Digital Image Forgeries and Passive Image Authentication Techniques: A Survey
數字圖像偽造和被動圖像驗證技術：調查
解決什麼問題？
概述各種數位圖像偽造及被動式驗證的方法
我們不能將數位圖像的真實性和完整性視為理所當然，這對作為醫療診斷、法庭證據、報紙項目或法律文件提供的數位圖像的可靠性提出了挑戰。
引用
軟體工具[1]的易用性和可訪問性以及低成本的硬體，使得偽造變得非常簡單，數位圖像幾乎沒有被篡改過的痕跡。
因此，我們不能將數位圖像的真實性和完整性視為理所當然 [2]。
數位取證領域在解決法律服務、醫學圖像、取證、情報和體育等許多領域的圖像偽造問題方面取得了長足的發展 [3, 4]。
偽造檢測旨在驗證圖像的真實性[5]。
主動式驗證方法進一步分為兩種類型的數位水印和數位簽名[6-8]。
數位簽名[9-13]和數位水印 [14-18]這兩種都進行了大量工作 。
被動式驗證也稱為圖像取證，是在不需要先驗信息的情況下對圖像進行驗證的過程，只需要圖像本身 [19, 20]。
在被動圖像取證領域已經進行了詳盡的研究調查[21-23]
依賴偽造的檢測方法設計成僅檢測某些類型的偽造，例如復制移動和拼接，它們依賴於對圖像執行的偽造類型，而與不依賴偽造的檢測方法與偽造類型無關但基於在處理時留下的痕跡及光照不一致[24]。
很多種分類器已經被使用，例如神經網絡 [25]、SVM[26,27,28] 和 LDA[29]。最後，一些偽造（如復制移動和拼接）可能需要後處理，其中涉及重複區域定位等操作 [30,31,32,33]。
複製移動是最流行和最常見的照片篡改技術，因為它可以輕鬆執行 [34]。
由於複製的區域屬於同一圖像，因此動態範圍和顏色與圖像的其餘部分保持一致 [35]。
圖 4. Copy-move Forgery（圖像中的人通過粘貼從同一圖像複製的區域被掩蓋）[41]
在最初的嘗試中，Fredrich [36] 提出了檢測複製移動偽造的方法。
Popescu 和 Farid [37] 提出了一種使用主成分分析 (PCA) 來處理重疊方塊的方法。
為了對抗計算複雜性，Langille 和 Gong [38] 提出使用 k 維樹，該樹使用一種使用匹配技術搜索具有相似強度模式的塊的方法。
Gopi 等人 [39] 開發了一個模型，該模型使用自回歸係數作為特徵向量和人工神經網絡 (ANN) 分類器來檢測圖像篡改。
Myna 等人，[40] 提出了一種使用對數極坐標和小波變換來檢測和定位複製移動偽造的方法。
XiaoBing 和 ShengMin [41] 通過應用提供代數和幾何不變特徵向量的 SVD 開發了一種用於複製移動圖像偽造的定位技術。
[42]中建議的方法將基數排序技術應用於重疊塊，然後進行中值濾波和CCA（連通分量分析）進行篡改檢測，這種方法可以在不影響圖像質量的情況下進行局部檢測，並且簡單有效。
Bashar 等人 [43] 開發了一種技術，該技術使用基於 DWT 和內核主成分分析 (KPCA) 的兩個強大特徵來檢測重覆。
Sutthiwan 等人，[44] 提出了一種被動盲彩色圖像偽造檢測方法，它是通過應用 rake 變換從圖像亮度中提取的圖像特徵和通過使用邊緣統計從圖像色度中提取的圖像特徵的組合。
Liu et al., [45] 提出使用圓形塊和 Hu 矩來檢測篡改圖像中已旋轉的區域。
Sekeh 等人，[46] 提出了一種基於使用局部塊匹配方法實現的塊聚類的技術。
Huang 等人 [47] 致力於在處理速度方面增強 Fridrich 等人 [36] 所做的工作。
Xunyu 和 Siwei [48] 提出了一種使用區域重複的技術，通過估計匹配的 SIFT 關鍵點之間的變換，該變換對由於圖像特徵匹配而發生的失真是不變的。
Kakar 和 Sudha [49] 開發了一種基於變換不變特徵的新技術，該技術可以檢測複製粘貼偽造，但需要一些基於 MPEG-7 圖像簽名工具的後處理。
Muhammad 等人 [50] 提出了一種基於二進小波變換 (DyWT) 的複制移動偽造檢測方法。
Hong shao 等人，[51] 提出了一種基於極坐標擴展和自適應頻帶限制的相位相關方法。
Gavin Lynch [52] 開發了用於重複區域檢測的擴展塊算法。
Sekeh [53] 提出的複制移動檢測通過使用順序塊聚類提供了改進的時間複雜度。
[54]基於SIFT特徵提出了複製移動偽造的檢測和定位方法。
[55] 中提出了一種基於 DCT 和 SVD 的魯棒方法來檢測複製移動偽造。
Farid [56] 提出了一種基於雙譜分析的方法，用於檢測偽造過程中將非自然高階相關性引入到信號中，並成功實現了檢測人類語音拼接。
Ng 和 Chang [57] 提出了一種基於使用雙相干幅度(bicoherence magnitude)特徵和相位特徵的圖像拼接檢測方法。
同樣的作者後來開發了一個模型，用於檢測由使用雙相干的突然拼接引起的不連續性 [58]。
Fu et al., [59] 提出了一種方法，該方法實現了使用 Hilbert-Huang 變換 (HHT) 來獲取用於分類的特徵。 採用特徵函數矩定義的統計自然圖像模型來區分拼接圖像與原始圖像。
Chen 等人，[60] 提出了一種方法，該方法從小波特徵的矩和二維相位一致性獲得圖像特徵，二維相位一致性是拼接圖像中轉換的敏感度量，用於拼接檢測。
Zhang 等人，[61] 開發了一種拼接檢測方法，該方法利用從多尺寸塊離散餘弦變換 (MBDCT) 和對拼接圖像敏感的圖像質量度量 (IQM) 中提取的矩特徵。
Ng 和 Tsui [62] 以及 Ng T.T. [63] 開發了一種方法，該方法使用來自單個圖像的線性幾何不變量，從而從圖像輻照度的線性表面提取 CRF 簽名特徵。
在 [63] 中，作者開發了一種基於邊緣輪廓的方法，用於從單個圖像中提取 CRF 特徵。
青鐘和安德魯[64]解釋了一種基於提取DCT係數的相鄰聯合密度特徵的技術，將SVM分類器應用於圖像拼接檢測。 利用DCT係數的廣義高斯分佈(GGD)的形狀參數來衡量圖像複雜度。
Wang等人，[65]開發了一種基於灰度共生矩陣（GLCM）的彩色圖像拼接檢測方法。
振華等。 [66] 開發了一種基於階次統計濾波器（OSF）的拼接檢測方法。
方等人。 [67] 給出了一個利用彩色圖像中清晰邊界的例子。該技術在邊界的鄰域像素中尋找顏色劃分的一致性。作者認為，顏色邊緣的不規則是圖像被篡改的重要證據。
在[68]中，解釋了基於希爾伯特-黃變換（HHT）特徵提取的方法和基於特徵函數矩的統計模型，應用小波檢測拼接區域。
Zhang et al., [69] 開發了一種利用平面單應性約束來粗略識別假區域的技術，以及一種使用圖切割和自動特徵選擇來隔離假對象的自動提取方法。
Zhao 等人 [70] 開發了一種基於色度空間的方法。 使用灰度遊程長度紋理特徵。
劉等人。[71] 開發了一種基於光照光度一致性的方法。
[72]中提出的圖像拼接檢測方法使用光源顏色不一致。
[73]中提出了基於遊程長度的方法來檢測剪接。
在 [74] 中獲得了改進，其中提出了基於馬爾可夫的方法。 馬爾可夫特徵被擴展以不僅捕捉塊內而且捕捉塊DCT係數之間的塊間相關性。 為了處理大量開發的特徵，特徵選擇方法 SVM-RFE 被使用，SVM 被用作分類器。
Rimba 等人 [75] 提出了一種新方案，該方案利用一組相似圖像來驗證篡改來源。
在[76]中利用了圖像照明顏色的細微不一致。
[77]中提出了另一種基於模糊作為線索的檢測方案。
(6. Image Retouching)對於這種類型的偽造，兩種類型的修改要么是全局的，要么是局部的 [78]。
在[79]中，設計了一個分類器來測量篡改圖像和原始圖像之間的失真。
[80] 中的算法描述了一種不僅檢測全局增強而且還建議直方圖均衡化方法的方法。
[81] 中詳細介紹了基於像素值概率模型的類似模型，該模型近似於對比度增強的檢測。
許多增強和伽馬校正定位算法可用，可以輕鬆地檢測全局和局部圖像修改和增強 [80, 82]。
[78] 提出了一種技術，該技術通過基於二進制相似性度量和 IQM 檢測圖像中的正或負變化，利用全局修改來檢測對比度變化。
曹等人。 [83] 開發了一種用於圖像偽造檢測的伽馬校正檢測方法。
在 [84] 中，提出了一種基於雙拉普拉斯濾波的修飾檢測技術。
[85] 中開發了兩種新算法來檢測涉及數字圖像操作的對比度增強。
在 [86] 中探索了基於光響應非均勻性 (PRNU) 的技術，該技術檢測相機 PRNU（一種相機指紋）的缺失。
Johnson 和 Farid [88] 提出了一個基於由於存在多個光源而導致的照明不一致的模型。 這個模型是從早期的模型 [87] 中得到啟發的
Johnson 和 Farid [89] 通過光在人眼中的反射來估計光源的 3-D 方向。
Chen等人，[90]提出了一種基於光源方向不一致的無限光源圖像認證方法。
Kee 和 Farid [91] 描述瞭如何使用低維模型估計 3D 照明環境並從單個圖像近似模型的參數。
Yingda et al., [92] 描述了一種基於光源方向不一致的方法。
Fan 等人，[93] 提出了一種方法，該方法描述了基於使用 2D 照明系統進行偽造檢測的方法很容易被愚弄，並提供了一種基於陰影形狀的有前途的技術。
Carvalho [94] 描述了一種基於照明顏色不一致的圖像偽造檢測方法。
提出問題、困難
由於難以區分原始內容和修改內容，這對作為醫療診斷、法庭證據、報紙項目或法律文件提供的數位圖像的可靠性提出了挑戰。
[36]塊匹配算法用於平衡性能和復雜性。 這種方法的缺點是它不能檢測小的重複區域。
[37]雖然這種方法降低了複雜性，並且對於大塊大小具有很高的辨別力，但是對於小塊大小和低 JPEG 質量的準確性會大大降低。
[47]該算法簡單明了，並且具有以良好的靈敏度和準確度檢測重複區域的能力。 然而，沒有提到算法對幾何變換的魯棒性。
[48]但該方法有一個局限性，由於可用的關鍵點很少，在較小的區域難以檢測重複。
(4 Copy-move Forgery Detection)上面討論的所有能夠檢測和定位圖像中的複製移動偽造和克隆區域的方法在計算上都很複雜，並且需要對結果進行人工解釋。
(5 Image Splicing)上面討論的方法有一些局限性，例如當使用模糊等措施來隱藏拼接後的銳利邊緣干擾時，檢測方法會失敗。 為可靠提取而要求寬的邊緣也是一個限制。 此外，小的和局部的篡改可能不會被檢測到。
(6. Image Retouching)圖像修整檢測是通過嘗試發現偽造圖像中的模糊、增強、顏色變化和光照變化來進行的。 如果原始圖像可用，則檢測很容易，但盲檢測是一項具有挑戰性的任務。
(6. Image Retouching)解釋結果所需的人工干預使它們成為非盲技術
(7. Lighting Condition)Johnson 和 Farid [87] 在這方面進行了初步嘗試。 他們提出了一種技術，用於在一個自由度內估計照明光源的方向以檢測偽造。
(Conclusion)目前可用的技術有許多缺點。 首先，所有系統都需要人工解釋，因此不能自動化。 其次是偽造本地化的問題。 第三是對模糊、jpeg 壓縮、縮放和旋轉等常見圖像處理操作的魯棒性問題。
本文描述性的
在本文中，我們將這些方法大致分為兩類：主動式驗證和被動式驗證。
在主動式驗證技術中，關於圖像的預先信息對於驗證過程是必不可少的。 它涉及數據隱藏，其中一些代碼在生成時嵌入到圖像中。驗證此代碼可驗證圖像的原創性。
數位水印在圖像採集時或處理階段嵌入圖像中，數位簽名將一些通常從圖像中提取的次要信息在採集端嵌入圖像中。
(主動式)這些方法的主要缺點仍然是它們要在記錄時使用特殊設備插入到圖像中，因此有關圖像的先驗信息變得必不可少。
被動技術基於這樣的假設：即使篡改可能不會留下任何視覺痕跡，但它們可能會改變基礎統計數據。是這些不一致被用來檢測篡改。
被動技術進一步分為依賴偽造的方法和不依賴偽造的方法。
圖像中的偽造檢測是一種兩類問題。被動檢測技術的主要目標仍然是將給定的圖像分類為原始圖像或篡改圖像。 大多數現有技術從圖像中提取特徵，然後選擇合適的分類器，然後對特徵進行分類。
圖像拼接偽造技術涉及兩個或多個圖像的合成或合併，顯著改變原始圖像以產生偽造圖像。
拼接檢測是一個複雜的問題，因此可以通過多種方法研究複合區域。 組合的不同區域與其背景之間的突然變化的存在為檢測所考慮的圖像中的拼接提供了有價值的痕跡。
圖像修飾是另一種圖像偽造工具，最常用於商業和美學應用。 進行修飾操作主要是為了增強或減少圖像特徵。
局部修改通常在復制移動和拼接偽造中完成。 在修飾的情況下執行的對比度增強是在全局級別完成的，並且為了檢測篡改這些進行了調查。 對於照明和對比度的變化進行全局修改。
在篡改過程中組合的圖像是在不同的光照條件下拍攝的。 通過組合照片來匹配照明條件變得困難。 合成圖像中的這種光照不一致性可用於檢測圖像篡改。
從圖像認證技術的知識我們推斷，不需要考慮圖像的預先信息的被動或盲技術具有顯著的優勢，即在生成時不需要特殊設備將代碼嵌入圖像中
在實踐中，由於圖像偽造分析人員可能無法知道使用哪種偽造技術來篡改圖像，因此使用特定的驗證技術可能不合理。 因此，仍然非常需要能夠檢測任何類型的偽造的偽造檢測技術。 還有一個挫折是沒有既定的基準，這使得當前算法的性能分析和結果比較變得困難。
論文：
Digital Image Forgeries and Passive Image Authentication Techniques: A Survey
