《基於視覺規律和統計特徵的圖像拼接篡改盲取證研究》是依託吉林大學，由呂穎達擔任項目負責人的青年科學基金項目。
基本介紹
- 中文名：基於視覺規律和統計特徵的圖像拼接篡改盲取證研究
- 項目類別：青年科學基金項目
- 項目負責人：呂穎達
- 依託單位：吉林大學
項目摘要,結題摘要,
項目摘要
目前拼接篡改的盲取證算法的分塊預處理大多過於機械或主觀，另外，選取的特徵依賴性較強而適應性較弱。因此，本項目擬從圖像的視覺規律和統計特徵入手，研究拼接篡改盲取證技術。(1) 基於視覺規律的拼接篡改盲取證：利用顯著性區域檢測方法定點陣圖像中的可疑區域，並且通過其視覺規律的不一致性，進行拼接篡改的檢測與定位；(2) 基於統計特徵的拼接篡改盲取證：① 基於圖像分割的拼接篡改定位算法，利用圖像分割定位可疑區域，並根據可疑區域的統計特徵不一致性，定位拼接篡改的區域；② 基於自然圖像統計特徵模型的拼接篡改的分類識別：建立自然圖像的統計特徵模型，並利用該模型來訓練SVM分類器，最終實現拼接篡改圖像的分類檢測。在以上算法的基礎上，構建拼接篡改盲取證系統。.本項目的預期技術指標為：所設計算法的平均正確檢測率達到92%以上。不僅要在理論上研究更先進的算法，而且在實踐上搭建具有實用性和適應性的拼接篡改盲取證系統。
結題摘要
本項目著眼於圖像的視覺規律和統計特徵，在此基礎上研究拼接篡改圖像的盲取證方法。（1）從統計特徵的角度，為了提高現有圖像拼接檢測算法的魯棒性和精度，提出了一種基於DOCT（離散octonion餘弦變換）與Markov特徵的被動圖像偽造檢測方法。通過引入octonion和DOCT，六個圖像通道的顏色信息（RGB模型和HSI模型）可以全部提取，增強了算法的魯棒性。通過引入了標準偏差與K折交叉驗證，提高了算法的檢測精度。最後使用LIBSVM進行分類。（2）為了精準定位拼接圖像中的篡改區域，建立了圖像內容相關的特徵模型，利用基於雙域的卷積神經網路（D-CNN），即空間域CNN模型（Sub-SCNN）和頻域CNN模型（Sub-FCNN），對拼接篡改圖像進行了檢測與定位。另外，從視覺規律的角度，提出了一種稱為PL-GNet的高置信度像素級全局網路，且無需進行額外的預處理和後處理操作，實驗表明，該網路具有較優的性能。（3）為了實現拼接篡改圖像中的自動分塊方法，研究了基於超像素的圖像分割算法，提出了一種基於SLIC超像素與遷移學習的圖像聚類分割算法。該算法通過SLIC超像素算法提高圖像分割邊緣貼合度，增強算法的抗噪性，遷移學習的套用則對圖像分割結果進行修正，進一步提高圖像分割的準確度。該算法可用於對待檢測圖像進行自動分塊預處理。（4）本項目建立了自然圖像的統計特徵模型和成像過程模型，並且將該模型套用於自然圖像與重獲圖像的盲取證，在以後的研究工作中，會在該模型基礎上，結合深度學習相關內容，進一步探索基於自然圖像統計特徵的拼接篡改盲取證方法。（5）在以上模型和方法的基礎上，建立了拼接篡改盲取證的系統原型。本項目的研究結果能夠為拼接篡改圖像的盲取證提供理論和技術支持，同時也能夠為圖像盲取證關鍵技術的研究拓寬思路。
