基于深度學習的圖像篡改被動檢測技術的研究與實現

◆陳天宇 張 蓉 王 珩

?

基于深度學習的圖像篡改被動檢測技術的研究與實現

◆陳天宇 張 蓉 王 珩

（華東理工大學信息學院 上海 200237)

圖像篡改的被動檢測技術通過提取圖像的特征從而判斷圖像是否遭受到了篡改。本文通過提取圖像DCT系數的馬爾科夫轉移概率特征矩陣，經閾值處理、多步長差分后作為深度學習的輸入，進行圖像篡改檢測。實驗結果表明，該方法對拼接篡改圖像的檢測準確率高達92.54%，具有一定的實用性。

深度學習；馬爾科夫模型；圖像篡改；被動取證

0 引言

隨著互聯網時代數字圖像的廣泛使用，圖像篡改變得更為容易。圖像的使用者可以隨意使用photoshop等軟件輕易地更改圖像內容，而篡改后的圖像可能會被別有用心的人使用而實現其惡意的用途或目的。通常這樣的篡改圖像難以被肉眼辨認出，因而針對數字圖像的篡改認證取證技術就顯得尤為重要。

圖像篡改檢測技術分為主動檢測技術和被動檢測技術。主動檢測技術即預先在圖像中嵌入某種數字水印、數字簽名等信息，接收方再通過提取該類信息是否與發送方一致，來判斷圖像是否遭到了篡改。而被動檢測技術則是通過提取圖像中的各類特征，來判斷圖像是否遭到了篡改。如通過Hilbert-Huang 變換[1]、韋伯局部特征[2]等方法提取圖片特征，其認證準確率分別達到了73.55%、86.36%。而隨著計算機性能的提高，可以將上述方法與深度學習相結合，進一步提高圖像篡改認證的準確率。文獻[3]使用深度置信網絡，提取DCT域馬爾科夫概率轉移矩陣后進行差分處理使檢測的認證準確率達到了91.26%。

1 基于馬爾科夫模型的圖像拼接篡改檢測算法

在文獻[3]的基礎上，為進一步提高檢測準確率，增加了閾值選取、多步長差分的特征提取方法。研究改進后的基于馬爾科夫模型的圖像拼接篡改檢測算法的篡改認證準確率，算法步驟：

（1）分塊離散余弦變換（BDCT變換）

對輸入的圖像進行沒有重疊的8*8的分塊，圖像邊緣不足8*8的部分用0補足，并對每一小塊進行離散余弦變換。將結果四舍五入至整數。對于任意8*8塊的離散余弦變換的公式為：

式中，

（2）差分閾值處理

對圖像在水平，豎直，主、副對角線上分別進行差分處理，以減小塊與塊之間的相關性。則四個方向上步長為的差分的結果如下：

同時，為了降低計算的復雜性，對差分的結果進行閾值處理，處理方法如下：

(3）馬爾科夫轉移概率矩陣提取

其中：

（4）深度卷積網絡

將（3）中得到的馬爾科夫轉移概率特征矩陣作為深度學習的輸入。采用卷積神經網絡作為深度學習的網絡，網絡參數如表1所示。

圖1 卷積神經網絡的網絡框圖

表1 網絡訓練的訓練參數

2 實驗結果與分析

實驗采用了哥倫比亞大學的拼接檢測數據庫[4]，其中包含了均勻平滑、均勻紋理、平滑-平滑、紋理-紋理、平滑-紋理五類圖像共1846張。圖像均為128*128像素的灰度圖像，如圖2和圖3所示。隨機選取圖像中的1661張作為訓練圖像，185張作為測試圖像。

圖2 數據庫中未篡改的圖像

圖3 數據庫中經篡改的圖像

2.1 閾值的選取與篡改認證正確率的關系

分別取閾值T=2至T=7，采用步驟（1）至步驟（3）中的方法分別提取其馬爾科夫轉移概率矩陣組。使用步驟（4）中的方法配置網絡并訓練。圖像篡改認證的準確率如下表2所示。由表2可見，隨著閾值的增加，認證正確率會隨之提高，但當T大于5以后，正確率不再明顯提高，因此，選取T=5為閾值比較合適。

表2 閾值與檢測認證正確率

2.2 差分步長選取與認證正確率的關系

分別取差分步長為1、2和3的馬爾科夫轉移概率矩陣組，單獨或共同作為深度學習的輸入，閾值T=5。按照步驟（4）中的方法配置網絡并訓練，比較其認證正確率，如表3所示。

表3 差分步長的選取與檢測認證正確率的關系

由表3可知，當采用單獨差分步長的馬爾科夫轉移概率矩陣組作為卷積神經網絡的輸入時，差分步長為1的馬爾科夫轉移概率矩陣組的效果最好。同時，聯合轉移概率矩陣組的效果均好于單獨的轉移概率矩陣組，步長為1、2和3的差分聯合轉移概率矩陣組取得了最好的認證準確率，達到了92.54%。

3 總結

本文在DCT域提取馬爾科夫轉移概率特征的基礎上，增加了閾值T的選取及多種步長轉移概率的圖像特征提取，并將其與深度學習相結合。實驗結果表明，該方法對于圖像的篡改的認證準確率達到了92.54%，具有較好的實用性。在下一步的工作中，還將研究其他圖像篡改的取證方法。

[1]Fu D,Shi Y.Q, Su W.Detection of Image Splicing Based on Hilbert-Huang Transform and Moments of Characteristic Functions with Wavelet Decompositi -on[C].5th International Workshop on Digital Watermarking. Korea, 2006: 177-187.

[2]劉曉霞,李峰,熊兵.基于韋伯局部特征的圖像拼接檢測[J].計算機工程與應用,2013,49(12):140-143.

[3]尹立國.基于深度學習的圖像拼接篡改取證研究[D].云南大學,2015.

[4]http://www.ee.Columbia.edu/In/dvmm/downloads/AuthSplicedDataSetlAuthSplicedDataSet.htm.[200403].