CN108269221B - 一种jpeg重压缩图像篡改定位方法 - Google Patents

一种jpeg重压缩图像篡改定位方法 Download PDF

Info

Publication number
CN108269221B
CN108269221B CN201810064940.5A CN201810064940A CN108269221B CN 108269221 B CN108269221 B CN 108269221B CN 201810064940 A CN201810064940 A CN 201810064940A CN 108269221 B CN108269221 B CN 108269221B
Authority
CN
China
Prior art keywords
tampering
probability
dct
dct coefficient
matrix
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
Application number
CN201810064940.5A
Other languages
English (en)
Other versions
CN108269221A (zh
Inventor
卢伟
薛飞
刘红梅
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sun Yat Sen University
Original Assignee
Sun Yat Sen University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Sun Yat Sen University filed Critical Sun Yat Sen University
Priority to CN201810064940.5A priority Critical patent/CN108269221B/zh
Publication of CN108269221A publication Critical patent/CN108269221A/zh
Application granted granted Critical
Publication of CN108269221B publication Critical patent/CN108269221B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T1/00—General purpose image data processing
    • G06T1/0021—Image watermarking
    • G06T1/0042—Fragile watermarking, e.g. so as to detect tampering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T9/00—Image coding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2201/00—General purpose image data processing
    • G06T2201/005—Image watermarking
    • G06T2201/0065—Extraction of an embedded watermark; Reliable detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Editing Of Facsimile Originals (AREA)
  • Compression Or Coding Systems Of Tv Signals (AREA)
  • Compression Of Band Width Or Redundancy In Fax (AREA)

Abstract

本发明涉及数字图像取证技术领域，更具体地，涉及一种JPEG重压缩图像篡改定位方法。包括以下步骤：S1.估计DCT系数值，计算出篡改区域的DCT系数C1和未篡改区域的DCT系数C2的值；S2.用归一化灰度梯度共生矩阵对DCT系数分布的混合模型进行建模；S3.计算出带未知参数的DCT系数条件概率；S4.对未知参数进行估计，将估计得到的参数代入至S3步骤中，得到不含未知参数的DCT系数条件概率；S5.计算某一频率f上的篡改概率图S6.得到DCT系数块的篡改概率图；S7.利用连通性和高斯权值滤波对篡改概率图后处理；S8.对篡改区域进行定位。本发明首次使用二阶的灰度梯度共生矩阵对DCT的混合分布进行了建模，得到了更为准确的混合分布模型，使得对JPEG重压缩篡改定位更加的准确。

Description

一种JPEG重压缩图像篡改定位方法
技术领域
本发明涉及数字图像取证技术领域，更具体地，涉及一种JPEG重压缩图像篡改定位方法。
背景技术
随着网络和智能设备的普及，数字图像在信息传播中的重要性日益突出。但是由于数字图像编辑技术的快速发展，数字图像内容的篡改变得越来越容易，这为数字图像的真实性和安全性带来了挑战。因此，如何实现数字图像在传播、共享和应用过程中的内容真实性和安全性的可靠认证具有重要的实际意义。
JPEG图像重压缩篡改检测是数字图像取证技术的一个重要分支，其目的是为了检测数字图像中是否存在篡改操作，即检测给定的数字图像是否是通过裁剪和合成操作从而生成的组合图像，并且成功定位出篡改区域。JPEG图像是人们日常中最常使用的图片格式，因此，对JPEG图像的被动取证是近来的热门研究领域之一。在人们对JPEG图像进行篡改时，通常伴随着图像的重压缩操作。篡改操作会破坏JPEG图像的重压缩特征，通过对重压缩特征的分析可定位出篡改区域。通过对图像拼接内容的精心选择和对拼接边缘的修饰操作可以使得拼接痕迹很难通过肉眼来判别，而JPEG重压缩篡改定位可以作为一条重要的线索检测篡改区域。因此有效的JPEG图像重压缩篡改检测在信息安全保障体系中可以发挥非常重要的作用。该技术主要可以应用在：司法取证、新闻纪实、科技报道等应用领域中。
现有的JPEG图像重压缩篡改定位技术主要分为两种：一种是通过再次对图像进行压缩，利用压缩的前后DCT系数在统计上的差异判断出哪些DCT系数值可能是篡改后的，由此根据这些可疑点定位出可疑区域，但是这类方法有适用条件，当第一次量化因子大于第二次的量化因子的时候，该方法失效；另一种是基于条件概率混合模型进行求解的。将待检测的图像的DCT系数分布看做是篡改区域DCT系数和非篡改区域DCT系数的混合分布，通过求解每个8*8块的篡改概率定位出篡改区域。这类方法中的区别主要在于条件概率混合模型的选取和后处理的添加。
发明内容
本发明的目的在于克服现有技术的不足，提供一种JPEG重压缩图像篡改定位方法，能够有效地检测定位出图像中是否存在篡改痕迹，具有检测快、不需要人为判断和鲁棒性高的优点。
为解决上述问题，本发明提供的技术方案为：一种JPEG重压缩图像篡改定位方法，其中，包括以下步骤：
S1.估计DCT系数值，计算出篡改区域的DCT系数C1和未篡改区域的DCT系数C2的值，对于待测的JPEG重压缩图像，系数C1通过对原始未量化的直方图C0用第二次压缩质量因子Q2进行压缩得到，系数C2通过对原始未量化的直方图C0用第一次压缩质量因子Q1和第二次压缩质量因子Q2进行压缩得到；首先根据其量化因子Q2进行反量化，而后逆DCT变换，去掉左侧和上侧4行使图像不再具有重压缩特性，再进行DCT变换，就可以得到近似的C0分布。随后，在第一个AC频率f上使用Q2对应位置上的量化步长q2进行量化，得到C1；对于C2因为Q1对应位置的q1未知，将在S4中使用极大似然估计法对参数进行估计而后进行求解。
S2.用归一化灰度梯度共生矩阵对DCT系数分布的混合模型进行建模，分别对C1和C2进行灰度梯度共生矩阵的特征提取，提取特征时，将C1或C2zig-zag上某一频率f上的DCT系数取出作为一个矩阵，使用阈值T进行截断操作，大于T的系数全部替换为T，小于-T的系数全部替换为-T，然后对该矩阵计算出其水平方向上的灰度梯度共生矩阵；
S3.计算出带未知参数的DCT系数条件概率，将C1和C2得到的灰度梯度共生矩阵进行归一化，对于在某一频率的位置为(u，v)的DCT块中，对于某个DCT系数xi且它邻接块中的DCT系数的差值的绝对值为
Figure GDA0002905514420000021
得到篡改和非篡改的条件概率
Figure GDA0002905514420000022
和
Figure GDA0002905514420000023
可以分别表示为：
Figure GDA0002905514420000024
Figure GDA0002905514420000025
其中，du和dv分别为u和v的偏移量，du,dv∈{-1,0,1},脉冲函数δ1为：
Figure GDA0002905514420000031
脉冲函数δ2为：
Figure GDA0002905514420000032
S4.对未知参数进行估计，测试篡改图的DCT分布可以看做是篡改区域DCT系数和非篡改区域DCT系数的混合分布，定义α为篡改区域所图像的比例，则有
Figure GDA0002905514420000033
其中，P(xi)是DCT系数xi所存在的可能性，P(xi)中含有待估计参数q1，所以表示为P(xi|q1)；在估计参数q1时因为含有隐含变量α，所以采用极大似然估计法对参数q1进行估计：
Figure GDA0002905514420000034
其中x0,x1,…,xN为图像所包含的所有DCT系数值，通过遍历所有q1可能的取值，使似然函数取得最大值的q1即为最优的q1，从而得到q1的估计值：
Figure GDA0002905514420000035
使用估计得到的参数
Figure GDA0002905514420000036
代到S3中求解出C2，即可得到不含未知参数的DCT系数条件概率分布。
S5.计算某一频率f上的篡改概率图：提取测试图片某一频率f上的DCT系数值组成一个矩阵，对于矩阵中的每一个点xi以及其水平的相邻点xj，求出它的条件概率值
Figure GDA0002905514420000037
和
Figure GDA0002905514420000038
然后根据贝叶斯公式得到该点的篡改的概率：
Figure GDA0002905514420000039
进一步计算矩阵中所有点的篡改概率，这些概率值按矩阵中点的顺序就可以得到某一频率f上的篡改概率图，篡改概率图中的每一个点代表的是每个8*8块的篡改概率；
S6.按zig-zag的排列顺序求出前21个AC系数的篡改概率图，21个频率上的篡改概率求平均后，得到DCT系数块的篡改概率图；
S7.利用连通性和高斯权值滤波对篡改概率图后处理，根据图像的先验条件可知图像的篡改和非篡改区域都是连续的，所以可以通过连通性比较每个点与它周围点概率值的关系筛选出篡改概率图中概率估计不准确的点，然后利用高斯加权滤波对可疑点进行修改：
Figure GDA0002905514420000041
w为邻接块的概率所占的比重：
Figure GDA0002905514420000042
γ为调节系数，可以调节待修正的概率值中Ptmp(u,v)和其周围概率值之间的比重；
S8.对篡改区域进行定位，对得到的篡改概率图进行二值分割，选择阈值为0.5，则1所代表的8*8的块是篡改区域，0代表的是未篡改区域，而后得到的二值进行再次降噪，最终定位篡改区域。
在本发明中，首次使用二阶的灰度梯度共生矩阵对DCT的混合分布进行了建模，有效利用了相邻DCT点对和图像内容连续的一些先验知识，得到了更为准确的混合分布模型，使得对JPEG重压缩篡改定位更加的准确。
与现有技术相比，有益效果是：本发明使用二阶归一化灰度梯度共生矩阵对条件概率建模，相对比直接用DCT系数直方图值作为其条件概率，它既包含了JPEG图像的双重压缩效应的统计特征，又能反映出相邻DCT系数的共生关系，能反映更多图像细节，得到更为准确的篡改概率图。而后通过我们提出的基于高斯加权滤波对篡改概率图进行处理，使定位更精准。
附图说明
图1为本发明方法流程图。
图2为本发明实施例中测试用的未篡改JPEG图像。
图3为本发明实施例中待处理JPEG篡改图像。
图4为本发明实施例中得到的篡改概率图。
图5为本本发明实施例定位结果图。
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制；为了更好说明本实施例，附图某些部件会有省略、放大或缩小，对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。附图中描述位置关系仅用于示例性说明，不能理解为对本专利的限制。
如图1所示，一种一种JPEG重压缩图像篡改定位方法，其中，包括以下步骤：
步骤1.估计DCT系数值，计算出篡改区域的DCT系数C1和未篡改区域的DCT系数C2的值，对于待测的JPEG重压缩图像，首先根据其量化因子Q2进行反量化，而后逆DCT变换，去掉左侧和上侧4行使图像不再具有重压缩特性，再进行DCT变换，就可以得到近似的C0分布。随后，在第一个AC频率f上使用Q2对应位置上的量化步长q2进行量化，得到C1；对于C2因为Q1对应位置的q1未知，将在S4中使用极大似然估计法对参数进行估计而后进行求解。
步骤2.用归一化灰度梯度共生矩阵对DCT系数分布的混合模型进行建模，分别对C1和C2进行灰度梯度共生矩阵的特征提取，提取特征时，将C1或C2zig-zag上某一频率f上的DCT系数取出作为一个矩阵，使用阈值T进行截断操作，大于T的系数全部替换为T，小于-T的系数全部替换为-T，然后对该矩阵计算出其水平方向上的灰度梯度共生矩阵；这里注意到C2含有未知的参数q1，实际求解中，我们可以遍历q1的所有可能取值，压缩的质量因子在50-95之间时，q1步长需要遍历从1到质量因子为50时对应频率上的步长值。在每种q1的可能性下都对应得到了DCT系数分布的混合模型。
步骤3.计算出带未知参数的DCT系数条件概率，将C1和C2得到的灰度梯度共生矩阵进行归一化，得到篡改和非篡改的条件概率
Figure GDA0002905514420000051
和
Figure GDA0002905514420000052
可以分别表示为：
Figure GDA0002905514420000053
Figure GDA0002905514420000061
对于C2，要将所有对应q1可能的情况都算出来；
其中，du和dv分别为u和v的偏移量，du,dv∈{-1,0,1},脉冲函数δ1为：
Figure GDA0002905514420000062
脉冲函数δ2为：
Figure GDA0002905514420000063
步骤4.对未知参数进行估计，测试篡改图的DCT分布可以看做是篡改区域DCT系数和非篡改区域DCT系数的混合分布，定义α为篡改区域所图像的比例，则有
Figure GDA0002905514420000064
其中，P(xi)是DCT系数xi所存在的可能性，P(xi)中含有待估计参数q1，所以表示为P(xi|q1)；在估计参数q1时因为含有隐含变量α，所以采用极大似然估计法对参数q1进行估计：
Figure GDA0002905514420000065
其中x0,x1,…,xN为图像所包含的所有DCT系数值，通过遍历所有q1可能的取值，使似然函数取得最大值的q1即为最优的q1，从而得到q1的估计值：
Figure GDA0002905514420000066
在得到最佳的q1取值后，q1所对应的在S3中求得的条件概率
Figure GDA0002905514420000067
就得到了最终不含参数的条件概率被选出。
步骤5.计算某一频率f上的篡改概率图：提取测试图片某一频率f上的DCT系数值组成一个矩阵，对于矩阵中的每一个点xi以及其水平的相邻点xj，求出它的条件概率值
Figure GDA0002905514420000068
和
Figure GDA0002905514420000069
然后根据贝叶斯公式得到该点的篡改的概率：
Figure GDA00029055144200000610
进一步计算矩阵中所有点的篡改概率，这些概率值按矩阵中点的顺序就可以得到某一频率f上的篡改概率图，篡改概率图中的每一个点代表的是每个8*8块的篡改概率；
步骤6.重复S2到S6的过程，按zig-zag的排列顺序求出前21个AC系数的篡改概率图，21个频率上的篡改概率叠加求平均，得到DCT系数块的篡改概率图；如图4所示，为测试图像所得到的篡改概率图。
步骤7.利用连通性和高斯权值滤波对篡改概率图后处理，根据图像的先验条件可知图像的篡改和非篡改区域都是连续的，所以可以通过连通性比较每个点与它周围点概率值的关系筛选出篡改概率图中概率估计不准确的点，然后利用高斯加权滤波对可疑点进行修改：
Figure GDA0002905514420000071
w为邻接块的概率所占的比重：
Figure GDA0002905514420000072
γ可用来调节自身和周围相邻点的贡献比例，实验中取γ＝0.3。
步骤8.对篡改区域进行定位，对得到的篡改概率图进行二值分割，选择阈值为0.5，则1所代表的8*8的块是篡改区域，0代表的是未篡改区域，而后得到的二值进行再次去噪，最终定位篡改区域。如图2至5所示，是基于归一化灰度梯度共生矩阵混合模型的JPEG重压缩图像篡改检测方法的实验效果。图2原始未篡改前的图像，来自公开的数据集CASIATIDE v2.0，图3为待处理的JPEG篡改图像，图4是得到的篡改概率图，图5是最终的篡改定位的结果，从图中可以明显地看出定位效果比较理想。
在本发明中，首次使用二阶的灰度梯度共生矩阵对DCT的混合分布进行了建模，有效利用了相邻DCT点对和图像内容连续的一些先验知识，得到了更为准确的混合分布模型，使得对JPEG重压缩篡改定位更加的准确。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (9)

1.一种JPEG重压缩图像篡改定位方法，其特征在于，包括以下步骤：
S1.估计DCT系数值，计算出篡改区域的DCT系数C1和未篡改区域的DCT系数C2的值；
S2.用归一化灰度梯度共生矩阵对DCT系数分布的混合模型进行建模；
S3.计算出带未知参数的DCT系数条件概率；
S4.对未知参数进行估计，将估计得到的参数代入至S3步骤中，得到不含未知参数的DCT系数条件概率；
S5.计算某一频率f上的篡改概率图：提取测试图片某一频率f上的DCT系数值组成一个矩阵，计算矩阵中所有点的篡改概率，这些概率值按矩阵中点的顺序就可以得到某一频率f上的篡改概率图，篡改概率图中的每一个点代表的是每个8*8块的篡改概率；
S6.按zig-zag的排列顺序求出前21个AC系数的篡改概率图，21个频率上的篡改概率求平均后，得到DCT系数块的篡改概率图；
S7.利用连通性和高斯权值滤波对篡改概率图后处理；
S8.对篡改区域进行定位。
2.根据权利要求1所述的一种JPEG重压缩图像篡改定位方法，其特征在于，所述的S1步骤中对于待测的JPEG重压缩图像，系数C1通过对原始未量化的直方图C0用第二次压缩质量因子Q2进行压缩得到，系数C2通过对原始未量化的直方图C0用第一次压缩质量因子Q1和第二次压缩质量因子Q2进行压缩得到。
3.根据权利要求2所述的一种JPEG重压缩图像篡改定位方法，其特征在于，所述的系数C1、系数C2具体计算方法为：
首先根据其量化因子Q2进行反量化，而后逆DCT变换，并使图像不再具有重压缩特性，再进行DCT变换，得到近似的C0分布；
随后，在第一个AC频率f上使用Q2对应位置上的量化步长q2进行量化，得到C1；对于C2因为Q1对应位置的量化步长q1未知，将在S4中对参数q1进行估计后再求解。
4.根据权利要求3所述的一种JPEG重压缩图像篡改定位方法，其特征在于，所述的S2步骤具体包括：分别对C1和C2进行灰度梯度共生矩阵的特征提取，提取特征时，将C1或C2zig-zag上某一频率f上的DCT系数取出作为一个矩阵，使用阈值T进行截断操作，大于T的系数全部替换为T，小于-T的系数全部替换为-T，然后对该矩阵计算出其水平方向上的灰度梯度共生矩阵。
5.根据权利要求4所述的一种JPEG重压缩图像篡改定位方法，其特征在于，所述的S3步骤具体计算步骤包括：将C1和C2得到的灰度梯度共生矩阵进行归一化，对于在某一频率的位置为(u，v)的DCT块中，对于某个DCT系数xi且它邻接块中的DCT系数的差值的绝对值为
Figure FDA0002905514410000021
得到篡改和非篡改的条件概率
Figure FDA0002905514410000022
和
Figure FDA0002905514410000023
可以分别表示为：
Figure FDA0002905514410000024
Figure FDA0002905514410000025
其中，du和dv分别为u和v的偏移量，du，dv∈{-1，0，1}，脉冲函数δ1为：
Figure FDA0002905514410000026
脉冲函数δ2为：
Figure FDA0002905514410000027
6.根据权利要求4所述的一种JPEG重压缩图像篡改定位方法，其特征在于，所述的S4步骤中对参数的估计具体包括：
测试篡改图的DCT分布可以看做是篡改区域DCT系数和非篡改区域DCT系数的混合分布，定义α为篡改区域的图像的比例，则有
Figure FDA0002905514410000028
Figure FDA0002905514410000029
其中，P(xi)是DCT系数xi所存在的可能性，P(xi)中含有待估计参数q1，表示为P(xi|q1)；在估计参数q1时因为含有隐含变量α，则采用极大似然估计法对参数q1进行估计：
Figure FDA0002905514410000031
其中x0，x1，…，xN为图像所包含的所有DCT系数值，通过遍历所有q1可能的取值，使似然函数取得最大值的q1即为最优的q1，从而得到q1的估计值：
Figure FDA0002905514410000032
7.根据权利要求6所述的一种JPEG重压缩图像篡改定位方法，其特征在于，所述的S5步骤中篡改概率的计算方法为：提取测试图片某一频率f上的DCT系数值组成一个矩阵，对于矩阵中的每一个点xi以及其水平的相邻点xj，求出它的条件概率值
Figure FDA0002905514410000033
和
Figure FDA0002905514410000034
然后根据贝叶斯公式得到该点的篡改的概率：
Figure FDA0002905514410000035
8.根据权利要求7所述的一种JPEG重压缩图像篡改定位方法，其特征在于，所述的S7步骤具体包括：通过连通性比较每个点与它周围点概率值的关系筛选出篡改概率图中概率估计不准确的点，然后利用高斯权值滤波利用周围8个概率值对可疑点进行修改：
Figure FDA0002905514410000036
w为邻接块的概率所占的比重：
Figure FDA0002905514410000037
γ为调节系数。
9.根据权利要求8所述的一种JPEG重压缩图像篡改定位方法，其特征在于，所述的S8步骤具体包括：对得到的篡改概率图进行二值分割，选择阈值为0.5，则1所代表的8*8的块是篡改区域，0代表的是未篡改区域，而后得到的二值进行再次降噪，最终定位篡改区域。
CN201810064940.5A 2018-01-23 2018-01-23 一种jpeg重压缩图像篡改定位方法 Active CN108269221B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810064940.5A CN108269221B (zh) 2018-01-23 2018-01-23 一种jpeg重压缩图像篡改定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810064940.5A CN108269221B (zh) 2018-01-23 2018-01-23 一种jpeg重压缩图像篡改定位方法

Publications (2)

Publication Number Publication Date
CN108269221A CN108269221A (zh) 2018-07-10
CN108269221B true CN108269221B (zh) 2021-08-06

Family

ID=62776296

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810064940.5A Active CN108269221B (zh) 2018-01-23 2018-01-23 一种jpeg重压缩图像篡改定位方法

Country Status (1)

Country Link
CN (1) CN108269221B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111507931B (zh) * 2019-01-14 2023-04-18 阿里巴巴集团控股有限公司 一种数据处理方法和装置
CN111553916B (zh) * 2020-05-09 2023-11-14 中科计算技术创新研究院 基于多种特征和卷积神经网络的图像篡改区域检测方法
CN112911298B (zh) * 2021-02-01 2022-09-23 上海交通大学 一种基于边界效应的hevc视频双压缩检测方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101916442A (zh) * 2010-08-05 2010-12-15 大连理工大学 一种利用glcm特征的篡改图像鲁棒定位方法
CN103544692A (zh) * 2012-07-13 2014-01-29 深圳市智信达软件有限公司 基于统计学判断的双重压缩jpeg图象篡改盲检测方法
WO2015077946A1 (zh) * 2013-11-28 2015-06-04 中国科学院自动化研究所 一种基于dct系数的图像篡改定位方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150228045A1 (en) * 2013-09-23 2015-08-13 Infosys Limited Methods for embedding and extracting a watermark in a text document and devices thereof
US10032265B2 (en) * 2015-09-02 2018-07-24 Sam Houston State University Exposing inpainting image forgery under combination attacks with hybrid large feature mining

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101916442A (zh) * 2010-08-05 2010-12-15 大连理工大学 一种利用glcm特征的篡改图像鲁棒定位方法
CN103544692A (zh) * 2012-07-13 2014-01-29 深圳市智信达软件有限公司 基于统计学判断的双重压缩jpeg图象篡改盲检测方法
WO2015077946A1 (zh) * 2013-11-28 2015-06-04 中国科学院自动化研究所 一种基于dct系数的图像篡改定位方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
DCT based texture watermarking using GLCM;Sushila Kamble等;《2010 IEEE 2nd International Advance Computing Conference》;20100301;全文 *
基于灰度共生矩的图像区域复制篡改检测;欧佳佳等;《计算机应用》;20110630;第31卷(第6期);全文 *
结合游程长度与共生矩阵的图像拼接篡改检测方法;苏慧嘉等;《计算机科学》;20170630;第44卷(第6期);全文 *

Also Published As

Publication number Publication date
CN108269221A (zh) 2018-07-10

Similar Documents

Publication Publication Date Title
Wang et al. Optimized feature extraction for learning-based image steganalysis
Lai et al. Countering counter-forensics: The case of JPEG compression
Fan et al. JPEG anti-forensics with improved tradeoff between forensic undetectability and image quality
Fan et al. General-purpose image forensics using patch likelihood under image statistical models
Liang et al. No-reference perceptual image quality metric using gradient profiles for JPEG2000
CN107067389B (zh) 一种图像篡改盲取证方法
CN108269221B (zh) 一种jpeg重压缩图像篡改定位方法
Wan et al. Hybrid JND model-guided watermarking method for screen content images
CN104598933A (zh) 一种基于多特征融合的图像翻拍检测方法
CN110782442B (zh) 一种基于多域耦合的图像人工模糊检测方法
Zhang et al. A survey on passive-blind image forgery by doctor method detection
Zhao et al. Tampered region detection of inpainting JPEG images
Siddiqi et al. Image Splicing‐Based Forgery Detection Using Discrete Wavelet Transform and Edge Weighted Local Binary Patterns
Chen et al. Image tampering detection by blocking periodicity analysis in JPEG compressed images
Chu et al. Detectability of the order of operations: An information theoretic approach
CN109660814B (zh) 一种视频前景删除篡改的检测方法
Kumawat et al. A robust JPEG compression detector for image forensics
CN107147909A (zh) 基于方差的重压缩jpeg图像原始量化步长估计方法
Sharma et al. A review of passive forensic techniques for detection of copy-move attacks on digital videos
Al-Azawi et al. Image splicing detection based on texture features with fractal entropy
Niu et al. A visual saliency modulated just noticeable distortion profile for image watermarking
Wang et al. Coarse-to-fine grained image splicing localization method based on noise level inconsistency
Jiang et al. The game of countering JPEG anti-forensics based on the noise level estimation
KR20060007901A (ko) 영상으로부터의 중요 객체 추출 장치 및 방법
Meng et al. Tamper detection for shifted double jpeg compression

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant