一種新的拼接圖像檢測方法
2009-01-01 00:00:00張震邊玉琨康吉全任遠(yuǎn)
計算機應(yīng)用研究 2009年3期
(1.解放軍信息工程大學(xué) 信息工程學(xué)院，鄭州 450002； 2.鄭州大學(xué) 電氣工程學(xué)院，鄭州 450001)
摘 要：圖像的拼接檢測在數(shù)字圖像取證中占有重要的地位，因此引起了廣泛的關(guān)注。為此，提出了一個有效的被動盲取證方法來檢測拼接圖像，通過提取多尺寸塊離散余弦變換二維數(shù)組（MBDCT）的統(tǒng)計特征量和圖像質(zhì)量評價量（IQMs）來建立模型。選用哥倫比亞大學(xué)的圖像拼接檢驗數(shù)據(jù)庫來測試該模型，采用支持向量機（SVM）作為分類器進(jìn)行訓(xùn)練和測試，實驗結(jié)果表明新的拼接檢測模型具有精確度高、應(yīng)用面廣的優(yōu)點，在拼接檢測中有很好的發(fā)展前景。
關(guān)鍵詞：圖像拼接檢測；數(shù)字取證；圖像質(zhì)量評價量；塊離散余弦變換；統(tǒng)計矩；支持向量機
中圖分類號：TP391.41 文獻(xiàn)標(biāo)志碼：A
文章編號：10013695(2009)03112704
New approach to splicing detection
ZHANG Zhen1，2， BIAN Yukun2， KANG Jiquan2， REN Yuan2
(1.Institute of Information Engineering， PLA Information Engineering University， Zhengzhou 450002， China； 2.School of Electrical Engineering，Zhengzhou University，Zhengzhou 450001，China)
Abstract:Image splicing detection has fundamental importance in digital image forensics and therefore has attracted increasing attention recently. This paper proposed a blind， passive， yet effective splicing detection scheme .The model was based on statistical features extracted from the multisize block discrete cosine transform（MBDCT）and some image quality metrics (IQMs). To evaluate the performance of the scheme， further testedthe model applying to the Columbia image splicing detection evaluation dataset. Chose kernelbased support vector machine (SVM) as a classifier to train and test the given image. Experimental results demonstrate that this new splicing detection scheme has some advantages of highaccuracy and widelyapplication，indicating that the proposed approach possesses promising capability in splicing detection.
Key words：image splicing detection; digital image forensics; image quality metrics (IQMs); block discrete cosine transform(BDCT); statistical moment; support vector machine (SVM)
0 引言
隨著多媒體技術(shù)的飛速發(fā)展和日趨完善，人們可以方便地對數(shù)字媒體，如音樂、視頻或圖像等進(jìn)行竄改。然而各類無意或有意的竄改攻擊可能會導(dǎo)致嚴(yán)重的后果，甚至?xí)斐刹涣嫉纳鐣绊懟蛑卮笳谓?jīng)濟損失。因此，人們在使用數(shù)字媒體(數(shù)字圖像、數(shù)字音頻、數(shù)字視頻) 時，常常對其完整性、內(nèi)容的真實性產(chǎn)生質(zhì)疑。數(shù)字圖像盲取證技術(shù)的產(chǎn)生、發(fā)展則在某種程度上為這個問題提供了一種解決方案。
數(shù)字圖像取證技術(shù)是指對數(shù)字圖像的竄改、偽造和隱密進(jìn)行分析、鑒別和認(rèn)證，分為主動取證和盲取證（被動取證）兩種。現(xiàn)有的主動取證技術(shù)包括以魯棒數(shù)字水印為代表的防偽技術(shù)，以脆弱數(shù)字水印為代表的防竄改技術(shù)，以及以數(shù)字指紋、數(shù)字簽名為代表的認(rèn)證技術(shù)。這些技術(shù)所采用的基本思路都是通過添加附加信息對數(shù)字圖像進(jìn)行真實性和完整性鑒別。但是目前的情況是，絕大部分?jǐn)?shù)碼照片中并不含有數(shù)字水印或者數(shù)字摘要。所以，數(shù)字圖像盲取證技術(shù)是直接依據(jù)媒體本身進(jìn)行鑒別的，不需要事先對數(shù)字圖像作任何預(yù)處理，實用性更強。
圖像的拼接是一種極常見的圖像篡改手段，它是簡單地將同一幅圖像或者不同圖像的一部分剪切，然后不作如邊緣平滑等預(yù)處理就粘貼到同一幅圖像或另一幅圖像上的操作。因此，拼接常被用做圖像竄改的第一步，并且運用現(xiàn)代圖像處理技術(shù)的拼接本身就很難被人眼識別出來，圖像拼接檢測在圖像竄改檢測中占極其重要的地位。隨著哥倫比亞大學(xué)拼接檢測圖像庫[1]的建立，使得不同的模型有了可以相互比較的參照。最近相關(guān)研究人員在圖像的拼接檢測上做了不少工作，提出了不同的檢測方法，在文獻(xiàn)[2，3]中提出了檢測圖像復(fù)制區(qū)域的兩種算法。圖像光照的不一致性[4]，統(tǒng)計相關(guān)性[5，6]，希爾伯特—黃變換[7]，統(tǒng)計量的2D（2Dimension）向量一致性[8]等方法被應(yīng)用于檢測圖像的拼接操作。基于哥倫比亞大學(xué)的拼接檢測圖像庫，采用文獻(xiàn)[7，9，10]的方法檢測識別率分別達(dá)到72%、80%和82%。
本文通過提取圖像質(zhì)量評價量和圖像的統(tǒng)計特征量來構(gòu)建模型。這些統(tǒng)計特征量源于給定的測試圖像和測試圖像產(chǎn)生的多尺寸塊離散余弦變換二維數(shù)組（MBDCT），使用支持向量機[11]對特征值進(jìn)行訓(xùn)練和分類，達(dá)到了良好的效果。
1 特征值的選取
1.1 統(tǒng)計矩特征的提取
在圖像的拼接檢測中面臨的是一個二維決策問題。換句話說，需要區(qū)分測試圖像是拼接圖像還是真實圖像。其中特征值的選取直接影響到整個系統(tǒng)的識別率，是算法的核心和重點。
正如上文所述，圖像的拼接通過剪切和粘貼很容易就能實現(xiàn)。筆者認(rèn)為拼接操作可能會造成圖像的平滑性、一致性、連續(xù)性、規(guī)則性、周期性的不一致，從而改變了圖像像素之間的內(nèi)在聯(lián)系。本文運用多尺寸塊塊離散余弦變換導(dǎo)出一系列MBDCT系數(shù)二維數(shù)組。從這些MBDCT系數(shù)二維數(shù)組中，提取特征函數(shù)統(tǒng)計矩并且與圖像質(zhì)量評價量結(jié)合起來作為特征值。
1.1.1 多塊離散余弦變換(MBDCT)
拼接的過程改變了圖像的局部頻率分布，二維離散余弦變換（BDCT）的系數(shù)能反映這些變化。值得注意的是，由于存在圖像和圖像紋理的差異性及拼接操作的多種可能，像素之間相關(guān)性的改變形式是復(fù)雜多樣的，不能期望用一個塊的BDCT就能有效捕捉到這些改變。選用不同尺寸的塊，MBDCT的系數(shù)能察覺到不同形式的頻率分布改變，因而能用從MBDCT二維數(shù)組里提取的特征值區(qū)分出拼接圖像和自然圖像。本文選用2×2、4×4、 8×8的分塊。
1.1.2 基于特征的矩
特征矩是從一維特征函數(shù)（一階直方圖的離散傅里葉變換）中分離出來的，也能從二維特征函數(shù)（二階直方圖的二維離散傅里葉變換）中得到。特別地，因為二階直方圖一次包含兩個像素或者兩個系數(shù)，從而導(dǎo)出二階統(tǒng)計量，這個量在圖像的拼接檢測中特別有效。
1.1.3 預(yù)測誤差二維矩陣
預(yù)測誤差二維矩陣能減少圖像紋理多樣性所帶來的影響并且能夠顯著地增強拼接帶來的贗像。像素x的值可由其相鄰像素的值a、b、c來預(yù)測。二維矩陣的產(chǎn)生如下：
x= sign(x)#8226;{|a|+|b|+|c|}
預(yù)測—錯誤2D矩陣表達(dá)式為
Δx = x-x= x-sign(x)#8226;{|a|+|b|+|c|}（1）
其中：x是當(dāng)前像素值，x是預(yù)測像素值，a、b、c即為當(dāng)前像素上下文，如圖1所示。
1.1.4 離散小波變換(DWT)
由于小波分析在空間頻率分析能力上的優(yōu)越表現(xiàn)，因此被廣泛應(yīng)用于數(shù)字圖像處理中。眾所周知，DWT很適合找到空間域和頻域的瞬時或者小范圍的變化。因此DWT在拼接檢測方面是一個很有效的工具。為了減少計算量，采用一維Haar小波變換對圖像二維數(shù)組、MBDCT系數(shù)數(shù)組，預(yù)測誤差二維數(shù)組產(chǎn)生小波分量。接下來計算統(tǒng)計矩。
1.1.5 矩和邊緣矩
一維特征函數(shù)是每個小波分量的低的一階直方圖的離散傅里葉變換（DFT），一維特征函數(shù)的絕對矩定義如下：
Ml=k/2i=1xli|H(xi)|/k/2i=1|H(xi)|（2）
其中l(wèi)是整數(shù)，表示矩的階數(shù)。
為了提高拼接檢測的成功率，將二階的統(tǒng)計矩引入模型中，二維直方圖比一維直方圖更好地反映了拼接操作對統(tǒng)計的影響。
hd(j1，j2;ρ，θ) = N(j1，j2;ρ，θ)/NT(ρ，θ)(3)
其中：N(j1，j2;ρ，θ)是像素對的編號，第一個像素值是j1，第二個像素值是j2，NT(ρ，θ)是圖像用(ρ，θ)分割的像素對的總數(shù)。進(jìn)行二維 DFT形成二階直方圖后，得到了一個二維特征函數(shù)。二維特征函數(shù)的二維邊緣矩可以通過下式計算出：
Mu，l=k/2j=1k/2i=1uil|H(ui，vj)|/k/2j=1k/2i=1|H(ui，vj)| （4）
Mv，l= k/2j=1k/2i=1vjl|H(ui，vj)|/k/2j=1k/2i=1|H(ui，vj)|（5）
其中：H(ui，vj)是二維特征函數(shù)在DFT頻率(ui，vj)處的分量；l是一個整數(shù)表示矩的階數(shù)。
1.1.6 差異二維矩陣
為了突出拼接操作引入的干擾，將下列差異二維矩陣作為相鄰圖像像素和BDCT系數(shù)之間的差異驗證。
Fh(u，v) = F(u，v)-F(u+1，v)
Fv(u，v) = F(u，v)-F(u，v+1)
Fd(u，v) = F(u，v)-F(u+1，v+1)
Fm(u，v) =F(u+1，v)-F(u，v+1)（6）
其中：F(u，v)的下標(biāo)表示不同的方向；h表示水平；v表示垂直；d表示主對角線；m表示次對角線。
1.1.7 特征值提取模型
綜合以上分析，構(gòu)建的總體特征值提取模型如圖2所示。
1.2 圖像質(zhì)量評價量的提取
當(dāng)使用拼接技術(shù)對一幅數(shù)字圖像進(jìn)行處理后，筆者認(rèn)為該圖像被引入了一定程度的噪聲，即該圖像某個區(qū)域的圖像質(zhì)量評價量發(fā)生了變化。為了得到表征這種變化的特征量，將整幅圖像劃分成若干個區(qū)域，針對各個區(qū)域提取圖像質(zhì)量評價量，得到一組特征矩陣。
Avcibas研究了圖像的客觀質(zhì)量評價量及其統(tǒng)計特性。其主要方法是將待檢測圖像進(jìn)行一個高斯濾波，然后比較兩者之間在統(tǒng)計特性方面的差異。
研究表明，合適的圖像質(zhì)量評價量具有較好的統(tǒng)計特性，當(dāng)圖像質(zhì)量發(fā)生改變時能較好地反映出這種變化。經(jīng)過篩選、分析、對比，選取對圖像拼接操作較為敏感、計算復(fù)雜度較低的七個評價量，其公式如式（7）~（13）。
a)基于圖像和它的濾波版本之間像素統(tǒng)計差異的平均絕對誤差和均方差D1、D2：
D1=1/kKk=1{1/(N×M)N-1i=0M-1j=0|Ck(i，j)-Cμk(i，j)|} (7)
D2=1/kKk=1{1/(N×M)N-1i=0M-1j=0|Ck(i，j)-Cμk(i，j)|2}1/2（8）
定義Ck(i，j)表示待檢圖像中第i行j列像素的第k(RGB圖像中k=1，2，3)通道值；Cμk(i，j)表示待檢圖像高斯濾波版本中第i行j列像素的第k通道值，圖像大小為N×M像素，下同。
b)基于RGB圖像和它的濾波版本之間相關(guān)性的度量，包括相位相關(guān)性度量C4、圖像保真度度量D4、歸一化互相關(guān)度量D5：
C4=1-1/(N×M)N-1i=0M-1j=0(2/π cos-1〈C(i，j)，Cμ(i，j)〉/(‖C(i，j)‖‖Cμ(i，j)‖))（9）
D4=1-{1/KKk=1[1/(N×M)N-1i=0M-1j=0[Ck(i，j)-
(Ck(i，j)2]/N-1i=0M-1j=0(Ck(i，j)2)]}（10）
D5=1/KKk=1[N-1i=0N-1j=0Ck(i，j)Cμk(i，j)/N-1i=0M-1j=0(Ck(i，j))2]（11）
c)基于RGB圖像和它的濾波版本之間譜差異度量，包括基于傅里葉譜幅值差異度量S1：
S1=1/(N×M)N-1i=0M-1j=0|φ(u，v)-φ$(u，v)|（12）
其中：
φ(u，v)=arctan(Γ(u，v))
Γk(u，v)=N-1m=0M-1n=0Ck(m，n)exp[-2πimu/N]exp[-2πv/N]，k=1…K
d)基于RGB圖像和它的濾波版本之間人眼視覺系統(tǒng)的度量，即歸一化均方差為
H1=1/KKk=1(N-1i=0M-1j=0|U{Ck(i，j)}-U{Cμk(i，j)}|/N-1i=0M-1j=0U{Ck(i，j)}|)（13）
其中：(U{C(i，j)}=DCT-1{H(u2+v2)Ω(u，v)}
H(ρ)=0.05eρ0.054 ρ<7e-9[|logρ-log109]2.3 ρ≥7
假設(shè)圖像被劃分為N個區(qū)域時，分別計算這N個區(qū)域的圖像質(zhì)量參數(shù)，即得到7×N維特征值，將N定為4，因為將圖像分割為4個部分已經(jīng)能夠表征出圖像不同區(qū)域間的圖像質(zhì)量差異，這樣就得到28維的特征參數(shù)。
1.3 整體特征值模型
綜合1.1節(jié)所提取的基于圖像質(zhì)量評價量的168維特征值和1.2節(jié)所提取的28維特征值，可以得到總體為196維特征值的拼接圖像盲檢測算法模型，具體如圖3所示。
2 系統(tǒng)整體框架及步驟
2.1 分類器的選取—支持向量機
支持向量機方法是建立在統(tǒng)計學(xué)習(xí)理論的VC維理論和結(jié)構(gòu)風(fēng)險最小原理基礎(chǔ)上的，根據(jù)有限的樣本信息在模型的復(fù)雜性(即對特定訓(xùn)練樣本的學(xué)習(xí)精度，accuracy)和學(xué)習(xí)能力(即無錯誤地識別任意樣本的能力)之間尋求最佳折中，以期獲得最好的推廣能力(generalization ability)。
線性回歸只能對線性可分的樣本空間進(jìn)行分類，不能用于非線性可分的特征向量空間的分類。由于圖像質(zhì)量評價量的七個特征元素?zé)o線性可分性，不能用線性分類器進(jìn)行分類，所以選用非線性的基于核函數(shù)的SVM分類器，應(yīng)用核函數(shù)將圖像特征向量的七個特征元素映射到高維核空間。基于核函數(shù)的SVM能使在低維數(shù)據(jù)空間線性不可分的樣本數(shù)據(jù)在高維核空間有較好的線性可分性。本文使用基于核函數(shù)的SVM分類特征樣本空間。核技巧將低維空間線性不可分?jǐn)?shù)據(jù)經(jīng)過非線性變換投影到高維空間，從而在高維空間找到兩類線性可分的優(yōu)化超平面。
SVM善于處理小樣本情況下的訓(xùn)練數(shù)據(jù)。把經(jīng)提取的圖像特征值作為訓(xùn)練數(shù)據(jù)，將訓(xùn)練數(shù)據(jù)輸入到SVM中進(jìn)行訓(xùn)練，SVM的任務(wù)就是找到一個超平面能夠分類這些訓(xùn)練數(shù)據(jù)，使用最優(yōu)化程序?qū)ふ易鳛榉诸愡吔绲臉颖炯粗蜗蛄俊＞€性SVM實現(xiàn)線性可分樣本分類，非線性SVM通過將線性不可分的輸入數(shù)據(jù)投影到高維特征空間從而將數(shù)據(jù)在高維空間線性分開。
核函數(shù)有多種形式，選擇徑向基函數(shù)支撐向量機完成實驗。徑向基函數(shù)表達(dá)式如下：
K(x，y)=exp(-γ||x-xk||2/2σ2)
SVM實現(xiàn)工具選用LibSVM2.86[11]。
2.2 總體框圖
系統(tǒng)分為訓(xùn)練階段和驗證預(yù)測階段，其總體框架如圖4所示。
2.3 系統(tǒng)步驟
1)讀入一個圖像文件，同時得到其所屬類別（未修改=+1、已修改=-1）。
2)提取圖像質(zhì)量評價量。
a)將圖像分割為大小相等的四部分。
b)分別提取各部分的圖像質(zhì)量評估量。
3)提取統(tǒng)計矩特征參數(shù)。
a)給定一幅圖像
(a) 對于圖像進(jìn)行離散小波變換（DWT）得到所有分量。
(b) 得到每個分量的直方圖。
(c) 對直方圖進(jìn)行離散余弦變換（DCT）得到特征函數(shù)。
(d) 運用式（2）計算特征矩。
(e) 運用式（1）得到預(yù)測誤差二維矩陣。
(f) 重復(fù)a)~d)的過程。
(g) 運用式（3）得到圖像的二維直方圖。
(h) 對于二維直方圖進(jìn)行離散余弦變換得到二維特征函數(shù)。
(i) 運用式（4）（5）計算邊緣矩。
(j) 運用式（6）得到二維差異矩陣。
b)對圖像運用2×2 BDCT，對BDCT相關(guān)系數(shù)進(jìn)行四舍五入取整數(shù)，得到2×2 BDCT相關(guān)矩陣：
(a) 應(yīng)用(1)中(a)~(i)得到BDCT二維矩陣的特征矩。
(b) 選用4×4和8×8 BDCT重復(fù)上面的計算。
4)重復(fù)1)~3)完成訓(xùn)練用特征參數(shù)的提取。
5)送入LibSVM進(jìn)行交叉驗證，尋找最優(yōu)參數(shù)。
6)根據(jù)得到的參數(shù)建立SVM模型。
7)重復(fù)1)~3)完成驗證用特征參數(shù)提取。
8)進(jìn)行模型驗證。
3 實驗結(jié)果及分析
實驗數(shù)據(jù)來源于哥倫比亞大學(xué)圖像拼接檢驗數(shù)據(jù)庫。該庫共有圖片1 845幅，其中未經(jīng)修改的圖片933幅，經(jīng)過拼接處理的912幅。在訓(xùn)練前，對全部圖片數(shù)據(jù)采用5倍交叉驗證尋找最優(yōu)參數(shù)集，即在尋找最優(yōu)參數(shù)集的過程中，針對一參數(shù)集，將整個訓(xùn)練數(shù)據(jù)隨機等分為6份，然后依次使用任意5份進(jìn)行訓(xùn)練，另外1份進(jìn)行預(yù)測，直至訓(xùn)練集中的任一實例都經(jīng)過預(yù)測，最終得到全部數(shù)據(jù)的預(yù)測正確率。在實驗中，從圖像庫中隨機選取778（933×83%）幅未經(jīng)修改的圖像，760（912×83%）幅經(jīng)拼接處理過的圖像進(jìn)行訓(xùn)練，其余的307幅圖像進(jìn)行測試，包括155幅未經(jīng)修改的圖像和152幅經(jīng)拼接處理過的圖像。實驗結(jié)果如圖4、5和表1所示。在圖4中，橫縱坐標(biāo)是RBFSVM的兩個參數(shù)C和γ，不同的線表示使用該參數(shù)集進(jìn)行交叉驗證時的準(zhǔn)確率。由圖4可見，當(dāng)C=32，γ=0.007 812 5時，正確率最高。
由表1可見，采用本文所提出的模型和算法來進(jìn)行拼接圖像的盲檢測，識別率可高達(dá)87.4%，超出文獻(xiàn)[9]的72%， 文獻(xiàn)[7]的80%和文獻(xiàn)[10]的82%。
4 結(jié)束語
本文結(jié)合圖像拼接操作給圖像帶來的統(tǒng)計特性上的變化，采用圖像質(zhì)量評價量和圖像統(tǒng)計矩對圖像特征進(jìn)行表征，詳細(xì)討論了特征量的提取和算法模型的建立，通過支持向量機的訓(xùn)練和驗證，對圖像拼接操作進(jìn)行了有效檢測。實驗結(jié)果表明，本文所提的全新方法對圖像拼接的檢測具有很高的檢測率，與文獻(xiàn)[7，8，10]中提到的方法相比，正確率更高，具有更好的應(yīng)用前景。本文的創(chuàng)新點在于：a)首次將圖像質(zhì)量評價量引入到圖像的盲取證上來，并通過篩選、分析、對比，提取了對圖像拼接操作較為敏感、計算復(fù)雜度較低的七個評價量；b)第一次采用圖像質(zhì)量評價量與統(tǒng)計矩相結(jié)合的方法，通過圖像特征量的選取，建立了196維特征值的檢測模型，實現(xiàn)了對拼接圖像的有效檢測，算法簡明實用、理論依據(jù)清晰、識別率高。
圖像盲取證技術(shù)是圖像領(lǐng)域極具挑戰(zhàn)性的重要研究課題。對于廣泛存在的圖像竄改問題，至今還沒有一種通用且有效的檢測方法。未來可靠高效的盲取證技術(shù)需要全方位地對多種取證技術(shù)加以綜合運用，以對抗技術(shù)含量不斷提高的偽造圖像。
參考文獻(xiàn)：
［1］Columbia DVMM Research Lab.Columbia image splicing detection evaluation dataset[EB/OL].(2004)[20080320].http://www.ee.columbia.edu/ln/dvmm/downloads/AuthSplicedDataSet/AuthSpliced DataSet.htm.
[2]POPESCU A C， FARID H. Exposing digital forgeries by detecting duplicated image regions，TR 2004515 [R].[S.l.]:Dartmouth College，2004.
[3]LUKAS J， FRIDRISH J，GOLJAN M.Detecting digital image forgeries Using sensor pattern noise[C]//Proc of SPIE International Conference on Security， Steganography，and Watermarking of Multimedia Contents.2006.
[4]JOHNSON MK， FARID，H.Exposing digital forgeries by detecting inconsistencies in lighting[C]//Proc of ACM Multimedia and Security Workshop.New York:ACM Press ，2005:110.
[5]AVCIBAS I，SANKUR B，SAYOOD K.Statistical analysis of image quality measures[J].Journal of Electronic Imaging，2002，11(4):206223.
[6]AVCIBAS I，MEMON N，SANKURE B.Steganalysis using image quality metrics[J].IEEE on Trans Image Processing，2003，12(2):221229.
[7]FU D，SHI Y Q，SU W.Detection of image splicing based on HilbertHuang transform and moments of characteristic functions with wavelet decomposition[C]//Proc of the 5th International Workshop on Digital Watermarking .Berlin:Springer，2006.
[8]NG T T ，CHANG S F. A model for image splicing[C]//Proc of ICIP.2004:11691172.
[9]NG T T， CHANG S F，SUN Q.Blind detection of photomontage using higher order statistics[C]// Proc of IEEE International Symposium on Circuits and Systems.Piscataway:IEEE Press，2004:688691.
[10]CHEN W，SHI Y Q，SU W.Image splicing detection using 2D phase congruency and statistical moments of characteristic function[C]// Proc of Steganography and Watermarking of Multimedia Contents IX.2007.
[11]CHANG C C， LIN C J.LibSVM: a library for support vector machines [EB/OL].[20080418].http://www.csie.ntu.edu.tw/cjlin/libsvm.
[12]FRIDRICH J，SOUKAL D，LUKAS J.Detection of copymove forgery in digital images[C]//Proc of Digital Forensic Research Workshop.2003.
[13]MAHDIAN B， SAIC S. Detection of copymove forgery using a method based on blur moment invariants[J].Forensic Science International，2007，171(23):180189.
[14]SHI Y Q，CHEN C H，CHEN W.A natural image model approach to splicing detection[C]//Proc of the 9th Workshop on Multimedia Security.New York:ACM Press，2007:5162.
[15]詹雙環(huán)，張鴻賓.基于圖像質(zhì)量評價量的信息隱藏盲檢測[J].北京工業(yè)大學(xué)學(xué)報，2006，32(5):473476.
