本發(fā)明涉及數(shù)字圖像的復(fù)制粘貼盲取證領(lǐng)域，尤其涉及一種基于截?cái)郿ct(discretecosinetransform,離散余弦變換)域系數(shù)的復(fù)制粘貼盲取證方法。

背景技術(shù)：

隨著互聯(lián)網(wǎng)技術(shù)和多媒體技術(shù)的不斷發(fā)展、數(shù)碼相機(jī)的大量普及、以及圖像編輯軟件如photoshop等的廣泛應(yīng)用，人們對圖像進(jìn)行修改、編輯以及存儲變得越來越容易。若偽造的數(shù)字圖像改變了原有的信息，而被廣泛應(yīng)用在新聞媒體、科學(xué)研究、法庭證物等領(lǐng)域，將影響政治、經(jīng)濟(jì)和社會的穩(wěn)定^[1]?；诖爽F(xiàn)象而發(fā)展的圖像盲取證技術(shù)具有廣闊的應(yīng)用前景，近幾年已成為圖像處理領(lǐng)域研究的熱點(diǎn)問題之一。

圖像的篡改方式眾多，其中一種最常被使用的篡改方式為同幅圖像內(nèi)的復(fù)制粘貼篡改，即復(fù)制圖像中的某一部分將其粘貼到該幅圖像內(nèi)的另一區(qū)域中，且兩者沒有任何的交集。一般情況下，因?yàn)橥环鶊D像的色彩、亮度都不會有很大的變化，因此篡改部分將很難引起人們的察覺。

目前，復(fù)制粘貼盲取證技術(shù)分為三類：基于圖像像素點(diǎn)的匹配、自相關(guān)檢測法以及基于圖像塊的匹配^[2]。

1、基于圖像像素點(diǎn)的匹配：通過對圖像像素點(diǎn)進(jìn)行遍歷比較來檢測篡改區(qū)域。此方法原理簡單、精確度高、邏輯鏈簡單，對于沒有經(jīng)過任何后處理操作的復(fù)制粘貼圖像檢測效果明顯，但是計(jì)算量巨大，魯棒性極其不好。

2、自相關(guān)檢測法^[3]：其原理是復(fù)制和粘貼的圖像塊具有完全相同或相似性，因而具有很強(qiáng)的自相關(guān)性。該算法比較簡單，計(jì)算的復(fù)雜度也不是很大，但當(dāng)此算法適用于被復(fù)制粘貼篡改的區(qū)域尺寸小于整幅圖像的25％的情況時(shí)，常出現(xiàn)準(zhǔn)確率不高等情況。

3、基于圖像塊的匹配：通過尋找圖像塊中相同或相似塊對的算法來對篡改區(qū)域進(jìn)行檢測定位。此算法原理簡單，易于實(shí)現(xiàn)且適用廣泛。

三類算法各有優(yōu)劣，但由于基于圖像塊的匹配能夠一定程度上降低時(shí)間復(fù)雜度，并具有較好地檢測效果及一定的魯棒性而得到廣泛應(yīng)用^[4]。

通過對上述的分析發(fā)現(xiàn)，復(fù)制粘貼盲取證領(lǐng)域目前面臨的主要挑戰(zhàn)為：算法的時(shí)間復(fù)雜度過高、以及對各種常用的后處理操作的魯棒性不好，限制了實(shí)際應(yīng)用范圍。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明提供了一種基于截?cái)郿ct域系數(shù)的復(fù)制粘貼盲取證方法，本發(fā)明有效地降低了時(shí)間復(fù)雜度以及具有更強(qiáng)的魯棒性，可以應(yīng)用于任何基于復(fù)制粘貼篡改方式的盲取證，詳見下文描述：

一種基于截?cái)郿ct域系數(shù)的復(fù)制粘貼盲取證方法，所述方法包括以下步驟：

對各子圖像塊分別進(jìn)行dct變換操作，使用量化系數(shù)對各子圖像塊進(jìn)行處理，再進(jìn)行z字形掃描并進(jìn)行截?cái)嗖僮?，得到特征向量，按照滑動順序?qū)⑻卣飨蛄勘４娴骄仃嘺中；

對矩陣a進(jìn)行字典排序得到矩陣b，并對矩陣b的每一個行向量，都與相鄰的行向量進(jìn)行匹配檢測，若近似相同，計(jì)算轉(zhuǎn)移向量；

遍歷所有判定為近似相同的行向量對，獲取所有的轉(zhuǎn)移向量，從中找出主轉(zhuǎn)移向量，去除與主轉(zhuǎn)移向量不同的子塊，剩余子塊即為復(fù)制粘貼的篡改部分；

標(biāo)識出待檢測圖像中被復(fù)制、粘貼區(qū)域，通過開操作去除孤立塊，輸出圖像。

其中，判斷近似相同的步驟具體為：

條件1：特征分量

判斷是否成立，如果是，繼續(xù)比較下一個特征分量；如果否，判定兩個特征向量是不相同的；abs為絕對值符號，為特征分量；

條件2：特征分量

1)計(jì)算同時(shí)改變maxr和minr的值：如果maxr＜rl，則maxr＝rl；如果minr＞rl，則minr＝rl；

2)判斷maxr-minr＜t是否成立，如果成立，則繼續(xù)比較下一個特征分量，反之則直接判定這兩個特征向量不相同；

獲取同時(shí)滿足上述條件1、條件2的兩個特征向量，該兩個特征向量是近似相同的。

其中，所述計(jì)算轉(zhuǎn)移向量的步驟具體為：

其中，d為轉(zhuǎn)移向量，(x1,y1)，(x2,y2)是兩個圖像子塊的左上角位置。

其中，所述主轉(zhuǎn)移向量具體為：

遍歷所有判定為近似相同的行向量對，計(jì)算出各轉(zhuǎn)移向量，對所有的轉(zhuǎn)移向量進(jìn)行概率統(tǒng)計(jì)，選取各轉(zhuǎn)移向量中頻率出現(xiàn)最多的轉(zhuǎn)移向量作為主轉(zhuǎn)移向量。

其中，所述方法還包括：

當(dāng)不存在與主轉(zhuǎn)移向量不同的子塊時(shí)，表明待檢測圖像沒有復(fù)制粘貼篡改。

本發(fā)明提供的技術(shù)方案的有益效果是：

1、選取量化截?cái)嗟膁ct系數(shù)作為每個子塊的特征向量，有效地降低了時(shí)間的復(fù)雜度；

2、對于添加高斯白噪聲以及高斯模糊等篡改后常用的后處理操作，具有一定的魯棒性；

3、通過找到所有相似匹配塊的最大的主轉(zhuǎn)移向量以及形態(tài)學(xué)上的開操作處理，提高了檢測的精確度。

附圖說明

圖1為一種基于截?cái)郿ct域系數(shù)的復(fù)制粘貼盲取證算法的流程圖；

圖2為z字形掃描順序示意圖；

圖3為圖像的復(fù)制粘貼區(qū)域?qū)?yīng)相似塊之間的轉(zhuǎn)移向量示意圖；

圖4為各種不同復(fù)制粘貼篡改情況下的檢測樣例的示意圖；

其中，(a)為被復(fù)制部分與粘貼的部分位于水平位置；(b)為被復(fù)制部分與粘貼的部分位于垂直位置；(c)為被復(fù)制部分與粘貼的部分位于正對角位置；(d)為被復(fù)制部分與粘貼的部分位于反對角位；(e)為被復(fù)制部分與粘貼的部分為不規(guī)則區(qū)域。此外，圖像分為三欄，從左到右分別為原始圖像，被篡改后的圖像以及利用本方法檢測出的效果圖。

圖5為抗噪聲干擾的魯棒性檢測樣例的示意圖；

其中，(a)為信噪比為35db的加性高斯白噪聲處理圖像及測試結(jié)果；(b)為信噪比為25db的加性高斯白噪聲處理圖像及測試結(jié)果；(c)為信噪比為15.035db的加性高斯白噪聲處理圖像及測試結(jié)果。此外，圖像分為三欄，從左到右分別為只經(jīng)過復(fù)制粘貼篡改后的圖像，經(jīng)過復(fù)制粘貼篡改后再添加加性高斯白噪聲后的圖像以及利用本方法檢測出的效果圖。

圖6為抗模糊處理的魯棒性檢測樣例的示意圖；

其中，(a)為參數(shù)設(shè)置為：n1＝n2＝5,σ²＝1的高斯模糊處理后的待檢測圖像及其檢測結(jié)果；(b)為參數(shù)設(shè)置為：n1＝n2＝5,σ²＝2的高斯模糊處理后的待檢測圖像及其檢測結(jié)果。此外，圖像分為三欄，從左到右分別為只經(jīng)過復(fù)制粘貼篡改后的圖像，經(jīng)過復(fù)制粘貼篡改后再添加高斯模糊后的圖像以及利用本方法檢測出的效果圖。

圖7為三種算法的檢測性能比較的示意圖；

圖8為三種算法的時(shí)間復(fù)雜度比較的示意圖。

具體實(shí)施方式

為使本發(fā)明的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚，下面對本發(fā)明實(shí)施方式作進(jìn)一步地詳細(xì)描述。

為了解決以上問題，需要能夠全面、自動、準(zhǔn)確提取子塊的特征并進(jìn)行定位與檢測的算法。研究表明：dct變換的能量壓縮特性可以使得在僅保留低頻系數(shù)的情況下保留大部分重要信息，這在經(jīng)過量化后系數(shù)矩陣中體現(xiàn)得更為明顯，可以選擇截?cái)嗔炕膁ct系數(shù)作為每個子塊的特征^[5]。

實(shí)施例1

本發(fā)明實(shí)施例提出了基于截?cái)郿ct域系數(shù)的復(fù)制粘貼盲取證方法，參見圖1，該方法包括以下步驟：

101：對各子圖像塊分別進(jìn)行dct變換操作，使用量化系數(shù)對各子圖像塊進(jìn)行處理，再進(jìn)行z字形掃描并進(jìn)行截?cái)嗖僮?，得到特征向量，按照滑動順序?qū)⑻卣飨蛄勘４娴骄仃嘺中；

102：對矩陣a進(jìn)行字典排序得到矩陣b，并對矩陣b的每一個行向量，都與相鄰的行向量進(jìn)行匹配檢測，若近似相同，計(jì)算轉(zhuǎn)移向量；

103：遍歷所有判定為近似相同的行向量對，獲取所有的轉(zhuǎn)移向量，從中找出主轉(zhuǎn)移向量，去除與主轉(zhuǎn)移向量不同的子塊，剩余子塊即為復(fù)制粘貼的篡改部分；

104：標(biāo)識出待檢測圖像中被復(fù)制、粘貼區(qū)域，通過開操作去除孤立塊，輸出圖像。

其中，步驟102中的判斷近似相同的步驟具體為：

條件1：特征分量

判斷是否成立，如果是，繼續(xù)比較下一個特征分量；如果否，判定兩個特征向量是不相同的；abs為絕對值符號，為特征分量；

條件2：特征分量

1)計(jì)算同時(shí)改變maxr和minr的值：如果maxr＜rl，則maxr＝rl；如果minr＞rl，則minr＝rl；

2)判斷maxr-minr＜t是否成立，如果成立，則繼續(xù)比較下一個特征分量，反之則直接判定這兩個特征向量不相同；

獲取同時(shí)滿足上述條件1、條件2的兩個特征向量，該兩個特征向量是近似相同的。

其中，步驟103中的主轉(zhuǎn)移向量具體為：

遍歷所有判定為近似相同的行向量對，計(jì)算出各轉(zhuǎn)移向量，對所有的轉(zhuǎn)移向量進(jìn)行概率統(tǒng)計(jì)，選取各轉(zhuǎn)移向量中頻率出現(xiàn)最多的轉(zhuǎn)移向量作為主轉(zhuǎn)移向量。

綜上所述，本發(fā)明實(shí)施例通過上述步驟101-步驟104有效地降低了時(shí)間復(fù)雜度以及具有更強(qiáng)的魯棒性，可以應(yīng)用于任何基于復(fù)制粘貼篡改方式的盲取證，滿足了實(shí)際應(yīng)用中的多種需要。

實(shí)施例2

下面結(jié)合具體的實(shí)例、數(shù)學(xué)公式對實(shí)施例1中的方案進(jìn)行進(jìn)一步地介紹，詳見下文描述：

201：將待檢測圖像i轉(zhuǎn)換為灰度圖像，并劃分為若干個子圖像塊；

例如：設(shè)待檢測圖像i的大小為m×n，選取滑動塊的大小為b×b，使其從待檢測圖像i的左上角開始按照從左到右，從上到下的順序，以一個像素為單位依次進(jìn)行滑動，最終達(dá)到待檢測圖像i的右下角，最終可得sum＝(m-b+1)(n-b+1)個子圖像塊。

具體實(shí)現(xiàn)時(shí)，首先判斷待檢測圖像i是否為灰度圖像，如果不是則將其轉(zhuǎn)換為灰度圖像。本發(fā)明實(shí)施例用到的所有的實(shí)驗(yàn)圖像都是來自t.-t.ng等人發(fā)布的數(shù)字圖像取證的圖像測試集^[6]，所有的圖像都為大小為128×128的灰度圖像，保存格式為bmp。在參數(shù)選取時(shí)，選取m＝n＝128，b＝8。

具體實(shí)現(xiàn)時(shí)，還可以選用其他的測試集，本發(fā)明實(shí)施例對m、n以及b的取值不做限制，根據(jù)實(shí)際應(yīng)用中的需要進(jìn)行設(shè)定。

202：對獲得的各子圖像塊分別進(jìn)行dct變換操作，并使用量化系數(shù)q對各子圖像塊進(jìn)行量化處理，而后再進(jìn)行z字形掃描(如圖2所示)并進(jìn)行截?cái)嗖僮?，得到所有子塊的特征向量[p·b²]，然后按照滑動順序?qū)⑺凶訅K的特征向量保存到矩陣a中；

例如：對于d×d大小的數(shù)字圖像f(x,y)，其dct變換及其idct(inversediscretecosinetransform,逆離散余弦變換)變換分別為：

其中，u,v＝0,1,2,…,d-1，x,y＝0,1,2,…,d-1。a(u)和a(v)為中間變量。

在上述公式中，當(dāng)u＝v＝0時(shí)，余弦值取1，有這個分量為變化后的dct系數(shù)的最大值，也稱為直流分量，其他系數(shù)都稱為交流分量。

變換后的dct系數(shù)矩陣，從左上角到右下角對應(yīng)的頻率由直流和低頻分量，向高頻分量變化，并且在實(shí)際情況中，dct系數(shù)矩陣的較大值都集中在直流和低頻分量中。特別的是，量化后高頻系數(shù)基本上全變成了0。

因此，可以根據(jù)該特性來對特征向量進(jìn)行降維處理，即每個子塊的dct系數(shù)只考慮低頻部分。然而，在dct的特征向量中不能再以矩陣的形式保存，必須將變換后的系數(shù)按照從低頻到高頻的順序進(jìn)行排列，這樣才會方便降維和之后的匹配處理。因此，必須將量化的dct系數(shù)矩陣按照zigzag的排列方式進(jìn)行掃描成一個大小為1×b²的行向量，并將p(0＜p≤1)(本例中p＝0.25)作為截?cái)嘁蜃咏財(cái)啾Ａ鬹(k＝[p×b²])個分量(本例中k＝16)。

特征向量在截?cái)嗲斑€會被量化系數(shù)q量化，即特征向量中的每個分量都除以q然后取整。則經(jīng)過量化和降維處理之后的特征向量為：

203：對特征向量矩陣a進(jìn)行字典排序得到矩陣b，其大小為(m-b+1)(n-b+1)×[p·b²]，并對矩陣b的每一個行向量都與其相鄰的nf個行向量進(jìn)行匹配檢測，其中nf應(yīng)滿足：j-i＜nf≤(m-b+1)(n-b+1)，(本例中nf＝3)如果匹配結(jié)果為近似相同，則計(jì)算兩者之間的轉(zhuǎn)移向量；

在尋找相似子塊之前，首先對特征向量矩陣a進(jìn)行字典排序得到矩陣b，隨即兩兩比較它們之間(即特征向量矩陣a排序后的矩陣b之間)的相似程度，如果判斷為近似相同，則對應(yīng)的兩子塊判定為相似子塊對，然后記錄相似子塊對之間的轉(zhuǎn)移向量d：

其中(x1,y1)，(x2,y2)是兩個圖像子塊的左上角位置的坐標(biāo)。復(fù)制粘貼區(qū)域?qū)?yīng)子塊間具有統(tǒng)一的轉(zhuǎn)移向量，如圖3所示。

下面詳細(xì)介紹兩個行向量進(jìn)行匹配檢測的具體過程：

當(dāng)待檢測圖像經(jīng)過壓縮、加噪，模糊等攻擊后，那么被復(fù)制子塊的特征向量與粘貼子塊的特征向量可能不是完全相等的，而是很相似的。因此需要在此引入一種判斷子塊對應(yīng)特征向量是否相同的方法。如果兩個子塊的特征向量的每個對應(yīng)的分量是幾乎相等的，則可認(rèn)為這兩個子塊是近似相關(guān)的。

下面用一個具體的實(shí)例來說明判斷兩個子塊對應(yīng)的特征向量是否近似相同的具體過程：

例如：與分別為兩個子塊的特征向量，判斷該兩個子塊的對應(yīng)的特征向量是否近似相同的過程如下：

其中，s和t這兩個參數(shù)在編程時(shí)被預(yù)定義，maxr被初始化一個足夠小的數(shù)，minr被初始化成一個足夠大的數(shù)，分別為特征分量。那么具體的判斷流程為：

條件1：對于每個1≤l≤k，

判斷是否成立，如果是，繼續(xù)比較下一個特征分量；如果否，判定兩個特征向量是不相同的；

其中，abs為絕對值符號；本發(fā)明實(shí)施例中s＝4，具體實(shí)現(xiàn)時(shí)，還可以根據(jù)實(shí)際應(yīng)用中的需要對s的取值進(jìn)行設(shè)定，本發(fā)明實(shí)施例對此不做贅述。

條件2：對于每個1≤l≤k，

1)計(jì)算的值，同時(shí)對應(yīng)改變maxr和minr的值：如果maxr＜rl，

則maxr＝rl；如果minr＞rl，則minr＝rl；

2)判斷maxr-minr＜t(本例中t＝0.0625)是否成立，如果成立，則繼續(xù)比較下一個特征分量，反之則直接判定這兩個特征向量不相同。

具體實(shí)現(xiàn)時(shí)，還可以根據(jù)實(shí)際應(yīng)用中的需要對t的取值進(jìn)行設(shè)定，本發(fā)明實(shí)施例對此不做贅述。

獲取同時(shí)滿足上述條件1、條件2的兩個特征向量，該兩個特征向量是近似相同的。

204：遍歷所有判定為近似相同的行向量對，并統(tǒng)計(jì)出所有的轉(zhuǎn)移向量，掃描所有的轉(zhuǎn)移向量，找出其中的主轉(zhuǎn)移向量，再去除所有與主轉(zhuǎn)移向量不同的對應(yīng)子塊，剩余的子塊即可判定為復(fù)制粘貼的篡改部分，如果沒找到，即可判斷該待檢測圖像中沒有出現(xiàn)復(fù)制粘貼篡改，流程結(jié)束，反之轉(zhuǎn)入下一步；

對于去除錯誤匹配的子塊對，可以使用確定主轉(zhuǎn)移向量的方法來實(shí)現(xiàn)精準(zhǔn)復(fù)制粘貼區(qū)域判定。其原理是復(fù)制區(qū)域d1和粘貼區(qū)域d2都具有統(tǒng)一的轉(zhuǎn)移向量，如圖3所示，而與極少數(shù)的相似區(qū)域所產(chǎn)生的轉(zhuǎn)移向量相比，復(fù)制粘貼區(qū)域d1，d2的轉(zhuǎn)移向量占絕大多數(shù)，所以去除那些個別少數(shù)的轉(zhuǎn)移向量，所留下的對應(yīng)的子塊對區(qū)域極為復(fù)制粘貼部分。

下面詳細(xì)介紹一下找出主轉(zhuǎn)移向量的具體過程：

遍歷所有判定為近似相同的行向量對，計(jì)算出各轉(zhuǎn)移向量d，對所有的轉(zhuǎn)移向量d進(jìn)行概率統(tǒng)計(jì)，選取各轉(zhuǎn)移向量d中頻率出現(xiàn)最多的轉(zhuǎn)移向量作為主轉(zhuǎn)移向量。

205：分別標(biāo)識出待檢測圖像中的被復(fù)制區(qū)域和粘貼區(qū)域，使用開操作去除地圖上可能的孤立塊，然后將處理完的圖像可視化輸出，流程結(jié)束。

由于特征向量經(jīng)過了截?cái)嗪土炕?，可能會有一些誤檢出來的孤立區(qū)域，因此，采用形態(tài)學(xué)上的開操作^[7]，以移除一些孤立的塊。

具體移除孤立塊的步驟為本領(lǐng)域技術(shù)人員所公知，本發(fā)明實(shí)施例對此不做贅述。

綜上所述，本發(fā)明實(shí)施例通過上述步驟201-步驟205有效地降低了時(shí)間復(fù)雜度以及具有更強(qiáng)的魯棒性，可以應(yīng)用于任何基于復(fù)制粘貼篡改方式的盲取證，滿足了實(shí)際應(yīng)用中的多種需要。

實(shí)施例3

下面結(jié)合具體的計(jì)算公式、圖4-圖8對實(shí)施例1和2中的方案進(jìn)行可行性驗(yàn)證，詳見下文描述：

本實(shí)驗(yàn)用到的所有實(shí)驗(yàn)的自然圖像都來自t.-t.ng等人發(fā)布的用于數(shù)字圖像取證的圖像測試集^[6]，其中所有的圖像都為大小為128×128像素，均為灰度圖像，保存格式為bmp。

為了測試檢測算法能夠檢測篡改區(qū)域位置的精確度，如下一些參數(shù)被計(jì)算。記輸入篡改圖像的復(fù)制區(qū)域?yàn)閐1，粘貼區(qū)域?yàn)閐2，檢測算法檢測出來的復(fù)制區(qū)域?yàn)閞1，粘貼區(qū)域?yàn)閞2，有效檢測acc，無效檢測f分別定義為：

其中，|.|為一個區(qū)域的面積，∩為兩個區(qū)域的交集，∪為兩個區(qū)域的并。acc和f體現(xiàn)了檢測算法檢測出的區(qū)域和待檢測圖像中實(shí)際存在的篡改區(qū)域的接近程度。

實(shí)驗(yàn)中將本算法與以下兩種算法進(jìn)行對比：

fridrich算法^[2]，其圖像特征塊的處理方式為dct；

popescu算法^[8]，其圖像特征塊的處理方式為pca(principalcomponentanalysis)。

為了更好的驗(yàn)證本算法對于復(fù)制粘貼篡改檢測的準(zhǔn)確性，對選取的300張自然圖像進(jìn)行了復(fù)制粘貼篡改，并且綜合考慮了各種可能的篡改情況，對得到的所有的有效檢測acc，無效檢測f作平均處理，得到平均有效檢測平均無效檢測

此外，為了驗(yàn)證本算法的魯棒性，分別進(jìn)行了噪聲添加及模糊處理等操作，如圖5和圖6所示，并將各算法的檢測性能進(jìn)行了列表比較，如圖7所示。當(dāng)對待檢測圖像添加高斯噪聲后的信噪比snr＝35或25db時(shí)，檢測效果與添加噪聲前的檢測效果檢測一致；但當(dāng)snr小于20.035時(shí)，檢測效果急劇下降。

通過與popescu算法進(jìn)行比較發(fā)現(xiàn)，popescu算法在信噪比低于25db時(shí)，檢測效果就會急劇變差，因此本算法在抗噪聲處理上具有更好的魯棒性；當(dāng)對待檢測圖像進(jìn)行高斯模糊處理時(shí)，其中參數(shù)設(shè)置為：n1＝n2＝5,σ²＝1或者σ²＝2，檢測效果也很好，可以驗(yàn)證本算法在抗模糊處理上也具有一定的魯棒性。此外，將三種算法的時(shí)間復(fù)雜度進(jìn)行了比較，如圖8可知，本算法在一定程度上降低了時(shí)間復(fù)雜度。綜上，實(shí)驗(yàn)結(jié)果驗(yàn)證了本方法的可行性與優(yōu)越性。

參考文獻(xiàn)：

[1]周琳娜.數(shù)字圖像盲取證技術(shù)研究[d].北京郵電大學(xué)，2007.

[2]j.fridrich,d.soukal,j.lukas.detectionofcopy-moveforgeryindigitalimages[a].in:proceedingsofthedigitalforensicresearchworkshop[c],usa,2003:1-10.

[3]單薇.基于復(fù)制粘貼的數(shù)字圖像篡改檢測研究[d].蘇州大學(xué)，2014.

[4]趙俊紅.圖像內(nèi)容被動取證技術(shù)的研究[d].華南理工大學(xué)，2011.

[5]s.a.khayam.thediscretecosinetransform(dct):theoryandapplication[m].uppersaddleriver,nj,usa:prenticehallpress,aug.2003,32-41.

[6]t.-t.ng,j.hsu,s.-f.chang.columbiaimagesplicingdetectionevaluationdataset,http://www.ee.columbia.edu/ln/dvmm/downloads/authspliceddataset/authspliceddataset.htm.

[7]rafealc.gonzalez,richarde.woodsp.,“digitalimageprocessing”,edition2nd,addison-wesleypp.528-532,1992.

[8]a.popescu,h.farid.exposingdigitalforgeriesbydetectingduplicatedimageregions[r],technicalreporttr2004-515,dartmouthcollege,2004.

本領(lǐng)域技術(shù)人員可以理解附圖只是一個優(yōu)選實(shí)施例的示意圖，上述本發(fā)明實(shí)施例序號僅僅為了描述，不代表實(shí)施例的優(yōu)劣。

以上所述僅為本發(fā)明的較佳實(shí)施例，并不用以限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)，所作的任何修改、等同替換、改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。