(三)PS识别:基于噪声分析PS识别的技术实现

发布于:2025-07-06 ⋅ 阅读:(15) ⋅ 点赞:(0)

   ​​

        (一)PS识别: Python 图像分析PS识别之道
      (二)PS识别: 特征识别-直方图分析的从原理到实现

       (四)PS识别:基于边缘纹理检测分析PS识别的技术实现

       (五)PS识别:压缩痕迹挖掘-压缩量化表与 DCT 系数分析

前言

       今天,我们就来深入探讨一种基于图像噪声分析的方法,看看如何借助它检测图片是否被编辑过,同时了解相关参数对检测结果的影响。

图像编辑检测的意义

无论是在新闻报道、广告宣传,还是学术研究中,图像的真实性都至关重要。一张经过恶意编辑的图片可能误导公众、影响决策,甚至损害他人利益。因此,开发有效的图像编辑检测技术,对于维护信息的真实性和可信度有着重要意义。

核心原理大揭秘

局部标准差的奥秘

图像在正常状态下,其局部区域的像素分布具有一定的规律性,这使得局部标准差也维持在一个相对稳定的范围。然而,当对图像进行编辑操作,如磨皮、抠图、拼接等,编辑区域的像素分布会被改变,进而导致局部标准差发生异常波动。

我们通过计算图像每个小区域的标准差,并与所有区域标准差的均值和标准差进行对比。如果某个区域的标准差超出了均值加上一定倍数标准差所确定的阈值,就表明该区域可能经历了编辑操作。

边缘信息的暗示

图像的边缘是不同区域的分界线,蕴含着丰富的特征信息。正常图像的边缘通常具有连续且清晰的特点,边缘强度也在一定范围内。但当进行裁剪、粘贴等编辑操作时,边缘的连续性和强度会受到影响。

利用 Sobel 算子可以有效地提取图像的边缘信息。通过设定一个边缘强度阈值,当某个区域的边缘强度低于该阈值时,就有理由怀疑这个区域被编辑过。

异常区域比例的判断依据

仅发现个别异常区域并不能确凿地认定图像被编辑过,因为正常图像也可能存在一些自然的噪声或瑕疵。所以,我们需要统计整个图像中异常区域所占的比例。当这个比例超过预先设定的阈值时,就可以判定图像很可能被编辑过。

实战:Python 代码实现

环境准备

在开始之前,我们需要安装一些必要的 Python 库。打开终端,执行以下命令:

pip install scikit - image matplotlib numpy opencv - python scipy

代码实现

from skimage.io import imread
from skimage.morphology import square
import matplotlib.pyplot as plt
import numpy as np
from scipy.ndimage import generic_filter
from skimage.filters import sobel
import cv2
import os
from typing import Tuple

class ImageEditDetector:
    def __init__(self, std_threshold: float = 10, edge_threshold: float = 0.05, save_marked_image: bool = False, save_dir: str = "", abnormal_ratio_threshold: float = 0.05):
        """
        初始化图像编辑检测器
        :param std_threshold: 局部标准差异常阈值
        :param edge_threshold: 边缘变化异常阈值
        :param save_marked_image: 是否保存标注后的图片,默认不保存
        :param save_dir: 标注图片的保存目录,默认使用原图片所在目录
        :param abnormal_ratio_threshold: 异常区域比例阈值,默认 0.05
        """
        self.std_threshold = std_threshold
        self.edge_threshold = edge_threshold
        self.save_marked_image = save_marked_image
        self.save_dir = save_dir
        self.abnormal_ratio_threshold = abnormal_ratio_threshold

    def local_std(self, arr):
        """
        计算数组的标准差
        :param arr: 输入数组
        :return: 数组的标准差
        """
        return np.std(arr)

    def analyze_image(self, image_path: str) -> Tuple[bool, str, np.ndarray]:
        """
        分析图像是否被编辑过,并标注怀疑区域
        :param image_path: 图片文件路径
        :return: 是否被编辑过,提示信息,标注后的图像
        """
        # 读取彩色图片
        color_image = cv2.imread(image_path)
        if color_image is None:
            return False, "无法读取图片,请检查图片路径。", np.array([])

        # 转换为灰度图
        image = cv2.cvtColor(color_image, cv2.COLOR_BGR2GRAY)

        # 计算局部标准差
        selem = square(3)
        local_std_image = generic_filter(image, self.local_std, footprint=selem)

        # 分析局部标准差
        std_mean = np.mean(local_std_image)
        std_std = np.std(local_std_image)
        abnormal_std_mask = local_std_image > std_mean + self.std_threshold * std_std

        # 边缘分析
        edges = sobel(image)
        edge_std = np.std(edges)
        edge_mask = edges < self.edge_threshold

        # 合并异常区域掩码
        combined_mask = np.logical_or(abnormal_std_mask, edge_mask)

        # 复制原图用于标注
        marked_image = color_image.copy()
        marked_image[combined_mask] = [0, 0, 255]  # 用红色标注怀疑区域

        # 判断是否被编辑过
        if np.sum(combined_mask) / combined_mask.size > self.abnormal_ratio_threshold:
            return True, "检测到局部标准差异常或边缘变化过小,图片可能被编辑过", marked_image
        else:
            return False, "图片正常,未发现编辑痕迹", marked_image

    def process_image(self, image_path: str):
        """
        处理单张图片的完整流程,包括分析、显示对比图像和保存标注图片
        :param image_path: 图片文件路径
        """
        is_processed, message, marked_image = self.analyze_image(image_path)
        if marked_image.size == 0:
            print(message)
            return

        print(message)
        print(f"是否被编辑过: {is_processed}")

        # 读取原始图片
        original_image = cv2.imread(image_path)

        # 确保原图和标注后的图片尺寸一致
        if original_image.shape != marked_image.shape:
            marked_image = cv2.resize(marked_image, (original_image.shape[1], original_image.shape[0]))

        # 水平拼接原图和标注后的图片
        comparison_image = np.hstack((original_image, marked_image))

        # 创建一个可调整大小的窗口
        cv2.namedWindow('Original vs Marked Image', cv2.WINDOW_NORMAL)
        # 显示对比图像
        cv2.imshow('Original vs Marked Image', comparison_image)
        # 调整窗口初始大小(可选)
        cv2.resizeWindow('Original vs Marked Image', 1200, 800)

        if is_processed and self.save_marked_image:
            # 如果 save_dir 为空,使用原图片所在目录
            if not self.save_dir:
                self.save_dir = os.path.dirname(image_path)
            # 确保保存目录存在
            os.makedirs(self.save_dir, exist_ok=True)
            file_name = os.path.basename(image_path)
            name, ext = os.path.splitext(file_name)
            save_path = os.path.join(self.save_dir, f"{name}_marked{ext}")
            cv2.imwrite(save_path, marked_image)
            print(f"标注后的图片已保存至: {save_path}")

        cv2.waitKey(0)
        cv2.destroyAllWindows()

if __name__ == "__main__":
    image_path = "your_test_image.jpg"
    detector = ImageEditDetector(save_marked_image=True, save_dir="marked_images", abnormal_ratio_threshold=0.05)
    detector.process_image(image_path)

代码详解

  • 类初始化(__init__:对检测器的关键参数进行初始化,这些参数会影响检测的敏感度和准确性。
  • 局部标准差计算(local_std:用于计算图像局部区域的标准差,为后续的异常判断提供数据基础。
  • 图像分析(analyze_image:读取图像并转换为灰度图,分别进行局部标准差分析和边缘分析,合并异常区域掩码,最后判断图像是否被编辑。
  • 图片处理(process_image:处理单张图片的完整流程,包括显示原图与标注图的对比,以及在必要时保存标注后的图片。

图片参数大小对判断结果的影响

在 ImageEditDetector 类中,多个参数大小会影响图片是否被判定为编辑过的结果,下面详细分析各参数的影响。

1. std_threshold(局部标准差异常阈值)

含义

该参数用于判断图像局部区域的标准差是否异常。在 analyze_image 方法里,当某个局部区域的标准差大于 std_mean + std_threshold * std_std 时,该区域会被标记为异常。

大小影响判断结果
  • 值较小std_mean + std_threshold * std_std 计算得出的值会较小,更多局部区域的标准差会超过这个阈值,被标记为异常区域。算法会变得更加敏感,容易将正常图片误判为编辑过的图片,即误判率升高。例如,若将 std_threshold 设为 2,原本正常图片中因光照不均匀产生的局部标准差变化,就可能被判定为编辑痕迹。
  • 值较大std_mean + std_threshold * std_std 的值会较大,只有少数局部区域的标准差能超过该阈值才会被标记为异常。算法会更严格,可能会遗漏一些确实被编辑过的区域,导致漏判率升高。比如,一些轻微的磨皮操作产生的局部标准差变化,可能因为阈值过大而不被检测到。

2. edge_threshold(边缘变化异常阈值)

含义

此参数用于判断图像边缘强度是否异常。在 analyze_image 方法中,使用 Sobel 算子计算边缘信息,当边缘强度小于 edge_threshold 时,该区域会被标记为异常。

大小影响判断结果
  • 值较小:只有边缘强度非常小的区域才会被标记为异常,判定边缘变化异常的条件更严格。算法更难判定图片被编辑过,漏判率可能升高。例如,一些轻微的拼接操作导致边缘强度稍有降低,但由于阈值小,这些区域不会被标记为异常。
  • 值较大:边缘强度稍小的区域就会被标记为异常,判定边缘变化异常的条件更宽松。算法更容易判定图片被编辑过,误判率可能升高。比如,正常图片中因压缩等原因导致的边缘细节丢失,可能会被误判为编辑痕迹。

3. abnormal_ratio_threshold(异常区域比例阈值)

含义

该参数用于判断图像中异常区域(由局部标准差和边缘分析综合标记)占整个图像的比例是否达到认定图片被编辑过的标准。

大小影响判断结果
  • 值较小:只要图像中异常区域占比达到一个较小的值,就会判定图片可能被编辑过。算法更敏感,误判率可能升高。例如,正常图片中存在少量因噪声产生的异常区域,由于阈值小,就可能被判定为编辑过的图片。
  • 值较大:需要图像中异常区域占比达到一个较高的值,才会判定图片可能被编辑过。算法更容错,漏判率可能升高。比如,对图片进行了小范围的精细编辑,异常区域占比未达到较大阈值,就不会被判定为编辑过的图片。

结语

        通过本文的介绍,我们了解了基于图像噪声分析检测图片编辑痕迹的原理、实现方法以及相关参数对检测结果的影响。希望大家在享受数字图像处理带来便利的同时,也能更加重视图像的真实性,让这项技术成为维护数字世界真实的有力工具。在实际应用中,合理调整参数,以达到最佳的检测效果。