图像Hash(哈希)又称图像摘要和图像标识码,是数字媒体内容安全和多媒体应用的前沿研究课题,可广泛应用于图像认证、篡改检测、图像拷贝检测、图像索引、图像检索、数字水印等方面。图像Hash用一个短小的数字序列表示图像本身,是一种基于图像视觉内容的压缩表达。通常,图像Hash应满足感知鲁棒性、唯一性和安全性。换言之,视觉相似的图像,不管其内部数据是否一致,Hash应以很大概率相同或十分接近,而不同图像的Hash则要求冲突概率接近于0。如果图像内容被恶意篡改,图像Hash应发生重要改变,在密钥未知的情况下,攻击者无法猜测或伪造Hash。本论文主要研究图像Hash框架、方法及性能测评指标。论文首先广泛研究已有的测评指标和图像Hash方法,进而提出一种视觉相似度客观测评指标、两种图像Hash新方法、一种新的图像Hash框架及其实现方案,有效实现了图像Hash的评价与提取。具体而言,本文对如下三个方面进行了深入研究,得到了创新成果:1.建立用于图像Hash的视觉相似度客观评价测度评价图像Hash性能时,要求对两幅图像是否在视觉上相似做出判断,针对这一需求,提出了一种衡量视觉相似程度的客观评价测度。该测度提取图像块结构信息作为特征,不仅能反映正常处理给图像带来的失真,而且对局部内容篡改敏感,在检测局部内容篡改和抗旋转操作方面,优于峰值信噪比和结构相似度指数。2.提出两种用于篡改检测的图像Hash方法篡改检测是图像Hash研究最为重要、也最具挑战性的一个任务。从人类视觉系统和数据降维的角度考虑,分别设计出以下两种Hash方法。利用分块结构特征构造感知图像Hash:通过研究人类视觉系统发现,图像结构特征能从本质上反映图像视觉内容,因此提出利用分块结构特征构造图像Hash。作为Hash系统的一个集成部分,定义了一种新的Hash相似性度量方法,可有效揭示隐含在图像Hash中的篡改操作。基于非负矩阵分解(NMF)的图像Hash方法:NMF是一种有效的数据降维方法,研究发现,正常处理前后NMF系数矩阵中的相邻元素存在大小不变关系,而恶意篡改则会破坏这种关系。根据这一特性,设计了一种高效的系数量化规则。提取Hash时,通过构造二次图像以减少特征向量数,实现初步降维。之后再将NMF应用于二次图像,并用量化规则二值化系数矩阵生成图像Hash。理论分析和实验结果表明,上述两种方法对JPEG压缩、适度的噪声干扰、水印嵌入、高斯低通滤波、亮度与对比度调整、伽玛校正等操作具有良好的稳健性,在冲突概率和篡改检测方面,优于Fridrich方法、RASH方法和NMF-NMF-SQ方法。3.提出基于词典式结构的图像Hash框架及其实现方案词典式Hash框架由两部分组成:(1)词典的构造与维护;(2)图像Hash提取。词典由若干本子词典组成,每本子词典又包含了大量图像块特征向量,即单词。随着训练图像增加,构成词典的单词也随之增多。词典的主要作用在于提供反映图像块的最佳单词以构造图像Hash。提取Hash时先将图像分块,建立图像块与子词典的一一映射关系,在图像块对应的子词典中查找最佳单词并用其表示。串联所有图像块对应的单词得到中间Hash,对中间Hash压缩编码即可生成最终图像Hash。在上述框架下,用DCT和NMF实现了一个词典式Hash方案。实验结果表明该方案具有良好的感知鲁棒性和唯一性。由于词典由大量不同图像块构成,因此攻击者无法伪造完全相同的词典,从框架上保证了Hash安全。与预期一样,当词典规模增大后,可选取更多单词进行相似匹配,从而提升Hash整体性能。但是过多单词只会线性增加Hash的计算代价,而并不会线性提高性能。