一种基于纹理和统计特征的鲁棒图像哈希认证方法

1.本发明主要涉及到图像处理与信息安全领域，尤其是涉及一种在非下采样轮廓变换域（nsct）下基于纹理和统计特征的鲁棒图像哈希认证方法。


背景技术：

2.随着多媒体和互联网通信技术的不断发展，图像、视频和音频等数字内容逐渐成为信息传播的载体。由于数字图像中包含大量的数据，对失真不敏感，易于编辑，因此数字图像被篡改和破坏的现象比较严重，容易导致版权认证问题。图像哈希是数字媒体领域的有效技术。它根据视觉图像内容从输入图像中提取称为哈希的紧凑表示已广泛用于图像内容认证、图像篡改检测、图像检索、图像质量评价、图像拷贝检测和数字水印等场景。
3.现有研究主要从四个方面开展鲁棒图像哈希方法的研究，一是基于不变特征变换的鲁棒图像哈希方法，这类方法从变换域中提取鲁棒特征，然后利用变换系数生成图像哈希。这些方法的优点在于他们对图像失真和几何攻击具有很强的鲁棒性。目前，常用于图像哈希生成的变换有离散傅里叶变换(dft)、离散小波变换(dwt)和离散余弦变换(dct)等。二是基于统计特征的鲁棒图像哈希方法，统计特征（如平均值、高阶矩、图像强度和直方图等）对图像中的微小变化表现出不变性。三是基于纹理统计特征的鲁棒图像哈希方法，主要包括灰度共生矩阵等。四是基于数据降维鲁棒图像哈希方法，在这一类方法中，数据降维将高维数据映射到低维空间，是一种有效的数据压缩技术。图像哈希是一种紧凑的图像表示，哈希提取的过程在本质上就是一个数据压缩的过程。常用的数据降维算法有奇异值分解(svd)、局部线性嵌入(lle)、非负矩阵分解(nmf)、主成分分析(pca)和多维尺度分析(mds)等。
[0004] 通常，一个好的图像哈希满足两个基本性能，一个性能是鲁棒性，即两个视觉内容相似的图像应该具有相同或相似的哈希值。另一个基本性能是辨别能力，意味着视觉内容不同的图像应该具有完全不同的哈希值。目前，大部分图像哈希技术在鲁棒性和辨别能力之间无法达到良好的分类性能。non-subsampled contourlet transform(nsct)是近几年频繁使用的多尺度变换方法之一，已被广泛用于图像处理，例如图像分割、图像融合、数字水印、图像增强等。非下采样轮廓波变换（nsct）是一种二维图像变换技术，保留了轮廓波变换的多尺度分解、多方向性以及各向异性，取消了对图像信息进行分解和重构过程中的降采样和上采样操作，使得各子带图像的尺寸大小和原始图像完全一致。nsct由非下采样金字塔滤波器组（non-subsampled pyramid，nsp）和非下采样方向滤波器组（non-subsamples directional filter banks，nsdfb）两部分组成。其中，nsp实现了图像的多分辨率分解，nsdfb实现了图像的多方向分解。
[0005]
然而，如何使用nsct的图像哈希算法没有得到很好的研究。针对该问题，本发明提出了一种基于纹理特征和向量距离统计特征相结合的图像哈希方法。该方法通过nsct从ycbcr色彩空间分解出低频子带图像和高频子带图像。对低频图像使用均匀二值模式提取纹理特征，高频图像经过奇异值分解，通过计算奇异向量的距离压缩图像特征。


技术实现要素：

[0006]
本发明要解决的技术问题在于：针对现有技术存在的问题，本发明提供了一种原理简单、适用范围广、可以在鲁棒性和辨别能力之间取得良好的平衡的鲁棒图像哈希认证方法。
[0007]
为解决上述问题，本发明采用以下技术方案：一种基于纹理和统计特征的鲁棒图像哈希认证方法，其包括：步骤s1：预处理，首先将rgb彩色图像转换到ycbcr颜色空间，对y颜色分量执行nsct非下采样轮廓变换；步骤s2：特征提取与表示，在nsct子带图像上提取纹理特征和统计特征获得更多的图像有用信息；其中纹理特征从nsct低频子带图像上使用均匀局部二值模式描述子(ulbp)映射为直方图获得，该特征比原始局部二值模式描述子lbp直方图的向量维数小；另一方面，对nsct高频子带图像进行奇异值分解（svd），利用奇异向量距离获得统计特征；步骤s3：结合上述两种纹理特征和统计特征以生成图像哈希并进行图像认证。
[0008]
作为本发明方法的进一步改进：所述步骤s1中，为减少内容保留操作对输入图像的影响，首先使用双线性插值操作将输入图像转换为统一尺寸m
×
m，此操作可以使构建的哈希抵抗图像缩放，并且生成统一长度的哈希序列。然后，对调整大小的图像执行3
×
3卷积掩模标准差为1的高斯低通滤波，该操作能够减少噪声对图像的影响。最后，将过滤后的彩色图像转换到ycbcr色彩空间。ycbcr色彩空间具有和人的视觉感知一致性，亮度分量y用于表示输入图像。
[0009]
作为本发明方法的进一步改进：所述步骤s1中，首先将图像y分量进行非下采样金字塔滤波器组nsp分解得到一个低频子带和一个高频子带，然后在nsp输出的高频子带图像上进行nsdfb变换实现多方向分解。经过级nsct分解后，最终可以得到和输入图像大小一致的子带图像，其中是分解级数下的分解尺度，分解尺度为[0,1,2]。
[0010]
作为本发明方法的进一步改进：所述步骤s2中，为了有效地应用ulbp描述符来提取局部纹理特征，执行以下步骤：首先提取nsct低频子带图像，将大小为m
×
m的低频子带图像分割为一系列大小为m
×
m的图像子块；块数为，分块方式如下：；
[0011]
然后，计算每个图像块的ulbp，获得大小为的ulbp映射，该映射由十进制值组成。值得注意的是，本发明不会将图像块的四个边界像素视为中心像素，因此。然后，用表示的直方图，推导公式如下：；；ulbp相较传统lbp得维数更少，包含的纹理细节更多，鲁棒性更好。获得图像块ulbp映射的直方图之后，计算的直方图统计矩，计算公式如下所示：
；；其中，n为直方图水平轴变量的个数，是直方图水平轴的变量，取值范围是[1,2,..,59]，为n的概率分布。是n处的直方图统计值。连接图像块的直方图统计矩，构造局部纹理特征 。
[0012]
作为本发明方法的进一步改进：所述步骤s2中，为了获得更多的图像细节，本发明从nsct分解得到的高频图像学习稳定的图像结构信息；首先对每个nsct高频子带图像，进行svd操作；；其中，是大小为m
×
m的对角矩阵，有m个奇异值，和是对应于大小为m
×
m的两个正交矩阵。接下来，对于每个高频子图，本发明收集和的前个奇异向量（及对应于最大个奇异值的奇异向量），作为特征矩阵。其中，和()分别是和的第个向量，大小为m
×
1。因此特征矩阵=[],大小为m
×
d,d= ；
[0013]
作为本发明方法的进一步改进：所述步骤s2中，为了获得紧凑哈希，特征矩阵的每一列都被视为一个向量，并且这些特征向量被用于构造哈希。本发明选择向量距离作为特征，因为向量距离对数字运算是鲁棒的，并且可以保证哈希序列的紧凑性。向量距离的计算细节如下：首先，对于每个高频子图的特征矩阵的参考向量：；；其中，是的-th个元素，是的a-th个元素。其次，利用范数计算参考向量和向量之间的距离，;最后，连接向量距离构造距离特征。由于每个高频子图有个向量距离，一共有个高频子图，距离特征矩阵如下:;的大小为
×
,将特征矩阵拉伸（reshape）为一维序列。
[0014]
作为本发明方法的进一步改进：所述步骤s3中，本发明对局部纹理特征和奇异向量距离特征进行量化以生成最终的图像哈希序列如下：
；；其中，和分别表示和的均值。 表示的第-th个元素, 表示的第-th个元素。连接和得到最终哈希。
[0015]
与现有技术相比，本发明的优点在于：本发明方法的整体架构包含了三个模块：图像预处理，图像特征提取与表示，哈希量化与生成。本发明在nsct域基于纹理和统计特征提出了一种新的图像哈希算法，相比于现有技术，可以在鲁棒性和辨别能力之间取得良好的平衡。在预处理模块中，为了证明ycbcr颜色空间是所提方法的最佳颜色空间选择，利用另外三种颜色空间来设计哈希算法，即cie lab颜色空间、hsi颜色空间以及hsv颜色空间，结果表明ycbcr颜色空间的哈希性能最优。在特征提取模块，本发明采用nsct变换域，利用nsct的特性，分解得到不同尺度下不同方向的子带图像，根据得到的子带图像提取特征能够提高本发明方法的鲁棒性。同时，对nsct低频子带图像执行ulbp描述符并映射为直方图，通过直方图统计矩作为纹理特征表示图像，与原始lbp直方图相比，ulbp直方图的向量维数更少，能更紧凑的表示图像。在进行统计特征提取与表示时，本发明对nsct高频子带图像采用奇异值svd分解，计算奇异向量距离构造结构特征，由于向量距离对于普通操作是稳定的，且向量距离需要的存储空间不大，有助于生成紧凑的图像哈希。
附图说明
[0016]
图1 是本发明方法的流程示意图。
[0017]
图2 是本发明在具体应用实例中实现原理示意图。
实施方式
[0018]
以下结合说明书附图和具体实例对本发明做一步详细说明。
[0019] 如图1和图2 所示，本发明的一种基于纹理和统计特征的鲁棒图像哈希认证方法，通过在nsct变换域下，分别在低频子带和高频子带提取纹理特征和统计特征，组合这两个特征来获取简短而又在鲁棒性和鉴别性之间取得良好平衡的认证图像哈希。本发明方法的流程包括：步骤s1：预处理，首先将rgb彩色图像转换到ycbcr颜色空间，对y颜色分量执行nsct非下采样轮廓变换；步骤s2：特征提取与表示，在nsct子带图像上提取纹理特征和统计特征获得更多的图像有用信息。其中纹理特征从nsct低频子带图像上使用均匀局部二值模式描述子(ulbp)映射为直方图获得，该特征比原始局部二值模式描述子lbp直方图的向量维数小。另一方面，对nsct高频子带图像进行奇异值分解（svd），利用奇异向量距离获得统计特征；步骤s3：结合上述两种纹理特征和统计特征以生成图像哈希并进行图像认证。
[0020]
在具体应用实例中，本发明进一步对预处理过程进行了优化，具体优化如下：为减少内容保留操作对输入图像的影响，首先使用双线性插值操作将输入图像转换为统一尺寸m
×
m，此操作可以使构建的哈希抵抗图像缩放，并且生成统一长度的哈希序列。然后，对调
整大小的图像执行3
×
3卷积掩模标准差为1的高斯低通滤波，该操作能够减少噪声对图像的影响。最后，将过滤后的彩色图像转换到ycbcr色彩空间。ycbcr色彩空间具有和人的视觉感知一致性，亮度分量y用于表示输入图像。
[0021]
在具体应用实例中，作为本发明的进一步改进：首先将图像y分量进行非下采样金字塔滤波器组nsp分解得到一个低频子带和一个高频子带，然后在nsp输出的高频子带图像上进行nsdfb变换实现多方向分解。经过级nsct分解后，最终可以得到和输入图像大小一致的子带图像，其中是分解级数k下的分解尺度，分解尺度为[0,1,2]。
[0022]
在具体应用实例中，作为本发明的进一步改进：为了有效地应用ulbp描述符来提取局部纹理特征，执行以下步骤：首先提取nsct低频子带图像，将大小为m
×
m的低频子带图像分割为一系列大小为m
×
m的图像子块；因此，块数为，分块方式如下：；然后，计算每个图像块的ulbp，获得大小为的ulbp映射，该映射由十进制值组成。值得注意的是，本发明不会将图像块的四个边界像素视为中心像素，因此。然后，用表示的直方图，推导公式如下：；；ulbp相较传统lbp得维数更少，包含的纹理细节更多，鲁棒性更好。获得图像块ulbp映射的直方图之后，计算的直方图统计矩，计算公式如下所示：；；其中，n为直方图水平轴变量的个数，是直方图水平轴的变量，取值范围是[1,2,..,59]，为n的概率分布。是n处的直方图统计值。连接图像块的直方图统计矩，构造局部纹理特征 。
[0023]
在具体应用实例中，作为本发明的进一步改进：为了获得更多的图像细节，本发明从nsct分解得到的高频图像学习稳定的图像结构信息；首先对每个nsct高频子带图像，进行svd操作；；其中，是大小为m
×
m的对角矩阵，有m个奇异值，和是对应于大小为m
×
m的两个正交矩阵。接下来，对于每个高频子图，本发明收集和的前个奇异向量（及对应于最大个奇异值的奇异向量），作为特征矩阵。其中，和()分别是和的第个向量，大小为m
×
1。因此特征矩阵=[],大小为m
×
d,d= 。
[0024]
在具体应用实例中，作为本发明的进一步改进：为了获得紧凑哈希，特征矩阵的每一列都被视为一个向量，并且这些特征向量被用于构造哈希；本发明选择向量距离作为特征，因为向量距离对数字运算是鲁棒的，并且可以保证哈希序列的紧凑性；向量距离的计算细节如下：首先，对于每个高频子图的特征矩阵的参考向量：；；其中，是的-th个元素，是的a-th个元素。其次，利用范数计算参考向量和向量之间的距离，;最后，连接向量距离构造距离特征。由于每个高频子图有个向量距离，一共有个高频子图，距离特征矩阵如下:;的大小为
×
,将特征矩阵拉伸（reshape）为一维序列。
[0025]
在具体应用实例中，作为本发明的进一步改进：本发明对局部纹理特征和奇异向量距离特征进行量化以生成最终的图像哈希序列如下：；；其中，和分别表示和的均值。 表示的第-th个元素, 表示的第-th个元素。连接和得到最终哈希。
[0026]
以上仅是本发明的优选实施方案，本发明的保护范围并不局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。

技术特征：
1.一种基于纹理与统计特征的鲁棒图像哈希认证方法，其特征在于，步骤包括：步骤s1：预处理，首先将rgb彩色图像转换到ycbcr颜色空间，对y颜色分量执行nsct非下采样轮廓变换;步骤s2：特征提取与表示，在nsct子带图像上提取纹理特征和统计特征获得更多的图像有用信息；其中纹理特征从nsct低频子带图像上使用均匀局部二值模式描述子(ulbp)映射为直方图获得，该特征比原始局部二值模式描述子lbp直方图的向量维数小；另一方面，对nsct高频子带图像进行奇异值分解（svd），利用奇异向量距离获得统计特征;步骤s3：结合上述两种纹理特征和统计特征以生成图像哈希并进行图像认证。2.根据权利要求1所述一种基于纹理与统计特征的鲁棒图像哈希认证方法，其特征在于，所述步骤s1预处理中，首先使用双线性插值操作将输入图像转换为统一尺寸m
×
m，此操作可以使本发明的哈希抵抗图像缩放，并且生成统一长度的哈希序列。然后，对调整大小的图像执行具有3
×
3卷积掩模标准差为1的高斯低通滤波，该操作能够减少噪声对图像的影响。最后，将过滤后的彩色图像转换到ycbcr色彩空间。ycbcr色彩空间具有和人的视觉感知一致性，亮度分量y用于表示输入图像。3.根据权利要求1所述一种基于纹理与统计特征的鲁棒图像哈希认证方法，其特征在于，所述步骤s2特征提取与表示中，首先将图像进行非下采样金字塔滤波器组nsp分解得到一个低频子带和一个高频子带，然后在nsp输出的高频子带图像上进行非下采样方向滤波器组nsdfb变换实现多方向分解。经过级nsct分解后，最终可以得到和输入图像大小一致的子带图像，其中是分解级数下的分解尺度，分解尺度为[0,1,2]。4.根据权利要求1所述一种基于纹理与统计特征的鲁棒图像哈希认证方法，其特征在于，所述步骤s2特征提取与表示中，首先提取nsct低频子带图像，将大小为m
×
m的低频子带图像分割为一系列大小为m
×
m的图像子块。因此，块数为，分块方式如下：。5.根据权利要求1所述一种基于纹理与统计特征的鲁棒图像哈希认证方法，其特征在于，所述步骤s2特征提取与表示中，执行分块后，计算每个图像块的uniform lbp，获得大小为的uniform lbp映射，该映射由十进制值组成。值得注意的是，本发明不会将图像块的四个边界像素视为中心像素，因此。然后，用表示的直方图，推导公式如下：；；获得图像块ulbp映射的直方图之后，计算的直方图统计矩，计算公式如下所示：；
其中，n为直方图水平轴变量的个数，n是直方图水平轴的变量，取值范围是[1,2,..,59]，为的概率分布；;是处的直方图统计值。连接图像块的直方图统计矩，构造局部纹理特征。6.根据权利要求1所述一种基于纹理与统计特征的鲁棒图像哈希认证方法，其特征在于，所述步骤s2特征提取与表示中，获取奇异向量距离统计特征。首先对每个nsct高频子带图像，进行如下svd操作：；其中，是大小为m
×
m的对角矩阵，有m个奇异值，和是对应于大小为m
×
m的两个正交矩阵。接下来，对于每个高频子图，本发明收集和的前个奇异向量（及对应于最大个奇异值的奇异向量），作为特征矩阵。其中，和()分别是和的第个向量，大小为m
×
1。因此特征矩阵=[],大小为m
×
d,d=。7.根据权利要求1所述一种基于纹理与统计特征的鲁棒图像哈希认证方法，其特征在于，所述步骤s2特征提取与表示中，为了获得紧凑哈希，特征矩阵的每一列都被视为一个向量，并且这些特征向量被用于构造哈希。本发明选择向量距离作为特征，向量距离的计算细节如下：首先，对于每个高频子图的特征矩阵的参考向量如下：；；其中，是的-th个元素，是的a-th个元素。其次，利用范数计算参考向量和向量之间的距离，;最后，连接向量距离构造距离特征。由于每个高频子图有个向量距离，一共有个高频子图，距离特征矩阵如下:;的大小为
×
,将特征矩阵拉伸（reshape）为一维序列。8.根据权利要求1所述一种基于纹理与统计特征的鲁棒图像哈希认证方法，其特征在于，所述步骤s3图像认证哈希量化与生成中，本发明对局部纹理特征和奇异向量距离特征进行量化以生成最终的图像哈希序列如下：；
；其中，和分别表示和的均值。 表示的第-th个元素, 表示的第-th个元素。连接和得到最终哈希。

技术总结
本发明公开了一种基于纹理和统计特征的鲁棒图像哈希认证方法。图像哈希认证方法，包括：步骤S1：预处理，首先将RGB图像转换到YCbCr颜色空间，对Y分量执行NSCT变换。步骤S2：特征提取与表示，在NSCT子带图像上提取纹理特征和统计特征获得更多的图像有用信息，其中纹理特征从NSCT低频子带图像上使用均匀局部二值模式描述子(ULBP)映射为直方图获得，该特征比原始局部二值模式描述子LBP直方图的向量维数小。另一方面，对NSCT高频子带图像进行奇异值分解（SVD），利用奇异向量距离获得统计特征。步骤S3：结合上述两种纹理特征和统计特征以生成图像哈希并进行图像认证。本发明具有原理简单，适用范围广，在检测性能上有较好鲁棒性和鉴别性等优点。鉴别性等优点。鉴别性等优点。


技术研发人员：欧阳军林 王志敏 马嘉勇
受保护的技术使用者：湖南科技大学
技术研发日：2023.05.05
技术公布日：2023/10/19