用统计特征量实现的图像拼接盲检测

第28卷第 12期 2008年 12月 计算机应用 Computer Applications Vo1．28 No．12 Dec．2008 文章编号：1001—9081(2oo8)12—3108—04 用统计特征量实现的图像拼接盲检测 张 震 r，康吉全 ，平西建 ，任 远 (1．信息工程大学 信息工程学院，郑州 450002； 2．郑州大学 电气工程学院，郑州 450001) (zhangzhen66@126．corn) 摘 要：图像拼接是一种常见的图像篡改手段。为了对拼接的数字图像实施盲检测，提出一种新的拼接图像的 检测 方法 快递客服问题件处理详细方法山木方法pdf计算方法pdf华与华方法下载八字理论方法下载 。借用二分类的模式识别概念，使用图像质量评价量和矩特征量来建立模型，以捕获原始图像和拼接图像 之间的统计差异，选用支持向量机作为分类器进行训练和测试，对拼接图像的盲检测进行了研究。实验结果 表 关于同志近三年现实表现材料材料类招标技术评分表图表与交易pdf视力表打印pdf用图表说话 pdf 明，该 方法具有精确度高、应用面广的优点。 关键词：数字图像盲取证 ；图像拼接检测；图像质量评价量；矩特征量 ；支持向量机 中图分类号：TP391．41 文献标志码：A Blind detection of image splicing based on image quality metrics and moment features ZHANG Zhen KANG Ji quan ，PING Xi-jian ，REN Yuan (1．Institute oflnformaKon Engineering,Information Engineering University,Zhengzhou Henan 450002，China； 2．School ofElectrical Engineering，Zhengzhou University,Zhengzhou Itenan 450001，China) Abstract：Image splicing is a technique commonly used in image tampering．To implement image splicing blind detection，a Dew splicing detection scheme was proposed．Image splicing detection Could be regarded as a two—class pattern recognition problem and the model was established based on moment features and some Image Quality Metrics(IQMs) extracted from the given test image．This model could measure statistical differences between original image and spliced image．Kernel—based Support Vector Machine(SVM)was chosen as a classifier to train and test the given images． Experimental results demonstrate that this new splicing detection scheme has some advantages of high—accuracy and wide— application． Key words：blind image forensics；image splicing detection；hnage Quality Metrics(IQMs)；moment feature；Support Vector Machine(SVM) 0 引言 数字图像取证技术是指对数字图像的篡改、伪造和隐密 进行 分析 定性数据统计分析pdf销售业绩分析模板建筑结构震害分析销售进度分析表京东商城竞争战略分析 、鉴别和认证，分为主动取证和盲取证(被动取证) 两种。现有的主动取证技术包括以鲁棒数字水印为代表的防 伪技术，以脆弱数字水印为代表的防篡改技术，以及以数字指 纹、数字签名为代表的认证技术。这些技术所采用的基本思 路都是通过添加附加信息对数字图像进行真实性和完整性鉴 别。但 目前的情况是，绝大部分数码照片中并不含有数字水 印或者数字摘要。而数字图像盲取证技术是直接依据媒体本 身进行鉴别的，不需要事先对数字图像做任何预处理，实用性 更强。这种技术的理论基础在于：图像经过人为篡改后必定 会引入原有自然图像不具备的某些统计特征。 ，图像拼接是指将同一幅图片或者不同幅图片中的一部分 通过拷贝的方式覆盖到另一区域的技术。由于图像拼接被认 为是应用最为广泛的篡改手段之一，其检测算法在近年来已 成为国际上图像盲取证技术的研究热点。特别是哥伦比亚大 学图像拼接检验数据库 的建立，使得不同算法有了一个相 互比较的平台。图像拼接主要有以下几种检测方式：检测图 像中是否存在重复区域 I3 来进行判断，利用图像中光线的 一 致性 进行检测，使用相互一致性分析 5-6]、Hilbert'Huang 变换 和二维相位一致性分析 进行检测等。其中，使用文 献[6—8]的方法在哥伦比亚大学图像拼接检验数据库中验 证的成功率分别达到了72％、80％ 和 82％。结合对图像拼 接操作的分析，本文提出了基于图像质量评价量和矩特征量 的拼接图像检测方法，提取了图像的特征值，使用支持向量机 (Support Vector Machine，SVM)对特征值进行训练和分类 ，达 到了较好的效果 。 1 特征值的选取 ’ | 图像拼接的检测可以归纳成为一个二分类的模式识别问 题，一幅待测图像经过特征值提取、分类器分类后可归类为拼 接图像或原始图像。从模式识别方面来讲，特征值的选取直 接影响到整个系统的识别率，是算法中的重点。经过对图像 拼接操作的分析，本文提出了一种采用图像质量评价量与矩 特征量相结合的特征值选取 方案 气瓶 现场处置方案 .pdf气瓶 现场处置方案 .doc见习基地管理方案.doc关于群访事件的化解方案建筑工地扬尘治理专项方案下载 。 1．1 图像质量评价量的提取 Avcibas研究了图像 的客观质量评价量及其统计特 收稿日期：2008—06—24；修回日期：2008—08—20。 基金项目：国家 自然科学基金资助项目(60473022)。 作者简介：张震(1966一)，男，河南郑州人，副教授，博士研究生，主要研究方向：信号处理、图像处理、信息安全； 康吉全(1984一)，男，山 西朔州人，硕士研究生，主要研究方向：图像处理、模式识别； 平西建(1953一)，男，河南新乡人，教授，博士生导师，主要研究方向：信号处理、图 像处理、信息安全； 任远(1981一)，男，河南桐柏人 ，硕士研究生，主要研究方向：图像处理、模式识别。 第 l2期 张震等：用统计特征量实现的图像拼接盲检测 3109 性 10]，其主要方法是将待检测图像进行一个高斯滤波，然 后比较二者在统计特性方面的差异。当使用拼接技术对一幅 数字图像进行处理后，可认为该图像被弓I入了一定程度的噪 声，即该图像某个区域的图像质量评价量发生了变化。为了 得到表征这种变化，本文将整幅图像划分成若干个区域 ，针对 各个区域提取图像质量评价量 ，得到一组特征 向量 ，这组向 量可有效地表征图像拼接所引起的变化。Avcibas提出了26 个图像质量参数，经过筛选、分析和对 比，本文选取了对图像 拼接操作较为敏感、计算复杂度较低的7个评价量，其计算方 法如下： 1)基于图像和它的滤波版本之间像素统计差异的平均 绝对误差和均方差 D 、D：： D 去 { M -I 1 CK )一d K( √)1)(1) Dz 专 {丽1 ； - 0 f CK( √)一e )f ) (2) 其中：CK(i,j)表示待检图像中第i行 列像素的第K(RGB图 像中K=1，2，3)通道值。c (i， )表示待检图像高斯滤波版 本中第i行 列像素的第 通道值，图像大小为N×M像素，下 同。 2)基于RGB图像和它的滤波版本之问相关性的度量，包 括相位相关性度量 ，图像保真度度量 和归一化互相关 度量 ： 一 蒿( -1 ) (3) 。 一 N 1 一M 1 ] 一 一 (5) 3)基于 RGB图像和它的滤波版本之间谱差异度量，包括 基于傅立叶谱幅值差异度量 s ： Ⅳ一1 M —l s ( 一 ， )I (6) 其中： (M，口)=arctan(F(、u； ))． Ⅳ一I M一1 ( ) cK(m一)exp[一2订 m昔]。 exp[_2 啬】．K=l'⋯， 4)基于RGB图像和它的滤波版本之问人跟视觉系统的 度量，即归一化均方差 ： K Ⅳ一1 M 1 H1=专∑(∑∑I U{CK(i 一 K = 1 、i=0 i=0 Ⅳ一1 M 一1 uI e ( ， )¨ ／∑∑I uI CK( 川 I) (7) 其中： U{C (i√)}=DCT {日(、 n( ， )} 日cp ={ ； 3：： ． 假设图像被划分为 Ⅳ个区域时，分别计算这 Ⅳ个区域的 图像质量参数，即得到7×N维特征值 关于Ⅳ的取值，理论是 越大越好，但实际上若Ⅳ太大，一方面造成了部分信息冗余， 另一方面造成了庞大的计算开销；若Ⅳ太小，则不能反映图像 在篡改前后一致性、规则性、周期性、关联性等内在品质上的 变化。经笔者所做 的大量实验表明，Ⅳ的取值大于或小于 4 时，系统的识别率没有相应地提高，且当Ⅳ的取值大于4时， 算法的复杂度和计算时间大大增加，综合以上因素，本算法中 Ⅳ取 4最为适宜。 1．2 统计矩特征量的提取 统计矩特征(Moment Based Features，MBF)是一种 自然 图像统计模型 ¨。当使用拼接技术对一幅数字图像进行处 理后，主图像的特征必然发生改变，如平滑性 、一致性、连续性 和规则性等。基于这种思想，文献[11]采用多尺度块离散余 弦换(Multi—size Block Discrete Cosine Transform，MBDCT)来 捕捉这种改变。矩特征的生成过程包括两个部分：块离散余 弦变换和矩特征的提取。 1，2．1 多尺度块 离散余弦变换 数字图像是一个具有一致性、连续性、规则性和相关性的 二维矩阵，其统计特性体现在每个像素都与邻近的像素相关。 在使用拼接操作对一幅数字图像进行处理后，主图像的这些 特性必将发生改变。采用块离散余弦变换可有效地捕捉这种 改变。但由于不同的拼接手段、不同的主图像特征等，主图像 特征的改变形式是多种多样的。采用多尺度的块离散余弦变 换则可以捕获到这些不同形式的改变。一个 n× n块图像的 离散余弦变换可由下式给出： F(s,t)： 芝 以( )以(Y)c。s ． ’ ⋯ 0 =U ⋯ cos ÷ ( ，y) (8) 其中：，( ，y)为 × 矩阵，／l( )：』1／√2， =0。 L1． ≠ 0 将图像分解为若干个n x n的矩阵块。对每个矩阵块按式 (8)进行块离散余弦变换(BDCT)，即可获得与原图像同大小 的n x n BDCT系数矩阵，在矩特征的提取中将会使用它们。 1．2．2 矩特征的提取 矩特征可由一维特征函数即一阶直方图的离散傅里叶变 换(Discrete Fourier Transform，Drr)获得 ，也可由二维特征函 数即二阶直方图的 DFT获得。矩特征的提取过程如图 1所 示 2维矩阵 I预测 — l误差 l 矩阵 H盈 星 水平二维直方图 垂直二维直方图 2D DFT 2D DFT 边缘矩 边缘矩 图 1 矩特征的提取过程 1)预测误差矩阵。图像经拼接处理后，会发生统计特性 的改变，但由于主图像的纹理多样性，会给拼接检测带来一定 的困难。预测误差矩阵是对矩阵中慕个元零的邻域进行分 析，获取它和相邻元素的关系，它可以有效地减少图像纹理多 一 ～ 盐 ¨厶 3110 计算机应用 第28卷 样性所带来的影响。预测误差矩阵的形成过程如下：对每一 个矩阵元素 ，它的预测邻域 n、b、c分别如图2所示。 厂『 b c 图2 元素 的预测领域 的预测值 由式(9)给出： =sign( )·}f。f+f 6 f—f c}} (9) 则它的预测误差值为： Ax= ～ = ～sign( )·{1。1+I b I—I c l} (10) 对矩阵中的每一个元素都进行上述计算过程 ，即可得到 预测误差矩阵。 2)离 散 小波 变换 。离散 小 波 变 换 (Discrete Wavelet Transform，DWT)是图像处理中经常用到的方法，其理论基础 充分，应用面广，对图像的局部改变相当敏感，是图像处理与 模式识别中常用的工具与手段。在文献[12]中，高阶小波统 计已经被用于数字图像的取证过程中。本文在研究图像拼接 盲检测这个较新的课题 ，提取图像局部或边缘特征时采用小 波变换方法。实验证明小波变换在检测图像拼接操作时是有 成效的，而且时间代价在采用高级语言编程和高性能计算机 的前提下也是可以接受的。至于采用其他方法来提取局部或 边缘特征理论上也是可行的，这也是我们 当前科研工作 的一 个研究内容。 3)矩和边缘矩。矩特征可由一维特征函数获得，而一维 特征函数可由小波变换后各子带直方图的 DFT得到。矩特 征的定义如下 ：‘ ∑ fI ( )I M = }——一 (11) ∑1日(Xi)1 其中：日( )为在频率 处的一维特征函数，K为子带系数不 同值的总数，l表示矩的阶数。 边缘矩特征可由二维特征函数获得。二维特征函数可由 给定二维矩阵(这里为图像矩阵和 BDCT系数矩阵)二阶直 方图的2-D DFT得到。 二阶直方图的定义如下 ： (Jl,J2．p’ ) 其中：Ⅳ( ；P，0)为在图像矩阵像素对中第一个为 第二 个为 ，距离为P，夹角为 0的数 目。Ⅳ，(p，0)为距离为p，夹角 为 0的总数 目。 边缘矩特征的定义如下： i 2 ∑∑ l 1日( )l M = ————～ (13) ∑∑{日( 川 ∑∑引日(u。， )I M = ≯ ———一 (14) ∑∑f H(u f 其中： (u ， )为二阶特征函数，1表示边缘矩的阶数。 1．3 整体特征值的提取模型 综合以上对图像质量评价量的筛选和矩特征量的提取， 可得出本算法整体特征提取模型的总体框架，如图3所示。 固 i 1 图像片段H翥 H 2×2BDCT 4×4BDCT 8×8BDCT 兰 里旦 !丕錾堑堕 西 瓣 8 x 8 BDCT系数矩阵H 42维矩特征量 图3 整体特征值提取模型 本文中提取的 196维特征是经过严格筛选后选取的，去 除(降维)了一些时间代价太高和一些可由其他特征表征的 冗余量，目的是降低算法的时间复杂度，使之达到可接受的程 度。实际上，识别率与实时性通常是矛盾的，即要追求高识别 率，就势必增加模型的复杂度和全面性 ，这样就带来计算时间 花销大，实时性差；反之，若强调实时性，就势必要尽可能地简 化模型和算法，这样有可能使得模型的识别率下降。本文研 究的重点是要提高模型和算法的识别率，将实时性的问题放 在了次要位置。因为笔者认为，在图像的盲取证问题上，能否 正确判定一幅图像是否是拼接图像比花多少时问来判定更加 重要。另一方面，采用分类器的方法对被测图像进行训练和 测试，时间主要花在训练阶段上，一旦一个模型训练好后，对 被测图像的测试时间往往较短，而且时间代价在采用高级语 言编程和使用高性能计算机运算的前提下也是可以接受的。 2 系统整体框架及算法步骤 2．1 分类器的选取 支持向量 机方 法 是建 立 在 统计 学 习．理 论 的 VC维 (Vapnik～Chervonenkis Dimension)理论和结构风险最小原理基 础上的，根据有限的样本信息在模型的复杂性和学习能力之 间寻求最佳折中，以期获得最好的推广能力。 线性回归只能对线性可分的样本空间进行分类，不能用 于非线性可分的特征向量空间的分类。由于图像质量评价量 的7个特征元素无线性可分性 ，因此不能用线性分类器进行 分类 ，所以选用非线性的基于核函数的 SVM分类器，应用核 函数将图像特征向量的7个特征元素映射到高维核空间。基 于核函数的SVM能使在低维数据空间线性不可分的样本数 据在高维核空间有较好的线性可分性。 SVM善于处理小样本情况下的训练数据。把经提取的 图像特征值作为训练数据，将训练数据输入到SVM中进行训 练，SVM的任务就是找到一个超平面能够分类这些训练数 据，使用最优化程序寻找作为分类边界的样本集，即“支撑向 量”。非线性SVM通过将线性不可分的输入数据投影到高维 特征空问，从而将数据在高维空间线性分开。 核函数有多种形式 ，本文选择径向基函数支撑向量机完 成实验，径向基函数表达式如下： K( ，Y)=exp(一y ll — ／2o- ) (15) SVM实现工具选用 LibSVM 2．86 13 J。 2．2 系统总体框图 提取反映拼接图像和原始图像差异的特征量后，采用 SVM进行训练和识别的方案总体如图4所示。 2．3 算法步骤 1)读入一个图像文件 ，同时得到其所属类别(未修改 = 一 1、已修改 =1)。 2)提取图像质量评价量。 ●J～量=日戛}1日戛 像量=征ll征=征 图价Ij特=特=特 维评=矩l1矩l1矩 第l2期 张震等：用统计特征量实现的图像拼接盲检测 3ll1 ①将图像分割为大小相等的4部分； ②利用式(1)～(7)分别提取各部分的图像质量评估量。 三 l 壁 堡塾 I H ： H 矩特征量的提取 卜j L_— ——二。 (a)训练过程 三 面。 l 壁 堡 l H鐾 H L 矩特征量的提取 卜J L。二== L。— 一 (b)预测过程 图4 系统的训练过程和预测过程 3)提取矩特征参数。 ①使用小波变换获得图像的各个子带，包括图像本身； ②计算每一个子带的直方图； ③对每个子带直方图进行 DFT变换，获得它们的特征函 数； ④利用式(11)计算矩特征； ⑤利用式(10)计算预测误差矩阵； ⑥对预测误差矩阵重复① ～④； ⑦计算图像的二维直方图； ⑧对二维直方图进行 2-D D n1，获得二维特征函数 ； ⑨利用式(13)、(14)计算边缘矩特征。 4)将图像进行2 x2，4×4，8×8，⋯， ×nBDCT，对所获 得二维矩阵取整 ，并重复 3)。 5)重复 1)～4)完成所有训练用和测试用图像特征参数 的提取。 6)送入 LibSVM，进行交叉验证，寻找训练模型时所需要 的最优参数。 7)根据 由训练用图像特征参数和步骤 6)得到的最优参 数建立 SVM模型。 8)利用7)获得的模型对测试用图像特征参数进行验证。 3 实验与分析 在算法具体的实现过程中，折中考虑算法开销与准确率， 对算法做了一些取舍，对相关方法或相关取值进行了如下限 定 ： 1)对图像进行小波变换时，本文使用了Haar小波，并且 只进行了单层小波分解 ，这样可能得到图像的4个子带，再包 括图像本身 ，则可获得 5个子带。 2)在使用式(11)、(13)、(14)计算矩特征和边缘矩特征 时，全部只计算最低的三阶矩。 3)在使用式(12)计算图像的 2阶直方 图时，(P，0)取 (1，0)，(1，一~r／2 )组合。 4)在对图像进行 MBDCT时只选用了 2 x 2，4×4，8×8 三种尺度。 5)在进行交叉验证 ，寻找最优参数时，选择 5倍交叉验 证。所谓5倍交叉验证，是指将样本均分为5份，每次将其中 的4份用于训练，剩余的 1份用于测试 ，循环进行。 6)在提取图像质量特征量时，Ⅳ取 4。 、 7)本实验共提取特征值196维，其中图像质量评价量4× 7=28维，矩特征4×42=168维。 实验数据来源于哥伦比亚大学图像拼接检验数据库。该 库共有图片 1 845幅，其中未经修改的图片 933幅，经过拼接 处理的 912幅。在实验 中，从原图像和经拼接处理过的图像 中各选取70％即1 291幅作为训练用图，其余的30％即554 幅图像进行测试，这里选取的70％的训练比例和30％的测试 比例与寻找SVM最优参数时的训练和测试的样本比例4：1是 不同的，这样选的目的是为了得到更高的检测准确率。实验 结果见图5、6和表 1。 Best lb(C)=5；lb( )=一7；accuracy=88 075 9％； C=32： =O．007 812 5。 1bfC) 图5 使用 LibSVM进行交叉验证的结果 False Positive Rate 图6 ROC曲线(AUC=0．947 3) 表 1 本文算法的识别率(70％训练，30％验证) 特征设定 实验结果 TN Rate／％ TP Rate／％ Accuracy／％ AUC 在图5中，不同灰度的线表示使用该参数集进行交叉验 证时的准确率，由图可见，当C=32， =0．0078125时，正确 率最高。从表1可见，采用本文所提出的模型和算法来进行 拼接图像的盲检测，识别率可高达 86．43％，超出文献[6j的 72％，文献[7]的80％和文献[8]的82％。 4 结语 本文利用图像拼接操作给图像带来的统计特性上的变 化，采用图像质量评价量和矩特征量对图像特征进行表征，详 细讨论了特征量的提取和算法模型的建立，通过支持 向量机 的训练和验证，对图像拼接操作进行了有效检测。实验结果 表明，本文所提出方法对图像拼接的检测具有很高的检测率， 与文献E6—8]中提到的方法相比，由于其形式简单，理论依 据充分，数学模型清晰，正确率更高，因此，本文所提出的基于 图像质量评价量和矩特征量的图像拼接盲检测模型和方法具 有广阔的应用前景。本文算法的特点：1)将图像质量评价量 (下转第3115页) ∞ 缸 第l2期 陈雁等：全色遥感图像中城区的快速模糊分割算法 3115 灰度线性关系的局部平稳性和相关性两个特征为依据，计算 时间开销小，模糊的方法也使得边缘的判别相对比较灵活。 表2给出以上三种方法在该图像上实验的结果统计，运 行环境是 ：Windows XP，Pentium 1．60 GHz，内存 512 MB。其 中，区域增长算法是以灰度 标准 excel标准偏差excel标准偏差函数exl标准差函数国标检验抽样标准表免费下载红头文件格式标准下载 偏差作为城 区特性描绘子的 城区分割结果；多尺度几何信息分割算法用线条数、线密度、 平均线长度、能量构成几何特征的特征向量。分割正确率是 正确分割的像素与应该分割的原始图像像素的比值，用百分 比表示；误分率是错误识别为城区的像素和应该分割的原始 图像像素的比值 ，用百分比表示。 表2 算法比较 由表 2可见 ，相对于以往的城区分割技术 ，本文算法在获 得足够高的分割正确率的情况下 ，分割速度比多尺度几何信 息算法提高了将近一倍，因而更适于海量遥感图像中城区的 快速分割。 5 结语 本文提出了一种基于贝叶斯准则 的城区快速分割算法。 算法分析了全色图像中城区的各种特性，选取了合适的特征 向量，根据模糊集理论，实现了全色图像中快速有效的城区分 割。实验结果表明，相较于传统的区域增长算法及多尺度几 何信息分割算法，本文的分割算法简单高效 ，结果准确 ，能够 为许多重要的遥感图像应用提供有效的支持。 参考文献 ： [1] SHACKELFORD A K，DAVIS C H．A combined fuzzy pixel—based and object-based approach for classification of high—resolution muhi— spectral data over urban areas[J]．IEEE Transactions on Geo—sci- ence and Remote Sensing，2003，41(10)：2354—2363． [2] 赵萍，冯学智，林广发．SPOT卫星影像居民地信息自动提取的 决策树方法研究[J]．遥感学报，2003，7(4)：309—315． [3] SOLBERG A H S，JAIN A K，TAXT T．Multi—source classification of remotely sensed data：Fusion of Land-sat TM and SAR images． 1J]．IEEE Transactions on Geo-science and Remote Sensing，1994， 32(4)：768—778． 【4] 何春阳，曹鑫，史培军，等．基于 Landsat7 ETM+全色数据纹理 和结构信息复合的城市建筑信息提取[J]．武汉大学学报：信息 科学版，2004，29(9)：800—804． [5] 王明远．空间对地观测技术导论[B]．北京：军事谊文出版社， 2002． [6] LI KAI，MULLER J-P．Segmenting satellite imagery：A region grow— ing scheme[C]／／IGARSS’91：Remote Sensing：Global Monitoring for Geoscience and Remote Sensing Symposium．Washington：IEEE， 1991，2：1075—1078． [7] 杨泽运，康家银，赵广东．利用 Quick Bird全色遥感影像更新城 市大比例尺地形图[J]．测绘工程，2005，14(2)：29—31． [8] 路威，张占睦．多尺度几何信息分割算法在居民的提取中的应用 [J]．信息工程大学学报，2003，4(2)：54—57—89． [9] 文贡坚，李德仁，叶芬．从卫星遥感全色图像中自动提取城市 目 标[J]．武汉大学学报：信息科学版，2003，28(2)：212—218． [10]GONZALEZ R C，WOODS R E．Digital Image Processing[M]． Beijing：Publishing House of Electronics Industry．2002． (上接第3111页) 引入到图像的盲取证上来，并通过筛选、分析、对比，提取了对 图像拼接操作较为敏感、计算复杂度较低的7个评价量；2)采 用图像质量评价量与矩特征量相结合的方法，通过图像特征 量的选取，建立了196维的检测模型，实现了对拼接图像的有 效检测，算法简明实用 ，识别率高。 参考文献： [1] Columbia DVMM Research Lab．Columbia image splicing detection evaluation dataset[DB／OL]_【2008—04—22]．http：／／www．ctr． columbia．edu／dwnm／downloads／AuthSplicedDataSet／dlform ． htnd． [2] FRIDRICH J，SOUKAL D，LUKAS J．Detection 0f coDv—m0ve for． gery in digital images[C／OL]／／DFRWS 2003：Proceedings of Dig． ital Forensic Research Workshop， Cleveland OH，USA 2003『2008 — 05一O3]．http：／／www．ws．binghamton．edu／fridrich／Rescatch／ copymove．pdf． [31 MAHDIAN B，SAIC S．Detection of copy—lnove forgery using a method based on blur nloment invm~ants『J1．Forensic Science In— ternational，2007，171(2／3)：180—189． 【4】 JOHNSON M K，FARID H_Exposing digital forgeries by detecting inconsistencies in lighting[C]／／Proceeding of ACM Multimedia and Security Workshop．New York：ACM．2005：1—9 ． [5] NG T—T，CHANG S-F，SUN Q．Blind detection of photombntage l】一 sing higher order statistics[C]／／ISCAS 0^4：Proceedings of the 2004 International Symposium on Circuits and Systems ． Washing— ton：IEEE，2004，5：688—691． [6] NG T—T，CHANG S-F．A model for image splicing[C]／／IEEE In- ternational Conference on Image Processing． Washington： IEEE， 20【J4．2：1169—1172． [7] FU D，SHI Y Q，su w．Detection of image splicing based on Hil一 ．bert—Huang transfolzn and inoments of characteristic functions with wavelei deeompOSlfion[C]／／Proceeding of 5th International Work— shop on Digital Watermarking，LNCS 4283．Berlin：Springer—Ver- lag，2006：177—187 ． [8] CHEN W，SHI Y Q，SU W．Image splicing detection using 2-D phase congruency and statistical moments of characteristic function [C]／／Security，Stegaimgraphy and Watermarking of Muhimedia Contents IX：Proceeding of SPIE 6505． San Jose， CA，USA： SPIE，2007：65050R． [9] AVCIBAS I，SANKUR B，SAYOOD K．Statistical analysis of image quality measures[J]．Joumal of Electronic Imaging，2002，1 1 f 4)： 206—223． [10】 AVCIBAS I，MEMON N，SANKURE B．Steganatysis using image quality metrics[J]．IEEE Transactions o13l Image Processing， 2003，12(2)：221～229． [11] SHI Y Q，CHEN C H，CHEN W．A natural image model approach to splicing detection[C]／／International Multimedia Conference： Proceedings of the 9th workshop Oil Multimedia and Security．New York：ACM，2007 ：51—62． [12] FARID H，LYU S．Higher—order wavelet statistics and their appli— cation to digital forensics[C]／／IEEE Workshop on Statistical A— nalysis in Computer Vision．Washington：[EEE。2003：5～9． [13】 CHANG C C，LIN C J．LIBSVM：A library for support vector ma— chines[CP／OU．[2008一O4—06]．http：／ ／ww~N．csie．ntu．edu． tw／ ～cjlin／libsvm／ ．