混合特征与颜色矢量角度的图像哈希认证算法*

金晓民，张丽萍

1.内蒙古大学 交通学院，呼和浩特 010070

2.内蒙古师范大学 计算机与信息工程学院，呼和浩特 010022

1 引言

数字图像因其具有理想的直观表达能力，成为当代人们日常生活中不可或缺的交流介质[1]。然而，随着计算机技术的日益发展，市场上出现了诸多图像编辑软件，使得图像可以被其他人随意修改，而且无明显的篡改痕迹，肉眼难以对其内容的真假进行识别，对图像信息的安全造成了巨大威胁[2-3]。为了能够对网络传输中的图像进行信息真假判别，常用的技术主要有图像取证和图像哈希[4]。其中，图像取证能够检测可疑图像，但是其计算复杂度较高，且准确率较低[4]，而图像哈希因其具有较高的敏感性，得到了诸多学者的研究。它是从短的二进制或实数序列来提取图像特征，是一种基于图像视觉内容的压缩表达,可作为图像的唯一表示而用于其信息的真伪决策，当图像内容发生极其微小变化，所产生的哈希值与初始图像存在巨大差异[2]。在获取图像哈希的过程中，主要分为3个阶段，分别是图像预处理、感知鲁棒特征提取以及哈希序列的生成，其中影响较大的是鲁棒特征的提取，直接决定了篡改检测精度[5]。

2 相关研究工作

近年来，为了对图像信息的真伪进行判别，国内外诸多学者提出了一系列的图像哈希技术，如王彦超等人[2]为了改善哈希序列的鲁棒性与认证能力，设计了数据投影降维机制与对称局部二值模式的紧凑图像哈希算法，通过设计对称局部二值模式算子，获取预处理图像的鲁棒特征，同时定义数据投影降维机制与量化规则，获取紧凑哈希，借助加密算法来获取安全度较高的哈希序列。实验结果表明其算法具有良好的鲁棒性与安全性，且哈希序列较为紧凑。此技术对旋转篡改以及亮度变化等具有良好的鲁棒性，但其只利用了图像的局部灰度特征，忽略了图像的彩色信息，使其对图像的描述能力不足，从而导致鲁棒性有待进一步提升。Choi等人[3]为了增强哈希序列的认证能力，利用图像的层次直方图，设计了一种新的哈希算法。利用图像预处理技术来改善算法对缩放的鲁棒性，再利用子块直方图，联合其相应的权重因子来生成哈希序列，改善其对JPEG压缩与噪声的鲁棒性，实验结果显示此技术具有较高的认证精度。然而，此哈希技术只是利用了图像的直方图分布特性，使其鲁棒性不佳，尤其是对旋转攻击。Ouyang等人[4]改善哈希算法的鲁棒性与认证能力，设计了基于SIFT特征和四元数Zernike矩的鲁棒哈希机制，将计算的图像的四元数Zernike矩作为局部特征，对图像内容进行认证，而检测的图像SIFT关键点则用于定位伪造区域，实验结果验证了其算法的有效性。虽然四元数Zernike矩与SIFT特征能够改善哈希序列对旋转与尺度变换的鲁棒性，但是SIFT方法对噪声以及亮度变化较为敏感，使其对这两种篡改的识别准确率不佳，且其生成的哈希序列维数较高，降低其算法的效率。Ram等人[5]为了提高哈希算法对旋转篡改的鲁棒性，设计了基于DWT-SVD与频谱残差法的鲁棒图像哈希技术，通过对输入图像进行预处理，改善其对缩放的鲁棒性。同时，利用DWTSVD来提取图像的全局特征，利用频谱残差法检测预处理图像的局部特征，从而生成最终的哈希序列。但是此技术对亮度调整较为脆弱。张勇等人[6]为了提高哈希序列对旋转攻击的鲁棒性，设计了非负矩阵分解耦合环形分割的图像哈希认证算法，利用环形区域分割机制将滤波图像进行分割，获取二次图像，并利用非负矩阵分解，联合乘性更新规则，获取二次图像的系数矩阵，构建紧凑的图像哈希，实验结果验证了其所提哈希技术的有效性与合理性。虽然此技术能够获取鲁棒性较高且较为紧凑的哈希序列，但其利用的图像特征主要集中在同心圆上的边缘像素，不能充分反映出位于两个同心圆之间的图像像素的特征信息，使其提取图像的系数矩阵不够完整，导致其对篡改的正确检测率不佳。Tang等人[7]为了增强哈希算法的敏感性与篡改识别能力，设计了基于环形分割与不变矢量距离的图像哈希算法。利用环形分割，将预处理图像分解为若干个同心圆，形成二次图像，改善哈希序列对旋转操作的鲁棒性，并利用相应的特征提取机制，获取二次图像的不变矢量距离，将其视为鲁棒特征，从而形成了哈希序列，实验结果表明其哈希算法具有强烈的敏感性与较高的篡改识别率。但其只能利用Ring分割环形及其附近的特征，其他位置的特征与颜色信息均没有考虑，使其提取的鲁棒特征不充分，导致其唯一性，以及篡改正确识别率不理想。

虽然当前图像哈希技术在一定程度上改善了哈希序列对各种篡改形式的鲁棒性，但是这些哈希技术都存在一个共同的不足：只是用到了图像的灰度信息，没有考虑颜色特征，使其提取的鲁棒特征不足，导致其感知鲁棒性，以及对篡改的正确检测率不理想。而颜色特征是彩色图像的重要信息，且目标中不同颜色的物体会给用户带来不同的语义和理解。因此，本文通过提取彩色图像的颜色信息，设计了混合特征与颜色矢量角度的鲁棒彩色图像哈希算法。利用线性插值与高斯低通滤波器来处理输入图像，使其具有固定的哈希长度，改善其对噪声等内容保留操作的鲁棒性；同时，引入奇异值分解方法处理非重叠子块，形成获取二次图像，使其对旋转攻击具备较高的感知鲁棒性；考虑图像的色彩信息与角度，计算二次图像的颜色矢量角度，通过设计两个鲁棒特征提取方法，确定出图像的感知特征；利用量化方法处理这两个特征序列，以得到新的特征序列；设计加密机制，对混合特征进行混淆，获取鲁棒哈希序列，改善哈希序列的安全性。利用Hamming距离，对图像内容的真伪进行检测。最后，测试了所提哈希算法的感知鲁棒性与安全性。

3 图像哈希算法

为了提高图像哈希序列的敏感性与安全性，本文充分利用图像的颜色信息，设计了一种新的鲁棒哈希算法。该算法的哈希生成过程有4个阶段：（1）图像的预处理；（2）混合特征的提取；（3）图像哈希序列的生成；（4）哈希认证。如图1所示。

3.1 图像预处理

图像预处理是哈希生成的不可或缺的过程，可以有效改善哈希机制对缩放与噪声等常规内容保留操作的鲁棒性[8]。为此，本文引入二维线性插值算子[9]，对输入图像进行归一化处理，将任意尺寸的输入图像变为一个尺寸规范的图像，使其具有一个固定长度的哈希序列。二维线性插值技术[9]是对图像的横、纵方向完成归一化，其对应的像素矩阵为：

Fig.1 Generation process of Hashing algorithm in this paper图1 本文图像哈希算法的生成过程

其中，x0、x1为图像的差值初始起点；y0、y1是x0、x1的插值结果。

再根据一维插值机制，可形成二维线性插值函数[8]：

其中，x0≤z≤x1,y0≤z≤y1。

利用式（2）、式（3）对输入图像进行插值后，将其变为一个规则图像。随后，利用高斯低通滤波器[10]来消除噪声，它是利用卷积掩码来实现。令G(i,j)代表卷积掩码的第i行、第j列的元素值，则可通过如下模型来实现高斯低通滤波：

其中，σ为卷积掩码中所有元素的标准偏差；M、N分别为图像的高度与宽度。

以图2（a）为目标，利用二维线性插值技术与高斯低通滤波后，输出结果见图2（c）。可见，经过预处理后，将一个方形图像转化成规则图像。

Fig.2 Angle of image preprocessing and its color vector图2 图像预处理及其颜色矢量角度

随后，为了提高哈希机制对旋转操作的识别能力，本文引入奇异值分解方法[11]，将预处理图像变为二次图像。令预处理图像的尺寸为M×M，从中提取其RGB 3个分量，用I(k)表示,k=(R,G,B)；再将每个分量分割为一系列的不重叠子块，其尺寸为m×m，用表示,i,j=1,2,…,M/m。随后，利用奇异值分解方法处理每个子块，得到：

依据文献[11]，将中的前ζ列矢量组合成一个新的矩阵其尺寸为m×ζ；并将中的前ζ行矢量组成新的矩阵，其尺寸为ζ×m，则二次图像的每个子块可重构为：

再利用奇异值分解方法处理每个分量，可形成二次图像为：

以图2（b）为目标，利用上述过程对其处理，可获取相应的二次图像，见图2（c）。依图可知，初始图像的主要特征细节均被较好地保留。

3.2 混合感知特征的提取

经过预处理与奇异值分解后，改善了哈希序列对缩放、噪声以及旋转的感知鲁棒性。为了充分利用图像的特征，本文首先计算了二次图像的颜色矢量角度。在RGB颜色空间内，图像的每个像素值都可视为由3个分量构成的坐标内的三维矢量[12]。由于颜色矢量角度对彩色图像的色度和饱和度差异是非常敏感的，但是对亮度变化则较为鲁棒，从而导致两个不同像素的颜色矢量角度是截然不同的，因此它能够更好地描述和区分像素的颜色信息。因此相对于传统的欧式距离而言，颜色矢量角度可以作为描述彩色图像的有效特征。以图3为例，两个颜色像素对(P1,P2)、(P3,P4)虽然具有感知差异，但是它们的欧式距离仍然是相同的；这个目标的颜色矢量角度则截然不同，(P1,P2)、(P3,P4)的颜色矢量角度分别为0.3486 rad、0.6193 rad。可见，在RGB空间内，颜色矢量角度可以充分描述颜色差异。

令Ri,j、Gi,j、Bi,j分别为像素Pi,j,i,j∈ [ ]1,2,…,M的R、G、B分量，为了计算像素的颜色矢量角度[12]，首先需要一个参考矢量R=[Rr,Gr,Br]T，其中Rr、Gr、Br分别是R、G、B分量的均值。因此，根据像素坐标和参考矢量R，可得到像素Pi,j的颜色矢量角度θi,j为：

在本文中，为了便于计算，用 sinθi,j来替代θi,j，则式（9）可变为：

利用式（10）来获取所有像素的颜色矢量角度值，则可形成一个颜色角度信息矩阵：

利用式（9）、式（10）处理图2（c），可获取其相应的颜色矢量角度，见图2（d）。为了防止图像丢失色度、亮度，将二次图像的RGB颜色空间转换成YCbCr空间，以最小化因篡改攻击而产生的信息损失[13]：

其中，R、G、B为图像的红、绿、蓝分量；Y、Cb、Cr是亮度、蓝色、红色浓度偏移量。

随后，引入Canny算子[14]，提取Y分量的边缘特征，形成特征矩阵：

在式（13）中，若像素点Pi,j在图像边缘上，则对应的ei,j为0；反之，则ei,j=1。利用Canny算子来检测图2（d），输出结果见图4（a）。随后，利用圆形分割方法，将K个同心圆施加于边缘检测结果E上，如图4（b）所示，图中的xc、yc是E的中心横纵坐标，且λk是第k个圆的半径。因此，λ1是最小半径，而λK是最大半径。由于两个相邻圆中的任意一对像素的距离都是相等的，因此半径λk的计算函数为：

Fig.4 Feature extraction based on circle segmentation图4 基于圆形分割的特征提取

一般而言，图像中的显著像素点需要同时满足两个条件，才能被选择为感知鲁棒特征。第一个条件是在该像素点必须是E中的边缘点，也就是ei,j为0。另外一个就是像素点应该在圆上或者尽可能靠近圆，也就是像素点Pi,j与第k个圆的距离要小于误差控制阈值Δλ：

其中，λi,j为像素点Pi,j与图像中心之间的欧式距离。

若在边缘检测结果E上的每个圆上，同时满足上述两个条件的像素点有Nk个，则用Φ(k)来表示这些点的颜色矢量角度集合，则在每个Φ(k)中，这Nk个颜色矢量角度的方差为

其中，uk来代表这Nk个颜色矢量角度的均值；Φ(k)(i)是颜色矢量角度的第i个元素。

依据上述感知特征提取过程可知，基于圆形分割所提取的图像特征主要集中在同心圆上的边缘像素，忽略了其他位置的图像特征，使得哈希序列不能充分反映出位于两个同心圆之间的图像像素的特征信息，从而影响了哈希认证精度。因此，除了利用圆形分割来提取特征之外，本文还设计了基于分块的特征提取机制。首先，将边缘检测结果E分解为一系列的非重叠子块，每个子块的尺寸为b×b，见图5。令Bl是第l,l∈[ ]1,2,…,L个子块，在二次图像I″中，与每个子块Bl的边缘点相对应的像素点Qi被选择出来，也就是选择出的像素点能够同时满足成为前文中描述的显著像素点的两个条件。再依据式（10）计算每个子块Bl中选择像素点Qi对应的颜色矢量角度，并将其组合成一个集合ς(l)；且依据式（17）计算像素点Qi的颜色矢量角度的方差。将这些方差进行重组，形成基于分块的特征，其中，L是子块的数量。

Fig.5 Feature extraction based on block图5 基于分块的特征提取

通过将上述两个特征提取策略所获取的感知特征进行组合，形成了一个混合特征序列为了便于后续描述，将

3.3 哈希序列的生成

为了降低哈希存储的成本，获取紧凑哈希，本文设计了一种量化方法，对混合特征序列完成量化：

其中，为量化后的元素；[⋅]为舍入操作。

随后，本文再基于Logistic映射[15]来设计加密方法，提高哈希序列的安全性。Logistic映射具有结构简单、加密效率高的优点，被广泛用于数字图像加密领域，其模型为[15]：

其中，u∈[ ]

0,4是混沌参数。

设置好u与初始值X0，对式（19）进行迭代(L+K)次，形成一组序列值{X1,X2,…,XK+L}。随后，利用密钥流函数，对{X1,X2,…,XK+L}进行处理，得到新序列{a1,a2,…,aK+L}：

再依据式（20）得到的密钥流{a1,a2,…,aK+L}，设计机密函数：

其中，hi是加密后的哈希值；ai是第i个密钥流元素值；Pi,i=1,2,…,K+L是初始图像的第i像素值，在此次加密函数中，从图像中择取前(L+K)个像素为样本。

依据上述加密过程可知，外来攻击者在不知道解密密钥的前提下，其通过篡改图像所形成的哈希序列与加密后的序列存在巨大差异。

3.4 哈希认证

输出哈希序列后，再根据Hamming距离对图像的真伪进行识别。令源图像的哈希序列可疑图像的哈希序列为通过Hamming距离D[16]来估算H0、H1的相关性：

其中，L+K是哈希长度；⊕为异或操作。

最后，基于用户阈值W，联合式（22）的计算D值，当D≤W时，则可把此图像视为真实；反之，则其信息被攻击。

根据上述描述可知，所提算法通过相应的图像预处理，可提高算法对缩放、噪声等内容保留操作的稳健性，使其不受这些内容保留操作的影响；并充分利用奇异值分解的稳定性，形成二次图像，改善其对旋转的鲁棒性，使其具备了对原始图像旋转的不敏感性；通过引入颜色矢量角度，设计了两个鲁棒特征提取方法，充分提取图像的鲁棒特征，使得哈希序列具备更高的感知鲁棒性。当初始图像遇到缩放、噪声以及JPEG压缩、旋转等常规操作时，由于所提算法对这些内容操作具有良好的鲁棒性，降低了这些外部操作对其的影响，使其相应的鲁棒特征变化很小，从而导致输出的哈希序列与初始哈希序列的相似度极高，使得Hamming距离较小，可识别为相同图像或者相似图像；若初始图像遇到其他恶意攻击，由于所提算法能够充分获取图像的鲁棒特征，有用信息充足，具有较高的敏感性，而恶意篡改后的图像的特征发生较大变化，使其提取的鲁棒特征是截然不同的，从而导致哈希序列存在较大差异，所产生的Hamming距离较大，可准确判别为篡改图像或者差异图像。可见，所提算法具有较高的感知鲁棒性与篡改检测精度。

4 实验结果与分析

为了测试所提哈希算法的性能，考虑一般性，选择UCID库[16]作为测试数据集，它是一个图像处理中常用的大型数据库。在本次实验中，为了反映出本文哈希机制的优异性，将较为新颖的哈希技术视为对照组：文献[2]与文献[7]。在本文哈希生成与认证过程中，阈值W对整个图像信息的决策能力至关重要，因此需要对其进行优化。其他相关的实验参数设置见表1。依据表1可知，所提算法生成的哈希长度为64+40=104。

Table 1 Setting of experimental parameters表1 实验参数设置

4.1 阈值W的优化

在本次测试中，从UCID库中随机选取40幅感知相似图像，借助StirMark 4.0[17]系统，可生成1120对感知相似图像；再选择60幅不同的图像，以产生4380对感知差异图像。通过将表2中的操作内容赋予每幅图像，并计算篡改前后的图像之间的Hamming距离，结果见图6。其中，UCID库中的图像格式均为JPEG格式，因此表2中的亮度调整、旋转以及尺度缩放攻击均是在JPEG格式图像基础上直接进行的。对于JPEG压缩攻击，则是利用PS软件，按照表2的压缩因子，对所有图像进行再压缩，从而得到相应的攻击图像。

Table 2 Content parameters of different operations表2 不同操作的内容参数

图6代表的是感知相似、差异图像对的Hamming距离分布状况。由图6（a）可知，就感知相似图像对而言，当其对应的Hamming距离D<0.36时，所对应的频数分布较为集中；就图6（b）而言，面对这些感知差异图像，其Hamming距离D>0.37时，相应的频数分布较为集中。根据这些数据，在所提哈希技术中，取阈值W=0.36，可以获得很好的唯一性。

4.2 哈希算法的鲁棒性测试

鲁棒性是评估哈希算法的常用手段[7]，从UCID数据库任意挑选4幅图像进行测试，如图7（a）～（d）所示；再将表2中的攻击类型施加于图7（a）～（d）；利用W=0.36以及表1中的实验参数，借助所提算法的哈希生成过程，联合式（22）来获取攻击前后图像的Hamming距离，输出数据见图7（e）～（h）。由测试数据可知，每一幅图像经过表2中的攻击后，通过所提哈希技术产生的Hamming距离D都小于0.36。这表明所提哈希技术对于这些攻击操作具有较好的识别能力。主要是因为本文哈希机制通过采用线性插值与高斯低通滤波器对其实施预处理，使其对缩放具有较高的鲁棒性，并利用SVD机制来获取其二次图像，增强其对旋转的识别能力，同时在YCbCr空间内，考虑其颜色特征，设计两个鲁棒感知特征提取方法，使其产生的哈希序列具有较高的感知鲁棒性。

4.3 颜色特征的重要性测试

为了体现颜色特征对哈希算法的重要性，将本文哈希技术演变为两种，以进行对比测试：（1）考虑颜色特征的哈希技术，其哈希生成见图1；（2）未考虑颜色特征的哈希算法，也就是在图1中，去除颜色矢量角度的计算过程，直接利用Canny算子来检测二次图像，其他计算过程与前者相同，见图8。

Fig.6 Determination of thresholdW图6 阈值W的确定

Fig.7 Robustness test results of Hashing technology图7 哈希技术的鲁棒性测试结果

由于未考虑颜色特征的哈希技术忽略了颜色特征，使其生成的哈希序列与所提算法不一样。因此，首先需要对未考虑颜色特征的哈希过程的阈值W进行优化。其他参数与表1一样。与4.1节的内容、过程一样，得到篡改前后的图像之间的Hamming距离，结果见图9。依图可知，对于未考虑颜色特征的哈希技术而言，其较优的认证阈值W=0.44。

随后，为了客观量化这两种哈希技术的鲁棒性，利用两个优化的阈值W与表1的参数，根据各自的哈希技术，从UCID库[16]中任意挑选170幅图像来获取两种哈希技术的ROC曲线，输出结果见图10。ROC曲线[2]由正确识别率PTPR、虚警率PFPR组成：

其中，n1是准确判别图像数量；n2为错误识别图像数量；M1、M2分别代表完好图像与可疑图像的总和。

Fig.8 Hashing generation process without consideration of color characteristics图8 未考虑颜色特征的哈希生成过程

依图可知，面对表2的篡改类型，考虑颜色特征的哈希算法具有更高的鲁棒性，对亮度调整、旋转等篡改具有更高的准确识别率；而未考虑颜色的哈希技术的鲁棒性对尺度缩放、旋转具有良好的鲁棒性，尤其是尺度缩放，几乎与前者同等水平，但是对亮度调整与JPEG压缩则较为脆弱。当图像遇到亮度调整篡改时，在PFPR=0的情况下，考虑与未考虑颜色特征的哈希算法的PTPR分别为0.935、0.752；当图像JPEG压缩篡改时，在PFPR=0的情况下，考虑与未考虑颜色特征的哈希算法的PTPR分别为0.915、0.833。可见，颜色特征对于提高哈希算法的整体鲁棒性具有重要作用。

4.4 安全性测试

理想的哈希算法应有足够高的安全性，其被攻击的概率是很低的[2]。为此，本文测试了3000组错误密钥的Hamming距离，输出数据见图11。按照测试数据可知，这些错误密钥的Hamming距离都要高于0.36。原始图像在未知授权的网络发送时，如果攻击者不知道所提哈希密钥及其生成过程，而本文哈希长度为104位；则此图像在网络中被成功攻击的概率为（1/2）104。这表明本文哈希机制具有足够高的安全性。主要是因为本文哈希算法设计了哈希序列加密方法，从而改善了其安全性。

4.5 不同哈希算法的鲁棒性测试

Fig.9 Determination of thresholdWof Hashing algorithm without considering color characteristics图9 未考虑颜色特征的哈希算法的阈值W的确定

Fig.10 Importance test of color feature图10 颜色特征的重要性测试

Fig.11 Security test of Hashing algorithm图11 哈希算法的安全性测试

为了体现所提哈希技术的优异性，对所提算法、文献[2]、文献[7]的鲁棒性与篡改检测精度进行了测试。为此，利用4.3节中所选择的170幅图像来获取不同算法的ROC曲线，输出结果见图12。依据图中曲线，当图像经过表2中的攻击后，本文哈希技术、文献[2]、文献[7]算法对尺度缩放、JPEG压缩具备良好的鲁棒性，如图12（a）、图12（b）所示。但是，所提哈希算法的ROC曲线特性最佳，特别是亮度与旋转攻击，要远优于文献[2]、文献[7]技术。PFPR=0时，所提算法的PTPR=0.926;PFPR=0.3时，其PTPR=0.997，见图12（c）。而文献[2]与文献[7]的ROC曲线都要弱于所提技术，特别是文献[7]，对旋转、亮度调整的感知鲁棒性较低。面对旋转操作时，当PFPR=0时，文献[2]、文献[7]的PTPR分别为0.905、0.874；PFPR=0.3时，其PTPR约为0.995、0.984。遇到亮度调整操作时，当PFPR=0、PFPR=0.3时，本文哈希技术的PTPR=0.935、PTPR=0.998。而当PFPR=0 时，文献[2]、文献[7]的PTPR分别为0.821、0.718；PFPR=0.3时，其PTPR约为0.984、0.961。原因是所提哈希技术利用线性插值机制与高斯低通滤波技术来对其进行预处理，显著改善了其对尺度缩放的鲁棒性，借助奇异值分解的稳定性来获取二次图像，极大增强了哈希技术对旋转的鲁棒性。同时在YCbCr空间内，考虑其颜色特征，通过计算其颜色矢量角度，利用基于圆形分割、基于分块机制的两个特征提取方法，充分利用了图像的有效信息，充分提取感知鲁棒特征来生成图像哈希，使其对亮度调整、JPEG压缩具有更高的鲁棒性。而文献[2]虽然利用了改进的LBP算子与数据压缩来生成紧凑哈希，提高其对旋转的鲁棒性，但是局部对称LBP算子在提取图像特征时，忽略了图像的色彩信息，丢失了部分特征，导致其鲁棒性要弱于所提技术；文献[7]则是利用Ring分割与不变矢量距离来形成哈希，但是此技术只能利用Ring分割环形及其附近的特征，其他位置的特征与颜色信息均没有考虑，使其提取的鲁棒特征不充分，导致其识别能力不佳。

Fig.12 Robustness test of different Hashing algorithms图12 不同哈希算法的鲁棒性测试

5 结束语

为了增强哈希算法的安全性与感知鲁棒性，本文提出了一种基于混合特征的鲁棒图像哈希算法。为了提高哈希序列的鲁棒性，本文采用了线性插值、高斯低通滤波对输入图像进行预处理，并引入奇异值分解来形成抗旋转操作的二次图像。通过计算二次图像的颜色矢量角度，充分描述图像像素的颜色信息；同时，设计了基于圆形分割、基于分块机制的特征提取方案，利用二者的优势进行互补，充分提取图像的显著性边缘像素点，形成混合特征。再设计哈希加密技术，联合量化方法，输出图像哈希序列。最后，利用Hamming距离，通过与用户的阈值进行对比，准确识别图像的真伪。实验数据验证了本文哈希算法的安全性与感知鲁棒性。

后续将引入Radon变换，以计算图像的中心方向信息，将其与基于圆形分割、基于分块机制的特征提取方案得到的混合特征进行融合，充分利用图像中潜在的鲁棒特征，增强其对旋转篡改的鲁棒性，使其对于任意的旋转角度，都具有较为理想的篡改正确识别率。同时，设计相应的相关系数模型，以替代传统的Hamming距离，对图像进行哈希认证，进一步提高其认证精度。