基于形状上下文和局部特征点的感知图像哈希外文翻译资料

英语原文共 13 页，剩余内容已隐藏，支付完成后下载完整资料

基于形状上下文和局部特征点的感知图像哈希

摘要：在计算机视觉中，局部特征点的鲁棒匹配和目标检测问题得到了广泛的研究。然而，其在图像哈希领域的调查仍然是有限的。在本文中，我们提出了一种新的形状上下文-基于图像哈希方法，使用强大的本地特征点。贡献有两点：1）鲁棒SIFT Harris提出选择最稳定的SIFT特征点的各种内容保护的扭曲下。2）紧凑和强大的图像哈希值是通过嵌入检测局部特征描述子的形状上下文生成成。实验结果表明，所提出的图像哈希是一个广泛的歪曲和攻击的鲁棒性，由于稳健突出的关键点检测的好处和基于特征描述子的形状上下文。与目前的国家的最先进的计划相比，该方案产生更好的识别性能的几何攻击，如旋转攻击和亮度变化，并提供了类似的性能，经典的失真，如加性噪声，模糊和压缩。此外，我们表明，所提出的方法可以应用于图像篡改检测。

指数条款内容基于指纹识别，图像Hashing，形状上下文，Harris尺度不变特征变换（SIFT）。

引言

数字多媒体数据的非法访问和未经授权的分布，以及数字水印和基于内容的图像指纹/哈希已被广泛研究的数字媒体的知识产权保护。图像哈希，一个方案，生成一个独特的，紧凑的，强大的，和安全的签名，为每个图像，已被广泛应用于图像内容的识别，认证，质量评估等。不同于数字水印，其中一个水印信号被嵌入到宿主图像中，图像的哈希取决于图像内容本身，不需要嵌入。然而，这种好处是实现在数据库中的每个图像的签名/哈希的专门存储的成本。如何有效地存储和检索图像的哈希值的大型图像数据库是关键。因此，一个足够短的签名是希望节省存储空间和快速图像检索。在实践中，由于数字图像的广泛分布，通过互联网，感知微不足道的扭曲将介绍由于有损压缩的图像，信道的加性噪声，等一些恶意操作，可以引入感知显著扭曲，例如，对象的插入和删除，篡改的图像，这是可取的，图像是感知哈希重大袭击敏感。因此，图像的哈希值应该是非恶意的攻击鲁棒，但敏感的恶意操作的图像认证的目的。由于一个图像哈希也作为一个安全的图像标签，伪随机技术通常被合并，以保证不经授权的对手没有秘密密钥的哈希是难以获得的。

由于图像I和轻微的失真的感知相似的复制，图像散列函数取决于密钥。我们可以总结如下所示的特性:

• 单向函数：理想情况下，哈希生成应该是不可逆的

• 紧凑：哈希签名的大小应该比原始图像的小
• 感性的鲁棒性：感性相同的图像应该有类似的签名
• 视觉的脆弱性：感知不同的图像有不同的特征
• 不可预测性：没有秘密密钥的签名是很危险的

所有上面的参数，isin;，tau;，delta;都接近于0。

在本文中，我们专注于图像哈希设计的内容为基础的识别和高效的媒体索引。图像哈希/指纹识别的一般框架，如图1所示。一般情况下，图像哈希的鲁棒性来自强大的特征提取和压缩，主要有助于最终哈希的紧凑性。继承传统的杂凑函数的安全性，防止未经授权的访问，一个秘密的关键是结合在特征提取和压缩或使哈希值不可预测的。

据我们所知，大多数的散列算法，将依靠密钥到压缩一步伪随机化，但一些国家的艺术-哈希方案，还介绍了伪随机性为特征提取阶段采用随机抽样或随机投影来进一步提高安全性（由虚线图1）。由于密钥是由业主所有，哈希生成伪随机过程而不是一个完全随机的。对应于查询图像传入查询哈希哈希值与在内容识别、数据库认证相比，和其他应用程序。由于图像哈希签名比较紧凑，可以有效地进行。因此，作为一个扩展的概念，图像哈希也被称为基于内容的指纹。

文献评论

基于内容的图像识别，也称为图像拷贝检测，已引起越来越多的关注。基姆提出用DCT系数序号措施产生强大的描述拷贝检测的目的。该方法在旋转操作中得到了进一步的改进。更多相关信息可以被发现和。然而，传统的图像拷贝检测方法主要集中在鲁棒特征提取，而压缩和安全问题也很重要。图像哈希考虑所有这些问题。

在文献中已经提出了各种图像哈希方法。参考先定义图像哈希的概念，用来量化统计的小波系数作为特征向量生成的哈希值，并考虑到安全使用随机拼接变换。氡软哈希算法（RASH）显示的鲁棒性小的几何变换及常见的图像处理如JPEG压缩和扭曲。RASH采用氡变换提取几何不变性特征和主成分分析法（主成分分析），以减少哈希长度。它的纹理图像的鲁棒性是有限的。提出了一种基于不同块中的同一位置上的DCT系数之间的关系的不变性的图像认证方案。该方法避免了对图像内容的恶意操作，但这被证明是容易受到攻击，如模糊、散列方案等纳入随机投影到傅里叶-梅林变换实现几何操作具有较好的鲁棒性。它仍然受到一些经典的攻击，如加性噪声。Khelifi et al.介绍了虚拟水印检测器的误报警概率调整检测高频特性的伪随机序列生成的哈希值和阈值的伪随机序列。

最近一些报道图像哈希方案的基础上降维优于以前的技术。采用低秩矩阵的近似，通过奇异值分解（SVD）获得的图像哈希算法探讨。Monga介绍了另一种降维技术，称为非负矩阵分解（NMF），这是强大的对一大类攻击包括模糊、轻微的加性噪声和压

缩，但受亮度变化大的几何变换。使用图像哈希基于快速约翰逊变换（FJLT），对经典的扭曲和几何攻击，如种植更好的鲁棒性，具有较低的计算代价。

作为一个几何不变性和鲁棒性之间的权衡与经典的攻击，Monga提出了一种使用局部特征点的图像哈希方法，这一直是计算机视觉和模式识别中的社区目标识别、图像检索中的应用进行了广泛的研究。特征点的局部图像模式不同于其邻近根据一些定义的特性，如角落、斑点，和突出地区。特征点的理想性质是在大的几何变换下的不变性。参考提取局部特征点检测到最终停止小波生成哈希采用基于特征的概率分布的自适应量化。这种基于直方图的哈希抵抗JPEG压缩，小的旋转和缩放，以及一些其他的图像处理攻击。然而，这个散列忽略了检测到的特征点的局部分布。

在本文中，我们开发了一种新的图像哈希算法，利用局部特征点来克服上述问题。主要贡献：第一，由于双重特征点检测是图像散列的鲁棒特征提取方面的关键，我们建议使用流行的尺度不变特征变换（SIFT）特征点检测的鲁棒性，将哈里斯准则选择不易受图像处理攻击最稳定点。其次，基于这些强大的特征点来描述本地信息，我们引入到哈希生成的形状上下文来表示检测到的特征点的几何分布。同时，基于形状上下文的哈希值的提出可以用于检测和定位内容篡改，由于图像内容的空间结构被嵌入到哈希中。部分工作会从中呈现。

尽管建议散列共享一些流行的空间字袋模型的想法，在大规模的图像检索，包括局部特征点，如筛选并将这些局部特征点的几何分布的匹配和检索，其应用场景是不同的，因此需要不同的关注。字袋模型被提出检索图像相似的物体或来自同一类，其中主要的问题是如何处理从不同的角度拍摄的图像或闭塞。因此，一个大的视觉词汇的局部特征描述符的词汇通常使用聚类和这样的巨大的三维特征向量来检索图像的图像相似的内容。然而，由于图像哈希主要目的是保护数字图像的版权，生成一个紧凑的和安全的签名来代表每个图像。另外不同的扭曲对图像哈希感兴趣。鲁棒性评价对图像失真传输噪声、有损压缩和几何攻击。这样的后处理的扭曲和攻击一般在感觉上不改变图像的内容和观点的变化或大闭塞的介绍。

本文的其余部分组织如下。我们在第三节首先介绍鲁棒特征点检测基于SIFT和哈里斯准则。然后我们在第四节介绍了形状上下文形状和提出基于形状上下文的哈希。结果报告在第五节。结论和未来的工作在第六节给出。

鲁棒局部特征点

局部特征，如角，斑点，和地区，已被广泛用于目标检测、识别和计算机视觉中的检索目的。这些局部特征的本质优势是在几何变换下的不变性。然而，他们的鲁棒性反对传统攻击，特别是加性噪声、模糊、有限。一个国家的最先进的本地功能，可以发现在一个全面的审查。各种局部特征检测和描述中，将被证明是相对优化之间的权衡考虑鲁棒性，独特性，和效率。我们将简要回顾一下SIFT先建议将哈里斯标准提高对经典的图像处理攻击的鲁棒性。提取出的强大的功能，将在第四节中被用于生成哈希值。

A. 尺度不变特征变换评述

SIFT由以下几个步骤组成：

1）规模不变点的检测和定位：局部特征点检测到的尺度不变特征点的候选人是基于寻找一系列的尺度空间高斯图像差分的局部极值点。

DOG的建设过程如下：图像卷积的一系列连续增量尺度的高斯核函数

然后，DOG是由2个高斯模糊图像附近的kб和б组成的。

从本质上讲，DOG探测器可以归因于探测器的图像内容中的团块结构，因为它提供了一个近似的尺度归一化高斯拉普拉斯算子

以（8）和（7）为例，并使用卷积的性质，我们可以得到

通常用于检测图像中的边缘和角落的Laplace算子。我们可以看到，高斯的差异在（9）算式里，这是一个近似高斯拉普拉斯算子，是各向同性的，因为旋转不变性。在这个意义上，狗提供了对几何变换的图像鲁棒性好与其他基于梯度特征点检测器如Harris和Hessian比较等等。

2）定向分配和描述：每个关键点的方向是由邻域内梯度方向的方向直方图的峰值确定。基于位置、规模、定位和每一个关键点，产生128个维度基于梯度直方图在16times;16邻域对应的描述符。最近，许多作品都提出了改进的SIFT描述子的独特性，如PCA-SIFT和SURF。因为我们认为关键点检测的鲁棒性的图像哈希是更重要的，所以我们在这个工作中使用了最原始的SIFT描述。

B. 采用Harris鲁棒的关键点检测

要设计一个强大的图像哈希对各种攻击，强大的特征提取是最重要的一步。虽然狗检测器的筛选提供了令人满意的性能下的几何变换，其鲁棒性较差，对攻击，如加性噪声和模糊限制了其直接应用在图像哈希。如图2(a)-(d)所示，它明确指出，一些假阳性的关键点是加性噪声和一些真正的关键图像检测错过由于模糊图像失去了一些细节。提取鲁棒的局部特征，

它是理想的各种扭曲和攻击下选择最稳定的关键。

通过对特征点检测器的调查中，我们注意到，Harris角点可以提供稳定的检测性能与高重复定位精度下的各种扭曲和几何变换，尽管它仍然是对噪声敏感。因此，我们建议将哈里斯准则选择最稳定的SIFT特征点的图像哈希。

哈里斯探测器/准则是基于自相关矩阵，它代表了梯度分布的选定点的局部区域内的。一个图像I（x，y），在点的自相关矩阵M（x，y）表示为

其中w（x，y）是一个窗口确定积累区，Ix和Iy和在X轴和Y轴的图像梯度，分别。要使矩阵各向同性，我们使用高斯核函数的加权窗口。一般来说，如果两个值，lambda;1和lambda;2矩阵M，足够大的积极价值，这一点（x，y）是一个角点。而不是计算两个特征值，哈里斯提出了评价的角点作为选择标准

k是一个系数的值0.04，0.15经验。在本文中，我们将其默认值设置为0.06。

给定一组的SIFT特征点，哪里是坐标，是规模和方向参数，分别计算哈里斯响应，哪里是高斯内核窗口标准差用于计算自相关矩阵，并设置阈值选择鲁棒SIFT特征点

一个可调参数控制的鲁棒点选择。我们选择0.5作为默认值。有了这个门槛，我们甚至可以在加性噪声或模糊的图像实现稳定的关键点检测，如图2（E）–（H）所示。其背后的原因是，这样一个阈值有助于高梯度分布保持最稳定的本地模式而拒绝的要点与较低的梯度分布，这更可能引入的噪声。另外，哈里斯门限自适应和产量相对稳定的检测性能。

C.检测评价

为了进一步说明哈里斯准则鲁棒SIFT特征点的选择的影响，我们定义了一个强大的功能来评估性能的SIFT SIFT哈里斯探测器。让P是组关键

点检测到从原始图像和PD是从其扭曲的拷贝检测的特征点集，我们定义的鲁棒函数F

在|·|意味着一个集合的基数，这是一个量度的集数不同的元素。当F值接近1，这意味着我们已经完全从原始图像和其扭曲的拷贝检测的特征点相同的设置。F值是评价在各种失真检测的特征点的稳定性判据。

此外，我们还研究鲁棒要点对内容保持操作的内容识别的目的的利益。因为它是不可能完全获得在原始的和扭曲的图像检测的特征点相同的设置，提出了利用Hausdorff距离是关键点检测部分故障测量两套检测原和扭曲的图像特征点的坐标之间的相似性不敏感。同样，我们采用Hausdorff距离的比较提出SIFT检测器与最终停止小波检测器对内容保持操作的鲁棒性。我们选择了八个基准图像（例如，莱娜，狒狒，辣椒等）和列表的平均Hausdorff距离的原始图像和12种不同的攻击下修改副本之间，如表一，这里的向量显示只是前20坐标检测稳定的关键。我们注意到，平均Hausdorff距离的关键点检测到的SIFT检测器通常小于年底停止小波检测器除了剪切和剪切的情况下，通过SIFT-Harris会更高。本文提出的方法是更强大的SIFT哈里斯大部分内容保持操作下，特别是模糊和噪声攻击。

虽然类似的，我们可以简单地使用检测稳定的关键点坐标直接形成图像的哈希值，哈希值显示抗几何攻击的鲁棒性好，如哈希比较紧凑和缺乏安全是实践中的问题。艋舺等人。进一步提出了一个全局直方图生成图像哈希方案基于检测到的特征点的小波系数，引入了伪随机提高了哈希安全。然而，虽然抗压缩和几何攻击，它是模糊和噪声攻击敏感。此外，全局直方图没有考虑局部分布的特征点。因

此，在本文中，我们计划寻求一种替代的方式充分利用强大的本地特征点。

基于形状上下文的图像哈希

局部特征点如过筛对图像拷贝检测的应用不是新的。这些作品大多主要检测图像的副本或复印件的匹配附近的高维局部特征描述子的关键点。然而，这是在图像散列不可行，我们要压缩的强大功能到一个紧凑的哈希匹配哈希检测过程中，提出了一种简洁的方式进行编码的几何关系之间的SIFT特征点成一

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[30297]，资料为PDF文档或Word文档，PDF文档可免费转换为Word