标签：

粗到精的卷积神经网络与自适应聚类相结合的图像拼接篡改检测

研究标的目的：图像篡改检测

论文来由：ELSEVIER A类

学校：西安电子科技大学网络工程学院、重庆邮电大学计算机科学与技术学院

关键字：Splicing forgery detection、Convolutional neural networks、Adaptive clustering、Image-level CNN

论文提出的检测要领：提出的检测要领包孕两部分，第一部分为一个粗到细的卷积神经网络（C2RNet），第二部分为自适应聚类。在第一部分中将粗的卷积神经网络称为C-CNN，细的神经网络称为R-CNN，两个网络分为两个阶段提取图像中篡改和未被篡改区域之间差此外属性，在此过程中为了降低运算量，给与Image-level的卷积网络来取代Patch-level的卷积网络。在这之后将网络输出的可疑篡改区域，应用自适应聚类算法进一步确定篡改的区域。

尝试给与的数据集：CASIA，COLUMB，FORENSICS

尝试功效：本文提出的检测算法与目前最好的算法对比，能够实现可不雅观的效果。并且在多种篡改方法上都实现了良好的效果。

1.根本常识

????数字图像篡改分为两种类型：copy-move forgery（复制粘贴篡改）和splicing forgery（拼接篡改）。前者指的被篡改的部分来自自己的一部分，后者指的是被篡改的部分来自非自己的部分。拼接篡改比复制粘贴篡改的检测越发难。

????最新的一些研究提取差此外一些特征来分辩图像是否被篡改，这些特征有lighting（光照）, shadows（暗影）, sensor noise（传感器噪声）, and camera reflections（相机反射道理）.

????拼接篡改的检测要领主要基于4类，分袂为根基图像属性的检测，成像设备属性的检测，图像压缩属性的检测，哈希技术。这四类检测要领的局限性如下：

如果在拼接后应用了一些隐藏伪造的技术，例如整体模糊操纵，则可能后导致检测掉败。

如果设备的噪声强度较弱，则根基成像设备属性的检测要领可能掉效。

基于图像压缩属性的检测要领只能检测JPEG格局的图像篡改。

基于哈希技术的检测要领依赖于原始未经篡改图像的哈希，则不能严格分类为盲伪造检测类型。

????卷积神经网络告成的两个原因，如下：

CNN框架操作了范围内的像素凡是是高度相关联，给与分组的本地连接，而非所有像素单元之间使用一对一连接（大大都神经网络的情况）。

CNN体系布局给与特征共享，每个通道（特征图）都是在所有位置使用不异的卷积核通过卷积运算生成的。

2.网络框架布局及相应算法 2.1. 网络框架布局

????上图种的上一部分为从粗到细的CNN网络，下一部分为自适应聚类算法。

????在上一部分，分为两个特征学习过程，第一个特征学习过程是基于粗CNN，能够大略简直认在图像篡改区域和图像未篡改区域的分歧，尤其是边沿。第二个特征学习过程是基于细CNN，能够进一步学习到须要的在图像篡改区域和图像未篡改区域的分歧，即在粗CNN得到的边沿进一步筛选。

????不才一部分，在通过C2RNet得到最终越发准确的可疑篡改区域（Net_out）后，给与自适应聚类算法确定最终准确的篡改篡改区域（FD_Out），然后操作填充算法进行填充，得到最终功效。

2.2. C2RNet网络参数 2.2.1. 粗卷积神经网络（C-CNN）网络参数

????C-CNN是基于VGG-16，它包孕13个卷积层，每个卷积层给与RELU激活函数，5个最大池化层，2个全连接层。

????数据的输入:图像块（image Patch）\(W_c×W_c\)（篡改图片和对应原始图片），论文中\(W_c\)设置为32，一共生成115000的patch标签作为篡改和115000patch标签作为非篡改。

????数据的输出：二分类问题，是包罗篡改区域的块还是不包孕篡改区域的块。

2.2.2. 细卷积神经网络（R-CNN）网络参数

????C-CNN输出的是可疑的篡改区域，这就意味着图片边沿相近可能存在一些不正确检测到的区域，这表白C-CNN学习到的功效需要进一步过滤失，同时也说明了C-CNN网络中输入的Patch巨细无法供给足够的局部信息来探索图片的差异。因此，可以通过级联一个精的CNN网络来滤除那些禁绝确的区域。

????R-CNN是基于VGG-19，它包孕16个卷积层，5个最大池化层，3个全连接层。