改进的DeepLabv3+同图复制篡改检测算法

为解决现有的篡改检测算法难以提取图像篡改边缘特征、篡改区域定位精度较低问题,提出一种改进的DeepLabv3+同图复制篡改检测算法。该算法在DeepLabv3+网络中引入双重注意力机制模块,用于捕捉上下文信息,以提高模型对篡改区域的适应性;采用残差细化模块对预测掩膜进一步优化,以增强模型对篡改边界的敏感性;使用一种新的混合损失函数用于模型训练,以利于模型在像素级和图像级中学习篡改图像与对应真实掩膜之间的映射关系。实验结果表明,改进的DeepLabv3+同图复制篡改检测算法,在COPYMOVE_NIST和COPYMOVE_COCO数据集上的3个评价指标均高于FCN、U-Net及DeepLabv3+算法,检测精度分别达到0.929和0.895,能够有效地提取图像篡改边缘特征,解决边缘像素漏检和误检问题。

RANSAC算法在同图复制鉴定中的应用研究

同图复制伪造是最为常见的图像造假类型之一。针对同图复制伪造检测过程中容易产生大量的误匹配点对这一问题,应用RANSAC算法消除原始匹配结果中的误匹配点对,并生成原始区域和复制伪造区域之间的仿射变换矩阵,进而确定原始窗口和复制伪造窗口。在窗口区域内重复块匹配和RANSAC算法,以求发现更多的正常匹配点对,提高复制伪造区域定位精度。实验表明,RANSAC算法可以有效用于常见的块匹配算法和特征点匹配算法,对缩放、旋转等不同类型的复制伪造都具有很好的效果,对不同图像特征具有很好的适应性。针对85幅不同复制伪造类型图像的总体识别率达到92.9%。

基于SIFT和RGB特征的同图复制篡改检测算法

为了提高同图复制篡改检测的准确性,将RGB特征与SIFT算法结合来检测彩色篡改图像。在使用SIFT提取关键点后,在关键点的邻域内计算RGB 3个通道的色彩特征,通过增加特征向量维数来提高检测的准确性。并且根据关键点的位置,使用异常距离算法,即判断关键点的位置到正确匹配点集的位置的距离是否在所设定的阈值内,从而排出异常值。实验结果表明,和以往的SIFT算法相比较,该算法大大增强了检测的准确性和鲁棒性。将RGB特征和SIFT特征融合除了可提升篡改的彩色图像检测准确率外,也可鉴别非篡改彩色图像。

基于对抗颜色空间梯度SURF特征匹配复制黏贴篡改检测

为了提高篡改检测方法对复制区域几何变换的鲁棒性,以及解决常规匹配算法带来的误匹配问题,提出了一种基于对抗颜色空间梯度SURF特征匹配复制黏贴篡改检测方法,首先,将完成图像对抗颜色空间梯度的获取,采用梯度值替代灰度值完成SURF的128维特征描述子提取。然后,采用凝聚层次聚类算法对匹配特征关键点进行聚类处理,采用仿射变换估计对聚类后匹配关键点进行估计。最后,采用RANSAC算法优化估计结果。通过实验验证,该方法能准确实现特征点的精确匹配,并能准确定位复制粘贴区域,且对篡改区域的几何变换具有很强的鲁棒性。

基于稀疏自编码特征聚类算法的图像窜改检测

同图复制窜改是图像窜改较为常见的一类,基于块匹配检测方法往往存在准确率低、时间复杂度高等问题,为提高准确率并大幅度降低时间复杂度,应用深度学习特征和聚类算法进行检测。首先用稀疏自编码器训练大量样本集找出同图复制图像的内部规律并得到降维的隐藏层权值矩阵,通过权值矩阵获得检测图像的隐藏层特征,即定义的稀疏自编码特征;用K-means算法一次聚类自编码特征去除图像平滑区域,二次聚类纹理特征获得检测结果,若检测结果中含有少量异常块,通过欧氏距离判断和RANSAC(random sample consensus)算法将异常块去除,从而实现窜改区域的检测。实验结果表明,该算法与其他算法相比综合准确率提升14. 3%,时间效率提升72%。将深度学习特征与聚类算法结合使用,使得同图复制窜改在时间效率和准确率上皆有所提升。