基于哈希的图像篡改检测算法研究

With the wide availability of image editing software, making forgeries in digital images without leaving any visible traces has become very easy and widespread. If forged images are extensively used in official media, scientific discovery and forensic evidence, will undoubtedly reduce trustworthiness and produce serious impact on various aspects of society. Hence, the identification of the authenticity and integrity of digital multimedia data has become an urgent need to be addressed in the field of digital multimedia security. Although many tamper detection models have been proposed in the past years, there is a lot of room for progress. For example, the tamper localization result will be suspect when considering the tampering with small size or multiple disconnected tampered regions. The most existing methods will fail to deal with the tampering with too similar color or texture to the surrounding area. In addition, the accuracy of tamper localization is not high enough, and the computational complexity is high. Therefore, it is an important research topic to design fast and effective tamper detection algorithm with high accuracy in the field of multimedia forensics, and also the research content of this project. The main research contents include three aspects: the estimation of geometric transformation parameters, the image hash construction method, image authentication and tamper localization schemes.

随着数字图像处理技术的飞速发展，人们可以利用各种图像处理工具对图像进行篡改而不留下任何肉眼可见的痕迹。如果这种伪造的图像被广泛应用于官方媒体、科学发现和法医证据等，无疑会降低可信度，并对社会的各个方面产生严重影响。因此，数字图像真实性和完整性的鉴别已成为数字媒体安全领域中一个迫切需要解决的问题。现有的图像篡改检测算法仍然存在很多问题亟待解决。例如，现有算法对尺寸很小的篡改或者一张图像里有多个篡改块的情况还不够稳定。当篡改区域与背景区域颜色和纹理非常相似时，大部分现有算法也很难检测到。另外，篡改定位的精确度还不够高，计算复杂度也比较高。因此，如何设计快速有效并且精确度高的篡改检测算法是多媒体取证领域的一个重要研究课题，也是本项目的研究内容。主要研究内容包括三个方面：估算图像几何变形参数的方案研究，图像哈希构造方案研究，图像认证与篡改定位的方案研究。

随着图像编辑软件的广泛使用，非专业用户也可以很容易地编辑数字图像，这对图像的完整性和真实性构成了极大威胁。因此，图像篡改检测技术受到了国内外研究人员的广泛关注。近年来, 受深度神经网络在多媒体识别和计算机视觉方面成功经验的启发，学者们提出了许多基于神经网络的图像篡改检测方法。本项目在执行期间分别从图像篡改检测算法的三大分支进行了学习与研究，分别是基于哈希的图像篡改检测算法，copy-move篡改检测算法和盲篡改检测算法。目前，团队在盲篡改检测方面已经完成了部分工作，总结如下：.考虑到篡改对象的大小和类型不同, 已有的基于卷积神经网络的图像拼接篡改检测方法无法得到令人满意的结果，我们提出了一种集成多尺度注意力网络来进行图像篡改定位。首先，我们在编码器中添加多尺度的双注意力模块——位置注意力和通道注意力。对于位置注意力模块，我们通过捕捉任意两张特征图的位置关系来获取特征图在空间维度上的语义依赖，使每个像素点均能感知其余位置像素点的信息。对于通道注意力模块，通过捕捉任意两个通道映射之间的关系，使像素点感知到其余通道像素点的信息。此外，考虑到篡改目标大小不同，我们将特征图划分为了多个子区域，从而更好地适应各种形状大小的篡改区域。实验结果表明，我们的算法在CASIA测试集上的F1和IOU分别为0.623和0.612，相比其他现有算法有明显提升。.针对已有方法对不同尺度大小的篡改区域定位不准确问题，我们设计了一种U形混合Transformer网络。具体来说，我们在编码器的最后一块应用自注意力来捕获长程特征依赖关系，在跳跃连接中应用交叉注意力来实现高层语义信息对低层特征图的增强。因此，我们的混合模型可以定位各种大小的拼接伪造，而不需要大量的数据集进行预训练。实验结果表明，我们的算法在Casia2.0数据集上，相比于性能第2的模型，F1值提高了8.4%；在Columbia数据集上，相比于性能第2的模型，F1值提高了1.5%。