一種基于Contourlet變換的圖像拼接檢測(cè)方法
【專(zhuān)利摘要】本發(fā)明提供一種基于Contourlet變換的圖像拼接檢測(cè)方法，利用Contourlet變換能夠很好的描述圖像中的輪廓和方向性紋理信息的優(yōu)點(diǎn)，首先對(duì)訓(xùn)練圖像進(jìn)行Contourlet變換后提取Markov特征，并使用基于支持向量機(jī)的回歸特征消除方法SVM?RFE對(duì)特征集進(jìn)行降維，提升檢測(cè)效率和準(zhǔn)確率，使用降維后的特征集訓(xùn)練找到最優(yōu)參數(shù)并得到SVM分類(lèi)模型，然后對(duì)測(cè)試圖像提取相應(yīng)的特征向量，使用得到的分類(lèi)模型對(duì)測(cè)試圖像的特征向量進(jìn)行分類(lèi)預(yù)測(cè)，得到測(cè)試圖像是否經(jīng)過(guò)拼接操作的判斷結(jié)果。本發(fā)明在一種新的變換域提取特征，具有很好的檢測(cè)效率和準(zhǔn)確率。
【專(zhuān)利說(shuō)明】
一種基于Contour I et變換的圖像拼接檢測(cè)方法
技術(shù)領(lǐng)域
[0001 ]本發(fā)明涉及數(shù)字圖像取證技術(shù)領(lǐng)域，更具體地，涉及一種基于Contourlet變換的 圖像拼接檢測(cè)方法。
【背景技術(shù)】
[0002] 隨著網(wǎng)絡(luò)和智能設(shè)備的普及，數(shù)字圖像在信息傳播中的重要性日益突出。但是由 于數(shù)字圖像編輯技術(shù)的快速發(fā)展，數(shù)字圖像內(nèi)容的篡改變得越來(lái)越容易，這為數(shù)字圖像的 真實(shí)性和安全性帶來(lái)了挑戰(zhàn)。因此，如何實(shí)現(xiàn)數(shù)字圖像在傳播、共享和應(yīng)用過(guò)程中的內(nèi)容真 實(shí)性和安全性的可靠認(rèn)證具有重要的實(shí)際意義。
[0003] 圖像拼接檢測(cè)是數(shù)字圖像取證技術(shù)的一個(gè)重要分支，其目的是為了檢測(cè)數(shù)字圖像 中是否存在拼接篡改操作，即檢測(cè)給定的數(shù)字圖像是否是通過(guò)裁剪和合成操作從而生成的 組合圖像。圖像拼接的目的通常是為了隱藏原始圖像中的一些重要信息或者替換為新的內(nèi) 容，從而使圖像表達(dá)篡改者想要傳達(dá)的信息。通過(guò)對(duì)圖像拼接內(nèi)容的精心選擇和對(duì)拼接邊 緣的修飾操作可以使得拼接痕跡很難通過(guò)肉眼來(lái)判別。因此有效的圖像拼接檢測(cè)在信息安 全保障體系中可以發(fā)揮非常重要的作用。圖像拼接檢測(cè)技術(shù)主要可以應(yīng)用在：司法刑偵取 證、新聞紀(jì)實(shí)、科技報(bào)道等應(yīng)用領(lǐng)域中。
[0004] 現(xiàn)有的圖像拼接檢測(cè)技術(shù)主要分為兩種：一種基于圖像內(nèi)容模糊度的差異，這類(lèi) 方法基于圖像拼接引入的新的圖像塊和拼接邊緣部分的模糊度可能與原始圖像的模糊度 不同，因此可以利用局部模糊估計(jì)的方法來(lái)估計(jì)圖像每個(gè)部分的模糊度并依據(jù)模糊度的差 異來(lái)判斷圖像是否經(jīng)過(guò)拼接，但是這類(lèi)方法最后需要依據(jù)人工來(lái)判斷；另一種是基于圖像 變換域的統(tǒng)計(jì)特征，利用各種圖像變換對(duì)圖像內(nèi)容進(jìn)行變換和分解，并利用機(jī)器學(xué)習(xí)的方 法對(duì)圖像的不同信息進(jìn)行分析和提取統(tǒng)計(jì)特征進(jìn)行分類(lèi)，這類(lèi)方法之間的區(qū)別主要在于圖 像變換域和統(tǒng)計(jì)特征選取。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明提供一種基于Contourlet變換的圖像拼接檢測(cè)方法，能夠有效地檢測(cè)圖像 中是否存在拼接操作，具有檢測(cè)快、不需要人為判斷和魯棒性高的優(yōu)點(diǎn)。
[0006] 為了達(dá)到上述技術(shù)目的，本發(fā)明的技術(shù)方案如下：
[0007] 一種基于Contour let變換的圖像拼接檢測(cè)方法，包括以下步驟：
[0008] SI:選取圖像訓(xùn)練集：訓(xùn)練集包含沒(méi)有經(jīng)過(guò)任何篡改操作的原始圖像和經(jīng)過(guò)拼接 篡改的拼接圖像；
[0009] S2:對(duì)訓(xùn)練圖像進(jìn)行Contourlet變換:對(duì)于圖像訓(xùn)練集的每一張圖像，分別進(jìn)行相 同的Contourlet變化，使用k層的Contour let分解，相應(yīng)的每層金字塔方向?yàn)V波器DFB的向 量個(gè)數(shù)設(shè)為出32，~，作}，每層分解會(huì)得到對(duì)應(yīng){2'2'~，2，個(gè)系數(shù)子帶，并且第一層 分解時(shí)，會(huì)額外得到一個(gè)低通系數(shù)子帶，因此一共得到K=l+2 fl+2f2+-_+2fn個(gè)系數(shù)子帶，每 個(gè)子帶為一個(gè)系數(shù)矩陣；
[0010] S3:提取Markov特征:針對(duì)每張圖像的每個(gè)系數(shù)子帶提取Marko V特征，先將系數(shù)子 帶矩陣的每個(gè)系數(shù)取整和取絕對(duì)值，再按照水平方向和垂直方向計(jì)算其差分矩陣，會(huì)得到 兩個(gè)差分矩陣，對(duì)每個(gè)差分矩陣的系數(shù)，使用閾值T進(jìn)行截?cái)嗖僮?，大于T的系數(shù)全部替換為 T，小于-T的系數(shù)全部替換為-T，然后對(duì)每個(gè)差分矩陣計(jì)算其水平方向和垂直方向的Markov 轉(zhuǎn)移概率矩陣，將得到的4個(gè)Markov轉(zhuǎn)移概率矩陣連在一起作為該系數(shù)子帶的特征向量，再 將每張圖像的所有系數(shù)子帶的特征向量連接在一起，得到該圖像的Markov特征向量；
[0011] S4:訓(xùn)練特征準(zhǔn)備:得到訓(xùn)練集所有圖像的特征向量后，將原始圖像的特征向量標(biāo) 識(shí)為+1，將拼接圖像的特征向量標(biāo)識(shí)為-1，將兩類(lèi)特征集作為SVM的特征訓(xùn)練集，特征集每 行對(duì)應(yīng)一張圖像的特征向量，每列對(duì)應(yīng)一種特征；
[0012] S5: SVM-RFE降維:使用基于支持向量機(jī)的回歸特征消除方法SVM-RFE對(duì)特征訓(xùn)練 集的每一列特征進(jìn)行排序，得到特征排序列表，按照特征排序列表對(duì)每張圖像的特征向量 選擇前η個(gè)特征值構(gòu)成新的特征向量，進(jìn)而組成一個(gè)新的特征向量集；
[0013] S6:尋找最優(yōu)的懲罰參數(shù)c和核參數(shù)g并訓(xùn)練得到分類(lèi)器:對(duì)降維后得到的特征向 量集和相應(yīng)的標(biāo)識(shí)集使用徑向基內(nèi)核的SVM訓(xùn)練，使用網(wǎng)格搜索的方法搜索最優(yōu)的懲罰參 數(shù)c和核參數(shù)g，得到分類(lèi)器模型；
[0014] S7:測(cè)試圖像提取特征:對(duì)測(cè)試圖像進(jìn)行與上面訓(xùn)練圖像相同的Contourlet變換， 對(duì)得到的每個(gè)系數(shù)子帶提取Markov特征得到特征向量，即進(jìn)行類(lèi)似S2和S3的操作，然后按 照S5得到的特征排序列表選取前η個(gè)特征值，得到測(cè)試圖像的特征向量；
[0015] S8:分類(lèi)預(yù)測(cè)：加載S6得到的SVM分類(lèi)模型，對(duì)S7得到的測(cè)試圖像的特征向量進(jìn)行 分類(lèi)預(yù)測(cè)，得到預(yù)測(cè)結(jié)果，+1代表測(cè)試圖像為原始圖像，-1代表測(cè)試圖像為拼接圖像。
[0016] 本發(fā)明中，首次在Contourlet變換域提取特征進(jìn)行圖像拼接檢測(cè)。在圖像變化域 上提取特征并利用機(jī)器學(xué)習(xí)的方式來(lái)對(duì)測(cè)試圖像進(jìn)行分類(lèi)預(yù)測(cè)，避免了人工按照經(jīng)驗(yàn)來(lái)判 斷的操作。
[0017] 進(jìn)一步地，所述步驟S3的處理過(guò)程如下：
[0018] S301:取整和取絕對(duì)值:針對(duì)每個(gè)系數(shù)子帶，將每個(gè)系數(shù)取整和取絕對(duì)值得到Cx，X 對(duì)應(yīng)圖像的第X個(gè)系數(shù)子帶；
[0019] S302:根據(jù)公式（1)和公式(2)計(jì)算其水平方向和垂直方向的差分矩陣：
[0020] Dxh = Cx(u,v)-Cx(u+l ,v) (I)
[0021] Dxv = Cx(u,v)-Cx(u,v+l) (2)
[0022] 其中，u和v代表Cx系數(shù)的坐標(biāo)，Dxh和Dxv分別代表Cx在水平方向和垂直方向的差分 矩陣；
[0023] S303:閾值截?cái)?對(duì)每個(gè)差分矩陣的系數(shù)，使用閾值T進(jìn)行截?cái)嗖僮鳎笥赥的系數(shù) 全部替換為T(mén)，小于-T的系數(shù)全部替換為-T;
[0024] S304:提取Markov特征:根據(jù)公式（3)到公式(6)計(jì)算兩個(gè)差分矩陣對(duì)應(yīng)的水平方 向和差分方向的Markov轉(zhuǎn)移概率矩陣：
[0025]
[0026]
[0027]
[0028]
[0029] 其中，Sxu和Sxv分別對(duì)應(yīng)Cx系數(shù)子帶矩陣水平方向和垂直方向的維數(shù)，M xhh和Mxhv分 別代表Dxh的水平方向和垂直方向的Marko V轉(zhuǎn)移概率矩陣，Mxvh和Mxvv分別代表Dxv的水平方 向和垂直方向的Markov轉(zhuǎn)移概率矩陣，i，j e {-T，-T+1，…，-1，0，1，…，T-I，T}代表Cx系數(shù) 的各種取佶鉑會(huì)·并曰.
[0030]
[0031 ] S305:連接特征:對(duì)于每個(gè)子帶，將4個(gè)Markov轉(zhuǎn)移概率矩陣連在一起得到該子帶 的特征向量，然后連接各個(gè)子帶的特征向量可以得到每張圖像的特征向量。
[0032]與現(xiàn)有技術(shù)相比，本發(fā)明技術(shù)方案的有益效果是：
[0033]本發(fā)明先對(duì)圖像進(jìn)行Contourlet變換，Contourlet變換能夠很好的描述圖像中的 輪廓和方向性紋理信息，因此能夠很好地突出對(duì)原始圖像進(jìn)行拼接操作帶來(lái)的在圖像輪廓 和紋理上的差異，在變換分解得到的各個(gè)子帶上提取Markov特征能夠用來(lái)捕獲多方向和多 尺度的差異信息，能夠得到有效的分類(lèi)器，因此在檢測(cè)準(zhǔn)確率上得到了保證，同時(shí)使用機(jī)器 學(xué)習(xí)的方式，避免了過(guò)多的人為操作，在檢測(cè)效率上也得到了保證。
【附圖說(shuō)明】
[0034]圖1為本發(fā)明方法的步驟流程圖；
[0035]圖2為本發(fā)明方法的Contour I e t變化對(duì)圖像的多尺度多方向分解效果圖。
【具體實(shí)施方式】
[0036] 附圖僅用于示例性說(shuō)明，不能理解為對(duì)本專(zhuān)利的限制；
[0037] 為了更好說(shuō)明本實(shí)施例，附圖某些部件會(huì)有省略、放大或縮小，并不代表實(shí)際產(chǎn)品 的尺寸；
[0038] 對(duì)于本領(lǐng)域技術(shù)人員來(lái)說(shuō)，附圖中某些公知結(jié)構(gòu)及其說(shuō)明可能省略是可以理解 的。
[0039]下面結(jié)合附圖和實(shí)施例對(duì)本發(fā)明的技術(shù)方案做進(jìn)一步的說(shuō)明。
[0040] 實(shí)施例1
[0041] 如圖1所示，一種基于Contourlet變換的圖像拼接檢測(cè)方法，包括以下步驟：
[0042] SI:選取圖像訓(xùn)練集：訓(xùn)練集包含沒(méi)有經(jīng)過(guò)任何篡改操作的原始圖像和經(jīng)過(guò)拼接 篡改的拼接圖像，本實(shí)例中使用由IEEE Information Forensics and Security Technical Committee提供的關(guān)于數(shù)字圖像拼接檢測(cè)IFS-TC圖像集，其包含1050張?jiān)紙D 像和1150張拼接圖像；
[0043] S2:對(duì)訓(xùn)練圖像進(jìn)行Contourlet變換= IFS-TC圖像集所有圖像均為彩色圖像，對(duì)訓(xùn) 練集的每張圖像分別進(jìn)行相同的Contourlet變化，使用k層的Contourlet分解，相應(yīng)的每層 金字塔方向?yàn)V波器DFB的向量個(gè)數(shù)設(shè)為{Π，f 2，…，f η}，每層分解會(huì)得到對(duì)應(yīng){2f 1，2f2，…， 2fn}個(gè)系數(shù)子帶，并且第一層分解時(shí)，會(huì)額外得到一個(gè)低通系數(shù)子帶，因此一共得到K= 1 + 2fl+2f2+~+2fn個(gè)系數(shù)子帶，每個(gè)子帶為一個(gè)系數(shù)矩陣，本實(shí)例中分解層數(shù)k = 3，DFB的向量 個(gè)數(shù)為{2,3,3}，因此系數(shù)子帶個(gè)數(shù)K = 21;
[0044] S3:提取Markov特征:針對(duì)每張圖像的每個(gè)系數(shù)子帶提取Markov特征，先將系數(shù)子 帶矩陣的每個(gè)系數(shù)取整和取絕對(duì)值，再按照水平方向和垂直方向計(jì)算其差分矩陣，會(huì)得到 兩個(gè)差分矩陣，對(duì)每個(gè)差分矩陣的系數(shù)，使用閾值T進(jìn)行截?cái)嗖僮?，大于T的系數(shù)全部替換為 T，小于-T的系數(shù)全部替換為-T，然后對(duì)每個(gè)差分矩陣計(jì)算其水平方向和垂直方向的Markov 轉(zhuǎn)移概率矩陣，將得到的4個(gè)Markov轉(zhuǎn)移概率矩陣連在一起作為該系數(shù)子帶的特征向量，再 將每張圖像的所有系數(shù)子帶的特征向量連接在一起，得到該圖像的Markov特征向量；
[0045] 進(jìn)一步地，所述步驟S3的處理過(guò)程如下：
[0046] S301:取整和取絕對(duì)值:針對(duì)每個(gè)系數(shù)子帶，將每個(gè)系數(shù)取整和取絕對(duì)值得到Cx，X 對(duì)應(yīng)圖像的第X個(gè)系數(shù)子帶；
[0047] S302:根據(jù)公式（1)和公式(2)計(jì)算其水平方向和垂直方向的差分矩陣：
[0048] Dxh = Cx(u,v)-Cx(u+l ,v) (I)
[0049] Dxv = Cx(u,v)-Cx(u,v+l) (2)
[0050] 其中，u和v代表Cx系數(shù)的坐標(biāo)，Dxh和Dxv分別代表C x在水平方向和垂直方向的差分 矩陣；
[0051] S303:閾值截?cái)?對(duì)每個(gè)差分矩陣的系數(shù)，使用閾值T進(jìn)行截?cái)嗖僮鳎笥赥的系數(shù) 全部替換為T(mén)，小于-T的系數(shù)全部替換為-T，本實(shí)例中，閾值T = 3;
[0052] S304:提取Markov特征:根據(jù)公式（3)到公式(6)計(jì)算兩個(gè)差分矩陣對(duì)應(yīng)的水平方 向和差分方向的Markov轉(zhuǎn)移概率矩陣：
[0053]
[0054]
[0055]
[0056]
[0057] 其中，Sxu和Sxv分別對(duì)應(yīng)Cx系數(shù)子帶矩陣水平方向和垂直方向的維數(shù)，M xhh和Mxhv分 別代表Dxh的水平方向和垂直方向的Marko V轉(zhuǎn)移概率矩陣，Mxvh和Mxvv分別代表Dxv的水平方 向和垂直方向的Markov轉(zhuǎn)移概率矩陣，i，j e {-T，-T+1，…，-1，0，1，…，T-I，T}代表Cx系數(shù) 的各種取值組合，并且：
[0058]
[0059] 本實(shí)例中，1，」￡{-3，-2，_1，0，1，2,3丨，因此，1和」一共有7*7 = 49種組合方式；
[0060] S305:連接特征：對(duì)于每個(gè)子帶，將4個(gè)Markov轉(zhuǎn)移概率矩陣連在一起得到該子帶 的特征向量，然后連接各個(gè)子帶的特征向量可以得到每張圖像的特征向量，本實(shí)例中，在每 個(gè)系數(shù)子帶上可以提取49*4= 196維的Markov特征，一共21個(gè)系數(shù)子帶，因此對(duì)于每張圖像 會(huì)提取到196*21 =4116維的特征向量。
[0061] S4:訓(xùn)練特征準(zhǔn)備:得到訓(xùn)練集所有圖像的特征向量后，將原始圖像的特征向量標(biāo) 識(shí)為+1，將拼接圖像的特征向量標(biāo)識(shí)為-1，將兩類(lèi)特征集作為SVM的特征訓(xùn)練集，特征集每 行對(duì)應(yīng)一張圖像的特征向量，每列對(duì)應(yīng)一種特征，本實(shí)例中，原始圖像訓(xùn)練集的特征集為一 個(gè)1050*4116的矩陣，拼接圖像訓(xùn)練集的特征集為1150*4116的矩陣；
[0062] S5: SVM-RFE降維:使用基于支持向量機(jī)的回歸特征消除方法SVM-RFE對(duì)特征訓(xùn)練 集的每一列特征進(jìn)行排序，得到特征排序列表，按照特征排序列表對(duì)每張圖像的特征向量 選擇前η個(gè)特征值，組成一個(gè)新的特征向量集，本實(shí)例中，η = 200，降維后得到1050*200的原 始圖像特征矩陣和1150*200的拼接圖像特征矩陣；
[0063] S6:尋找最優(yōu)的懲罰參數(shù)c和核參數(shù)g并訓(xùn)練得到分類(lèi)器:對(duì)降維后得到的特征向 量集和相應(yīng)的標(biāo)識(shí)集使用徑向基內(nèi)核的SVM訓(xùn)練，使用網(wǎng)格搜索的方法搜索最優(yōu)的懲罰參 數(shù)c = 5.656854和核參數(shù)g 0.013139，使用c和g以及訓(xùn)練特征集和標(biāo)簽訓(xùn)練得到分類(lèi)器模 型；
[0064] S7:測(cè)試圖像提取特征:對(duì)測(cè)試圖像進(jìn)行與上面訓(xùn)練圖像相同的Contourlet變換， 對(duì)得到的每個(gè)系數(shù)子帶提取Markov特征得到特征向量，即進(jìn)行類(lèi)似S2和S3的操作，可以為 每張測(cè)試圖像得到4116維的特征向量，然后按照S5得到的特征排序列表選取前200個(gè)特征 值，得到測(cè)試圖像的200維的特征向量，本實(shí)例中使用了 160張?jiān)紙D像和192張拼接圖像作 為測(cè)試集，最后得到一個(gè)352*200的測(cè)試特征矩陣；
[0065] S8:分類(lèi)預(yù)測(cè)：加載S6得到的SVM分類(lèi)模型，對(duì)S7得到的測(cè)試圖像的特征向量進(jìn)行 分類(lèi)預(yù)測(cè)，得到預(yù)測(cè)結(jié)果，本實(shí)例中的預(yù)測(cè)結(jié)果如圖2所示，前150個(gè)點(diǎn)代表實(shí)際為原始圖像 的預(yù)測(cè)值，后192個(gè)點(diǎn)代表實(shí)際為拼接圖像的預(yù)測(cè)值，其中大于0的預(yù)測(cè)值會(huì)被調(diào)整到+1，其 他的調(diào)整到-1，得到最后的預(yù)測(cè)結(jié)果，+1代表測(cè)試圖像為原始圖像，-1代表測(cè)試圖像為拼接 圖像，從圖中可以明顯看到，大部分圖像都預(yù)測(cè)準(zhǔn)確，分類(lèi)預(yù)測(cè)的結(jié)果比較理想。
[0066] 相同或相似的標(biāo)號(hào)對(duì)應(yīng)相同或相似的部件；
[0067] 附圖中描述位置關(guān)系的用于僅用于示例性說(shuō)明，不能理解為對(duì)本專(zhuān)利的限制；
[0068] 顯然，本發(fā)明的上述實(shí)施例僅僅是為清楚地說(shuō)明本發(fā)明所作的舉例，而并非是對(duì) 本發(fā)明的實(shí)施方式的限定。對(duì)于所屬領(lǐng)域的普通技術(shù)人員來(lái)說(shuō)，在上述說(shuō)明的基礎(chǔ)上還可 以做出其它不同形式的變化或變動(dòng)。這里無(wú)需也無(wú)法對(duì)所有的實(shí)施方式予以窮舉。凡在本 發(fā)明的精神和原則之內(nèi)所作的任何修改、等同替換和改進(jìn)等，均應(yīng)包含在本發(fā)明權(quán)利要求 的保護(hù)范圍之內(nèi)。
【主權(quán)項(xiàng)】
1. 一種基于Contour let變換的圖像拼接檢測(cè)方法，其特征在于，包括以下步驟： S1:選取圖像訓(xùn)練集：訓(xùn)練集包含沒(méi)有經(jīng)過(guò)任何篡改操作的原始圖像和經(jīng)過(guò)拼接篡改 的拼接圖像； S2:對(duì)訓(xùn)練圖像進(jìn)行Contourlet變換:對(duì)于圖像訓(xùn)練集的每一張圖像，分別進(jìn)行相同的 &3]11:〇111'161:變化，使用1^層的(：〇111:〇111'161:分解，相應(yīng)的每層金字塔方向?yàn)V波器0?13的向量個(gè) 數(shù)設(shè)為{Π ，f2，…，fn}，每層分解會(huì)得到對(duì)應(yīng){2f 1，2f2，…，2fn}個(gè)系數(shù)子帶，并且第一層分解 時(shí)，會(huì)額外得到一個(gè)低通系數(shù)子帶，因此一共得到K= l+2fl+2f2+-_+2fn個(gè)系數(shù)子帶，每個(gè)子 帶為一個(gè)系數(shù)矩陣； S3:提取Markov特征:針對(duì)每張圖像的每個(gè)系數(shù)子帶提取Markov特征，先將系數(shù)子帶矩 陣的每個(gè)系數(shù)取整和取絕對(duì)值，再按照水平方向和垂直方向計(jì)算其差分矩陣，會(huì)得到兩個(gè) 差分矩陣，對(duì)每個(gè)差分矩陣的系數(shù)，使用閾值T進(jìn)行截?cái)嗖僮鳎笥赥的系數(shù)全部替換為T(mén)，小 于-T的系數(shù)全部替換為-T，然后對(duì)每個(gè)差分矩陣計(jì)算其水平方向和垂直方向的Markov轉(zhuǎn)移 概率矩陣，將得到的4個(gè)Markov轉(zhuǎn)移概率矩陣連在一起作為該系數(shù)子帶的特征向量，再將每 張圖像的所有系數(shù)子帶的特征向量連接在一起，得到該圖像的Markov特征向量； S4:訓(xùn)練特征準(zhǔn)備:得到訓(xùn)練集所有圖像的特征向量后，將原始圖像的特征向量標(biāo)識(shí)為 + 1，將拼接圖像的特征向量標(biāo)識(shí)為-1，將兩類(lèi)特征集作為SVM的特征訓(xùn)練集，特征集每行對(duì) 應(yīng)一張圖像的特征向量，每列對(duì)應(yīng)一種特征； S5: SVM-RFE降維：使用基于支持向量機(jī)的回歸特征消除方法SVM-RFE對(duì)特征訓(xùn)練集的 每一列特征進(jìn)行排序，得到特征排序列表，按照特征排序列表對(duì)每張圖像的特征向量選擇 前η個(gè)特征值構(gòu)成新的特征向量，進(jìn)而組成一個(gè)新的特征向量集； S6:尋找最優(yōu)的懲罰參數(shù)c和核參數(shù)g并訓(xùn)練得到分類(lèi)器:對(duì)降維后得到的特征向量集 和相應(yīng)的標(biāo)識(shí)集使用徑向基內(nèi)核的SVM訓(xùn)練，使用網(wǎng)格搜索的方法搜索最優(yōu)的懲罰參數(shù)c和 核參數(shù)g，得到分類(lèi)器模型； S7:測(cè)試圖像提取特征:對(duì)測(cè)試圖像進(jìn)行與上面訓(xùn)練圖像相同的Contourlet變換，對(duì)得 到的每個(gè)系數(shù)子帶提取Markov特征得到特征向量，即進(jìn)行類(lèi)似S2和S3的操作，然后按照S5 得到的特征排序列表選取前η個(gè)特征值，得到測(cè)試圖像的特征向量； S8:分類(lèi)預(yù)測(cè)：加載S6得到的SVM分類(lèi)模型，對(duì)S7得到的測(cè)試圖像的特征向量進(jìn)行分類(lèi) 預(yù)測(cè)，得到預(yù)測(cè)結(jié)果，+1代表測(cè)試圖像為原始圖像，-1代表測(cè)試圖像為拼接圖像。2. 根據(jù)權(quán)利要求1所述的方法，其特征在于，所述步驟S3的處理過(guò)程如下： S301:取整和取絕對(duì)值:針對(duì)每個(gè)系數(shù)子帶，將每個(gè)系數(shù)取整和取絕對(duì)值得到Cx，X對(duì)應(yīng) 圖像的第X個(gè)系數(shù)子帶； S302:根據(jù)公式(1)和公式(2)計(jì)算其水平方向和垂直方向的差分矩陣： Dxh=Cx(u,v)-Cx(u+l ,v) (1) Dxv=Cx(u,v)-Cx(u, ν+1) (2) 其中，u和ν代表Cx系數(shù)的坐標(biāo)，Dxh和Dxv分別代表Cx在水平方向和垂直方向的差分矩陣； S303:閾值截?cái)啵簩?duì)每個(gè)差分矩陣的系數(shù)，使用閾值T進(jìn)行截?cái)嗖僮?，大于T的系數(shù)全部 替換為T(mén)，小于-T的系數(shù)全部替換為-T; S304:提取Markov特征:根據(jù)公式（3)到公式(6)計(jì)算兩個(gè)差分矩陣對(duì)應(yīng)的水平方向和 差分方向的Markov轉(zhuǎn)移概率矩陣：其中，Sxu和Sxv分別對(duì)應(yīng)Cx系數(shù)子帶矩陣水平方向和垂直方向的維數(shù)，Mxhh和Mxhv分別代 表Dxh的水平方向和垂直方向的Marko v轉(zhuǎn)移概率矩陣，Mxvh和Mxvv分別代表Dxv的水平方向和 垂直方向的Markov轉(zhuǎn)移概率矩陣，i，j e {-T，-T+1，…，-1，0，1，…，T-1，T}代表Cx系數(shù)的各 種取值組合，并且：S305:連接特征:對(duì)于每個(gè)子帶，將4個(gè)Markov轉(zhuǎn)移概率矩陣連在一起得到該子帶的特 征向量，然后連接各個(gè)子帶的特征向量可以得到每張圖像的特征向量。
【文檔編號(hào)】G06T3/40GK106056600SQ201610365057
【公開(kāi)日】2016年10月26日
【申請(qǐng)日】2016年5月26日
【發(fā)明人】盧偉, 張清柏
【申請(qǐng)人】中山大學(xué)