Image forgery detection_数字图像伪造检测_数字取证.doc

[Hany Farid] Image Forgery Detection IEEE SIGNAL PROCESSING MAGAZINE [17] MARCH 2009, 16-25 图像伪造检测 译者：宋鹏玉 学号：M201172517 毫 无疑问，我们正处于一个了不起的视觉现象中。以前，我们相信图像的真实性、完整性。现在，数字技术正摧毁我们对此的信任。从小报杂志到时尚行业、主流媒体，科学杂志、政治运动、法庭和电子邮件中的恶作剧图片，经过修改的图片出现的频率越来越高，越来越复杂。过去5年，出现了数字取证技术，来帮助我们重建对数字图像真实性的信任。在此，我们回顾一下，这项技术的当前现状。 数字水印，已经被作为图像认证的一种技术。这项技术的缺点是，水印必须在录像阶段添加，这会限制这种方法在数字照相机的使用。与此不同的是，被动式图像取证技术可以在没有水印或者签名的情况下工作。这项技术假设：尽管数字图像伪造不会留下视觉上的线索让人看出被修改过，但仍然会改变一些不明显的图像统计信息。图像取证工具，大致可以被分为以下5类： 基于像素的技术，检测像素水平上的统计信息异常情况； 基于格式的技术，利用特定的有损压缩方法造成的统计相关性； 基于照相机的技术，利用照相机棱镜、传感器或芯片上的后处理造成的缺陷； 基于物理的技术，在物体、光源、照相机之间的三维交互中，建立模型和检测异常情况； 基于几何的技术，测量现实世界中的物体，和它们的位置与照相机的关系。 下面，我们回顾一下这几类中，每一类的代表性取证工具。这样一来，我将毫无疑问的遗漏一些有价值的论文。但是，我希望这篇论文提供图像伪造检测领域的一些经典样例。 基于像素的技术 法律系统依赖于一系列的取证分析，包括从DNA到指纹的法医鉴定、牙齿取证、昆虫取证、土壤取证。在传统的法医学中，所有的物证都要被分析。在数字领域，分析的重点是像素——构成图像的基本元素。这里，介绍4种技术来检测各种形式的干扰，每种技术都直接或间接地分析由一种形式的干扰所产生的像素之间的相关性。 克隆 也许，最常见的图像操作就是复制和黏贴图像的一部分以隐藏一个人或事物。当这个复制黏贴是很小心的做的话，我们就很难检测到他。而且，由于复制的区域可以是任何的形状和大小，几乎不可能用搜索的方法来找到他。目前已经发展出了两个高效的算法，用来检测克隆的图像区域([11],[34]和[23],[27]以及[42])。 文献[11]的作者首先使用了分块离散余弦变换。通过对DCT块的系数按字典排序，和按照相同的偏移对相似的块进行分组，检测到复制区域。另一个相关联的方法在文献[34]中，作者对固定大小的图像块使用主成分分析，来产生低维的表现形式。然后，像之前那样，通过对块进行排序和分组来检测复制区域。DCT和PCA两者都用来减少计算复杂度，以确保在含有加性噪声和有损压缩的图像中克隆检测的鲁棒性。 重采样 为了创建一个有说服力的合成图，图像的缩放、旋转和拉伸图像的一部分是必要的。例如，当要把两个人合成到一幅图中时，其中一人的大小往往需要调整。这个过程，需要根据相邻像素之间特定的相关性，将原始图像重新采样到一个抽样矩阵中。因为这些相关性不太可能是自然产生的，故而可以利用相关性的特点来检测某些特定的操作([36]，相关方法描述在[43],[22],[31]和[38])。 下面考虑对长度为m的一维信号x(t)，以两倍的频率进行线性插值产生信号y(t)。新采样的信号奇数点的值是这样确定的：y(2i-1)=x(i)，i=1,2…m，而偶数点的值是相邻点的值的平均： y(2i)=0.5x(i)+0.5x(i+1) (1) 由于原始信号的每个点都出现在了新采样信号中，所以插值点也可以用重采样信号表示： y(2i)=0.5y(2i-1)+0.5y(2i+1) (2) 也就是说，偶数采样点是它的两个相邻点的精确的线性组合。在这个例子中，如果注意到每隔一个点中有一个是其邻点的均值，我们就可以确定这是一个重采样的信号。大范围的重采样会引起周期性的相关性。如果知道特定的采样方法的相关性，就可以简单地确定哪些像素点与它们的邻点相关。相反，如果知道哪些像素与它们的相邻点相关，也可以由此推测出是哪种形式的相关性。但是，在现实中，两者都无法知道。期望最大化算法(EM)可以用来同时解决这两个问题。期望最大化算法是一个分两步的迭代算法：1）期望步骤，估计每一个像素点与其相邻点相关的概率；2）最大化步骤，估计相邻像素点直接相关性的形式。比如在线性插值模型中，期望步骤可以简化为贝叶斯估计，最大化步骤简化为加权最小二乘估计。然后，使用概率估计来判断图像的某一个部分是否是重采样的。 拼接 图片操作的一个常见方式就是将两幅或更多的数字图像拼接成一幅。当操作足够细心，被拼接的图之间的边