2018非抽样Contourlet变换去噪滤波器设计的源相机识别
?摘 要:针对源相机识别和小波滤波器在获取残留噪声图像时会引入明显的场景噪声的问题，提出一种利用非抽样Contourlet变换(NSCT)进行模式噪声提取的新方案。首先根据源相机识别的过程，讨论小波滤波器在提取模式噪声上的不足，接着重点讨论设计基于NSCT滤波器进行模式噪声的提取。实验表明NSCT滤波器不仅使场景噪声得到明显的抑制，而且与小波滤波器相比，对来自三种不同相机的照片的平均识别率提高了近3.667%。
?关键词:
数字图像取证;源相机识别;模式噪声;非抽样Contourlet变换;Neyman?Pearson准则
?中图分类号:
TP301.6
文献标志码:A
?
Source camera identification based on? nonsubsampled Contourlet transform denoising filter design
?
CHEN Zong?min???*?, ZHOU Zhi?ping
?
School of IoT Engineering, Jiangnan University, Wuxi Jiangsu 214122, China
Abstract:
Because obvious noise will occur when source camera identification and wavelet filters are getting the residual noise in the image scene, a new method for the extraction of pattern noise was proposed based on Nonsubsampled Contourlet Transform (NSCT). According to the process of source camera identification, the deficiencies of wavelet?based filter for the extraction of pattern noise were discussed first. And then, the discussion focused on the design of NSCT?based filter to extract pattern noise. The experimental results show that NSCT?based filter not only restrains the scene noise obviously, but also improves the average identification rate with 3.7% for identifying images from three different cameras compared to wavelet?based filter. 代写论文 http://
?Key words:
digital image forensics; source camera identification; pattern noise; Nonsubsampled Contourlet Transform (NSCT); Neyman?Pearson criterion
?
0 引言?
随着信息技术的发展，数字图像取证技术越来越体现出它的价值，而数字图像来源取证作为数字图像取证技术的一个主要议题正扮演着重要的角色。在过去不到十年的时间里，国内外学者提出各种方法来实现数字图像来源取证。Kharrazi等??［1］?提取颜色、图像质量和小波系数共34个统计特征对图像的来源进行分类识别。Popescu等??［2］?通过最大期望(Expectation?Maximization, EM)算法检测在数码相机成像过程中由
彩色滤波阵列(Color Filter Array, CFA)
插值所引入了的周期相关性，并进行插值取证。Lukas和Fridrich等??［3-4］?提出利用成像传感器模式噪声(Photo?Response Non?Uniformity, PRNU)来识别数码相机。模式噪声由成像传感器的非均匀性和不完美性所导致，它是成像设备的内部固有特性，对指定的成像设备具有相对稳定性和唯一性，因此将其称为机器指纹或机器印痕，在图像来源取证中具有明显的优势。?
目前，对模式噪声的提取主要采用文献［3］中设计的小波维纳滤波器。将原始图像减去其低通滤波之后的图像得到残留噪声图像，将多幅残留噪声图像进行平均作为模式噪声的近似。该方法虽然具有简单、计算量小等优点，但小波滤波法得到的残留噪声图像包含大量的场景噪声。文献［4］利用最大似然估计法从多幅残留噪声图像对模式噪声进行了更为精确的估计。Li??［5］?利用非线性模型来实现对模式噪声的增强和场景噪声的抑制。文献［6］提出了一种利用成像传感器模式噪声的主分量信息进行源相机识别的方法。小波变换虽然能对一维信号的点奇异进行最优表示，但不能很好地刻画二维图像中的线奇异。Zhang??［7-8］?采用基于Curvelet变换的硬阈值去噪法进行模式噪声的提取，Curvelet变换的多尺度几何特性，使得该方法对边缘复杂的图像能很好地进行模式噪声信息的提取。? 论文代写 http://
本文针对小波变换在表达二维图像上的缺陷和小波维纳滤波法在提取模式噪声上的不足，从另一著名的多尺度几何变换非抽样Contourlet变换(Nonsubsampled Contourlet Transform, NSCT)出发，设计NSCT局部自适应软阈值去噪法进行模式噪声的提取。该方法首先对图像进行NSCT，接着对得到的NSCT系数进行局部自适应预测处理，最后对预测系数进行NSCT反变换得到去噪图像。实验通过对模式噪声的估计和Neyman?Pearson准则对阈值的计算，与文献［3］中的小波滤波法相比，本文设计的滤波器具有更小的漏检率(False Rejection Ratio, FRR)和更高识别率。?
1 模式噪声与图像来源识别?
1.1 模式噪声估计?
数码相机成像的一般过程如图1所示，主要包括镜头系统、彩色滤波阵列(CFA)、成像传感器(如光电耦合器件(Charge?Coupled Device，CCD))、CFA插值模块以及数字图像处理模块(Digital Image Processor, DIP)，其中成像传感器是整个数码相机的核心也是最为昂贵的部分。?
图片
图1 数码相机成像过程?
?
不同型号的数码相机的各个组成部分可能存在差异，但对每一颜色分量图像?I?可近似描述??［4］?为：?
?I=g?［(1+K)Y+］?+Q? 论文代写 http://
(1)?
其中：?I?为数码相机输出的二维图像，?g?和??为增益系数和gamma校正系数，?Y?为入射光图像，?K?则表示传感器的模式噪声系数矩阵，??为其他噪声源的综合(包括暗电流噪声、读出噪声和激发噪声等)，?Q?则表示由量化和JPEG压缩等引入的噪声，运算符表示矩阵的元素相乘。将式(1)展开，并取其Taylor展开式的前两项得?http://
页:
[1]