基于视觉规律和统计特征的图像拼接篡改盲取证研究

Currently, the image partition preprocessing of blind splicing forensic is mostly too subjective or mechanical, in addition, the selected features are with strong dependence and weak adaptability. Based on this, the optical regularities and statistical features of image are involved in this project, and accordingly the blind splicing forensics are researched deeply. (1) blind splicing forensic based on optical regularities: the suspicious areas are located using saliency detection method, and the spliced regions can be located by the inconsistence of optical regularities from the suspicious areas. (2) blind splicing forensic based on statistical features: ① image segmentation-based location algorithm of splicing tampering, the suspicious areas are located using image segmentation method, and the spliced regions can be located by the inconsistence of statistical features from the suspicious areas.② the classification algorithm of spliced images based on the model of statistical features of natural images, establish the model of statistical features of natural images, and SVM classifier is trained by this model. The spliced image is classified and detected by the trained SVM finally. Based on the above algorithms, the blind forensics system of spliced images is constructed..The expected technical indicator of this project is that the average correct detection rate of the proposed algorithms reaches more than 92%. We aim to study more advanced algorithms in theory, and build a practicable and adaptable blind forensic system of spliced images.

目前拼接篡改的盲取证算法的分块预处理大多过于机械或主观，另外，选取的特征依赖性较强而适应性较弱。因此，本项目拟从图像的视觉规律和统计特征入手，研究拼接篡改盲取证技术。(1) 基于视觉规律的拼接篡改盲取证：利用显著性区域检测方法定位图像中的可疑区域，并且通过其视觉规律的不一致性，进行拼接篡改的检测与定位；(2) 基于统计特征的拼接篡改盲取证：① 基于图像分割的拼接篡改定位算法，利用图像分割定位可疑区域，并根据可疑区域的统计特征不一致性，定位拼接篡改的区域；② 基于自然图像统计特征模型的拼接篡改的分类识别：建立自然图像的统计特征模型，并利用该模型来训练SVM分类器，最终实现拼接篡改图像的分类检测。在以上算法的基础上，构建拼接篡改盲取证系统。.本项目的预期技术指标为：所设计算法的平均正确检测率达到92%以上。不仅要在理论上研究更先进的算法，而且在实践上搭建具有实用性和适应性的拼接篡改盲取证系统。

本项目着眼于图像的视觉规律和统计特征，在此基础上研究拼接篡改图像的盲取证方法。.（1）从统计特征的角度，为了提高现有图像拼接检测算法的鲁棒性和精度，提出了一种基于DOCT（离散octonion余弦变换）与Markov特征的被动图像伪造检测方法。通过引入octonion和DOCT，六个图像通道的颜色信息（RGB模型和HSI模型）可以全部提取，增强了算法的鲁棒性。通过引入了标准偏差与K折交叉验证，提高了算法的检测精度。最后使用LIBSVM进行分类。.（2）为了精准定位拼接图像中的篡改区域，建立了图像内容相关的特征模型，利用基于双域的卷积神经网络（D-CNN），即空间域CNN模型（Sub-SCNN）和频域CNN模型（Sub-FCNN），对拼接篡改图像进行了检测与定位。另外，从视觉规律的角度，提出了一种称为PL-GNet的高置信度像素级全局网络，且无需进行额外的预处理和后处理操作，实验表明，该网络具有较优的性能。.（3）为了实现拼接篡改图像中的自动分块方法，研究了基于超像素的图像分割算法，提出了一种基于SLIC超像素与迁移学习的图像聚类分割算法。该算法通过SLIC超像素算法提高图像分割边缘贴合度，增强算法的抗噪性，迁移学习的应用则对图像分割结果进行修正，进一步提高图像分割的准确度。该算法可用于对待检测图像进行自动分块预处理。.（4）本项目建立了自然图像的统计特征模型和成像过程模型，并且将该模型应用于自然图像与重获图像的盲取证，在以后的研究工作中，会在该模型基础上，结合深度学习相关内容，进一步探索基于自然图像统计特征的拼接篡改盲取证方法。.（5）在以上模型和方法的基础上，建立了拼接篡改盲取证的系统原型。.本项目的研究结果能够为拼接篡改图像的盲取证提供理论和技术支持，同时也能够为图像盲取证关键技术的研究拓宽思路。