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。

基于阴影检测模型的图像拼接盲取证

拼接篡改是最常见的篡改手段之一.在拼接带有阴影的图像时,篡改者为了掩饰篡改痕迹往往会伪造拼接物的阴影.提出一种基于阴影模型的拼接图像盲取证方法.分析各种经典的阴影模型,在此基础上建立一种适用于拼接篡改取证的阴影模型.使用图像区域增长算法实现对图像阴影的自动提取和定位,并采用能量最小化方法和干扰点去除技术得到鲁棒的阴影比例因子,利用阴影比例因子的不一致性对拼接篡改图像进行盲取证.实验结果表明,该拼接取证方法对于带阴影的拼接篡改图像有较高的检测准确率,能应对各种伪造阴影手段.

基于深度学习的图像拼接篡改检测

传统图像拼接检测算法通过研究人员手动构造拼接特征,随着科技的进步以及图像处理技术的不断发展,手动构造特征的局限性逐渐体现出来,鲁棒性较弱,位置不易确定等。为了解决这些问题,构建了一种卷积神经网络(CNN),将卷积核前置并固定,自主学习相关特征从而检测拼接篡改的图像区域。经过一系列研究,发现拼接篡改图像的拼接篡改区域特征可以被CNN模型学习。在CNN模型之前,卷积核使用高通滤波器,激活函数采用指数线性单元(ELU),使得CNN模型具有识别拼接篡改图像边缘痕迹等特征的能力。检测结果表明:在IEEE IFS-TC图像拼接取证竞赛训练集上对拼接篡改图像拼接篡改区域定位的准确率为84.3%,对拼接篡改区域判定的真负类率为96.18%。