深度卷积神经网络在双JPEG检测中的应用及性能评估

基于深度卷积神经网络的混合JPEG质量因子中的双JPEG检测Jinseok Park1，Donghyeon Cho2，Wonhyuk Ahn1，Heung-Kyu Lee11 2计算机学院电气工程，韩国高等科学技术研究院（KAIST）jspark@mmc.kaist.ac.kr，cdh12242@gmail.com，whahnize@kaist.ac.kr，heunglee@kaist.ac.kr（通讯作者）抽象。 双JPEG检测是必不可少的检测各种图像处理。 本文提出了一种新的深度卷积神经网络，用于双重JPEG检测，使用每个块的统计直方图特征和矢量化量化表。与以前的方法相比，所提出的方法处理混合JPEG质量因子，适合于现实世界的情况。 我们从图像取证服务中收集了真实世界的JPEG图像，并生成了一个新的双JPEG数据集，其中包含1120个量化表来训练网络。所提出的方法进行了实验验证，以产生一个国家的最先进的性能，成功地检测各种图像操作。关键词：图像取证，图像处理，伪图像，双JPEG，卷积神经网络1介绍随着数码相机和相关技术的发展，数字图像可以从任何地方拍摄、在线发布或通过各种社交网络服务直接发送给朋友人们倾向于认为所有这些立即发布的数字图像都是真实的，但许多图像都是假的，是由Photoshop等图像编辑程序生成的。图像处理很容易，但可能会产生重大影响。图中左边的两幅图像。图1显示了正常和拼接的图像，这意味着可能在某处存在不相关的人。用肉眼很难判断拼接后的图像是否真实。这种人为创造的图像传播了扭曲的信息，并可能造成各种社会影响。例如，政治家和艺人特别容易受到图像操纵的影响，人们可以使用合成图像来破坏他们的声誉。图中右边的两幅图像。1示出了另一个操纵示例。图像的特定区域被不同的颜色所取代，这给原始图像带来了因此，图像操纵可以应用于任何图像，并且不容易在视觉上认证图像研究人员一直在开发图像取证2Jinseok Park、Donghyeon Cho、Wonhyuk Ahn和Heung-Kyu Lee(a) 正常（b）操纵（c）正常（d）操纵图1.一、图像处理的两个示例左边的两个图像显示正常图像和拼接图像。从另一个图像中提取一个士兵并粘贴到正常图像中。右边的两个图像显示正常和颜色修改后的图像。一些郁金香的颜色已经改变了。技术多年来区分假图像，以克服这些问题，并恢复数字图像的可信度[1，2]。图像取证技术分为两类。第一种类型以特定操作为目标并检测它。许多研究已经开发了各种操作的检测方法，例如拼接[3-7]，复制移动[8-11]，颜色修改[12，13]和面部变形[14]。基于这些操作类型的检测技术非常适合于其中已经应用了目标操纵的特定情况。然而，它们不能被普遍应用，因为除了所考虑的那些之外，还有许多图像变换，并且图像经常受到多个操作的影响，其中操作的顺序也很重要。第二种方法检测当通过数码相机捕获图像时发生的剩余痕迹。在数字图像处理中，光线通过照相机镜头和多个滤光器，并影响捕获阵列以产生电子存储的像素值。因此，图像包括具有共同特性的迹线。已经提出了几种图像操纵检测方法来检测这样的痕迹[15-使用图像采集迹线的图像取证技术具有它们可以通常应用于各种图像操纵的优点然而，该方法几乎不可能在真实的图像分发环境中使用。尽管在未压缩的图像中各种痕迹是明显的，但它们都是高频信号。大多数数字图像在拍摄时立即被JPEG压缩，或者在在线上传时被压缩，这消除或修改了图像中的高频信号。尽管JPEG压缩去除了许多细微的痕迹，但是量化（JPEG压缩过程的基本部分）也留下痕迹，并且已经提出了使用这些痕迹来检测图像操纵的方法。由于JPEG是有损压缩，因此图像数据在单图像压缩和双图像压缩之间不同它们强烈地依赖于压缩质量设置）[23]。混合JPEG质量因子3Lukas等人表明，第一压缩量化表可以在一定程度上从双重压缩的JPEG图像中估计出来，并用于检测图像操纵[24]。随后提出了各种双JPEG检测方法然而，现有的双JPEG检测方法只考虑特定情况，而不是一个通用的解决方案。因此，本文提出了检测双重JPEG压缩的混合质量因素，以检测图像操作的一般情况下这些贡献可归纳如下。1)我们创建了一个新的双重JPEG数据集，适合于实际情况的基础上，从两年的图像取证服务获得的JPEG图像。2）我们提出了一种新的深度卷积神经网络（CNN或ConvNet）结构，可以在混合质量因素条件下以高精度区分单JPEG块和双JPEG块。3)我们表明，所提出的系统可以检测到各种图像操作的情况下，在现实世界中类似的。2相关工作本节介绍当前的双JPEG方法并描述其局限性。早期双JPEG检测：早期双JPEG检测方法从离散余弦变换（DCT）系数中提取手工特征，以区分单JPEG图像和双JPEG图像。Fu等人发现Benford的规则可用于J P E G c o e ffi i et，并且需要使用大量的数据Li等人提出了一种通过分析第一数量的DCT系数来检测双JPEG图像的方法[26]。与之前使用整个图像评估双重JPEG的方法相反，Lin等人。提出了一种从每个块的DCT系数中检测图像操纵的方法[27]，以及Farid等人。提出了一种通过JPEG重影提取检测部分图像操作的方法[28]。这些方法利用的事实，操作JPEG图像具有不同的特征，每个块。图2示出了一些块如何跨经操纵的图像是单JPEG或双JPEG。JPEG压缩以8× 8块为单位进行量化。如果第一和第二量化表不同，则相应的DCT系数的分布不同于压缩一次的JPEG的DCT系数的分布当在改变JPEG图像的特定区域的值之后将图像保存为JPEG格式时，该区域中的DCT系数的分布变得类似于单个JPEG的DCT系数。这是因为，当改变区域的像素时，已经存在的DCT系数的量化间隔消失。Bianchi等人研究了各种双JPEG块检测方面，并提出了一种基于分析DCT系数的图像操作检测方法[29]。他们还发现，双重JPEG效果可以分为两种情况，对齐和非对齐[30]。Chen等人表明周期性4Jinseok Park、Donghyeon Cho、Wonhyuk Ahn和Heung-Kyu Lee图二、图像篡改的检测采用双JPEG检测算法。普通图像通常具有量化表1（Q1）的单一JPEG特性。如果利用量化表2（Q2）操纵和再压缩普通图像相比之下，另一部分具有双重压缩特性。通过对JPEG单块和双块图像的分割，可以发现可疑模式出现在双JPEG空间和频率域中，并提出了基于这种效果的图像操纵检测方法[31]。使用ConvNets进行双重JPEG检测：最近提出了两种基于神经网络的方法，以提高当前手工制作的基于特征的双重JPEG检测性能。Wang等人展示了使用ConvNets可以检测到双JPEG块。他们通过实验证明，当从DCT系数中提取直方图特征后将其插入网络时，CNN可以高精度地区分单个和双JPEG块[32]。随后，Barni et al.发现当CNN将噪声信号或直方图特征作为输入时，ConvNets可以高精度地检测双JPEG块[33]。当前双JPEG检测方法的局限性：虽然双重JPEG检测性能有了很大的提高，但目前的检测方法在实际图像处理环境中的应用有很大的缺点。当前的方法只能对特定的JPEG质量因子状态执行双JPEG检测，例如在第一JPEG质量（Q1）为90且第二JPEG质量（Q2）为80的情况下。然而，实际的分布式JPEG图像可以具有非常不同的特性，具有非常多样化的JPEG质量参数的混合。图像是JPEG压缩的，其不仅使用标准量化因子（SQ），而且还使用压缩算法的JPEG量化因子3真实世界的操纵图像我们已经运营了两年的公共取证网站，以提供确定图像真实性的工具。因此，我们可以表征真实世界的操纵图像。本节介绍了所需图像的特征以及用于生成新数据集的方法，该数据集用于开发通用双JPEG检测算法。混合JPEG质量因子5表1.通过法医网站对两年来所请求的图像进行汇总。77.95%的图像为JPEG格式，41.77%的图像为非标准量化表。Q表示品质因数。每个Q对应于不同的量化表。的图像127,874操作类型和区域未知文件类型JPG（+JPEG）PNGBMPTIF（+TIFF）百分比（%）77.9520.671.210.18JPEG质量类型标准Q（0-100）非标准Q百分比（%）58.2241.77Q类型11703.1请求的图像表1显示了在两年时间里，总共要求检查127，874张图像的真实性。对 请 求 的 图 像 数 据 进 行 分 析 后 发 现 ， JPEG 格 式 的 请 求 量 最 大（77.95%），其次是PNG（20.67%）。JPEG图像：如上所述，JPEG压缩使用预定义的8× 8 JPEG量化表量化DCT系数以前的研究假设所有JPEG图像都是用标准质量因子压缩的，但即使是最流行的图像编辑程序Photoshop也不使用标准质量因子。相反，Photoshop使用不包括标准质量因子的12步量化表在取证网站的99，677张JPEG图像中，只有58.22%的图像具有从0到100的标准质量因子，其中41.78%使用非标准量化表。总共识别了1170个量化表，包括101个不同的标准量化表。3.2生成新数据集我们使用从99，677张收集的JPEG图像中提取的收集的量化表生成大小为256× 256的单JPEG块和双JPEG块1。 由于标准质量因子小于50的图像严重退化，我们只考虑标准质量因子从51到100;也就是说，我们使用总共1120个量化表来创建压缩图像。由于不知道所收集的JPEG图像是以什么状态加载的，因此它们不能直接用于生成数据集。为此我们在三个原始图像数据集[34-36]中使用了来自15种不同相机型号的18，946张RAW图像，并将图像分割成总共570，215个块。该方法通过随机选择量化表对每个RAW块进行压缩，得到单JPEG块，并得到双JPEG块通过用另一随机量化表进一步压缩与现有双JPEG数据集的比较：目前的双JPEG检测方法是从非常有限的范围内生成的数据开发的1https://sites.google.com/view/jspark/home/djpeg6Jinseok Park、Donghyeon Cho、Wonhyuk Ahn和Heung-Kyu Lee图3.第三章。一种区分单JPEG块和双JPEG块的网络架构该块在Y通道的DCT域中进行变换，并且其直方图特征被转发到网络。来自JPEG标头的量化表与全连接层级联。从50到100的JPEG质量因子，具有预定义的第一质量因子，而不是混合质量因子。相比之下，我们创建的双JPEG数据集与以前的数据集不同，如下所示。– 我们从实际请求的图像中收集了1120个不同的量化表– 使用1120个量化表压缩图像– 通过混合所有质量因子生成数据。4双JPEG块检测本节介绍了使用CNN的新的双JPEG块检测方法，并描述了图像中操作区域的检测。4.1架构建议的CNN以直方图特征和量化表作为输入。我们首先解释如何构建输入数据，然后提供CNN的细节。直方图特征：由于JPEG压缩改变了每个块的统计特性而不是整个图像的语义信息，因此采用DCT系数统计特性而不是RGB图像作为CNN输入[33]。混合JPEG质量因子7图3示出了RGB块如何被转换成直方图特征。将RGB块转换到YCbCr颜色空间，并为每个8× 8块计算Y通道的DCT系数因此，DCT系数具有与RGB块相同的大小，并且在水平和垂直方向上为跳过8的每个位置保存频率信息这与JPEG压缩相同。然后，我们针对每个通道收集具有相同频率分量的数据D通道的总数为64（一个DC通道和63个AC通道），其中每个通道由DC表示。从Y计算D的过程可以在如下的单个卷积（步幅为8）操作中完成：D=conv8（Y，B），（1）其中B是8× 8 DCT基函数的8× 8×64矩阵集。与输入块相比，D具有1/ 8的宽度和高度（分别为NW和NH64个频道。因此，D的大小为32×32 ×64。在计算D之后，我们从每个通道提取直方图特征所选的直方图特征是每个通道中的值相对于总数据量的百分比，其中我们将直方图范围设置为b= [-60，60]，这是通过实验确定的，以提供最佳性能。为了提取直方图特征，我们首先从Dc中减去b，并在乘以γ后应用sigmoid函数，如果每个Dc−b为正，则提供足够大的正值，如果每个Dc−b为负，则提供足够大的负值因此，我们设置γ= 106。因此，我们认为，Sc，b=sigmoid（γ*（Dc−b）），（2）其中Sc，b具有与Dc相同的宽度和高度，并且Sc，b的每个值接近于零或一。然后，我们通过对Sc，b求平均值来计算ac，b，并为所有b生成H特征和C，和ac，b=W1ΣNHΣNW*NHi=1j =1Sc，b（i，j），（3）H={h|hc，b= ac，b+1−ac，b， c，b}，（4）其中H是二维的|C|× |B|H的每个raw是DCT系数的通道c的直方图。这个操作不是学习的一部分，因为没有权重，而是作为端到端学习的网络操作来实现量化表：JPEG图像文件的头部以8 × 8矩阵的形式存在于量化表中，用于DCT系数的量化和解量化。量化表信息不需要常规的双JPEG检测，因为JPEG质量因子是N8Jinseok Park、Donghyeon Cho、Wonhyuk Ahn和Heung-Kyu Lee见图4。在JPEG图像中检测操作区域的过程。通过滑动窗口，通过检测单个和双JPEG块来识别操作区域。通常固定。然而，本文考虑混合JPEG质量因素;因此，量化表将有助于单JPEG和双JPEG评估。对于双JPEG图像，仅第二量化表存储在文件中。为了将量化表输入到网络中，我们将其重塑为一个向量，然后将该向量与最后一个最大池化层和两个全连接层的激活合并，如图所示3（右块）。通过包含量化表信息，网络区分单块和双块JPEG块的能力得到了深度ConvNet：深度ConvNet接收直方图特征和量化表输入，并评估相应的数据是单JPEG压缩还是双JPEG压缩。该网络由四个卷积层，三个最大池化层和三个全连接层组成，如图所示。3（右块）。量化表向量与最后的最大池化层和两个全连接层激活组合。最终的网络输出是一个2× 1向量y，其中对于单个块y= [1; 0]，对于双块y损失L由交叉熵计算，ey0ey 1L=−（1−p）*log（ey0+ey1）−p*log（ey0+ey1），（5）其中，如果输入数据是单JPEG，则p= 0，并且对于双JPEG，p =4.2操纵区域检测如图所示。2，当JPEG图像的特定部分被操作然后再次存储为JPEG时，特定区域具有单个JPEG块属性，而另一区域具有双JPEG块属性。利用这一原理，为了找到被操纵的区域，我们使用滑动窗口从整个图像中提取块，并确定该块是否是单个块混合JPEG质量因子9或使用训练的深度ConvNet进行双重压缩，如图所示。4.在8 × 8块单元中进行了8块单元的组合工艺因此，压缩轨迹与8× 8块对齐，如果我们随机提取块，它们将具有不同的属性。设y（i，j）是位置（i，j）的输入块的网络输出，则.ey 0（i，j）ΣR=r|ri，j=ey0（i，j）+ey1（i，j），i，j、（6）其中r是块被压缩一次的概率。R可以被可视化，并且其中一些区域表现为单压缩，而其他区域表现为双压缩，只有单压缩部分被操纵。5实验本节比较了使用几种最先进的方法检测双JPEG块的分类精度，并比较了检测操纵图像的结果。5.1与最新技术水平的我们将双JPEG块检测分为三个部分：首先，使用VGGNet [37]的双JPEG检测，其在许多计算机视觉应用中显示出良好的性能;第二，Wang [32]和Barni [33]专门用于双JPEG检测的两个网络;第三，所提出的网络的检测结果。使用第3节中生成的数据集进行实验，包括1，026，387个用于训练的块和114，043个用于测试的块所有实验都使用TensorFlow 1.5.0和GeForce GTX 1080进行，初始学习率为0.001，使用Adam优化器。VGG-16 Net：表2，第1部分显示了VGG-16 Net直接使用RGB块来区分单个和双JPEG块的检测性能。VGG-16 Net先前在对象类别分类方面表现出良好的性能这是因为在检测双重JPEG时需要区分DCT系数的统计特征，而VGG-16 Net使用的是语义信息，而不是DCT系数的统计特征。使用直方图特征的网络：已经提出了两种方法与CNN和直方图特征来区分双重JPEG。Wang等人提出了来自九个DCT通道的DCT值[-5，5]的直方图特征，包括两个一维卷积层，两个最大池化层和三个全连接层。Barni等人我也使用了直方图特征，但网络在ConvNets中计算直方图特征，收集DCT值[-50，50]10Jinseok Park、Donghyeon Cho、Wonhyuk Ahn和Heung-Kyu Lee表2.双JPEG检测ConvNets之间的性能比较。所提出的方法的所有变体都优于以前的网络。ACC、TPR和TNR分别表示准确度、真阳性率和真阴性率，并且阳性意味着将块分类为双JPEG。每个零件精度最高的网络以红色突出显示。方法类型ACC（%）TPR（%）TNR（%）VGG-16 [37]RGB像素50.0000.00100.00王[32]范围- [−5，5]73.0567.7478.37巴尼[33]范围- [−50，50]83.4777.4789.43范围- [−60，60]84.4678.3590.53范围- [−70，70]82.8775.8089.90范围- [−80，80]83.9076.4191.39范围- [−90，90]83.4475.6591.19范围- [−100，100]82.3079.6484.92提出上次转换输出89.8986.9592.81（+ Q表）第一个FC输出89.9583.7396.15第二FC输出86.7982.9090.67所有三个输出90.3784.8495.88提出4个卷积层91.8387.1696.50（卷积层数量）5个卷积层91.3390.1992.436个卷积层91.7285.9396.107个conv层91.0285.9396.10拟议 *优化92.7690.9094.59来自64个DCT通道，并且包括三个卷积层、三个最大池化层和三个全连接层。表2的第2部分和第3部分显示，Wang和Barni网络分别以73.05%和83.47%的准确率对单个或双JPEG块进行分类。Barni方法在更宽的范围内提取直方图;因此，由于网络层的数量更多，它的性能提高了10%以上与VGG-16 Net结果相比，使用具有统计特征的直方图进行双重JPEG检测是至关重要的。使用Barni网络进行了额外的实验，以研究准确度如何随直方图范围而变化。我们尝试将直方图范围增加到[-100，100]，但我们发现如果范围超过[-60，60]，准确性会降低基于这种现象，估计大多数DCT系数小于60。拟议网络：建议的网络最重要的一点是以在神经网络中包括量化表信息。我们约束网络结构以匹配具有[-60，60]直方图范围的Barni网络，并在三个不同位置插入量化表信息以确定最佳插入点：最终卷积层、第一全连接层和第二全连接层的每个输出，如表2第4部分所示。即使只插入量化表，准确率也比Barni网络高5.43%、5.52%和2.33%。混合JPEG质量因子11根据插入点有一个[-60，60]直方图范围网络。我们还将量化表插入到所有三个位置，如表2第4部分的最后一行所示，产生最佳准确度（90.37%）。表2第5部分根据卷积层深度比较了所提出的网络性能。由于之前的网络使用了三个卷积层，我们将深度从四层增加到七层。将卷积层的数量增加到四个提供了准确性的显着增加（1.46%的改进），但是对于五个或更多个层没有随后的显着改进，因为直方图特征已经充分压缩了统计数据特征。最终的最优网络有四个5 × 5卷积层，三个最大池化层和三个全连接层，如图所示。3.量化表信息与最后一个最大池化层的输出、第一全连接层的输出和第二全连接层的输出组合。所有卷积层都使用批量归一化[38]。优化网络达到92.76%的准确度，如表2第6部分所示5.2操纵区域检测本节示出了使用所提出的网络的图像操纵检测的结果。实验中使用的14个图像按以下顺序操作首先，我们使用1120个不同的随机选择的量化表生成单个JPEG图像其次，我们使用Photoshop通过拼接、复制移动、颜色改变、亮度改变、插值、模糊和重新调整大小来操纵图像第三，我们使用除了第一个之外的不同的随机选择的量化表来保存操纵的图像所有操作区域检测实验在32步中进行。复制-移动和拼接操作的结果：图5示出了复制-移动和拼接操作的六个结果。顶部两行示出了复制-移动操作和检测结果。通过复制图像中的窗户和樱花，然后将它们粘贴到同一图像中的另一个位置，制作了两个操纵图像因为复制-移动操作在同一图像内执行，所以自然操纵是可能的。提出的网络发现单个JPEG块接近地面真相;然而，Barni网络错误地将许多双JPEG块检测为单个JPEG块。底部四行显示拼接操作和检测结果。拼接是最重要的检测操作之一，因为它可以完全改变图像的含义我们将四个人粘贴到四张与他们无关的图像中，并对对象边缘应用模糊滤镜。所提出的网络正确地检测到四个被操纵的区域，但是Barni网络仅检测到一个区域。局部操作的结果：图6示出了局部操纵的六个结果。操作图像的前三行通过颜色变换来获得12Jinseok Park、Donghyeon Cho、Wonhyuk Ahn和Heung-Kyu Lee(a) 正常（b）操纵（c）GT（d）拟议（e）Barni图五.复制-移动和图像拼接检测的示例。(a)和（b）是正常和操纵的图像，（c）是地面实况，（d）是所提出的网络的结果，以及（e）是Barni网络的结果上面两行图像显示了复制-移动操作。底部第四行图像显示图像拼接操作。形成和改变亮度。通过改变郁金香、房屋和汽车的颜色，每个图像都变成了具有完全不同信息在郁金香图像的情况下，所提出的网络正确地找到了单个JPEG区域，而Barni网络确定所有区域都是单个JPEG。所提出的网络表现出更好的性能为第二和第三个操纵的图像。我们使用内容感知插入器擦除了建筑物中的横幅照片，并将其重新设置。Barninetwork区分了一些操作区域，但存在许多假阴性。另一方面，所提出的网络检测单个JPEG区域具有更高的准确性。F-测量：为了在数值上比较操作区域检测能力，我们对两种操作进行了定量实验混合JPEG质量因子13(a)正常（b）操纵（c）GT（d）拟议（e）Barni见图6。局部操纵检测的示例。(a)和（b）是正常和操纵的图像，（c）是地面实况，（d）是所提出的网络的结果，以及(e)是巴尼网络的结果顶部第三行图像经历颜色变化，并且底部第三行图像通过其他局部操作而变化和模糊。我们使用原始图像数据集为每次操作生成了2100张大小为1024× 1024的图像在复制-移动操作的情况下，将随机位置中的544×在模糊操作的情况下，模糊过滤器（σ=2）应用于图像中随机位置的544×544区域。以相同的方式使用1120个量化表执行JPEG压缩作为14个代表性操作图像。表3示出了复制-移动和模糊操纵的检测结果（F-测量）。建议的网络是约0.12高于Barni网络。故障结果及分析：在一些情况下，未正确检测操纵区域。图2的第二行图5显示了所提出的网络和Barni网络都具有假阴性，因为天空中的像素值饱和并且仅存在低频。另外，如果单JPEG质量和双JPEG质量相同或几乎没有差别，14Jinseok Park、Donghyeon Cho、Wonhyuk Ahn和Heung-Kyu Lee表3.F-措施，分别使用建议的网络和Barni网络的两个操作提出巴尼[33]复制-移动（F-测量）0.75950.6323模糊（F-测度）0.77830.6450(a)（b）GT（c）SQ-90/90（d）SQ-90/91（e）SQ-90/95见图7。根据改变第二品质因子的检测结果。(a)是通过改变鸟的颜色而操纵的图像，（b）是地面实况，以及（c）-(e)是根据每个质量因子生成的图像的检测结果无法探测到操作区域。由于单个JPEG块和双JPEG块的DCT系数几乎相同，因此网络无法区分这两类。图图7示出了根据改变第二质量因子（标准质量因子）的检测结果虽然它是不可能检测到相同的质量因子的图像操作，随着质量因子的差异增加，所提出的网络可以检测到的操纵区域。6结论目前的双JPEG检测方法只能在非常有限的情况下工作，不能应用于实际情况。为了克服这一限制，我们使用JPEG量化表从实际的法医图像中创建了一个新的数据集，并设计了一个新的深度CNN，用于使用每个块的统计直方图特征进行双JPEG检测，我们还证明了该网络可以检测各种混合JPEG质量因子的操作。确认这项工作得到了韩国政府（MSIP）资助的信息通信技术促进研究所（IITP）资助（2017-0-01671，开发用于智能媒体环境的高可靠性图像和视频认证服务）。引用1. Piva，A.： 图像取证概述。 ISRN信号处理2013（2013）混合JPEG质量因子152. Stamm ， M.C. ， 吴 ， M. ， Liu ， K.R. ： 信 息 取 证 ： 第 一 部 分 概 述 。IEEEAccess1（2013）1673. 石玉琴，陈春，Chen，W.：一种自然图像模型的拼接检测方法第第九届多媒体安全研讨会论文集，ACM（2007）514. 陈伟，石玉琴，Su，W.： 基于二维相位一致性的特征函数的统计矩在：安全，隐写术，多媒体内容和水印IX。第6505国际光学与光子学学会（2007）65050R5. Cozzolino，D.，Poggi，G. Verdoliva，L.： Splicebuster：一种新的图像盲拼接方法检 测 器 In ： Information Forensics and Security （ WIFS ） ， 2015 IEEEInternationalWorkshopon，IEEE（2015）16. Rao，Y.，Ni，J.：一种用于检测拼接和复制移动的深度学习方法图像中的伪造In：Information Forensics and Security（WIFS），2016IEEEInternationalWorkshopon，IEEE（2016）17. 陈春，McCloskey，S.，Yu，J.：经由相机响应的图像拼接检测功能分析In：Proceedings of the IEEE Conference on Computer VisionandPatternRecognition. （2017）50878. F ri d ri ch，A. J. 所以，B。D. ，Luka´s，A. J. ：在设计中确定复制移动图像.数字取证研究研讨会论文集，Citeseer（2003）9. Ryu，S.J.，Lee M.J.Lee，H.K.：基于zernike模型的复制-旋转-移动伪造检测。In：Inter natinalWor kshoponIn nfr matinHiding，Spr inger（2010）5110. 李杰，Li，X.，Yang，B.，太阳，X.： 基于分割的图像复制-移动伪造检测方案IEEE Transactions on Information Forensics and Security 10（3）（2015）50711. 周志，王玉，Wu，Q.J.，Yang，C.N.，太阳，X.：有效和高效的全球用于图像复制检测的上下文验证。IEEE Transactions onInformationForensicandSecurity12（1）（2017）4812. Choi C.H.Lee，H.Y.，Lee，H.K.：数字图像中颜色修改的估计通过电子邮件发送。Forensicscienceinter natinal226（1-3）（20 13）9413. 侯 ， J.U. ， Lee ， H.K. ： 使 用 光 响 应 非 均 匀 性 检 测 色 调 修 改 。 IEEETransactions on Circuits and Systems for Video Technology 27（8）（2017）182614. Zhou，P.，Han，X.Morariu，V.I.，Davis，L.S.：双流神经网络篡改人脸检测在：2017年IEEE计算机视觉和并行计算会议（CVPRW）上。 IEEE. （2017）183115. Swaminathan，A.，吴，M.，Liu，K.R.：数字图像取证通过内在的鳍-指纹IEEE Transactions on Information Forensics and Security 3（1）（2008）10116. 曹，H.，科特，A.C.： 数字图像鉴证科IEEE Transactions on Information Forensics and Security 4（4）（2009）89917. Stamm，M.C.，Liu，K.R.：基于统计的图像篡改的法医学检测内在指纹 IEEE信息取证与安全5（3）（2010）49218. Popescu，A.C.，Farid，H.：在彩色滤光片阵列内插图像中揭露数字伪造。IEEETRANSACTIONSONSIGNALPROCESSING53（10）（2005）394819. Ferrara，P.Bianchi，T.，De Rosa，A.，Piva，A.：图像伪造定位CFA伪像的细粒度分析。IEEE Transactions on InformationForensicsandSecurity7（5）（2012）156616Jinseok Park、Donghyeon Cho、Wonhyuk Ahn和Heung-Kyu Lee20. Popescu，A.C.，Farid，H.：通过检测重采样的痕迹来揭露数字伪造。《刑事诉讼法》第53（2）（2005）758- 767条21. Kirchner，M.，Gloe，T.：重压缩图像中的恢复检测。信息取证与安全，2009年。WIFS 2009。第一届IEEE国际研讨会，IEEE（2009）2122. Mahdian，B.，Saic，S.：利用内插周期性的盲认证。IEEE Transactionson Information Forensics and Security 3（3）（2008）52923. Pennebaker，W.B.，Mitchell，J.L.：JPEG：静止图像数据压缩标准。02The Dog（1992）24. Luk'aˇs，J.， Fridrich，J. ：基本要求的结构化信息存储在有限的组件中。In：Pr oc. DigitalForensicResar chWorkshop。（2003年）525. Fu，D. ，Shi，Y. 问： Su，W. 本文主要介绍了图像取证中的图像取证算法及其应用。在：安全，隐写术，多媒体内容和水印IX。第6505卷国际光学与光子学会（2007）65051L26. 李，B.，石玉琴，Huang，J.：基于模式首位特征的二次压缩jpeg图像检测 。 In ： Multimedia Signal Processing ， 2008 IEEE 10thWorkshopon ， I（2008）73027. 林芝，他，J.，唐，X.，Tang，C.K.：基于dct系数分析的快速、自动、细粒度jpeg图像篡改检测。模式识别42（11）（2009）249228. Farid ， H. ： 从 jpeg 幽 灵 中 揭 露 数 字 伪 造 品 。 IEEE TransactionsoninFormalTechnology on ForenSICandSECurity4（1）（2009）15429. Bianchi，T.，Piva，A.：非对齐双jpeg伪影在图像伪造局部化中的分析。In：Information Forensics and Security（WIFS），2011年，《信息取证与安全》（2011年），第1- 6页30. Bianchi，T.，De Rosa，A.，Piva，A.：改进的dct系数分析在jpeg图像伪造定位中的应用。In：Acoustics，Speech and Signal Processing（ICASSP），2011IEE EInternationalConferenceon，I（2011）244431. 陈耀麟，字耀麟，香港实业家，许总：通过压缩伪影的周期性分析检测jpeg 图 像 的 再 压 缩 以 进 行 篡 改 检 测 。 IEEETransactionsonInFormalIntonForensicandSecurity6（2）（2011）39632. 王建奎，Zhang，R.：基于卷积神经网络的双jpeg压缩取证。EURASIPJournal on Information Security 2016（1）（2016）2333. Barni ， M. ， 邦 迪 湖 Bonettini ， N. ， Bestagini ， P. ， Costanzo ， A. ，Maggini，M.，Tondi，B.，Tubaro，S.：使用卷积神经网络的对齐和非对齐双jpeg检测。视觉传达和图像表现杂志49（2017）15334. Dang-Nguyen，D.T.，帕斯奎尼角Conotter，V. Boato，G.：Raise：用于数字图 像 取 证 的 原 始 图 像 数 据 集 。 In ： Proceedings of the 6th ACMMultimediaSystemsC〇nference，ACM（2015）21935. Gl oe，T.， 博梅河：所获得的数据库可用于对信息进行优化设计。J〇urnal〇fDigitalForernsicPractice3（2-4）（2010）15036. Bas ，P. ， 菲尔， T.， 你好 ，T 。 ：breakorstegano g h a n og a n ogassstem：组织老板的优点和缺点。信息隐藏国际研讨会，Springer（2011）5 9-7037. 西蒙尼扬，K.，齐瑟曼，A.：用于大规模图像识别的深度卷积网络。ArXiv预印本arXiv：1409.1556（2014）混合JPEG质量因子1738. Ioffe，S.，Szegedy，C.：批次标准化：通过减少内部协变量偏移来加速深度网络训练。国际机器学习会议。（2015）44 8