CN114936986A - 一种深度学习的图像防篡改系统及方法 - Google Patents
一种深度学习的图像防篡改系统及方法 Download PDFInfo
- Publication number
- CN114936986A CN114936986A CN202210738773.4A CN202210738773A CN114936986A CN 114936986 A CN114936986 A CN 114936986A CN 202210738773 A CN202210738773 A CN 202210738773A CN 114936986 A CN114936986 A CN 114936986A
- Authority
- CN
- China
- Prior art keywords
- image
- different
- images
- tampering
- equipment
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 99
- 238000013135 deep learning Methods 0.000 title claims abstract description 19
- 238000001514 detection method Methods 0.000 claims abstract description 32
- 238000003384 imaging method Methods 0.000 claims abstract description 24
- 230000006835 compression Effects 0.000 claims abstract description 5
- 238000007906 compression Methods 0.000 claims abstract description 5
- 238000012952 Resampling Methods 0.000 claims description 11
- 238000010367 cloning Methods 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 9
- 238000012706 support-vector machine Methods 0.000 claims description 8
- 230000015572 biosynthetic process Effects 0.000 claims description 6
- 230000003287 optical effect Effects 0.000 claims description 6
- 238000003786 synthesis reaction Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 238000012986 modification Methods 0.000 claims description 4
- 230000004048 modification Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 239000003086 colorant Substances 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 230000016776 visual perception Effects 0.000 claims description 3
- 238000013461 design Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 description 7
- 241001428800 Cell fusing agent virus Species 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 208000036971 interstitial lung disease 2 Diseases 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000010422 painting Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
Images
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了图像防篡改技术领域的一种深度学习的图像防篡改系统及方法，图像采集过程中，设备不可避免地要引入模式噪声，这是不同设备的特有属性，彩色图像设备成像过程中，通常只采集三色通道中的其中一种颜色信息，根据提取的特征种类不同，这些方法可以大致分为三类：基于篡改痕迹检测，基于成像设备固有属性一致性，基于图像内在统计特征。基于篡改痕迹检测方法大多是在图像块级别进行篡改检测，具有很好的鲁棒性，可以对加入了噪声和经过压缩的图像进行判定。这类方法通过提取图像块的特征，比较不同块之间的特征相似度判定图像的真实性和篡改区域。基于成像设备固有属性一致性方法从成像设备入手，比对不同图像的固有属性。
Description
技术领域
本发明涉及图像防篡改技术领域，具体为一种深度学习的图像防篡改系统及方法。
背景技术
随着深度学习与生活相关的各种应用快速落地，各种酷炫技术在人民日常生活中产生广泛影响，其中以DeepFake、FaceSwap等为代表的人像篡改软件对社会、经济等各方面产生重大影响。在社会生活层面，“人工智能伪造”使日常生活所用的合同、契约、证书及相关法律文本的防伪鉴定面临新的困难；在涉及公民、法人和组织切身利益和财产安全的重要问题上，也带来了诸多不确定性的挑战；“人工智能伪造”将可用于伪造证人证言、视听资料、电子数据及鉴定意见等虚假证据，也为不法分子从事违法犯罪活动提供便利条件。
数字图像篡改过程中，即使可获得肉眼上足以以假乱真的结果，但图像本身的连续特征却已遭到破坏，而不同图像自身携带的指纹信息亦不同，故可通过比较图像中特定指纹信息的不一致性或分析该图像中的某种统计特征是否被破坏来判断图像是否经过篡改并检测出篡改区域(罗鸿斌.数字图像盲取证技术研究综述[J].无线互联科技,2014(2):142–143)。现有的篡改图像检测方法大致可分为：基于指纹不一致性的篡改图像检测，基于图像内在统计特征的篡改图像检测周治平,胡成燕,黄浩.基于色彩一致性的图像模糊篡改检测[J].计算机工程,基于图像篡改过程遗留痕迹的篡改图像检测和基于深度学习的篡改图像检测，为此，我们提出一种深度学习的图像防篡改系统及方法。
发明内容
本发明的目的在于提供一种深度学习的图像防篡改系统及方法，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：一种深度学习的图像防篡改系统及方法，包括以下步骤：
1）图像采集过程中，设备不可避免地要引入模式噪声，这是不同设备的特有属性，即使两个型号完全相同的设备，其模式噪声也会有所不同。模式噪声估计算法需要事先建立训练集，将已知相同型号的设备作为一类，利用去噪算法过滤出图像的“残余噪声”作为这一类图像的参考噪声。然后对比待检测图像的残余噪声和训练集中的各类参考噪声，从而确定设备的型号；
2）彩色图像设备成像过程中，通常只采集RGB三色通道中的其中一种颜色信息，然后再利用CFA（color filter array）插值获取其他两种颜色。通过此种方法形成的图像，其RGB三色通道之间往往存在一定的相关性，不同的设备使用的插值算法和模型也不同，CFA插值算法就是利用了这个特性判断图像的来源。然后利用SVM对19种不同设备产生的图像进行分类；
3）设备在进行图像采集时，光学镜头的失真会最终引入到生成的图像中，给图像带来几何特性的变化。不同的设备带来的几何变化不同，光学镜头失真算法就是用了设备成像的这种特性进行图像来源分类。通过提取图像中的直线失真对图像的来源进行鉴别，通过对三种设备图像进行分类。
优选的，所述图像采集过程具体步骤为；
1）图像克隆被动取证由于图像采集的多样性，同一张图像中的噪声、纹理完全相同的区域几乎不可能出现，而图像克隆篡改方法将导致图像中出现了两个完全相同的区域，因此该类取证方法的关键在于寻找图像中两个完全相同的区域；
2）图像拼接被动取证这种方法针对的是不同图像的复制-粘贴篡改方法，该方法产生的篡改图像其统计特性会发生改变，并且边缘特征也会发生变化。通过滤波器对图像进行处理，凸显图像边缘特征，从而发现真实区域与篡改区域之间的边缘差异；
3）重采样被动取证一般对图像进行克隆或拼接等篡改操作以后，伪造者会对合成区域进行缩放、旋转，使其尺寸或者形态更符合视觉感受。对图像尺寸的缩放即重采样，通常采用插值算法来增加（上采样）或减少（下采样）图像像素，这就会改变图像原有的统计特性。
优选的，所述彩色图像设备成像过程不同成像设备采取的颜色滤波阵列CFA往往存在差异，通过对比分析CFA插值的相关性判断图像真伪，对CFA插值带来的特殊相关系数进行量化，提出了一种能够自动在图像人一部分检测这种相关系数的方法，从而可以判断图像的篡改区域，鉴别图像的真伪。
优选的，在步骤3中图像采集时具体方法为；
（1）为了避免提取图像语义特征，研究者们从传统图像取证方法中受到启发，采用图像块级别提取特征的方法[36]。在提取特征之前，首先将图像分割成大小相同的图像块，然后再逐一提取图像块的篡改特征（如手工设计特征、图像统计特征等）。通过将图像分割为图像块，避免了单一图像块中有完整的语义主体，同时对图像块的处理也提升了模型的效率。但随着人们对模型识别精度的要求不断提升，基于图像块的方法定位较为粗糙，倘若将图像分割为更小的图像块，又将会导致计算成本提升。为了解决这个问题，Bappy,等人[37]提出了一种基于像素级别概率映射的方法，建立了图像块级别与像素级别的映射关系。作者建立了CNN-LSTM图像被动取证模型，首先通过卷积操作提取重叠图像块的特征，然后采用LSTM网络捕捉不同图像块像素之间上下文依赖关系，计算像素级别的篡改概率映射，最终输出像素级别的修改区域掩码（mask）；
（2）需要对虚假图像中的篡改区域进行定位，输出内容有两种方式，一种是以bounding box的方式输出，另一种是以篡改区域二进制掩码（mask）的方式输出。很多基于深度学习的图像被动取证方法，由于不同篡改手段所具备的特征具有很大差异，大多数模型只能对一种篡改方式进行识别，少数模型可以实现多种篡改方式的识别。本文接下来将按照拼接检测、复制-粘贴检测、计算机生成检测、多种操作检测四类进行详述。
优选的，所述图像篡改方式大致可以分为两类：拼接、复制-粘贴、删除三种操作是对图像内容进行修改，这类修改方式给人的误导性较大，也是最为常见的三种篡改方式。
优选的，所述利用量化DCT系数直方图的判断图像是否经过重采样压缩，然后采用E/M(Expectation/Maximization)算法计算临近像素线性组合的概率，从而得到检测图像重采样的方法。
与现有技术相比，本发明的有益效果是：图像篡改方法种类繁多，篡改技术进步也十分迅速，研究者将篡改技术分为合成、润饰、计算机生成、变种、增强、绘画、二次获取图像、泄密图像八个大类。[1]其中，合成、计算机生成、变种、绘画是对图像的内容进行篡改，而润饰、增强、二次获取图像则通常被用来掩盖图像的篡改痕迹。面对数量庞大，流程复杂的篡改技术，图像的被动取证面临巨大的困难。如何对图像真伪进行判定，如何判定图像篡改技术种类和篡改区域是研究者一直思考的问题。通过分析，研究者们发现不同类型的篡改方式会产生独特的特征和篡改痕迹，根据不同类型的篡改特征，可以对某一种篡改方式进行鉴定，因此产生了大量的图像特征提取方法和图像被动取证方法。截至目前，根据提取的特征种类不同，这些方法可以大致分为三类：基于篡改痕迹检测，基于成像设备固有属性一致性，基于图像内在统计特征。基于篡改痕迹检测方法大多是在图像块级别进行篡改检测，具有很好的鲁棒性，可以对加入了噪声和经过压缩的图像进行判定。这类方法通过提取图像块的特征（如DCT、PCA、SVD），比较不同块之间的特征相似度判定图像的真实性和篡改区域。基于成像设备固有属性一致性方法从成像设备入手，比对不同图像的固有属性（如CFA特性、JPEG量表等），当统一图像中出现两种不同的特性时判定图像为假。这类方法通常被用来进行图像溯源取证，在图像内容真实性方面，表现不如基于篡改痕迹检测方法。基于图像内在统计特征的方法经常与机器学习方法结合，首先提取图像内在统计特性（如像素均值、RGB相关性等），将这些特征输入到SVM分类器中，分类器对这些特征进行分类，得到图像的判定结果。但由于手工设计的特征不具备代表性，分类器表现一般，因此准确率较低。这三类方法不是相互独立的，可以相互交叉使用，比如基于篡改痕迹检测方法中大多采用图像块的方式，而基于成像设备固有属性一致性和基于图像内在统计特征也可以在图像块的级别上进行检测。
附图说明
图1为本发明防篡改技术结构示意图；
图2为本发明流程示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1和图2，本发明提供如下技术方案：一种深度学习的图像防篡改系统及方法，包括以下步骤：
步骤1，图像采集过程中，设备不可避免地要引入模式噪声，这是不同设备的特有属性，即使两个型号完全相同的设备，其模式噪声也会有所不同。模式噪声估计算法需要事先建立训练集，将已知相同型号的设备作为一类，利用去噪算法过滤出图像的“残余噪声”作为这一类图像的参考噪声。然后对比待检测图像的残余噪声和训练集中的各类参考噪声，从而确定设备的型号；
步骤2，彩色图像设备成像过程中，通常只采集RGB三色通道中的其中一种颜色信息，然后再利用CFA（color filter array）插值获取其他两种颜色。通过此种方法形成的图像，其RGB三色通道之间往往存在一定的相关性，不同的设备使用的插值算法和模型也不同，CFA插值算法就是利用了这个特性判断图像的来源。然后利用SVM对19种不同设备产生的图像进行分类；
步骤3，设备在进行图像采集时，光学镜头的失真会最终引入到生成的图像中，给图像带来几何特性的变化。不同的设备带来的几何变化不同，光学镜头失真算法就是用了设备成像的这种特性进行图像来源分类。通过提取图像中的直线失真对图像的来源进行鉴别，通过对三种设备图像进行分类；
请参阅图1和图2，图像采集过程具体步骤为；
步骤1，图像克隆被动取证由于图像采集的多样性，同一张图像中的噪声、纹理完全相同的区域几乎不可能出现，而图像克隆篡改方法将导致图像中出现了两个完全相同的区域，因此该类取证方法的关键在于寻找图像中两个完全相同的区域；
步骤2，图像拼接被动取证这种方法针对的是不同图像的复制-粘贴篡改方法，该方法产生的篡改图像其统计特性会发生改变，并且边缘特征也会发生变化。通过滤波器对图像进行处理，凸显图像边缘特征，从而发现真实区域与篡改区域之间的边缘差异；
步骤3，重采样被动取证一般对图像进行克隆或拼接等篡改操作以后，伪造者会对合成区域进行缩放、旋转，使其尺寸或者形态更符合视觉感受。对图像尺寸的缩放即重采样，通常采用插值算法来增加（上采样）或减少（下采样）图像像素，这就会改变图像原有的统计特性；
请参阅图1，彩色图像设备成像过程不同成像设备采取的颜色滤波阵列CFA往往存在差异，通过对比分析CFA插值的相关性判断图像真伪，对CFA插值带来的特殊相关系数进行量化，提出了一种能够自动在图像人一部分检测这种相关系数的方法，从而可以判断图像的篡改区域，鉴别图像的真伪；
请参阅图1，步骤1，为了避免提取图像语义特征，研究者们从传统图像取证方法中受到启发，采用图像块级别提取特征的方法[36]。在提取特征之前，首先将图像分割成大小相同的图像块，然后再逐一提取图像块的篡改特征（如手工设计特征、图像统计特征等）。通过将图像分割为图像块，避免了单一图像块中有完整的语义主体，同时对图像块的处理也提升了模型的效率。但随着人们对模型识别精度的要求不断提升，基于图像块的方法定位较为粗糙，倘若将图像分割为更小的图像块，又将会导致计算成本提升。为了解决这个问题，Bappy,等人[37]提出了一种基于像素级别概率映射的方法，建立了图像块级别与像素级别的映射关系。作者建立了CNN-LSTM图像被动取证模型，首先通过卷积操作提取重叠图像块的特征，然后采用LSTM网络捕捉不同图像块像素之间上下文依赖关系，计算像素级别的篡改概率映射，最终输出像素级别的修改区域掩码（mask）；
步骤2，需要对虚假图像中的篡改区域进行定位，输出内容有两种方式，一种是以bounding box的方式输出，另一种是以篡改区域二进制掩码（mask）的方式输出。很多基于深度学习的图像被动取证方法，由于不同篡改手段所具备的特征具有很大差异，大多数模型只能对一种篡改方式进行识别，少数模型可以实现多种篡改方式的识别。本文接下来将按照拼接检测、复制-粘贴检测、计算机生成检测、多种操作检测四类进行详述；
请参阅图2，图像篡改方式大致可以分为两类：拼接、复制-粘贴、删除三种操作是对图像内容进行修改，这类修改方式给人的误导性较大，也是最为常见的三种篡改方式；
请参阅图1，利用量化DCT系数直方图的判断图像是否经过重采样压缩，然后采用E/M(Expectation/Maximization)算法计算临近像素线性组合的概率，从而得到检测图像重采样的方法；
工作原理：图像篡改方法种类繁多，篡改技术进步也十分迅速，研究者将篡改技术分为合成、润饰、计算机生成、变种、增强、绘画、二次获取图像、泄密图像八个大类。[1]其中，合成、计算机生成、变种、绘画是对图像的内容进行篡改，而润饰、增强、二次获取图像则通常被用来掩盖图像的篡改痕迹。面对数量庞大，流程复杂的篡改技术，图像的被动取证面临巨大的困难。如何对图像真伪进行判定，如何判定图像篡改技术种类和篡改区域是研究者一直思考的问题。通过分析，研究者们发现不同类型的篡改方式会产生独特的特征和篡改痕迹，根据不同类型的篡改特征，可以对某一种篡改方式进行鉴定，因此产生了大量的图像特征提取方法和图像被动取证方法。截至目前，根据提取的特征种类不同，这些方法可以大致分为三类：基于篡改痕迹检测，基于成像设备固有属性一致性，基于图像内在统计特征。基于篡改痕迹检测方法大多是在图像块级别进行篡改检测，具有很好的鲁棒性，可以对加入了噪声和经过压缩的图像进行判定。这类方法通过提取图像块的特征（如DCT、PCA、SVD），比较不同块之间的特征相似度判定图像的真实性和篡改区域。基于成像设备固有属性一致性方法从成像设备入手，比对不同图像的固有属性（如CFA特性、JPEG量表等），当统一图像中出现两种不同的特性时判定图像为假。这类方法通常被用来进行图像溯源取证，在图像内容真实性方面，表现不如基于篡改痕迹检测方法。基于图像内在统计特征的方法经常与机器学习方法结合，首先提取图像内在统计特性（如像素均值、RGB相关性等），将这些特征输入到SVM分类器中，分类器对这些特征进行分类，得到图像的判定结果。但由于手工设计的特征不具备代表性，分类器表现一般，因此准确率较低。这三类方法不是相互独立的，可以相互交叉使用，比如基于篡改痕迹检测方法中大多采用图像块的方式，而基于成像设备固有属性一致性和基于图像内在统计特征也可以在图像块的级别上进行检测。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (6)
1.一种深度学习的图像防篡改系统及方法，其特征在于包括以下步骤：
图像采集过程中，设备不可避免地要引入模式噪声，这是不同设备的特有属性，即使两个型号完全相同的设备，其模式噪声也会有所不同；
1）模式噪声估计算法需要事先建立训练集，将已知相同型号的设备作为一类，利用去噪算法过滤出图像的“残余噪声”作为这一类图像的参考噪声；然后对比待检测图像的残余噪声和训练集中的各类参考噪声，从而确定设备的型号；
2）彩色图像设备成像过程中，通常只采集RGB三色通道中的其中一种颜色信息，然后再利用CFA（color filter array）插值获取其他两种颜色；通过此种方法形成的图像，其RGB三色通道之间往往存在一定的相关性，不同的设备使用的插值算法和模型也不同，CFA插值算法就是利用了这个特性判断图像的来源；然后利用SVM对19种不同设备产生的图像进行分类；
3）设备在进行图像采集时，光学镜头的失真会最终引入到生成的图像中，给图像带来几何特性的变化，不同的设备带来的几何变化不同，光学镜头失真算法就是用了设备成像的这种特性进行图像来源分类，通过提取图像中的直线失真对图像的来源进行鉴别，通过对三种设备图像进行分类。
2.根据权利要求1所述的一种深度学习的图像防篡改系统及方法，其特征在于步骤1）中：所述图像采集过程具体步骤为；
1）图像克隆被动取证由于图像采集的多样性，同一张图像中的噪声、纹理完全相同的区域几乎不可能出现，而图像克隆篡改方法将导致图像中出现了两个完全相同的区域，因此该类取证方法的关键在于寻找图像中两个完全相同的区域；
2）图像拼接被动取证这种方法针对的是不同图像的复制-粘贴篡改方法，该方法产生的篡改图像其统计特性会发生改变，并且边缘特征也会发生变化，通过滤波器对图像进行处理，凸显图像边缘特征，从而发现真实区域与篡改区域之间的边缘差异；
3）重采样被动取证一般对图像进行克隆或拼接等篡改操作以后，伪造者会对合成区域进行缩放、旋转，使其尺寸或者形态更符合视觉感受，对图像尺寸的缩放即重采样，通常采用插值算法来增加（上采样）或减少（下采样）图像像素，这就会改变图像原有的统计特性。
3.根据权利要求1所述的一种深度学习的图像防篡改系统及方法，其特征在于步骤2）中：所述彩色图像设备成像过程不同成像设备采取的颜色滤波阵列CFA往往存在差异，通过对比分析CFA插值的相关性判断图像真伪，对CFA插值带来的特殊相关系数进行量化，提出了一种能够自动在图像人一部分检测这种相关系数的方法，从而可以判断图像的篡改区域，鉴别图像的真伪。
4.根据权利要求1所述的一种深度学习的图像防篡改系统及方法，其特征在于步骤3）的具体方法为：
（1）为了避免提取图像语义特征，研究者们从传统图像取证方法中受到启发，采用图像块级别提取特征的方法[36]，在提取特征之前，首先将图像分割成大小相同的图像块，然后再逐一提取图像块的篡改特征（如手工设计特征、图像统计特征等），通过将图像分割为图像块，避免了单一图像块中有完整的语义主体，同时对图像块的处理也提升了模型的效率，但随着人们对模型识别精度的要求不断提升，基于图像块的方法定位较为粗糙，倘若将图像分割为更小的图像块，又将会导致计算成本提升，为了解决这个问题，Bappy,等人[37]提出了一种基于像素级别概率映射的方法，建立了图像块级别与像素级别的映射关系，作者建立了CNN-LSTM图像被动取证模型，首先通过卷积操作提取重叠图像块的特征，然后采用LSTM网络捕捉不同图像块像素之间上下文依赖关系，计算像素级别的篡改概率映射，最终输出像素级别的修改区域掩码（mask）；
（2）需要对虚假图像中的篡改区域进行定位，输出内容有两种方式，一种是以boundingbox的方式输出，另一种是以篡改区域二进制掩码（mask）的方式输出，很多基于深度学习的图像被动取证方法，由于不同篡改手段所具备的特征具有很大差异，大多数模型只能对一种篡改方式进行识别，少数模型可以实现多种篡改方式的识别，本文接下来将按照拼接检测、复制-粘贴检测、计算机生成检测、多种操作检测四类进行详述。
5.根据权利要求1所述的一种深度学习的图像防篡改系统及方法，其特征在于步骤1）中：所述图像篡改方式大致可以分为两类：拼接、复制-粘贴、删除三种操作是对图像内容进行修改，这类修改方式给人的误导性较大，也是最为常见的三种篡改方式。
6.根据权利要求1所述的一种深度学习的图像防篡改系统及方法，其特征在于步骤2）中：所述利用量化DCT系数直方图的判断图像是否经过重采样压缩，然后采用E/M(Expectation/Maximization)算法计算临近像素线性组合的概率，从而得到检测图像重采样的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210738773.4A CN114936986A (zh) | 2022-06-28 | 2022-06-28 | 一种深度学习的图像防篡改系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210738773.4A CN114936986A (zh) | 2022-06-28 | 2022-06-28 | 一种深度学习的图像防篡改系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114936986A true CN114936986A (zh) | 2022-08-23 |
Family
ID=82868456
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210738773.4A Withdrawn CN114936986A (zh) | 2022-06-28 | 2022-06-28 | 一种深度学习的图像防篡改系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114936986A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115795370A (zh) * | 2023-02-10 | 2023-03-14 | 南昌大学 | 基于重采样痕迹的电子数字信息取证方法及系统 |
-
2022
- 2022-06-28 CN CN202210738773.4A patent/CN114936986A/zh not_active Withdrawn
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115795370A (zh) * | 2023-02-10 | 2023-03-14 | 南昌大学 | 基于重采样痕迹的电子数字信息取证方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Qureshi et al. | A bibliography of pixel-based blind image forgery detection techniques | |
| Alkawaz et al. | Detection of copy-move image forgery based on discrete cosine transform | |
| Asghar et al. | Copy-move and splicing image forgery detection and localization techniques: a review | |
| Mushtaq et al. | Digital image forgeries and passive image authentication techniques: a survey | |
| Gill et al. | A review paper on digital image forgery detection techniques | |
| Tokuda et al. | Computer generated images vs. digital photographs: A synergetic feature and classifier combination approach | |
| CN112069891B (zh) | 一种基于光照特征的深度伪造人脸鉴别方法 | |
| CN102609948B (zh) | 一种针对复制粘贴篡改的数码照片伪造检测方法 | |
| CN106610969A (zh) | 基于多模态信息的视频内容审查系统及方法 | |
| Deep Kaur et al. | An analysis of image forgery detection techniques | |
| CN102542660A (zh) | 基于票据水印分布特征的票据防伪鉴别方法 | |
| CN102609947B (zh) | 一种针对拼接篡改的数码照片伪造检测方法 | |
| Hussain et al. | Copy-move image forgery detection using multi-resolution weber descriptors | |
| Rhee | Detection of spliced image forensics using texture analysis of median filter residual | |
| Zhao et al. | Optimal chroma-like channel design for passive color image splicing detection | |
| Hakimi et al. | Image-splicing forgery detection based on improved lbp and k-nearest neighbors algorithm | |
| Siddiqi et al. | Image Splicing‐Based Forgery Detection Using Discrete Wavelet Transform and Edge Weighted Local Binary Patterns | |
| Velliangira et al. | A novel forgery detection in image frames of the videos using enhanced convolutional neural network in face images | |
| CN115035052B (zh) | 一种基于身份差异量化的伪造换脸图像检测方法和系统 | |
| Shah et al. | Image splicing forgery detection using DCT coefficients with multi-scale LBP | |
| CN114936986A (zh) | 一种深度学习的图像防篡改系统及方法 | |
| Agarwal et al. | The advent of deep learning-based image forgery detection techniques | |
| Zhang et al. | Image splicing detection scheme based on error level analysis and local binary pattern | |
| Li et al. | Distinguishing computer graphics from photographic images using a multiresolution approach based on local binary patterns | |
| CN117456262A (zh) | 一种基于深度学习技术图文造假识别研究方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20220823 |
|
| WW01 | Invention patent application withdrawn after publication |