CN102609947B - 一种针对拼接篡改的数码照片伪造检测方法 - Google Patents
一种针对拼接篡改的数码照片伪造检测方法 Download PDFInfo
- Publication number
- CN102609947B CN102609947B CN201210029762.5A CN201210029762A CN102609947B CN 102609947 B CN102609947 B CN 102609947B CN 201210029762 A CN201210029762 A CN 201210029762A CN 102609947 B CN102609947 B CN 102609947B
- Authority
- CN
- China
- Prior art keywords
- primary color
- suspicious
- pixel point
- color plane
- missing pixel
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 49
- 238000013528 artificial neural network Methods 0.000 claims abstract description 8
- 239000000203 mixture Substances 0.000 claims description 38
- 238000012360 testing method Methods 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 7
- 239000012141 concentrate Substances 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 3
- 238000006467 substitution reaction Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 abstract description 31
- 238000012952 Resampling Methods 0.000 abstract description 9
- 230000000694 effects Effects 0.000 abstract description 5
- 238000000034 method Methods 0.000 description 16
- 238000012545 processing Methods 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 8
- 238000005242 forging Methods 0.000 description 7
- 238000011160 research Methods 0.000 description 7
- 230000010076 replication Effects 0.000 description 5
- 230000006835 compression Effects 0.000 description 4
- 238000007906 compression Methods 0.000 description 4
- 238000000513 principal component analysis Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 230000000903 blocking effect Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000013139 quantization Methods 0.000 description 3
- 238000005316 response function Methods 0.000 description 3
- 239000003086 colorant Substances 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000010845 search algorithm Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 101100072002 Arabidopsis thaliana ICME gene Proteins 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 241001350462 Panthera tigris amoyensis Species 0.000 description 1
- 238000000540 analysis of variance Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011960 computer-aided design Methods 0.000 description 1
- 238000010612 desalination reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000032669 eclosion Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005755 formation reaction Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 210000001161 mammalian embryo Anatomy 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 239000003305 oil spill Substances 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Landscapes
- Image Processing (AREA)
Abstract
本发明公开了一种针对拼接篡改的数码照片伪造检测方法，采用随机像素点选取，把重采样和神经网络算法相结合进行循环迭代来估算数码照片中采用的CFA插值算法，并在重采样和迭代计算中通过误差偏离均值程度模型不断去除可疑篡改点，从而最终得到整个基色平面中未被篡改的像素点集合，并以该集合中的像素点作为标准进行CFA插值算法函数估计，并根据误差偏离均值程度模型判决可疑篡改点，从而判决该数码照片是否伪造。本发明方法通用性好、误判少、伪造检测效果更精确。
Description
技术领域
本发明属于数字图像取证技术领域，具体涉及一种针对拼接篡改的数码照片伪造检测方法。
背景技术
随着电子、计算机、信息等技术的发展，近些年来数码相机几乎已经完全取代了原有的胶片相机成为我们手中不可缺少的影像记录设备。数码相机所拍摄的数码照片不仅易于储存而且还易于修改，用户通过Photoshop，iPhoto，AcDsee等工具可以轻松的修改自己所拍摄的数码照片从而达到增强视觉效果的目的。然而数码照片的这种特性是一把双刃剑，在为我们的生活带来便捷和快乐的同时也带来了一个我们不得不面对的问题——数码照片的篡改伪造。例如，2006年CCTV评选出的年度十大新闻图片《青藏铁路为野生动物开辟生命通道》的图片被网友指出存在篡改疑点。后经调查，图片拍摄者承认该图确系使用Photoshop处理合成的。2007年10月，陕西省安康市镇坪县城关镇文彩村村民周正龙用数码相机记录了野生华南虎的存在，为此陕西省林业厅迅速组织有关专家进行鉴定，认为这组照片是真实的，并给予村民周正龙2万元奖励，然而随着照片的公布，公众质疑声四起，最后经过调查确认照片系伪造，2008年6月，陕西省监察机关对省林业厅和镇坪县13名相关公务人员做出了严肃处理。2010年在美国墨西哥湾漏油事件中，据英国《每日邮报》报道，英国石油公司位于得克萨斯州休斯敦市的清理漏油指挥中心，被谴责修改工作照片，制造工作人员繁忙的假象。更有甚者，在一些科学论文中也出现数据和图片的篡改，这成为学术不端行为的新现象。2006年美国科学家迈克尔·罗伯茨就承认自己发表在《科学》杂志上的一项研究报告中的老鼠胚胎照片属于造假。一次次虚假图片新闻以及学术造假的曝光，使得对包括数码照片在内的数字媒体信息进行真实性和完整性验证成为维护信息产业健康持续发展所亟待解决的关键问题之一。
数码照片伪造检测技术是指对数码照片的篡改伪造进行分析、鉴别和认证，是数字图像取证技术中的一个重要研究领域，该技术涉及信号处理、计算机应用、成像技术、模式识别等多个学科领域，是信息安全和多媒体处理的前沿研究课题。开展这一课题研究，不仅是对多学科交叉融合的促进，在技术上具有重大的理论意义和应用价值，同时也是对于确保当今信息社会公共信任秩序、打击犯罪、维护司法公正和人类诚信具有十分重要的政治、经济意义。
由于现代数码照片伪造的方法很多，Hany Farid将伪造手段分成六类，其中合成篡改伪造(由两幅或多幅数码照片通过复制其中一幅中的某一部分粘贴到另一幅照片中以造成某种假象，通常称之为拼接篡改伪造；或者把一幅照片的某一部分复制-粘贴到这一幅照片的另一部分上，以此来隐藏重要目标，通常称之为Copy-Move篡改伪造)是数码照片伪造中最常用的手段，同时也是目前研究最多和最热的一个研究方向。
在过去的几年中，国内外的高校和研究机构已经做了大量的研究，提出了许多不同的富有特色的数码照片伪造检测算法。总的来说，这些针对数码照片合成篡改伪造的检测算法可以分为以下三类：
Copy-Move伪造检测算法。该检测算法针对的是非法者把一幅照片的某一部分复制-粘贴到同一幅照片另一部分的非法篡改伪造行为。Copy-Move篡改伪造的照片，其主要特点是照片中的复制区域和相对应的粘贴区域基本上相似。基于这个特点，可以通过寻找照片中存在的相似区域来检测照片的伪造痕迹。穷举搜索法是一个显然的解决方法，其特点是算法简单，易于实现，但是运算量大是它的缺点。针对此缺点，许多文献提出了各种数据降维的方法进行算法改进，如Fridrich在题为“Detection ofcopy-move forgery in digital images”(Proceedings of Digital ForensicResearch Workshop，Cleveland，OH，USA，2003)的文中把对照片像素的点操作转化为块操作，提出了一种对照片块的DCT量化系数进行字典排序的算法来检测照片复制伪造区域。Popescu在题为“Exposing DigitalForgeries by Detecting Duplicated Image Regions”(Technical Report TR2004-515，Department of Computer Science，Dartmouth College，2004)的文中使用主成分分析PCA(Principal Component Analysis)的特征向量作为照片块的描述，以减少特征空间的维数。骆伟祺等在题为“鲁棒的区域复制图像篡改检测技术”(计算机学报，2007，Vol.30(11)：1998-2007)一文中提出将照片分解为小块并比较它们的相似性，最后利用“主转移向量”方法去除错误的相似块对得到篡改的区域。吴琼等在题为“基于小波和奇异值分解的图像复制伪造区域检测”(小型微型计算机系统，2008，Vol.29(4)：730-733)一文中则提出了通过小波和奇异值分解进行特征降维的照片复制区域检测算法。张静等在题为“基于像素匹配的图像复制-粘贴篡改检测算法”(天津大学学报，2009，Vol.42(8)：713-720)一文中提出先对照片进行DWT分解再利用相位相关技术进行检测。Aaron Langille等在题为“An efficientmatch-based duplication detection algorithm”(Proceedings of the 3rdCanadian Conference on Computer and Robot Vision(CRV’06)，IEEEComputer Society，Washington，DC，USA，2006)一文中提出基于KD树的特征匹配快速搜索算法。Hwei J.Lin等在题为“Fast copy-move forgerydetection”(WSEAS Transactions on Signal Processing，2009，Vol.5(5)：188-197)一文中提出基于基分类(radix sort)的检测算法。由于实际的Copy-Move篡改伪造操作中往往还伴随旋转、放大、缩小等各种变换，因此为了增加检测算法的鲁棒性，王睿等在题为“基于不变矩的Copy-Move型篡改图像盲检测方法”(中国图象图形学报，2008，Vol.13(10)：1938-1941)一文中提出一种具有旋转、镜像以及缩放不变性的不变矩特征进行照片篡改伪造检测。Hailing Huang等在题为“Detection of copy-move forgery Indigital images using sift algorithm”(Proceedings of the 2008IEEE Pacific-Asia Workshop on Computational Intelligence and Industrial Application，Washington，DC，USA，2008，pp.272-276)一文中提出利用对旋转、尺度变换鲁棒的SIFT特征进行篡改伪造检测。Sevinc Bayram等在题为“Anefficient and robust method for detecting copy-move forger”(Proceedings ofthe 2009 IEEE International Conference on Acoustics，Speech and SignalProcessing，Washington，DC，USA，2009，pp.1053-1056)一文中采用Fourier-Mellin变换进行旋转、尺度变换鲁棒的特征提取实现数码照片的伪造检测。
照片拼接伪造检测算法。该检测算法针对的是非法者把一幅照片的某一部分复制-粘贴到另一幅照片中以造成某种假象的非法篡改行为。照片拼接伪造，其主要特点是照片中的拼接行为会造成照片中某种特征的不连续性。基于这个特点，通过识别照片特征不连续性行为就可以进行伪造检测。如魏为民等在题为“利用JPEG块效应不一致性的合成图像盲检测”(中国图象图形学报，2009，Vol.14(11)：2387-2390)一文中提出将照片图像与Laplacian模板卷积得到二阶差分照片图像，沿水平(垂直)方向平均后进行离散Fourier变换得到归一化的频谱，并基于频谱幅值构造JPEG块效应测度进行照片拼接检测。J.Dong等在题为“Run-length and edge statistics basedapproach for image splicing detection”(Digital Watermarking，IWDW 2008，Busan，Korea，November，2008，pp.76-87)一文中提出利用拼接照片像素之间的相关和一致性行为的缺失作为特征，然后利用SVM进行分类和伪造检测。Zhou Zhi-ping等在题为“Image Splicing detection based on imagequality and analysis of variance”(Proceedings of the 2nd InternationalConforence on Education Technology and Computer(ICETC)，2010，pp.242-246)一文中提出利用拼接照片中照片质量的不一致性进行拼接篡改伪造检测。YuFeng Hsu等在题为“Image splicing detection using camera responsefunction consistency and automatic segmentation”(ICME，2007，pp.28-31)一文中提出从几何不变量中估计相机响应函数(camera response function)进行检测。Johnson等在题为“Exposing digital forgeries by detectinginconsistencies in lighting”(Proc.ACM Multimedia and Security Workshop，New York，NY，2005，pp.1-10)一文中提出对照片图像提取闭合边界，沿着对象闭合边界分成若干局部块，估计局部块的二维光源方向，然后根据光源方向是否一致来检测照片伪造情况。Ng在题为“A model for imagesplicing”(Proceedings of 2004 International Conference on Image Processing，Singapore，2004，pp.1169-1172)一文中首先使用双相干幅度和相位特征进行拼接照片伪造检测。
数码照片伪造通用检测算法。虽然上面我们把数码照片伪造技术分为Copy-Move篡改伪造、照片拼接篡改伪造两类并介绍了相对应的一些篡改伪造检测算法，但在实际的篡改伪造中，不管是Copy-Move还是照片拼接篡改伪造都可能会导致一些照片特征出现变化。比如：为了消除照片伪造在粘贴或拼接边缘产生的视觉或统计上的畸变，伪造者通常会在照片粘贴或拼接后采用模糊、淡化、渐变等润饰操作以消除伪造痕迹。另外照片伪造中旋转也会导致重采样操作的出现，粘贴或拼接也可能导致空间透视关系发生变化。针对这些特征的变化，有关研究人员提出了一些通用数码照片伪造检测算法，也就是说这些算法在Copy-Move和照片拼接伪造检测中均可适用。如周琳娜等在题为“基于数字图像边缘特性的形态学滤波取证技术”(电子学报，2008，Vol.36(6)：1047-1051)一文中利用同态滤波和数学形态学方法进行模糊处理检测来实现照片伪造识别。王俊文等在题为“基于非抽样Contourlet变换的图像模糊取证”(计算机研究与发展，2009，Vol.46(9)：1549-1555)一文中利用非抽样Contourlet变换对照片图像边缘点进行边缘点分类，通过引入局部清晰度来区分人工模糊与离焦模糊，从而最终标定人工篡改伪造边缘痕迹。YinCheng QI等在题为“Blinddetection of eclosion forgeries based on Curvelet image enhancement edgedetection”(Proceedings of International Conference on Multimedia and SignalProcessing，2011，pp.316-320)一文中利用Curvelet变换进行照片增强，然后用Canny算子检测模糊边界实现伪造检测。依据照片伪造中重采样操作会对照片引入一种特殊的相关性或周期性特点，Popescu等在题为“Exposing digital forgeries by detecting traces of resampling”(IEEETransactions on Signal Processing，2005，Vol.53(2)：758-767)一文中采用期望最大化(expectation maximization，EM)算法来检测照片是否经历过重采样操作。汪然等在题为“基于图像纹理复杂度和奇异值分解的重采样检测”(计算机辅助设计与图形学学报，2010，Vol.22(9)：1606-1612)一文中针对纹理复杂程度不同的子像素块进行分析并以零奇异值个数和奇异值均值作为分类特征结合SVM进行重采样检测。王伟等在题为“基于有限差分的置换图像盲检测方法”(电子学报，2010，Vol.38(10)：2268-2272)一文中提出了一种利用有限差分算法来检测周期特性的方法，利用该特性的异同实现了不同插值因子放大照片的伪造检测。
另外为了降低相机成本，目前大部分民用数码相机采用CFA插值方法实现RGB三色的获取，即：民用数码相机只采用一个感光器件(CCD或CMOS)，也就是说对于彩色照片中的每一个像素点的R、G、B三种基色，数码相机只能采集到一种色彩，每个像素点位置采集什么颜色取决于彩色滤波器阵列(CFA，color filter arrays)，并且同一像素点的另两种基色只能通过该像素点周围的其他点进行插值计算得到，即
Xij＝f({r，g，b：r，g，b∈Nδ(i，j)}) (1)
上式中，Xij为数码照片中像素点位置(i，j)处色彩缺失像素点的实际值，r，g，b为以该(i，j)位置为中心的δ范围内的邻域点对应的实际颜色值(即实际CCD或CMOS采样所得的对应颜色值)，f为数码相机采用的Bayer CFA插值函数。
最常见的Bayer CFA结构如图1所示，由图1可以看出，CFA的排列结构具有周期性，同时由于插值函数的存在使得局部邻域内像素颜色值存在相关性。
针对此特点，Popescu等在题为“Exposing digital forgeries in color filterarray interpolated images”(IEEE Trans.on Signal Processing，2005，Vol.53(10)：3948-3959)一文中利用EM方法检测CFA(Color Filter Array，颜色滤波阵列)插值周期性在频谱中呈现的峰值点，并采用Fisher线性分类器进行分类实现伪造检测。王波等在题为“基于协方差矩阵的CFA插值盲检测方法”(电子与信息学报，2009，Vol.31(5)：1175-1179)一文中基于线性插值模型，利用协方差矩阵构建插值系数方程组，并将估计的插值系数构成特征向量空间，采用支持向量机作为分类工具，提出了一种对不同的CFA插值算法进行准确分类的检测方法。针对照片普遍采用的JPEG压缩，目前检查JPEG压缩格式的照片伪造主要途径有两个：双重JPEG压缩和JPEG压缩的块效应。J.Fridrich等在题为“Estimation of primaryquantization matrix in double compressed JPEG images”(Proceedings ofDigital Forensic Research Workshop，Cleveland，OH，USA，2003)一文中分析了DCT变换系数的直方图在单次和两次压缩下的不同，给出了估计第一次压缩时所使用的量化系数的两种方法。郑二功等在题为“针对一类JPEG图像伪造的被动盲取证”(电子与信息学报，2010，Vol.32(2)：394-399)一文中根据伪造区域与非伪造区域块效应的不一致性，提出了一种简单有效的伪造检测算法。Weimin Wei等在题为“Estimation of image rotationangle using interpolation-related spectral signatures with application to blinddetection of image forgery”(IEEE Tran.on information forensics and security，2010，Vol.5(3)：507-517)一文中采用对伪造区域照片旋转角度的计算实现照片伪造检测。Matthew C.Stamm等在题为“Forensic detection of imagemanipulation using statistical intrinsic fingerprints”(IEEE Tran.oninformation forensics and security，2010，Vol.5(3)：492-506)一文中利用照片篡改伪造后的像素值映射图作为内部指纹实现了对对比度增强、直方图均衡、JPEG压缩导致的全局噪声增加等篡改伪造时发生的特征变化进行检测来判断数码照片伪造行为。
发明内容
本发明提供了一种针对拼接篡改的数码照片伪造检测方法，通用性好、误判少、伪造检测效果更精确。
一种针对拼接篡改的数码照片伪造检测方法，包括以下步骤：
(1)把彩色数码照片分成R、G、B三个基色平面；
(2)对于R、G、B三个基色平面中任一基色平面，获取该基色平面的可疑篡改点集合：
(2.1)选取该基色平面上若干组的色彩缺失像素点对组成训练样本集，并用所述的训练样本集对径向基函数(Radia-Basis Function，RBF)神经网络进行训练，训练完成后，获取近似逼近函数；
其中，每组色彩缺失像素点对由一个色彩缺失像素点和处在以该色彩缺失像素点为中心的周围位置的8个邻域点构成，所述的色彩缺失像素点按Bayer CFA模板的排列规定随机选取；具体来说，对于R基色平面，所述的色彩缺失像素点取自于Bayer CFA模板中标记为B、G的像素点；对于G基色平面，所述的色彩缺失像素点取自于Bayer CFA模板中标记为R、B的像素点；对于B基色平面，所述的色彩缺失像素点取自于BayerCFA模板中标记为R、G的像素点；
(2.2)取该基色平面上所有组的色彩缺失像素点对组成测试样本集，对于测试样本集中每组色彩缺失像素点对，将8个邻域点对应的实际颜色值代入近似逼近函数后计算得到输出值，再将该输出值与其中的色彩缺失像素点的实际值相减得到误差值ΔXij由测试样本集中所有组的色彩缺失像素点对得到的所有误差值构成集合S；对集合S中的所有误差值，求平均值E和方差D；
(2.3)根据每组色彩缺失像素点对所对应的误差值ΔXij，判决其中的色彩缺失像素点是否为可疑篡改点：如果ΔXij＞E+H×D，其中H为门限值，取值为3-5，则其中的色彩缺失像素点视为可疑篡改点进行标记；否则，将其中的色彩缺失像素点作为重采样点；
(2.4)所有的重采样点组成一个迭代基色平面，对于该迭代基色平面，重复步骤(2.1)～(2.3)，标记出可疑篡改点，直至重复次数超过预设的次数门限值或者前后两次重复计算出的平均值E变化小于预设的平均值差值门限值时结束；
(2.5)上述步骤中标记出的所有可疑篡改点构成所选取的基色平面的可疑篡改点集合；
(3)对于R、G、B三个基色平面中另外两个基色平面，重复步骤(2)标记出相应基色平面上的所有可疑篡改点，分别得到另外两个基色平面的可疑篡改点集合；
(4)将仅出现在一个基色平面的可疑篡改点集合中的可疑篡改点作为误判决点，并消除标记；
(5)在R、G、B每个基色平面中按2×2大小进行分块，则每个2×2分块由4个像素点组成；遍历所有基色平面中的所有2×2分块，如果2×2分块中只有1个像素点为已标记的可疑篡改点，则该像素点为误判决点，消除标记；如果2×2分块中有3个像素点为已标记的可疑篡改点，则该2×2分块中的四个像素点全部为可疑篡改点；其它的情况下，维持不变；
(6)最后，将标记有可疑篡改点的R、G、B三个基色平面合在一起成为一个平面，在这个平面中如果存在超过8×8点阵大小的可疑篡改点聚集区域，则判决该数码照片是伪造的。
步骤(2.4)中，通常所述次数门限值取值为10-50。
步骤(2.4)中，通常所述平均值差值门限值取值为0.001-0.01。
本发明的原理如下：
当把两张照片进行拼接合成为一张照片时，如果两张照片采用的插值函数f不同，那么只要一张照片中检测出存在两种插值函数，则这张照片存在篡改可能性；即使两张照片来源于同一相机，采用一致的插值函数f，但由于CFA的排列结构具有周期性，因此两张照片拼接不好就会在拼接边界破坏这种周期性，如图2第一行所示，在白色边界处出现了R颜色采样的连续2次出现，这在正常的照片中是不可能出现的。
本发明正是基于拼接篡改的数码照片会出现CFA排列结构的周期性或局部领域内像素颜色值相关性的缺失而提出的检测方法，采用随机像素点选取，把重采样和神经网络算法相结合进行循环迭代来估算数码照片中采用的CFA插值算法，并在重采样和迭代计算中通过误差偏离均值程度模型ΔXij＞E+H×D不断去除可疑篡改点，从而最终得到整个基色平面中未被篡改的像素点集合，并以该集合中的像素点作为标准进行CFA插值算法函数估计。
而在现有技术(基于人工神经网络的数字图像盲取证，浙江理工大学学报，2011，Vol.28(5)：772-777)中，基于“图像的篡改者只修改图像中较小的一部分，那么该篡改区域不会出现在所有的子图中”的假设，仅选取一个基色平面，把该平面分成9部分，并通过计算选取9个部分中某一个没有被篡改的部分作为标准，采用BP神经网络进行CFA插值算法函数估计，并最终通过估计值与实际值之间的误差大小来判断数码照片是否伪造。
因此，与现有技术相比，本发明具有以下有益的技术效果：
1、把重采样和神经网络算法相结合进行循环迭代来估算数码照片中采用的CFA插值算法，该方法对被估计的CFA插值算法以及篡改区域的大小和位置没有任何假设，因此更具通用性。
2、提出误差偏离均值程度模型ΔXij＞E+H×D，在重采样和迭代计算中通过该模型不断去除可疑篡改点，从而实现更高的CFA插值算法估计精度。
3、提出利用彩色照片RGB三平面的联合以及平面内2×2分块的四像素联合作为相关约束条件，从可疑篡改区域中去除误判决点，具有更精确的篡改检测效果。
附图说明
图1为典型的Bayer CFA模板。
图2为拼接篡改后的Bayer CFA模板。
图3为一组色彩缺失像素点对的相对位置示意图。
具体实施方式
下面结合实施例和附图来详细说明本发明，但本发明并不仅限于此。
一种针对拼接篡改的数码照片伪造检测方法，包括以下步骤：
(1)把彩色数码照片分成R、G、B三个基色平面；
(2)通过以下步骤获取R基色平面的可疑篡改点集合：
(2.1)选取R基色平面上若干组的色彩缺失像素点对组成训练样本集，并用该训练样本集对径向基函数(Radia-Basis Function，RBF)神经网络进行训练，训练完成后，获取近似逼近函数f’；其中，每组色彩缺失像素点对由一个色彩缺失像素点和处在以该色彩缺失像素点为中心的周围位置的8个邻域点构成。
每组色彩缺失像素点对中的色彩缺失像素点是按照如图1所示的Bayer CFA模板的排列规定随机选取，对于R基色平面，色彩缺失像素点取自于如图1所示的Bayer CFA模板中标记为B、G的像素点；每组色彩缺失像素点对中8个邻域点的位置则如图3所示，图3中A为色彩缺失像素点，而在A周围的1～8位置处的则为其8个邻域点，色彩缺失像素点A和这8个邻域点构成一组色彩缺失像素点对。
(2.2)取R基色平面上所有组的色彩缺失像素点对组成测试样本集，对于测试样本集中每组色彩缺失像素点对，将8个邻域点对应的实际颜色值代入近似逼近函数后计算得到输出值，再将该输出值与其中的色彩缺失像素点的实际值相减得到误差值ΔXij，由测试样本集中所有组的色彩缺失像素点对得到的所有误差值构成集合S；对集合S中的所有误差值，求平均值E和方差D；
其中，误差值ΔXij的计算按以下公式(2)进行：
ΔXij＝f′(f′，g′，b′：r′，g′，b′∈N8(i，j)})-Xij (2)
式(2)中，Xij为数码照片中像素点位置(i，j)处色彩缺失像素点的实际值，该值由数码相机在拍照时采用公式(1)所示的CFA插值函数计算得到；r′，g′，b′为以该(i，j)位置为中心的8个邻域点对应的实际颜色值；
Xij＝f({r，g，b：r，g，b∈Nδ(i，j)}) (1)
式(1)中，r，g，b为以该(i，j)位置为中心的δ范围内的邻域点对应的实际颜色值，f为数码相机采用的Bayer CFA插值函数。
(2.3)根据每组色彩缺失像素点对所对应的误差值ΔXij，判决其中的色彩缺失像素点是否为可疑篡改点：如果ΔXij＞E+H×D，其中H为门限值，取值为3-5，则其中的色彩缺失像素点视为可疑篡改点进行标记；否则，将其中的色彩缺失像素点作为重采样点；
(2.4)所有的重采样点组成一个迭代基色平面R1，对于该迭代基色平面R1，重复步骤(2.1)～(2.3)，标记出可疑篡改点，直至重复次数超过预设的次数门限值(一般取10-50次)或者前后两次重复计算出的平均值E变化小于预设的平均值差值门限值(一般取0.001-0.01)时结束；
(2.5)上述步骤中标记出的所有可疑篡改点构成R基色平面的可疑篡改点集合；
(3)按照与步骤(2)相同的方法，获取G基色平面的可疑篡改点集合；只是在按照Bayer CFA模板的排列规定随机选取色彩缺失像素点时，对于G基色平面，色彩缺失像素点取自于如图1所示的Bayer CFA模板中标记为R、B的像素点；
(4)按照与步骤(2)相同的方法，获取B基色平面的可疑篡改点集合；只是在按照Bayer CFA模板的排列规定随机选取色彩缺失像素点时，对于B基色平面，色彩缺失像素点取自于如图1所示的Bayer CFA模板中标记为R、G的像素点；
(5)综合考虑上述R基色平面的可疑篡改点集合、G基色平面的可疑篡改点集合和B基色平面的可疑篡改点集合，将仅出现在一个基色平面的可疑篡改点集合中的可疑篡改点作为误判决点，并消除标记；
(6)在R、G、B每个基色平面中按2×2大小进行分块，则每个2×2分块由4个像素点组成；遍历所有基色平面中的所有2×2分块，如果2×2分块中只有1个像素点为已标记的可疑篡改点，则该像素点为误判决点，消除标记；如果2×2分块中有3个像素点为已标记的可疑篡改点，则该2×2分块中的四个像素点全部为可疑篡改点；其它的情况下，维持不变；
(7)最后，将标记有可疑篡改点的R、G、B三个基色平面合在一起成为一个平面，在这个平面中如果存在超过8×8点阵大小的可疑篡改点聚集区域，则判决该数码照片是伪造的。
Claims (3)
1.一种针对拼接篡改的数码照片伪造检测方法，其特征在于，包括以下步骤：
（1）把彩色数码照片分成R、G、B三个基色平面；
（2）对于R、G、B三个基色平面中任一基色平面，获取该基色平面的可疑篡改点集合：
（2.1）选取该基色平面上若干组的色彩缺失像素点对组成训练样本集，并用所述的训练样本集对径向基函数神经网络进行训练，训练完成后，获取近似逼近函数；其中，每组色彩缺失像素点对由一个色彩缺失像素点和处在以该色彩缺失像素点为中心的周围位置的8个邻域点构成，所述的色彩缺失像素点按Bayer CFA模板的排列规定随机选取；
（2.2）取该基色平面上所有组的色彩缺失像素点对组成测试样本集，对于测试样本集中每组色彩缺失像素点对，将8个邻域点对应的实际颜色值代入近似逼近函数后计算得到输出值，再将该输出值与其中的色彩缺失像素点的实际值相减得到误差值ΔXij，由测试样本集中所有组的色彩缺失像素点对得到的所有误差值构成集合S；对集合S中的所有误差值，求平均值E和方差D；
（2.3）根据每组色彩缺失像素点对所对应的误差值ΔXij，判决其中的色彩缺失像素点是否为可疑篡改点：如果ΔXij＞E+H×D，其中H为门限值，取值为3-5，则其中的色彩缺失像素点视为可疑篡改点进行标记；否则，将其中的色彩缺失像素点作为重采样点；
（2.4）所有的重采样点组成一个迭代基色平面，对于该迭代基色平面，重复步骤（2.1）～（2.3），标记出可疑篡改点，直至重复次数超过预设的次数门限值或者前后两次重复计算出的平均值E变化小于预设的平均值差值门限值时结束；
（2.5）步骤（2.4）中标记出的所有可疑篡改点构成所选取的基色平面的可疑篡改点集合；
（3）对于R、G、B三个基色平面中另外两个基色平面，重复步骤（2）标记出相应基色平面上的所有可疑篡改点，分别得到另外两个基色平面的可疑篡改点集合；
（4）将仅出现在一个基色平面的可疑篡改点集合中的可疑篡改点作为误判决点，并消除标记；
（5）在R、G、B每个基色平面中按2×2大小进行分块，则每个2×2分块由4个像素点组成；遍历所有基色平面中的所有2×2分块，如果2×2分块中只有1个像素点为已标记的可疑篡改点，则该像素点为误判决点，消除标记；如果2×2分块中有3个像素点为已标记的可疑篡改点，则该2×2分块中的四个像素点全部为可疑篡改点；其它的情况下，维持不变；
（6）最后，将标记有可疑篡改点的R、G、B三个基色平面合在一起成为一个平面，在这个平面中如果存在超过8×8点阵大小的可疑篡改点聚集区域，则判决该数码照片是伪造的。
2.如权利要求1所述的针对拼接篡改的数码照片伪造检测方法，其特征在于，步骤（2.4）中，所述次数门限值取值为10-50。
3.如权利要求1所述的针对拼接篡改的数码照片伪造检测方法，其特征在于，步骤（2.4）中，所述平均值差值门限值取值为0.001-0.01。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201210029762.5A CN102609947B (zh) | 2012-02-10 | 2012-02-10 | 一种针对拼接篡改的数码照片伪造检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201210029762.5A CN102609947B (zh) | 2012-02-10 | 2012-02-10 | 一种针对拼接篡改的数码照片伪造检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN102609947A CN102609947A (zh) | 2012-07-25 |
| CN102609947B true CN102609947B (zh) | 2014-04-16 |
Family
ID=46527293
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201210029762.5A Active CN102609947B (zh) | 2012-02-10 | 2012-02-10 | 一种针对拼接篡改的数码照片伪造检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN102609947B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103903271B (zh) * | 2014-04-11 | 2017-01-18 | 北京航空航天大学 | 一种针对自然图像和基于dwt压缩篡改图像的图像的取证方法 |
| CN104637054B (zh) * | 2015-01-30 | 2018-05-18 | 山东省计算中心（国家超级计算济南中心） | 基于成像透视原理的图像真伪鉴别的方法 |
| CN109816676B (zh) * | 2015-06-25 | 2023-01-10 | 北京影谱科技股份有限公司 | 一种拼接图像篡改检测方法 |
| CN111340784B (zh) * | 2020-02-25 | 2023-06-23 | 安徽大学 | 一种基于Mask R-CNN图像篡改检测方法 |
| CN113449553A (zh) * | 2020-03-25 | 2021-09-28 | 阿里巴巴集团控股有限公司 | 一种图像检测方法及装置 |
| CN111881938B (zh) * | 2020-06-24 | 2022-07-12 | 广西大学 | 一种基于盲取证技术的图像真伪鉴别的方法 |
| CN112396459A (zh) * | 2020-11-19 | 2021-02-23 | 上海源慧信息科技股份有限公司 | 一种用于购物凭证核销的云审核方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101056350A (zh) * | 2007-04-20 | 2007-10-17 | 大连理工大学 | 基于色调模式的检测多种篡改的数字图像取证方法 |
| WO2008045139A2 (en) * | 2006-05-19 | 2008-04-17 | The Research Foundation Of State University Of New York | Determining whether or not a digital image has been tampered with |
| CN101441720A (zh) * | 2008-11-18 | 2009-05-27 | 大连理工大学 | 一种利用协方差矩阵检测照片来源的数字图像取证方法 |
| CN102262782A (zh) * | 2011-07-05 | 2011-11-30 | 大连理工大学 | 一种利用cfa重采样插值定位拼接的数字图像取证方法 |
-
2012
- 2012-02-10 CN CN201210029762.5A patent/CN102609947B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2008045139A2 (en) * | 2006-05-19 | 2008-04-17 | The Research Foundation Of State University Of New York | Determining whether or not a digital image has been tampered with |
| CN101056350A (zh) * | 2007-04-20 | 2007-10-17 | 大连理工大学 | 基于色调模式的检测多种篡改的数字图像取证方法 |
| CN101441720A (zh) * | 2008-11-18 | 2009-05-27 | 大连理工大学 | 一种利用协方差矩阵检测照片来源的数字图像取证方法 |
| CN102262782A (zh) * | 2011-07-05 | 2011-11-30 | 大连理工大学 | 一种利用cfa重采样插值定位拼接的数字图像取证方法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于人工神经网络的数字图像盲取证;高强，张华熊;《浙江理工大学学报》;20110910;第28卷(第5期);全文 * |
| 基于协方差矩阵的CFA插值盲检测方法;王波 等;《电子与信息学报》;20090515;第31卷(第5期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN102609947A (zh) | 2012-07-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102609948B (zh) | 一种针对复制粘贴篡改的数码照片伪造检测方法 | |
| Qureshi et al. | A bibliography of pixel-based blind image forgery detection techniques | |
| Birajdar et al. | Digital image forgery detection using passive techniques: A survey | |
| Asghar et al. | Copy-move and splicing image forgery detection and localization techniques: a review | |
| CN102609947B (zh) | 一种针对拼接篡改的数码照片伪造检测方法 | |
| Lin et al. | Recent advances in passive digital image security forensics: A brief review | |
| Al-Qershi et al. | Passive detection of copy-move forgery in digital images: State-of-the-art | |
| Mushtaq et al. | Digital image forgeries and passive image authentication techniques: a survey | |
| Tokuda et al. | Computer generated images vs. digital photographs: A synergetic feature and classifier combination approach | |
| Kaur et al. | Image forgery techniques: a review | |
| AlSawadi et al. | Copy-move image forgery detection using local binary pattern and neighborhood clustering | |
| Liu et al. | Detect image splicing with artificial blurred boundary | |
| Deep Kaur et al. | An analysis of image forgery detection techniques | |
| Alamro et al. | Copy-move forgery detection using integrated DWT and SURF | |
| Zhang et al. | Improved Fully Convolutional Network for Digital Image Region Forgery Detection. | |
| Sun et al. | Recaptured image forensics algorithm based on multi-resolution wavelet transformation and noise analysis | |
| Jarusek et al. | Photomontage detection using steganography technique based on a neural network | |
| Du et al. | Towards face presentation attack detection based on residual color texture representation | |
| CN106709915B (zh) | 一种图像重采样操作检测方法 | |
| Muhammad | Multi-scale local texture descriptor for image forgery detection | |
| Lu et al. | Revealing digital fakery using multiresolution decomposition and higher order statistics | |
| Chakraborty et al. | Review of various image processing techniques for currency note authentication | |
| CN111275687B (zh) | 一种基于连通区域标记的细粒度图像拼接检测方法 | |
| Agarwal et al. | The advent of deep learning-based image forgery detection techniques | |
| Mehta et al. | Near-duplicate image detection based on wavelet decomposition with modified deep learning model |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20200325 Address after: 100089 301, 3 / F, Section II, teaching building, west campus, Beijing University of chemical technology, No.98, Zizhuyuan Road, Haidian District, Beijing Patentee after: BEIJING YUNRUI TECHNOLOGY Co.,Ltd. Address before: Hangzhou City, Zhejiang province 310018 Xiasha Higher Education Park No. 2 Street No. 5 Patentee before: ZHEJIANG SCI-TECH University |
|
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20220309 Address after: 318, floor 3, Section II (building a, Science Park), teaching building, west campus, Beijing University of chemical technology, No. 98, Zizhuyuan Road, Haidian District, Beijing 100089 Patentee after: SHENZHOU WANGYUN (BEIJING) INFORMATION TECHNOLOGY CO.,LTD. Address before: Room 301, 3 / F, Section II (building a, science and Technology Park), teaching building, west campus, Beijing University of chemical technology, No. 98, Zizhuyuan Road, Haidian District, Beijing 100089 Patentee before: BEIJING YUNRUI TECHNOLOGY Co.,Ltd. |
|
| TR01 | Transfer of patent right | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A digital photo forgery detection method for splicing and tampering Effective date of registration: 20220711 Granted publication date: 20140416 Pledgee: Zhongguancun Beijing technology financing Company limited by guarantee Pledgor: SHENZHOU WANGYUN (BEIJING) INFORMATION TECHNOLOGY CO.,LTD. Registration number: Y2022990000428 |
|
| PE01 | Entry into force of the registration of the contract for pledge of patent right |