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。

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。

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.

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。

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。

一种改进Faster R-CNN的图像篡改检测模型

随着人工智能的发展,数字图像被广泛应用于各大领域。然而,图像编辑软件的出现导致大量图像受到恶意篡改,严重影响了图像内容的真实性。图像篡改检测的研究不同于通用的目标检测,它需要更加关注图像本身的篡改信息,而这些信息表现形式往往比较微弱,所以检测时需要侧重于学习更丰富的篡改特征。提出一种结合梯度边缘信息和注意力机制的双流Faster R-CNN模型,可以实现不同篡改类型区域的检测定位。双流之一为原色流,利用注意力机制提取图像的表层特征,如亮度对比、篡改边界的视觉差异等。双流之二为梯度流,利用梯度高通滤波器增强真实区域与篡改区域之间的边缘异常特征,使模型更容易发现篡改图像中微弱的篡改痕迹。通过紧凑型双线性池化将原色流和梯度流的特征进行融合。由于公开可用的图像篡改数据集规模较小,基于PASCAL VOC 2012数据集创建了规模为10000幅的图像篡改检测数据集,用于模型预训练。在COVER、COLUMBIA和CASIA数据集上的检测结果表明,所提模型的检测精度相比当前最好模型的提高了7.1%~9.6%,并在JPEG压缩和图像模糊攻击下表现出了更高的鲁棒性。

基于Convnext-Upernet的图像篡改检测定位模型

在当前数字时代,假新闻、网络勒索等网络犯罪行为愈发猖獗,导致篡改图像产生的负面影响日益凸显.鉴于此,检测与定位篡改图像已成为图像取证领域的关键任务.近年来,深度学习技术在计算机视觉领域取得了显著进展,众多篡改检测模型亦逐渐应用该技术.然而,现有模型大多需要在大量数据上进行预训练,且其鲁棒性和泛化能力相对较弱.为解决上述问题,本研究采用在计算机视觉领域表现优异的纯卷积神经网络模型Convnext作为主干网络,并借助统一感知解析网络Upernet提取图像中的多尺度特征,构建了一种基于Convnext-Upernet的篡改检测定位模型.在此基础上,本研究进一步运用自监督数据增强方法放大图像中的篡改痕迹,并利用与篡改检测定位任务无关的图像分类损失函数提高篡改图像检测定位的准确性.本研究在当前主流的篡改检测定位数据集上进行了大规模实验证明,所提出的模型具有高效且精确的篡改检测定位能力.相较于现有跨库性能最佳的MVSSNet++模型,本研究所提出的模型在检测定位性能上提高了14.4%,泛化能力得到全面提升,并对常见的后处理操作展示出了强大的鲁棒性.

基于约束卷积与注意力机制的图像篡改检测

在进行图像篡改检测时,需要重点解决的问题是如何来挖掘图像中的篡改信息以及怎样对篡改信息进行提取,直接影响到了模型对篡改特征的学习程度和检测效果。当前基于目标检测网络来实施图像篡改检测的模型常依赖Faster R-CNN为根基进行构建,但卷积操作会擅自提取视觉特征并且存在卷积归纳偏差,致使网络无法对篡改图像信息进行全面的分析,一定程度上限制了模型对篡改区域的识别能力。同时,Faster R-CNN对目标区域的池化方式还会带来检测精度上的丢失。提出一种以Transformer模型为根基搭建的注意力机制图像篡改检测模型。模型首先融合篡改图像的RGB信息和约束卷积层提取的图像噪声信息,然后利用CBAM注意力模块对融合特征进行处理得到优化后的篡改特征,最后将优化特征送入Transformer进行篡改区域的识别并输出检测框和置信度分数。文中提出的模型与RGB-N、RGB-E和FCR-CNN模型相比,在NIST16数据集上的F1分数分别提高了7.57%、2.94%和0.31%,在Columbia数据集上的F1分数分别提高了16.22%、15.45%和2.36%。以热力图的形式对实验过程中的篡改特征图进行可视化与比对,进一步验证了上述方法的有效性。

改进的DeepLabv3+同图复制篡改检测算法

为解决现有的篡改检测算法难以提取图像篡改边缘特征、篡改区域定位精度较低问题,提出一种改进的DeepLabv3+同图复制篡改检测算法。该算法在DeepLabv3+网络中引入双重注意力机制模块,用于捕捉上下文信息,以提高模型对篡改区域的适应性;采用残差细化模块对预测掩膜进一步优化,以增强模型对篡改边界的敏感性;使用一种新的混合损失函数用于模型训练,以利于模型在像素级和图像级中学习篡改图像与对应真实掩膜之间的映射关系。实验结果表明,改进的DeepLabv3+同图复制篡改检测算法,在COPYMOVE_NIST和COPYMOVE_COCO数据集上的3个评价指标均高于FCN、U-Net及DeepLabv3+算法,检测精度分别达到0.929和0.895,能够有效地提取图像篡改边缘特征,解决边缘像素漏检和误检问题。

基于改进YOLOv5的图像篡改检测算法

为了促进模型对图像篡改特征的学习并且在篡改区域定位上取得较好的效果,模型构建常会采用提取某一特定图像信息或利用这些信息(如图像RGB信息、噪声信息和边缘信息等)组成多分支网络的方式来辅助模型训练,但局限地利用某些图像特征是否也能对其他模型产生帮助以及到底何种篡改特征能较好地辅助模型训练不能一概而论。文章以YOLOv5为基础,在不依赖特定提取某一篡改图像特征的情况下,利用其模块化组成结构的优势在模型主干、颈部和头部合理采用注意力模块和transformer对各阶段特征图进行增强和优化来构建网络,本模型在检测精度上超过了现有主流检测方法。

基于改进YOLOX-X的图像篡改检测算法

在图像篡改检测任务中,重点需要关注的是伪造区域与原始区域的差别特征,目前的图像篡改检测算法普遍存在检测效果较差、识别精度不题。为解决上述问题,文章提出一种基于改进YOLOX-X的图像篡改检测算法。为了将提取到的多尺度篡改特征进行更充分的融合,引入了ASFF特征融合机制,并且对本篡改检测算法中的损失函数进行了改进,使用EIOU对损失函数进行优化,使网络更快速准确的识别定位篡改区域。通开的图像篡改数据集上的实验结果表明,本文提出方法的整体性能要优于其他主流的图像篡改检测算法。

基于深度学习和深度信息的图像篡改检测方法

针对基于深度学习的图像篡改检测方法无法解决后处理攻击的篡改图像问题,提出基于深度学习和深度信息的图像篡改检测方法。利用单目深度估计算法获取深度信息,将原始红、绿、蓝(RedGreenBlue,RGB)图像和预测深度图重构为RGB-D图像,通过获取RGB-D图像中的颜色相似性特征和深度相似性特征进行图像篡改检测,提高现有图像篡改检测方法的准确性。实验结果表明,该方法在USCISI数据集上各项评价指标优于对比方法,证明深度信息可以辅助实现图像复制-粘贴篡改检测任务。

面向图像篡改检测的双流卷积注意力网络

拼接和复制-粘贴是最常见的两种图像篡改手段,伪造区域的定位是图像取证领域最具挑战性的科学问题。针对该问题,提出了一种双流卷积注意力网络,以检测出可疑图像的伪造区域。双流卷积注意力网络分别考虑不同通道间像素的重要性和同一通道不同位置像素的重要性可以学习更丰富的特征,以提高检测准确度。第一支流为RGB流,从RGB图片中提取边缘异常、颜色反差等特征;另一支流为噪声流,捕捉真实区域和伪造区域之间的不一致噪声信息。双流网络提取到的特征信息在双线性池化层进行特征融合,在softmax层输出篡改检测结果。实验结果表明,本文方法在公共数据集上表现优于现有方法,并且对JPEG压缩具有较好的鲁棒性。

基于几何均值分解的图像区域复制篡改检测方法

针对现有大多数图像区域复制篡改检测算法提取图像块的特征向量维数较高的缺点,提出一种新的基于几何均值分解的检测算法.将可疑图像分成大小相等的可重叠的子块;并对每个图像块进行几何均值分解并用其表征该子块的特征,形成1维的特征向量;最后对所有的特征向量进行字典排序,并结合图像块的相等位移矢量的发生频率信息,检测并定位出篡改区域.实验结果表明,该算法不仅能够有效检测并定位多区域复制篡改区域,而且对高斯模糊、对比度调整、曝光度调整的后处理操作具有较强的鲁棒性,并且有效地降低了特征向量的维数,提高了检测效率.

采用局部强度顺序模式的图像复制—粘贴篡改检测算法

复制—粘贴篡改是一种最简单而且常见的图像篡改方式。为了提高目前复制—粘贴篡改检测算法的顽健性,提出一种基于局部强度顺序模式(LIOP,local intensity order pattern)的图像复制—粘贴篡改检测算法。首先,提取待测图像的LIOP特征描述子,然后以特征描述子间的夹角余弦值作为相似性度量,根据最近邻与次近邻的比值阈值寻找稳定的匹配点,最后计算匹配点对间的空间距离以移除误匹配点。实验结果表明,所提算法能够有效检测并定位复制粘贴篡改位置,而且算法检测的准确率高,能够抵抗缩放、旋转、亮度变化以及高斯模糊、加性高斯白噪声、JPEG压缩等后期处理操作。

一种新的图像拷贝篡改检测方法

针对图像的区域拷贝篡改提出了一种新的检测方法,即基于LPP-SIFT(Locality Preserving Projection-Scale Invariant Feature Transform)的检测算法.该算法利用SIFT提取图像的特征点,结合LPP特征映射,生成低维特征点描述子,然后依据向量角度比率得到匹配点对,匹配点对聚集的区域即为拷贝篡改区域.实验表明该算法能够有效地检测定位区域拷贝篡改图像,且对于拷贝区域的旋转、缩放以及图像的JPEG压缩、噪声添加等操作具有较强的鲁棒性.

基于核主成分分析的图像模糊篡改检测算法

现有的图像模糊篡改检测算法通常提取模糊操作引入的某单一特征进行判断,为更好地提高算法检测效率,提出基于核主成分分析的模糊篡改检测算法。通过奇异值分解提取第一组特征,计算图像二次模糊相关性作为第二组特征,计算图像质量因子作为第三组特征。运用核主成分分析方法实现多特征融合。采用支持向量机进行判断,从而实现模糊篡改检测。实验表明:该算法能够有效地检测数字篡改图像的模糊操作痕迹,并能对模糊篡改区域进行准确定位。

基于多特征融合及能量分布的图像篡改检测方法

针对最常见的一种图像篡改方式——拼接,采取了特征提取-分类判别的技术手段,对图像的真假属性进行鉴别.首先,从多通道(亮度通道与色度通道)、多变换域(空间域与频率域)的角度建立了多特征融合的图像篡改检测模型,克服了以往特征提取算法采用马尔科夫等单一性特征的缺陷.其次,通过分析不同通道不同变换域的能量分布,在亮度通道对能量做基准化处理,从而对马尔科夫转移状态的阈值做出修正;在色度通道,根据能量的集中性,对马尔科夫的转移进行状态细分.由此对模型进一步改进,并在最新的彩色图像库上进行实验验证.实验表明,多特征融合的图像篡改检测方法将检测准确率由单一特征的67.2%提高至85.5%,基于能量分布的改进模型将检测准确率进一步提升至87.1%,从而证实了算法的有效性和高效性.