數(shù)字圖像被動取證技術(shù)綜述

趙俊紅

(華南理工大學(xué)自動化科學(xué)與工程學(xué)院，廣東廣州510640)

0 引 言

隨著數(shù)字圖像處理技術(shù)的飛速發(fā)展，對圖像的篡改變得越來越容易和方便了。人們可以利用各種圖像處理工具，對圖像進行篡改而不留下人眼可以看到痕跡。有的圖像篡改是屬于娛樂大眾，如www.worth1000.com網(wǎng)站上的各種篡改圖片；但是還有一些對社會造成嚴(yán)重影響，如韓國黃禹錫造假事件和周正龍華南虎事件，于是圖像的真?zhèn)舞b別變得非常重要。針對圖像的真?zhèn)舞b別目前有兩大類技術(shù)：主動取證技術(shù)和被動取證技術(shù)。主動取證技術(shù)是往圖像中加入數(shù)字水印信息或者數(shù)字簽名信息，通過判斷數(shù)字水印信息和數(shù)字簽名信息的完整性來判斷圖像是否被篡改[1]。主動取證技術(shù)需要事先向圖像中加入水印或簽名信息才可以使用，這限制了它的使用范圍。而數(shù)字圖像被動取證則不需要水印或簽名信息，直接利用圖像本身信息來判斷圖像的真?zhèn)?，?yīng)用范圍十分廣泛，是數(shù)字圖像領(lǐng)域的新興前沿領(lǐng)域。

1 被動取證技術(shù)研究現(xiàn)狀

國內(nèi)外的學(xué)者對數(shù)字圖像被動取證展開了大量的廣泛的研究，針對一些典型的圖像篡改手段取得了一些有益的效果，但是都是針對某一類具體的篡改展開的，針對性太強，缺乏系統(tǒng)的研究，系統(tǒng)的理論。現(xiàn)階段的圖像被動取證本文認(rèn)為可以分為3大類：基于圖像內(nèi)容的被動取證，基于成像過程的被動取證，基于物理原理的被動取證，如圖1所示。

1.1 基于圖像內(nèi)容的被動取證

按照圖像內(nèi)容被篡改的手段不同，基于圖像內(nèi)容的被動取證可分為以下幾小類：

1.1.1 圖像的復(fù)制—粘貼檢測

圖像的復(fù)制—粘貼是圖像篡改中最普遍的一種方式，可以利用此操作達到移除某一物體或人物的功能。針對此種手段，最簡單直接的方法是窮舉搜索法，即在圖像中找出相同的圖像區(qū)域就是相應(yīng)的復(fù)制區(qū)域和粘貼區(qū)域。窮舉法優(yōu)點是簡單直接，缺點是運算量太大。Fridich提出了利用DCT量化系數(shù)來進行字典排序的方法，將點操作改進成了塊操作，提高了運算速度[2]。Posucue提出了一種類似的算法，將圖像進行分塊，分塊的方法是一次移動一個像素的方法，然后運用PCA主成分分析法將分塊好的子圖像進行降維，最后利用降維后的圖像塊進行字典排序，按照一定的閾值找出復(fù)制—粘貼區(qū)域[3]。這兩種算法都是對原始圖像分塊、降維特征提取、字典排序，當(dāng)圖像比較大時，耗時也較大。所以有學(xué)者提出其它的改進方法。吳瓊改進了對原始圖像直接分塊的方法，利用離散小波變換得到1/4大小的原始圖像的近似圖像，然后對近似圖像進行分塊操作，利用奇異值分解進行降維，仍然采用了字典排序，找出復(fù)制—粘貼區(qū)域，效果良好[4]；Bayram則在兩方面進行了改進。一方面，利用Fourier-Mellin變換得到圖像塊的特征值，經(jīng)試驗比較，F(xiàn)ourier-Mellin變換比用圖像塊的DCT系數(shù)和PCA降維后得到特征根在抗JPEG壓縮、抗旋轉(zhuǎn)變換、抗縮放變換都有更好的表現(xiàn)；另一方面，用bloomfilters搜索算法替代字典排序方法，在減少查找時間上有較好的表現(xiàn)[5]；值得一提的是，通常意義上的圖像復(fù)制—粘貼是人工完成，而現(xiàn)在新興的圖像修復(fù)技術(shù)可以自動的利用圖像現(xiàn)有的信息來對圖像信息缺損區(qū)域，移走目標(biāo)物體進行信息補充，相當(dāng)于一種智能的圖像復(fù)制—粘貼，吳瓊對Criminisi提出的基于樣本的區(qū)域填充和目標(biāo)移除算法進行了篡改區(qū)域檢測算法研究，效果良好[6]。

圖1 圖像被動取證框架結(jié)構(gòu)

1.1.2 圖像模糊操作檢測

為了在圖像篡改中不留下痕跡，往往會使用模糊操作來潤飾圖像邊緣，如果能夠找出圖像中人工模糊操作的證據(jù)，則可以作為圖像被篡改的證據(jù)。

針對高斯模糊，孫堡壘等提出一種基于Benford定律得高斯模糊取證方法[7]。該方法利用經(jīng)過高斯低通濾波后的自然圖像RGB這3通道有趨向一致的性質(zhì)，在大量實驗的基礎(chǔ)上總結(jié)出模糊圖像的DCT域交流系數(shù)在Benford域的兩個性質(zhì)，從而構(gòu)造特征，根據(jù)篡改前后差異的顯著性水平來設(shè)定閾值對待檢對象的真實性做出判決；針對人工模糊和離焦模糊，周琳娜利用同態(tài)濾波縮小離散模糊邊緣的動態(tài)范圍，而同時增強了人工模糊的拼接邊緣，使得拼接邊緣變強，自然正常邊緣便弱，再通過腐蝕運算，排除自然邊緣，提取定位出圖像拼接邊緣[8]；基于在圖像聚焦的區(qū)域找到模糊區(qū)域，則圖像被篡改過的認(rèn)識，Hsiao將圖像DCT變換后把每一個DCT塊的能量譜與整個圖像的能量譜比較，分別得到模糊區(qū)域和銳化區(qū)域，如果能在銳化區(qū)域找到模糊區(qū)域，則認(rèn)為圖像被篡改過[9]；Sutcu則利用圖像小波變換的規(guī)律性來估計圖像邊緣的清晰度和模糊度來檢測定位圖像篡改區(qū)域[10]；王波等則認(rèn)為模糊操作破壞了圖像的局部相關(guān)性和局部一致性，提出了一種利用局部異常色調(diào)率隊模糊操作進行檢測和定位的方法[11]。

1.1.3 圖像拼接檢測

Ng在假設(shè)拼接的圖像不存在拼接后的邊界模糊等操作時，提出了一種圖像拼接模型，通過找出圖像的5個特征—圖像雙譜的幅值和相角，估計原圖與待檢測圖像的雙譜的幅值之差和相角之差，圖像的紋理復(fù)雜程度，然后將這5個特征送入SVM中進行分類，最后獲得取證[12-13]。

1.1.4 基于JPEG格式的取證檢測

JPEG格式是使用最廣泛的數(shù)字圖像格式，數(shù)碼相機都支持此種格式。大部分原始圖像和篡改圖像都是用JPEG格式存儲，這樣篡改圖像就會經(jīng)歷雙重JPEG壓縮。經(jīng)試驗表明，圖像的DCT系數(shù)直方圖會在單次JPEG壓縮時呈現(xiàn)類高斯分布，在雙重JPEGA壓縮時會產(chǎn)生周期性，Popescu A C.則這種周期性來檢測出圖像經(jīng)過了雙重量化[14]；He也利用雙重量化效應(yīng)，能檢測出惡意修改的JPEG圖像，還能定位篡改區(qū)域[15]；圖像在進行篡改時，通常要對篡改部分圖像進行一些幾何操作，如旋轉(zhuǎn)、放大、縮小等，這些操作就給圖像帶來了重采樣。重采樣部分的像素值通常是周圍像素的線性組合。Popescu采用最大期望EM方法，計算出每個像素是其周圍像素線性組合的概率而獲得圖像概率矩陣，在判斷此矩陣頻譜，如果在非中心區(qū)域出現(xiàn)異常亮點，則能判斷圖像經(jīng)過了雙重采樣[16]。由于圖像的常規(guī)操作也可以涉及到壓縮和放大縮小，也會帶來雙重量化和雙重采樣，所以以上的方法只能為判斷圖像是否被篡改的一種間接證據(jù)。

另外，JPEG圖像存在塊效應(yīng)，當(dāng)JPEG圖像進行復(fù)制—粘貼時，復(fù)制—粘貼區(qū)域常常不能與周圍的塊效應(yīng)網(wǎng)格匹配，YE S則利用快效應(yīng)的不連續(xù)性確定圖像的篡改[17]。

1.2 基于成像過程的取證

1.2.1 光照條件的取證

成像過程中光源是不可或缺的，因此在假設(shè)圖像是在單光源或者某一方向光源占主導(dǎo)的情況下，檢測圖像中的光照是否一致來作為圖像是否被篡改的證據(jù).Johnson通過一定的假設(shè)條件簡化數(shù)字圖像成二維模型，再通過該二維模型表面的光影來估算出場景平行光方向及點光源方向[18]；Micah K.J Johnson針對更特殊的人物合成型篡改圖像提出了利用人眼睛對光線的高亮反光來估計光源方向[19]；他還對多光源復(fù)雜環(huán)境下的成像進行研究，得出了復(fù)雜光源環(huán)境的低參數(shù)近似模型[20]。

1.2.2 圖像的設(shè)備來源取證

自然原始圖像在獲取的過程中會將獲取設(shè)備的一些特征信息帶入到自然圖像中去，對自然原始圖像篡改則會改變特征信息，通過分析這些特征信息來完成對數(shù)字圖像的取證。按照圖像獲取的來源設(shè)備不同可以分成數(shù)碼相機獲取圖像，計算機生成圖像，掃描儀獲取圖像和手機獲取圖像。

(1)數(shù)碼相機獲取圖像

1)CFA插值：由于相機成本和體積的限制，大多數(shù)數(shù)碼相機制有一個感光元件，一個像素點只有一個通道顏色。要想獲得逼真的彩色圖像，每個像素點必須經(jīng)過CFA(colorfilterarray)插值獲得另外兩個通道顏色。不同的數(shù)碼相機采用不同的CFA插值方法是數(shù)碼相機的核心技術(shù)之一，不同的廠商、不同的型號相機都有不同的CFA插值方法。CFA利用顏色缺失點領(lǐng)域像素的線性組合來估計該點的顏色值，會帶來像素之間的相關(guān)性，篡改圖像會破壞這種相關(guān)性。因此對CFA插值的檢測可以用于對數(shù)字圖像來源認(rèn)證。Popescu將這種周期相關(guān)性簡化成一個線性模型，再用EM算法計算評估這種線性關(guān)系[21]；

2)色差檢測法：光學(xué)鏡頭在獲取圖像時會有失真作用而引入失真相差到自然圖像中去，整個圖像的色差具有一致性。Johnson利用橫向色差在篡改區(qū)域較小時獲得較好的檢測效果[22]，縱向色差則未見研究。

3)相機噪聲模式：圖像中不可避免的會引入傳感器的模式噪聲。這種模式噪聲是由于相機傳感元件的不一致性引起的，是不可避免的，對每個相機都是唯一確定的，與拍攝的場景無關(guān)，所以可以通過獲得模式噪聲來進行圖像取證，如果圖像中找到某一區(qū)域未包含應(yīng)有的模式噪聲，則判斷圖像被篡改。Lukas在假設(shè)獲取待測圖像的相機已知或可以獲得由同一相機獲取的其它圖像的前提下，模式噪聲由多幅已知原始圖像減去其自身的低通濾波后的多幅差值圖像再求平均而獲得；將待檢圖像的噪聲與模式噪聲關(guān)聯(lián)，進行概率分析，將概率與閾值比較，獲得取證[23]。

4)伽瑪校正和相機響應(yīng)函數(shù)取證：由于傳感器的不一致性，數(shù)碼相機獲得的圖像在亮度上具有非線性，為了糾正這個非線性給圖像視覺上的帶來的影響，絕大部分會利用伽瑪校正來糾正圖像亮度的非線性。但是同時，伽馬校正會在頻域帶來特殊的高階相關(guān)性。Hany Farid則是利用此相關(guān)性來估計不同相機的伽瑪校正曲線[24]；另外，每種數(shù)碼相機都有其獨特的CRF(相機響應(yīng)函數(shù))曲線，Shi-Fu Chang提出了利用圖像的幾何不變量對相機響應(yīng)函數(shù)曲線進行估計的方法，然后再利用SVM進行分類[25]，從而達到對圖像是否出自同一相機的判斷，最終達到取證目的。

(2)計算機生成圖像(Computer Graphics)取證

隨著技術(shù)的發(fā)展，一些3D圖像生成軟件如3DMaxs，Maya等能夠生成逼真的圖片，能夠以假亂真。因為對計算機生成圖像進行取證也非常重要，但是這方面的研究更是不多。Farid提出了基于小波多尺度分解的基礎(chǔ)上，利用均值、方差、偏態(tài)、峰態(tài)4個統(tǒng)計量構(gòu)成自然圖像的統(tǒng)計特征，然后再將這些特征向量進行分類，但效果不是很好，對于CG只有不到40%的辨識率[26]。

(3)掃描儀和手機獲取圖像取證

由于不同手機型號拍攝的圖像的二進制相關(guān)模型是不同的，Celiktutan對同一RGB圖像塊R分量、G分量、B分量、R-G分量、R-B分量、G-B分量的不同位平面進行二進制相關(guān)性分析，結(jié)果表明對3種品牌手機區(qū)分較有效[27]；掃描圖像的過程與數(shù)碼相機成像過程類似，可以利用掃描儀的噪聲模式的分布模型來進行取證[28]。

1.3 基于物理原理的被動取證

圖像在成像過程中應(yīng)該遵循影像的透視幾何規(guī)律：物體遵循遠(yuǎn)大近小的規(guī)律、景深是有限的，不可能出現(xiàn)前后清洗中間不清晰的情況；圖像中景物透視滅點是同一個，圖像的比例等等。這些都涉及到圖像的理解，所以現(xiàn)階段，這些規(guī)律很難做到自動檢測，自動用到圖像取證中去，常見于一些公安部門的人工手動分析中[29]。另外，檢測圖像的色溫是否一致經(jīng)常在各種專業(yè)攝影論壇上用于圖像真實性的鑒別[30]。

圖像中相機的投影點成為主點。一般來說，對于真實圖像，主點在圖像中心附近。Johnson針對人物合成類型的篡改，提出了利用人的眼睛來求取主點位置。針對畫面上不同的人的眼睛估計出主點位置，如果主點位置不一致，則可證明圖像經(jīng)過篡改[31]。

2 存在問題及展望

國內(nèi)外數(shù)字圖像被動取證技術(shù)展開了研究，也取得了一些研究成果，但是離真正的成熟利用被動取證還差得很遠(yuǎn)，主要表現(xiàn)在以下幾個方面：

(1)缺乏完善的理論體系：由于數(shù)字圖像被動取證技術(shù)是新興前沿領(lǐng)域，現(xiàn)有的方法都是一些探索，還沒有做到系統(tǒng)理論的研究，連它的通用體系結(jié)構(gòu)都還尚無定論，所以理論體系的完善十分必要，也是未來的一個發(fā)展方向。

(2)現(xiàn)有的方法針對性太強：現(xiàn)有的方法都是針對某一類具體的篡改手段進行的取證，如前面提到的復(fù)制—粘貼或模糊操作等，而圖像的篡改通常會使用多種手段，因此，如果將現(xiàn)有的取證手段融合，快速而準(zhǔn)確的進行取證分析是非常關(guān)鍵的，同時也是未來的一個發(fā)展方向；

(3)需要進一步挖掘真實圖像的特征向量：由于心理學(xué)的發(fā)展限制，圖像的理解的自動實現(xiàn)還很難，對于沒有先驗知識的數(shù)字圖像被動取證更難。如前文所提及，F(xiàn)arid在小波多尺度分解的基礎(chǔ)上，利用均值、方差、偏態(tài)、峰態(tài)等量構(gòu)成自然圖像的統(tǒng)計特征，然后再將這些特征向量進行分類，但效果不是很好。這說明如果能夠進一步挖掘出真實圖像的新的特征向量，則可以利用新的特征進行取證；

(4)基于物理過程的被動取證研究不足：對基于物理過程的被動取證研究嚴(yán)重不足，因該在這方面展開進一步研究，能夠?qū)⑷斯な謩臃治龅闹R用于自動或者半自動圖像取證分析。

3 結(jié)束語

由于數(shù)字圖像復(fù)雜性和篡改技術(shù)越來越先進，數(shù)字圖像被動取證將是一項復(fù)雜的任務(wù)?，F(xiàn)有的數(shù)字圖像被動取證可以分為基于圖像內(nèi)容的被動取證、基于成像過程的被動取證、基于物理原理的被動取證等3大類，但是這些典型算法離實際應(yīng)用還有一大段距離。預(yù)計在將來，會在現(xiàn)有典型算法的融合、真實圖像特征向量的挖掘、基于物理過程的被動取證研究以及被動取證理論的完善等方面進一步發(fā)展。

[1]Fridrich J.Image watermarking for tamper detection[C].Chicago,USA:International Conference on Image Processing,1998:404-408.

[2]Jessica Fridrich,David Soukal,Jan Lukas.Detection of cop-move forgery in digital images[C].Cleveland,OH,USA:Proceedings of Digital Forensic Research Workshop,2003.

[3]Popescu A C,Farid Hanny.Exposing digital forgeries by detectingduplicatedimage regions[R].Technical Report TR2004-515,Department of Computer Science,Dartmouth College,2004.

[4]吳瓊,李國輝.基于小波和奇異值分解的圖像復(fù)制偽造區(qū)域檢測[J].小型微型計算機系統(tǒng),2008,29(4):730-733.

[5]Sevinc Bayram,Husrev Taha Sencar,Nasir Memon.An efficient and robust method for detecting copy-move forgery[C].Taipei,Taiwan:ICASSP,2009:1053-1056.

[6]吳瓊.數(shù)字圖像盲取證對樣本合成修復(fù)應(yīng)用的篡改區(qū)域檢測算法[J].自動化學(xué)報,2009,35(5):239-243.

[7]孫堡壘,周琳娜.基于Benford定律的高斯模糊篡改取證[J].計算機研究與發(fā)展,2009,46(增刊):211-216.

[8]周琳娜.數(shù)字圖像取證技術(shù)[M].北京:郵電大學(xué)出版社,2008.

[9]Dun-Yu Hsiao,Soo-Chang Pei.Detecting digital tampering by blur estimation[C].Taipei,Taiwan:Sadfe'05,2005.

[10]Sutcu Y,Coskun B.Tamper detection based on regularity of wavelet transform coefficients[C].San Antonio,Texas:ICIP,2007:397-400.

[11]王波,孫璐璐,孔祥維,等.圖像偽造中模糊操作的異常色調(diào)率取證技術(shù)[J].電子學(xué)報,2006,34(12A):2451-2454.

[12]Tian-Tsong Ng,Shih-Fu Chang.A model for image splicing[C].Singapore:ICIP,2004:1169-1172.

[13]Tian-Tsong Ng,Shih-Fu Chang,Qibin Sun.Blind detection of photomontage using higher order statistics[C].Canada:ISCAS,2004:688-691.

[14]Alin C Popescu,Hany Farid.Statistical tools for digital forensics[OL].http://www.cs.dartmouth.edu/farid/research/,2005.

[15]He J F,Lin Z C,Wang L F,et al.Detecting doctored JPEG images via DCT coefficient analysis[C].Graz,Austria:Proceedings of 9th European Conference on Computer Vision,2006:423-435.

[16]Popescu A C,Farid H.Exposing digital forgeries by detecting traces of re-sampling[J].IEEE Transactions on Signal Processing,2005,53(2):758-767.

[17]YE S,SUN Q,CHANG E C.Detecting digital image forgeries by measuring inconsistencies of blocking artifacts[C].Proceedings International Conference on Multimedia and Expo Washington,DC:IEEE Computer Society,2007:12-15.

[18]Micah K Johnson,Hany Farid.Exposing digital forgeries by detecting inconsistencies in lighting[C].Proceedings of the 7th Workshop on Multimedia and Security.New York,NY,USA:ACM Press,2005:1-10.

[19]Micah K,Johnson J,Hany Farid.Exposing digital forgeries through specular highlights on the eye[C].Proceedings of the 9th International Workshop on Information Hiding.SaintMalo,France:IEEE Signal Processing Society,2007:311-325.

[20]Micah K J Johnson,Hany Farid.Exposing digital forgeries in complex lighting environments[J].IEEE Transactions on Information Forensics and Security,2007,2(3):450-461.

[21]Alin C Popescu,Hany Farid.Exposing digital forgeries in color filter array interpolated images[J].IEEE Transactions on Signal Processing,2005,53(10):3948-3959.

[22]Micah K Johnson,Hany Farid.Exposing digital forgeries through chromatic aberration[OL].http://www.cs.dartmouth.edu/farid/research/,2005.

[23]Jan Lukas.Detecting digital image forgeries using sensor pattern noise[C].San Jose,USA:Proceedings of the SPIE,2006.

[24]Hany Farid.Blind inverse gamma correction[J].IEEE Transactions on Image Processing,2001,10(10):1428-1433.

[25]Tian-Tsong Ng,Shih-Fu Chang,Mao-Pei Tsui.CRF estimation using single channel image differential invariants[OL].http://www.ee.columbia.edu/ln/dvmm/publications/06/ng-tech-reportcrf-estimation-06.pdf,2006.

[26]Hany Farid,Siwei Lyu.Higher-order wavelet statistics and their application to digital forensics[C].Madison,WI,USA:IEEE Workshop on Statistical Analysis in Computer Vision,2003.

[27]Oya Celiktutan,Ismail Avcibas.Bulent Sankur.Blind identificationofcellularphone cameras[C].San Jose,CA,USA:SPIE,2007.

[28]Hongmei Gou,Ashiwin Swaminathan,Min Wu.Robust scanner identification based on noise features[C].San Jose,CA,USA:SPIE,2007.

[29]王渝霞.試論靜態(tài)圖像的原始性檢驗[J].四川警官高等專科學(xué)校學(xué)報,2006,18(1):68-71.

[30]老編.質(zhì)疑必須以認(rèn)真的科學(xué)態(tài)度來分析解讀[OL].http://www.xitek.com/,2007.

[31]Micah K,Johnson,Hany Farid.Detecting photographic composites of people[C].Berlin:IWDW,2007.