利用Photoshop中高斯模糊進(jìn)行篡改的取證方法

朱 彥，江 華

(四川理工學(xué)院自動(dòng)化與電子信息學(xué)院，四川自貢643000)

1 數(shù)字圖像取證技術(shù)

進(jìn)入數(shù)字時(shí)代以來(lái)，隨著數(shù)碼相機(jī)的廣泛使用，數(shù)字圖像已經(jīng)成為人們?nèi)粘Ｉ钪凶顬槌Ｒ姷拿襟w形式。數(shù)字圖像容易獲取、便于編輯和傳輸方便的特性，雖然使得數(shù)字圖像迅速占據(jù)了人們生活的重要部分，但是也給篡改偽造人員提供了便利的偽造環(huán)境。Adobe Photoshop是目前功能強(qiáng)大、使用廣泛的圖像編輯和處理軟件，人們通過(guò)Photoshop可以輕松地制作出足以以假亂真的圖像，而無(wú)須具有任何圖像處理、攝影等專業(yè)技能。當(dāng)這些篡改偽造的圖像被用于新聞或者司法領(lǐng)域，將會(huì)對(duì)社會(huì)誠(chéng)信和司法公正造成極大危害。20世紀(jì)以來(lái)，從新聞到攝影大賽，越來(lái)越頻繁地出現(xiàn)各種由篡改偽造數(shù)字圖像所引發(fā)的社會(huì)事件。也正因?yàn)槿绱耍瑪?shù)字圖像取證技術(shù)成為了近年來(lái)國(guó)內(nèi)外媒體內(nèi)容安全研究的熱點(diǎn)［1］。而不對(duì)數(shù)字圖像進(jìn)行水印嵌入或者指紋提取的數(shù)字圖像被動(dòng)取證技術(shù)，由于更符合實(shí)際取證的要求，成為了數(shù)字圖像取證研究的重點(diǎn)［2］。

數(shù)字圖像取證技術(shù)的一個(gè)重要方面就是篡改偽造圖像的檢測(cè)。目前的研究成果大致可分為以下3類:

1)通過(guò)對(duì)復(fù)制—粘貼圖像區(qū)域的分析和檢測(cè)，進(jìn)而判斷數(shù)字圖像是否經(jīng)過(guò)篡改偽造。這類方法主要針對(duì)簡(jiǎn)單的復(fù)制—粘貼圖像(即拼接圖像)，因?yàn)閳D像復(fù)制粘貼被認(rèn)為是篡改偽造的第一步。針對(duì)同圖的拼接操作，F(xiàn)ridrich和Popescu［3］分別提出了基于量化DCT系數(shù)和基于主成分分析的檢測(cè)方法;Khan等人則利用離散小波變換對(duì)同圖拼接進(jìn)行檢測(cè)。針對(duì)異圖的拼接偽造，文獻(xiàn)［4］和［5］都使用SIFT作為核心算子，通過(guò)檢索圖像中是否存在與指定對(duì)象相同或者相似的區(qū)域，判斷數(shù)字圖像是否存在篡改偽造。而雙譜、幾何失真和相機(jī)響應(yīng)函數(shù)等統(tǒng)計(jì)特征，都被用于檢測(cè)拼接偽造。

2)通過(guò)檢測(cè)圖像的光照方向來(lái)檢測(cè)篡改偽造圖像。Johnson和Farid認(rèn)為，通過(guò)對(duì)數(shù)字圖像中物體表面的光照和陰影進(jìn)行分析，可以對(duì)拍攝照片時(shí)的光照方向進(jìn)行估計(jì)。由于在篡改偽造過(guò)程中，很難保證篡改偽造的局部區(qū)域具有和原始圖像相同的光照方向，因此可以通過(guò)分析圖像中景物的光照一致性來(lái)對(duì)數(shù)字圖像的篡改偽造進(jìn)行取證。通過(guò)計(jì)算機(jī)圖形學(xué)中對(duì)光源成像模型的分析，以及對(duì)真實(shí)光照環(huán)境下的模型簡(jiǎn)化，估計(jì)出近似為平行光和點(diǎn)光源的光照方向，并不斷優(yōu)化其模型以提高估計(jì)的精度。

3)通過(guò)檢測(cè)數(shù)字圖像中存在的可疑數(shù)字圖像處理操作來(lái)檢測(cè)篡改偽造圖像。由于拼接圖像之后會(huì)留下顯而易見的統(tǒng)計(jì)特征異常，甚至是視覺上的可疑特征。因此篡改偽造者常常會(huì)使用Photoshop中提供的典型圖像處理工具如模糊、銳化等，對(duì)數(shù)字圖像進(jìn)行后期的潤(rùn)飾操作和處理。研究人員認(rèn)為，通過(guò)檢測(cè)這類典型的篡改偽造過(guò)程中常用的圖像操作，可以鑒別出篡改偽造圖像。

在典型的圖像處理操作中，由于模糊操作對(duì)于改變拼接邊緣所引入的像素不一致性具有很好的效果，因此模糊成為了消除拼接邊緣特性的重要操作，也使其成為了真實(shí)的篡改偽造圖像中最為常用的操作之一。從而模糊操作的檢測(cè)也成為了揭示篡改偽造圖像的重要途徑。文獻(xiàn)［6］分析了高斯模糊的基本模型，并在DCT域定義和計(jì)算圖像的模糊度，進(jìn)而通過(guò)閾值判決檢測(cè)模糊操作;而通過(guò)定義圖像的異常色調(diào)率，也可以檢測(cè)和定位模糊圖像［7］;而基于小波變換所定義的模糊度，也被用于檢測(cè)模糊圖像;除此之外，利用同態(tài)濾波［8］和邊緣模糊矩陣［9］，也可以對(duì)模糊操作進(jìn)行檢測(cè)。

目前已有的算法雖然在模糊操作的檢測(cè)方面取得了一定進(jìn)展，但主要問(wèn)題在于這些算法對(duì)JPEG壓縮的魯棒性較差，導(dǎo)致上述方法很難區(qū)分篡改偽造操作和JPEG壓縮操作，進(jìn)而影響對(duì)篡改偽造圖像的檢測(cè)正確率。

本文針對(duì)Photoshop中的高斯模糊，提出了一種利用JPEG圖像的DCT系數(shù)相關(guān)性進(jìn)行高斯模糊操作檢測(cè)的方法，通過(guò)計(jì)算相鄰DCT系數(shù)的聯(lián)合密度特征，獲得高斯模糊操作前后的圖像統(tǒng)計(jì)特征差異，進(jìn)而對(duì)其進(jìn)行檢測(cè)和分類。大量實(shí)驗(yàn)表明，本文算法能夠有效地對(duì)利用Photoshop中高斯模糊進(jìn)行篡改操作的圖像進(jìn)行取證。

2 利用聯(lián)合密度特征檢測(cè)高斯模糊的方法

文獻(xiàn)［10］表明，JPEG圖像由于成像過(guò)程中的CFA插值操作以及JPEG壓縮的塊效應(yīng)，使其相鄰的DCT系數(shù)之間，尤其是JPEG壓縮的基本結(jié)構(gòu)8×8塊內(nèi)的系數(shù)，存在較強(qiáng)的相關(guān)性。可以用如下歸一化高斯分布來(lái)描述JPEG相鄰DCT系數(shù)間的關(guān)系

設(shè)8×8塊內(nèi)相鄰的兩個(gè)DCT系數(shù)分別為x1和x2，用二維高斯分布來(lái)描述其聯(lián)合分布函數(shù)P(x1，x2)，可以看出，量化DCT系數(shù)的聯(lián)合分布函數(shù)為中心向四周衰減的函數(shù)形態(tài)，如圖1和圖2所示。當(dāng)x1＞7且x2＞7時(shí)，P(x1，x2)趨近于0。因此，本文只考慮提取x1∈［-7，7］且x2∈［-7，7］的聯(lián)合密度特征。

圖2 相鄰DCT系數(shù)聯(lián)合分布圖

Photoshop中的高斯模糊，本質(zhì)是利用高斯低通濾波器對(duì)圖像局部像素進(jìn)行低通濾波操作。在這個(gè)過(guò)程中，由于高斯低通濾波在頻域中反映出來(lái)的非均勻性，將會(huì)破壞真實(shí)JPEG圖像已有的DCT鄰域系數(shù)分布。通過(guò)提取聯(lián)合密度特征，擬對(duì)這種鄰域系數(shù)分布的變化進(jìn)行量化描述。

設(shè)量化DCT系數(shù)矩陣為A(本文僅考慮Y通道分量)，其具有M×N個(gè)8×8塊(塊矩陣Amn，m=1，…，M，n=1，…，N)，提取的特征如下:

1)計(jì)算每個(gè)塊內(nèi)相鄰DCT系數(shù)水平方向的聯(lián)合密度矩陣Ph(x，y)

式中:Bmnij為Amn第i行第j列的DCT系數(shù);δ為0，1沖激函數(shù)。

2)計(jì)算每個(gè)塊內(nèi)相鄰DCT系數(shù)水平方向的聯(lián)合密度矩陣Pv(x，y)

3)計(jì)算聯(lián)合密度特征P(x，y)，共225維

利用這225維統(tǒng)計(jì)特征，通過(guò)分類器可以對(duì)高斯模糊進(jìn)行取證檢測(cè)。本文選擇支持向量機(jī)作為檢測(cè)取證算法的分類器。

作為機(jī)器學(xué)習(xí)和模式識(shí)別中的重要研究領(lǐng)域，同時(shí)也是目前流行、性能優(yōu)異的分類器之一，支持向量機(jī)［11］(Support Vector Machines，SVM)已經(jīng)在諸多領(lǐng)域得到了廣泛的驗(yàn)證和應(yīng)用。SVM的基本思想是利用內(nèi)積函數(shù)定義的非線性變換，將輸入的不同類別訓(xùn)練樣本的統(tǒng)計(jì)特征轉(zhuǎn)換到高維，使得原本在低維空間中線性不可分的問(wèn)題變?yōu)楦呔S線性可分，然后在這個(gè)高維空間求解最優(yōu)分類面，進(jìn)而對(duì)未知類別的測(cè)試樣本進(jìn)行分類。

圖3為本文提出的針對(duì)JPEG圖像的高斯模糊篡改檢測(cè)流程圖。

圖3 高斯模糊篡改檢測(cè)流程圖

3 實(shí)驗(yàn)結(jié)果

為了對(duì)該算法的有效性進(jìn)行測(cè)試和驗(yàn)證，本文采用了4種不同品牌、不同型號(hào)的數(shù)碼相機(jī)所拍攝的照片進(jìn)行實(shí)驗(yàn)。實(shí)驗(yàn)的樣本如表1所示。

表1 實(shí)驗(yàn)中采用的圖像樣本

對(duì)于Kodak DC290的測(cè)試圖像，由于原始文件格式為TIFF無(wú)損圖像，因此將其以質(zhì)量因數(shù)為75的參數(shù)壓縮為JPEG圖像進(jìn)行實(shí)驗(yàn)。高斯模糊工具采用Adobe Photoshop CS3 Extended，分別對(duì)上述4種不同類型的圖像進(jìn)行高斯模糊篡改，其中分別選取了高斯模糊半徑為0.6 pixel和1.0 pixel進(jìn)行實(shí)驗(yàn)。在高斯模糊之后，再分別以質(zhì)量因數(shù)75和90存儲(chǔ)為JPEG圖像。

實(shí)驗(yàn)中SVM工具來(lái)源于Chang等人研究開發(fā)的支持向量機(jī)工具包LIBSVM，選擇的支持向量機(jī)核函數(shù)為RBF(徑向基函數(shù))核，格形搜索和交叉校驗(yàn)參數(shù)的選擇參見文獻(xiàn)［12］。在實(shí)驗(yàn)中，訓(xùn)練和測(cè)試的圖像樣本量分別占圖像總數(shù)的2/3和1/3。為了保證實(shí)驗(yàn)的可靠性，實(shí)驗(yàn)中的訓(xùn)練和測(cè)試樣本均為隨機(jī)選取，實(shí)驗(yàn)結(jié)果為10次測(cè)試的平均結(jié)果。實(shí)驗(yàn)結(jié)果如表2所示。

表2 高斯模糊篡改取證結(jié)果

表2中，虛警率表示對(duì)原始JPEG圖像進(jìn)行篡改檢測(cè)的錯(cuò)誤率;漏檢率表示對(duì)高斯模糊篡改圖像檢測(cè)的錯(cuò)誤率;平均準(zhǔn)確率表示對(duì)原始JPEG圖像和高斯模糊篡改圖像取證檢測(cè)的平均正確率。

從實(shí)驗(yàn)結(jié)果可以看出，對(duì)于不同的圖像，本文算法均能夠以90%以上的平均準(zhǔn)確率對(duì)原始圖像和經(jīng)過(guò)高斯模糊篡改的圖像進(jìn)行檢測(cè)，并且本文所提出的高斯模糊篡改取證特征對(duì)JPEG有損壓縮具有較好的魯棒性。同時(shí)，在Photoshop中模糊篡改所使用的半徑越大，本文算法所提取的特征越明顯，檢測(cè)效果越好;而篡改后保存為JPEG圖像時(shí)使用的JPEG質(zhì)量因數(shù)越高，即圖像質(zhì)量越好，特征越明顯，檢測(cè)的效果也更好。

4 結(jié)論

數(shù)字圖像的被動(dòng)盲取證是一項(xiàng)具有挑戰(zhàn)性的工作。由于篡改偽造的典型過(guò)程中，往往存在諸如銳化、模糊這樣的潤(rùn)飾過(guò)程，因此對(duì)典型潤(rùn)飾操作的檢測(cè)，可以作為鑒別數(shù)字圖像篡改與否的一個(gè)重要依據(jù)。

本文針對(duì)Photoshop軟件中的典型高斯模糊操作，分析了典型的高斯模糊操作導(dǎo)致量化DCT系數(shù)相關(guān)性被破壞的現(xiàn)象，提出了利用相鄰DCT系數(shù)的聯(lián)合密度特征來(lái)描述量化DCT相關(guān)性的方法，對(duì)使用Photoshop進(jìn)行高斯模糊的篡改偽造操作進(jìn)行了取證檢測(cè)。對(duì)大量圖像樣本進(jìn)行實(shí)驗(yàn)，結(jié)果表明該方法可以有效地檢測(cè)出使用Photoshop進(jìn)行高斯模糊篡改的偽造圖像，并對(duì)JPEG壓縮具有較好的魯棒性。

篡改偽造中的模糊操作多種多樣，而Photoshop提供的高斯模糊只是諸多模糊操作中的一種，如何尋找更為有效的特征來(lái)描述不同模糊操作對(duì)原始JPEG圖像的統(tǒng)計(jì)特征影響，進(jìn)而提出適用性更為廣泛的模糊篡改檢測(cè)取證算法，是下一步需要研究的工作。

［1］SENCAR H T，MEMON N.Overview of state-of-the-art in digital image forensics［M］.Singapore:World Scientific Publishing Co.，Pte.，Ltd.，2009.

［2］MILANIA1 S，F(xiàn)ONTANI M，BESTAGINI P，et al.An overview on image forensics［C］//Proc.Signal Processing Conference(EUSIPCO).Bucharest:IEEE Press，2012:27-31.

［3］POPESCU A C，F(xiàn)ARID H.Exposing digital forgeries by detecting duplicated image regions［R］.Hanover:Dartmouth College，2004.

［4］KHAN S，KULKARNI A.An efficient method for detection of copy-move forgery using discrete wavelet transform［J］.International Journal on Computer Science and Engineering，2010，2(5):1801-1806.

［5］PAN X Y，LYU S W.Detecting image region duplication using SIFT features［C］//Proc.ICASSP 2010.Dallas，USA:IEEE Press，2010:1706-1709.

［6］AMERINI I，BALLAN L，CALDELLI R，et al.Geometric tampering estimation by means of a SIFT-based forensic analysis［C］//Proc.ICASSP 2010.Dallas，USA:IEEE Press，2010:1702-1705.

［7］王波，孫璐璐，孔祥維，等.圖像偽造中模糊操作的異常色調(diào)率取證技術(shù)［J］.電子學(xué)報(bào)，2006，34(12):2451-2454.

［8］周琳娜，王東明，郭云彪，等.基于數(shù)字圖像邊緣特性的形態(tài)學(xué)濾波取證技術(shù)［J］.電子學(xué)報(bào)，2006，36(6):1047-1051.

［9］CAO Gang，ZHAO Yao，NI Rongrong.Edge-based Blur metric for tamper detection［J］.Journal of Information Hiding and Multimedia Signal Processing，2010(1):20-27.

［10］LI B，SHI Y Q，HUANG J W.Detecting doubly compressed JPEG images by using mode based first digit features［C］//Proc.IEEE Workshop on Multimedia Signal Processing.［S.l.］:IEEE Press，2008:730-735.

［11］邊肇祺，張學(xué)工.模式識(shí)別［M］.北京:清華大學(xué)出版社，2000.

［12］HSU C，CHANG C，LIN C.A practical guide to support vector classification［R］.Taipei:National Taiwan University，2010.