基于多尺度深度网络的双重JPEG压缩取证

摘要

随着图像处理工具的普及和多媒体技术的快速发展，数字图像作为主要的信息载体，已经被广泛地应用在各个领域。由于现有图像处理工具的多样性，人们可以轻易地以任何想要的方式去修改一幅图像。因此，在新闻、军事、司法、商业、医疗应用和学术研究等众多领域，目前的数字技术已经严重影响了视觉图像的可信度。由于良好的压缩性能和重建质量，JPEG已成为应用最广泛的图像格式，因此在图像盲取证领域，针对JPEG图像进行篡改检测的重要性不言而喻。本文针对双重JPEG压缩取证进行了深入研究，提出两种基于多尺度深度网络的JPEG图像取证算法。 在JPEG图像取证领域，从一幅JPEG图像中提取有效的统计学特征以用于分类仍面临着挑战。在传统方法中，有效的特征是人为设计的，这表明需要耗费大量劳力进行研究和推导，且这些特征的分类效果往往有限。本文针对这一问题，提出了一种基于多尺度深度判别网络的JPEG图像取证算法。由于深度学习在计算机视觉和人工智能领域所表现出的特征学习、特征表达上的优势，利用深度神经网络模型来自主学习图像的特定统计学特征，以提高取证的准确性。设计了多尺度模块用于从JPEG图像的离散余弦变换（DCT）系数直方图中自动提取多个特征。该模块可以捕捉不同尺度空间中的特征信息，拓展丰富了特征内容，有助于提高后续篡改检测的效果。此外，当JPEG图像第一次压缩质量因数（QF1）高于第二次压缩质量因数（QF2）时，由于篡改与未篡改区域间极小的统计学差异，图像取证方法的检测效果普遍不佳。针对此类难点情况，设计了一个判别模块。该判别模块中经过特殊设计的深度神经网络，能够提取此类情况下篡改与真实区域图像DCT系数直方图之间的微小差异，达到提高网络篡改检测效果的目的。最后，能够获得篡改检测概率图，并自动定位出JPEG图像的篡改区域。通过大量实验，证明了所提出方法相比于其他方法在定量评价指标和检测视觉效果上的优越性。 为了更加全面地研究多尺度深度网络在双重JPEG压缩取证领域的应用，对另一种多尺度深度的网络结构进行了深入研究，提出了一种基于多尺度深度融合网络的JPEG图像取证算法。该算法使用了单一的网络来解决取证问题，而多尺度融合的特点主要体现在该网络的具体结构中。该网络能够从JPEG图像的DCT系数直方图中自动提取多个尺度空间上的多种特征，并进行有效融合，以获得更加多样化的特征信息，拓展所提取特征的内容，以提高图像取证的准确性。最终，能够利用网络分类的结果自动而有效地定位出图像中的篡改区域。定性和定量实验表明，该方法在主客观评价指标上均有显著的提高。

目录

第一个书签之前

摘要

ABSTRACT

插图索引

表格索引

缩略语对照表

符号对照表

第一章 绪论

1.2研究现状

1.2.1基于双重量化效应分析的方法

1.2.2基于本福特定律的方法

1.3论文的主要工作及章节安排

第二章 基础理论

2.2.2双重 JPEG 压缩过程

2.2.3双重量化效应

2.3深度学习模型

2.3.1基本理论

2.3.2整体框架

2.3.3常用模型

2.4本章小结

第三章 基于多尺度深度判别网络的双重 JPEG 压缩取证方法

3.2.1预处理

3.2.2网络模型

3.2.3多尺度判别模块

3.2.4篡改区域定位

3.3实验结果与分析

3.3.2定量实验结果与分析

3.3.3定性实验结果与分析

3.3.4参数分析

3.4本章小结

第四章 基于多尺度深度融合网络的双重 JPEG 压缩取证方法

4.2.1多尺度融合结构

4.2.2篡改区域定位

4.3.2定量实验结果与分析

4.3.3定性实验结果与分析

4.3.4参数分析

第五章 总结和展望

5.2展望

参考文献

致谢

作者简介