王 永 飛

(銅陵職業(yè)技術(shù)學(xué)院， 安徽 銅陵 244061)

隨著計(jì)算機(jī)應(yīng)用技術(shù)的飛速發(fā)展，作為信息重要載體的圖像使用越來(lái)越普遍，根據(jù)實(shí)際需要，對(duì)圖像進(jìn)行篡改也越來(lái)越普遍。古籍是學(xué)術(shù)傳承的歷史見(jiàn)證和源頭活水，更是現(xiàn)代科技創(chuàng)新和學(xué)術(shù)進(jìn)步的根基和依據(jù)。為加強(qiáng)古籍保護(hù)工作，2007年國(guó)務(wù)院辦公廳發(fā)布了《關(guān)于進(jìn)一步加強(qiáng)古籍保護(hù)工作的意見(jiàn)》，正式實(shí)施“中華古籍保護(hù)計(jì)劃”。古籍圖像是古籍文物中重要的組成部分，且是不可再生的珍貴的歷史文物，若對(duì)古籍字畫(huà)圖像篡改，將會(huì)使這些古籍圖像失去本來(lái)的價(jià)值和意義，因此對(duì)古籍圖像篡改檢測(cè)顯得尤為重要。

古籍圖像受長(zhǎng)期自然環(huán)境和人為因素的影響，大多數(shù)已嚴(yán)重破損，經(jīng)過(guò)篡改技術(shù)處理后，很多篡改后的圖像可以達(dá)到以假亂真的地步。當(dāng)前，圖像篡改檢測(cè)技術(shù)主要有特征點(diǎn)匹配和塊匹配方法。文獻(xiàn)[1]中提出了超像素分割和SURF特征點(diǎn)圖像復(fù)制粘貼篡改檢測(cè)算法，該算法以特征點(diǎn)匹配方法實(shí)現(xiàn)圖像篡改檢測(cè)，在檢測(cè)篡改區(qū)域時(shí)提高了準(zhǔn)確率和檢測(cè)速度；文獻(xiàn)[2]中提出了低頻快速切比雪夫矩的篡改圖像檢測(cè)算法，該算法提取圖像塊特征，實(shí)現(xiàn)圖像篡改檢測(cè)，對(duì)單區(qū)域、多區(qū)域篡改區(qū)域有很好的定位結(jié)果；文獻(xiàn)[3]中提出了基于圓域分割耦合法則的圖像篡改檢測(cè)算法，該算法利用鄰域圓構(gòu)建特征點(diǎn)，實(shí)現(xiàn)圖像篡改匹配檢測(cè)，檢測(cè)準(zhǔn)確性較高，魯棒性較好。文獻(xiàn)[4]中設(shè)計(jì)了一種SIFT(Scale Invariant Feature Transform)的復(fù)制粘貼篡改檢測(cè)算法，但該算法易出現(xiàn)錯(cuò)誤檢測(cè)和漏檢測(cè)，且存在計(jì)算量大等問(wèn)題。SURF(Speed Up Robust Feature)算法改進(jìn)了SIFT算法，提高了運(yùn)算速度，但其匹配精度不高。針對(duì)上述各算法的不足，研究提出了一種改進(jìn)的SURF算法，該算法準(zhǔn)確度高，可快速檢測(cè)古籍圖像篡改的信息。

1 篡改檢測(cè)算法思路

像素、紋理、結(jié)構(gòu)、灰度和顏色是圖像構(gòu)成的主要信息。特征點(diǎn)是圖像中具有尺度不變性的像素點(diǎn)或像素塊。SURF算法的圖像匹配檢測(cè)過(guò)程是：先用高斯濾波平滑圖像，找出圖像的特征點(diǎn)，構(gòu)造Hessian矩陣，定位特征點(diǎn)、確定特征點(diǎn)主方向和特征描述子；再利用歐氏距離最近的最佳匹配原則進(jìn)行特征點(diǎn)匹配，實(shí)現(xiàn)圖像匹配檢測(cè)。改進(jìn)的SURF古籍圖像復(fù)制粘貼篡改檢測(cè)算法(以下簡(jiǎn)稱(chēng)新算法)的思路是：(1) 以SURF算法為基礎(chǔ)；(2) 分析高斯濾波的不足和像素信息，引入小波變換并改進(jìn)，對(duì)古籍圖像進(jìn)行濾波，平滑圖像并清除干擾圖像特征點(diǎn)提取的噪聲斑點(diǎn)；(3) 分析SURF算法全圖搜索定位特征點(diǎn)的缺陷和圖像結(jié)構(gòu)、灰度和顏色特征，引入SLIC(Simple Linear Iterative Clustering)算法，對(duì)圖像分塊，提高圖像篡改檢測(cè)的定位速度；(4) 分析SURF算法特征點(diǎn)匹配時(shí)閾值選取方法的不足，將SURF算法特征點(diǎn)歐氏距離最近的最佳匹配原則的閾值選取方式改進(jìn)為圖像特征點(diǎn)匹配自適應(yīng)統(tǒng)一閾值選取方法，減小特征點(diǎn)匹配誤差積累；(5) 引入圖像局部色彩方差，提升圖像特征點(diǎn)的匹配準(zhǔn)確度；(6) 根據(jù)特征點(diǎn)匹配情況，利用形態(tài)學(xué)腐蝕膨脹操作，實(shí)現(xiàn)篡改信息定位。通過(guò)上述6個(gè)步驟，以快速及準(zhǔn)確的方式實(shí)現(xiàn)圖像篡改信息檢測(cè)。

為驗(yàn)證新算法的檢測(cè)效果，將其與當(dāng)前主流篡改算法檢測(cè)效果比較，進(jìn)行如下檢測(cè)：(1) 對(duì)兩幅古籍圖像人為篡改進(jìn)行檢測(cè)；(2) 對(duì)兩幅古籍文字篡改和缺少筆畫(huà)的圖像進(jìn)行檢測(cè)；(3) 對(duì)單幅原始圖像中多出的“鳥(niǎo)”進(jìn)行篡改檢測(cè)；(4) 用主流不同算法對(duì)上述各篡改圖像檢測(cè)數(shù)據(jù)進(jìn)行分析。通過(guò)上述實(shí)驗(yàn)，驗(yàn)證新算法的有效性、實(shí)用性、通用性和高效性。

2 基于改進(jìn)的SURF古籍圖像復(fù)制粘貼篡改檢測(cè)算法

2.1 SURF算法簡(jiǎn)介

2.1.1 構(gòu)建Hessian矩陣

Hessian矩陣是一個(gè)多元函數(shù)的二階偏導(dǎo)數(shù)構(gòu)成的方陣，構(gòu)建Hessian矩陣是圖像特征提取的起點(diǎn)，這些特征點(diǎn)就是圖像穩(wěn)定的關(guān)鍵點(diǎn)。圖像I上的像素點(diǎn)(x，y)即為函數(shù)值f(x，y)，因圖像提取的特征點(diǎn)應(yīng)具備尺度無(wú)關(guān)性，在Hessian矩陣構(gòu)造前，圖像中有很多噪聲斑點(diǎn)，需要選用二階標(biāo)準(zhǔn)高斯函數(shù)對(duì)其進(jìn)行高斯平滑濾波，消除無(wú)關(guān)斑點(diǎn)。為加快卷積的速度，采用了方型濾波器(Box Filter)對(duì)高斯濾波器二階偏導(dǎo)進(jìn)行近似求解。濾波后像素點(diǎn)Hessian矩陣為[1]：

(1)

式中：σ表示像素點(diǎn)(x，y)對(duì)應(yīng)的空間尺度；Lxx(x，y，σ)、Lxy(x，y，σ)、Lyx(x，y，σ)、Lyy(x，y，σ)是高斯函數(shù)與高斯二階偏導(dǎo)數(shù)的卷積。

Hessian矩陣判別式為[1]：

Det(H)=LxxLyy-(ωLxy)2

(2)

式中：ω為加權(quán)系數(shù)，為平衡方型濾波器近似所帶來(lái)的誤差，一般取值為0.9；Lyy、Lxx和Lxy是yy、xx和xy方向上的二階導(dǎo)數(shù)值。

2.1.2 確定特征點(diǎn)

在二維圖像空間和尺度空間中，將Hessian與該鄰域內(nèi)相關(guān)性像素點(diǎn)進(jìn)行比較，根據(jù)閾值，濾除能量弱的關(guān)鍵點(diǎn)以及定位錯(cuò)誤的關(guān)鍵點(diǎn)，篩選出穩(wěn)定的特征點(diǎn)；在特征點(diǎn)鄰域內(nèi)，使用Harr小波，統(tǒng)計(jì)60°扇形內(nèi)水平方向和垂直方向所有點(diǎn)的Harr小波特征值之和，再統(tǒng)計(jì)以一定間隔旋轉(zhuǎn)后該區(qū)域內(nèi)Harr小波特征值，將該值最大的扇形方向確定為該特征點(diǎn)主方向；以特征點(diǎn)為中心，構(gòu)造一個(gè)20 pixels×20 pixels的正方形窗口，再將該窗口劃分為更小的4 pixels×4 pixels子區(qū)域，在每個(gè)子區(qū)域內(nèi)再按照5 pixels×5 pixels的大小進(jìn)行取樣，計(jì)算子區(qū)域內(nèi)水平和垂直方向Harr小波響應(yīng)值∑dx、∑|dx|、∑dy和∑|dy|。產(chǎn)生16個(gè)子區(qū)域，每個(gè)子區(qū)域4個(gè)量值，形成64個(gè)特征描述子表達(dá)特征點(diǎn)[1]。

2.1.3 特征點(diǎn)匹配

計(jì)算兩個(gè)特征點(diǎn)間的歐氏距離，歐氏距離越短，兩個(gè)特征點(diǎn)匹配度越高；若兩個(gè)特征點(diǎn)矩陣跡的正負(fù)號(hào)一樣，表示該對(duì)特征點(diǎn)相同方向上對(duì)比度變化相同，則這兩個(gè)特征點(diǎn)匹配，否則，即使歐氏距離為0，也認(rèn)為是誤匹配。

2.2 改進(jìn)SUFR算法

2.2.1 引入并改進(jìn)提升濾波效果的小波變換

(1) 小波變換簡(jiǎn)介

若f(t)∈L2(R)，則連續(xù)小波變換為：

(3)

傳統(tǒng)小波去噪采用閾值函數(shù)選取閾值，常用的硬閾值和軟閾值函數(shù)分別為：

(4)

(5)

傳統(tǒng)的小波選取統(tǒng)一閾值，λ取值公式為：

(6)

式中：σ是噪聲標(biāo)準(zhǔn)差；N是圖像大小[5]。

小波重構(gòu)函數(shù)可定義為：

(7)

(2) 改進(jìn)提升濾波效果小波閾值選取方式

由于各種原因，古籍圖像都包含大量噪聲，而噪聲在圖像中表現(xiàn)為孤立性很強(qiáng)的斑點(diǎn)。在圖像特征點(diǎn)提取過(guò)程中，這些斑點(diǎn)容易被視為圖像的特征點(diǎn)提取，影響圖像篡改區(qū)域的定位，構(gòu)建Hessian矩陣過(guò)程中需要使用高斯函數(shù)對(duì)其進(jìn)行濾波，高斯函數(shù)在頻域內(nèi)具有圖像平滑的作用，且頻率點(diǎn)半徑?jīng)Q定了圖像邊緣信息濾除多少和圖像模糊程度，以及是否出現(xiàn)振鈴現(xiàn)象。新算法引入小波變換算法并進(jìn)行了改進(jìn)，以克服高斯濾波的不足。

硬閾值去噪將噪聲小波系數(shù)直接清零，容易產(chǎn)生偽吉布斯現(xiàn)象；軟閾值去噪時(shí)，估計(jì)值與實(shí)際值之間存在一定偏差，影響圖像重構(gòu)效果；另外，還有如折中閾值去噪等方法，圖像中都容易出現(xiàn)斷點(diǎn)，平滑度不夠。

為了更好地實(shí)現(xiàn)圖像濾波，改進(jìn)的小波閾值函數(shù)為：

(8)

式中：m是調(diào)節(jié)閾值函數(shù)的常量[5]。

改進(jìn)的小波閾值選取方式如下：

(9)

式中：Ti是第i層閾值。

通過(guò)對(duì)圖像添加標(biāo)準(zhǔn)差為1.6的高斯噪聲，利用改進(jìn)的小波變換濾波和高斯函數(shù)濾波，濾波效果圖如圖1所示。

圖1 圖像濾波效果比較

從視覺(jué)效果角度看，高斯濾波圖圖像過(guò)于平滑，且比較模糊；新算法濾波后，圖像最接近原圖，且圖像信噪比達(dá)到75.32 dB，圖像結(jié)構(gòu)相似度為0.91，遠(yuǎn)高于高斯濾波后的圖像信噪比64.57 dB和圖像結(jié)構(gòu)相似度0.64，為構(gòu)建Hessian矩陣提供了更好的基礎(chǔ)。

在二維圖像空間和尺度空間中，將Hessian與該鄰域內(nèi)相關(guān)性像素點(diǎn)進(jìn)行比較時(shí)，也采用上述小波閾值選取方式，濾除能量弱的關(guān)鍵點(diǎn)以及定位錯(cuò)誤的關(guān)鍵點(diǎn)，篩選出穩(wěn)定的特征點(diǎn)。

2.2.2 改進(jìn)提升檢索效率的超像素分割算法SLIC

將圖像分割的目的是減少檢測(cè)時(shí)間，提高檢測(cè)效率。改進(jìn)的算法中引入超像素分割方法之一的簡(jiǎn)單線(xiàn)性迭代聚類(lèi)SLIC(Simple Linear Iterative Clustering)算法，由于SLIC分割的超像素塊大小均勻，且分割前需要設(shè)定圖像分割數(shù)目。圖像分割數(shù)量過(guò)大或過(guò)小，會(huì)增加圖像檢索復(fù)雜度或降低檢測(cè)精度。

(1) SLIC算法簡(jiǎn)介

SLIC算法是一種基于網(wǎng)格化針對(duì)像素塊K-Means聚類(lèi)的超像素圖像分割算法。因Lab顏色空間與設(shè)備無(wú)關(guān)，將圖像RGB顏色空間轉(zhuǎn)換到Lab顏色空間(Lab顏色模型由亮度L、顏色通道a和b組成)，每個(gè)像素點(diǎn)(x，y)可用5維向量V[L，a，b，x，y]表示。

(2) SLIC算法的改進(jìn)

為了消除SLIC分割圖像前分割數(shù)量假設(shè)的不確定性，新算法利用自適應(yīng)確定超像素圖像分割數(shù)量。通過(guò)小波變換，提取圖像低頻分量和高頻分量，計(jì)算小波對(duì)角對(duì)比度P[6]，計(jì)算公式為：

(10)

自適應(yīng)超像素圖像分割數(shù)量為[6]：

(11)

改進(jìn)后的SLIC算法：在原圖像素中，自適應(yīng)確定超像素圖像塊分割數(shù)量K，選取K個(gè)圖像特征點(diǎn)，設(shè)為K聚類(lèi)中心，以每個(gè)特征點(diǎn)為中心，搜索全圖歐氏距離最近的像素點(diǎn)，并歸入該類(lèi)，計(jì)算每類(lèi)像素點(diǎn)平均向量值，重新得到K個(gè)聚類(lèi)中心，再以這K個(gè)中心去搜索周?chē)c其最為相似的像素，反復(fù)迭代，直至所有像素都?xì)w類(lèi)后收斂。若聚類(lèi)中心在邊緣或是噪聲點(diǎn)，改進(jìn)為將聚類(lèi)中心移動(dòng)到梯度最小的區(qū)域。圖2為SLIC算法圖像分割過(guò)程和結(jié)果。

圖2 改進(jìn)的SLIC算法圖像分塊

2.2.3 圖像匹配自適應(yīng)閾值選取

傳統(tǒng)SURF算法采用歐氏距離最近的最佳匹配原則判斷特征點(diǎn)的匹配，判斷公式為：

(12)

式中：l為兩特征點(diǎn)間的距離；n為特征點(diǎn)維數(shù)；x1和x2分別為原始圖像和待測(cè)圖像特征點(diǎn)描述向量。

以最近特征點(diǎn)和次近特征點(diǎn)的距離比值為閾值，當(dāng)lmin

改進(jìn)的SURF算法采用統(tǒng)一閾值法：(1)先分別求出原圖和待測(cè)圖像所有特征點(diǎn)；(2)再用循環(huán)方式求出原圖所有特征點(diǎn)與待測(cè)圖像所有特征點(diǎn)之間的距離，將最近特征點(diǎn)和次近特征點(diǎn)距離值作為閾值。將該閾值作為全圖匹配的統(tǒng)一閾值，以減小匹配過(guò)程中閾值變化產(chǎn)生的誤差，提高圖像匹配精度。

將兩幅前景完全相同，背景的色調(diào)、對(duì)比度和飽和度不同的圖像進(jìn)行匹配檢測(cè)比較。利用傳統(tǒng)的SURF算法和改進(jìn)后的統(tǒng)一閾值法對(duì)兩幅圖像進(jìn)行篡改檢測(cè)，結(jié)果如圖3所示。

兩幅圖像只有背景不同，圖3c是利用傳統(tǒng)SURF算法匹配檢測(cè)的結(jié)果，圖中鳥(niǎo)的特征匹配點(diǎn)只有3對(duì)，與事實(shí)明顯不符，表明傳統(tǒng)SURF算法匹配檢測(cè)存在很大的誤差。圖3d是利用新算法篡改匹配檢測(cè)的結(jié)果，很明顯該篡改匹配檢測(cè)結(jié)果更準(zhǔn)確。

2.2.4 引入提升匹配檢測(cè)準(zhǔn)確度的圖像局部色彩方差

目前圖像特征點(diǎn)檢測(cè)算法，如Harris、SIFT和SURF等算法均忽視了圖像顏色信息，檢測(cè)出的特征點(diǎn)均存在誤差。研究在SURF算法特征點(diǎn)匹配時(shí)引入圖像局部色彩方差，除要求歐氏距離越短和兩個(gè)特征點(diǎn)矩陣跡的正負(fù)號(hào)一樣外，還要求判斷對(duì)應(yīng)特征點(diǎn)的局部色彩方差相同，以提升匹配檢測(cè)的準(zhǔn)確度。

因HSV圖像模式更符合視覺(jué)效果，且空間各分量相對(duì)獨(dú)立，新算法將RGB圖像顏色模式轉(zhuǎn)換為HSV圖像模式。圖像局部色彩方差反映圖像細(xì)節(jié)復(fù)雜度，將其作為判斷特征點(diǎn)匹配的第三項(xiàng)依據(jù)。

超像素塊的局部色彩方差計(jì)算公式為[7]：

(13)

圖4a是原始圖；圖4b是將原始圖右邊人臉篡改后的圖像；圖4c是利用傳統(tǒng)的SURF算法對(duì)篡改后的圖像匹配檢測(cè)的結(jié)果，圖中明顯出現(xiàn)了肩部誤匹配特征點(diǎn)對(duì)應(yīng)線(xiàn)，且該匹配對(duì)應(yīng)點(diǎn)顏色明顯不一樣；圖4d為新算法的匹配檢測(cè)結(jié)果，準(zhǔn)確度較高。

2.2.5 篡改信息定位

將特征點(diǎn)匹配后的古籍圖像二值化，利用形態(tài)學(xué)腐蝕膨脹操作填充匹配特征點(diǎn)對(duì)之間空隙形成連通區(qū)域。選用經(jīng)典結(jié)構(gòu)元素B，其表達(dá)式為：

(14)

針對(duì)圖像I二值化后的矩陣A，利用式(15)進(jìn)行篡改區(qū)域檢測(cè)[1]，結(jié)果如圖5所示。

圖5 新算法篡改檢測(cè)結(jié)果

A·B=(A⊕B)ΘB

(15)

圖5c是根據(jù)特征點(diǎn)匹配后，使用形態(tài)學(xué)腐蝕膨脹操作篡改定位的圖像，因圖5b中人臉篡改部分和原始圖像圖5a人臉部分有很多像素點(diǎn)完全相同，且信息完全相同部分不認(rèn)為是被篡改，故圖5c中顯示的是被篡改部分的準(zhǔn)確位置信息。

3 實(shí)驗(yàn)與分析

新算法使用的系統(tǒng)平臺(tái)為Windows7 32位旗艦版，軟件應(yīng)用平臺(tái)為Matlab2015b。選取真假兩幅古籍圖像和1幅圖中有內(nèi)容被篡改的圖像為例，篡改方式包括復(fù)制、縮放、旋轉(zhuǎn)、更換背景和刪除等。利用新算法及當(dāng)前其他主流算法對(duì)篡改圖像進(jìn)行檢測(cè)、分析，驗(yàn)證新算法的實(shí)用性、通用性和高效性。

3.1 兩幅古籍圖像篡改匹配檢測(cè)

3.1.1 復(fù)制篡改匹配檢測(cè)

為驗(yàn)證圖像復(fù)制篡改匹配檢測(cè)效果，選用兩幅古籍圖像，分別利用新算法、文獻(xiàn)[1]、文獻(xiàn)[2]和文獻(xiàn)[8]中算法對(duì)圖像篡改進(jìn)行匹配檢測(cè)。圖6為多種算法對(duì)圖像復(fù)制篡改匹配檢測(cè)結(jié)果。圖6a中，右圖人臉部明顯破損，將左圖人臉不作任何調(diào)整地復(fù)制到右圖人臉處，如圖6b中右圖，利用4種算法對(duì)圖像進(jìn)行復(fù)制篡改匹配檢測(cè)，結(jié)果如圖6c — 圖6f所示。

圖6 多種算法對(duì)圖像復(fù)制篡改匹配檢測(cè)結(jié)果

圖6 a中兩個(gè)圖從視覺(jué)角度上看很相似，但兩個(gè)圖的顏色信息完全不同。文獻(xiàn)[1]中的篡改匹配檢測(cè)效果明顯優(yōu)于文獻(xiàn)[2]和文獻(xiàn)[8]；文獻(xiàn)[1]和文獻(xiàn)[2]中圖像的匹配均出現(xiàn)多匹配現(xiàn)象，原因是沒(méi)有對(duì)圖像色彩進(jìn)行判斷；文獻(xiàn)[8]中的篡改匹配檢測(cè)效果圖中人臉匹配對(duì)應(yīng)點(diǎn)很少，這是明顯的匹配錯(cuò)誤。由此可見(jiàn)，新算法能精準(zhǔn)定位匹配，效果最佳。

3.1.2 放大和旋轉(zhuǎn)篡改匹配檢測(cè)

圖7 為多種算法對(duì)圖像放大篡改匹配檢測(cè)結(jié)果對(duì)比圖。將兩幅古籍原始圖像圖7a中左圖人臉復(fù)制放大20%后移至圖7a中右圖的人臉部，結(jié)果如圖7b中的右圖所示。

圖7 多種算法對(duì)圖像放大篡改匹配檢測(cè)結(jié)果

圖8為多種算法對(duì)圖像旋轉(zhuǎn)篡改匹配檢測(cè)結(jié)果。將兩幅古籍原始圖圖8a中右圖人臉復(fù)制后順時(shí)針旋轉(zhuǎn)20°并移至右圖人臉位置，結(jié)果如圖8b中的右圖所示。

圖8 多種算法對(duì)圖像旋轉(zhuǎn)篡改匹配檢測(cè)結(jié)果

由圖7和圖8可知，利用新算法、文獻(xiàn)[1]和文獻(xiàn)[2]中的算法對(duì)圖像的匹配檢測(cè)結(jié)果很穩(wěn)定，且新算法檢測(cè)匹配準(zhǔn)確性明顯高于文獻(xiàn)[1]和文獻(xiàn)[2]中算法。此外，就圖像篡改任意比例縮放和任意角度旋轉(zhuǎn)等情況進(jìn)行了實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果證明新算法實(shí)用性更強(qiáng)。

3.2 單幅古籍字帖文字圖像篡改檢測(cè)

為了驗(yàn)證新算法的通用性，在選取單幅古籍字帖圖像時(shí)，選取了其中有重復(fù)字“樂(lè)”的圖，同時(shí)，將原始圖像圖9a中的“如”篡改為“何”，利用新算法就篡改文字進(jìn)行匹配檢測(cè)，匹配檢測(cè)結(jié)果如圖9c所示。

圖9c中，檢測(cè)出了圖9a中兩個(gè)同樣的字“樂(lè)”的匹配，因?qū)懽魇址ú煌瑯拥淖种挥袀€(gè)別的地方匹配，而篡改后的同樣兩個(gè)字“何”完全匹配。表明新算法通用性強(qiáng)。

圖10a中就原始圖中“綠”字少了一橫，從其他圖中復(fù)制缺的“橫”圖案粘貼到圖10b中的位置，利用新算法進(jìn)行篡改檢測(cè)，獲得篡改區(qū)域信息圖像如圖10c所示。從視覺(jué)效果角度分析，篡改區(qū)域圖像清晰度非常高，證明新算法通用性強(qiáng)。

圖9和圖10就古籍字帖進(jìn)行篡改匹配檢測(cè)。為進(jìn)一步驗(yàn)證新算法的通用性，選用單幅原始圖中有多只鳥(niǎo)的圖像進(jìn)行篡改，利用新算法進(jìn)行匹配檢測(cè)。

圖9 文字圖像篡改匹配檢測(cè)結(jié)果

圖10 新算法對(duì)圖像篡改匹配檢測(cè)結(jié)果

圖11a中有多只鳥(niǎo)，復(fù)制其最上面的一只鳥(niǎo)并粘貼至圖中間的樹(shù)枝上得到圖11b，同時(shí)，將粘貼后的圖像縮小5%，利用新算法進(jìn)行匹配檢測(cè)，檢測(cè)結(jié)果如圖11c所示，匹配準(zhǔn)確度非常高。

圖11 新算法對(duì)圖像篡改匹配檢測(cè)結(jié)果

3.3 準(zhǔn)確率和用時(shí)

利用新算法、文獻(xiàn)[1]和文獻(xiàn)[2]中算法對(duì)圖像10進(jìn)行篡改匹配檢測(cè)，結(jié)果見(jiàn)表1。

表1 3種算法篡改匹配數(shù)據(jù)統(tǒng)計(jì)表

文獻(xiàn)[1]中算法匹配準(zhǔn)確率較文獻(xiàn)[2]高，但檢測(cè)用時(shí)較長(zhǎng)；文獻(xiàn)[2]中算法檢測(cè)用時(shí)最短，但準(zhǔn)確率不高；新算法檢測(cè)準(zhǔn)確率最高，檢測(cè)用時(shí)最少，說(shuō)明新算法的高效性。

4 結(jié) 語(yǔ)

研究提出了一種改進(jìn)的SURF圖像復(fù)制粘貼篡改匹配檢測(cè)算法，通過(guò)對(duì)單幅和多幅圖像進(jìn)行篡改復(fù)制、旋轉(zhuǎn)、壓縮和部分圖像清除等進(jìn)行匹配檢測(cè)，驗(yàn)證了新算法比其他算法更具有效性、實(shí)用性、通用性和高效性。后繼就圖像單像素篡改檢測(cè)算法進(jìn)行深入研究。