數(shù)字圖像取證發(fā)展趨勢與面臨的挑戰(zhàn)

李山

【摘要】 目前針對數(shù)字圖像的取證技術(shù)多種多樣、數(shù)不勝數(shù)，但是每一種取證方法不能檢測所有的篡改圖像，從最簡單的針對同幅圖之間的復(fù)制—粘貼的篡改檢測方法，到當前基于計算機視覺的篡改取證手段，無一都是每種方法對應(yīng)一種或幾種篡改操作。當前不能夠建立一套自動化檢測模型來鑒定數(shù)字照片的真實性和完整。每天我們會看到數(shù)量巨大的數(shù)字圖像，其中的一些可能遭受了不同程度的篡改，而篡改所造成的影響正在不斷地研究中。

【關(guān)鍵詞】 數(shù)字圖像 取證技術(shù) 篡改鑒定

數(shù)字圖像無處不在，從隨處可見的手機到各大媒體網(wǎng)站。隨著數(shù)字圖像處理技術(shù)的不斷發(fā)展以及眾多圖像處理軟件的出現(xiàn)，任何普通用戶具備一定的軟件使用能力，都可以對數(shù)字照片進行修改。當一些修改不再保持圖像原本的真實性，開始對社會造成威脅的時候，對這些篡改操作進行有效檢測的方法變得越來越重要。篡改手段有復(fù)制—粘貼、重采樣和重壓縮等，取證則主要分為三種：基于相機屬性的圖像來源認證、基于輸出圖像塊效應(yīng)的檢測以及基于圖像場景屬性的取證[1]。

一、基于相機屬性的相機來源認證

對于相機來源認證，所關(guān)注的焦點是針對取證確定圖像數(shù)據(jù)的設(shè)備來源[2]。相機來源認證分為設(shè)備分類認證和特定設(shè)備認證。通常，相機來源認證是基于數(shù)字相機所具有的一些屬性特征，這些屬性特征是以圖像塊效應(yīng)、失真以及統(tǒng)計特性等形式呈現(xiàn)的，不為人眼顯而易見的，然而一些視覺影響也會提供一些認證線索。設(shè)備分類認證是為了確定產(chǎn)生圖像設(shè)備的模型或者生產(chǎn)廠商。Choi等引入了一種提取圖像畸變模型的方法，將其畸變模型作為特征進行分類[3]。而特定設(shè)備的認證則是精確的定位產(chǎn)生圖像的設(shè)備，Goljan 和 Fridrich 在論文基于傳感器噪聲對相機認證技術(shù)進行了擴展使其適用于更一般的情況，實現(xiàn)了對檢測的圖像同時遭受到了裁剪和縮放的鑒定。但是當數(shù)字圖像所具有的相機本身屬性不清晰或者在傳送過程中造成很大的噪聲，使得根據(jù)數(shù)字圖像的信息不能夠完成對相機的認證。

二、基于輸出圖像塊效應(yīng)的篡改檢測

針對復(fù)制—粘貼的篡改檢測、重采樣篡改檢測以及雙重JPEG壓縮篡改檢測適合用來對圖像進行自動分析，通過輸出圖像所具有的的塊效應(yīng)，例如壓縮質(zhì)量因子不一致、不連續(xù)性以及塊之間的相似性等。一般是將圖像進行分塊，通過滑塊的思想對每個分塊進行特征提取，然后進行塊與塊之間的相似性分析或者塊之間的不一致性檢測，同時還可以定位篡改區(qū)域以及確定篡改手段。這類取證技術(shù)需要一定的計算量，容易對一些顏色單一的圖像造成誤檢。

三、基于圖像場景屬性的取證

最近在圖像取證方面出現(xiàn)了一些基于圖像場景屬性的取證方法。這些方法涉及到與用戶之間的交互，尤其需要人類對場景內(nèi)容知識的了解。這種取證方法的優(yōu)點就在于篡改所造成的場景內(nèi)容不一致是不能或者很難去掩蓋的，對篡改檢測提供了強有力的工具。Johnson和Farid在論文中提到通過估計不同物體表面的光照方向，判斷其光照方向是否具有一致性來實現(xiàn)對數(shù)字圖像的取證；Lalonde 和 Efros 通過分析圖像中顏色的分布來檢測裁剪圖像。這類方法對于一些特定的場景適用，對場景的要求比較嚴格。

針對數(shù)字圖像取證研究隊伍在不斷地擴大，取證技術(shù)飛速的發(fā)展，人們對數(shù)字圖像的真實性越來越重視。三種類型的取證技術(shù)都有各自針對的特定情況實現(xiàn)篡改檢測，并無統(tǒng)一的標準，而正確的選取取證方法也是至關(guān)重要的。

在數(shù)字圖像取證領(lǐng)域，目前針對特定的情況選擇特定的篡改檢測方法，然而圖像處理技術(shù)的發(fā)展使得一些檢測手段失效，因此今后的發(fā)展方向應(yīng)該是將多種圖像特征進行融合綜合評判，并且將篡改后造成的微小差異進行放大，提取特征實現(xiàn)數(shù)字圖像取證。

參 考 文 獻

[1] Riess C， Angelopoulou E. Scene illumination as an indicator of image manipulation[C]//Information Hiding. Springer Berlin Heidelberg， 2010： 66-80.

[2] Swaminathan A， Wu M， Liu K J R. Component forensics[J]. Signal Processing Magazine， IEEE， 2009， 26（2）： 38-48.

[3] San Choi K， Lam E Y， Wong K K Y. Automatic source camera identification using the intrinsic lens radial distortion[J]. Optics express， 2006， 14： 11551-11565.