本文主要介紹圖像篡改檢測(cè)的基本原理(圖像篡改檢測(cè)方法)，下面一起看看圖像篡改檢測(cè)的基本原理(圖像篡改檢測(cè)方法)相關(guān)資訊。
前世帶你了解圖像篡改檢測(cè)轉(zhuǎn)自知乎-前世帶你了解圖像篡改檢測(cè)。
1研究背景和意義隨著相機(jī)、手機(jī)、平板電腦、攝像機(jī)等數(shù)碼設(shè)備的快速發(fā)展，數(shù)字圖像的生成變得非常容易。普通人可以隨時(shí)舉起手機(jī)記錄身邊的美好瞬間。各種高清攝像頭可以實(shí)時(shí)記錄各種場(chǎng)景和突發(fā)事件。專業(yè)人士可以通過(guò)計(jì)算機(jī)甚至ai模型生成各種圖像。
此外，隨著計(jì)算機(jī)和互聯(lián)網(wǎng)的快速發(fā)展，數(shù)字圖像的存儲(chǔ)和傳輸變得非常簡(jiǎn)單?？梢钥鋸埖卣f(shuō)，隨著網(wǎng)絡(luò)全球化的發(fā)展，數(shù)字圖像和其他媒體信息在互聯(lián)網(wǎng)和現(xiàn)實(shí)世界中幾乎無(wú)處不在，多媒體已經(jīng)成為承載和共享信息的重要。
相比以文字為載體，通過(guò)圖像傳遞信息更直觀可信。過(guò)去，每個(gè)人都相信 眼見(jiàn)為實(shí) 和 有圖有 ，但隨著數(shù)字媒體技術(shù)的不斷發(fā)展，這種公信力也在不斷被摧毀。其實(shí)早在影像載體剛剛制作出來(lái)的時(shí)候，就有人通過(guò)操作技巧將多張底片拼接成一張圖片，但這需要特殊的設(shè)備和嫻熟的技巧，一般人是做不到的。今天，隨著多媒體采集設(shè)備的快速發(fā)展和使用，人們迎來(lái)了多媒體信息爆炸的時(shí)代，幾乎每個(gè)人都有能力制作和傳輸大量的數(shù)字圖像。同時(shí)，photoshop、美圖秀秀、美顏相機(jī)等圖片編輯軟件操作簡(jiǎn)單，修改圖片更容易，普通人也能輕松處理和修改圖片。隨著技術(shù)的發(fā)展，偽造的圖像變得越來(lái)越難以檢測(cè)，甚至假圖像可以與真圖像混淆。在今天 的社會(huì)，所謂的 眼見(jiàn)為實(shí) 已經(jīng)越來(lái)越不靠譜了。當(dāng)人們面對(duì)一個(gè)圖像時(shí)，往往會(huì)先懷疑圖像的真實(shí)性。在日常生活中，人們經(jīng)常會(huì)出于美化和娛樂(lè)的目的對(duì)圖像進(jìn)行修改，不會(huì)帶來(lái)不良影響。然而，在某些情況下，被惡意篡改的圖像會(huì)影響人們 對(duì)客觀事物的判斷，有時(shí)甚至?xí)?duì)社會(huì)和國(guó)家產(chǎn)生不良影響。近年來(lái)，這類案件越來(lái)越多。
歷史上第一個(gè)假象出現(xiàn)在1860年。圖1-1中左邊的林肯的照片實(shí)際上是把右邊的參議員約翰.卡爾霍恩的頭像換成了林肯 的頭。
圖1-1林肯照片的假圖像
2004年，小布什 美國(guó)的競(jìng)選宣傳圖片實(shí)際上是從小布什 的照片轉(zhuǎn)換成其他照片。虛假的圖像干擾人們。;美國(guó)在選舉期間的決策對(duì)選舉結(jié)果有很大影響。如圖1-2所示。
圖1-2喬治w布什 的選舉
上面列舉的例子也反映了圖像溯源和取證的研究背景和意義。隨著各種數(shù)字圖像的產(chǎn)生虛假事件的頻繁發(fā)生使人們嚴(yán)重懷疑數(shù)字圖像的真實(shí)性。這種行為不僅可能對(duì)個(gè)人名譽(yù)和利益造成巨大影響，還會(huì)間接對(duì)社會(huì)安定團(tuán)結(jié)造成負(fù)面影響，甚至可能對(duì)造成巨大影響。因此，一些重要的數(shù)字圖像應(yīng)用領(lǐng)域，如部門(mén)、部門(mén)、商業(yè)部門(mén)等，都應(yīng)該加強(qiáng)圖像真實(shí)性的檢測(cè)，以保證數(shù)字圖像的真實(shí)性和原始性。
隨著多媒體技術(shù)和網(wǎng)絡(luò)通信的發(fā)展，數(shù)字圖像的安全隱患越來(lái)越嚴(yán)重，由此帶來(lái)的盜版和信息安全隱患也成為社會(huì)問(wèn)題。因此，研究數(shù)字圖像篡改的證據(jù)非常重要。為了獲取數(shù)字圖像篡改的證據(jù)，首先要了解數(shù)字圖像篡改的方法。周對(duì)數(shù)字圖像篡改方法做了全面的總結(jié)和分類[1]。結(jié)合近年來(lái)日益創(chuàng)新的篡改方法，本文將數(shù)字圖像的篡改方法分為八大類。下面簡(jiǎn)單介紹一下這八類篡改方法。
(1)合成，是指將兩幅不同畫(huà)面的部分合成一幅畫(huà)面，使觀看者產(chǎn)生錯(cuò)誤的視覺(jué)效果。此外，合成操作還包括將同一張圖片的一部分復(fù)制粘貼到圖片的另一個(gè)區(qū)域，從而達(dá)到強(qiáng)調(diào)或隱藏目標(biāo)對(duì)象的目的，即數(shù)字圖像的復(fù)制粘貼篡改。
(2) re-re-touched主要是指利用圖像編輯工具對(duì)一幅圖像的內(nèi)容進(jìn)行美化、拉伸、打磨，從而達(dá)到隱藏圖像中某些重要細(xì)節(jié)或修復(fù)某些受損圖像的目的。在各種圖片編輯工具中，photoshop和美圖秀秀應(yīng)用比較廣泛。
(3)計(jì)算機(jī)生成的，指專用軟件中的計(jì)算機(jī)程序代碼生成的圖片。通常是非常震撼，現(xiàn)實(shí)生活中很難存在的場(chǎng)景。隨著科學(xué)技術(shù)的進(jìn)步，計(jì)算機(jī)生成的圖片可能會(huì)與真實(shí)圖片混淆。這也給我們的日常工作生活帶來(lái)了一些困擾，尤其是一些惡意的人拿電腦生成的圖片來(lái)冒充真實(shí)的圖片，會(huì)給社會(huì)帶來(lái)一定的危害。
(4) morphed就是把一個(gè)形象逐漸變成另一個(gè)形象。主要以一幅圖像作為待突變圖像，另一幅圖像作為待變換圖像。首先找到兩幅圖像之間的特征點(diǎn)，然后對(duì)兩幅圖像進(jìn)行不同權(quán)重的疊加，得到不同的中間圖像，從而得到具有兩幅圖像特征的篡改圖像。
(5)增強(qiáng)，主要是通過(guò)改變圖像的亮度、光線、對(duì)比度和色調(diào)來(lái)突出圖像。部分地區(qū)。這種方法通常不涉及圖像內(nèi)容的改變，只是為了增強(qiáng)圖像的整體觀賞性。
(6)畫(huà)出來(lái)的，是用繪圖軟件(如photoshop和cad)或其他繪圖工具畫(huà)出來(lái)的圖像。這種圖像往往與現(xiàn)實(shí)生活中的照片有一定差距，人眼很容易分辨，但也有畫(huà)面比較真實(shí)。tamper善于利用這類圖片進(jìn)行一些商業(yè)宣傳活動(dòng)，給人們帶來(lái)一些麻煩 的生命。
(7)轉(zhuǎn)播，這種影像是指利用照片采集工具(一般使用數(shù)碼相機(jī))對(duì)需要但難以獲得的影像進(jìn)行第二次采集，得到新的數(shù)字影像。隨著當(dāng)今科學(xué)技術(shù)的發(fā)展。;隨著美國(guó)社會(huì)的發(fā)展，數(shù)碼相機(jī)的拍攝質(zhì)量正在提高。兩次獲得的圖像很容易騙人 被罪犯用來(lái)做不正當(dāng)?shù)氖虑椤?br>(8)隱寫(xiě)圖像是將需要傳送或隱藏的圖像或文字隱藏在載體圖像中，傳送者或見(jiàn)證人可以 t判斷其是否隱藏了圖像本身以外的其他信息，從而達(dá)到安全傳輸秘密信息的目的。
3數(shù)字圖像取證技術(shù)簡(jiǎn)介數(shù)字圖像篡改取證技術(shù)主要是通過(guò)分析數(shù)字圖像的特征來(lái)鑒別圖像的真實(shí)性、完整性和來(lái)源。換句話說(shuō)，數(shù)字圖像篡改的取證技術(shù)主要是判斷圖像的內(nèi)容是否真實(shí)，圖像是否被篡改，是從什么樣的設(shè)備上制作出來(lái)的等等。
根據(jù)對(duì)現(xiàn)有一些成果的分析可以看出，數(shù)字圖像篡改的取證技術(shù)主要分為主動(dòng)取證技術(shù)和被動(dòng)取證技術(shù)，具體分類如圖3-1所示。
圖3-1圖像取證技術(shù)的分類
圖像取證方法主要分為主動(dòng)取證和被動(dòng)取證。主動(dòng)取證方法主要包括數(shù)字簽名、數(shù)字水印等需要事先在圖像中嵌入驗(yàn)證信息，然后提取驗(yàn)證信息的相關(guān)技術(shù)手段。與主動(dòng)取證相比，被動(dòng)取證的應(yīng)用范圍更廣，可以通過(guò)圖像直接判斷圖像的來(lái)源和完整性。根據(jù)取證目的的不同，可以分為圖像溯源取證和圖像內(nèi)容取證。圖像溯源取證是找到圖像的來(lái)源，圖像內(nèi)容取證是判斷圖像的內(nèi)容是否被修改過(guò)。接下來(lái)，本文將詳細(xì)介紹圖像取證的分類和方法。
3.1數(shù)字圖像主動(dòng)取證技術(shù)圖像主動(dòng)取證的主要特點(diǎn)是需要事先在圖像中嵌入秘密信息[2]，接收方在接收到圖像后可以提取水印或數(shù)字簽名，通過(guò)判斷水印或簽名來(lái)判斷圖像是否被篡改。
(1)數(shù)字水印
1994年，schyndel定義了 數(shù)字水印 并首次提出在圖像中嵌入隱形文字。秘密信息技術(shù)。
這種方法需要預(yù)先在圖像中嵌入一些數(shù)字水印，或者使用可以添加水印的成像設(shè)備來(lái)生成帶水印的圖像。數(shù)字水印主要包括兩個(gè)部分:水印嵌入模塊和水印提取驗(yàn)證模塊。如圖3-2所示:
圖3-2數(shù)字水印主動(dòng)取證算法流程[3]
基于空間域的數(shù)字水印技術(shù)通過(guò)水印嵌入算法和密鑰k直接將數(shù)字水印w1嵌入到圖像中，但人眼往往無(wú)法直接觀察到數(shù)字水印的存在。傳輸后根據(jù)水印提取算法的密鑰k提取數(shù)字水印，通過(guò)驗(yàn)證水印的完整性來(lái)判斷圖像的原始性。
(2)數(shù)字簽名
數(shù)字簽名技術(shù)的原理類似于數(shù)字水印技術(shù)的原理?；跀?shù)字簽名的圖像主動(dòng)取證技術(shù)將圖像加密后形成的數(shù)字簽名與其摘要相結(jié)合。當(dāng)驗(yàn)證了圖像的真實(shí)性時(shí)，從圖像中提取摘要，并生成數(shù)字簽名。通過(guò)比較數(shù)字簽名，判斷圖像是否被篡改。具體流程如圖3-3所示:
圖3-3數(shù)字簽名主動(dòng)取證算法流程[3]
但是在實(shí)際應(yīng)用中，由于各種原因，可能無(wú)法及時(shí)將水印嵌入到圖像中，從而影響圖像的使用。另外，能夠自動(dòng)添加水印的成像設(shè)備價(jià)格昂貴，生活中使用的大多數(shù)成像設(shè)備都不具備自動(dòng)添加水印的功能。這使得數(shù)字圖像主動(dòng)取證技術(shù)的應(yīng)用范圍不夠廣泛。與之相對(duì)應(yīng)的，是數(shù)字圖像被動(dòng)取證技術(shù)，這種技術(shù)只依賴于要獲取的圖像的特征，不需要任何其他信息。這一特點(diǎn)使得被動(dòng)取證技術(shù)的應(yīng)用更加廣泛和實(shí)用。因此，數(shù)字圖像篡改的被動(dòng)取證技術(shù)已經(jīng)成為國(guó)內(nèi)外極具研究?jī)r(jià)值的研究方向。
3.2數(shù)字圖像被動(dòng)取證技術(shù)數(shù)字水印和簽名都有局限性，這些檢測(cè)技術(shù)只有在圖像包含水印或簽名時(shí)才有效。這限制了圖像取證技術(shù)，因?yàn)樵诖蠖鄶?shù)情況下，需要檢測(cè)沒(méi)有水印或簽名的圖像。圖像被動(dòng)取證也稱為數(shù)字圖像盲取證，其中 失明 意味著取證可以直接從圖像中獲取，不需要事先嵌入數(shù)字水印或簽名，比主動(dòng)取證更適用。被動(dòng)取證技術(shù)主要包括圖像溯源取證和圖像內(nèi)容取證(篡改識(shí)別)。
3.2.1圖像源的被動(dòng)取證圖像源的被動(dòng)取證是指識(shí)別未知圖像的采集設(shè)備。不同品牌和型號(hào)的設(shè)備具有特定的成像屬性，即設(shè)備的類型、品牌和型號(hào)完全相同，不同設(shè)備的個(gè)體差異也會(huì)導(dǎo)致不同屬性的圖像不同。主要方法如下:
(1)模式噪聲估計(jì)算法
在圖像采集過(guò)程中，設(shè)備不可避免地會(huì)引入模式噪聲，這是不同設(shè)備特有的屬性。即使兩個(gè)型號(hào)相同的器件具有不同的模式噪聲。模式噪聲估計(jì)算法需要一些東西。首先建立訓(xùn)練集，將型號(hào)相同的設(shè)備作為一個(gè)類，然后將 殘余噪聲和噪聲通過(guò)去噪算法濾除圖像中的噪聲，作為這類圖像的參考噪聲。然后將待檢測(cè)圖像的殘留噪聲與訓(xùn)練集中的各種參考噪聲進(jìn)行比較，從而確定設(shè)備的型號(hào)。lukas[4]等人首先提出了用模式噪聲的方法來(lái)識(shí)別圖像的來(lái)源。本文對(duì)九種不同的設(shè)備進(jìn)行了識(shí)別，識(shí)別率達(dá)到100%。
(2)cfa差分算法
在彩像設(shè)備的成像過(guò)程中，通常只采集rgb三色通道的一種顏色信息，然后用cfa(彩色濾光片陣列)插值得到另外兩種顏色。這種方法形成的圖像往往rgb通道之間有一定的相關(guān)性，不同的設(shè)備使用不同的插值算法和模型。cfa插值算法就是利用這個(gè)特征來(lái)判斷圖像的來(lái)源。swaminathan等人[5，6]采用了這種方法，然后用svm對(duì)19種不同設(shè)備產(chǎn)生的圖像進(jìn)行分類，準(zhǔn)確率可以達(dá)到85%。
(3)光學(xué)鏡頭畸變算法
當(dāng)設(shè)備在采集圖像時(shí)，光學(xué)鏡頭的畸變最終會(huì)引入到生成的圖像中，給圖像的幾何特征帶來(lái)變化。不同的設(shè)備帶來(lái)不同的幾何變化，光學(xué)鏡頭畸變算法就是利用設(shè)備成像的這一特性來(lái)對(duì)圖像來(lái)源進(jìn)行分類。三彩k [7]等人通過(guò)提取圖像中的線性畸變來(lái)識(shí)別圖像的來(lái)源，對(duì)三種設(shè)備圖像進(jìn)行分類，準(zhǔn)確率可以達(dá)到92%。但是，當(dāng)圖像中沒(méi)有參考線時(shí)，這種方法將完全無(wú)效，具有一定的局限性。
(4)jpeg量化表算法
目前大部分圖像都是jpeg格式，不同品牌的設(shè)備使用不同的jpeg量化表。通過(guò)量化表可以識(shí)別圖像的來(lái)源，但這種方法只能判斷圖像的大致范圍，無(wú)法準(zhǔn)確確定成像設(shè)備的具體型號(hào)。
(5)自然圖像和計(jì)算機(jī)圖形之間的區(qū)別
自然圖像的成像過(guò)程非常復(fù)雜，但計(jì)算機(jī)生成圖像的統(tǒng)計(jì)特征會(huì)有很大不同。目前ai(人工智能)非常流行。優(yōu)秀的圖像生成算法，只在圖像的精細(xì)紋理、光照、直方圖連續(xù)性等統(tǒng)計(jì)數(shù)據(jù)上，很難區(qū)分出真假圖像。目前的識(shí)別方法有:基于成像設(shè)備的方法[8，9]，基于幾何特征的方法[10]和基于統(tǒng)計(jì)特征的方法[11，12]。
3.2.2圖像內(nèi)容的被動(dòng)取證圖像篡改方法有很多種，大致可以分為兩類，一類是基于傳統(tǒng)方法的圖像被動(dòng)取證，另一類是基于深度學(xué)習(xí)方法的圖像被動(dòng)取證。目前，沒(méi)有一種傳統(tǒng)的方法可以處理所有的圖像篡改技術(shù)，大多數(shù)方法只能針對(duì)一種類型的圖像篡改方法。目前，深度學(xué)習(xí)技術(shù)在計(jì)算機(jī)視覺(jué)領(lǐng)域已經(jīng)取得了很大的進(jìn)展。近年來(lái)，一些研究者嘗試用深度學(xué)習(xí)的方法獲取圖像的被動(dòng)證據(jù)，在各種篡改技術(shù)的識(shí)別中取得了良好的效果，為圖像的通用被動(dòng)取證方法帶來(lái)了曙光。圖像篡改的被動(dòng)取證分類如圖4所示。
圖3-4圖像被動(dòng)取證技術(shù)分類
(1)圖像克隆被動(dòng)取證
這種方法針對(duì)的是同一個(gè)圖像本身的復(fù)制粘貼篡改方法。由于圖像獲取的多樣性，在同一幅圖像中幾乎不可能找到具有相同噪聲和紋理的區(qū)域，而圖像克隆和篡改的方導(dǎo)致圖像中出現(xiàn)兩個(gè)相同的區(qū)域，所以這種取證方法的關(guān)鍵是在圖像中找到兩個(gè)相同的區(qū)域。
(2)圖像拼接被動(dòng)取證
這種方法是針對(duì)不同圖像的復(fù)制粘貼篡改方法，這種方法產(chǎn)生的篡改圖像的統(tǒng)計(jì)特征會(huì)發(fā)生變化，邊緣特征也會(huì)發(fā)生變化。對(duì)圖像進(jìn)行濾波處理，突出圖像的邊緣特征，從而找到真實(shí)區(qū)域與篡改區(qū)域的邊緣差異。
(3)重采樣被動(dòng)取證
一般在圖像被克隆或拼接等篡改后，偽造者會(huì)對(duì)合成區(qū)域進(jìn)行縮放和旋轉(zhuǎn)，使其大小或形狀更符合視覺(jué)感受?？s放圖像大小就是重采樣。插值算法通常用于增加(上采樣)或減少(下采樣)圖像像素，這將改變圖像的原始統(tǒng)計(jì)特征。目前重采樣的被動(dòng)取證可以分為兩類:一類是基于像素的相關(guān)性，另一類是基于插值區(qū)域像素的二階導(dǎo)數(shù)。
(4)模糊被動(dòng)取證
模糊是圖像篡改中常用的修圖方法，可以使篡改區(qū)域的邊緣更加自然，視覺(jué)上不會(huì)被察覺(jué)。目前模糊運(yùn)算的取證方法一般是基于圖像模糊運(yùn)算濾波器的特性。不同模糊方法的像素值之間往往存在痕跡。根據(jù)這些規(guī)律，可以判斷圖像是否被模糊，以及模糊操作的具體方法。
(5)光照不一致性的被動(dòng)取證
在同一個(gè)地方的不同時(shí)間點(diǎn)，相機(jī)拍攝的物體的光線角度是不一樣的。基于光照不一致的被動(dòng)取證是基于隨機(jī)選取的兩幅圖像中物體的光照不同，合成時(shí)很難達(dá)到篡改區(qū)域和背景區(qū)域光照一致的效果。目前關(guān)于光照不一致的被動(dòng)取證有兩種:一種是通過(guò)分析光源在圖像中的位置來(lái)判斷圖像光源是否一致；另一種是找到圖像中的陰影，判斷陰影幾何是否符合圖像中的幾何特征。
(6)基于模式噪聲的被動(dòng)取證
基于圖像內(nèi)容篡改中模式噪聲的被動(dòng)取證方法不同于基于圖像源的被動(dòng)取證方法。其目的是檢測(cè)同一圖像中具有不一致模式噪聲的區(qū)域。人們?cè)趯?duì)一幅圖像進(jìn)行篡改時(shí)，往往只關(guān)注圖像的rgb域，而忽略了圖像的噪聲域。不同圖像的噪聲域是不同的。據(jù)此可以判斷圖像是否被篡改。
(7)jpeg圖像篡改的被動(dòng)取證
jpeg是目前主流的圖像壓縮標(biāo)準(zhǔn)。現(xiàn)在的數(shù)碼相機(jī)大多支持jpeg圖像的輸出，網(wǎng)絡(luò)上的圖片也大多是jpeg格式，所以對(duì)jpeg格式的圖像進(jìn)行取證是非常有意義的。但是jpeg壓縮是有損的，圖像的信息會(huì)丟失，取證困難。根據(jù)篡改手段和檢測(cè)依據(jù)的不同，目前的方法大致可以分為兩類:雙jpeg壓縮檢測(cè)和塊效應(yīng)不一致性檢測(cè)。
(8)基于深度學(xué)習(xí)的圖像被動(dòng)取證。
隨著深度學(xué)習(xí)技術(shù)在各種計(jì)算機(jī)視覺(jué)和圖像處理任務(wù)中的成功應(yīng)用，一些最新技術(shù)也采用了深度學(xué)習(xí)方法進(jìn)行圖像修改和識(shí)別。深度學(xué)習(xí)方法可以將圖像被動(dòng)取證視為目標(biāo)檢測(cè)和異常檢測(cè)問(wèn)題。早期的深度學(xué)習(xí)圖像取證方法通過(guò)將傳統(tǒng)的過(guò)濾方法與深度學(xué)習(xí)模型相結(jié)合，取得了很好的效果。近年來(lái)，越來(lái)越多的學(xué)者希望利用深度學(xué)習(xí)方法的適應(yīng)性，使深度學(xué)習(xí)模型自動(dòng)提取有效特征，但由于數(shù)據(jù)集小、篡改方法多樣，深度學(xué)習(xí)方法在被動(dòng)圖像取證領(lǐng)域仍是一大挑戰(zhàn)。
目前對(duì)圖像的篡改大多是修改圖像內(nèi)容，如拼接、復(fù)制粘貼、刪除等。jpeg壓縮、模糊、圖像增強(qiáng)等篡改方法。經(jīng)常被用來(lái)掩蓋剛剛修改過(guò)的圖像內(nèi)容的痕跡。本文將詳細(xì)介紹圖像內(nèi)容篡改取證技術(shù)，分為兩類:傳統(tǒng)方法和基于深度學(xué)習(xí)的方法。
4傳統(tǒng)的圖像被動(dòng)取證傳統(tǒng)的圖像內(nèi)容被動(dòng)取證方法首先通過(guò)人工設(shè)計(jì)特征來(lái)提取特征，然后對(duì)特征進(jìn)行對(duì)比分析或分析圖像的統(tǒng)計(jì)特征，從而找出篡改區(qū)域，確定篡改技術(shù)的類型。根據(jù)圖像內(nèi)容被動(dòng)取證的不同特點(diǎn)，傳統(tǒng)的圖像內(nèi)容被動(dòng)取證技術(shù)可分為以下三類:基于篡改痕跡檢測(cè)、基于成像設(shè)備固有屬性一致性、基于圖像固有統(tǒng)計(jì)特征[13]。
4.1基于篡改痕跡檢測(cè)的圖像被動(dòng)取證大致可以分為兩種:拼接、復(fù)制粘貼、刪除是修改圖像內(nèi)容的三種操作，具有誤導(dǎo)性，也是最常見(jiàn)的三種篡改；而其他的修改方法，如模糊、壓縮、增強(qiáng)、縮放、濾波等，并不修改圖像的內(nèi)容，大多是后期處理操作，掩蓋圖像的篡改痕跡，危害較小?；诖鄹暮圹E檢測(cè)的圖像內(nèi)容被動(dòng)取證是通過(guò)某種方法檢測(cè)圖像修改的一些線索，從而判斷圖像修改的位置和類型。
fridrich等人[14]在2003年提出了一種圖像塊分割的方法，用于復(fù)制粘貼圖像進(jìn)行被動(dòng)取證，成為傳統(tǒng)圖像塊檢測(cè)的經(jīng)典算法。他們首先將圖像分成16*16個(gè)重疊的圖像塊以圖像塊為單位提取特征。通過(guò)計(jì)算圖像塊間離散余弦變換的特征系數(shù)，形成特征向量。最后，基于字典排序檢測(cè)算法對(duì)所有特征向量進(jìn)行排序。字典中的兩個(gè)塊是復(fù)制粘貼源區(qū)域和篡改區(qū)域。之后，傳統(tǒng)的基于圖像塊的圖像克隆被動(dòng)取證方法大多是對(duì)[14]的改進(jìn)。比如ac。popescu和h.farid[15]在2004年提出用主成分分析(pca)代替dct，獲得了更小的特征系數(shù)，提高了圖像塊特征向量匹配的效率?；趫D像塊匹配技術(shù)的取證方法一般遵循以下流程，如圖4-1所示。
圖4-1基于圖像塊匹配的克隆圖像被動(dòng)取證技術(shù)流程圖[13]
隨著模式識(shí)別的快速發(fā)展，一些學(xué)者利用圖像的局部不變性技術(shù)進(jìn)行圖像取證，如尺度不變特征變換技術(shù)[16]，加速魯棒特征技術(shù)[17]等。這種技術(shù)具有很強(qiáng)的物體識(shí)別能力，即使物體經(jīng)歷了多種幾何變形操作，仍然可以識(shí)別相似物體。因此，該方法非常適合檢測(cè)圖像的復(fù)制粘貼部分，并取得了良好的效果。amerini等人[18]和pan等人[19]分別利用sift特征復(fù)制粘貼圖像進(jìn)行被動(dòng)取證。該方法首先提取sift特征值并進(jìn)行匹配，當(dāng)相似sift特征值累積到一定閾值時(shí)，確定圖像被篡改。在實(shí)驗(yàn)中，這種算法能夠區(qū)分帶噪聲的圖像和壓縮圖像，具有很好的魯棒性。
被篡改的圖像需要再次保存。如果原圖像為jpeg格式，修改后圖像再次保存為jpeg格式，圖像本身會(huì)進(jìn)行兩次jpeg壓縮。這是一個(gè)不可逆的雙有損壓縮過(guò)程。雙重壓縮后的圖像會(huì)在圖像直方圖的dct變換系數(shù)中表現(xiàn)出周期性規(guī)律，重采樣本身也會(huì)破壞一些圖像的固有特性。farid等人[20]提出了一種利用量化dct系數(shù)直方圖判斷圖像是否被重采樣，然后利用e/m(期望/最大化)算法計(jì)算相鄰像素線性組合的概率，從而得到檢測(cè)圖像重采樣的方法。該方法可以判斷圖像是否被重采樣，也可以定位篡改區(qū)域。但是，這種方法只對(duì)圖像的局部篡改區(qū)域有效，不適用于全局篡改。j lukas [21]從jpeg雙壓縮圖中研究了雙壓縮檢測(cè)的特性在圖像中估計(jì)原始量化表，通過(guò)比較量化表進(jìn)行圖像取證。交流電。popescu [22]利用雙jpeg壓縮帶來(lái)的周期律來(lái)鑒別圖像的真?zhèn)巍?br>4.2基于成像設(shè)備固有屬性一致性的被動(dòng)取證自然圖像一般由數(shù)字采集設(shè)備獲取，如數(shù)碼相機(jī)、攝像機(jī)、手機(jī)等。不同的采集設(shè)備有不同的特性，比如不同的濾色器陣列cfa(color filter array)，不同的jpeg量化表，不同的鏡頭光學(xué)畸變等等。同一設(shè)備采集的圖像通常在某些特征上具有一致性，能夠反映設(shè)備的特性，可用于被動(dòng)圖像取證。
farid[23]使用包含數(shù)百萬(wàn)張圖片的數(shù)據(jù)庫(kù)。通過(guò)分析其中的圖像，我們可以從不同的采集設(shè)備使用的jpeg量化表中得到幾乎不同的結(jié)果，所以通常使用jpeg量化表來(lái)識(shí)別圖像的來(lái)源。
不同成像設(shè)備采用的cfa往往存在差異。通過(guò)比較和分析cfa插值的相關(guān)性來(lái)判斷圖像的真實(shí)性一直是圖像取證的研究熱點(diǎn)。交流電。popescu和h.farid[24]對(duì)cfa插值帶來(lái)的特殊相關(guān)系數(shù)進(jìn)行了量化，提出了一種可以在圖像的一部分自動(dòng)檢測(cè)出這種相關(guān)系數(shù)的方法，從而判斷圖像的篡改區(qū)域，鑒別圖像的真?zhèn)巍?br>在拍攝圖像的過(guò)程中，相機(jī)通常會(huì)附加自身的模式噪聲，包括固定模式噪聲fpn(fix patt測(cè)試拍攝了46000張圖像，在誤報(bào)率為0.8%的情況下，篡改檢測(cè)的準(zhǔn)確率僅為65%左右。
在篡改圖像內(nèi)容的過(guò)程中，往往會(huì)出現(xiàn)大量的非線性和不穩(wěn)定特征。史等[28]提出圖像拼接過(guò)程會(huì)產(chǎn)生大量復(fù)雜異常的局部操作。他們通過(guò)多尺度離散余弦變換(mbdct)和馬爾可夫模型捕捉這些局部異常特征，然后將馬爾可夫模型的轉(zhuǎn)移概率矩和低階矩輸入svm進(jìn)行圖像分類。
4.4小結(jié)圖像篡改的方法有很多種，篡改技術(shù)發(fā)展很快。研究人員將篡改技術(shù)分為八類:合成、修圖、計(jì)算機(jī)生成、變異、增強(qiáng)、繪畫(huà)、二次圖像采集和泄露圖像。[1]其中，合成、計(jì)算機(jī)生成、變異、涂抹都是對(duì)圖像內(nèi)容的篡改，而修圖、增強(qiáng)、二次獲取圖像通常是用來(lái)掩蓋圖像的篡改痕跡。
面對(duì)海量復(fù)雜的篡改技術(shù)，圖像的被動(dòng)取證面臨很大困難。如何判斷一幅圖像的真假，如何判斷圖像篡改技術(shù)的類型和區(qū)域，一直是研究者們一直在思考的問(wèn)題。通過(guò)分析，研究人員發(fā)現(xiàn)不同類型的篡改會(huì)產(chǎn)生獨(dú)特的特征和篡改痕跡。根據(jù)不同類型的篡改特征，可以識(shí)別出某種篡改，因此出現(xiàn)了大量的圖像特征提取方法和圖像被動(dòng)取證方法。到目前為止，根據(jù)提取特征類型的不同，這些方法大致可以分為三類:基于篡改痕跡檢測(cè)、基于成像設(shè)備固有屬性一致性、基于圖像固有統(tǒng)計(jì)特性。[13]
基于篡改痕跡的檢測(cè)方法大多在圖像塊的層次上檢測(cè)篡改，具有很好的魯棒性，可以對(duì)有噪聲和壓縮的圖像進(jìn)行判斷。該方法提取圖像塊(如dct、pca、svd)的特征，通過(guò)比較不同塊之間的特征相似度來(lái)判斷圖像的真實(shí)性和篡改區(qū)域。
基于成像設(shè)備固有屬性的一致性方法從成像設(shè)備入手，比較不同圖像的固有屬性(如cfa特征、jpeg尺度等。)，并且當(dāng)兩個(gè)不同的特征出現(xiàn)在統(tǒng)一圖像中時(shí)確定該圖像是假的。這種方法通常用于圖像溯源和取證，在圖像內(nèi)容真實(shí)性方面性能不如基于篡改痕跡檢測(cè)的方法。
基于圖像固有統(tǒng)計(jì)特征的方法通常與機(jī)器學(xué)習(xí)方法相結(jié)合。首先，提取圖像的內(nèi)在統(tǒng)計(jì)特征(例如像素平均值、rgb相關(guān)性等。)，這些特征輸入到svm分類器，分類器對(duì)這些特征進(jìn)行分類，得到圖像的判斷結(jié)果。但是由于手工設(shè)計(jì)的特征不具有代表性，分類器的性能一般，所以準(zhǔn)確率較低。
這三種方法不是相互獨(dú)立的，可以交替使用。比如基于篡改痕跡的方法大多采用圖像分塊的，基于成像設(shè)備固有屬性的一致性和圖像固有的統(tǒng)計(jì)特性，也可以在圖像分塊的層面進(jìn)行檢測(cè)。
然而，傳統(tǒng)的被動(dòng)圖像取證方法仍然存在缺陷。這些圖像取證方法通常采用手工設(shè)計(jì)來(lái)提取特征。這些基于人工設(shè)計(jì)的特征大多具有局限性，缺乏代表性，無(wú)法根據(jù)這些特征同時(shí)判斷多種篡改，導(dǎo)致被動(dòng)圖像取證方法只具備識(shí)別一種篡改技術(shù)的能力。
5深度學(xué)習(xí)圖像內(nèi)容的被動(dòng)取證alexnet誕生于2012年。alex krizhevsky等人首次將深度學(xué)習(xí)技術(shù)應(yīng)用于圖像分類領(lǐng)域[29]，以84.6%的準(zhǔn)確率獲得了ilsvrc冠軍。隨后，深度學(xué)習(xí)在計(jì)算機(jī)視覺(jué)方面取得了突破，在目標(biāo)檢測(cè)、語(yǔ)義分割、手勢(shì)識(shí)別、圖像恢復(fù)等領(lǐng)域出現(xiàn)了新的模型[30-33]，識(shí)別準(zhǔn)確率不斷提高。
隨著深度學(xué)習(xí)在計(jì)算機(jī)視覺(jué)領(lǐng)域的成功應(yīng)用，2016年以來(lái)，越來(lái)越多的研究者嘗試將深度學(xué)習(xí)方法應(yīng)用于圖像取證領(lǐng)域[34-36]。但它與傳統(tǒng)計(jì)算機(jī)視覺(jué)領(lǐng)域的任務(wù)截然不同:
1)識(shí)別目標(biāo)不是語(yǔ)義內(nèi)容區(qū)域，而是篡改區(qū)域。
無(wú)論是目標(biāo)檢測(cè)還是語(yǔ)音分割，深度學(xué)習(xí)模型都是識(shí)別圖像中的語(yǔ)義內(nèi)容，比如人、動(dòng)物、車輛等。而被動(dòng)圖像取證領(lǐng)域需要模型來(lái)識(shí)別圖像的篡改區(qū)域。這和語(yǔ)義內(nèi)容很不一樣。被篡改的區(qū)域可能是圖像某個(gè)語(yǔ)義層次的目標(biāo)，也可能是不規(guī)則的區(qū)域，甚至是被去除的區(qū)域。
2)不同的特點(diǎn)
常規(guī)的計(jì)算機(jī)視覺(jué)任務(wù)側(cè)重于圖像的語(yǔ)義內(nèi)容，不關(guān)注圖像內(nèi)容之間的細(xì)微變化，而圖像的被動(dòng)取證任務(wù)恰恰相反。圖像被動(dòng)取證的任務(wù)需要關(guān)注篡改邊界的細(xì)微變化，根據(jù)邊界偽影和統(tǒng)計(jì)特征的變化來(lái)判斷圖像的真假。目前篡改圖像內(nèi)容的有三種:拼接、復(fù)制粘貼、刪除，但這三種的特點(diǎn)有很大不同。例如，鑲嵌圖像的真假區(qū)域具有不同的統(tǒng)計(jì)特征，但是復(fù)制粘貼不同于鑲嵌。復(fù)制粘貼是對(duì)同一幅圖像的內(nèi)部篡改操作，因此真實(shí)區(qū)域和篡改區(qū)域的統(tǒng)計(jì)特征非常相似，這里不能使用識(shí)別鑲嵌區(qū)域的特征。
3)圖像后處理對(duì)識(shí)別準(zhǔn)確率的影響不同。
傳統(tǒng)的計(jì)算機(jī)視覺(jué)任務(wù)側(cè)重于圖像的語(yǔ)義。內(nèi)容，正常的圖像壓縮不會(huì)對(duì)模型的準(zhǔn)確性產(chǎn)生很大的影響，但是被動(dòng)圖像取證的任務(wù)正好相反。由于被動(dòng)圖像取證需要注意邊界處細(xì)微的特征變化，圖像后處理技術(shù)如模糊、壓縮等對(duì)圖像的篡改線索破壞很大，處理后圖像邊界處的細(xì)微變化會(huì)大大減少甚至消失。因此，如何克服圖像后處理操作對(duì)模式識(shí)別精度的影響也是需要研究的問(wèn)題之一。
雖然深度學(xué)習(xí)方法在圖像取證領(lǐng)域有其特殊性，但并不影響其應(yīng)用前景。上述問(wèn)題的根源在于篡改圖像特征的提取，關(guān)鍵是避免提取圖像語(yǔ)義特征。因此，研究人員提出了各種方法:
1)基于圖像塊的方法
為了避免提取圖像語(yǔ)義特征，研究者受到傳統(tǒng)圖像取證方法的啟發(fā)，采用了在圖像塊級(jí)別提取特征的方法[36]。在提取特征之前，先將圖像分成大小相同的圖像塊，然后逐個(gè)提取圖像塊的篡改特征(如手工設(shè)計(jì)特征和圖像統(tǒng)計(jì)特征)。通過(guò)將圖像分成圖像塊，避免了在單個(gè)圖像塊中出現(xiàn)完整的語(yǔ)義主題，并且通過(guò)對(duì)圖像塊的處理也提高了模型的效率。但隨著對(duì)模型識(shí)別精度要求的提高，基于圖像塊的方法比較粗糙，如果將圖像分割成更小的圖像塊，計(jì)算成本會(huì)增加。為了解決這個(gè)問(wèn)題，bappy等人[37]提出了一種基于像素級(jí)概率映射的方法，建立了圖像塊級(jí)和像素級(jí)的映射關(guān)系。作者建立了一個(gè)cnn-lstm圖像的被動(dòng)取證模型。首先通過(guò)卷積運(yùn)算提取重疊圖像塊的特征，然后通過(guò)lstm網(wǎng)絡(luò)捕捉不同圖像塊像素間的上下文依賴關(guān)系，計(jì)算像素級(jí)篡改概率映射，最后輸出像素級(jí)修改區(qū)域掩膜。
2)基于手工設(shè)計(jì)特征的方法
受傳統(tǒng)被動(dòng)圖像取證技術(shù)的啟發(fā)，一些研究者拋棄了圖像的rgb域語(yǔ)義特征，繼續(xù)使用傳統(tǒng)圖像取證方法的人工特征(如重采樣特征、sift特征、cfa不一致性特征等。).其中，空間豐富模型[38]在隱寫(xiě)分析領(lǐng)域取得了良好的效果。由于圖像內(nèi)容的隱寫(xiě)分析和被動(dòng)取證具有很強(qiáng)的相似性，srm被廣泛應(yīng)用于圖像的被動(dòng)取證。
隱寫(xiě)分析是指從觀測(cè)數(shù)據(jù)中檢測(cè)和判斷是否存在秘密信息，分析數(shù)據(jù)大小和數(shù)據(jù)嵌入位置，最終破解嵌入內(nèi)容的過(guò)程[38]。與圖像內(nèi)容的被動(dòng)取證方法類似，隱寫(xiě)分析也需要在屏蔽圖像語(yǔ)義特征的情況下，發(fā)現(xiàn)圖像邊緣隱藏的異常。2012年，fridrich[38]提出了空間隱性財(cái)富模型的方法。對(duì)圖像執(zhí)行隱寫(xiě)分析。值得注意的是，fridrich設(shè)計(jì)了多種空間高通濾波器，利用這些濾波器對(duì)圖像進(jìn)行濾波可以得到多種殘差圖像。這些殘差圖像掩蓋了原始圖像在rgb域的語(yǔ)義特征，很好地保留了圖像邊緣特征，非常適合圖像內(nèi)容的被動(dòng)取證[36，39]。
基于人工特征設(shè)計(jì)的方法通常需要對(duì)圖像進(jìn)行預(yù)處理，以提取圖像在其他域(如頻域、噪聲域等)的特征。)來(lái)達(dá)到屏蔽圖像內(nèi)容的效果。這種方法可以在整幅圖像級(jí)別或圖像塊級(jí)別提取特征，但人工設(shè)計(jì)的特征通常只能識(shí)別一類操作，且識(shí)別過(guò)程多基于前提假設(shè)，因此在適用范圍上有一定的局限性。
3)基于約束卷積層的方法
無(wú)論是基于圖像塊的方法還是基于人工設(shè)計(jì)特征的方法，往往都需要做出假設(shè)，然后根據(jù)已有的假設(shè)設(shè)計(jì)人工特征，但這種方法通常只能識(shí)別某一種篡改。因此，如何提取圖像的一般篡改特征是圖像被動(dòng)取證的一個(gè)關(guān)鍵點(diǎn)。
2017年，bayar等人[40]發(fā)現(xiàn)，cnn可以用于進(jìn)行一般的圖像操作檢測(cè)和攝像機(jī)模型識(shí)別，但圖像取證與目標(biāo)識(shí)別相比是一個(gè)根本不同的問(wèn)題。用cnn學(xué)習(xí)圖像取證功能，需要先抑制圖像的內(nèi)容，否則會(huì)導(dǎo)致與訓(xùn)練圖像相關(guān)的物體和場(chǎng)景的分類。
2018年，bayar等人[41]在前人研究的基礎(chǔ)上提出了一種約束卷積層的方法，可以抑制圖像內(nèi)容對(duì)篡改痕跡的影響，自適應(yīng)提取圖像的篡改特征。作者定義了約束卷積層的卷積核:卷積核的中心權(quán)值設(shè)為1，其他權(quán)值之和限定為-1，其公式如下:
這種限制使得網(wǎng)絡(luò)自適應(yīng)地學(xué)習(xí)類似于高通濾波器的卷積核。該模型對(duì)中值濾波、高斯濾波、重采樣和高斯白噪聲有較好的檢測(cè)效果，但沒(méi)有考慮抗壓縮等魯棒性問(wèn)題。
一般來(lái)說(shuō)，基于深度學(xué)習(xí)的圖像內(nèi)容被動(dòng)取證主要有以下兩項(xiàng)任務(wù):
1)篡改技術(shù)識(shí)別
需要識(shí)別圖像內(nèi)容的篡改方法，主要包括三種篡改技術(shù):拼接、復(fù)制粘貼和移除。
2)篡改區(qū)域的位置
有必要定位偽圖像中的篡改區(qū)域。內(nèi)容的輸出有兩種，一種是以包圍盒的輸出，另一種是以篡改區(qū)域的二值掩碼的輸出。
從2006年開(kāi)始，出現(xiàn)了很多基于深度學(xué)習(xí)的被動(dòng)圖像取證方法。由于不同篡改的特征差異很大，大多數(shù)模型只能識(shí)別一種篡改，少數(shù)模型可以識(shí)別多種篡改。接下來(lái)，本文將分四類進(jìn)行闡述:拼接檢測(cè)、復(fù)制粘貼檢測(cè)、計(jì)算機(jī)生成檢測(cè)和多操作檢測(cè)。5.1圖像拼接檢測(cè)5.1.1單一篡改圖像檢測(cè)圖像拼接操作是指將一部分供體圖像拼接到源圖像中，生成新的篡改圖像。這種篡改是目前常見(jiàn)的修改圖像內(nèi)容的。圖像馬賽克檢測(cè)比其他圖像內(nèi)容篡改檢測(cè)簡(jiǎn)單，因?yàn)椴煌膱D像具有不同的特征信息，馬賽克區(qū)域與真實(shí)區(qū)域的反差通常比較明顯，可以利用的特征相對(duì)較多。所以這也是深度學(xué)習(xí)技術(shù)在被動(dòng)圖像取證領(lǐng)域解決的第一個(gè)問(wèn)題。
2016年，張穎等人[42]首次將深度學(xué)習(xí)技術(shù)應(yīng)用于圖像被動(dòng)取證，提出了基于daubechies小波特征的圖像塊級(jí)深度學(xué)習(xí)圖像取證方法，成功完成了圖像拼接檢測(cè)。首先，作者將圖像轉(zhuǎn)換到y(tǒng)crcb顏色空間，因?yàn)閥crcb顏色空間比rgb顏色空間對(duì)篡改偽影更敏感。然后，作者將圖像分成32*32的圖像塊，逐個(gè)提取daubechies小波特征。最后，將生成的圖像塊特征輸入五層神經(jīng)網(wǎng)絡(luò)對(duì)圖像進(jìn)行真假分類，判斷圖像塊。該方法首次將深度學(xué)習(xí)技術(shù)應(yīng)用于圖像內(nèi)容篡改檢測(cè)，但由于模型僅在分塊級(jí)別進(jìn)行判斷，篡改區(qū)域定位粗糙，識(shí)別準(zhǔn)確率低。
j long等[43]在2015年提出了全卷積網(wǎng)絡(luò)用于語(yǔ)義分割，實(shí)現(xiàn)了像素級(jí)分類。受此啟發(fā)，salloum等人[44]對(duì)j long等人[43]在2017年提出的網(wǎng)絡(luò)結(jié)構(gòu)稍加修改，提出了基于邊緣增強(qiáng)的多任務(wù)圖像被動(dòng)取證框架(mfcn)，用于像素級(jí)篡改區(qū)域分割。本文作者直接將原始圖像輸入網(wǎng)絡(luò)，通過(guò)vgg-16[45]提取圖像篡改特征。然后，將模型分為兩個(gè)分支，一個(gè)用于預(yù)測(cè)篡改區(qū)域，另一個(gè)用于預(yù)測(cè)篡改區(qū)域的邊緣。最后，通過(guò)使用篡改區(qū)域邊緣掩模進(jìn)一步修改篡改區(qū)域掩模。該模型經(jīng)過(guò)端到端的訓(xùn)練，迫使vgg-16網(wǎng)絡(luò)識(shí)別拼接圖像中的篡改痕跡，實(shí)現(xiàn)圖像篡改特征的自適應(yīng)提取?？蚣芙Y(jié)構(gòu)如圖5-1所示。在casia v1.0、columbia、nist 2016和carvalho數(shù)據(jù)集上的實(shí)驗(yàn)表明，該框架優(yōu)于傳統(tǒng)的馬賽克檢測(cè)方法。同時(shí)，該方法也具有良好的魯棒性。在jpeg壓縮、高斯白噪聲、模糊等數(shù)據(jù)集分別增強(qiáng)后，仍然可以檢測(cè)出圖像的篡改區(qū)域，而不會(huì)明顯損失準(zhǔn)確性。
圖5-1 mfcn框架結(jié)構(gòu)[44]
因?yàn)樵趂cn畫(huà)框中的平滑操作，畫(huà)框經(jīng)常會(huì)忽略一些小物體，這和在mfcn是一樣的。樣本存在。因此，陳等[46]在fast r-cnn [30]中創(chuàng)新性地集成了區(qū)域推薦網(wǎng)絡(luò)(rpn)結(jié)構(gòu)。同時(shí)，為了在篡改區(qū)域邊緣獲得更精細(xì)的結(jié)果，作者引入了不同大小的上采樣率來(lái)獲得互補(bǔ)的篡改區(qū)域掩膜。實(shí)驗(yàn)表明，引入rpn組件可以提高模型對(duì)小物體的識(shí)別率。同時(shí)，由于rpn本身是一個(gè)全卷積網(wǎng)絡(luò)，整個(gè)模型仍然可以進(jìn)行端到端的訓(xùn)練。
由于篡改區(qū)域的大小不同，大多數(shù)幀只能定位有限大小的篡改區(qū)域。為了解決這個(gè)問(wèn)題，2018年，yaqi liu等人[47]提出了基于多尺度方法的篡改區(qū)域定位框架。該模型創(chuàng)新性地引入多尺度的思想，設(shè)計(jì)不同尺度的圖像滑動(dòng)窗口，提取多尺度圖像塊的特征。首先利用srm高通濾波器對(duì)模型進(jìn)行預(yù)處理，然后利用不同尺度的圖像滑動(dòng)窗口從預(yù)處理后的圖像中提取特征進(jìn)行預(yù)測(cè)，生成相同圖像大小的多個(gè)篡改區(qū)域掩膜。由于采用了多尺度特征提取方法，不同的掩模圖像具有不同的圖像范圍，因此這些多尺度掩模圖像被合并成一幅圖像以生成最終的掩模。
劉波等人[48]提出了一種多種基本網(wǎng)絡(luò)的融合方法，利用不同種類的基本網(wǎng)絡(luò)互補(bǔ)來(lái)提高模型的魯棒性，從而提高模型的識(shí)別精度。該模型主要包括幾個(gè)基本網(wǎng)絡(luò)和分類器。不同的基本網(wǎng)絡(luò)分別在不同的數(shù)據(jù)集上進(jìn)行訓(xùn)練。本文作者選擇了兩種不同的篡改特征:源圖像和施主圖像的噪聲不同，源圖像和施主圖像的jpeg壓縮尺度不同。兩個(gè)基本網(wǎng)絡(luò)是對(duì)圖像塊進(jìn)行分類，產(chǎn)生多種分類結(jié)果，最后統(tǒng)一輸入全連通層進(jìn)行融合分類。雖然該模型與傳統(tǒng)方法相比取得了較好的效果，但是模型的魯棒性來(lái)自于各種基礎(chǔ)網(wǎng)絡(luò)的積累，是以提高模型的復(fù)雜度為代價(jià)的，具有很強(qiáng)的局限性。
數(shù)據(jù)集數(shù)量少一直是圖像內(nèi)容被動(dòng)取證領(lǐng)域的難題。minyoung huh等人[49]創(chuàng)新性地將自我監(jiān)控方法應(yīng)用于圖像內(nèi)容的被動(dòng)取證問(wèn)題，這種基于自我監(jiān)控方法的圖像篡改取證有望達(dá)到監(jiān)督學(xué)習(xí)無(wú)法達(dá)到的檢測(cè)效果。該模型的特征在于jpeg中的exif元數(shù)據(jù)，這迫使深度學(xué)習(xí)模型學(xué)習(xí)不同圖像塊(來(lái)自不同源圖像)的exif元數(shù)據(jù)之間的差異。根據(jù)不同圖像塊之間的相似性預(yù)測(cè)，總結(jié)出基于83個(gè)像素級(jí)的特征相似性概率圖。最后，利用移位法對(duì)概率圖進(jìn)行合并，輸出最終的篡改區(qū)域掩膜。該模型的主干網(wǎng)絡(luò)如圖5-2所示。在文章的最后，作者提到，雖然這種方法在多個(gè)數(shù)據(jù)集上取得了最好的結(jié)果，但與傳統(tǒng)方法相比。相比之下，這種基于自監(jiān)督學(xué)習(xí)方法的模型缺乏可解釋性，特別是我們可以 t確定解決這個(gè)問(wèn)題的具體視覺(jué)線索。同時(shí)，基于反機(jī)器學(xué)習(xí)的工作，說(shuō)明在流通中使用自學(xué)習(xí)篡改技術(shù)會(huì)使偽造檢測(cè)問(wèn)題更加難以解決，需要新的技術(shù)進(jìn)步。
圖5-2基于自監(jiān)控方法的骨干網(wǎng)絡(luò)[49]
為了解決minyoung huh等人提出的基于gan框架的篡改技術(shù)識(shí)別問(wèn)題，彭洲等人[50]提出了基于gan[33]結(jié)構(gòu)的拼接檢測(cè)模型(gsr-net)。該方法分為生成器和鑒別器。生成器將一部分供體圖像拼接到源圖像中，然后試圖通過(guò)深度卷積網(wǎng)絡(luò)生成真假難辨的篡改圖像。鑒別器分為分段階段和替換階段。這兩個(gè)階段共享網(wǎng)絡(luò)參數(shù)。分割階段負(fù)責(zé)識(shí)別篡改圖像中的篡改邊界，然后通過(guò)替換階段用真實(shí)區(qū)域替換篡改區(qū)域，生成新的篡改邊界。模型結(jié)構(gòu)如圖5-3所示。這種設(shè)計(jì)可以引導(dǎo)鑒別器進(jìn)一步識(shí)別圖像篡改邊界的特征。最后，使用鑒別器來(lái)識(shí)別被篡改的圖像。由于鑒別器是拼接邊緣的偽影，因此該方法在實(shí)驗(yàn)中的拼接、復(fù)制、粘貼等多項(xiàng)任務(wù)中都取得了最好的效果。
圖5-3 gsr-net網(wǎng)絡(luò)結(jié)構(gòu)[50]
5.1.2受約束的圖像拼接檢測(cè)由于當(dāng)前的篡改技術(shù)復(fù)雜多樣，很難從一幅圖像中提取有效的通用特征進(jìn)行學(xué)習(xí)。因此，吳越等人[51]擴(kuò)展了馬賽克檢測(cè)任務(wù):將原來(lái)的單個(gè)篡改圖像檢測(cè)任務(wù)擴(kuò)展為源圖像與供體圖像的相似性匹配任務(wù)，稱為約束圖像馬賽克檢測(cè)任務(wù)(cisd)。
吳越等人提出了一種結(jié)構(gòu)，稱為深度匹配驗(yàn)證網(wǎng)絡(luò)(dmvn)[51]。該網(wǎng)絡(luò)使用源圖像和供體圖像作為輸入，并使用卷積運(yùn)算來(lái)提取密集重疊圖像塊的特征。然后，將獲得的篡改特征輸入到特征提取框架(如vvg-16、resnet等。)進(jìn)行深度特征提取，通過(guò)圖像塊間的相似性比較得到像素級(jí)的置信度圖，然后進(jìn)行反卷積。值得一提的是，作者在框架末尾引入了注意的思想，根據(jù)得到的掩膜再次提取篡改區(qū)域特征以驗(yàn)證視覺(jué)一致性，進(jìn)一步提高了區(qū)域分割的準(zhǔn)確性。
受等人[51]的深度匹配驗(yàn)證網(wǎng)絡(luò)(dmvn)的啟發(fā)，yaqi liu等人[52]在2019年提出了一種基于孔洞卷積的深度匹配模型(damc)，該模型也使用篡改圖像和供體圖像作為輸入。該模型基于gan[33]框架，分為dmac網(wǎng)絡(luò)、類別檢測(cè)網(wǎng)絡(luò)和區(qū)域定位網(wǎng)絡(luò)。模型結(jié)構(gòu)如圖5-4所示。其中，dmac網(wǎng)絡(luò)是生成器部分，從骨骼中提取特征。干線網(wǎng)絡(luò)是vgg-16，但最后三層網(wǎng)絡(luò)卷積被孔卷積層取代。然后將提取的特征圖輸入到基于孔洞卷積的相關(guān)層，計(jì)算不同尺度的相關(guān)度映射，再利用基于孔洞網(wǎng)絡(luò)的空間金字塔池結(jié)構(gòu)計(jì)算篡改圖像和捐贈(zèng)圖像的掩膜。鑒別器由類別檢測(cè)網(wǎng)絡(luò)和區(qū)域定位網(wǎng)絡(luò)組成。類別檢測(cè)網(wǎng)絡(luò)負(fù)責(zé)標(biāo)識(shí)生成器確定區(qū)域的真假分類，區(qū)域定位網(wǎng)絡(luò)負(fù)責(zé)比較篡改區(qū)域和捐獻(xiàn)區(qū)域是否一致。與dmvn相比，該模型進(jìn)一步提高了識(shí)別精度。
圖5-4 dmac網(wǎng)絡(luò)結(jié)構(gòu)
5.1.3總結(jié)目前，圖像拼接檢測(cè)領(lǐng)域可以分為兩個(gè)任務(wù)，一個(gè)是僅對(duì)篡改圖像進(jìn)行分類，另一個(gè)是將拼接檢測(cè)任務(wù)轉(zhuǎn)化為篡改區(qū)域與供體圖像之間的相似性檢測(cè)任務(wù)(cisd)。
第一類任務(wù)是被動(dòng)圖像取證研究的熱點(diǎn)問(wèn)題，2016年以來(lái)取得了很大進(jìn)展。2016年，張穎等人[42]首次使用深度學(xué)習(xí)方法學(xué)習(xí)人工特征，完成了圖像塊級(jí)的粗略定位。2017年，salloum等人[44]將全卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于圖像拼接的被動(dòng)取證任務(wù)，提出了mfcn框架，首次實(shí)現(xiàn)了像素級(jí)的細(xì)粒度分割。隨后，陳等[46]進(jìn)一步改進(jìn)了mfcn，提高了小區(qū)域的識(shí)別精度。2018年，在基于深度學(xué)習(xí)的圖像拼接被動(dòng)取證任務(wù)中，涌現(xiàn)出大量創(chuàng)新的網(wǎng)絡(luò)結(jié)構(gòu)。yaqi liu等人[47]提出了一種基于多尺度卷積提取不同尺度圖像塊特征的方法，解決了鑲嵌區(qū)域識(shí)別領(lǐng)域中篡改區(qū)域大小限制的問(wèn)題。劉波等人[48]設(shè)計(jì)了基于基本網(wǎng)絡(luò)的模型結(jié)構(gòu)，以提高模型對(duì)圖像后處理操作的魯棒性。minyoung huh等人[49]創(chuàng)新性地將自學(xué)習(xí)方法集成到圖像拼接檢測(cè)中。該模型避免了當(dāng)前圖像篡改數(shù)據(jù)集中數(shù)據(jù)不足的問(wèn)題，為基于深度學(xué)習(xí)的圖像內(nèi)容被動(dòng)取證指明了新的方向。不久后，彭舟等人嘗試解決了minyoung huh提出的基于gan框架的圖像篡改識(shí)別問(wèn)題，創(chuàng)造性地提出了基于gan框架的gsr-net[50]，引導(dǎo)深度學(xué)習(xí)模型提取圖像邊緣偽影特征進(jìn)行篡改區(qū)域檢測(cè)。
與第一類任務(wù)相比，cisd任務(wù)剛剛處于發(fā)展階段，目前方法較少，只有兩種網(wǎng)絡(luò)結(jié)構(gòu)，即dmvn和dmvc。2017年，吳越等人[51]擴(kuò)展了馬賽克檢測(cè)任務(wù):將原來(lái)的單個(gè)篡改圖像檢測(cè)任務(wù)擴(kuò)展為源圖像與供體圖像的相似性匹配任務(wù)，稱為約束圖像馬賽克檢測(cè)任務(wù)(cisd)，并提出了解決這一問(wèn)題的方法———dmvn模型。2019年，雅琪劉等人獲得岳w。u，提出了基于孔洞卷積的深度匹配模型(damc ),進(jìn)一步提高了識(shí)別精度。
在圖像內(nèi)容的被動(dòng)取證中，圖像拼接檢測(cè)是一項(xiàng)相對(duì)簡(jiǎn)單的任務(wù)。與復(fù)制粘貼和移除相比，拼接篡改的圖像在圖像邊緣偽影、圖像統(tǒng)計(jì)特征、圖像成像特征等方面有很多可資利用的線索。然而，到目前為止，大多數(shù)用于拼接檢測(cè)的深度學(xué)習(xí)框架都無(wú)法應(yīng)用于復(fù)制粘貼檢測(cè)和移除檢測(cè)。接下來(lái)，我們將詳細(xì)描述深度學(xué)習(xí)方法在復(fù)制粘貼檢測(cè)任務(wù)中的成就。
5.2圖像復(fù)制粘貼檢測(cè)圖像復(fù)制粘貼操作是指復(fù)制一幅圖像中的一個(gè)區(qū)域，粘貼到同一幅圖像中。通常使用復(fù)制粘貼操作來(lái)掩蓋圖像中的某個(gè)區(qū)域，這樣很難辨別真假。這種篡改和拼接是一樣的，對(duì)圖像的內(nèi)容進(jìn)行篡改，但是檢測(cè)難度要比拼接技術(shù)高很多。由于復(fù)制粘貼操作是對(duì)同一幅圖像的內(nèi)部操作，真實(shí)區(qū)域和篡改區(qū)域的統(tǒng)計(jì)特性非常相似，因此不能利用成像設(shè)備的固有特性和圖像的大部分統(tǒng)計(jì)特性。目前，圖像復(fù)制粘貼檢測(cè)技術(shù)可分為兩類:1)基于區(qū)域邊界偽影，2)基于區(qū)域相似性。
5.2.1基于區(qū)域邊界偽影復(fù)制粘貼過(guò)的圖像，通常在篡改區(qū)域與真實(shí)區(qū)域邊界之間存在邊界偽影，與真實(shí)圖像有較大差異?；谶吔鐐斡暗臋z測(cè)方法是通過(guò)卷積網(wǎng)絡(luò)提取圖像邊界信息，然后用機(jī)器學(xué)習(xí)分類器進(jìn)行分類。
2016年，rao等人[36]首次將深度學(xué)習(xí)方法應(yīng)用于復(fù)制粘貼操作檢測(cè)任務(wù)。為了更好地抑制圖像的語(yǔ)義信息，提取邊緣特征，作者首先利用srm高通濾波器提取圖像的高頻信息，然后利用滑動(dòng)窗口法將預(yù)處理后的圖像輸入到深度卷積神經(jīng)網(wǎng)絡(luò)中，最終實(shí)現(xiàn)圖像分類。模型結(jié)構(gòu)如圖5-5所示。實(shí)驗(yàn)表明，該方法能有效學(xué)習(xí)邊界偽影特征，捕捉邊界異常信息，達(dá)到較高的分類精度。
2017年，歐陽(yáng)等[53]提出了基于卷積神經(jīng)網(wǎng)絡(luò)的復(fù)制粘貼檢測(cè)方法。由于復(fù)制粘貼數(shù)據(jù)集太小，所以在imagenet上對(duì)模型進(jìn)行預(yù)訓(xùn)練，然后用一個(gè)小的復(fù)制粘貼訓(xùn)練樣本對(duì)網(wǎng)絡(luò)參數(shù)進(jìn)行微調(diào)。最后，該模型實(shí)現(xiàn)了圖像分類。
雖然基于區(qū)域邊界偽影的方法更符合人類的視覺(jué)習(xí)慣，但是深度學(xué)習(xí)網(wǎng)絡(luò)很難提取出如此微小的邊界偽影。因此，該方法識(shí)別的模型只能完成真假圖像的分類，無(wú)法實(shí)現(xiàn)像素級(jí)的區(qū)域分割。
5.2.2基于區(qū)域相似性的復(fù)制拼接操作的本質(zhì)是將一幅圖像中的某個(gè)區(qū)域復(fù)制粘貼到同一幅圖像中。這種篡改方法產(chǎn)生的圖像必須包含兩個(gè)相同的區(qū)域，因?yàn)樵撗芯咳藛T提出了一種基于區(qū)域相似性的檢測(cè)方法，這與馬賽克檢測(cè)問(wèn)題中的約束圖像馬賽克檢測(cè)任務(wù)(cisd)非常相似。
2018年，吳等[54]提出了一種圖像復(fù)制粘貼篡改檢測(cè)框架。該模型采用端到端設(shè)計(jì)，分為特征提取、自相關(guān)計(jì)算、逐點(diǎn)特征提取和掩膜生成四個(gè)階段。首先將整幅圖像輸入模型，通過(guò)特征提取器提取圖像的高級(jí)特征。然后，計(jì)算特征圖中每對(duì)像素之間的相關(guān)性。然后根據(jù)相關(guān)性選擇相似區(qū)域，進(jìn)一步提取相似區(qū)域的高級(jí)特征。最后，解碼圖像并輸出篡改區(qū)域掩模。模型的整體結(jié)構(gòu)如圖5-6所示。該方法首次實(shí)現(xiàn)了像素級(jí)的復(fù)制粘貼任務(wù)檢測(cè)，識(shí)別準(zhǔn)確率超過(guò)傳統(tǒng)檢測(cè)方法。
圖5-6吳等.復(fù)制粘貼檢測(cè)框架[54]
不久wu等人[55]進(jìn)一步擴(kuò)展了該框架并結(jié)合了基于邊界偽影的方法和區(qū)域相似度方法的優(yōu)點(diǎn)，提出了busternet，可以檢測(cè)源目標(biāo)和篡改目標(biāo)。如圖5-7所示，模型分為mani-det分支和simi-det分支。mani分支主要負(fù)責(zé)定位篡改區(qū)域，實(shí)現(xiàn)像素級(jí)預(yù)測(cè)，通過(guò)提取篡改區(qū)域的邊界偽影信息輸出篡改區(qū)域掩膜。simi-det分支負(fù)責(zé)自相關(guān)檢測(cè)，檢測(cè)圖像中的兩個(gè)相似區(qū)域，輸出相似區(qū)域掩碼。值得注意的是，該模型融合了mani-det分支和simi-det分支的特征，然后在像素級(jí)對(duì)兩個(gè)相似區(qū)域進(jìn)行分類，準(zhǔn)確預(yù)測(cè)源目標(biāo)和篡改目標(biāo)。實(shí)驗(yàn)表明，該方法具有良好的魯棒性，在多個(gè)數(shù)據(jù)集上取得了最好的結(jié)果。
圖5-7 busternet網(wǎng)絡(luò)結(jié)構(gòu)[55]
5.2.3總結(jié)深度學(xué)習(xí)圖像的復(fù)制粘貼檢測(cè)任務(wù)，大致分為基于圖像邊界偽影和基于區(qū)域相似性兩類。
基于圖像邊界的偽影檢測(cè)方法是從人識(shí)別圖像真假的過(guò)程入手，提取篡改區(qū)域與真實(shí)區(qū)域不一致的特征，通過(guò)深度學(xué)習(xí)模型進(jìn)行預(yù)測(cè)和分類。這類方法通常進(jìn)行圖像預(yù)處理。比如rao等人[36]在2016年提出的基于深度學(xué)習(xí)的圖像復(fù)制粘貼檢測(cè)框架，就使用了srm高通濾波器。預(yù)處理過(guò)程的目的是掩蓋圖像內(nèi)容特征，提取圖像的高頻信息，突出邊緣特征。2017年，歐陽(yáng)等人[53]提出了遷移學(xué)習(xí)的方法來(lái)解決篡改圖像數(shù)據(jù)集過(guò)小的問(wèn)題。該方法首先在imagenet上進(jìn)行預(yù)訓(xùn)練，然后使用少量的復(fù)制粘貼數(shù)據(jù)集進(jìn)行微調(diào)，達(dá)到了圖像分類的高精度。
基于區(qū)域相似性檢測(cè)方法，將復(fù)制粘貼區(qū)域定位問(wèn)題轉(zhuǎn)化為相似性匹配問(wèn)題。這種方法通常以整幅圖像為輸入，提取圖形。對(duì)圖像中大量重疊的圖像塊進(jìn)行相似度計(jì)算，從而找到相似度最高的區(qū)域。2018年，吳等人[54]基于這一思想設(shè)計(jì)并完成了一個(gè)基于區(qū)域相似性匹配的圖像復(fù)制粘貼檢測(cè)框架。不久之后，wu等人[55]再次擴(kuò)展了這種方法，將基于邊界偽影檢測(cè)和區(qū)域相似性檢測(cè)的方法結(jié)合起來(lái)，提出了雙流檢測(cè)框架busternet。值得一提的是，該框架不僅可以同時(shí)定位兩個(gè)相似區(qū)域，還可以區(qū)分源區(qū)域和篡改區(qū)域。
5.3計(jì)算機(jī)生成檢測(cè)近年來(lái)，深度學(xué)習(xí)技術(shù)發(fā)展迅速，利用gan [33]生成圖像的方法取得了優(yōu)異的效果，生成的圖像真假難辨。目前在圖像篡改領(lǐng)域，也有一種使用生成對(duì)策方法修復(fù)圖像被去除部分的網(wǎng)絡(luò)結(jié)構(gòu)[56]。面對(duì)深度學(xué)習(xí)一代新興的圖像篡改模式，如何有效檢測(cè)是圖像內(nèi)容被動(dòng)取證領(lǐng)域的新課題，存在以下難點(diǎn):
1)特征變化大。
基于gan框架的圖像生成原理是建立缺失區(qū)域與真實(shí)區(qū)域的關(guān)系，從而通過(guò)當(dāng)前區(qū)域特征分布預(yù)測(cè)缺失區(qū)域。這種方法產(chǎn)生的篡改圖像與常規(guī)篡改方法產(chǎn)生的圖像有很大不同，篡改區(qū)域在統(tǒng)計(jì)特征和邊緣偽影上往往與真實(shí)區(qū)域非常相似。因此，如何提取有效特征將是檢測(cè)的難點(diǎn)之一。
2)視覺(jué)效果非常逼真。
gan框架由生成器和鑒別器組成，兩者都是深度學(xué)習(xí)網(wǎng)絡(luò)。生成器負(fù)責(zé)生成真假難辨的圖像，鑒別器負(fù)責(zé)鑒別圖像。當(dāng)鑒別器不能鑒別生成的圖像時(shí)，輸出圖像。以這種生成的圖像通常無(wú)法通過(guò)常規(guī)的深度學(xué)習(xí)網(wǎng)絡(luò)檢測(cè)到特定類別，并且該生成方法對(duì)深度學(xué)習(xí)識(shí)別方法非常魯棒。因此，如何設(shè)計(jì)一個(gè)有效的網(wǎng)絡(luò)結(jié)構(gòu)來(lái)學(xué)習(xí)人眼可以 t find也是檢測(cè)的難點(diǎn)之一。
面對(duì)復(fù)雜的深度學(xué)習(xí)篡改圖像，研究人員從2017年開(kāi)始一步步探索。2017年，nicolas rahmouni等人[57]首次嘗試識(shí)別計(jì)算機(jī)生成的篡改圖像。該模型首先將圖像劃分為大小相同的重疊圖像塊，然后利用深度卷積網(wǎng)絡(luò)提取圖像特征，最后利用機(jī)器學(xué)習(xí)分類器對(duì)圖像塊進(jìn)行分類。這種方法是檢測(cè)計(jì)算機(jī)生成圖像的一種嘗試，表現(xiàn)出很高的分類精度。
2018年，huy h等人[58]提出了一種模塊化的計(jì)算機(jī)生成圖像檢測(cè)器。該模型主要分為三個(gè)模塊:特征提取模塊、特征轉(zhuǎn)換模塊和分類模塊。首先將圖像分成大小相同的互不重疊的圖像塊，然后輸入網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)。特征提取模塊負(fù)責(zé)提取圖像塊的深層語(yǔ)義信息，然后輸入到特征轉(zhuǎn)換模塊，以避免深層卷積網(wǎng)絡(luò)提取圖像的深層語(yǔ)義信息。信息和特征轉(zhuǎn)換模塊只使用兩層卷積來(lái)捕獲圖像篡改特征，然后輸入到分類器進(jìn)行真假分類。在該方法中，增加了一個(gè)特征轉(zhuǎn)換模塊來(lái)嘗試捕獲圖像篡改信息，從而在圖像塊級(jí)別上獲得較高的分類精度。
由于篡改的圖像可以由gan幀生成器生成，所以它自然可以由鑒別器來(lái)區(qū)分。francesco marra等人[59]將gan框架中的鑒別器替換為多種當(dāng)前的認(rèn)證網(wǎng)絡(luò)結(jié)構(gòu)，并比較了它們對(duì)計(jì)算機(jī)偽造圖像的檢測(cè)效果。實(shí)驗(yàn)結(jié)果表明，在未壓縮圖像中，inceptionnet v3和exception net的準(zhǔn)確率最高，其中exception net魯棒性好，圖像壓縮后仍具有較高的準(zhǔn)確率。
深度學(xué)習(xí)促進(jìn)了計(jì)算機(jī)圖像生成的發(fā)展，但發(fā)展帶來(lái)的多媒體信息安全問(wèn)題值得研究者深思。如何鑒別這些信息的真實(shí)性是一個(gè)新問(wèn)題。
5.4多種篡改方法的檢測(cè)上述三類檢測(cè)方法大多是基于圖像篡改類型的假設(shè)，但這在實(shí)際使用中是不可能實(shí)現(xiàn)的。面對(duì)目前的圖像，我們可以 不能直接判斷圖像的判斷類型。因此，如何實(shí)現(xiàn)通用的圖像檢測(cè)一直是研究人員努力的方向。;努力。目前，篡改檢測(cè)模型有很多種，主要分為兩種基于手工設(shè)計(jì)特征和自適應(yīng)特征提取。
5.4.1手繪特征的方法受傳統(tǒng)檢測(cè)方法的啟發(fā)，結(jié)合手繪特征(如重采樣特征、jpeg壓縮特征等。)而深度學(xué)習(xí)方法有時(shí)會(huì)產(chǎn)生意想不到的結(jié)果。
2017年，bappy等人[60]首次使用重采樣特征結(jié)合深度學(xué)習(xí)方法來(lái)檢測(cè)各種篡改方法。作者提出了兩種基于重采樣特征和深度學(xué)習(xí)的圖像操作檢測(cè)和定位方法。在第一種方法中，對(duì)重疊圖像塊計(jì)算重采樣特征的radon變換。然后使用深度學(xué)習(xí)分類器和高斯條件隨機(jī)場(chǎng)模型來(lái)創(chuàng)建熱圖。利用隨機(jī)游走分割方法定位篡改區(qū)域。第二種方法是基于長(zhǎng)短期記憶(lstm)通過(guò)網(wǎng)絡(luò)對(duì)重疊圖像塊計(jì)算的重采樣特征進(jìn)行分類和定位。作者訓(xùn)練了一個(gè)六分類器來(lái)檢測(cè)六種不同的重采樣，如圖5-8所示。其中，基于lstm的網(wǎng)絡(luò)在拼接、復(fù)制粘貼和移除三種篡改方法的數(shù)據(jù)集上實(shí)現(xiàn)了超過(guò)0.9的準(zhǔn)確率。
圖5-8基于lstm的圖像塊分類框架[60]
2018年，park等人[61]提出了一個(gè)利用雙jpeg壓縮特征定位篡改區(qū)域的框架。如圖5-9所示，首先將圖像分成大小相同的多個(gè)圖像塊，然后將圖像塊轉(zhuǎn)換到y(tǒng)cbcr顏色空間計(jì)算dct系數(shù)，再根據(jù)多個(gè)圖像塊的dct系數(shù)得到圖像的直方圖特征，將特征輸入到深度卷積網(wǎng)絡(luò)中。提取深層特征，最后結(jié)合圖像量化表中的附加信息預(yù)測(cè)圖像是否包含雙重jpeg壓縮，從而判斷圖像篡改區(qū)域。值得注意的是，該模型可以檢測(cè)混合jpeg質(zhì)量因子的各種操作。因此，作者將原始圖像數(shù)據(jù)集中的圖像劃分成大小相同的圖像塊，然后用隨機(jī)jpeg尺度進(jìn)行壓縮，構(gòu)造隨機(jī)jpeg壓縮數(shù)據(jù)集。
圖5-9基于jpeg特征的篡改區(qū)域定位框架[61]
2019年，bappy等人[34]提出了基于重采樣特征、lstm網(wǎng)絡(luò)和編解碼架構(gòu)的統(tǒng)一架構(gòu)，解決篡改圖像區(qū)域的像素級(jí)定位問(wèn)題。如圖5-10所示，該模型有兩個(gè)分支:lstm和編碼器。首先，給定圖像在lstm分支中被分成多個(gè)圖像塊，然后從每個(gè)圖像塊中提取重采樣特征。lstm網(wǎng)絡(luò)用于學(xué)習(xí)頻域中篡改區(qū)域和真實(shí)區(qū)域之間的相關(guān)性。然后，編碼器-解碼器網(wǎng)絡(luò)用于捕獲編碼器分支中的空間信息。每個(gè)編碼器生成不同大小和數(shù)量的特征圖。來(lái)自lstm網(wǎng)絡(luò)的特征圖和來(lái)自編碼器的編碼特征圖在通過(guò)解碼器之前被融合。
圖5-10 bappy等人提出的網(wǎng)絡(luò)結(jié)構(gòu)[34]
由于傳統(tǒng)方法中手工設(shè)計(jì)的特征相對(duì)成熟，基于手工設(shè)計(jì)特征的方法在深度學(xué)習(xí)中也取得了不錯(cuò)的效果。但是，手動(dòng)設(shè)計(jì)功能有其自身的局限性。隨著篡改技術(shù)的發(fā)展，手工設(shè)計(jì)特征很容易被屏蔽，因此如何自適應(yīng)地提取圖像篡改特征仍然是解決一般檢測(cè)任務(wù)的關(guān)鍵。
5.4.2自適應(yīng)特征提取方法任何篡改方法都會(huì)在細(xì)微處留下篡改痕跡。自適應(yīng)特征提取方法通常是在圖像輸入后，由神經(jīng)網(wǎng)絡(luò)自己學(xué)習(xí)圖像中的篡改特征，無(wú)需預(yù)處理。這些特征一般是圖像邊界的異常特征和圖像內(nèi)部的統(tǒng)計(jì)特征。
2017年，bappy等人[37]設(shè)計(jì)并實(shí)現(xiàn)了一種混合cnn-lstm模型來(lái)捕捉修改和未修改區(qū)域邊界的異常特征并學(xué)習(xí)邊界差異，即結(jié)合lstm和卷積層得到修改和未修改區(qū)域之間的空間結(jié)構(gòu)，通過(guò)學(xué)習(xí)修改和未修改區(qū)域之間的異常空間結(jié)構(gòu)來(lái)確定圖像篡改區(qū)域，如圖5-11所示。該模型在拼接、復(fù)制粘貼和刪除等篡改技術(shù)中取得了良好的效果。
圖5-11 cnn-lstm網(wǎng)絡(luò)結(jié)構(gòu)[37]
隨后，bappy等人再次擴(kuò)展了cnn-lstm模型[62]。由于復(fù)制粘貼操作是對(duì)圖像的篡改過(guò)程，所以在檢測(cè)復(fù)制粘貼操作時(shí)很多特征是無(wú)效的。因此，作者在原模型前增加了一個(gè)獨(dú)立的復(fù)制粘貼檢測(cè)模塊作為 預(yù)判 整個(gè)模型的步驟。。該模塊基于圖像塊匹配模型，計(jì)算圖像塊之間的相似度，從而判斷圖像是否被復(fù)制粘貼，并確定篡改區(qū)域的位置。與原始模型相比，新框架的auc得分從0.66提高到0.74。
深度學(xué)習(xí)推動(dòng)了計(jì)算機(jī)視覺(jué)的快速發(fā)展，其中最突出的任務(wù)就是目標(biāo)檢測(cè)?；趦杉?jí)結(jié)構(gòu)的快速r-cnn [30]和基于一級(jí)結(jié)構(gòu)的yolo[32]在目標(biāo)檢測(cè)任務(wù)中取得了良好的效果。因?yàn)閳D像內(nèi)容篡改通常是對(duì)圖片中的某個(gè)區(qū)域進(jìn)行修改，所以被篡改的區(qū)域也可以視為一個(gè) 目標(biāo) 。因此，2018年，彭洲等人[39]將圖像內(nèi)容的被動(dòng)取證任務(wù)轉(zhuǎn)化為目標(biāo)檢測(cè)任務(wù)，提出了rgb-n框架。如圖5-12所示，模型基于更快的r-cnn框架，模型分為rgb流和噪聲流兩部分。其中，rgb域更容易檢測(cè)出圖像的異常邊界，噪聲空間可以發(fā)現(xiàn)rgb空間可以發(fā)現(xiàn)的篡改線索 t find，這樣更有利于篡改技術(shù)的分類。值得注意的是，作者巧妙地將區(qū)域推薦網(wǎng)絡(luò)(rpn)應(yīng)用到篡改區(qū)域定位的任務(wù)中，通過(guò)rpn模塊找到潛在的篡改區(qū)域，分別截取rgb特征和噪聲特征中的篡改區(qū)域，并進(jìn)行細(xì)粒度的雙線性池[63]運(yùn)算，最終完成篡改分類。同時(shí)，為了解決數(shù)據(jù)集不足的問(wèn)題，作者從現(xiàn)有的目標(biāo)檢測(cè)數(shù)據(jù)集中提取出原始圖像，創(chuàng)建了一個(gè)大小為42k的合成數(shù)據(jù)集用于圖像預(yù)訓(xùn)練。實(shí)驗(yàn)結(jié)果表明，該方法魯棒性強(qiáng)，在拼接、復(fù)制粘貼、刪除等操作中取得了良好的效果。
圖5-12 rgb-n幀結(jié)構(gòu)[39]
5.4.3總結(jié)根據(jù)特征提取，各種篡改方法的檢測(cè)任務(wù)大致可以分為兩類:1)基于手工設(shè)計(jì)特征的方法，2)自適應(yīng)特征提取方法。
基于人工設(shè)計(jì)特征的方法是從傳統(tǒng)的圖像被動(dòng)取證繼承而來(lái)的，深度學(xué)習(xí)發(fā)展相對(duì)成熟后才被廣泛應(yīng)用。2016年，bappy等人[60]首次利用重采樣特征結(jié)合深度學(xué)習(xí)方法檢測(cè)多種篡改，在拼接、復(fù)制粘貼和移除三種篡改的數(shù)據(jù)集上取得了0.9以上的準(zhǔn)確率。2018年，park等人[61]提出了一個(gè)利用雙jpeg壓縮特征定位篡改區(qū)域的框架。該模型可以檢測(cè)混合jpeg質(zhì)量因子的各種操作。2019年，bappy等人[34]提出了基于重采樣特征、lstm網(wǎng)絡(luò)和編解碼架構(gòu)的統(tǒng)一架構(gòu)，解決篡改圖像區(qū)域的像素級(jí)定位問(wèn)題。然而，基于手工設(shè)計(jì)特征的方法不能適應(yīng)不斷發(fā)展的篡改技術(shù)，并且容易被新的篡改手段屏蔽。
自適應(yīng)特征提取方法是最一種適合深度學(xué)習(xí)的特征提取方法，通常是在圖像輸入后，神經(jīng)網(wǎng)絡(luò)自行學(xué)習(xí)圖像中的篡改特征，無(wú)需預(yù)處理。2017年，bappy等人[37]設(shè)計(jì)并實(shí)現(xiàn)了混合cnn-lstm模型，在拼接、復(fù)制粘貼、刪除等篡改技術(shù)上取得了良好的效果。不久之后，bappy等人針對(duì)cnn-lstm模型在復(fù)制粘貼檢測(cè)方面的不足，再次擴(kuò)展了cnn-lstm模型[62]，在模型前面增加了復(fù)制粘貼檢測(cè)模塊。2018年，彭洲等[39]將圖像內(nèi)容的被動(dòng)取證任務(wù)轉(zhuǎn)化為目標(biāo)檢測(cè)任務(wù)，提出了rgb-n框架，將區(qū)域推薦網(wǎng)絡(luò)(rpn)巧妙地應(yīng)用于篡改區(qū)域定位任務(wù)，在拼接、復(fù)制粘貼、移除等操作中取得了良好的效果。
6展望與計(jì)算機(jī)視覺(jué)領(lǐng)域相比，深度學(xué)習(xí)圖像內(nèi)容的被動(dòng)取證是一個(gè)新的研究方向。通過(guò)借鑒目標(biāo)檢測(cè)、語(yǔ)義分割和圖像恢復(fù)的研究方法，圖像內(nèi)容被動(dòng)取證自2016年首次出現(xiàn)以來(lái)發(fā)展迅速，涌現(xiàn)出許多優(yōu)秀的深度學(xué)習(xí)框架。然而，這離實(shí)現(xiàn)通用被動(dòng)取證框架的目標(biāo)還很遠(yuǎn)?？偟膩?lái)說(shuō)，基于深度學(xué)習(xí)的圖像內(nèi)容被動(dòng)取證領(lǐng)域還存在以下問(wèn)題:
1)圖像篡改特征提取
目前基于手工設(shè)計(jì)的特征在精度上可以達(dá)到很好的效果。然而，由于篡改技術(shù)的快速發(fā)展和日益先進(jìn)復(fù)雜的篡改方法，基于手工設(shè)計(jì)的特征很容易被一種或多種篡改技術(shù)攻擊和屏蔽。目前，提取圖像篡改特征的自適應(yīng)方法的發(fā)展還不成熟。僅僅依靠圖像的區(qū)域邊緣異常和內(nèi)部統(tǒng)計(jì)特征很難獲得穩(wěn)健的結(jié)果，邊緣異常和統(tǒng)計(jì)特征都容易被圖像后期處理破壞。約束卷積層是通用特征提取的一個(gè)很好的方向，但是目前實(shí)現(xiàn)的約束卷積層可以看作是一個(gè)通用的高通濾波器，在圖像增強(qiáng)、縮放等操作中有很好的效果，但是在圖像內(nèi)容的被動(dòng)取證中與手工設(shè)計(jì)的srm高通濾波器效果相同，并沒(méi)有取得更好的效果。
2)數(shù)據(jù)集不足
雖然目前篡改的圖像數(shù)據(jù)集越來(lái)越多，但與復(fù)雜多樣的篡改技術(shù)相比，仍然遠(yuǎn)遠(yuǎn)不夠。目前大部分深度學(xué)習(xí)框架依賴于數(shù)據(jù)驅(qū)動(dòng)，深度學(xué)習(xí)模型面對(duì)一種從未學(xué)過(guò)的篡改技術(shù)時(shí)，很難有效判斷。自學(xué)習(xí)和自洽檢測(cè)是解決這一問(wèn)題的有效方法。通過(guò)圖像中的自洽性判斷，可以檢測(cè)出圖像中的異常區(qū)域。該方法可以解決篡改圖像數(shù)據(jù)集不足的問(wèn)題，訓(xùn)練大量不同源圖像塊的一致性，使模型能夠?qū)W習(xí)圖像之間的差異。但這種方法只適用于拼接檢測(cè)，它可以 不能解決其他篡改檢測(cè)方法的問(wèn)題。
3)深度學(xué)習(xí)圖像 矛和盾 修復(fù)和證據(jù)收集
深度學(xué)習(xí)可以用于圖像內(nèi)容的被動(dòng)取證，自然也可以用于圖像修復(fù)和圖像偽造。就目前的研究進(jìn)展來(lái)看，基于生成對(duì)抗網(wǎng)絡(luò)的圖像復(fù)原發(fā)展非常迅速，生成的圖像真假難辨。與 矛與劍圖像修復(fù)和篡改，發(fā)展的 盾牌 圖像內(nèi)容的被動(dòng)取證遠(yuǎn)遠(yuǎn)落后。目前，還沒(méi)有有效的方法來(lái)檢測(cè) 虛假 深度學(xué)習(xí)網(wǎng)絡(luò)基于真實(shí)區(qū)域和缺失區(qū)域的相關(guān)性預(yù)測(cè)的圖像。
4)模型復(fù)雜性
現(xiàn)有的大多數(shù)有效模型都極其復(fù)雜。由于圖像篡改特征非常小且脆弱，深度學(xué)習(xí)模型需要仔細(xì)捕捉圖像特征，這將導(dǎo)致大量的模型參數(shù)，有時(shí)甚至需要在多個(gè)gpu上運(yùn)行數(shù)周，這是遠(yuǎn)遠(yuǎn)不能接受的。如何簡(jiǎn)化模型參數(shù)，弱化無(wú)效特征的提取是一個(gè)亟待解決的問(wèn)題。
5)可解釋性差
人工設(shè)計(jì)的特征魯棒性較差，自適應(yīng)特征提取方法通常采用端到端的訓(xùn)練方法，避免了人工調(diào)整參數(shù)，但也導(dǎo)致人們無(wú)法解釋從模型中提取了什么特征。
參考[1]周·。數(shù)字圖像盲取證技術(shù)研究[d]；北京郵電大學(xué)，2007。
[2]王曉華，王曉明.一種快速有效的數(shù)字圖像認(rèn)證方法[j].proc: 205-14。
[5]swaminathan a，min w，liu k j r .利用輸出圖像進(jìn)行視覺(jué)傳感器的非侵入式部件取證[m].2007.
[6] swaminathan a，吳m，劉k j r. component fo數(shù)字cam:的認(rèn)知——非侵入性方法:信息科學(xué)系統(tǒng)會(huì)議錄，f，2007 [c]。
[7]林愛(ài)英，凱生中，黃國(guó)光.利用鏡頭徑向畸變自動(dòng)識(shí)別源攝像機(jī)[j].攝影學(xué)報(bào).光學(xué)快報(bào)，2006年，14(24): 11551-65。
[8]gallagher a c，chen t .通過(guò)檢測(cè)去馬賽克痕跡進(jìn)行圖像認(rèn)證；ieee計(jì)算機(jī)學(xué)會(huì)計(jì)算機(jī)視覺(jué)模式識(shí)別研討會(huì)會(huì)議錄，f，2008 [c].
[9]dirik a e，bayram s，sencar h t，等.識(shí)別計(jì)算機(jī)生成圖像的新特征；ieee圖像處理國(guó)際會(huì)議論文集，f，2007 [c].
[10]吳廷通，張樹(shù)峰，等.區(qū)分?jǐn)z影圖像和計(jì)算機(jī)圖形的物理學(xué)特征；美國(guó)計(jì)算機(jī)學(xué)會(huì)多媒體國(guó)際會(huì)議錄，f，2005 [c].
[11] ying w，moulin p .論照片寫(xiě)實(shí)圖像和攝影圖像之間的區(qū)別；th會(huì)議錄國(guó)際聲學(xué)會(huì)議，f，2006 [c].
[12]文c，y q，宣g .利用hsv顏色模型和特征函數(shù)的統(tǒng)計(jì)矩識(shí)別計(jì)算機(jī)圖形；ieee多媒體博覽會(huì)國(guó)際會(huì)議論文集，f，2007 [c].
[13]楊濱。圖像克隆、拼接和篡改的盲取證技術(shù)研究[d]；湖南大學(xué)，2014。
[14]弗里德里克·阿·j，蘇卡爾·b·d，luk·阿·j .數(shù)字圖像中復(fù)制-移動(dòng)偽造的檢測(cè)；數(shù)字法庭研究研討會(huì)論文集，f，2003 [c].citeseer。
[15] popescu a c，farid h .通過(guò)檢測(cè)復(fù)制圖像區(qū)域來(lái)揭露數(shù)字偽造[j].達(dá)特茅斯學(xué)院計(jì)算機(jī)科學(xué)系，技術(shù)代表tr2004-515，2004，1-11。
[16]low: 91-110。
[17] bay h，: 346-59。
[18]巴蘭·阿梅里尼，c等.一種基于sift的復(fù)制-移動(dòng)攻擊檢測(cè)和轉(zhuǎn)換恢復(fù)方法[j].i: 1099-110。
[19]潘x，呂美娟.利用圖像特征匹配進(jìn)行區(qū)域重復(fù)檢測(cè)[j].i: 857-67。
[20]popescu a c，farid h .通過(guò)檢測(cè)重采樣痕跡來(lái)揭露數(shù)字偽造[j].i: 758-67。
[21] luk，弗里德里克j .在雙壓縮jpeg圖像中估計(jì)初級(jí)量化矩陣；proc數(shù)字法醫(yī)研究研討會(huì)會(huì)議錄，f，2003 [c].
[22]popescu a c，farid h .數(shù)字取證的統(tǒng)計(jì)工具；信息隱藏國(guó)際研討會(huì)論文集，f，2004 [c].斯普林格。
[23] farid h .來(lái)自jp:的數(shù)字圖像彈道學(xué)跟蹤研究[j].達(dá)特茅斯大學(xué)計(jì)算機(jī)科學(xué)系學(xué)院，技術(shù)代表tr2008-638，2008，7(1-28。
[24]popescu a c，farid h .在彩色濾波器陣列插值圖像中暴露數(shù)字偽造[j].i: 3948-59。
[25]luk，弗里德里奇，戈?duì)枔P(yáng).利用傳感器模式噪聲檢測(cè)數(shù)字圖像偽造[j].spie -國(guó)際光學(xué)工程學(xué)會(huì)會(huì)議錄，2006，6072(362-72。
[26]陳m，fridrich j，goljan m，等.利用傳感器噪聲確定圖像的來(lái)源和完整性[j].i: 74-90。
[27]farid h，lyu s .高階小波統(tǒng)計(jì)及其在數(shù)字取證中的應(yīng)用；計(jì)算機(jī)視覺(jué)模式識(shí)別研討會(huì)會(huì)議錄，f，2003 [c].
[28]y q，陳c，文c .一種用于拼接檢測(cè)的自然圖像模型方法；多媒體安全研討會(huì)論文集，f，2007 [c].
[29]krijevsky a，sutskever i，hinton g深度卷積神經(jīng)網(wǎng)絡(luò):神經(jīng)信息處理系統(tǒng)進(jìn)展會(huì)議錄，f，2012 [c].
[30]ren s，he k，girshick r，等.用區(qū)域建議網(wǎng)絡(luò)實(shí)現(xiàn)實(shí)時(shí)目標(biāo)檢測(cè)的更快r-cnn:；神經(jīng)信息處理系統(tǒng)進(jìn)展會(huì)議錄，f，2015 [c].
[31] he k，gkioxari g，doll r p，等. mask r-cnn；ieee計(jì)算機(jī)視覺(jué)國(guó)際會(huì)議論文集，f，2017 [c]。
[32]雷德蒙j，法哈迪a . yolov3: .一種漸進(jìn)式改進(jìn)[j].arxiv預(yù)印本arxiv:180402767，2018，
[33] goodfellow i，pouget-abadie j，mirza m，等.生成性對(duì)抗網(wǎng)；神經(jīng)信息處理系統(tǒng)進(jìn)展會(huì)議錄，f，2014 [c].
[34]bappy j h，simons c，nataraj l，等.檢測(cè)圖像偽造的混合lstm和編碼器-解碼器結(jié)構(gòu)[j].ieee圖像處理匯刊，2019，
[35]黃n，何j，朱n .一種新穎的方法基于卷積神經(jīng)網(wǎng)絡(luò)的圖像偽造檢測(cè):2018年第17屆ieee計(jì)算與通信中的信任、安全與隱私國(guó)際會(huì)議/第12屆ieee大數(shù)據(jù)科學(xué)與工程國(guó)際會(huì)議(trustcom/bigdatase)論文集，f，2018 [c]。ieee。
[36] rao y，ni j .檢測(cè)圖像中的拼接和復(fù)制移動(dòng)偽造的深度學(xué)習(xí)方法；2016年ieee信息取證與安全國(guó)際研討會(huì)(wifs)會(huì)議錄，f，2016 [c]。ieee。
[37]bappy m j h，roy-chowdhury a k，bunk j等，利用空間結(jié)構(gòu)定位縱的圖像區(qū)域；ieee計(jì)算機(jī)視覺(jué)國(guó)際會(huì)議論文集，f，2017 [c]。
[38] fridrich j，kodovsky j .數(shù)字圖像隱寫(xiě)分析的rich模型[j].i: 868-82。
[39]周平，韓x，morariu v i，等.學(xué)習(xí)豐富的圖像操作檢測(cè)特征；會(huì)議錄ieee計(jì)算機(jī)視覺(jué)與模式識(shí)別會(huì)議論文集，f，2018 [c]。
[40] bayar b，stamm m c .用于多媒體取證的卷積神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)原則[j].電子影像，2017，2017(7): 77-86。
[41]巴雅爾b，stamm c .面向通用圖像處理檢測(cè)的約束卷積神經(jīng)n:新方法[j].i: 2691-706。
[42]張y，吳j，溫l l，等.圖像區(qū)域偽造一種深度學(xué)習(xí)方法；秘書(shū)長(zhǎng)-兒童權(quán)利委員會(huì)會(huì)議錄，f，2016年[c]。
[43]long j，shelhamer e，darrell t .用于語(yǔ)義分割的完全卷積網(wǎng)絡(luò)；ieee計(jì)算機(jī)視覺(jué)與模式識(shí)別會(huì)議論文集，f，2015 [c]。
[44] salloum r，ren y，kuo c c j .使用多任務(wù)完全卷積網(wǎng)絡(luò)的圖像拼接定位(mfcn) [j].視覺(jué)傳達(dá)雜志陽(yáng)離子圖像表示，2017，51(201-9。
[45] simonyan k，ziss:14091556，2014，
[46]陳b，齊x，王y，等.一種改進(jìn)的全卷積網(wǎng)絡(luò)拼接定位方法[j].ieee access，2018，6(69472-80。
[47]劉y，關(guān)q，趙x，等.基于多尺度卷積神經(jīng)網(wǎng)絡(luò)的圖像偽造定位；第六屆acm信息隱藏與多媒體安全研討會(huì)論文集，f，2018 [c].acm。
[48]劉b，pun c-m .用于拼接偽造定位的深度融合網(wǎng)絡(luò)；計(jì)算機(jī)視覺(jué)歐洲會(huì)議論文集(eccv)，f，2018 [c]。
[49]huh m，liu a，ow:圖像拼接檢測(cè)；計(jì)算機(jī)視覺(jué)歐洲會(huì)議論文集(eccv)，f，2018 [c]。
[50]周平，陳b-c，韓x，等.生成、分割和replac:走向通用操縱分割[j].arxiv預(yù)印本arxiv:181109729，2018，
[51]wu y，abd-almageed w，natarajan p .深度匹配和驗(yàn)證一種用于受限圖像拼接定位和檢測(cè)的端到端解決方案；第25屆acm國(guó)際多媒體會(huì)議論文集，f，2017 [c]。acm。
劉，朱，趙，等.基于卷積的有約束圖像拼接檢測(cè)與定位的對(duì)抗學(xué)習(xí)[j].2019年ieee信息取證與安全匯刊，
[53]歐陽(yáng)j，劉y，廖m .基于深度學(xué)習(xí)的復(fù)制-移動(dòng)偽造檢測(cè)；2017年第十屆國(guó)際圖像與信號(hào)處理、生物醫(yī)學(xué)工程和信息學(xué)大會(huì)(cisp-bmei)會(huì)議錄，f，2017 [c]。ieee。
[54]wu y，abd-almageed w，natarajan p .通過(guò)端到端深度神經(jīng)網(wǎng)絡(luò)進(jìn)行圖像復(fù)制-移動(dòng)偽造檢測(cè)；2018年iee會(huì)議錄計(jì)算機(jī)視覺(jué)應(yīng)用冬季會(huì)議，f，2018 [c]。ieee。
[55] wu y，abd-almageed w，natarajan p .利用源/目標(biāo)定位檢測(cè)復(fù)制-移動(dòng)圖像偽造；計(jì)算機(jī)視覺(jué)歐洲會(huì)議論文集(eccv)，f，2018 [c]。
[56]俞軍，林志，楊軍，等.帶上下文注意的生成式圖像修復(fù)；ieee計(jì)算機(jī)視覺(jué)與模式識(shí)別會(huì)議論文集，f，2018 [c]。
[57] rahmouni n，nozick v，yamagishi j，等.使用卷積神經(jīng)網(wǎng)絡(luò)區(qū)分計(jì)算機(jī)圖形和自然圖像；2017年ieee信息取證與安全研討會(huì)會(huì)議錄(wifs)，f，2017 [c]。ieee。
[58] nguyen h h，tieu t，nguyen-son h-q等.用于區(qū)分計(jì)算機(jī)生成圖像和攝影圖像的模塊卷積神經(jīng)網(wǎng)絡(luò)；第13屆國(guó)際可用性會(huì)議論文集，relia能力與安全，f，2018 [c]。acm。
[59]marra f，gragnaniello d，cozzolino d，等.通過(guò)社交網(wǎng)絡(luò)檢測(cè)gan生成的虛假圖像；2018 ieee多媒體信息處理與檢索會(huì)議錄(mipr)，f，2018 [c]。ieee。
[60] bunk j，bappy j h，mohammed t m，等.利用重采樣特征和深度學(xué)習(xí)檢測(cè)和定位圖像偽造[j].2017, 1881-9.
[61]park j，cho d，ahn w，等.使用深度卷積神經(jīng)網(wǎng)絡(luò)在混合jpeg質(zhì)量因子中進(jìn)行雙重jpeg檢測(cè)；計(jì)算機(jī)視覺(jué)歐洲會(huì)議論文集(eccv)，f，2018 [c]。
[62] mohamm: 1-7。
[63]高y，beijbom o，張n，等.緊致雙線性池；ieee計(jì)算機(jī)視覺(jué)與模式識(shí)別會(huì)議論文集，f，2016c。
標(biāo)簽:
圖像特征
了解更多圖像篡改檢測(cè)的基本原理(圖像篡改檢測(cè)方法)相關(guān)內(nèi)容請(qǐng)關(guān)注本站點(diǎn)。