魏偉一，王立召,王婉茹，趙毅凡

(西北師范大學(xué)計(jì)算機(jī)科學(xué)與工程學(xué)院,甘肅 蘭州 730070)

1 引言

隨著現(xiàn)代信息技術(shù)的迅速發(fā)展，快捷簡(jiǎn)便的圖像處理方式使得圖像篡改變得輕而易舉,因此圖像篡改檢測(cè)具有十分重要的意義。在目前的取證技術(shù)中，主動(dòng)取證技術(shù)具有更廣泛的應(yīng)用，也是目前圖像取證研究的主要方向[1]。復(fù)制粘貼篡改是目前最常用的數(shù)字圖像篡改手段之一[2]，其方法是將圖像的某個(gè)區(qū)域復(fù)制之后粘貼到同幅圖像的另一個(gè)區(qū)域，達(dá)到增加目標(biāo)或隱藏目標(biāo)的目的。目前，復(fù)制粘貼篡改檢測(cè)CMFD(Copy-Move Forgery Detection)分為基于塊的方法和基于關(guān)鍵點(diǎn)的方法。

基于塊的方法通常是將圖像劃分為交疊的規(guī)則塊，然后匹配圖像塊的特征，定位篡改區(qū)域[3]。文獻(xiàn)[4]將圖像劃分為交疊矩形塊，并在矩形塊內(nèi)提取圖像的DCT(Discrete Cosine Transform)系數(shù)作為矩形塊的特征向量進(jìn)行匹配，具有較高的檢測(cè)精度。Lee等人[5,6]提出使用梯度直方圖作為圖像塊的特征描述符進(jìn)行篡改檢測(cè)。Wang等人[7]將圖像劃分為圓形塊，并使用四元數(shù)指數(shù)矩的模作為特征向量進(jìn)行篡改檢測(cè)，該方法對(duì)旋轉(zhuǎn)和縮放具有一定的魯棒性。秦娟等人[8]提出一種基于圓諧-傅里葉矩的篡改檢測(cè)算法，提取每個(gè)塊的圓諧-傅里葉矩作為塊的特征定位篡改區(qū)域，該算法能有效抵抗噪聲、高斯模糊和旋轉(zhuǎn)等操作,且與基于Hu矩的方法相比具有更好的檢測(cè)效果。Zhao等人[9]針對(duì)劃分交疊塊時(shí)間復(fù)雜度高的缺陷，提出基于DCT-SVD的CMFD方法，使用量化的DCT系數(shù)矩陣獲得更穩(wěn)健的圖像特征，并通過(guò)SVD降低每個(gè)塊的特征維度，有效降低了算法時(shí)間復(fù)雜度。Yang等人[10]提出一種基于多粒度超像素的CMFD算法，將超像素與特征點(diǎn)結(jié)合檢測(cè)偽造區(qū)域，該算法對(duì)于噪聲、JPEG壓縮和幾何形變有較高的魯棒性，且有效提高了檢測(cè)效率。綜上所述，對(duì)圖像進(jìn)行區(qū)域劃分主要有劃分矩形塊、劃分圓形塊、劃分超像素幾種方法，前2種方法劃分的大量交疊塊使得后續(xù)特征提取和匹配時(shí)間復(fù)雜度較高，基于矩形塊的方法對(duì)幾何變換的魯棒性較低，而超像素劃分的方法能夠有效提高檢測(cè)效率。

Figure 1 Flowchart of algorithm

基于關(guān)鍵點(diǎn)的方法通常需要選擇穩(wěn)定的關(guān)鍵點(diǎn)，并計(jì)算關(guān)鍵點(diǎn)特征描述符進(jìn)行匹配，定位篡改區(qū)域?；陉P(guān)鍵點(diǎn)的方法時(shí)間復(fù)雜度較低，且抵抗幾何變換的魯棒性較高。文獻(xiàn)[11]提出了一種基于加速魯棒特征SURF(Spedup Up Robust Features)算法的復(fù)制粘貼篡改檢測(cè)方法，相比基于尺度不變特征SIFT(Scale-Invariant Feature Transform)算法的檢測(cè)，檢測(cè)效率有所提高。針對(duì)傳統(tǒng)方法中效率低和精度不高的問(wèn)題,獨(dú)智序等人[12]提出一種基于穩(wěn)健關(guān)鍵點(diǎn)的CMFD算法，將離散小波變換高斯隨機(jī)矩陣應(yīng)用于SIFT特征向量,降低了特征維度。文獻(xiàn)[13]提出使用SIFT、不變矩和區(qū)域增長(zhǎng)的方法，能有效地檢測(cè)偽造區(qū)域。文獻(xiàn)[14]提出了一種結(jié)合局部強(qiáng)度順序模式與SIFT特征點(diǎn)的復(fù)制粘貼篡改檢測(cè)算法，該算法使用g2NN匹配關(guān)鍵點(diǎn)，并利用新的關(guān)鍵點(diǎn)描述模型與基于密度網(wǎng)格的過(guò)濾策略去除冗余匹配關(guān)鍵點(diǎn)對(duì)，該算法在圖像經(jīng)過(guò)旋轉(zhuǎn)、縮放等處理而變形的情況，具有一定的魯棒性?；陉P(guān)鍵點(diǎn)的方法通常有基于SIFT、基于SURF、基于ORB(Oriented fast and Rotated Brief)以及在此基礎(chǔ)上的改進(jìn)算法，這些算法在一定程度上能夠表現(xiàn)出良好的檢測(cè)效果，但是對(duì)于紋理復(fù)雜程度較高的圖像，難以檢測(cè)到準(zhǔn)確的關(guān)鍵點(diǎn)。

近幾年來(lái)隨著人工智能的快速發(fā)展，出現(xiàn)了基于深度學(xué)習(xí)的方法。文獻(xiàn)[15]提出一種基于深度神經(jīng)架構(gòu)BusterNet的CMFD方法，該方法具有2個(gè)分支架構(gòu)，并帶有融合模塊，通過(guò)視覺(jué)相似性來(lái)定位偽造區(qū)域。但是，該算法僅僅依靠DNN(Deep Neural Networks)的結(jié)構(gòu)，對(duì)于未經(jīng)訓(xùn)練的篡改圖像效果不理想。文獻(xiàn)[16]提出了一種端到端的Dense-InceptionNet方法進(jìn)行篡改檢測(cè)，該方法分為金字塔特征提取、特征相關(guān)匹配和分層后處理3個(gè)步驟，表現(xiàn)出良好的檢測(cè)性能。這些基于深度學(xué)習(xí)的圖像篡改檢測(cè)算法基本上都源于數(shù)字圖像的成像過(guò)程留下的模式噪聲，而且鑒定圖像復(fù)制-粘貼的算法相對(duì)較少。

本文針對(duì)超像素分割結(jié)果受分割數(shù)目的影響和特征點(diǎn)提取忽略了顏色信息的問(wèn)題，提出一種新穎的超像素自適應(yīng)劃分和超像素形狀編碼方法，并在顏色不變量模型中得到穩(wěn)定的特征點(diǎn)，增強(qiáng)了超像素描述的魯棒性，實(shí)現(xiàn)了有效抵抗幾何不變性的圖像復(fù)制粘貼篡改檢測(cè)。

2 基于超像素形狀特征的CMFD算法

基于超像素形狀特征的CMFD算法過(guò)程如圖1所示。首先分割超像素，提取穩(wěn)定的特征點(diǎn)；其次，根據(jù)超像素不同方向邊界像素到中心像素的距離差異構(gòu)建新的形狀編碼方案提取超像素形狀特征，將超像素形狀特征編碼與特征點(diǎn)融合并匹配；最后對(duì)匹配的超像素二次分割與匹配，經(jīng)過(guò)后處理獲得最終的檢測(cè)區(qū)域。

2.1 基于小波對(duì)比度的熵率超像素自適應(yīng)劃分

超像素是顏色、紋理相似度較高的像素組成的小區(qū)域。常見的超像素分割方法有簡(jiǎn)單線性迭代聚類SLIC(Simple Linear Iterative Clustering)和熵率超像素分割ERS(Entropy Rate Superpixel)。Liu等人[17]于2001年提出熵率超像素分割ERS，該方法將圖像映射成無(wú)向圖，將圖像的分割轉(zhuǎn)換為對(duì)圖的分割。ERS既完整地保留了圖像邊界信息，也有效提高了檢測(cè)效率。如圖2所示，SLIC分割的超像素塊大小較均勻，而ERS對(duì)邊界的處理效果較好，由于超像素形狀特征編碼依賴于超像素塊的邊界信息，因此ERS更適合本文所提出的復(fù)制粘貼篡改檢測(cè)算法。

Figure 2 Comparison of SLIC segmentation images and ERS segmentation images

Figure 3 Adaptive superpixel segmentation images

目前，大多數(shù)超像素分割算法對(duì)于超像素分割的數(shù)目都需要預(yù)先設(shè)定一個(gè)固定值，若劃分的數(shù)目太小，會(huì)降低檢測(cè)精度，若劃分?jǐn)?shù)目過(guò)大，會(huì)增加時(shí)間復(fù)雜度。由于圖像的小波對(duì)比度同時(shí)考慮了圖像內(nèi)的低頻分量和高頻分量，能較好地反映圖像內(nèi)各個(gè)對(duì)象視覺(jué)上的差異[18]，因此本文通過(guò)研究小波對(duì)比度與圖像紋理復(fù)雜程度的關(guān)系，對(duì)超像素劃分?jǐn)?shù)目進(jìn)行自適應(yīng)確定。首先對(duì)圖像進(jìn)行4級(jí)小波變換，然后提取變換后的低頻分量和高頻分量并計(jì)算圖像小波對(duì)角對(duì)比度P，如式(1)所示：

(1)

(2)

2.2 基于顏色不變量的SURF特征點(diǎn)檢測(cè)

近年來(lái)，許多研究者提出了很多圖像特征點(diǎn)檢測(cè)算法應(yīng)用于圖像視覺(jué)領(lǐng)域，例如Harris角點(diǎn)檢測(cè)[19]、SIFT[20]、抗錯(cuò)性尺度不變特征SIFER(Scale-Invariant Feature detector with Error Resilience)[21]和SURF[22]等。但是，這些算法大多忽視了圖像的顏色信息，難以有效檢測(cè)穩(wěn)定的特征點(diǎn)。因此，本文采用基于顏色不變量的SURF算法提取魯棒的特征點(diǎn)[23]。SURF算法和基于顏色不變量的SURF算法檢測(cè)結(jié)果分別如圖4和圖5所示。

Figure 4 Detection results of SURF algorithm

Figure 5 Detection results of SURF algorithm based on color invariant

基于顏色不變量的SURF算法主要步驟如下所示：

(1)計(jì)算圖像顏色不變量矩陣：在顏色不變量模型[24]中，通過(guò)以下方式對(duì)光反射率進(jìn)行建模：

(3)

其中，x表示圖像位置，λ表示波長(zhǎng)，E′=e(λ,x)表示光譜強(qiáng)度，ρf(x)表示位置x處的反射系數(shù)，R∞(λ,x)表示物體的反射率，繼而可由式(4)求得顏色不變量H。

f(R∞(λ,x))

(4)

根據(jù)高斯色彩模型，E、Eλ、Eλλ與彩色圖像R、G、B3個(gè)分量有近似的關(guān)系，如式(5)所示:

(5)

由此可得到RGB圖像的顏色不變量H，顏色不變量圖如圖6和圖7所示。

Figure 6 Original image

Figure 7 Color invariant image

(2)使用顏色不變量計(jì)算Hessian矩陣。

(3)使用新的Hessian矩陣提取穩(wěn)定的特征點(diǎn)并計(jì)算新的64維特征描述符：

(6)

其中,(x,y)為特征點(diǎn)坐標(biāo)；n為特征向量的維數(shù)，n=64。

2.3 超像素形狀特征提取

本文所提算法使用一種新穎的形狀特征編碼方式提取超像素形狀特征應(yīng)用于CMFD，以提高檢測(cè)效率和精度，增強(qiáng)幾何變換的魯棒性。

2.3.1 超像素形狀特征

文獻(xiàn)[25]將每個(gè)超像素均勻量化為16個(gè)區(qū)域，每個(gè)方向間隔為22.5°，將中心像素和每個(gè)方向間隔的所有邊界像素的距離之和定義為定向中心邊界距離OCBD(Orientated Center-Boundary Distance)特征向量中的一維，OCBD特征向量的第i維由式(7)計(jì)算得到：

(7)

2.3.2 超像素形狀編碼

文獻(xiàn)[25]只是將方向間隔內(nèi)邊界像素和中心像素的距離簡(jiǎn)單求和獲得16維OCBD特征向量，對(duì)于旋轉(zhuǎn)或縮放等幾何變換不具有魯棒性，計(jì)算量較大。因此，本文提出了有效抵抗幾何變換的超像素形狀編碼方式，即以超像素的質(zhì)心為中心像素，利用超像素16個(gè)方向的邊界像素到中心像素的距離與這些距離的均值的大小關(guān)系進(jìn)行編碼，并使其超像素的形狀編碼方式具有旋轉(zhuǎn)不變性，這種編碼方式的計(jì)算量大大減少，如圖8所示。

Figure 8 Graphical display of superpixel segmentation,center pixels,boundary pixels,and their average distances

具體的編碼過(guò)程如下所示：

(1)超像素均勻量化為16個(gè)方向，間隔為22.5°。

(2)計(jì)算第i個(gè)方向間隔內(nèi)邊界像素到中心像素的距離均值，作為該方向邊界像素到中心像素的距離ri，如式(8)所示：

(8)

(3)計(jì)算16個(gè)方向邊界像素到中心像素距離的平均值r，將每個(gè)方向邊界像素到中心像素的距離ri與r比較，若ri>r,則該方向邊界像素到中心像素的距離編碼為1，否則，記為0。第i個(gè)方向的形狀特征值為一個(gè)0和1組成的編碼值，如式(9)所示：

(9)

(4)為了進(jìn)一步提高形狀編碼的旋轉(zhuǎn)不變性，以16個(gè)邊界像素的不同位置為起點(diǎn)，順時(shí)針旋轉(zhuǎn)編碼得到二進(jìn)制數(shù)，然后轉(zhuǎn)換為十進(jìn)制整數(shù)，得到16個(gè)十進(jìn)制形狀編碼，取最小值作為該超像素的形狀特征，如式(10)所示：

(10)

當(dāng)超像素包含的像素?cái)?shù)目過(guò)少時(shí)，會(huì)因?yàn)槲⑿〉南袼丶?jí)差異導(dǎo)致檢測(cè)結(jié)果不準(zhǔn)確。但是，利用基于熵率的超像素自適應(yīng)劃分后，一般劃分的區(qū)域較大，因此個(gè)別區(qū)域較小的超像素對(duì)最終的檢測(cè)結(jié)果影響甚微。

2.4 超像素特征融合與匹配

在提取圖像SURF特征點(diǎn)和超像素形狀編碼之后，將SURF特征點(diǎn)與超像素形狀編碼融合，提高CMFD算法的精度；然后使用精確歐氏局部敏感哈希E2LSH(Exact Euclidean Locality Sensitive Hashing)[10]進(jìn)行特征點(diǎn)匹配，由此可得每2個(gè)超像素之間匹配特征點(diǎn)的個(gè)數(shù)；通過(guò)2個(gè)超像素之間特征點(diǎn)匹配的數(shù)目可以粗略估計(jì)可疑篡改區(qū)域。

2.4.1 特征融合

將超像素內(nèi)所有SURF特征點(diǎn)描述符與超像素形狀編碼融合，得到新的64維SURF特征點(diǎn)描述符，如式(11)所示：

(11)

2.4.2 超像素特征匹配

(1)用E2LSH進(jìn)行特征點(diǎn)相似性度量:由于空間中距離相近的2個(gè)點(diǎn)原本就有較高的相似性，因此要求匹配的2個(gè)關(guān)鍵點(diǎn)的距離滿足以下條件：

‖(x1,y1)-(x2,y2)‖>T_N

(12)

其中T_N為距離閾值。

(2)在完成了特征點(diǎn)匹配之后，可以求得任意2個(gè)超像素中特征點(diǎn)匹配的數(shù)目。將所有超像素之間匹配特征點(diǎn)的數(shù)目進(jìn)行排序，得到一個(gè)升序的數(shù)目集，然后對(duì)數(shù)目集求一階導(dǎo)數(shù)和二階導(dǎo)數(shù)，超像素匹配閾值T1可由式(13)得到：

(13)

2.5 超像素再分割與匹配

在得到可疑篡改區(qū)域后，要精確定位篡改區(qū)域。將超像素進(jìn)行更小尺寸的超像素分割，方法與初次分割超像素類似。對(duì)超像素的初次匹配可得可疑超像素中匹配的特征點(diǎn)對(duì)，用二次劃分的超像素代替匹配的特征點(diǎn)，將得到匹配的更小的超像素對(duì)。具體過(guò)程如下所示：

(1)定位匹配的超像素中的關(guān)鍵點(diǎn)對(duì)，P={(p1,q1),(p2,q2),…,(pi,qi),…,(pk,qk)}，其中，(pi,qi)表示匹配的特征點(diǎn)對(duì)，k表示匹配的特征點(diǎn)總數(shù)。

(2)將超像素繼續(xù)分割為更小的超像素，方法與之前類似，用分割后的更小的超像素代替之前匹配的關(guān)鍵點(diǎn)對(duì)，最終得到匹配的更小的超像素對(duì)：

S={(sp1,sq1),(sp2,sq2),…,

(spi,sqi),…,(sps*,sqs*)}

(14)

其中，(spi,sqi)表示匹配的超像素對(duì)，i=1,2,…,s*，s*表示匹配的超像素對(duì)的總數(shù)。

2.6 后處理

由于在篡改檢測(cè)時(shí)會(huì)丟失篡改區(qū)域的超像素，這會(huì)降低CMFD的精度和召回率。篡改區(qū)域通常是一個(gè)連續(xù)較大的區(qū)域，通過(guò)提取可疑偽造區(qū)域超像素及其相鄰像素的局部特征，將具有相似局部特征的相鄰超像素合并為一個(gè)區(qū)域，可提高CMFD的檢測(cè)精度，具體方法如下所示：

(1)對(duì)于每一個(gè)超像素對(duì)及其8個(gè)鄰域的超像素，計(jì)算其顏色均值。

(2)當(dāng)鄰域超像素的平均顏色值與當(dāng)前超像素的平均顏色值滿足式(15)，則將其合并到當(dāng)前超像素：

(15)

其中，G(·)為超像素的顏色均值，θ表示鄰域超像素的方向，T_G是顏色均值相似度的閾值。

(3)最后經(jīng)過(guò)形態(tài)學(xué)操作填充并平滑邊界，得到完整的CMFD結(jié)果。

3 實(shí)驗(yàn)結(jié)果與分析

本節(jié)通過(guò)實(shí)驗(yàn)驗(yàn)證所提算法的性能，運(yùn)行環(huán)境為Intel(R)Core(TM)i7-8550U處理器,內(nèi)存 8 GB，軟件為Matlab R2016b。

3.1 數(shù)據(jù)集、攻擊類型及評(píng)價(jià)標(biāo)準(zhǔn)

本文使用3個(gè)公共數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)。第1個(gè)是Christlein等人[26]提出的數(shù)據(jù)集,簡(jiǎn)稱FAU。FAU包括48幅原始圖像和87幅篡改圖像，這87幅篡改圖像就是復(fù)制同一幅圖像中的區(qū)域粘貼到原圖中的圖像。原圖的平均尺寸約為3000×2300，復(fù)制每個(gè)圖像約10%的區(qū)域?qū)D像進(jìn)行復(fù)制粘貼篡改。第2個(gè)數(shù)據(jù)集是Cozzolino等人[27]提出的，稱為GRIP。此數(shù)據(jù)集包含80幅原始圖像和80幅復(fù)制粘貼篡改圖像。圖像的尺寸均為768×1024，其復(fù)制區(qū)域約為圖像的1%。第3個(gè)數(shù)據(jù)集是CoMoFoD數(shù)據(jù)集[28]，包含200幅基礎(chǔ)圖像和4 800幅不同類型攻擊的篡改圖像，平均圖像尺寸為512×512。

除了在普通情況下測(cè)試本文算法，本節(jié)還在圖像受到各種攻擊時(shí)進(jìn)行測(cè)試。在受到攻擊的情況下，由原始圖像生成篡改圖像時(shí)，會(huì)通過(guò)各種手段處理復(fù)制粘貼區(qū)域，例如JPEG壓縮、高斯白噪聲和幾何形變(例如縮放和旋轉(zhuǎn))。

為了綜合評(píng)價(jià)所提算法的性能，在圖像級(jí)別定義了評(píng)價(jià)指標(biāo)F值，如式(16)所示：

(16)

其中，Tp表示檢測(cè)到的篡改圖像數(shù)目，Tn表示未被檢測(cè)到的篡改圖像數(shù)目，Tw表示檢測(cè)錯(cuò)誤的篡改圖像數(shù)目。在像素級(jí)別，類似地，Tp表示圖像中篡改的像素?cái)?shù)目，Tn表示圖像中未被檢測(cè)到的像素?cái)?shù)目，Tw表示圖像中檢測(cè)錯(cuò)誤的像素?cái)?shù)目。

3.2 設(shè)置參數(shù)

從實(shí)驗(yàn)的角度來(lái)講，參數(shù)的選擇對(duì)于最后的結(jié)果有至關(guān)重要的影響。需要設(shè)置的參數(shù)有關(guān)鍵點(diǎn)空間距離T_D、顏色均值相似度T_G，分別由實(shí)驗(yàn)確定。從數(shù)據(jù)集FAU和GRIP中隨機(jī)選取40幅圖像，使用幾何變換等處理操作得到200幅篡改圖像，對(duì)200幅篡改圖像使用不同的參數(shù)實(shí)驗(yàn)，通過(guò)實(shí)驗(yàn)結(jié)果評(píng)價(jià)不同參數(shù)值對(duì)實(shí)驗(yàn)結(jié)果的影響。

(1)在特征點(diǎn)匹配時(shí)，搜索到的特征點(diǎn)對(duì)中，2個(gè)空間距離相近的特征點(diǎn)也可能被搜索到，因此本文對(duì)特征點(diǎn)對(duì)的空間距離使用閾值T_D進(jìn)行約束，而選取的T_D過(guò)小或過(guò)大都會(huì)影響算法的性能。本文使用不同的距離閾值T_D測(cè)試算法性能，結(jié)果如圖9所示。通過(guò)實(shí)驗(yàn)得出T_D設(shè)置為0.5時(shí),算法性能最優(yōu)。

Figure 9 Spatial distance threshold selection

(2)為減少錯(cuò)誤匹配，在后處理的操作中，本文引入了顏色均值特征，在比較當(dāng)前超像素與鄰域超像素的顏色均值相似度時(shí)，使用T_G作為特征相似度閾值。本文通過(guò)實(shí)驗(yàn)測(cè)試不同的T_G對(duì)實(shí)驗(yàn)結(jié)果的影響，如圖10所示。通過(guò)實(shí)驗(yàn)得出，T_G=13時(shí)算法有更好的表現(xiàn)。

Figure 10 Color similarity threshold selection

Figure 11 Comparison of algorithms

3.3 實(shí)驗(yàn)結(jié)果與對(duì)比

將本文所提算法與文獻(xiàn)[10,26]算法在FAU和GRIP數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)，部分實(shí)驗(yàn)結(jié)果如圖11所示。

對(duì)FAU和GRIP數(shù)據(jù)集中的圖像進(jìn)行旋轉(zhuǎn)、高斯白噪聲和JPEG壓縮處理，使用不同的算法進(jìn)行測(cè)試，部分結(jié)果如圖12～圖14所示，在理想情況下，各種算法的F值和運(yùn)行時(shí)間比較如表1所示。

Figure 12 Result of rotatig angle test

Figure 13 Result of increasing the Gaussian white noise test

Figure 14 Result of JPEG compression test

Table 1 Comparison of F-measure and CPU running time among the proposed algorithm and other algorithms

通過(guò)2個(gè)數(shù)據(jù)集上的測(cè)試結(jié)果可以看出，本文所提算法能夠較快、精確地檢測(cè)出偽造區(qū)域，同時(shí)在對(duì)抗JPEG壓縮、高斯白噪聲和幾何形變等方面均表現(xiàn)出了良好的性能，且有效降低了算法的時(shí)間復(fù)雜度。

現(xiàn)有的最新算法在GRIP數(shù)據(jù)集和FAU數(shù)據(jù)集上檢測(cè)效果較好，但在CoMoFoD數(shù)據(jù)集上檢測(cè)效果不夠理想，為了驗(yàn)證本文算法的有效性，在CoMoFoD數(shù)據(jù)集上進(jìn)行測(cè)試，部分結(jié)果如圖15所示。依據(jù)此數(shù)據(jù)集的高斯白噪聲和JPEG標(biāo)準(zhǔn),將本文所提算法與文獻(xiàn)[10,26]算法在CoMoFoD數(shù)據(jù)集上進(jìn)行對(duì)比測(cè)試，測(cè)試結(jié)果分別如圖16和圖17所示。從圖17中可以看出，雖然在CoMoFoD數(shù)據(jù)集上表現(xiàn)不佳，但是相比較文獻(xiàn)[10,26]的算法，本文所提算法在JPEG壓縮和高斯白噪聲的攻擊下更具優(yōu)勢(shì)。

Figure 15 Result on CoMoFoD dataset

Figure 16 Result of increasing the Gaussian white noise test on CoMOFoD

Figure 17 Result of JPEG compression test on CoMOFoD

4 結(jié)束語(yǔ)

針對(duì)傳統(tǒng)CMFD算法時(shí)間復(fù)雜度高以及幾何不變性脆弱的問(wèn)題，本文提出了一種基于超像素形狀特征的圖像復(fù)制粘貼篡改檢測(cè)算法，該算法采用一種新型的超像素形狀特征編碼方法并結(jié)合特征點(diǎn)進(jìn)行篡改檢測(cè)。在不同數(shù)據(jù)集上的多種實(shí)驗(yàn)表明，所提算法在精度和時(shí)間復(fù)雜度上都表現(xiàn)出了良好的性能。在對(duì)篡改圖像進(jìn)行諸如JPEG壓縮、高斯白噪聲和幾何形變等處理的情況下，所提算法也具有較強(qiáng)的魯棒性。但是，對(duì)于過(guò)于復(fù)雜的組合篡改攻擊，該算法性能有所降低，因此未來(lái)的工作將針對(duì)組合篡改攻擊研究更加有效的方法。