JPEG量化步长估计综述

随着 JPEG(Joint Photographic Experts Group)格式的图片在网络存储和传输中的广泛应用, 基于 JPEG 格式的篡改、 拼接等恶意操作也层出不穷, 利用 JPEG 图像特性的研究受到越来越多的关注。其中, JPEG 图像特性与量化步长息息相关。如果, JPEG 压缩后的图像以位图的形式进行保存, 研究者无法直接获取到量化步长, 从而无法有效地分析 JPEG 图像特性。因此, 对于量化步长的估计在数字图像取证领域越来越受到关注。 本文首先介绍了量化步长估计的研究背景, 并将量化步长估计问题分成两类问题: 单压缩图像的量化步长估计和重压缩图像的首次量化步长估计。其次, 在经典的 JPEG 压缩模型基础上分别了给出了这两类问题的量化步长估计模型, 并对每类问题的各种现有方法进行了详细介绍和梳理。随后, 在相同实验环境下对经典算法进行了实验, 并对经典算法进行了相应的分析与评价。 实验结果表明: 在单压缩图像的量化步长估计任务中, 现有技术相对成熟并且部分算法估计准确率高于 90%; 但是, 在对齐重压缩图像的首次量化步长估计任务中, 现有方法仅能估计低频、中频的量化步长, 并且当首次与第二次的压缩质量因子相近时, 估计准确率较低; 在非对齐重压缩图像的首次量化步长估计任务中, 由于网格偏移会增加估计量化步长的困难, 导致算法在非对齐重压缩上性能较差。最后, 指出了量化步长估计中有待进一步解决的问题和发展趋势。     

反硝化深床滤池工艺在污水处理厂的应用分析

本文通过分析污水的类型和排放规律,对反硝化深床滤池的功能进行分析,并介绍了反硝化深床滤池建设中的几个设计环节,包括滤池容积计算、设计滤速与空床停留时间等.模拟建设了一个反硝化深床滤池,再分析反硝化深床滤池的脱氮因素,以期为污水处理厂的反硝化深床滤池工艺研究人员提供一些参考.     

区分来源和目标区域的图像copy-move伪造检测方法

Copy-move是一种常用的图像伪造手段,它通过复制图像的某一区域,移动并粘贴到同一图像的其他位置,达到掩盖重要信息或伪造虚假场景的目的。近年来,为了防止copy-move被用于违法犯罪,copy-move伪造检测技术迅猛发展,在维护社会运行秩序和信息安全方面发挥着积极作用。本文提出一种基于条件生成对抗网络(conditional Generative Adversarial Networks, cGANs)的copy-move伪造检测方法。针对图像copy-move伪造检测,该方法优化设计了cGANs的损失函数,并使用适量的弱监督样本来提升网络性能。不同于目前大部分检测算法,该方法不仅可以定位出图像中的相似区域,还可以有效区分伪造来源区域和伪造目标区域。实验结果表明,本文所提出的方法在检测准确率上显著优于现有方法。      

一种基于HMRF模型的无监督图像分割算法

研究了基于隐马尔可夫随机场(HMRF)模型的无监督图像分割问题.对于每一阶模型的图像分割,该算法充分利用了相邻模型之间的相关信息,由此,该算法克服了均值场算法对初始化条件要求非常苛刻的缺点.而且,针对无监督图像分割的模型选择问题提出了带惩罚项的误差平方和阶次判定准则.实验结果证实本文提出的阶次判定准则优于伪似然信息准则(PLIC),并且,该算法具有满意的分割结果.     

深度伪造及其取证技术综述

深度学习作为机器学习的一个具有前景的重要分支,在计算机视觉方面取得了重大突破。深度伪造(Deepfake)通常指的是使用深度学习(deep learning)进行涉及人脸和人声的多媒体伪造技术,如果被恶意滥用会给社会带来灾难。深度伪造不仅限于面部的替换,还有修改面部特征、修改表情、唇形同步、姿势变换、完整脸生成、篡改音频到视频以及文本到视频等方式。人类面部在社会、政治、经济等方面的敏感性,使得深度伪造技术威胁着社会和个人的安全。对深度伪造产物进行检测也成为数字取证领域的一个重要研究课题。为了提供对Deepfake检测研究工作的最新概述,本文描述了各种针对解决Deepfake相关问题的处理方法。本文主要参考了谷歌学术检索2018—2022共5年的深度伪造论文,分为不同类别进行分析比较,并且详细介绍了深度伪造数据集的特点以及伪造方法,简述了深度伪造技术及其基本原理,介绍了检测器在深度伪造技术数据集上的性能效果,分别从输入维度、浅层特征和深层特针对深度伪造检测技术进行分类,并对未来发展前景进行展望。