基于多层次特征优化的图像拼接篡改取证网络

随着数字化的普及,数字图像篡改现象日益普遍,给社会公正和诚信带来了巨大的挑战。针对目前图像拼接篡改取证网络中存在的篡改区域定位精度低的问题,本文提出一种基于多层次特征优化的图像拼接篡改取证网络。采用双流编-解码器结构,使用SoftPool池化方法减少编码器阶段边缘等重要特征的丢失;同时,将深、浅层的特征进行融合,并引入SE注意力机制进行重要特征筛选,使网络各层能够提取更优的篡改特征信息,更准确地定位图像篡改区域。实验结果表明,本文提出的取证网络在检测性能上优于当前主流的图像拼接篡改取证网络,能更准确地定位拼接图像的篡改区域。

融合多尺度特征的拼接篡改图像检测算法

针对当前拼接篡改图像检测与定位方法主要专注于检测和定位小范围的篡改区域,而对于不均匀大小位置目标对象的模型性能表现不佳等问题,提出一种用于拼接篡改图像的检测与定位的新型网络架构DEUNet。DEUNet在UNet基础上引入高效加性注意力和双向残差块,用于处理不同尺度的特征,在更完整地定位大尺度篡改区域的同时减少模型的复杂度,并结合交叉熵和Dice损失函数以更好地平衡分类精度和分割准确性。实验结果表明,提出的方法性能优于其他算法,且具有良好的鲁棒性;DEUNet能成功处理不固定大小位置目标且实验验证性能优于最新算法。

利用改进的超像素分割和噪声估计的图像拼接篡改定位方法

通过检测图像局部噪声水平的不一致性,提出一种图像拼接篡改区域的定位方法.首先,用改进的简单线性迭代聚类(SLIC)超像素分割算法将待检测图像分割成具有相似特征的像素块;然后,采用基于主成分分析的噪声水平估计方法计算每个图像块的局部噪声水平;最后,利用3种聚类算法对估算的噪声水平进行聚类,根据聚类结果定位出被篡改的区域.实验结果表明:文中方法不仅能有效定位被篡改的区域,而且能保留检测区域更多的边缘信息.

数字图像篡改定位研究综述

数字图像篡改定位属于一种图像取证任务,它主要目标是在可疑的待检测图像中检测和定位出篡改的区域。随着数字图像编辑工具的迅速发展和数码相机的大量普及,图像篡改变成越来越影响我们日常生活的一个重大困扰。数字图像篡改定位技术也受到了工业界和学术界越来越多的关注。本文对图像拼接篡改区域定位、复制移动篡改检测与定位、图像溯源篡改检测与定位近年来的相关成果进行综述。特别是,深度学习技术近年来被广泛应用于数字图像篡改定位,已经逐渐成为了数字图像取证的主流技术。本文主要对近年来基于深度学习的数字图像篡改定位方法进行回顾和讨论。

基于目标检测约束的图像过滤方法研究

图像过滤方法通过分析和匹配图像特征,检索得到可疑篡改来源图像,分析篡改图像和篡改来源图像的派生关系。本文提出一种基于目标检测约束的图像过滤方法,首次整合了目标检测算法和分布式加速的鲁棒特征索引,一方面利用目标检测算法使得特征检索范围得到约束,另一方面采用分布式局部特征提取方法,有效提高了图像特征检索的效率和准确度。此外,使用尺度可变的有约束图像拼接检测与定位网络在图像特征检索基础上进行深度匹配,进一步对篡改区域和篡改来源区域进行精确查找。实验结果证明,本文算法在篡改图像检索准确性、查询效率方面有明显改进。

基于深度学习的数字图像篡改定位方法综述

日益进步的图像处理技术让数字图像编辑的门槛变得越来越低。利用触手可及的图像处理软件,人们可以方便地改动图像内容,而篡改后的图像往往十分逼真,以至于肉眼难以辨认。这些篡改图像已对个人隐私、社会秩序、国家安全造成了严重的威胁。因此,检测及定位图像中的篡改区域具有重要现实意义,并已成为多媒体信息安全领域中的重要研究课题。近年来,深度学习技术在图像篡改定位中得到了广泛的应用,所取得的性能已显著超越了传统的篡改取证方法。本文对基于深度学习的图像篡改定位方法进行了梳理。介绍了图像篡改定位中常用的数据集及评价标准,以在篡改定位中应用的不同网络架构为依据分析了现有方法的技术特点和定位性能,并讨论了图像篡改定位面临的挑战和未来的研究方向。

几何约束下噪声一致性的图像拼接篡改检测

将以图像块为单位的噪声水平估计方法应用在图像篡改定位时,会导致分割边缘呈锯齿状并降低边缘定位准确率。针对该问题,文中提出了一种基于几何约束和噪声一致性分析的图像拼接取证算法。采用基于统计的噪声水平估计与K-means算法对每个图像块实现初步检测定位,提取初步拼接区域边缘的点集合,并以其每个点为中心,依次在边缘图上进行方形范围搜索,拼接区域边缘。随后,利用几何约束筛选算法选择疑似篡改边缘点来定位篡改区域。相较于现有算法,在Columbia上正确检测率相同的情况下,采用文中方法可将错误检测率降低12.7%,并降低算法复杂度。

基于上下文语义信息的凭证篡改检测研究

在消费金融服务场景下,存在用户逾期还款的情况。在逾期协商还款过程中,少量用户篡改图像凭证,实现不当得益。这些篡改集中在个人信息、印章、出具单位等具有很强的上下文语义联系内容上。基于此,在传统空域直接像素空间RGB和频域离散余弦变换(discrete cosin transform,DCT)作为判别特征的基础上,引入了文字块、印章块的位置关系和反卷积网络,实现了一种包含语义关系的端到端全卷积神经网络模型。该模型在天池2022年“真实场景篡改图像检测挑战赛”的数据集上,相对于传统模型平均交并比有3.97%的提升,在实际凭证图像篡改判断中,提升了3.7%的篡改检测准确率。

基于颜色不变SIFT的彩色图像篡改取证技术研究

随着社交网络和媒体中高质量虚假图像的指数级增长,能够鉴别伪造内容的识别算法被迫切的需要。最常见的图像编辑类型之一包括复制图像区域,称为Copy-move技术,该类伪造手段是将图像中的一个区域复制并粘贴到同一图像的另一个区域中。提出一种有效的Copy-move篡改检测方法,该方法首先基于颜色不变SIFT在被分析的图像中提取关键点,使用二进制描述符来刻画被提取的关键点,在匹配阶段基于KD-tree的最近邻搜索方法匹配特征向量,RANSAC算法被用来查询正确的对,最后去均值归一化积相关(NNPROD)技术和形态学方法对重复的区域进行定位和标记。大量的实验证明所提算法在时间的复杂度、检测的可靠性以及精确度方面具有优秀的性能。

图像篡改检测技术研究综述

在飞速发展的信息时代,信息的传播速度与广度超乎人们想象。而当前越来越多的图像编辑软件使得人们能够轻而易举地编辑图像内容,图像作为信息的一种载体,其真实性受到了严重威胁。被恶意篡改的图像一旦在网络等平台中传播,将会给个人生活、社会秩序、国家安全等造成一定程度的损失。因此,对图像篡改检测的研究具有十分重要的意义。近30年来,已经有不少传统的方法和基于深度学习的方法应用到图像篡改检测领域。文章以复制-移动篡改检测和拼接篡改检测为切入点,分别就传统方法和基于深度学习的方法在篡改图像的识别和篡改区域的定位方面进行了分析。

面向图像复制-粘贴溯源的级联双流注意力网络

复制-粘贴是一种常见的图像篡改方式。传统的图像复制-粘贴取证方法主要致力于伪造区域定位研究,而如何精细化区分复制的源和粘贴的目标区域是图像取证领域的难点问题。当前,能从原始伪造图像中定位篡改源/目标区域的算法普遍存在不足。在已有算法的基础上提出了一种级联双流注意力网络。该网络分为两个阶段:第一阶段由编码、特征分析和解码网络构成。在编码部分,采用轻量级网络MobileNetV2作为主干提取图像浅层和深层特征形成双流输出;在特征分析阶段,利用相似特征注意力机制和空洞空间卷积池化金字塔模块多尺度捕捉深层特征中的篡改区域,并利用浅层特征分支改善网络对篡改区域边缘细节的分割性能;在解码部分,对特征图逐像素做类别预测并上采样。网络的第二阶段对一阶段检测到的篡改区域进行源/目标区分。同样采用双流结构,双分支输入分别为包含源/目标区域的原始图像块和经过提取的噪声图。同时将提取到的块特征融合后预测类别,最终采用区域映射的方式实现像素级定位。实验结果表明,该网络不仅能有效地定位篡改区域,同时还能较好地区分复制-粘贴的源/目标。该网络的第一阶段在测试集和两个公共数据集上相较于同结构模型,性能分别上升9.4、2.6和2.5个百分点,而最终的端到端测试集检测性能提升12.03%;同时,其对常规的图像后处理具有更好的鲁棒性。

双重JPEG压缩图像篡改区域检测与定位

对JPEG(joint photographic experts group)图像实施篡改往往会产生双重JPEG(double JPEG,DJPE)压缩痕迹,分析该痕迹有助于揭示图像压缩历史并实现篡改区域定位。现有算法在图像尺寸较小和质量因子(quality factor, QF)较低的时候性能不佳,对两个QF的组合情况存在限制。本文提出了一种端到端的混合QF双重JPEG压缩图像取证网络,命名为DJPEGNet。首先,使用预处理层从图像头文件中提取表征压缩历史信息的量化表(quantization table, Qtable)特征,将图像从空域转换至DCT(discrete cosine transform)域构造统计直方图特征。然后,将两个特征输入到由深度可分离卷积和残差结构堆叠而成的主体结构,输出二分类结果。最后,使用滑动窗口算法自动定位篡改区域并绘制概率分布图。实验结果表明,在使用不同Qtable集生成的小尺寸数据集上,DJPEGNet所有指标均优于现有最先进的算法,其中ACC提高了1.78%,TPR提升了2.00%,TNR提升了1.60%。

基于特征匹配的图像真伪检测方法的研究

针对基于SIFT特征匹配的图像篡改检测算法存在篡改区域定位不清晰,以及SIFT误匹配现象会对篡改区域分辨造成干扰的问题,提出一种基于数学形态学和特征匹配的图像篡改区域定位方法。首先在尺度空间上对图像进行极值检测,对图像特征关键点进行定位,确定图像梯度方向,形成特征点描述子;然后基于欧式距离对特征描述子进行两两匹配形成块匹配,以进行篡改区域粗略定位,并通过数学形态学方法去除冗余匹配块;随后提取疑似区域对的SIFT特征点,对SIFT特征矩阵进行主成分分析(PCA)降维后进行特征点匹配,使用相关性系数对匹配的特征点进行提纯;最后根据匹配的特征点的分布对篡改区域进行重新定位,精确定位复制-粘贴区域。实验选取1组有代表性的图像,加入复制-粘贴和旋转缩放攻击后进行检测。结果表明:所提算法能够更精确地对复制-粘贴篡改区域的位置进行定位,对图像复制-粘贴篡改检测具有更高的准确性。

基于数字签名方式的图像鉴别方法

提出了一种有效且稳健的基于数字签名方式的图像鉴别方法。该方法对图像预处理后,提取图像块均值的前五位作为被鉴别图像区别于其他图像的特征信息,并把图像进行分区处理,对区域内提取的图像块的特征信息扩展后进行RS差错控制编码,将编码后的RS校验位随机置乱后作为数字签名,然后与公开图像一起发送出去。实验结果表明:此图像鉴别方法可以有效地鉴别图像内容的真伪并对篡改区域进行定位。

边缘与区域不一致性引导下的图像拼接篡改检测网络

目的针对已有图像拼接篡改检测方法中存在的真伪判断分类精度不高、拼接篡改区域定位不准确问题,本文设计了一种篡改边缘两侧和篡改区域内外不一致性引导下的重点关注篡改区域与篡改边缘的图像拼接篡改检测卷积神经网络。方法图像内容在篡改过程中,拼接物体的边缘都会留下篡改痕迹,这是图像拼接篡改检测的重要线索。因此,本文设计了一条篡改边缘提取分支,通过学习拼接物体边缘两侧的不一致性,重点提取拼接篡改区域的边缘轮廓。考虑到篡改边缘像素点过少会导致网络难以收敛,提出一个边缘加粗策略,形成一个边缘加粗的"甜甜圈",使得篡改边缘提取结果更具完整性。在不同图像采集过程中,所用相机设备和光线条件等因素不同,导致每幅图像包含的信息也不尽相同。对此,设计了一条篡改区域定位分支,重点学习来自不同图像拼接区域与周围区域之间不一致性的差异化特征,并将注意力机制引入图像拼接篡改检测的篡改区域定位分支,进一步提高对拼接篡改区域的学习关注程度。面向真伪判断设计了一条图像是否经过拼接篡改的二分类网络分支,不但可以快速有效地给出输入图像是否为篡改图像的判断结果,而且可以与上述两条分支的输出结果一起提供给用户,由用户结合视觉语义信息进行综合判断。结果本文算法与已有的4个代表性方法在4个专业数据集上进行算法实验和性能比较。在真伪判断分类的精确度方面,在Dresden、COCO(common objects in context)、RAISE(a raw images dataset for digital image forensics)和IFS-TC(information forensics and security technical committee)数据集上分别提高了8.3%、4.6%、1.0%和1.0%;在篡改区域定位的准确度方面,F1评分与重叠度IOU(intersection over union)指标较已有方法分别提升了9.4%和8.6%。结论本文算法将真伪判别分类、篡改区域定位和篡改边缘提取融合在一起,互相促进,较大提升了各分支任务的性能表现,在图像拼接篡改检测方面取得了优于已有方法的效果,为数字图像取证技术领域的研究工作拓展了思路。

基于图像内容一致性的盲取证研究进展

以图像内容认证为代表,针对拼接篡改和区域复制篡改两种典型的篡改手段,分析典型的取证算法思路,对其性能和适用性进行评价,最后总结现有方法存在的不足,并对未来的发展方向和技术路线进行展望。

基于改进DeepLabv3+的拼接篡改定位检测技术

目前大部分的拼接检测算法主要检测图片是否经历了拼接篡改,而不是对拼接区域进行定位检测,对此,提出了一种基于改进Deep Labv3+的拼接区域定位检测技术.首先,改变原Deep Labv3+网络的分类数;其次,通过改造图像训练库,在训练库中加入含有人物的原图,对原图和篡改图的标签进行区别设置,引导改进的Deep Labv3+网络去学习原图人物和篡改人物特征的区别.实验结果显示,基于改进Deep Labv3+的拼接区域定位检测技术在CASIA数据库上取得了更好的拼接区域定位效果.

机载干涉雷达数据联合定位及拼接技术研究

针对大区域多航带InSAR(干涉合成孔径雷达)影像定位及拼接时缺少GCP(地面控制点)的问题,提出了一种多航带InSAR影像联合定位的方法。该方法借鉴摄影测量中的光束法平差思想,并利用InSAR干涉定标后得到影像上各点高程值。通过对四川绵阳地区的多航带InSAR实际数据的实验,验证了本方法的可行性,且精度达到了各景影像独立校正的水平。分析了控制点数量、位置、重叠区域范围、地形起伏对平差精度的影响,并给出了控制点布放原则。

基于统计噪声水平分析的图像拼接检测

图像拼接是最常用的图像篡改操作之一,针对篡改图像噪声水平不一致性的现象,本文提出了一种基于统计噪声水平分析的图像拼接检测方法。首先,将检测图像分割成大小相同的非重叠图像块,然后,利用一种非参数估计算法来估计每个图像块的噪声值,并且采取聚类法对图像块的噪声值进行聚类,聚类结果分为可疑部分和非可疑部分两大类。最后,通过一个由粗到细的两阶段策略对篡改区域进行定位。哥伦比亚未压缩图像拼接检测评估图像库的实验结果表明,本文方法能够准确地估计图像块的噪声和定位出拼接区域,性能优于现有方法。