺寸較小時，原始圖像中像素點數量較少，直方圖中大量像素值對應的數量接近零，使得未經過對比度修改的圖像直方圖中存在多個波谷，導致檢測準確率偏低。本文提出的算法使用加權累加的游程直方圖，通過設置不同的非線性權重達到放大波峰波谷效應的目的。由于經過放大后的波峰波谷效應更加明顯，所以檢測準確率遠遠高于其他算法。

當圖像進行伽馬調整后，伽馬值為1.5時，算法在圖像庫1，圖像庫2，圖像庫3中準確率分別為99.81%, 99.53%, 98.64%，略高于文獻[7]提出的算法。在圖像庫4和圖像庫5中準確率分別為89.14%, 80.86%，遠高于其他算法準確率。當伽馬值任意選取時，本文提出的算法也取得較為理想的識別效果。并且在圖像復制粘貼區域檢測實驗中，算法能準確的識別出復制粘貼區域。

實驗結果表明，算法在對比度修改識別方面具有良好的性能，尤其是對于尺寸較小的圖像，檢測結果明顯優于其他算法。由于加權的游程直方圖能放大對比度修改產生的波峰波谷效應，所以直接計算游程直方圖數值突變量即可達到準確檢測圖像真偽的目的。相比于其他算法，本文提出的算法檢測準確率高，并能準確識別出圖像復制粘貼區域形狀。

圖6 不同加權系數在CASIA圖像庫和6464圖像中的識別曲線

4 結束語

本文提出了一種基于超像素分割和游程直方圖融合的對比度修改檢測算法。實驗結果證明該算法對于圖像整體對比度修改檢測以及區域復制粘貼檢測都有良好的檢測效果，尤其是對于尺寸較小的圖像檢測結果明顯優于其他算法，并且能檢測出復制粘貼區域輪廓形狀。但是經過對比度修改后的圖像如果再經過其他篡改手段會破壞波峰波谷效應，導致算法檢測無效。所以算法的魯棒性較差，尤其對于對反取證或者壓縮后的圖像，檢測效果不理想。因此下一步的工作是研究對比度修改在圖像中留下的其他統計特征，而后融合本文提出的算法，以進一步提高圖像對比度修改的綜合檢測性能。

[1] 駱偉祺, 黃繼武, 丘國平. 魯棒的區域復制圖像篡改檢測技術[J]. 計算機學報, 2007, 30(11): 1998-2007.

LUO Weiqi, HUANG Jiwu, and QIU Guoping. Robust detection of region-duplication forgery in digital image[J]., 2007, 30(11): 1998-2007.

[2] 李曉飛, 申鉉京, 陳海鵬, 等. 基于數字簽名方式的圖像真偽鑒別算法[J]. 計算機研究與發展, 2012, 49(6): 1348-1356.

LI Xiaofei, SHEN Xuanjing, CHEN Haipeng,. An image identification algorithm based on digital signature method[J]., 2012, 49(6): 1348-1356.

[3] ANDALIBI M and CHANDLER D. Digital image watermarking via adaptive logo texturization[J]., 2015, 24(12):5060-5073.

[4] CAO G, ZHAO Y, NI R,. Contrast enhancement-based forensics in digital images[J]., 2014, 9(3): 515-525.

[5] ARICI T, DIKBAS S, and ALTUNBASAK Y. A histogram modification framework and its application for image contrast enhancement[J]., 2009, 18(9): 1921-1935.

[6] CAO G, ZHAO Y, NI R,. Anti-forensics of contrast enhancement in digital images[C]. 12th ACM Workshop on Multimedia and Security, ACM, Rome, Italy,2010: 25-34.

[7] STAMM M C and LIU K J R. Forensic detection of image manipulation using statistical intrinsic fingerprints[J]., 2010, 5(3): 492-506.

[8] DE ALESSIA Rosa, FONTANI Marco, MASSAI Matteo,. Second-order statistics analysis to cope with contrast enhancement counter-forensics[J]., 2015, 22(8): 1132-1136.

[9] LIN X, LI C, and HU Y. Exposing image forgery through the detection of contrast enhancement[C]. 2013 20th IEEE International Conference on Image Processing (ICIP), Melbourne Australia, 2013: 4467-4471.

[10] CAO G, ZHAO Y, NI R,. Attacking contrast enhancement forensics in digital images[J]., 2014, 57(5): 1-13.

[11] SHEN J, DU Y, WANG W,. Lazy random walks for superpixel segmentation[J]., 2014, 23(4): 1451-1462.

[12] RADHAKRISHNA A, APPU S, KEVIN S,. SLIC superpixels compared to state-of-the-Art superpixel methods[J]., 2012, 34(11): 2274-2282.

[13] GOLOMB S W. Run-length encodings[J]., 1966, 12(3): 317-319.

[14] TANG X. Texture information in run-length matrices[J]., 1998, 7(11): 1602-1609.

[15] STAMM M C and LIU K J R. Forensic estimation and reconstruction of a contrast enhancement mapping[C]. IEEE International Conference on Acoustics Speech & Signal Processing, Dallas, TX, USA 2010, 23(3): 1698-1701.

[16] YANG Liang, GAO Tiegang, XUAN Yan,. Contrast modification forensics algorithm based on merged weight histogram of run length[J]., 2016, 8(2): 27-35.

[17] SHALEV S S and SREBRO N. SVM optimization: inverse dependence on training set size[C]. Proceedings of the 25th International Conference on Machine Learning, ACM, Helsinki, Finland, 2008: 928-935.

[18] SCHAEFER G and STICH M. UCID - An uncompressed color image database[C]. Storage & Retrieval Methods & Applications for Multimedia 2004, San Jose, CA, USA, 2003, 5307: 472-480.

[19] CASIA ITDE Database. http://forensics.idealtest.org. 2016.

[20] IEEE IFS-TC image forensics challenge. http://ifc.recod. ic.unicamp.br/fc.website/index.py?sec=0. 2016.

[21] CHANG C and LIN C. LIBSVM: a library for support vector machines[J].&, 2001, 2(3): 389-396.

[22] FAWCETT T. An introduction to ROC analysis[J]., 2006, 27(8): 861-874.

Contrast Modification Forensic Algorithm Based on Superpixel and Histogram of Run Length

GAO Tiegang YANG Liang XUAN Yan TONG Jing

(,,300071,)

A novel image forensic algorithm against contrast modification based on superpixel and histogram of run length is proposed. In the proposed algorithm, images are firstly divided by superpixel, then run length histogram features of each block are extracted, and those of different orientation are subsequently merged. After normalization of the prior features, the leaps in the histogram are calculated numerically. Lastly, the generated features of blocks are trained by Support Vector Machin (SVM) classifier. Large amounts of experiments show that, the proposed algorithm has low cost of computation complexity. And compared with some state-of-the-art algorithms, it has better performance with many test databases. Furthermore, the proposed algorithm can not only located the tempered area, but also can exactly describe the shape of tempered area.

Image processing; Contrast modification; Superpixel; Run length histogram; Leaps in the histogram numerically; Support Vector Machin (SVM)

TN911.73

A

1009-5896(2016)11-2787-08

10.11999/JEIT160161

2016-02-19；改回日期：2016-08-01；

2016-09-30

楊亮 yangliang.nkcs@gmail.com

天津市自然科學基金(16JCYBJC15700)

Tianjin Natural Science Foundation (16JCYBJC 15700)

高鐵杠： 男，1966年生，博士，教授，研究方向為數字圖像取證、多媒體信息安全以及信號處理等.

楊 亮： 男，1992年生，碩士生，研究方向為數字圖像取證，信息安全等.

宣 妍： 女，1993年生，碩士生，研究方向是數字圖像取證、信息安全等.

佟 靜： 女，1993年生，碩士生，研究方向為多媒體信息安全等.