一、引言過(guò)去10年中，數(shù)字圖像在日常生活中越發(fā)流行。和傳統(tǒng)文本內(nèi)容相比，圖像更加直觀并能傳遞更多信息。盡管數(shù)字圖像帶來(lái)了很多好處，但是它也在一些方面帶來(lái)了嚴(yán)重的安全問(wèn)題，即如何檢測(cè)數(shù)字圖像的真實(shí)性，以及如何發(fā)現(xiàn)惡意修改。隨著圖像處理軟件的進(jìn)步，篡改圖片而不留下視覺(jué)上可辨的痕跡更加容易，這使得上述問(wèn)題更具挑戰(zhàn)性。為了精確并魯棒地鑒定圖像內(nèi)容和發(fā)現(xiàn)圖像造假，研究者已經(jīng)提出了多種數(shù)字圖像取證方法。一般而言，這些方法可分為兩大類：主動(dòng)方法和被動(dòng)方法。主動(dòng)取證方法通常通過(guò)設(shè)計(jì)各種水印或指紋，并將它們嵌入數(shù)字圖像。在鑒定階段，提取先前嵌入的水印或指紋，并用來(lái)檢測(cè)判斷原圖是否被篡改。如果被篡改，則確定篡改位置在何處。這種主動(dòng)方法能夠精確探測(cè)數(shù)字圖像的篡改，但是這些方法并未被廣泛應(yīng)用。其主要原因在于不可能事先對(duì)所有互聯(lián)網(wǎng)上的圖像進(jìn)行水印處理。因此，更多的人選擇被動(dòng)取證方法。通過(guò)分析圖像生成/修改階段所留下的特定線索或模式，能夠發(fā)現(xiàn)圖像造假。和主動(dòng)取證方法相比，被動(dòng)取證方法不依賴先驗(yàn)或預(yù)設(shè)信息，在圖像取證領(lǐng)域中應(yīng)用范圍更廣。在被動(dòng)數(shù)字圖像取證中，多種痕跡被用來(lái)區(qū)別篡改圖像和原始圖像。本文中，我們將這些痕跡分為3類：采集痕跡、存儲(chǔ)痕跡和編輯痕跡。對(duì)每一種痕跡，我們將簡(jiǎn)要回顧對(duì)應(yīng)的被動(dòng)數(shù)字取證方法，并著重澄清如下問(wèn)題：?這些痕跡是什么？它們?nèi)绾涡纬桑?圖像取證中相關(guān)的最新方法是什么？?為什么這些方法能夠探測(cè)特定的痕跡？本文的組織如下：第2~4節(jié)，我們逐一介紹被動(dòng)數(shù)字圖像取證方法，包括：采集痕跡法、存儲(chǔ)痕跡法和編輯痕跡法。第5節(jié)討論當(dāng)前技術(shù)的主要局限，并提出未來(lái)可能的研究方向。二、圖像采集中的線索數(shù)字圖像從被捕獲到被存儲(chǔ)，中間需要經(jīng)歷多個(gè)處理步驟（圖1）。在進(jìn)入成像設(shè)備之前，光線首先會(huì)通過(guò)一系列鏡頭。之后，成像設(shè)備將其傳送到彩色濾色陣列（colorfilterarray，CFA）進(jìn)行特定的彩色像素排列處理，其僅允許光線的特定成分通過(guò)。大多數(shù)相機(jī)的CFA單元只允許每個(gè)像素記錄一種顏色的值（紅、綠、藍(lán)）。在經(jīng)過(guò)CFA濾波后，光線到達(dá)圖像傳感器——數(shù)碼相機(jī)的關(guān)鍵部分。目前，有兩種廣泛使用的傳感器：電荷耦合器（chargedcoupleddevice，CCD）和互補(bǔ)金屬氧化物半導(dǎo)體（complementarymetal-oxidesemiconductor，CMOS）。圖像傳感器中包含大量光敏二極管，每個(gè)光敏二極管與圖像的像素一一對(duì)應(yīng)。在每個(gè)光敏二極管中，經(jīng)CFA濾色后的光強(qiáng)被轉(zhuǎn)換為電信號(hào)。得到的圖像數(shù)據(jù)的每個(gè)像素點(diǎn)表示紅、綠、藍(lán)中的一種顏色。因此，為了重建全彩圖像，需要進(jìn)行解鑲嵌/去馬賽克（demosaic）處理，即通過(guò)在所有顏色通道上進(jìn)行插值，重建缺失的色彩分量。圖1圖像采集流程圖上述每個(gè)階段都會(huì)在最終圖像中引入特定痕跡。這些可以作為圖像源識(shí)別和篡改檢測(cè)的線索。以下幾個(gè)小節(jié)簡(jiǎn)要介紹了鏡頭階段、傳感器階段和CFA插值階段所留下的痕跡，以及利用這些痕跡進(jìn)行圖像取證的典型方法和目前最先進(jìn)的方法。（一）圖像采集階段的痕跡在采集圖像時(shí)，鏡頭的設(shè)計(jì)和制作工藝使得其無(wú)可避免地引入失真/像差。數(shù)碼相機(jī)有兩種常見(jiàn)的失真：色差（chromaticaberration，CA）和球面差（sphericalaberration，SA）。不同波長(zhǎng)的光線通過(guò)透鏡時(shí)的折射率也各不相同，這種現(xiàn)象稱為色差現(xiàn)象；軸上物點(diǎn)發(fā)出的光束，經(jīng)球面折射后不再交于一點(diǎn)，這種現(xiàn)象稱為球面像差。傳感器模式噪聲是圖像采集階段另一種重要特性。在各種傳感器噪聲中，由光響應(yīng)不均勻性（photoresponsenonuniformity，PRNU）引起的噪聲尤為重要。目前學(xué)術(shù)界已經(jīng)提出了多種基于PRNU噪聲的數(shù)字圖像取證方法，涵蓋源識(shí)別、歷史恢復(fù)、圖像偽造檢測(cè)等多個(gè)領(lǐng)域。PRNU是與成像傳感器緊密相關(guān)的特性，通過(guò)分析圖像PRNU可以獲得關(guān)于成像設(shè)備的線索。CFA過(guò)程中的解鑲嵌/去馬賽克操作同樣會(huì)留下特定痕跡。在色彩重建時(shí)，為了獲取圖像中每個(gè)像素的對(duì)應(yīng)值，需要對(duì)3個(gè)顏色通道進(jìn)行插值操作。插值過(guò)程不可避免地會(huì)在像素之間引入一定的關(guān)聯(lián)性，這種相關(guān)性可以被看作是成像設(shè)備的固有“指紋”。通過(guò)分析解鑲嵌/去馬賽克痕跡，可以獲得成像設(shè)備的線索。（二）利用圖像采集痕跡的圖像取證

1.基于傳感器噪聲的圖像取證利用相機(jī)鏡頭產(chǎn)生的像差，可以將圖像與特定設(shè)備相關(guān)聯(lián)，或檢測(cè)圖像是否經(jīng)過(guò)篡改。例如，圖像中經(jīng)常出現(xiàn)的徑向畸變現(xiàn)象會(huì)導(dǎo)致所成圖像發(fā)生形變。為解決徑向失真問(wèn)題，數(shù)碼相機(jī)制造商通常會(huì)采用各種方法來(lái)補(bǔ)償失真，這些方法相應(yīng)地會(huì)產(chǎn)生不同的痕跡。因此，通過(guò)分析這些痕跡可以識(shí)別相機(jī)制造商甚至相機(jī)型號(hào)。傳感器模式噪聲通常會(huì)被用于圖像取證。對(duì)于圖像I，其對(duì)應(yīng)的傳感器噪聲可以通過(guò)以下公式表述：式中，R是總體殘差，即原始圖像減去經(jīng)過(guò)去噪濾波器F濾波后的圖像；P是PRNU因子；φ是圖像中其他所有噪聲的總和。假設(shè)我們有同一攝像頭捕獲的N幅圖像I1,…,IN,對(duì)應(yīng)的殘差Rk可以通過(guò)公式（1）得到。PRNU因子P可以通過(guò)最大似然估計(jì)，按照以下公式進(jìn)行計(jì)算：在相機(jī)識(shí)別中，假設(shè)存在M個(gè)設(shè)備，則需要計(jì)算M次PRNU因子，并且針對(duì)每個(gè)設(shè)備（i=1,2,...,M）記錄特定的Pi值。在檢測(cè)階段，對(duì)于待測(cè)圖像It，首先通過(guò)公式（1）即Rt=It–F(It)計(jì)算殘余項(xiàng)。然后，PRNU因子與該殘差Rt之間的相關(guān)性通過(guò)以下公式計(jì)算：式中，?代表歸一化互相關(guān)；最大值對(duì)應(yīng)的設(shè)備即為目標(biāo)設(shè)備。2.基于CFA痕跡的圖像取證基于CFA痕跡的取證方法的基本原理是，原始圖像非篡改區(qū)域和篡改區(qū)域具有不同的CFA模式。因此，對(duì)被檢測(cè)圖像的每個(gè)分塊進(jìn)行CFA模式計(jì)算，如果存在不同的CFA模式，則為篡改圖像，并可以得到篡改區(qū)域。另外，由于不同的解鑲嵌/去馬賽克算法會(huì)使得同一顏色通道中相鄰像素之間的關(guān)聯(lián)性不同，因此基于CFA模式的圖像取證可以分為兩個(gè)方向：①預(yù)測(cè)插值參數(shù)并識(shí)別成像設(shè)備的類型；②檢查解鑲嵌/去馬賽克痕跡以找出可能被篡改的區(qū)域。（三）最先進(jìn)的基于采集的圖像取證方法

1.基于鏡頭像差的成像設(shè)備源識(shí)別不同的相機(jī)具有不同的鏡頭像差，因此鏡頭像差可以作為源識(shí)別中設(shè)備的固有“指紋”。Choi等在這方面進(jìn)行了開(kāi)創(chuàng)性的工作：鑒于徑向畸變會(huì)使得直線變彎曲，他們基于像素灰度和畸變程度提出兩類特征，從而將成像設(shè)備源識(shí)別問(wèn)題轉(zhuǎn)變?yōu)槎诸悊?wèn)題。與僅使用圖像灰度的方法相比，Choi等的方法實(shí)現(xiàn)了4%的檢測(cè)精度提升。2.基于鏡頭痕跡的篡改檢測(cè)使用鏡頭痕跡進(jìn)行圖像偽造檢測(cè)的基本思想是：原始圖像和插入的圖像塊很可能來(lái)源于不同的拍攝設(shè)備。通過(guò)檢測(cè)不同圖像塊是否具有同一鏡頭痕跡，可以鑒別圖像是否經(jīng)過(guò)偽造。提出了一種鏡頭痕跡——“紫邊失真”（purplefringingaberration，PFA）及相應(yīng)的提取方法。PFA的方向特性被用作唯一的“指紋”來(lái)確定被測(cè)圖像是否具有鏡頭痕跡不一致性。該算法在圖像偽造檢測(cè)和篡改檢測(cè)中都取得了很好的效果。3.基于傳感器模式噪聲的成像設(shè)備源識(shí)別由于傳感器制造工藝的缺陷，不同像素具有不同的光敏性。因此，傳感器噪聲（特別是PRNU）可以用來(lái)區(qū)分各種傳感器和相機(jī)類型。提出了基于PRNU的源識(shí)別方法，可以識(shí)別9種相機(jī)模型。注意到在邊緣區(qū)域?qū)鞲衅髟肼暤墓烙?jì)不夠準(zhǔn)確?；谶@一發(fā)現(xiàn)，他們?cè)谔卣魈崛〔僮髦斑M(jìn)行了特定的預(yù)處理操作，利用Canny和Laplace算子進(jìn)行邊緣區(qū)域檢測(cè)，并將檢測(cè)出的邊緣區(qū)域移除以做進(jìn)一步處理。經(jīng)閾值處理計(jì)算得到傳感器噪聲之后，通過(guò)灰度共生矩陣（gray-levelco-occurrencematrix，GLCM）從離散小波變換（discretewavelettransform，DWT）域提取多個(gè)統(tǒng)計(jì)特征。最后，采用k-近鄰（k-NN）作為分類器對(duì)特征進(jìn)行分類?？紤]到手機(jī)攝像頭識(shí)別這一應(yīng)用場(chǎng)景，提出了一種基于攝像頭傳感器缺陷的方法。同樣從小波域提取特征在手機(jī)相機(jī)識(shí)別中取得了很好的效果。4.基于傳感器指紋不一致的篡改檢測(cè)與鏡頭痕跡類似，傳感器噪聲可用于檢測(cè)圖像是否經(jīng)過(guò)偽造。其基本想法是，篡改區(qū)域中的傳感器噪聲/指紋會(huì)與原始圖像不一致，這一線索可以用來(lái)定位可疑的篡改區(qū)域。Fridrich提出了一種基于PRNU信息的圖像篡改檢測(cè)方法。該方法通過(guò)建立統(tǒng)計(jì)模型來(lái)描述PRNU因子，提取出的PRNU因子同樣可以用于成像設(shè)備識(shí)別。實(shí)驗(yàn)結(jié)果表明，這種方法在100種不同類型的相機(jī)檢測(cè)中實(shí)現(xiàn)了近乎100%的準(zhǔn)確性。5.基于CFA痕跡的成像設(shè)備源識(shí)別如前所述，不同相機(jī)的CFA模式和解鑲嵌/去馬賽克操作會(huì)有所差異。Gao等提出了一個(gè)基于這些信息的成像設(shè)備源識(shí)別方法。他們提取出69維的特征來(lái)描述上述痕跡。在Dresden圖像數(shù)據(jù)庫(kù)上的實(shí)驗(yàn)結(jié)果表明，在7類相機(jī)模型的識(shí)別中，該方法達(dá)到99.88%的準(zhǔn)確率。6.基于CFA痕跡的篡改檢測(cè)在篡改檢測(cè)中使用CFA痕跡的基本思想很簡(jiǎn)單：篡改區(qū)域與原始圖像會(huì)呈現(xiàn)不同的CFA以及解鑲嵌/去馬賽克痕跡。提出了一種描述圖像解鑲嵌/去馬賽克痕跡的特征。如果存在異常區(qū)域（即沒(méi)有原始圖像CFA痕跡或具有與原始圖像CFA不同的痕跡），則將其視為篡改區(qū)域。提出了一種既能檢測(cè)圖像偽造又能定位篡改區(qū)域的方法。通過(guò)對(duì)解鑲嵌/去馬賽克造成的痕跡進(jìn)行建模，實(shí)現(xiàn)圖像偽造檢測(cè)。該方法對(duì)未壓縮圖像有很好的檢測(cè)性能。然而，如何處理JPEG壓縮圖像仍然是一個(gè)具有挑戰(zhàn)性的問(wèn)題。三、存儲(chǔ)過(guò)程中的線索JPEG（jointphotographicexpertsgroup）是圖像傳輸和存儲(chǔ)應(yīng)用中最廣泛使用的圖像格式。由于JPEG是一種有損的壓縮標(biāo)準(zhǔn)，因此，在圖像存儲(chǔ)過(guò)程中，JPEG將不可避免地引入某些特殊的壓縮痕跡。通過(guò)分析這些痕跡，研究者可以推導(dǎo)出一些重要的取證線索，例如，①該圖像被壓縮了多少次；②圖像中的所有區(qū)域是否被壓縮過(guò)相同的次數(shù)。在之后的幾個(gè)小節(jié)中，筆者將簡(jiǎn)要介紹JPEG壓縮所留下的特定痕跡、JPEG圖像取證的典型場(chǎng)景以及該領(lǐng)域最新的取證方法。

（一）JPEG壓縮遺留的痕跡針對(duì)灰度圖像的標(biāo)準(zhǔn)JPEG壓縮流程如下（通過(guò)在YCbCr色彩空間中的每個(gè)通道執(zhí)行類似的流程，可以將JPEG壓縮擴(kuò)展到彩色圖像）：首先，對(duì)原始圖像上進(jìn)行不重疊的8×8像素塊分割；其次，針對(duì)每個(gè)塊，對(duì)其灰度值進(jìn)行2D-DCT變換，從而將該塊從空間域變化至頻率域；再次，對(duì)各頻率分量的幅度通過(guò)預(yù)設(shè)的量化表來(lái)量化（其中，圖2顯示了品質(zhì)因子為50的典型量化表，其中較大的質(zhì)量因子表示較高的圖像質(zhì)量和較低的壓縮比）；最后，采用熵編碼技術(shù)（霍夫曼編碼）將量化后的頻率幅度轉(zhuǎn)換為二進(jìn)制序列進(jìn)行存儲(chǔ)。JPEG壓縮將對(duì)原始圖像引入3種誤差：量化誤差、截?cái)嗾`差和取整誤差。量化誤差是由頻域中的量化過(guò)程造成的。量化之后，特定DCT分量的原始值將由最接近的相應(yīng)量化步長(zhǎng)整數(shù)倍表示。例如，如果原始DC值為86，量化步長(zhǎng)為16（圖2），則量化后DC值將變?yōu)?0，并將差值表示為量化誤差（即86－80=6）。截?cái)嗾`差和取整誤差在逆DCT變換中引入。由于圖像每個(gè)像素點(diǎn)的灰度值應(yīng)該是一個(gè)從0到255的整數(shù)，所以任何大于255或小于0的值都會(huì)被截?cái)酁?55或0，這相應(yīng)地會(huì)導(dǎo)致截?cái)噱e(cuò)誤。另一方面，逆DCT變換后的大多數(shù)值不是整數(shù)，并且必須執(zhí)行取整過(guò)程，從而造成取整誤差。一般來(lái)說(shuō)，量化誤差遠(yuǎn)大于其他兩個(gè)誤差，特別是當(dāng)品質(zhì)因子為中或低（小于75）時(shí)。通過(guò)分析量化誤差，可以推斷出關(guān)于JPEG壓縮的一些線索。圖2品質(zhì)因子為50的量化表（二）基于JPEG壓縮痕跡的圖像篡改檢測(cè)考慮一個(gè)簡(jiǎn)單的圖像篡改場(chǎng)景。我們從圖像B中裁剪出一個(gè)小塊I，并將其插入到圖像A中生成一幅合成圖像C（圖3）。如果使用JPEG壓縮存儲(chǔ)所有圖像A、B和C，則可以觀察到以下現(xiàn)象。圖3剪切–粘貼圖像篡改示例1.對(duì)齊的雙JPEG壓縮在圖像C中，除I之外的所有區(qū)域被壓縮兩次（一次是在存儲(chǔ)圖像A時(shí)，另一次在存儲(chǔ)圖像C時(shí)），并且區(qū)域I被壓縮了一次。值得一提的是，雖然圖像B也被JPEG壓縮，但B的8×8像素點(diǎn)的塊分割結(jié)構(gòu)很可能（概率為63/64）與包含區(qū)域I的圖像A的不同。在這種情況下，基于最終合成圖像C的8×8塊分割結(jié)構(gòu)（與圖像A的相同），圖像C中的區(qū)域I僅被壓縮一次（在存儲(chǔ)圖像C時(shí)）。因此，可以通過(guò)檢查所有區(qū)域中是否包含對(duì)齊的雙JPEG壓縮區(qū)域來(lái)定位插入的區(qū)域I。在此處，術(shù)語(yǔ)“對(duì)齊”是指在前后兩次壓縮中采用相同的8×8塊分割結(jié)構(gòu)。2.移位（非對(duì)齊）雙JPEG（SDJPEG）壓縮該種情況主要分析插入?yún)^(qū)域I，該區(qū)域的壓縮分塊結(jié)構(gòu)本身和插入源圖像B完全相同，即先進(jìn)行了一次對(duì)齊JPEG壓縮。之后，在合成圖像C中，該區(qū)域有很大概率（63/64）進(jìn)行了一次分塊結(jié)構(gòu)不一致的JPEG壓縮。用于前后壓縮的分塊結(jié)構(gòu)不一致，因此這種針對(duì)插入?yún)^(qū)域I的壓縮痕跡被稱為SDJPEG壓縮。通過(guò)在最終圖像C中檢測(cè)是否包含有移位JPEG痕跡的區(qū)域，可以有效地檢測(cè)圖像拼接并定位插入?yún)^(qū)域I。（三）最先進(jìn)的雙JPEG壓縮檢測(cè)技術(shù)對(duì)于大多數(shù)篡改圖像來(lái)說(shuō)，最終圖像至少進(jìn)行了兩次JPEG壓縮。因此，雙JPEG壓縮檢測(cè)是數(shù)字圖像取證中的關(guān)鍵一環(huán)。具有代表性的雙JPEG壓縮檢測(cè)方法可參考文獻(xiàn)，其中，最早的檢測(cè)方法之一是由Lukas和Fridrich提出的，他們發(fā)現(xiàn)雙JPEG壓縮會(huì)在DCT直方圖中產(chǎn)生兩個(gè)峰值，并將其作為檢測(cè)雙重JPEG壓縮區(qū)域的線索。Fu等提出了一個(gè)基于廣義Benford定律的雙JPEG壓縮檢測(cè)方法，并假定JPEG壓縮后的DCT系數(shù)的第一個(gè)數(shù)字服從廣義Benford定律的分布。進(jìn)而，違反該假設(shè)的任何圖像區(qū)域被確定為雙JPEG壓縮區(qū)域。Pevny和Fridrich提取了一些低頻DCT系數(shù)直方圖作為檢測(cè)特征，并使用支持向量機(jī)（SVM）作為分類器。Farid指出，如果圖像經(jīng)過(guò)了雙重JPEG壓縮，那么具有相同品質(zhì)因數(shù)的再次壓縮會(huì)產(chǎn)生最小的重建誤差。他將這種最低重建誤差的現(xiàn)象稱為“JPEG鬼影”，并試圖通過(guò)搜索JPEG鬼影來(lái)檢測(cè)雙重壓縮。Lin等提出了一種基于雙JPEG壓縮檢測(cè)的篡改區(qū)域定位算法，通過(guò)假設(shè)單JPEG壓縮后的DCT系數(shù)遵循拉普拉斯分布來(lái)推導(dǎo)雙JPEG壓縮后的系數(shù)分布。隨后采用期望最大化（EM）優(yōu)化算法，預(yù)測(cè)圖像中每個(gè)區(qū)域被雙重壓縮的概率。最后通過(guò)圖切割的算法來(lái)避免誤報(bào)。該算法通常適用于具有不同質(zhì)量因素的雙重壓縮。但是，當(dāng)前后兩次壓縮使用相同的量化表時(shí)，大多數(shù)現(xiàn)有方法不能實(shí)現(xiàn)高精度檢測(cè)。鑒于此，Huang等設(shè)計(jì)了一種算法，針對(duì)性地檢測(cè)具有相同質(zhì)量因子的雙JPEG壓縮。他們觀察到第一次與第二次JPEG壓縮之間的差異往往遠(yuǎn)小于第二次和第三次JPEG壓縮之間的差異，通過(guò)引入隨機(jī)擾動(dòng)策略進(jìn)行相應(yīng)的檢測(cè)。Yang等擴(kuò)展了這個(gè)想法，并全面分析了品質(zhì)因子相同的兩次JPEG壓縮中存在的錯(cuò)誤塊。著重分析了取整誤差和截?cái)嗾`差，并相應(yīng)提取了描述單次和雙重JPEG壓縮之間差異的一組特征。通過(guò)使用SVM分類器，他們的算法能夠在質(zhì)量因子相對(duì)較高的情況下準(zhǔn)確檢測(cè)具有相同品質(zhì)因子的雙重JPEG壓縮。當(dāng)原始圖像（即在圖3中的圖像A）是未壓縮圖像時(shí)，在合成圖像中（即在圖3中的圖像C中）不會(huì)存在對(duì)齊的雙JPEG壓縮痕跡。為了在這種情況下檢測(cè)合成圖像，研究人員試圖研究SDJPEG壓縮效應(yīng)。Luo等通過(guò)提出了塊偽影特征矩陣（blockingartifactcharacteristicsmatrix，BACM）的特定特征來(lái)檢測(cè)SDJPEG壓縮效應(yīng)。對(duì)于單次JPEG壓縮圖像，相應(yīng)的BACM是具有對(duì)稱性的；而對(duì)于SDJPEG壓縮圖像，BACM不再是對(duì)稱的，進(jìn)而達(dá)到檢測(cè)SDJPEG壓縮的目的。然而，BACM特征在一定程度上與圖像內(nèi)容有關(guān)。因此，不同的圖像內(nèi)容可能導(dǎo)致不同類型的BACM特征，這可能會(huì)混淆分類器，降低對(duì)雙重JPEG壓縮檢測(cè)的性能。為了解決與內(nèi)容相關(guān)性的問(wèn)題，Chen和Hsu提出了一個(gè)擴(kuò)展的BACM特征，并考慮了塊間的相關(guān)性。Qu等提出了一個(gè)適用于SDJPEG壓縮的卷積混合模型，并采用盲信號(hào)分離技術(shù)來(lái)將雙壓縮痕跡與圖像內(nèi)容分離。他們提出了一種被稱為獨(dú)立值圖（independentvaluemap，IVM）的特征，用于檢查整個(gè)圖像是否經(jīng)過(guò)了SDJPEG壓縮（鑒于SDJPEG壓縮將打破IVM的對(duì)稱性）。Bianchi和Piva試圖從DCT系數(shù)直方圖中分析移位JPEG壓縮痕跡。為了檢測(cè)圖像中的SDJPEG壓縮痕跡，他們對(duì)整個(gè)圖像進(jìn)行了特定大小區(qū)域的全面搜索。當(dāng)搜索的圖像區(qū)域與第一次JPEG壓縮的塊分割結(jié)構(gòu)匹配時(shí)，相應(yīng)的DCT系數(shù)直方圖中可以觀察到整數(shù)周期的特定模式。Bianchi和Piva還嘗試了一種新的方法解決同樣的問(wèn)題，并提出了由SDJPEG壓縮引起的DCT系數(shù)分布統(tǒng)計(jì)模型。該模型通過(guò)向每個(gè)DCT系數(shù)添加零均值高斯噪聲來(lái)模擬SDJPEG壓縮，并提供了噪聲方差的估計(jì)方法。Wang等擴(kuò)展了這個(gè)想法，并對(duì)SDJPEG壓縮如何影響DCT系數(shù)分布進(jìn)行了完整的理論證明。目前，雙JPEG壓縮檢測(cè)算法的主要局限性有以下3點(diǎn)：（1）大多數(shù)檢測(cè)算法往往基于統(tǒng)計(jì)特征或模型。當(dāng)篡改區(qū)域足夠?。葱∮?4×64）時(shí)，由于用于構(gòu)建統(tǒng)計(jì)特征（模型）的數(shù)據(jù)非常有限，大多數(shù)檢測(cè)技術(shù)不能提供準(zhǔn)確的檢測(cè)結(jié)果。（2）當(dāng)?shù)谝淮蜫PEG壓縮的量化表已知或可以準(zhǔn)確估計(jì)時(shí)，大多數(shù)算法的檢測(cè)準(zhǔn)確度較高。但是，這種假設(shè)在現(xiàn)實(shí)應(yīng)用中并不易獲得。由于錯(cuò)誤傳播，在窮舉搜索第一次JPEG壓縮量化表的過(guò)程中，整體檢測(cè)精度會(huì)一定程度的降低。（3）對(duì)于SDJPEG壓縮的檢測(cè)，當(dāng)?shù)诙蜫PEG壓縮的質(zhì)量因子遠(yuǎn)小于第一次壓縮的品質(zhì)因子時(shí)，大多數(shù)現(xiàn)有檢測(cè)方法所得到的檢測(cè)結(jié)果與隨機(jī)猜測(cè)無(wú)異。四、編輯過(guò)程中的線索（一）光照不一致性復(fù)制粘貼篡改是一個(gè)偽造圖像最常用的方法。這些偽造圖像通常是無(wú)法通過(guò)人眼進(jìn)行分辨的，然而，它們可能在光照、陰影、視角等方面存在不一致性，進(jìn)而可以通過(guò)適當(dāng)方法來(lái)進(jìn)行檢測(cè)。圖4顯示了一個(gè)著名的光照不一致的場(chǎng)景。在圖像成像過(guò)程中，場(chǎng)景中的物體被來(lái)自某一個(gè)方向的光源照射（圖5）。如果兩個(gè)對(duì)象來(lái)自不同的圖像，它們的光源不太可能在方向和距離上相似，進(jìn)而造成光照的不一致性。下面幾個(gè)小節(jié)簡(jiǎn)要介紹了通過(guò)分析光照一致性來(lái)進(jìn)行圖像篡改檢測(cè)。圖4圖中人物反射光照方向不一致，可被認(rèn)定為篡改圖像圖5不同圖像具有不同的光照方向

1.光照痕跡在拍攝照片的過(guò)程中，場(chǎng)景中的物體會(huì)被某種光源照亮，而該種光源會(huì)在物體上留下某些特定痕跡，如物體表面的灰度差異和陰影。因此，可以從這些痕跡來(lái)推斷出光照的方向。如果圖像中的物體被不同的光源照亮，則很有可能這些物體來(lái)源于不同場(chǎng)景，即說(shuō)明該圖像有可能為拼接圖像。2.基于光照痕跡的圖片篡改檢測(cè)現(xiàn)實(shí)世界中的光照環(huán)境是復(fù)雜的：光源是三維（3D）立體的，且有時(shí)照片中存在多個(gè)光源。因此，該領(lǐng)域的研究者一般作出以下假設(shè)（對(duì)物體表面的朗伯假設(shè)）：對(duì)象的反射率不變且光源位于無(wú)限遠(yuǎn)。根據(jù)上述假設(shè)，Johnson和Faird描述了圖像的亮度模型，如下式所示：式中，Rf是對(duì)象的反射率；L是光源的方向；N(x,y)是物體表面坐標(biāo)點(diǎn)(x,y)的法線方向；常量C是環(huán)境光強(qiáng)度。另外，當(dāng)僅僅需要估計(jì)光照方向時(shí)，Rf可以視作單位值。給定相同反射率表面上至少p個(gè)不同的點(diǎn)（p≥4），可以采用最小二乘估計(jì)法計(jì)算光的方向，其公式如下所示：式中，||||表示向量范式；向量L是光照方向，它包含（Lx,Ly,Lz）3個(gè)分量；M由式（6）給出：式中，Nx、Ny和Nz是物體表面法線方向的3個(gè)分量。將偏導(dǎo)數(shù)設(shè)為0，最小平方估計(jì)值可由如下公式計(jì)算：然而，這種方法的核心問(wèn)題是：如果只有一張單一的圖像而不知道場(chǎng)景中物體的幾何形狀，則無(wú)法獲得物體表面法線N(x,y)。一個(gè)可行的解決辦法是將3D場(chǎng)景簡(jiǎn)化為2D，這意味著我們只需要從數(shù)字圖像中估計(jì)光照方向的（Lx,Ly）兩個(gè)分量。在一些場(chǎng)景中，過(guò)于嚴(yán)格的簡(jiǎn)化假設(shè)會(huì)造成無(wú)法檢測(cè)篡改圖像。在這種情況下，我們可以放寬一些簡(jiǎn)化假設(shè)。例如，我們可以放寬反射率恒定的假設(shè)，然后判斷每個(gè)表面上不同的光源方向。此外，對(duì)于局部光源而言，光源無(wú)窮遠(yuǎn)的假設(shè)就是無(wú)效的。在這種情況下，還必須加上一個(gè)假設(shè)，即光源方向?qū)τ诰植啃K是恒定的。3.最先進(jìn)的基于光照一致性的圖像篡改檢測(cè)方法光照痕跡在現(xiàn)實(shí)世界中相當(dāng)復(fù)雜。對(duì)于室內(nèi)場(chǎng)景，可能有多個(gè)局部光源。對(duì)于室外場(chǎng)景，很可能是無(wú)限遠(yuǎn)的點(diǎn)光源。在某些場(chǎng)景中，由于物體的幾何形狀未知，無(wú)法計(jì)算光線方向的3D分量。目前大部分此類的圖像篡改檢測(cè)方法都是基于特定的場(chǎng)景或者是有某種局限的。最早嘗試使用光照不一致進(jìn)行圖像篡改檢測(cè)。雖然這種方法在計(jì)算物體表面的時(shí)候存在一些困難，但在許多情況下是可行的，如對(duì)于包含人臉的圖像，圖像中的人眼亮點(diǎn)來(lái)用來(lái)估計(jì)場(chǎng)景中的光源。提出了基于人眼亮點(diǎn)的光照3D模型，從人眼中的亮點(diǎn)來(lái)估計(jì)照射光的方向，并進(jìn)一步改進(jìn)并提出了一個(gè)低維模型來(lái)處理復(fù)雜的光照環(huán)境。建立了一個(gè)3D頭部模型進(jìn)一步提高復(fù)雜光照環(huán)境下的光照方向預(yù)測(cè)性能。提出了一種從單一圖像中自動(dòng)估計(jì)光源方向的算法。該算法需要至少給定一個(gè)反射表面各向同性的遮擋物體輪廓（有很多自然圖像都滿足這個(gè)要求）。在該算法中，首先根據(jù)顏色和邊緣信息提取遮擋輪廓，然后采用陰影模型估計(jì)每個(gè)輪廓點(diǎn)的光源方向，并采用貝葉斯網(wǎng)絡(luò)來(lái)融合所有估計(jì)結(jié)果并輸出最可能的估計(jì)值。值得注意的是，物體的陰影也可以用來(lái)檢測(cè)圖像篡改。將光照過(guò)程建模為從任意方向投影到隨機(jī)高斯平面的平行光束，并根據(jù)這個(gè)模型提出了一種光照方向估計(jì)的方法。采用平面同源性和陰影亞光來(lái)描述圖像中陰影的顏色分布、特點(diǎn)和相互關(guān)系，提出了一種基于攝影測(cè)量與圖像陰影幾何形狀的框架來(lái)檢測(cè)圖像篡改。Fan等設(shè)計(jì)了一個(gè)直接對(duì)抗現(xiàn)有基于2D光照一致性篡改檢測(cè)方法的攻擊策略，這一策略也揭示了現(xiàn)有檢測(cè)方法的不足，為今后的研究提出了新的挑戰(zhàn)。一般而言，該類方法在檢測(cè)室外場(chǎng)景中效果更佳，其原因在于，相比室內(nèi)場(chǎng)景，戶外的光照情況更為簡(jiǎn)單。（二）局部濾波痕跡

1.中值濾波檢測(cè)中值濾波（medianfiltering，MF）是一種常見(jiàn)的濾除圖像噪聲的圖像后處理方法。從本質(zhì)上來(lái)說(shuō)，MF是一種非線性濾波，故而其經(jīng)常被用于在圖像篡改之后去除特定的修改痕跡。一般而言，MF的結(jié)果為以特定像素為中心、一定窗口大?。ㄒ话銥槠鏀?shù)，如3×3或5×5）的鄰域中所有像素點(diǎn)的中間值。因?yàn)镸F取所有像素的中間值作為濾波結(jié)果，經(jīng)過(guò)濾波的圖像通常會(huì)生成很多恒定或是幾乎不變的圖像塊?；谶@些特殊的圖像塊，我們可以檢測(cè)MF對(duì)圖像帶來(lái)的痕跡。2DMF的基本形式由以下公式計(jì)算得出：式中，yi是中值濾波器在像素點(diǎn)(i,j)上以[z,z]大小的窗口濾波后得到的輸出。鑒于MF的非線性屬性，其無(wú)法用線性表達(dá)式來(lái)表征濾波前后的輸入和輸出關(guān)系。然而，發(fā)現(xiàn)MF有很好的邊緣保持特性。不僅如此，MF后的圖像通常會(huì)包含很多恒定或幾乎恒定的圖像塊，這種現(xiàn)象被稱為streaking特性（streakingartifact）。圖6展示了MF圖像的streaking特性?；诖耍岢隽送ㄟ^(guò)分析一階差分圖像的直方圖來(lái)檢測(cè)streaking效應(yīng)的中值濾波檢測(cè)方法，在未壓縮圖像上表現(xiàn)良好。而針對(duì)JPEG壓縮圖像，借鑒了在隱寫分析領(lǐng)域表現(xiàn)良好的減法像素鄰接矩陣（subtractivepixeladjacencymatrix，SPAM）特征來(lái)檢測(cè)MF。然而，由于SPAM的統(tǒng)計(jì)模型非常復(fù)雜，當(dāng)圖像區(qū)域的像素?cái)?shù)量過(guò)少（如64或128）時(shí)，檢測(cè)效果會(huì)變差。Cao等提出了一個(gè)基于streaking特性的MF檢測(cè)算法。在計(jì)算了紋理區(qū)域橫向和縱向的差分圖像后，記錄零值出現(xiàn)的概率。不僅如此，他們?cè)O(shè)計(jì)的算法還可以把MF操作和諸如圖像縮放、高斯低通過(guò)濾和平均過(guò)濾等局部圖像處理過(guò)程進(jìn)行區(qū)分。Yuan觀察到MF結(jié)果有局部依賴特性，因?yàn)橄噜徬袼攸c(diǎn)的局部濾波窗口在MF過(guò)程中互相重疊，相鄰的局部窗口使用了同樣的一些像素點(diǎn)?；谶@種觀察，他提出了44組特征來(lái)表征MF中相鄰像素點(diǎn)的內(nèi)在屬性，這44組特征被稱為中值濾波特征（MFF）。MFF特征可以在未壓縮圖像上精確的檢測(cè)出MF，并在JPEG壓縮圖像的MF檢測(cè)中取得和SPAM特征相似的結(jié)果。對(duì)于質(zhì)量因子較低的JPEG壓縮圖像，MFF特征通常比SPAM特征效果更好。圖6中值濾波前后圖像像素點(diǎn)亮度分布使用streaking特性來(lái)檢測(cè)MF的主要缺陷在于這些方法對(duì)于諸如JPEG壓縮等圖像后處理方法表現(xiàn)不佳。因此，需要引入其他MF痕跡。Chen和Ni觀察發(fā)現(xiàn)MF后的圖像與原始圖像在邊緣區(qū)域展現(xiàn)出不同的圖像特征。這些特征體現(xiàn)在相鄰像素點(diǎn)的特定相關(guān)性以及圖像噪聲和邊緣的關(guān)系中?；谏鲜鎏卣?，他們提出了基于邊緣的預(yù)測(cè)矩陣（edgebasedpredictionmatrix，EBPM）特征用于檢測(cè)MF。該方法在圖像中的不同邊緣區(qū)域提取特征，并采用SVM進(jìn)行分類。相比于先前的方法，EBPM特征在區(qū)分MF和其他濾波方法，如高斯低通濾波和均值濾波時(shí)表現(xiàn)更好。Kang等提出采用中值濾波殘差（MFR）來(lái)檢測(cè)MF。殘差是原圖像和它的MF輸出的差值。他們指出當(dāng)一張圖像再次經(jīng)過(guò)MF后，MFR會(huì)減少，同時(shí)基于這一原理提出了相應(yīng)的MF檢測(cè)方法。該方法采用自回歸模型（auto-regressive，AR）來(lái)構(gòu)建基于MFR的MF檢測(cè)特征集。相比SPAM特征和MFF特征，MFR特征的維數(shù)較低（10維）并且檢測(cè)結(jié)果較好。此外，即使對(duì)于低JPEG品質(zhì)因子（如30）的壓縮圖像來(lái)說(shuō)，該方法依然有一定效果。Chen等利用全局信息（差值圖像的累積分布）和局部信息（不同相鄰像素對(duì)的相關(guān)性）來(lái)進(jìn)行MF檢測(cè)。最終構(gòu)成的56維特征連接了全局特征和局部特征，在檢測(cè)低分辨率和低質(zhì)量因子的JPEG壓縮圖像MF上表現(xiàn)優(yōu)異。最近，一些諸如局部紋理描述和深度學(xué)習(xí)的方法被用于進(jìn)行MF檢測(cè)。Zhang等提出了局部紋理信息描述的特征，即二階局部三元模式（localternarypattern，LTP），用于MF檢測(cè)。這種特征結(jié)合了LTP特征的優(yōu)勢(shì)和局部紋理描述子的優(yōu)勢(shì)，可以更好地描述MF產(chǎn)生的局部特征。除此之外，他們采用基于核函數(shù)的主成分分析（KPCA）來(lái)降低特征維度和提高特征的鑒別力。他們提出的方法可以快速而有效地檢測(cè)經(jīng)過(guò)MF的圖像。Chen等試圖解決圖像塊較小情況下的MF檢測(cè)這一挑戰(zhàn)性問(wèn)題。他們?cè)O(shè)計(jì)了一種卷積神經(jīng)網(wǎng)絡(luò)（convolutionalneuralnetwork，CNN）來(lái)提取特征并進(jìn)行分類。該網(wǎng)絡(luò)的輸入是圖像塊，而輸出是檢測(cè)結(jié)果。，特征可以自動(dòng)從訓(xùn)練樣本中學(xué)習(xí)，不需要任何人工提取特征步驟。這種方法在圖像塊較小的情況下顯著地提升了性能。2.銳化檢測(cè)反銳化掩模（unsharpmasking，USM）銳化是一種被廣泛應(yīng)用的銳化技術(shù)。它通過(guò)增強(qiáng)邊緣的對(duì)比度來(lái)提高圖像質(zhì)量。然而，在許多圖像偽造過(guò)程中，USM銳化也可以在一定程度上掩蓋篡改的痕跡。因此，USM銳化檢測(cè)已成為數(shù)字圖像取證領(lǐng)域的一個(gè)研究點(diǎn)。USM銳化過(guò)程通常包括以下兩個(gè)步驟。步驟1

高斯高通濾波：式中，H是高通濾波函數(shù)；Ii是原始圖像；(x,y)表示水平坐標(biāo)和垂直坐標(biāo)；Gσ代表高斯高通濾波器；σ是G的標(biāo)準(zhǔn)差，它控制銳化范圍。步驟2

將反銳化掩碼添加到原始圖像：式中，O是銳化后的圖像；λ是控制銳化強(qiáng)度尺度系數(shù)。圖7展示了在USM銳化過(guò)程后圖像灰度值的變化。相比而言，原始邊緣比較平滑。從圖7中可以觀察到在邊緣區(qū)域有兩個(gè)明顯的階躍擴(kuò)大了邊緣效應(yīng)，該現(xiàn)象被稱為超調(diào)效應(yīng)（overshootingartifact），是USM銳化過(guò)程的重要線索，由高頻信號(hào)疊加引起，可被用來(lái)檢測(cè)USM銳化。圖7超調(diào)效應(yīng)示意圖近年來(lái)，許多研究者提出了多種USM銳化的檢測(cè)方法。其中，使用最廣泛的兩類方法是基于邊緣模型方法和基于局部紋理方法。Cao等首次提出USM銳化檢測(cè)。他們研究發(fā)現(xiàn)銳化會(huì)導(dǎo)致直方圖的突變，并建立邊緣模型來(lái)衡量這些突變。然而，他們之后的研究發(fā)現(xiàn)所提出的方法僅在圖像像素值分布很廣的情況下才有效，于是這些研究者改進(jìn)并提出了一種新的USM銳化檢測(cè)，其大致步驟如下：首先，檢測(cè)原始圖像的邊緣位置。在此基礎(chǔ)上，測(cè)量邊緣附近的過(guò)沖強(qiáng)度，并計(jì)算整個(gè)圖像的過(guò)沖強(qiáng)度的平均值。最后，為超調(diào)效應(yīng)設(shè)定閾值進(jìn)而判斷一張圖片是否經(jīng)過(guò)了USM銳化。雖然文獻(xiàn)[48]中所述方法克服了文獻(xiàn)[47]中的一些缺點(diǎn)，但它對(duì)圖像噪聲依舊非常敏感?；诰植考y理的方法在邊緣區(qū)域嘗試提取不同的局部模式特征。局部二值模式（localbinarypattern,LBP）與邊緣垂直二進(jìn)制編碼（edgeperpendicularbinarycoding，EPBC）是目前使用最多的兩種局部紋理特征。Ding等采用LBP紋理：首先利用Canny算子確定邊緣區(qū)域；然后對(duì)邊緣像素點(diǎn)計(jì)算LBP值；最后統(tǒng)計(jì)整張圖的LBP直方圖，并使用SVM分類器來(lái)區(qū)分原始圖像和銳化圖像。實(shí)驗(yàn)結(jié)果表明，基于LBP的方法優(yōu)于邊緣建模方法。之后，Ding等發(fā)現(xiàn)超調(diào)效應(yīng)主要出現(xiàn)在垂直方向的邊緣上。因此，他們提出了一種新的紋理——EPBC來(lái)進(jìn)行USM銳化檢測(cè)。與LBP紋理相比，EPBC紋理特征聚焦在邊緣像素和沿邊緣法線的矩形窗口，并對(duì)其進(jìn)行了一種特殊的二進(jìn)制編碼。相比其他的方法，EPBC方法具有更好的檢測(cè)準(zhǔn)確性與效率。這種方法在一定程度上也對(duì)JPEG壓縮和其他圖像噪聲有一定的魯棒性。（三）復(fù)制粘貼攻擊檢測(cè)復(fù)制移動(dòng)攻擊的目的是故意偽造或刪除源圖像中的一個(gè)或多個(gè)對(duì)象。如圖8所示，右圖中所添加的新對(duì)象是通過(guò)復(fù)制源對(duì)象并將其移動(dòng)到同一圖像中的另一個(gè)位置來(lái)生成的。對(duì)于對(duì)象移除，被刪除的對(duì)象區(qū)域被相同圖像中的一些背景區(qū)域所替代。為了更具有視覺(jué)欺騙性，復(fù)制粘貼操作之前通常需要先進(jìn)行縮放、旋轉(zhuǎn)等仿射變換。圖8復(fù)制粘貼偽造圖像的經(jīng)典實(shí)例考慮到復(fù)制粘貼攻擊的機(jī)制，可以得出以下結(jié)論：在被篡改的圖像中的目標(biāo)或背景區(qū)域中至少存在一對(duì)具有非常相似的顏色、形狀和紋理圖像區(qū)域。通過(guò)分析這些相似的圖像區(qū)域?qū)?，可以檢測(cè)復(fù)制粘貼攻擊。準(zhǔn)確性和效率是復(fù)制粘貼檢測(cè)的兩個(gè)關(guān)鍵問(wèn)題。提出了進(jìn)行復(fù)制粘貼檢測(cè)的典型方法。討論了在復(fù)制粘貼檢測(cè)算法中的幾個(gè)主要要求：①小圖像區(qū)域的近似匹配；②具有較低的虛警率和可接受的時(shí)間復(fù)雜度?；谏鲜鲆?，他們提出了一種基于塊匹配的檢測(cè)算法。被檢測(cè)的圖像首先被劃分成一系列重疊的小塊，并從每個(gè)小塊中提取特定的特征。類似小塊通過(guò)特征比較進(jìn)行檢測(cè)：當(dāng)測(cè)試圖片在空間域聚集到超過(guò)預(yù)設(shè)數(shù)量的匹配塊對(duì)時(shí)，圖像則被認(rèn)為是偽造圖像。采用主成分分析（PCA）進(jìn)行特征提取，以小塊的PCA特征值作為其相應(yīng)的特征。文獻(xiàn)中的算法的主要計(jì)算復(fù)雜度是由詞典排序決定的，即O(F×N×logN)，其中F是特征維度，N為圖像中的像素的數(shù)量。然而，當(dāng)復(fù)圖7.超調(diào)效應(yīng)示意圖。制區(qū)域被較大程度地縮放或旋轉(zhuǎn)時(shí)，上述方法不能取得可靠的結(jié)果。為了解決因縮放和旋轉(zhuǎn)引起的問(wèn)題，引入了傅里葉梅林變換。傅里葉梅林變換對(duì)平移、旋轉(zhuǎn)和縮放具有很強(qiáng)的魯棒性。此外，他們采用計(jì)數(shù)型布隆過(guò)濾器（countingbloomfilter）來(lái)減少計(jì)算復(fù)雜度。實(shí)驗(yàn)結(jié)果表明，所提特征可以抵抗10%的旋轉(zhuǎn)和10%的縮放。拓展了文獻(xiàn)[52]的方法，提出了用向量腐蝕濾波器來(lái)解決向量計(jì)數(shù)問(wèn)題。他們的算法能夠檢測(cè)具有較大旋轉(zhuǎn)角度的區(qū)域重復(fù)。提出了一種自適應(yīng)復(fù)制粘貼篡改檢測(cè)（copymoveforgerydetection，CMFD）的方法，采用不同的閾值對(duì)應(yīng)不同的圖像內(nèi)容。通過(guò)特定塊的灰度方差來(lái)計(jì)算它的自適應(yīng)閾值，因此，對(duì)應(yīng)的CMFD在光滑和紋理區(qū)域均可以檢測(cè)到復(fù)制粘貼篡改的存在。對(duì)不同的CMFD方法進(jìn)行了綜合評(píng)價(jià)，建立了一個(gè)包含48個(gè)基圖像的圖像數(shù)據(jù)庫(kù)，數(shù)據(jù)集中的其余圖片是在基圖像上精心制作的不會(huì)留下明顯視覺(jué)痕跡的復(fù)制粘貼篡改圖片。研究的結(jié)果表明，盡管基于關(guān)鍵點(diǎn)的方法非常有效，但是檢測(cè)結(jié)果會(huì)受低對(duì)比度區(qū)域和重復(fù)對(duì)象的影響。另一方面，基于塊的方法以較高的計(jì)算復(fù)雜度為代價(jià)提供高的檢測(cè)精度。在所有的特征中，特征是推薦的選擇。（四）重采樣檢測(cè)在大多數(shù)圖像拼接場(chǎng)景中，拼接區(qū)域通常會(huì)進(jìn)行大小調(diào)整和（或）旋轉(zhuǎn)操作以掩蓋偽造痕跡并使最終的偽造圖像顯得更真實(shí)。在大小調(diào)整和旋轉(zhuǎn)過(guò)程中，拼接圖像塊中的像素必須進(jìn)行重采樣操作以適應(yīng)新的樣本點(diǎn)陣。因此，重采樣檢測(cè)可以幫助檢測(cè)可能的偽造圖像并定位可疑的拼接區(qū)域。2005年，進(jìn)行了重采樣檢測(cè)的先驅(qū)工作。他們觀察到，對(duì)于重采樣信號(hào)，相鄰樣本之間存在很強(qiáng)的相關(guān)性。在該方法中，EM算法被用來(lái)估計(jì)相關(guān)重采樣參數(shù)。利用上述參數(shù)，可以生成概率圖來(lái)描述特定像素與其相鄰像素之間是否相關(guān)的概率。對(duì)于未壓縮圖像，該方法可以獲得較高的檢測(cè)準(zhǔn)確率。然而，對(duì)于JPEG壓縮圖像的來(lái)說(shuō)，由于JPEG壓縮中的分塊離散余弦變換（BDCT）會(huì)引起特定重采樣模式，從而對(duì)檢測(cè)器造成混淆，降低檢測(cè)性能。提出了一種簡(jiǎn)便算法用來(lái)檢測(cè)兩種廣泛使用的插值算子：線性插值和三次插值。他觀察到在線性/三次插值之后，圖像的二階導(dǎo)數(shù)信號(hào)將具有周期性，并且這種周期性可以用來(lái)推測(cè)插值因子。實(shí)驗(yàn)表明，該方法可以檢測(cè)1.1~3.0（以0.1為增量）的縮放因子。擴(kuò)展了該方法，并驗(yàn)證了插值操作將會(huì)使信號(hào)導(dǎo)數(shù)的協(xié)方差產(chǎn)生特定的周期性模式。然而，當(dāng)檢測(cè)圖像經(jīng)中/高強(qiáng)度的JPEG壓縮時(shí)，該方法的檢測(cè)性能也會(huì)降低。為了解決JPEG壓縮所帶來(lái)的問(wèn)題，改進(jìn)了文獻(xiàn)[56]的算法，在一定程度上去除了由JPEG壓縮引入的混淆。實(shí)驗(yàn)結(jié)果表明，當(dāng)后一次壓縮程度比前一次壓縮程度更高時(shí)，檢測(cè)性能會(huì)大大降低。并且在通常情況下，上采樣（放大）比下采樣（縮?。└菀讬z測(cè)。最近提出了一種檢測(cè)上采樣圖像/圖像塊的簡(jiǎn)便方法。為了區(qū)分上采樣圖像和真實(shí)圖像之間的差異，他們采用奇異值分解（singularvaluedecomposition，SVD）的方法來(lái)表征重采樣圖像的線性相關(guān)性，然后對(duì)飽和像素進(jìn)行度量。這種方法在檢測(cè)重采樣的小圖像塊中表現(xiàn)良好。（五）拼接圖像盲檢測(cè)這類方法試圖檢測(cè)各種圖像拼接和篡改過(guò)程，其出發(fā)點(diǎn)是認(rèn)為任何形式的人為修改將不可避免地對(duì)自然圖像引入原先并不存在的特殊痕跡。同時(shí)，該類方法將篡改檢測(cè)視為一種二分類過(guò)程，即判斷測(cè)試圖像是自然的還是拼接以后的。然而，即便測(cè)試圖像被認(rèn)為不是自然的，該類方法仍然無(wú)法確定圖像