基于改進(jìn)深度神經(jīng)網(wǎng)絡(luò)的數(shù)字圖像篡改檢測(cè)方法

關(guān)鍵詞：數(shù)字圖像；篡改技術(shù)；深度神經(jīng)網(wǎng)絡(luò)；Scharr算子；灰度共生矩陣

中圖分類號(hào)：TP274TP212 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1001-5922（2024）12-0139-04

隨著數(shù)字媒體的發(fā)展和數(shù)字圖像處理設(shè)備的快速更迭，數(shù)字圖像篡改技術(shù)快速發(fā)展[1]。一些惡意篡改會(huì)對(duì)新聞傳播和科學(xué)研究等產(chǎn)生不良影響，通過圖像篡改檢測(cè)技術(shù)對(duì)圖像的原始性和真實(shí)性進(jìn)行檢測(cè)，最終確定該圖像是否被篡改，對(duì)圖像信息的真實(shí)性判別具有重要意義[2]。國(guó)內(nèi)外在數(shù)字圖像篡改檢測(cè)方面做了深入的研究，主要有深度學(xué)習(xí)和特征提取方法[3-5]。一種基于穩(wěn)健關(guān)鍵點(diǎn)的圖像Copy-Move篡改檢測(cè)方法[6]。提出了一種用于圖像篡改檢測(cè)的小波矩方法[7]。提出了一種基于改進(jìn)CenterNet的圖像多篡改檢測(cè)方法[8]。在此基礎(chǔ)上，提出了一種改進(jìn)的深度神經(jīng)網(wǎng)絡(luò)用于數(shù)字圖像篡改檢測(cè)。利用Scharr算子提取圖像的邊緣信息，通過灰度共生矩陣將不同的邊緣矩陣統(tǒng)一為相同的大小，在輸入改進(jìn)的深度學(xué)習(xí)網(wǎng)絡(luò)中進(jìn)行多篡改檢測(cè)。通過試驗(yàn)和常規(guī)方法進(jìn)行比較分析，驗(yàn)證了該方法的優(yōu)越性。

1數(shù)字圖像纂改檢測(cè)技術(shù)概述

隨著數(shù)字技術(shù)的快速發(fā)展，圖像篡改技術(shù)發(fā)展迅速，因此需要更加有效的檢測(cè)方法。圖像篡改主要以修改圖像內(nèi)容達(dá)到欺詐、偽造等惡意目的為目標(biāo)[9]。無論是手動(dòng)篡改技術(shù)還是自動(dòng)篡改技術(shù)，都遵循基本的圖像篡改類型特征，篡改技術(shù)類型如表1所示。

2數(shù)字圖像纂改檢測(cè)方法

本文提出用于數(shù)字圖像篡改檢測(cè)的改進(jìn)深度神經(jīng)網(wǎng)絡(luò)，檢測(cè)流程由邊緣信息提取、圖像縮放、分類3部分組成。邊緣信息提取先將RGB變換到Y(jié)CrCb顏色空間，再通過Scharr算子對(duì)邊緣信息進(jìn)行提?。–r、Cb），使用灰度共生矩陣將不同大小的邊緣矩陣統(tǒng)一為相同大小，最后對(duì)Cr和Cb結(jié)合輸出本文的改進(jìn)深度神經(jīng)網(wǎng)絡(luò)分類[10-11]。

2.3分類

為了對(duì)篡改圖像進(jìn)行檢測(cè)，本文提出深度可分離卷積優(yōu)化的深度神經(jīng)網(wǎng)絡(luò)。與傳統(tǒng)的卷積網(wǎng)絡(luò)相比，可以大幅降低參數(shù)量和計(jì)算量，提高模型性能。深度可分離卷積主要由深度卷積和逐點(diǎn)卷積2步操作組成，深度可分離卷積如圖2所示。

在不考慮偏置的條件下深度可分離卷積的參數(shù)量如式（5）所示：

式中：m和n分別為輸入和輸出通道數(shù)；k為卷積核尺寸。

深度可分離卷積的參數(shù)量與常規(guī)卷積相比如式（6）所示：

GLCM由邊緣信息矩陣中提取，元素基本都為0，本文第1層采用5×5的卷積，步長(zhǎng)為4，降低網(wǎng)絡(luò)的復(fù)雜度。邊緣特征分散在GLCM中，本文通過多次重復(fù)卷積對(duì)特征進(jìn)行充分提取。

3試驗(yàn)結(jié)果與分析

3.1試驗(yàn)參數(shù)

為了對(duì)本文方法的優(yōu)越性進(jìn)行驗(yàn)證，本文的圖像數(shù)據(jù)集由50000張圖像組成，圖像來源于多幅公開數(shù)據(jù)集圖像，內(nèi)容包括自然場(chǎng)景等8種不同風(fēng)格，其中真實(shí)圖像20000張，篡改圖像30000張，Matlab將圖像統(tǒng)一變換為JPEG格式。本試驗(yàn)的圖像尺寸裁剪為統(tǒng)一尺寸對(duì)模型進(jìn)行訓(xùn)練和試驗(yàn)。訓(xùn)練集∶測(cè)試集=4∶1。表2為系統(tǒng)參數(shù)；模型參數(shù)如表3所示。

3.2試驗(yàn)分析

為了對(duì)本文檢測(cè)方法在不同顏色通道的性能進(jìn)行驗(yàn)證，分別將RGB和YCrCb的3個(gè)分量（R、G和B）和（Y、Cr和Cb）以及Cr和Cb融合輸入模型，試驗(yàn)結(jié)果如圖3所示。

由圖3可以看出，與其他分量相比，Cb和Cr分量準(zhǔn)確率最高，檢測(cè)準(zhǔn)確率分別為98.12%和98.05%。Cb和Cr分量單獨(dú)性能相差不大，融合后可以進(jìn)一步提高檢測(cè)的準(zhǔn)確性，達(dá)到98.25%。邊緣信息檢測(cè)結(jié)果如圖4所示。

為了驗(yàn)證本文所提方法的優(yōu)越性，與ELA+CNN檢測(cè)模型對(duì)拼接、刪除、復(fù)制-移動(dòng)3種圖像篡改進(jìn)行檢測(cè)，不同方法對(duì)3種圖像篡改檢測(cè)結(jié)果如表4所示。

由表4可以看出，ELA+CNN模型在復(fù)制-移動(dòng)篡改類型圖像的測(cè)試準(zhǔn)確率為80.25%，與拼接檢測(cè)準(zhǔn)確率93.35%相比，存在較大的差異。這主要是因?yàn)閺?fù)制區(qū)域來自原始圖像，具有相同的JPEG壓縮級(jí)別，ELA不起作用。比較而言，本文方法在拼接、刪除、復(fù)制和移動(dòng)三類圖像篡改檢測(cè)中具有優(yōu)異的效果，這主要是因?yàn)楸疚姆椒z測(cè)的是邊緣異常，而不是JPEG壓縮水平。

為了進(jìn)一步驗(yàn)證本文所提方法的優(yōu)越性，與文獻(xiàn)[20]進(jìn)行對(duì)比分析，不同方法檢測(cè)結(jié)果如表5所示。

由表5可知，本文方法的檢測(cè)準(zhǔn)確率和檢測(cè)速度優(yōu)于文獻(xiàn)[12]方法，本文方法的檢測(cè)精度達(dá)到98.25%，比文獻(xiàn)[12]方法提高了1.20個(gè)百分點(diǎn)，本文方法的檢測(cè)速度為12.99FPS，比文獻(xiàn)[12]方法提高6.47FPS，進(jìn)一步驗(yàn)證了本文所提方法的優(yōu)越性。

4結(jié)語(yǔ)

（1）相比于其他分量，Cb和Cr分量的性能是較好的，檢測(cè)精度分別達(dá)到98.12%和98.05%，提高了篡改檢測(cè)的準(zhǔn)確性，Cb和Cr分量單獨(dú)性能差別不大，二者融合后，檢測(cè)的準(zhǔn)確性進(jìn)一步提高，達(dá)到98.25%。

說明文中所提方法具有一定的優(yōu)越性；

（2）相比ELA+CNN和文獻(xiàn)[20]圖像篡改檢測(cè)方法，本文方法在在圖像篡改檢測(cè)中具有較優(yōu)的檢測(cè)準(zhǔn)確率和檢測(cè)速度，本文方法的檢測(cè)準(zhǔn)確達(dá)到98.25%，檢測(cè)速度12.99FPS。說明文中所提方法具有一定的實(shí)用價(jià)值；

（3）所提數(shù)字圖像篡改檢測(cè)方法不僅提高了檢測(cè)的準(zhǔn)確性，而且相比于常規(guī)方法，所提方法在一定程度上降低了參數(shù)量和計(jì)算量。