图像哈希：NMF

这个领域的背景

1. 图像哈希的应用：图像检索、图像认证、数字水印、图像复制检测、篡改检测、图像索引、多媒体取证和降低参考图像质量评估。
2. 图像哈希的五大类算法：DWT，DCT，DFT，radon变化，矩阵分解。

相关性质

1. NMF的性质：Vn = B*Cn，原矩阵的一列相当于基矩阵乘系数矩阵的一列。

文章信息

1. 作者：唐振军
2. 期刊：IEEE TRANSACTIONS ON KNOWLEDGE AND DATA ENGINEERING（一区）
3. 题目：Robust Perceptual Image Hashing Based on Ring Partition and NMF

目的、实验步骤及结论

1. 目的：使用环形分区使得传统的NMF图像哈希抗旋转

2. 实验步骤：

   • 数据预处理：使用双线性插值（M*M），使用YCbCr空间中的Y通道（亮度信息）

   • 特征提取：

     • 构造环形分区，每一个环的面积一样，将长度不同的环进行插值，将所有环拼接成二次图像

     • 针对二次图像使用NMF，得到系数矩阵C

   • 构造哈希值：针对系数矩阵C进行拼接成行向量，得到哈希值

   • 相似性评价：使用相关系数（Pearson相关系数）判断是否为同一张图片

3. 结论：

   使用环形分区之后生成的二次图像针对旋转攻击具有良好的鲁棒性。

小组件和核心理论

1. 环形分区：这个组件能够很好地抵抗旋转攻击，不过有些算法使用了这个组件之后会导致其他攻击的鲁棒性下降。
2. NMF：一种降维方式。

文章信息

1. 作者：唐振军
2. 期刊：JOURNAL OF UBIQUITOUS CONVERGENCE AND TECHNOLOGY
3. 题目：Robust Image Hashing for Tamper Detection Using Non-Negative Matrix Factorization

目的、实验步骤及结论

1. 目的：使用NMF实现图像哈希

2. 实验步骤：

   • 图像预处理：使用双线性插值（M*M），使用YCbCr空间中的Y通道（亮度信息）
   • 特征提取：
     • 随机划分t个条带，每个条带随机划分t个块，每个块再使用一次双线性插值（K * K），每一块堆叠成k^2*1的列向量，将所有列合并形成二次图像
   • 构造哈希值：针对二次图像使用NMF得到系数矩阵C，按照某种规则生成二进制值，得到哈希值。
   • 相似性评价：使用汉明距离来判断两张图片是否一致。

3. 结论

   这篇论文创新点就是使用了随机划分子带，再随机划分块，再使用插值算法。

以下是我复现论文的代码，供大家进行参考：

def image_hash(img_path,n,k):
    img = processing(img_path,n)
    C_r_list = image_feature(img,k)
    h_i = gen_hashing(C_r_list)
    return h_i

def processing(img_path,n):
    """
    input：图片的路径
    output：处理后的RGB图片
    """
    try:
        img = cv2.imread(img_path)
        img = cv2.resize((img), (512,512), interpolation=cv2.INTER_LINEAR)
    except:
        img = imageio.mimread(img_path)
        img = np.array(img)
        img = img[0]
        img = img[:, :, 0:3]
        img = cv2.resize((img), (512,512), interpolation=cv2.INTER_LINEAR)
#     out = cv2.GaussianBlur(img, (3, 3),1.3) # 使用python自带的高斯滤波
    kernel = np.array([[1,2,1],[2,4,2],[1,2,1]])/16
    out = cv2.filter2D(img, -1 , kernel=kernel)  # 二维滤波器
    out = cv2.cvtColor(out, cv2.COLOR_BGR2YCrCb)[:,:,0]
    ring_img = ring_partition(out,n)
    return ring_img

def ring_partition(img,n):
    """
    使用环形分区形成二次图像
    img:原始图片
    n:环形分区
    return:二次图像
    """
    radius = [0]
    u_a = int(np.floor((img.shape[0]/2) ** 2 * np.pi / n)/64)*64
    radius.append(np.sqrt(u_a / np.pi))
    Y_result = np.zeros((n,u_a))
    for i in range(1,n):
        radius.append(np.sqrt((u_a + np.pi * radius[i] ** 2) / np.pi))
    # radius = np.ceil(radius)
    for i in range(len(radius)-1):
        inner_radius = radius[i]
        outer_radius = radius[i+1]
        ring_result = ring_value(img,inner_radius,outer_radius,u_a)
        Y_result[i] = ring_result
    return Y_result.T

def ring_value(img,inner_radius,outer_radius,u_a):
    """
    获取环形分区中不为0的值，并且以升序的形式排序
    return:(1,448)
    """
    center = (img.shape[0],img.shape[0])
    x,y = np.ogrid[0:img.shape[0],0:img.shape[0]]
    distance = np.sqrt((x-img.shape[0]/2)**2 + (y-img.shape[0]/2)**2)
    mask = (distance < outer_radius) & (distance >=inner_radius) # 获得在环形区域内的掩码
    R = img[mask]
    xp = np.linspace(1, len(R), len(R)) 
    x = np.linspace(1, len(R), u_a)
    result = np.sort(np.interp(x, xp, np.sort(R)))
    return result

def image_feature(img_second,k):
    """
    iamge:(512,512,3)
    return: array格式(x,64,64)
    """
    from sklearn.decomposition import NMF
    model = NMF(n_components=k, init='random',solver = "mu",beta_loss = "kullback-leibler", random_state=0 , max_iter = 1000)
    W = model.fit_transform(img_second)
    H = model.components_
    return H

def gen_hashing(feature_matrix):
    """
    生成图像哈希值
    input:array (x,64,64)
    output:list (x)
    """
    k,n = feature_matrix.shape
    return np.array([feature_matrix[i][j] for i in range(k) for j in range(n)])
    
def dist_img(h1,h2):
    return np.corrcoef(h1, h2)[0,1]