基于后验概率和滤色阵列特性的图像篡改检测算法

针对图像采集过程中插值算法对图像三原色之间所引入的插值特性，论文提出一种基于后验概率和滤色阵列特性的图像篡改检测算法。首先提取待测图像绿色通道分量，引入二维预测滤波构建预测误差函数；然后分块提取特征，分析原始与篡改图像所提特征的直方图特性，从而建立特征的高斯混合统计模型，并借助EM算法估计模型参数；计算子块特征作为原始块的后验概率，定义似然率并应用到每个子块中，从而可得到篡改区域映射图，完成本次检测。仿真结果表明，该算法具有较强的鲁棒性，能够对图像篡改区域进行较准确地定位。

图像取证是一项多学科综合的科学，其旨在获取与数字图像相关的重要“历史”信息，主要包括其编码进程和可能的编辑修改过程[1]。随着图像编辑软件的日益强大，人们能够很轻易地修饰和篡改一幅图像。因此，鉴别图像的真伪及篡改区域的精细定位变得日趋重要。

T. Bianch 等[2]对JPEG 图像压缩过程进行建模，使用后验概率法估计量化步长，最后通过篡改区域和未篡改区域量化表的不一致性来定位篡改区域。Swaminathan 等[3]提出了一种通过估计CFA 模式和插值内核进行识别相机型号的方法，紧接着又在文献[4]中将去马赛克模型中估计出的参数之间的不一致性作为篡改检测的依据。H. Farid 等[5]提出用期望最大化算法来估计去马赛克算法内插核参数，实现了借助每个像素与其相邻像素相关性的概率图来检测篡改区域，但这种方法需要预先知道图像篡改区域的尺寸。S. Vinoth 等[6]提出将反向传播神经网络作为非线性模型来描述CFA 插值特性并进行分类的方法。

Peng Shuang 等[7]提出一种利用自然图像颜色通道之间的相关性来检测图像篡改操作的方法， 但对经模糊篡改的检测存在一定的误差。

面对错综复杂的图像篡改方式，很多方法的鲁棒性很差甚至会失效。本文从图像生成的过程出发， 通过分析数码相机的一般成像体系(如图1)发现，图像经过滤色阵列(Color Filter Array, CFA)插值后三颜色分量具有很强的相关性，而且这种相关性会在图像的原始区域表现得很明显，但在被篡改过的图像区域却会消失[8]。所以，可以此作为判断图像篡改与否的依据。

基于文献[5] [6] [7]以及对成像体系的分析， 发现CFA 插值过程引入的噪声会使图像篡改检测的精度降低，而且一般的算法对模糊篡改后的平滑区域的检测总会有误差。所以，本文提出一种基于后验概率和滤色阵列特性的图像篡改检测方法，对篡改区域实行较高精度的定位。首先提取待测图像绿色通道分量，引入二维预测滤波构建预测误差函数；然后分块提取特征，分析原始与篡改图像所提特征的直方图