检测小篡改区域的U型网络

• 作者: 刘丽颖 王金鑫 曹少丽 赵丽 张笑钦
• 来源期刊: 中国图象图形学报
• 学科: 工学
• 关键词: 图像取证 小篡改区域检测 特征增强 区域损失 卷积神经网络(CNNs) U型网络(U-Net)
• 年，卷（期）: 2022,（1）
• 所属期刊栏目: 篡改检测与内容恢复|Forgery Detection and Content Recovery
• 页码范围: 176-187
• 页数: 12页
• 分类号: TP391.41|TP183
• 语种: 中文
• DOI: 10.11834/jig.210438

摘要

目的 图像篡改区域检测是图像取证领域的一个挑战性任务,其目的是找出图像的篡改区域.传统方法仅针对某种特定的篡改方式进行设计,难以检测其他篡改方式的图像.基于卷积神经网络的方法能够自适应地提取特征,同时检测包含多种篡改方式的图像.但是其中多数方法都选择增强图像的噪声特征,这种机制无法较好处理篡改区域与原图像来源相同、噪声相似的情况.多数方法还忽略了篡改区域过小而产生的样本不平衡问题,导致检测效果不佳.方法 提出了一个基于区域损失的用于检测小篡改区域的U型网络,该网络构建了一个异常区域特征增强机制,放大与图像背景差异较大的异常区域的特征.此外,还利用区域损失增强对篡改区域框内像素的判别能力,可以解决因篡改区域过小而产生的样本不平衡问题.结果 消融实验说明了异常区域特征增强机制和区域损失机制的有效性;对JPEG压缩和高斯模糊的对抗性测试证明了模型的鲁棒性;在CASIA2.0(CASI-A image tampering detection evaluation database)、NIST2016(NIST nimble 2016 datasets)、COLUMBIA(Columbia uncom-pressed image splicing detection evaluation dataset)和COVERAGE(a novel database forcopy-move forgery detection)数据集上与最新方法进行比较时,本文方法取得了最优性能,其F1 score分别为0.9795、0.9822、0.9953和0.9870.结论 本文的异常区域特征增强机制和区域损失机制能有效提高模型性能,同时缓解篡改区域过小导致的样本不平衡问题,大量实验也表明了本文提出的小篡改区域检测方法的优越性.