基于深度学习的数字图像篡改定位方法综述

日益进步的图像处理技术让数字图像编辑的门槛变得越来越低。利用触手可及的图像处理软件,人们可以方便地改动图像内容,而篡改后的图像往往十分逼真,以至于肉眼难以辨认。这些篡改图像已对个人隐私、社会秩序、国家安全造成了严重的威胁。因此,检测及定位图像中的篡改区域具有重要现实意义,并已成为多媒体信息安全领域中的重要研究课题。近年来,深度学习技术在图像篡改定位中得到了广泛的应用,所取得的性能已显著超越了传统的篡改取证方法。本文对基于深度学习的图像篡改定位方法进行了梳理。介绍了图像篡改定位中常用的数据集及评价标准,以在篡改定位中应用的不同网络架构为依据分析了现有方法的技术特点和定位性能,并讨论了图像篡改定位面临的挑战和未来的研究方向。      

基于改进的Mask R-CNN图像篡改取证方法

随着现代科学技术的进步,图像编辑工具的发展极大地降低了篡改所需成本。图像篡改手段有多种,现有的方法往往存在通用性差的问题。同时,这些方法只关注篡改定位而忽略对篡改手段的分类。本文提出一种基于改进的Mask R-CNN两阶段网络模型用于图像篡改取证。在特征提取部分,结合空域富模型(spatial rich model, SRM)和受约束卷积对输入图像进行预处理,再输入到ResNet101前4层中,以建立能够有效体现各种篡改痕迹的统一特征表示。一阶段网络通过注意力区域提议网络(attention region proposal network, A-RPN)检测篡改区域,预测模块实现篡改操作分类和粗略篡改区域定位。继而,一阶段网络得到的定位信息引导二阶段网络学习局部特征以定位出最终的篡改区域。本文所提出的模型能检测3种不同类型的图像篡改操作,包括复制-粘贴、拼接和移除。实验结果表明,本文所提出的方法在NIST16、COVERAGE、Columbia和CASIA数据集的F1值分别达到了0.924、0.761、0.791和0.473,优于传统方法和一些主流深度学习方法。     

基于级联卷积神经网络的图像篡改检测算法

基于卷积神经网络的图像篡改检测算法利用卷积神经网络的学习能力可以实现不依赖于单一图像属性的图像篡改检测,弥补传统图像篡改检测方法依赖单一图像属性、适用度不高的缺陷。利用深层多神经元的单一网络结构的图像篡改检测算法虽然可以学习更高级的语义信息,但检测定位篡改区域效果并不理想。该文提出一种基于级联卷积神经网络的图像篡改检测算法,在卷积神经网络所展示出来的普遍特性的基础上进一步探究其深层次的特性,利用浅层稀神经元的级联网络结构弥补以往深层多神经元的单一网络结构在图像篡改检测中的缺陷。该文提出的检测算法由级联卷积神经网络和自适应筛选后处理两部分组成,级联卷积神经网络实现分级式的篡改区域定位,自适应筛选后处理对级联卷积神经网络的检测结果进行优化。通过实验对比,该文算法展示了较好的检测效果,且具有较高的鲁棒性。     

数字图像拼接篡改盲取证技术研究

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,从篡改者的角度对目前流行的篡改手段做了新的分类,详细分析了各种篡改取证技术的优缺点。提出了一种基于统计特征分类的盲检测算法,实验表明,从图像的双谱幅值和相角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。     

数字视频篡改痕迹的被动检测技术综述

随着DEEPFAKE等人工智能方法对数字媒体数据的篡改方式越来越强大,再次掀起了全球各国政府、人民对数字媒体篡改问题的关注和焦虑。无论是传统的篡改攻击,还是智能的篡改生成,从结果上来看,都加深了人们对数字媒体真实性的质疑。数字视频是当下互联网信息传播的主流方式之一,因此对数字视频篡改痕迹的被动检测具有重大研究意义。本文针对数字视频篡改方法和痕迹被动检测问题展开综述,旨在阐述当下这一领域的发展现状和未来趋势。首先从已有案例对数字视频篡改的背景、篡改技术现状、社会危害进行多层次分析,凝炼该领域的研究现状和现存科学难题。然后,本文把被动取证检测技术分为时空域特征检测技术、编码域特征检测技术、深度特征检测技术三类,并详细分析了每类技术的特点和不足。其次,本文也对视频篡改检测相关的国际竞赛和国内竞赛、视频篡改数据集以及常用第三方工具库进行了归纳和总结。最后,本文总结了该领域的进一步有待研究的理论、技术内容和未来应用发展趋势。      

数字图像真实性被动鉴别技术研究

随着信息技术与计算机技术的快速发展，以及人们广泛应用数码产品，生活工作中人们能够轻而易举获取数字图像。但是不少怀有不良目的的人可以用图像处理与编辑软件对数字图像进行篡改，进而改变其真实面貌。如果被篡改的图像应用于新闻、司法等领域，将会产生极大的损失。本文将首先概述篡改与合成图像，讨论针对篡改行为的鉴别方法研究现状，分析数字图像压缩历史检测技术，最后还介绍基于压缩历史不一致的图像合成篡改检测。     

基于自适应半脆弱水印的图像篡改检测方案

为保护数字图像版权和检测恶意篡改,实现高精度篡改定位,在充分挖掘图像特性的基础上,设计一种基于自适应半脆弱水印技术的图像篡改检测算法。算法根据感知特性将水印自适应嵌入到图像LSBs中,利用多数原则恢复水印信号,结合数学形态学滤波进行篡改检测与定位。仿真实验证实了该方案的有效性,在抵抗通常的内容保持攻击操作的同时,能实现精准篡改检测与定位。     

基于LPP和改进SIFT的copy-move篡改检测

图像的复制-粘贴篡改检测是图像篡改检测领域中的重要组成部分。本文基于SIFT算法以及LPP的降维思想,提出了一种新的篡改检测算法。本文在SIFT算法的基础上,使用LPP算法对SIFT算法生成的特征点以及特征向量进行降维。使得传统SIFT算法在实际应用中特征点数目过多、特征向量维数过高等缺陷得到了解决。并使用凝聚型层次聚类算法对相似的特征点进行聚类,完成了对图像复制-粘贴篡改区域的检测。在文章的最后,本文对哥伦比亚大学复制-粘贴图像库里的100张图片进行实验。实验结果表明,不管篡改区域后处理方式是拉伸还是旋转,本文算法都能比传统的SIFT、SURF、PCA-SIFT等算法生成更少的特征点数目和更低的特征向量维度,使得检测效率以及检测正确率得到有效提升。      

抗翻转的图像复制-粘贴篡改检测算法

图像的复制-粘贴篡改是常见的图像篡改方法之一。现有基于SIFT特征的算法能够有效地检测复制-粘贴篡改,但由于SIFT特征本身不能抵抗翻转,因此,这些方法不能检测出具有翻转操作的复制-粘贴篡改。基于SIFT特征,提出了一种抗翻转的图像复制-粘贴篡改检测算法。通过在检测框架中引入图像预处理操作,不仅能够有效地检测出存在翻转的复制-粘贴篡改块,而且能够抵抗旋转、缩放等图像处理行为。同时,在SIFT关键点匹配环节提出了ng2NN匹配方法,提高了算法的检测效果。实验结果证明了所提出算法在抵抗翻转、缩放、旋转以及检测多重复制-粘贴篡改等方面的有效性。     

基于CFA去马赛克的图像篡改检测技术研究

图像篡改检测研究中,大多数检测方法需要构建一个复杂的分类器,致使检测效率降低。文章提出一种基于由色彩滤镜阵列(CFA)处理过程中产生的伪影检测技术,包括基于CFA模式个数估计和其他基于CFA噪声分析,该方法通过计算单个特征点和基于分类器简单阈值来实现,通过被篡改后图像改变了CFA去马赛克伪影检测图像篡改,通过成千上万张真实的、篡改的及计算机合成的图片验证,实验结果表明,文章所提方法具有较高的性能。     

一种基于LSB的易碎性数字盲水印算法

提出了一种基于LSB的易碎性数字盲水印算法.水印由m序列确定的嵌入像素LSB清零后的原始图像CRC-32值、有意义的二值图像及其CRC-32值组成,嵌入到由m序列确定的像素LSB中,有效地解决了信息隐藏、盲水印提取和篡改检测等关键问题.试验结果表明,该算法能够满足数字档案资料版权保护和篡改鉴真的要求,具有实用价值.     

视频篡改被动检测技术研究

随着网络和各种视频编辑软件的迅速发展,视频的传播和篡改也越来越容易,如何保证视频内容的完整性和安全性成为人们亟须解决的问题。视频篡改检测是一个目前国内外热门的研究领域,也是版权保护、广告跟踪、执法调查等问题的有效措施之一。文中详细介绍了视频篡改被动检测技术的研究背景、意义、定义、分类、检测原理和通用模型,以及目前国内外视频篡改被动检测技术的最新成果。     

基于压缩传感的半脆弱水印的视频篡改检测算法

现针对目前的视频水印算法在篡改检测方面存在不足,提出一种基于压缩传感的半脆弱水印的视频篡改检测算法.通过压缩传感算法提取I帧的图像特征,生成半脆弱的内容认证水印,嵌入到I帧图像的中高频系数中,实现帧内篡改检测.通过对P帧的序号进行哈希运算,生成完整性水印,嵌入到P帧的运动矢量中,实现帧间篡改检测.仿真实验表明,算法对视...     

基于扩展马尔科夫特征的Seam-Carving篡改检测

针对能够用于图像篡改的Seam-Carving技术,提出了一种基于扩展的马尔科夫特征的Seam-Carving篡改识别算法。该算法充分考虑了Seam-Carving操作导致的图像频域特征的变化,将传统的利用马尔科夫转移概率矩阵求取的图像特征和基于扩展的马尔科夫转移概率特征进行融合,而后利用支持向量机进行分类训练,从而达到有效识别基于Seam-Carving的图像篡改。实验结果表明,提出的方案性能优于传统的基于马尔科夫转移矩阵的特征选择方法以及现有的一些该类图像篡改检测方法。     

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。     

基于纹理复杂度的图像篡改定位和恢复水印算法

针对现有方法对图像纹理相关性利用不充分导致 图像块特征值选取不灵活和隐蔽性不 足的问题,提出了一种新的基于纹理复杂度和Laplacian算子的篡改定位和恢复水印算法。 算法首先将图像分成3×3的分块,分别计算各块的纹理复杂度,利用纹理复杂度对同质块进 行合并,降低水印嵌入对图像质量的影响;然后,计算母块和单独块的拉普拉斯卷积值作为 其特征值,并将母块的位置信息作为子块的特征值,新的特征值增强了对篡改的敏感性,并 减少了需嵌入的特征水印数量;最后将子块的特征值水印嵌入到母块像素最低有效位中,母 块和单独块则嵌入到其对应块的像素最低有效位中。在水印图像没有受到篡改时,水印图像 平均PSNR较现有方法提升7.83dB左右; 当受到篡改时,恢复图像质量提升1.01 dB左右。实验 结果表明,本文算法能够增强图像水印隐蔽性,提高篡改图像恢复质量,适用于版权保护和 医学图像的篡改检测。     

基于交叉划分的灰度图像篡改检测与恢复算法

针对单像素篡改检测算法和分块篡改检测算法的缺点,提出了基于交叉划分的篡改检测与恢复算法.根据图像内容生成的2×2分块水印被两次嵌入到不同的对应块中,两次分块方式采用交叉划分方式.在水印嵌入时采用混沌映射序列对水印进行了加密.根据不同的分块位置进行两次篡改检测,并根据两次检测结果交叉后逐步求精,得到最终检测结果.图像恢复采用像素级恢复方式,先确定水印嵌入区域是否被篡改然后再根据两次嵌入的信息进行恢复.实验结果表明,该算法篡改检测定位精度可以达到像素级,恢复图像质量好,能够抵抗矢量攻击和噪声攻击.     

JPEG图像重压缩检测综述

JPEG（Joint Photographic Experts Group,联合图像专家小组）是目前互联网上运用最为广泛的图像格式。已有的案例表明,许多篡改操作都发生在JPEG图像上,其操作基本流程是首先对JPEG文件进行解压,在空域进行篡改,篡改完成后再将篡改后的图片压缩保存为JPEG格式,这样篡改后的图片就可能会被两次甚至多次JPEG压缩。因此,JPEG图像的重压缩检测可以作为判断图像是否经过篡改的重要依据,对JPEG图像进行分析和取证具有非常重要的意义。本文主要从JPEG重压缩过程中量化表保持不变和量化表不一致这两个方面,对近年来JPEG重压缩检测领域的文献进行了一个回顾,介绍了该领域一些代表性的方法。最后我们还分析了JPEG重压缩领域存在的问题,并对未来的发展方向进行了展望。      

一种改进的SIFT篡改检测算法

本文针对数字图像的复制粘贴盲检测进行了研究,传统的筛选特征描述部分不充分检测图像信息,基于统计分布特征和一致性约束理论提出了一种改进的SIFT篡改检测算法。首先,建立DOG尺度空间特征点检测方法以提取关键点。然后; 在主要方向生成的过程中基于最大色散方法选择,此外,该方法基于统计特征生成特征描述的精确坐标、尺度值、像素区域尺寸值、边界标记、边界角和曲率。最后,基于一致性约束新的匹配方法将介绍。实验结果为TPR值为98.03%,FPR值为7.99%,验证了本文提出的方法的可行性和有效性。该算法对篡改区域的平移、缩放和旋转有较强的鲁棒性。     

基于SIFT的数字图像盲检测算法研究

针对图像区域的复制-变换-移动-粘贴篡改,建立了相应的篡改模型,提出了基于SIFT标记图特征向量的盲鉴别算法,能够有效地检测并定位经过旋转、缩放变换的篡改区域,而且能够抵抗高斯模糊、高斯白噪声和JPEG重压缩等后处理。与基于传统SIFT特征向量的检测算法相比,该算法对篡改区域的缩放变换具有更高的鲁棒性。