基于优化因子耦合比值制约规则的图像复制-粘贴篡改检测算法

当前较多的图像伪造检测算法直接将未经优化的图像特征提取结果用于篡改检测,忽略了伪图像特征的影响,导致其不能较为准确地检测伪造内容。对此,本研究提出了一种优化因子耦合比值制约规则的方法,用于检测伪造图像。首先,引入高斯差分(Difference of Gaussian,DoG)算子,通过比较像素点与其邻域点像素值的方法来提取图像特征。再利用DoG算子的二次Taylor展开式,构造优化因子,从提取的图像特征中筛选出不稳定的伪特征,以提高伪造内容的检测准确度。随后,在图像特征点的极坐标系中,建立特征点的8邻域区,用以计算特征向量。然后,通过特征向量求取特征点间的欧式距离信息,以及通过归一化互相关(Normalizedcrosscorrelation,NCC)函数求取特征点间的互相关信息,从而完成图像特征的匹配。最后,借助特征点间欧氏距离信息构造比值制约规则,对匹配特征点进行归类,以识别篡改内容。实验结果表明,较当前图像篡改检测方法而言,在各种几何变换操作下,本研究提出的算法具有更高的检测精度与鲁棒性,能够较为完整地检测出篡改内容。

基于变邻域局部搜索的篡改图像检测算法

针对复制篡改图像的多个篡改区域检测率较低的问题,提出了一种基于变邻域局部搜索的篡改图像检测算法。提取图像分块后的SIFT特征,通过特征匹配算法判断图像是否经过篡改,合并满足相似性条件的由分块的超像素所得到的疑似区域以及变邻域局部搜索算法所得到的邻域块,采用形态学闭运算填补孔洞,完成篡改区域的检测。改进算法的检测准确率为91.1%,相较于其他两种算法,检测准确率分别提高2.6%和0.6%。仿真结果表明,改进算法对于复制篡改图像的单个篡改区域和多个篡改区域检测效果较好。

基于分数阶四元数Zernike矩和改进PatchMatch算法的有效复制-粘贴篡改检测算法（英文）

提出一种有效检测复制-粘贴伪造的算法.在该算法中,首先,采用可靠的基于顺序统计的近似最近邻搜索算法(ROSANNA)改进PatchMatch算法的传播过程;然后,从彩色篡改图像中提取分数阶四元数Zernike矩(FrQZMs)特征;最后,采用改进的PatchMatch算法对提取的FrQZMs特征进行匹配.在2个公开数据集(FAU和GRIP数据集)上的实验结果表明,所提出的算法较现有算法不仅在客观标准F值上还是在视觉上均表现更优.此外,所提算法对于一些攻击具有较好的鲁棒性,比如加性高斯白噪声、JPEG压缩、旋转和缩放攻击.

基于分组SIFT的图像复制粘贴篡改快速检测算法

针对现有图像复制粘贴篡改检测算法计算复杂度过高的问题,提出了一种基于分组尺度不变特征变换的图像复制粘贴篡改快速检测算法。首先,利用简单线性迭代聚类将输入图像分割成非重叠且不规则的块;然后,根据图像块内结构张量属性将其分为平坦块、边缘块和角点块,提取图像块内的SIFT特征点作为块特征;最后,通过块特征的类间匹配定位篡改区域。所提算法通过图像块分类和类间匹配,在保证检测效果的同时,有效地降低了特征匹配定位篡改区域阶段的时间复杂度。实验结果表明,所提算法检测准确率为97.79%,召回率为90.34%,F值为93.59%;图像尺寸为1024像素×768像素时算法时间复杂度为12.72 s,图像尺寸为3000像素×2000像素时算法时间复杂度为639.93 s。与已有的复制粘贴算法相比,所提算法能够快速精准地定位篡改区域,且具有较好的稳健性。

颜色度量因子耦合局部特征聚类的图像复制-粘贴篡改检测算法

针对当前较多图像复制-粘贴篡改检测算法主要依靠图像的灰度信息来检测图像特征,没有考虑图像的色彩特征,使其存在误检与漏检的不足,引入余弦调制高斯滤波(cosine modulated Gaussian,CMG),设计了基于颜色度量因子与局部特征聚类的图像复制-粘贴篡改检测算法。利用CMG来求取图像的尺度响应值,并通过极值计算来提取图像的候选特征点;再利用像素点的光谱反射模型来建立颜色度量因子,从候选特征点中确定图像的鲁棒特征点。构建特征点的邻域圆,并求取该圆域中的四元数指数矩(quaternion exponent moments,QEM),从而得到相应的特征向量;利用特征向量来计算特征点间的欧氏距离,完成图像的特征匹配。最后,利用匹配点对的R、G、B值,形成特征点的局部特征,实现图像特征的聚类,准确定位复制-粘贴伪造内容。仿真结果显示,较当前的复制-粘贴伪造检测方法而言,对于简单的复制-粘贴篡改和复杂组合篡改,所提方法都具备更高的检测精度与鲁棒性。

基于曲率度量耦合仿射制约策略的图像复制-粘贴篡改检测算法

针对当前较多图像复制-粘贴篡改检测算法主要依靠对特征点间的距离进行度量来完成特征匹配,忽略了特征点间的仿射关系,使其在几何变换条件下的篡改检测检测正确性不高的问题,将特征点间的仿射关系引入到特征匹配过程中,提出基于曲率度量耦合仿射制约策略的图像复制-粘贴篡改检测算法。该算法主要是通过像素点曲率和特征点仿射关系来完成图像复制-粘贴篡改检测。首先,采用Sobel边缘检测方法提取图像的边缘轮廓,通过计算边缘轮廓上像素点的曲率值来获取图像特征。然后,通过计算特征点邻域中的Haar小波值,生成特征向量。利用特征向量构造特征点间的仿射关系模型,计算特征点间的仿射关系值,用于建立仿射制约策略,完成特征匹配。最后,借助于SURF算法完成特征点的集群,对复制-粘贴篡改区域进行定位,获取检测结果。实验结果显示,较当前的复制-粘贴篡改检测方法而言,所提算法具有更高的检测正确性与鲁棒性,能够更好地适应缩放、旋转等伪造内容的检测。

基于亮度特征耦合信息量制约的图像复制-粘贴篡改检测算法

为了克服当前较多图像篡改检测算法主要通过比较特征点的距离来完成伪造内容的识别,忽略了特征点邻域所含的信息量,导致检测结果中存在较多的漏检和误检等问题,采用图像的亮度特征和信息量特征,设计了一种新的图像篡改检测算法。首先,引入Forstner算子,计算图像像素点的Robert梯度,从图像中精确获取特征点;其次,在图像特征的邻域中,通过均值模型来计算图像的亮度特征,将其与像素点的灰度差异特征相结合,以构造健壮的特征向量;再次,采用互相关函数来计算图像特征的关联度,采用信息熵来评估图像特征邻域所含信息量;并以图像特征间的关联度与信息量特征为依据,对图像特征进行匹配;最后,利用图像特征的特征向量,获取匹配点间的距离值,实现匹配点的归类,获取检测结果。实验结果表明:与当下篡改检测算法相比,在多种几何内容变化下,所提算法具备更高的检测准确度,所含的漏检和误检信息最少。

基于超像素形状特征的图像复制粘贴篡改检测算法

针对传统图像复制粘贴篡改检测方法中划分子块的数目过大导致算法时间复杂度过高且抵抗几何变换能力较弱的问题,提出一种基于超像素形状特征的图像复制粘贴篡改检测算法。首先提出基于小波对比度自适应划分超像素的方法分割图像并提取稳定的特征点;然后提出新颖的形状编码方式提取超像素形状特征,并与特征点融合,估计可疑伪造区域;最后对可疑伪造区域进行二次超像素分割和匹配,精确定位篡改区域。实验结果表明,提出的算法具有抵抗几何变换、噪声、模糊和JPEG压缩的能力。

基于SIFT的快速复制粘贴篡改检测算法

针对传统图像复制粘贴篡改算法计算量大、耗时长的缺陷,提出一种基于SIFT图像特征点的快速篡改检测算法.首先利用SIFT算法针对图像的特征点进行检测,对于图像特征点的主方向以及描述子,采用Haar小波变换来确定;针对特征点维度较高需进行降维处理,采用PCA算法,最后使用优化的最近邻BBF搜索算法进行特征点的快速匹配,最终成功地检测出图像的复制粘贴篡改.

基于圆域分割耦合法则的图像篡改检测算法

为降低图像伪造算法的错误检测率和漏检测率,利用互相关函数(CCF),设计了基于圆域分割耦合最优相关法则的图像复制-粘贴篡改检测算法。引入FAST算子,计算像素点及其邻点的灰度值,准确提取图像特征点,并利用特征点对应的直方图信息求取其主方向;同时,在该方向上建立特征点的邻域圆,对该圆域进行分割,计算每个分割区域的梯度特征,获取相应的特征向量;利用互相关函数对特征点间的相关程度进行计算,构建最优相关法则,完成特征匹配。利用匹配特征点的特征向量,计算特征点间的欧氏距离,对特征点进行集群,定位复制-粘贴篡改内容,实现伪造检测。实验结果表明:相对已有的伪造检测技术,所提算法具备更高的检测准确率,且对旋转、缩放等内容修改表现出更高的鲁棒性。

基于QPCA的彩色图像复制粘贴检测

目前,大多数图像取证方法对彩色图像的处理是将其转换为灰度图像,从而导致了彩色图像的颜色信息不能被有效且充分地利用.针对此问题提出一种基于四元数主成分分析(quaternion principal component analysis, QPCA)的复制粘贴篡改检测方法.该方法充分利用了彩色图像的各个颜色通道及它们之间的相关性,能够有效提高篡改区域的识别度.运用基于图像块的检测方法,首先将图像分块后对所有块进行QPCA计算以提取特征,然后用字典排序获取相似块的移位向量,最后根据移位向量频数与阈值的比较确定篡改区域.实验结果表明,所提方法的误检漏检率低于现有方法,检测准确率有较大提高.

基于能量约束与结构相似聚类的图像篡改检测

借助能量约束与结构相似聚类机制,设计了一种新的图像内容伪造检测算法。首先,借助Hessian算子,利用盒式滤波器来生成Hessian行列式,以准确检测图像特征。然后,通过计算图像的Haar小波值,求取图像的方向信息,以构建图像特征的邻域窗口。再计算该邻域窗口内像素点的曲率信息,构成鲁棒性较好的特征向量。最后,对图像特征进行欧氏距离度量,并联合图像的区域能量特征,完成度量结果的约束,以实现图像特征的精确匹配。采用结构相似度(SSIM)函数,聚类匹配结果识别伪造区域,实现准确的检测。仿真数据表明,较当前内容检测技术而言,在多种几何变换干扰下,本文算法具有更高的检测准确性与鲁棒性。

基于快速分块的复制-粘贴图像检测算法

针对目前复制-粘贴篡改检测算法计算复杂度高和运行时间长的问题,提出一种基于交叠块的共轭不变矩匹配算法,并着重对快速分块以及共轭不变矩的离散计算和匹配提出改进思路。首先,计算原图像(亮度图像)的局部亮度变化,对亮度图像和局部亮度变化图像运用基于矩阵的分块方法划分交叠块并计算每个交叠块的共轭不变矩。然后根据共轭不变矩的特征值进行字典排序,将具有相近特征值的交叠块划分成组。最后,在每个具有相近特征的组中进行相似性比较,找出篡改区域。实验结果表明这种新的算法能够快速检测到复制-粘贴区域,不仅对图像平移和旋转等几何变换具有很好的检测效果,而且对后处理操作诸如改变对比度、高斯模糊、亮度调整等图像后处理操作同样具有鲁棒性。与基于传统亮度图像的不变矩、尺度不变特征转换(SIFT)、离散余弦变换(DCT)以及局部二值模式(LBP)算法相比,共轭不变矩算法在计算复杂度和运行时间上均有优势,并能够克服传统亮度不变矩以及SIFT算法在检测平坦区域和模糊处理的篡改图像时出现的误检情况。

一种基于目标的视频同源复制篡改筛查方法

同源复制篡改是视频篡改手段当中效果较好、不易被肉眼察觉的一类,视频篡改者往往通过篡改视频中人、车、物等重点语义目标来实现改变视频原始表意的目的。基于这一特性,提出了一种利用SegNet卷积神经网络提取篡改感兴趣目标,然后通过计算各视频帧感兴趣目标区域的SIFT特征匹配程度,检测是否存在同源复制篡改的算法思路。实验表明,该方法能够自动筛查视频序列是否存在能够影响侦查活动的同源复制篡改,有助于提高视频侦查过程中此类问题的处置效率。

基于双信息统计与引力聚类的图像篡改检测算法

目的为了解决当前图像复制-粘贴篡改检测算法的鲁棒性与检测精准度不佳等问题。方法将图像的颜色信息引入伪造检测过程,提出双信息统计机制耦合引力聚类的图像复制-粘贴篡改检测算法。首先,利用Hessian矩阵来准确提取图像的特征点。然后,利用图像的梯度直方图来描述图像的方向特征,并联合图像的颜色信息,构造双信息统计机制,获取图像的特征向量。计算特征向量间的欧氏距离,构造近似测量模型,对图像特征进行匹配。最后,利用引力聚类方法,实现图像特征点的聚类,精准检测复制-粘贴篡改内容。结果与当前图像复制-粘贴篡改检测方法相比,所提算法具有更高的检测精准度,以及更好的鲁棒性。结论所提方案可以准确检测并定位出伪造内容,在图像水印、信息安全领域具有一定的参考价值。

图像篡改检测技术综述

本文首先对图像篡改检测技术进行了分类,对传统方法中的复制粘贴篡改检测和拼接篡改检测做了介绍。近几年,由于深度学习在其他领域取得的成功,图像篡改检测领域也开始使用深度学习方法。本文接着介绍了基于深度学习的图像篡改检测技术。最后,总结了常用的图像篡改检测数据集。

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。

基于色彩制约耦合距离惩罚的图像篡改检测

当前较多图像篡改检测方法主要通过对图像特征间的距离进行测量来完成特征匹配,忽略了图像的色彩信息,导致检测结果中存在较多的误检测和漏检测现象。对此,本文将色彩信息引入到图像特征匹配过程中,设计了一种采用色彩制约模型的篡改检测算法。利用Laplacian算子与Harris算子提取图像特征,并利用像素点的红(R)、绿(G)、蓝(B)三原色信息,结合特征描述符建立色彩制约模型,对特征点间的色彩信息进行度量,再借助该度量值与特征点间的距离测量值共同完成图像特征匹配,充分剔除误匹配现象,有效提高匹配准确度。该算法还根据特征点间距离方差构造距离惩罚模型,对匹配后的图像特征进行聚类,准确识别篡改内容。通过实验结果发现,与其他篡改检测算法相比,本文算法不仅对伪造内容具备更高的检测准确度,而且对模糊及旋转等内容操作也具有更好的适应性。

基于深度特征提取和图神经网络匹配的图像复制粘贴篡改检测

针对图像中特征提取不均匀、单尺度超像素划分对伪造定位结果影响较大的问题,提出一种基于深度特征提取和图神经网络(graph neural network,GNN)匹配的图像复制粘贴篡改检测(cope-move forgery detection,CMFD)算法。首先将图像进行多尺度超像素分割并提取深度特征,为保证特征点数目充足,以超像素为单位计算特征点分布的均匀度,自适应降低特征提取阈值;随后引入新的基于注意力机制的GNN特征匹配器,进行超像素间的迭代匹配,且用随机采样一致性(random sample consensus,RANSAC)算法消除误匹配;最后将多尺度匹配结果进行融合,精确定位篡改区域。实验表明,所提算法具有良好的性能,也证明了GNN在图像篡改检测领域的可用性。

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。