用于篡改图像检测和定位的双通道渐进式特征过滤网络

针对现有基于深度学习的篡改图像检测网络通常存在检测精度不高、算法可迁移性弱等问题,提出一种双通道渐进式特征过滤网络。利用两个通道并行提取图像的双域特征,一个通道提取图像空间域的浅层和深层特征,另一个通道提取图像噪声域的特征分布;同时,使用渐进式细微特征筛选机制过滤冗余特征,逐步定位篡改区域;为了更准确地提取篡改掩码,提出一个双输入细微特征提取模块,结合空间域和噪声域的细微特征,生成更准确的篡改掩码;在解码过程中,通过融合不同尺度的过滤特征和网络的上下文信息,提高网络对篡改区域的定位能力。实验结果表明,在检测和定位方面,与现有先进的篡改检测网络ObjectFormer、MVSS-Net(Multi-View multi-Scale Supervision Network)和PSCC-Net(Progressive Spatio-Channel Correlation Network)相比,所提网络的F1分数在CASIA V2.0数据集上分别提高10.4、5.9和12.9个百分点;面对高斯低通滤波、高斯噪声和JPEG压缩攻击时,相较于ManTra-Net(Manipulation Tracing Network)、SPAN(Spatial Pyramid Attention Network),所提网络的曲线下面积(AUC)分别至少提高了10.0、5.4个百分点。验证了所提网络可以有效解决篡改检测算法存在的检测精度不高、迁移性差等问题。

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。

利用模糊估计和传感器噪声检测篡改图像

由于有功能强大的计算机和图像处理软件的存在,普通用户可以将数字图像篡改成他们想得到的任何形式。所以检测数字篡改变成了一个非常严峻的问题。在大多数情况下,数字篡改图像是很逼真的,但是在处理过程中也会留下一些痕迹。文章将图像的模糊估计和传感器的模板噪声检测篡改的方法结合起来,对多幅图像操作,实验证明有不错的检测效果。

复制粘贴篡改图像检测技术综述

复制粘贴篡改是一种常见的图像篡改方式,其恶意使用和广泛传播造成了严重的社会影响。首先介绍了复制粘贴篡改的概念,原理和模型。随后,将现有复制粘贴篡改检测算法大致分为了基于图像块的方法、基于关键点的方法和深度学习的方法,并分别对这三类方法进行了综述。此外,还介绍了用于评价复制粘贴篡改检测技术的常用数据集和客观评价标准。最后,总结了当前图像复制粘贴篡改检测技术的优势和劣势,并给出了发展方向,以期对该领域的后续研究有所裨益。

基于改进的三向流Faster R-CNN的篡改图像识别

为了进一步提高对拼接、缩放旋转、复制粘贴三种主要篡改手段的识别准确率,增强算法普适性,提出了一个基于三向流特征提取的卷积神经网络篡改图像识别系统。首先,分别根据图像局部彩色不变量特性比较特征子块相似度,根据噪声相关性比较篡改区域边缘的噪声相关系数,以及根据图像重采样痕迹计算子块标准偏差对比度,完成了对图像RGB流、噪声流和信号流的特征提取;然后,通过多线性池化,结合改进的分段AdaGrad梯度算法,实现了特征降维和参数自适应更新;最后,通过网络训练和分类,完成了对拼接、缩放旋转、复制粘贴这三种主要的图像篡改手段的识别与相应的篡改区域的定位。为衡量所提模型的效果,在VOC2007和CIFAR-10两个数据集上进行了实验。在约9000张图像上的实验结果表明,该模型对拼接、缩放旋转、复制粘贴这三种篡改手段均能进行较准确的识别与定位,识别率分别为0.962、0.956和0.935。与对照文献的双向流特征提取方法相比,该模型的识别率分别提高了1.050%、2.137%、2.860%。三向流特征提取模型丰富了卷积神经网络对图像的特征信息采集,提高了网络的学习性能与识别精度,同时改进的梯度算法通过分段控制参数学习率的下降速度,降低了过拟合,减少了收敛震荡,提高了收降速度,实现了算法的优化设计。

基于JPEG重压缩特性的篡改图像盲分离

针对JPEG类图像被篡改后未被篡改的区域和被篡改的区域的离散余弦变换(DCT)系数会表现出不同的压缩特性的问题,本文中提出了一种JPEG图像重压缩概率模型来描述重压缩前、后DCT系数统计特性的变化;依据贝叶斯准则,利用后验概率表示出JPEG篡改图像中存在的双重压缩效应块和只经历单次压缩效应块的概率值,得到图像块的后验概率密度图;利用粒子群算法设定自适应阈值对后验概率密度图进行优化,并且对阈值进行分类判断,通过后验概率密度图实现对篡改区域的自动检测和分离。结果表明,该方法能快速、准确地实现篡改区域的自动检测和提取,并且在第2次质量因子小于第1次质量因子时,检测结果明显优于其他算法的,且能把篡改区域从篡改图像中自动提取出来,不受被篡改图像的位置、大小和个数的限制。

多距离特征匹配的篡改图像检测算法

为了解决当前篡改图像的检测算法主要依靠单一的特征进行描述以及欧几里德距离进行匹配,导致篡改图像的检测率较低的问题,以及在对图像复制粘贴后进行一系列后处理操作的篡改图像检测时,容易出现匹配错误和鲁棒性差的问题,采用一种多距离特征匹配的篡改图像检测算法。首先,对获取到的图像提取尺度不变特征变换(SIFT)特征,在SIFT特征待描述区域的基础上,提取具有权值旋转不变均匀性的局部二值模式(LBP)特征,构成特征描述子;其次,分别计算描述子之间的标准欧几里德距离、相关距离以及汉明距离,通过多距离匹配改进g2nn算法进行特征的初次匹配;最后,通过凝聚型分层特征聚类以及随机一致性(RANSAC)算法去除存在的错误匹配点,完成篡改图像的检测。在MICC-F220图像数据库上进行了测试,实验结果表明,与当前2种主流算法相比,总体准确率分别提高了2.86%和2.11%,对于缩放、旋转以及缩放+旋转的后处理均具有很好的鲁棒性,是一种研究复制粘贴后进行缩放和旋转后处理的篡改图像检测的有效方法。

篡改图像的识别技术研究与仿真

研究图像的篡改识别问题,由于数字图像能够被轻易的篡改并且很难发现改动痕迹,对篡改像素不融合现象识别不清,导致图像篡改很难被肉眼识别。为解决上述问题,提出了一种根据小波的篡改图像鉴定识别技术,通过提取图像块特征得到图像块的特征向量矩阵,并对特征向量矩阵进行小波分解,从而提取篡改图像特征点灰度融合程度,利用定义的判别阈值实现对篡改区域的准确定位与检验。实验表明,改进方法通过检测可以准确识别出篡改后的图像,为篡改图像的识别提供了依据。

一种模糊篡改图像的盲鉴别算法

针对篡改造假图像中常用的模糊操作,提出了一种模糊篡改图像的盲鉴别算法。该方法首先根据图像的边缘特征对图像取对数运算,分离入射分量和反射分量;然后把同态滤波应用到小波域,对多尺度分解的高频信息和低频信息进行同态滤波处理;最后采用数学形态学运算对边缘进行定位,检测图像是否经过模糊篡改。实验表明,该算法能够有效地检测经过模糊篡改的图像,并能对模糊操作痕迹进行准确定位。

Y通道显示在篡改图像检验中的应用

本文针对现有篡改图像检验方法复杂、不适用于公安实战工作的问题,提出一种基于光照一致性的快速检验方法。通过模拟4种案件中常见的图像篡改手法制作检材,将上述检材由RGB模式转换成YUV模式后,观察Y通道图像以发现疑似篡改的平面物体,对图像进行分割、选点、采集颜色信息并分析颜色信息变化趋势。实验结果表明,通过Y通道显示图像可有效判断平面物体的光源方向,从而判断图像是否被篡改。该方法不仅对数字图像有效,亦可用于纸质照片的检验,可作为篡改图像检验鉴定的判断依据之一。

基于强化样本的伪孪生网络图像篡改定位模型

随着互联网不断发展,网络上的篡改图像越来越多,掩盖篡改痕迹的手段越来越丰富。而现在大多数检测模型没有考虑到图像后处理操作对篡改检测算法的影响,限制了其在实际生活中的应用。为了解决上述问题,提出了一种通用的基于强化样本的伪孪生网络图像篡改定位模型。所提模型利用伪孪生网络,一方面学习真实图像中的篡改特征;另一方面通过约束卷积,抑制图像内容,从而能够更加关注篡改残留的痕迹信息。网络的两分支结构可以达到充分利用图像特征信息的目的。模型利用强化样本,可以自适应地生成当前最需要学习的篡改类型图片,实现对模型有针对性地训练,使得模型在各个方向上学习收敛,最终得到全局最优模型。利用数据增强思路,自动生成丰富的篡改图像以及其对应的掩膜,这很好地解决了篡改数据集有限的问题。在4个数据集上的大量实验证明了所提模型在像素级操作检测方面的可行性和有效性。尤其是在Columbia数据集上,算法的F1值提高了33.5%,Matthews correlation coefficirnt(MCC)得分提高了23.3%,说明所提模型利用深度学习模型的优点,显著提高了篡改定位的检测效果。

低频快速切比雪夫矩的篡改图像检测算法

针对图像复制粘贴篡改的检测及篡改区域定位的研究,提出了一种低频快速切比雪夫矩的篡改图像检测算法.首先用非抽样小波变换对图像分解,选取图像的低频部分进行重叠分块,提取改进的低频快速切比雪夫矩做为特征向量,然后采用PatchMatch算法对提取的块特征匹配,最后用稠密线性拟合算法去除误匹配并且用形态学操作完成最后的篡改区域定位.与现有的篡改图像检测算法相比,所提出的算法对于单区域篡改、单区域多次篡改以及多区域篡改均具有较好的定位效果,并且减少了算法的运行时间,提高了实时性.

边缘异常识别下视频图像篡改细节检测

视频图像不同栅格位置或不同压缩区域被合成为篡改图像时会出现特征块效应的差异,改变原视频的关键信息。为了准确识别图像中被篡改的像素点,提出基于边缘异常识别的视频图像篡改检测方法。通过离散余弦变换,将能量全部集中到图像的低频系数内,描述出视频的边缘等细节。利用能量比与频域熵间关系得出图像中能量的可疑度,结合预测掩膜概率图划分出发生篡改的位置区域。利用Sobel边缘检测边缘点,量化边缘点特征判断出边缘是否异常,当出现异常对其跟踪直至目标消失,检测出视频图像中的篡改位置区域。实验结果表明,所提方法能够精准检测出视频图像被篡改位置,且耗时低于1ms,应用优势显著。

面向强后处理场景的图像篡改定位模型

针对微信、微博等社交平台对图像进行的压缩、尺度拉伸等有损操作带来的篡改痕迹模糊或被破坏的挑战,提出了一种对抗强后处理的图像篡改定位模型。该模型选用了基于Transformer的金字塔视觉转换器作为编码器,用于提取图像的篡改特征。同时,设计了一个类UNet结构的端到端编码器-解码器架构。金字塔视觉转换器的金字塔结构和注意力机制可以灵活关注图像的各个区块,结合类UNet结构能够多尺度地提取图像上下文间的关联信息,对强后处理的图像有着较好的鲁棒性。实验结果表明,所提模型在对抗JPEG压缩、高斯模糊等常见的后处理操作以及在不同社交媒体传播场景的数据集上的定位性能上明显优于目前主流的篡改定位模型,展现出了优异的鲁棒性。

结合自注意力与卷积的真实场景图像篡改定位

图像是移动互联网时代传播信息的重要载体,恶意图像篡改是潜在的网络安全威胁之一。与自然场景中在物体尺度上的图像篡改不同,真实场景中的图像篡改存在于伪造的资质证书、文案、屏幕截图等,这些篡改图像通常会经过精心的手工篡改干预,因此其篡改特征与自然场景篡改特征存在差异,更具有多样性,对其篡改区域的定位更具有挑战性。针对该场景复杂且多样的篡改特征,丰富的关系信息是重要的,文中通过卷积神经网络进行自适应特征提取,并利用逆向连接的全自注意力模块进行多阶段特征关注,最后融合多阶段注意力关注结果进行篡改区域定位。所提方法在真实场景图像篡改定位任务中取得了优于对比方法的性能,其中F 1指标比主流方法MVSS-Net高出约8.98%,AUC指标高出约3.58%。此外,所提方法在自然场景图像篡改定位任务中也达到了主流方法的性能,并提供了自然场景篡改特征与真实场景篡改特征存在差异的佐证。在两种场景中的实验结果表明,所提方法能够有效地定位出篡改图像的篡改区域,且在复杂的真实场景中的定位效果更显著。

基于改进的RRU-Net的图像篡改检测算法

针对现有深度学习图像篡改检测模型难以利用网络浅层的篡改痕迹特征,导致检测效果差、定位精度低的问题,提出基于改进环形残差U-Net(Ringed Residual U-Net,RRU-Net)的图像篡改检测算法。首先利用分级监督策略设计篡改融合定位模块,将模型分层输出,使深、浅层特征信息充分融合,提高模型对浅层的纹理、边缘信息的敏感性。其次在二元交叉熵基础上对损失函数进行改进,用不同层的损失来衡量总损失。最后在模型中运用组归一化,加快模型收敛速度,同时避免过拟合。在CSAIA和Columbia数据集上的实验结果与RRU-Net相比,F1值分别提高了0.08和0.072,表明该方法具有较高的检测精度,且能有效定位篡改区域。

基于特征级联融合的图像篡改检测方法

针对图像篡改检测领域中不能有效处理不同尺度特征问题,提出一种特征级联融合检测网络.网络采用特征级联融合模块结合U型分割网络结构,有效融合不同尺度的特征信息.通过在每个网络块融合浅层特征信息、瓶颈层和深层特征信息,以弥补深层语义信息的不足,并抑制背景信息干扰,提升了浅层网络的检测能力,实现了对篡改区域的精准定位.实验结果表明,与现有的图像篡改检测方法相比,特征级联融合检测网络显示出更高的准确性和稳定性,在CASIA数据集上F-measure提高了3%,在COLUMB数据集上提高了4%,证明了其在图像篡改检测任务中的有效性.

基于双流增强编码和注意优化解码的图像篡改定位算法

主流图像篡改定位方法通常通过简单操作融合不同流的不一致特征,导致特征冗余且篡改区域的像素误检。基于此,本文提出基于双流增强编码和注意优化解码的图像篡改定位框架。首先,提出双流增强编码分别对图像和频域特征进行基于噪声和通道注意力的自增强和基于特征映射的交叉注意权重的交互增强。随后,引入多级感受野策略探索多尺度上下文信息,设计邻阶特征聚合模块融合多尺度相邻特征。最后,利用篡改区域和非篡改区域协同增强模型的篡改定位能力,提出注意优化解码模块,消除初始篡改区域预测中边缘像素的错误预测,逐步精确细化篡改定位。在4个主流公共基准数据集NIST16、Coverage、Columbia、CASIA和两个现实挑战数据集IMD20、Wild上与主流篡改定位方法进行对比,本文算法在无微调模型和微调模型两个设置下,在6个数据集上的性能最优,证明本文提出的篡改定位网络能够充分利用多种篡改线索,在不同的篡改数据集上实现篡改区域的有效定位,具有更高的定位精度和更强的鲁棒性。

基于Mask-RCNN的图像篡改检测模型

随着图像篡改工具的多样化发展,伪造图片持续增多,并且不再局限于拼接、复制-移动、移除等某一具体的技术,然而当前提出的多数方法面对包含多种篡改类型图片的情况下,检测效果较差。因此提出了一种双通道Mask-RCNN的图像篡改检测模型。通过噪声通道挖掘图像的噪声分布等内部统计特征,通过彩色图像通道提取图像对比度差异、篡改伪影以及边界等表层特征,同时利用自适应双重注意力模块自适应地融合两个通道的特征,以准确定位篡改区域,实现像素级分割。在主流标准数据集上的实验结果表明,所提模型相较于当前先进模型具有更优的检测性能,是一种更加通用且精确的图像篡改检测模型。

基于改进CenterNet的图像多篡改检测模型

针对目前的图像篡改数据集中缺少同时包含多种篡改操作的单张图像的问题,构建了包含多种图像篡改手段的综合数据集(MTO Dataset),每张图片包含复制移动、拼接和移除中的2种或3种篡改操作。针对多篡改检测,提出了一种基于改进CenterNet的图像多篡改检测模型,将RGB图像和经过隐写分析得到的噪声特征图作为特征提取网络的输入,在特征提取网络ResNet-50的每一层卷积前加入门控通道注意力转换单元以促进特征通道间关系。为得到更具辨别性的特征,通过改进后的注意力机制自适应学习并调节特征权重,最后使用改进的损失函数优化边框预测的准确度。实验结果证明,与当前先进模型DETR、EfficientDet和VarifocalNet相比,该模型的F1分数提升0.4%~7.4%,检测速率提高1.32~3.06倍。