CN105120294A - 一种jpeg格式图像来源鉴别方法 - Google Patents
一种jpeg格式图像来源鉴别方法 Download PDFInfo
- Publication number
- CN105120294A CN105120294A CN201510362562.5A CN201510362562A CN105120294A CN 105120294 A CN105120294 A CN 105120294A CN 201510362562 A CN201510362562 A CN 201510362562A CN 105120294 A CN105120294 A CN 105120294A
- Authority
- CN
- China
- Prior art keywords
- noise
- sigma
- jpeg format
- image
- format image
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 16
- 238000001514 detection method Methods 0.000 claims abstract description 10
- 238000013139 quantization Methods 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 12
- 230000009466 transformation Effects 0.000 claims description 11
- 238000012850 discrimination method Methods 0.000 claims description 9
- 239000000284 extract Substances 0.000 claims description 9
- 230000003044 adaptive effect Effects 0.000 claims description 8
- 238000012885 constant function Methods 0.000 claims description 8
- 239000013598 vector Substances 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 238000009826 distribution Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 238000005315 distribution function Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 239000000654 additive Substances 0.000 claims description 3
- 230000000996 additive effect Effects 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 238000007476 Maximum Likelihood Methods 0.000 claims description 2
- 238000007906 compression Methods 0.000 abstract description 10
- 230000006835 compression Effects 0.000 abstract description 4
- 238000000605 extraction Methods 0.000 abstract description 2
- 238000005303 weighing Methods 0.000 abstract description 2
- 238000011002 quantification Methods 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 description 11
- 238000002156 mixing Methods 0.000 description 5
- 239000000203 mixture Substances 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 3
- 239000000047 product Substances 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000005314 correlation function Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 239000007795 chemical reaction product Substances 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000005242 forging Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 230000005693 optoelectronics Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000011112 process operation Methods 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Compression Or Coding Systems Of Tv Signals (AREA)
- Image Processing (AREA)
Abstract
本发明属于数字图像被动取证领域,具体涉及一种JPEG格式图像来源检测方法。该方法首先需要建立已知相机的图像库,利用维纳滤波器提取参考模式噪声;然后使用相同的噪声提取方法获得待测JPEG格式图像的模式噪声,并估测待测JPEG格式图像的量化噪声误差,得到模式噪声的可信度因子;最后利用可信度因子作为权重,对待测JPEG格式图像的模式噪声与相机的参考模式噪声做加权相关运算,得到相关系数,利用成熟的分类器做出判决。本发明充分考虑了JPEG压缩的量化误差影响,能够可靠的判断出JPEG格式图像来源于哪个照相机。
Description
技术领域
本发明涉及计算机图像处理技术领域,特别是一种针对JPEG格式图像的来源鉴别方法。
背景技术
近几年,数码照相机的逐渐普及以及网络技术越来越发达,数字图像已被广泛应用于人们的日常工作和生活中,同时数字图像在网络信息传递中所占比例也越来越大。然而,随着技术的进步,功能强大的图像处理和编辑软件如PhotoShop、PhotoImpact、CorelDraw、AutoCAD、FreeHand等的广泛应用,人们可以利用各种图像处理工具和编辑软件,对图像进行篡改和伪造而不留下人眼可以识别出来的痕迹,自然真实的图像很容易被伪造和篡改,使数字图像变得真假难辨。虽然大多数图像处理者的动机可能是合法的,但是不排除有些人故意散布一些经过伪造或篡改技术处理过的照片,来实现自己的某种目的。这也使得越来越多高品质的,足够以假乱真的非自然场景的图片通过Internet网广为流传。伪造或篡改的图片使人们对新闻的真实性产生怀疑,严重的可能会歪曲事实、影响历史、危害社会公共安全,数字多媒体取证技术就是在这种背景下孕育而生的。
目前,数字多媒体取证技术大致可以分为两类:主动取证与被动取证。其中,主动取证技术是在多媒体信息制作过程中,主动加入一些特有的验证数据,即可在接收端通过验证上述信息达到验证媒体完整性的目的,其代表技术是数字签名技术和数字水印技术。但它们往往要求媒体获取设备本身具有生成签名或添加水印的功能(通常要求生产厂商在设备中添加相应的软硬件模块),这种设备一般比较昂贵,属于高端产品,且目前绝大多数设备并无签名或水印功能。被动取证技术则是仅根据获取的数字媒体资源以及相关设备的特征,分析自然媒体与被篡改媒体之间的差异,从中寻找篡改后可能留下的各种痕迹,从而区分出自然媒体与被篡改媒体,并进一步对篡改操作进行定性或定量分析。由于它的应用领域更具普遍性,涵盖了现有的媒体资源,因此更具实用价值。
由于图像数据量大,在照相机内部的图像后处理模块中会引入JPEG(JointPhotographicExpertsGroup)后压缩处理操作,将图像压缩在很小的储存空间。但同时JPEG压缩过程会导致量化误差,降低了模式噪声的精度。
发明目的
本发明的目的在于针对现有技术的不足,提供一种JPEG格式图像来源鉴别方法。
实现本发明目的的技术方案为:一种JPEG格式图像来源鉴别方法,它利用照相机在产生数字图像的过程中引入的模式噪声,并充分考虑JPEG压缩的量化误差影响,对模式噪声的每一点计算其可靠性因子,提出了一种自适应加权相关检测算法判断待测JPEG格式图像来源于哪个照相机,包括以下五个步骤:
(1)建立一个已知相机的图像库,而后分别提取图像库与待测JPEG格式图像的模式噪声,且对图像库的模式噪声取平均得到相机的参考噪声模板;已知相机的图像库中的图像为bmp格式。
(2)建立频域量化噪声模型,估计JPEG格式图像的量化噪声方差;
(3)建立模式噪声的可信度评价函数,计算模式噪声的可信度因子;
(4)利用可信度因子,求取待测JPEG格式图像的模式噪声与参考噪声模板之间的自适应加权相关;
(5)利用成熟的分类器判断待测JPEG格式图像来源于哪个相机。
本发明步骤(1)的模式噪声提取方法,具体包含以下步骤:
(a)对图像P做小波分解,得到4个子频带,分别为:低低频带LL、低高频带LH、高低频带HL、高高频带HH;且分别对LH、HL、HH三个子频带进行后续处理;
(b)提取某一子频带的小波系数局部方差:定义一个尺寸为W×W的检测窗口,W∈{3,5,7,9},用最大似然估计算法和最小均方误差算法估计每个小波系数的局部方差其计算公式如下:
其中σn为加性高斯白噪声方差,用噪声估计的方法估计出来,为快速处理,可将σn=3,h(i,j)为每个子频带的小波系数,i,j为图像像素的横坐标和纵坐标,从局部方差序列中选择最小的值作为该点的局部方差σ2(i,j),计算公式为:
(c)对三个高频子频带做小波局部维纳滤波hf(i,j):
(d)对LL,以及处理过的LH、HL、HH三个子频带进行小波逆变换,得到去噪图像F(P),并与原始图像P做差,获取模式噪声N:
N=P-F(P)(4)
(e)去除模式噪声中包含的CFA插值噪声:先对每一列减去该列的均值,再对每一行减去该行的均值;
(f)对图像库中M幅参考图像的模式噪声进行平均处理,得到参考模式噪声模板Pc(i,j):
Nk(i,j)表示第k副图像位于(i,j)位置的模式噪声,k取值1~M。
本发明步骤(2)的频域量化噪声模型,其依据的是DCT(DCTforDiscreteCosineTransform,离散余玄变换)系数l的分布情况,提出了一种混合量化噪声模型
其中γ是归一化常数,x表示积分变量,l是当前图像像素(u,v)位置处的量化DCT系数值,q(l+1)、q(l)分别是l对应的DCT系数量化区间上限与下限,F(x)是拉普拉斯概率分布函数。对于给定的一副JPEG格式图像,其量化DCT系数值、量化参数等都是已知的,可以计算得到q(l)值。
基于频域量化噪声模型对频域噪声做8×8的DCT逆变换,得到空域量化噪声其计算公式如下:
其中a(λ)为变换常量函数,a(u)、a(v)都是该类型常量函数。因为JPEG图像压缩过程采用的是8x8的DCT变换矩阵,所以反变换也是8X8的IDCT变换矩阵,因此u,v对的上限是7。参数λ为判断参数。
本发明步骤(3)的模式噪声可信度评价函数。可信度评价函数是用来估计压缩图像中模式噪声的可靠性,可信性函数r(i,j)定义为参考模式噪声大于量化噪声的概率,其计算公式如下:
本发明步骤(4)的自适应加权相关函数。考虑到JPEG压缩过程带来的影响,减弱压缩图像中量化噪声对模式噪声的影响,加权相关计算公式如下:
其中为向量内积操作,||X||为计算向量X的二阶模,N(i,j)为待测JPEG格式图像的模式噪声,r(i,j)为可信度因子,Nr(i,j)为修正后的模式噪声,为所有Nr(i,j)的算术平均值,Pc(i,j)为参考模式噪声模板,为所有Pc(i,j)的算术平均值。
申请人发现,鉴别数字图像的来源是数字图像多媒体被动取证的第一步,主要提供有关数字图像收集、处理、输出设备的信息,简而言之,就是研究数字图像资源从哪个照相机拍摄而来的。虽然在视觉上不同类型的设备产生的数字图像差别并不明显,但是由于各种图像生成设备有着内在的不同特性,这些特性可以通过对输出的数字图像进行分析来区别。其中,图像传感器作为光电转换的核心部件,其好坏往往对最后输出图像的质量有很大影响。研究工作者发现图像传感器存在各种固有缺陷,如灰尘特性、暗电流引起的固定模式噪声、光敏材料的光响应非均匀性引起的随机噪声等等,这些缺陷最终会造成输出图像含有独特的噪声模式,不同的相机具有不同的独有噪声模式。在JPEG压缩过程中,这些独有的噪声模式会被量化噪声干扰,从待测JPEG格式图像中提取可靠的噪声模式,与已知照相机的参考噪声模式相匹配,可得知图像的来源于哪个照相机。
本发明与现有技术相比,其显著优点为:
(1)新颖性。本发明充分考虑到JPEG量化过程的影响,提出了一种量化噪声的混合模型,利用该模型建立了模式噪声的可信度评价函数,估计模式噪声的可信度,设计了一种自适应加权相关检测算法,大大提升了检测精度。
(2)适应性广。以往的图像来源鉴别检测技术往往针对未压缩的原始图像,当图像经过JPEG压缩后,其检测效果大大降低;而本发明检测的对象主要是JPEG格式图像,未压缩图像是JPEG格式图像中的一种,故适应性广。
(3)可信度高。本发明利用的是照相机固有的特性——模式噪声,其产生的原因是光电传感器在制造过程中会存在不可避免的缺陷,导致不同位置的像素点对光线的敏感程度不一。本发明正是检测这种像素的不均匀性来判别数字图像的来源,具有明确的物理依据,且充分考虑到了JPEG压缩过程的影响,故可信度比较高。
附图说明
图1是本发明的JPEG格式图像来源鉴别系统的整体流程图;
图2是本系统的模式噪声提取流程图;
图3是一相机拍摄的原始图像;
图4是图3的小波二维分解结果;
图5是相关性计算结果散点图。
具体实施方式
图1说明本发明的JPEG格式图像来源鉴别系统的整体流程图。在步骤A,通过模式噪声提取模块获取待鉴定JPEG格式图像的模式噪声,首先对图像做小波变换,生成四个子带,而后针对包含高频的子带做低通滤波操作,最后做小波逆变换得到滤波后图像,并与原始图像做差得到图像的模式噪声。在步骤B,利用混合量化噪声模型估计图像的量化噪声大小,随后在步骤C中估计每个像素的模式噪声可靠性因子,并在步骤D中计算待测JPEG格式图像的模式噪声与参考噪声模板之间的加权相关性。最后,在步骤E中利用一个成熟的分类器依据步骤D中的相关性程度来判断待测JPEG格式图像的来源。
结合图1,本发明的图像模式噪声提取主要针对小波高频子带,处理流程如图2所示,具体步骤如下:
(a)对图像P做小波分解,得到4个子频带,分别为低低频带(记为LL)、低高频带(记为LH)、高低频带(记为HL)、高高频带(记为HH),以下分别对LH、HL、HH子频带进行后续处理。
(b)提取子频带的小波系数局部方差。首先定义一个尺寸为W×W的检测窗口,W∈{3,5,7,9},用最大似然估计(MLMaximumLikelihood)算法和最小均方误差(MMSEMinimumMeanSquareError)算法估计每个小波系数的局部方差,其计算公式如下:
其中σn为加性高斯白噪声方差,用噪声估计的方法估计出来,为快速处理,可将σn=3,h(i,j)为每个子频带的小波系数,i,j为图像像素的横坐标和纵坐标,从局部方差序列中选择最小的值作为该点的局部方差σ2(i,j),计算公式为:
(c)对三个高频子频带做小波局部维纳滤波:
(d)对LL,以及处理过的LH、HL、HH三个子频带进行小波逆变换,得到去噪图像F(P),并与原始图像P做差,获取模式噪声N。
N=P-F(P)(4)
(e)去除模式噪声N中包含的CFA插值噪声。先对每一列减去该列的均值,再对每一行减去该行的均值。
(f)对图像库中M幅参考图像的模式噪声进行平均处理,得到参考模式噪声模板Pc(i,j):
Nk(i,j)表示第k副图像位于(i,j)位置的模式噪声,k取值1~M。
结合图1,本发明依据DCT(DiscreteCosineTransform,离散余玄变换)系数l的分布情况建立频域量化噪声模型,当l较小时,DCT系数分布趋向于拉普拉斯分布,随着l的增大,DCT系数分布越来越趋近于平缓,鉴于此特点,提出了一种混合量化噪声模型
其中γ是归一化常数,l是当前图像像素(u,v)位置处的量化DCT系数值,q(l+1)、q(l)分别是l对应的DCT系数量化区间上限与下限,F(x)是拉普拉斯概率分布函数。对于给定的一副JPEG格式图像,其量化DCT系数值、量化参数等都是已知的,可以计算得到q(l)值。基于频域量化噪声模型对频域噪声做DCT逆变换,得到空域量化噪声其计算公式如下:
其中a(λ)为变换常量函数,a(u)、a(v)都是该类型常量函数。
结合图1,本发明的模式噪声可信度评价函数是用来估计JPEG压缩图像中模式噪声的可靠性。可信性函数r(i,j)定义为参考模式噪声Pc大于量化噪声Nq的概率,其计算公式如下:
结合图1,本发明的自适应加权相关函数将JPEG压缩过程的影响映射为一个可信度加权因子,以减弱检测过程中量化噪声对模式噪声的影响,其计算公式如下:
其中为向量内积操作,||X||为计算向量X的二阶模,N(i,j)为待测JPEG格式图像的模式噪声,r(i,j)为可信度因子,Nr(i,j)为修正后的模式噪声,为Nr(i,j)的算术平均值,Pc(i,j)为参考模式噪声模板,为Pc(i,j)的算术平均值。
下面结合实施例对本发明做进一步详细的说明:
在本实例中,选用4款照相机作为测试样例,即Nikon_D70,Nikon_D200,5MP-9Y2andCoach6M,用每个相机分别拍摄150幅图像,形成了一个包含了600幅图像的数据库。从每款相机照片中随机挑选100幅图像用于计算相机的参考噪声模板,将剩余的50张图像压缩成JPEG格式图像(量化因子为70)作为测试样本,判断一个待测样本的来源实际操作步骤如下:
(1)首先利用小波变换和维纳滤波算法提取图像库中所有图像的模式噪声。以图3为例,首先对图像做二维小波分解,其结果如图4所示;其次对图4做小波局部维纳滤波,并提取模式噪声。
(2)利用频域混合量化噪声模型,计算JPEG图像的频域量化噪声,计算公式如(10)所示。
其中γ是归一化常数,x表示积分变量,l是当前图像像素(u,v)位置处的量化DCT系数值,q(l+1)、q(l)分别是l对应的DCT系数量化区间上限与下限,F(x)是拉普拉斯概率分布函数;
(3)对频域量化噪声做8×8的DCT逆变换,得到空域量化噪声其计算公式如(11)所示。
其中a(λ)为变换常量函数,a(u)、a(v)是一个常量函数。
(4)计算待测JPEG图像的模式噪声可信性因子,其定义为参考模式噪声Pc大于量化噪声Nq的概率。
(5)利用模式噪声可信性因子作为加权因子,计算待测JPEG图像模式噪声与相机参考模式噪声之间的相关性,计算公式如(13)所示。为了展示算法性能,以Nikon相机为例,计算其测试样本与四个相机模式噪声之间的相关程度,计算结果以散点图形式呈现,如图5所示,包括四种相机(Nikon-D70,5MP-9Y2,Nikon-D200,Coach6M)从图中我们可以发现,Nikon相机样本与其他相机模式噪声的相关性低,而与自身相机相关性高,
其中为向量内积操作,||X||为计算向量X的二阶模,N(i,j)为待测JPEG格式图像的模式噪声,r(i,j)为可信度因子,Nr(i,j)为修正后的模式噪声,为Nr(i,j)的算术平均值,Pc(i,j)为参考模式噪声模板,为Pc(i,j)的算术平均值。
(6)为了综合评价本发明方法对JPEG格式图像来源的鉴别精度,采用经典二值分类方法分类图像的来源,门限值记为TP。为了定量的描述方法的优劣,我们计算出每款相机的照片在量化因子为70的条件下来源取证的最小平均决策误差(minimumaveragedecisionerror),用符号Pe来表示,假设先验知识相同,代价函数相等,Pe的计算公式如(14)所示,其中PFP和PTP分别是假阳性率和真阳性率。
实验结果如表1所示,在TP较小的情况下,4款相机的分类误差均接近0,准确度高达100%。通过实验结果分析发现,引入量化噪声混合模型估计出JPEG图像编解码过程中产生的量化噪声,而后对模式噪声的每一点计算其可信度因子,并以此为依据做自适应相关检测,具备抗拒JPEG压缩能力。在司法取证领域,具有良好的应用前景。
表1分类结果
相机型号 | TP | Pe |
Nikon_D70 | 0.008 | 0.0467 |
5MP-9Y2 | 0.012 | 0 |
Nikon_D200 | 0.025 | 0.0211 |
Coach 6M | 0.036 | 0 |
Claims (5)
1.一种JPEG格式图像来源鉴别方法,其特征在于,包括以下步骤:
(1)建立一个已知相机的bmp图像库,分别提取图像库与待测JPEG格式图像的模式噪声,且对图像库的模式噪声取平均得到相机的参考噪声模板;
(2)建立频域量化噪声模型,估计待测JPEG格式图像的量化噪声方差;
(3)建立模式噪声的可信度评价函数,计算模式噪声的可信度因子;
(4)利用可信度因子,求取待测JPEG格式图像的模式噪声与参考噪声模板之间的自适应加权相关;
(5)利用分类器判断待测JPEG格式图像来源。
2.根据权利要求1所述的JPEG格式图像来源鉴别方法,其特征在于,步骤(1)的模式噪声提取方法,具体包含以下步骤:
(a)对图像P做小波分解,得到4个子频带,分别为:低低频带LL、低高频带LH、高低频带HL、高高频带HH;且分别对LH、HL、HH三个子频带进行后续处理;
(b)提取一子频带的小波系数局部方差:定义一个尺寸为W×W的检测窗口,W∈{3,5,7,9},用最大似然估计算法和最小均方误差算法估计每个小波系数的局部方差其计算公式如下:
其中σn为加性高斯白噪声方差,h(i,j)为每个子频带的小波系数,i,j为图像像素的横坐标和纵坐标,从局部方差序列中选择最小的值作为该点的局部方差σ2(i,j),计算公式为:
(c)对LH、HL、HH三个子频带做小波局部维纳滤波hf(i,j):
(d)对低低频带LL,以及步骤c()处理过的LH、HL、HH三个子频带进行小波逆变换,得到去噪图像F(P),并与原始图像P做差,获取模式噪声N:
N=P-F(P)(4)
(e)去除模式噪声中包含的CFA插值噪声:先对每一列减去该列的均值,再对每一行减去该行的均值;
(f)对图像库中M幅参考图像的模式噪声进行平均处理,得到参考模式噪声模板Pc(i,j):
Nk(i,j)表示第k副图像位于(i,j)位置的模式噪声,k取值1~M。
3.根据权利要求2所述的JPEG格式图像来源鉴别方法,其特征在于,步骤(2)包括:
根据DCT系数l的分布情况建立频域量化噪声模型
其中γ是归一化常数,x表示积分变量,l是当前图像像素(u,v)位置处的量化DCT系数值,q(l+1)、q(l)分别是l对应的DCT系数量化区间上限与下限,F(x)是拉普拉斯概率分布函数;
基于频域量化噪声模型对频域噪声做8×8的DCT逆变换,得到空域量化噪声其计算公式如下:
其中a(λ)为变换常量函数,a(u)、a(v)都是该类型常量函数。
4.根据权利要求3所述的JPEG格式图像来源鉴别方法,其特征在于,步骤(3)可信性函数r(i,j)定义为参考模式噪声大于量化噪声的概率,其计算公式如下:
5.根据权利要求4所述的JPEG格式图像来源鉴别方法,其特征在于,步骤(4)自适应加权相关ρ计算公式如下:
Nr(i,j)=r(i,j)·N(i,j);
其中为向量内积操作,||X||为计算向量X的二阶模,N(i,j)为待测JPEG格式图像的模式噪声,r(i,j)为可信度因子,Nr(i,j)为修正后的模式噪声,为所有Nr(i,j)的算术平均值,Pc(i,j)为参考模式噪声模板,为所有Pc(i,j)的算术平均值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510362562.5A CN105120294B (zh) | 2015-06-26 | 2015-06-26 | 一种jpeg格式图像来源鉴别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510362562.5A CN105120294B (zh) | 2015-06-26 | 2015-06-26 | 一种jpeg格式图像来源鉴别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105120294A true CN105120294A (zh) | 2015-12-02 |
CN105120294B CN105120294B (zh) | 2018-01-02 |
Family
ID=54668140
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510362562.5A Active CN105120294B (zh) | 2015-06-26 | 2015-06-26 | 一种jpeg格式图像来源鉴别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105120294B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108174223A (zh) * | 2016-12-07 | 2018-06-15 | 中国科学院深圳先进技术研究院 | 估计jpeg压缩位图量化步长的方法及系统 |
CN108319986A (zh) * | 2018-02-08 | 2018-07-24 | 深圳市华云中盛科技有限公司 | 基于prnu的图像来源的鉴定方法及其系统 |
CN108886621A (zh) * | 2016-04-14 | 2018-11-23 | 联发科技股份有限公司 | 非本地自适应环路滤波器 |
CN110348434A (zh) * | 2019-06-13 | 2019-10-18 | 广州大学 | 相机来源鉴别方法、系统、存储介质和计算设备 |
CN112991345A (zh) * | 2021-05-11 | 2021-06-18 | 腾讯科技(深圳)有限公司 | 图像真伪检测方法、装置、计算机设备和存储介质 |
CN114554227A (zh) * | 2022-01-17 | 2022-05-27 | 广东工业大学 | 基于多尺度变换域自适应维纳滤波的压缩视频来源检测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101790097A (zh) * | 2010-03-05 | 2010-07-28 | 天津大学 | 数字视频多次压缩编码检测方法 |
CN102595136A (zh) * | 2012-02-27 | 2012-07-18 | 中山大学 | 基于量化系数统计特性的h.264/avc视频二次压缩检测方法 |
-
2015
- 2015-06-26 CN CN201510362562.5A patent/CN105120294B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101790097A (zh) * | 2010-03-05 | 2010-07-28 | 天津大学 | 数字视频多次压缩编码检测方法 |
CN102595136A (zh) * | 2012-02-27 | 2012-07-18 | 中山大学 | 基于量化系数统计特性的h.264/avc视频二次压缩检测方法 |
Non-Patent Citations (1)
Title |
---|
徐俊瑜: "《典型平滑滤波的数字图像被动取证》", 《电子与信息学报》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108886621A (zh) * | 2016-04-14 | 2018-11-23 | 联发科技股份有限公司 | 非本地自适应环路滤波器 |
CN108174223A (zh) * | 2016-12-07 | 2018-06-15 | 中国科学院深圳先进技术研究院 | 估计jpeg压缩位图量化步长的方法及系统 |
CN108319986A (zh) * | 2018-02-08 | 2018-07-24 | 深圳市华云中盛科技有限公司 | 基于prnu的图像来源的鉴定方法及其系统 |
CN108319986B (zh) * | 2018-02-08 | 2021-11-05 | 深圳市华云中盛科技股份有限公司 | 基于prnu的图像来源的鉴定方法及其系统 |
CN110348434A (zh) * | 2019-06-13 | 2019-10-18 | 广州大学 | 相机来源鉴别方法、系统、存储介质和计算设备 |
CN112991345A (zh) * | 2021-05-11 | 2021-06-18 | 腾讯科技(深圳)有限公司 | 图像真伪检测方法、装置、计算机设备和存储介质 |
CN114554227A (zh) * | 2022-01-17 | 2022-05-27 | 广东工业大学 | 基于多尺度变换域自适应维纳滤波的压缩视频来源检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105120294B (zh) | 2018-01-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | No-reference image blur assessment based on discrete orthogonal moments | |
CN105120294A (zh) | 一种jpeg格式图像来源鉴别方法 | |
Kang et al. | Robust median filtering forensics using an autoregressive model | |
Wang et al. | Optimized feature extraction for learning-based image steganalysis | |
Lin et al. | A passive-blind forgery detection scheme based on content-adaptive quantization table estimation | |
CN106530200A (zh) | 一种基于深度学习模型的隐写图像检测方法及系统 | |
CN110457996B (zh) | 基于vgg-11卷积神经网络的视频运动对象篡改取证方法 | |
CN105049851A (zh) | 基于色彩感知的通用无参考图像质量评价方法 | |
CN111612741B (zh) | 一种基于失真识别的精确无参考图像质量评价方法 | |
Yu et al. | Perceptual hashing with complementary color wavelet transform and compressed sensing for reduced-reference image quality assessment | |
CN104519361A (zh) | 一种基于空时域局部二值模式的视频隐写分析方法 | |
Kang et al. | Robust median filtering forensics based on the autoregressive model of median filtered residual | |
CN103037212A (zh) | 基于视觉感知的自适应块压缩传感图像编码方法 | |
CN108830829B (zh) | 联合多种边缘检测算子的无参考质量评价算法 | |
CN102693522A (zh) | 一种彩色图像区域复制篡改检测方法 | |
Zhang et al. | Reduced reference image quality assessment based on statistics of edge | |
Ferrara et al. | Reverse engineering of double compressed images in the presence of contrast enhancement | |
Li et al. | Image quality assessment using deep convolutional networks | |
CN110121109A (zh) | 面向监控系统数字视频实时溯源方法、城市视频监控系统 | |
CN102892048A (zh) | 一种抗几何攻击的视频水印防伪方法 | |
Wang et al. | Wavelet based region duplication forgery detection | |
Zhou et al. | Image splicing detection based on image quality and analysis of variance | |
CN106056523A (zh) | 数字图像拼接篡改盲检测方法 | |
Bonettini et al. | Fooling PRNU-based detectors through convolutional neural networks | |
CN103034995A (zh) | 一种基于Benford法则统计特性的拼接图像检测算法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |