基于扩展马尔科夫特征的Seam-Carving篡改检测

针对能够用于图像篡改的Seam-Carving技术,提出了一种基于扩展的马尔科夫特征的Seam-Carving篡改识别算法。该算法充分考虑了Seam-Carving操作导致的图像频域特征的变化,将传统的利用马尔科夫转移概率矩阵求取的图像特征和基于扩展的马尔科夫转移概率特征进行融合,而后利用支持向量机进行分类训练,从而达到有效识别基于Seam-Carving的图像篡改。实验结果表明,提出的方案性能优于传统的基于马尔科夫转移矩阵的特征选择方法以及现有的一些该类图像篡改检测方法。

针对Seam-carving图像篡改的内容自适应检测方法

针对借助于Seam-carving缩放技术实现的数字图像篡改,本文提出了一种内容自适应的检测方法。该方法考虑了Seam-carving的操作特点,首先对待测图像中高度疑似篡改区域进行定位,进而仅基于定位的区域进行特征提取及分类。该方法在特征计算时剔除了篡改发生可能性较小的区域带来的影响,从而能够有效提高所提特征的代表性。在特征选择方面,本文选用了扩展Markov特征对Seam-carving操作引起的像素间相关性破坏程度进行度量,实验表明,与先前的非自适应方法相比,新方法在针对性检测有效性方面有着明显的优势。

一种基于LBP特征的Seam-Carving图像篡改检测方法

针对基于图像篡改的Seam-Carving操作,提出了一种基于局部2值模式(LBP)的Seam-Carving篡改取证算法.该算法针对Seam-Carving操作导致的图像像素值的变化,利用图像的LBP特征得到相应的统计直方图,而后通过支持向量机进行分类训练,从而达到有效识别Seam-Carving篡改图像的目的.实验结果表明,和现存的基于马尔科夫转移矩阵的方法以及其他一些该类图像篡改检测方法相比,提出的方法性能优越.

一种Seam-insertion篡改的检测与定位方法

针对能够用于图像篡改的Seam-insertion技术,提出了一种Seam-insertion篡改识别定位算法。算法充分考虑了Seam-insertion篡改所引起的图像特征变化,提取像素点的线性特征和能量特征用于篡改的检测,并利用Seam的特性对篡改区域进行定位。实验结果表明,提出的方案能有效识别基于Seam-insertion的图像篡改,并能对篡改区域进行较为准确的定位。