基于量子k-means聚类的图像复制粘贴检测

在同幅图像复制粘贴检测过程中,提取出的图像特征关键点数量庞大且特征维度多,导致计算复杂度高、特征匹配时间消耗大、鲁棒性差等问题。为克服上述问题,运用量子计算的并行性,引入量子k-means聚类算法对特征关键点进行特征匹配实现图像复制粘贴检测。上述方法先根据尺度不变特征变换提取图像关键点特征子描述向量,然后将特征点描述向量做酉变换和黑箱Oracle操作进行量子化处理,再对其进行量子相似性查找进行聚类,最后对聚类特征关键点进行特征匹配得到图像复制粘贴区域。实验结果表明,量子k-means特征匹配算法在图像检测中降低了时间消耗且具有较好的鲁棒性,即使被复制区域经过旋转、缩放、模糊、亮度修改、JPEG压缩和噪声添加等图像处理,上述方法仍能准确地匹配到复制粘贴区域特征点。

结合关键点和块优点的复制粘贴检测算法

数字图像应用广泛,但随着各种编辑图像软件的使用,使得图像的真实性有待考证。大多数基于关键点检测的算法由于关键点数量有限,导致最后检测结果不完整或者表示不明确,文中提出了一种基于分割结合关键点特征的检测算法,利用SIFT提取关键点特征,再使用g2NN算法匹配关键点,用设计的聚类去除误匹配,根据改进的自适应分割算法,标记匹配的图像块,然后找出周围邻居块进行对比匹配输出结果。该算法能有效快速地检测并标记大图片的复制篡改区域,对大多数后处理鲁棒,较完整地标记出篡改区域。

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。

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。

基于多支持区域局部亮度序的图像伪造检测

图像伪造检测是目前数字图像处理领域中的一个研究热点,其中复制粘贴是最常用的伪造手段。由于伪造区域在粘贴前会被进行一定的尺度、旋转、JPEG压缩、添加噪声等操作,这使得检测伪造区域具有一定的挑战性。针对图像复制粘贴伪造技术,提出一种基于多支持区域局部亮度序模式(LIOP)的图像伪造检测算法。首先,利用最大稳定极值区域(MSER)算法提取具有仿射不变性的区域作为支持区域;其次,利用非抽样Contourlet变换得到不同尺度、不同分辨率和不同方向的多个支持区域;然后,在每个支持区域上提取同时具有旋转不变性和单调亮度不变性的LIOP描述子,并利用双向距离比值法实现特征初匹配;接着,采用空间聚类将匹配的特征进行归类,进而用随机抽样一致性(RANSAC)算法对每个归类进行几何变换参数估计;最后,使用必要的后处理等操作来检测出伪造区域。实验表明,提出的算法具有较高的伪造检测精度与可信度。

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。