揭示的痕迹图像重采样和重采样Antiforensics

文摘

图像重采样是一种常见的图像处理操作。重采样的取证中扮演一个重要的角色在图像篡改检测,隐写术和隐写式密码解密。在本文中,我们提出了一个有效且安全的检测器,它可以同时检测重采样和伪造的重采样antiforensic袭击的计划。我们发现使用的插值操作重采样和伪造的重采样使这两种图像显示不同的统计行为不变的图像,特别是在高频域。揭示插值留下的痕迹,我们首先运用多向高通滤波器在图像和残余创建多方向的差异。然后,不同的是适合一个自回归(AR)模型。最后,AR系数和不同的归一化直方图提取功能。我们组装每个不同的特征提取的图像构建综合特性和饲料到支持向量机(SVM)检测重采样和伪造的重采样。大型图像数据库实验表明,该探测器是有效和安全的。与最先进的作品相比,该检测器的检测取得了显著改善将采样或JPEG压缩下重采样。

1。介绍

重采样是一个有用的图像处理工具,如消费电子产品的升级,缩小规模的在线商店,社交网络,照片共享门户。然而,有些人故意利用创建破坏图像的重采样和上传这些图片社交网络传播谣言。由于滥用在图像篡改、重采样取证吸引了研究人员的关注(1- - - - - -12]。重采样取证也可以用来揭示了图像处理的历史或帮助人们选择安全掩护速记;例如,Kodovsky和Fridrich分析降尺度的参数如何影响安全的速记(13]。侯等人利用盲隐写式密码解密的重采样取证(14]。因此,重采样取证是特别感兴趣的多媒体安全领域。

早期作品(1- - - - - -10重采样的取证是基于等距采样和插值产生的周期性的构件。这些探测器(1- - - - - -10)在未压缩的重新取样图像可以提供可靠的结果。然而,他们的检测精度显著退化与JPEG压缩重采样的情况下。近期作品(11,12,15)利用模式识别方法来检测重采样。这些作品中提取特征,然后进行分类的机器学习工具。冯et al。11)利用归一化能量密度图像重采样的特点。他们分裂的DFT频谱图像的二阶导数成19个不同大小的窗口,然后提取每个窗口形成的归一化能量密度19 d功能。李等人。12)利用力矩特性,揭示了重采样的位置和幅度分布DFT频率域。他们首先把DFT频谱分为20次能带以同样的时间间隔,然后从每个部分波段提取力矩特性形成20 d功能。为了简单起见,我们称为19 d归一化能量密度特性(11和20 d力矩特性12铁和调频,分别。基于机器学习的探测器(11,12,15)获得更好的结果比期刊artifacts-based探测器(1- - - - - -10]upsampling的JPEG压缩。然而,他们的表演与JPEG压缩downsampling仍需改善。此外,上述探测器(1- - - - - -12,15)没有考虑恶意对手的存在,在现实生活中一个可行的挑战。例如,基什内尔和看法16)提出了一个antiforensic计划通过删除与不规则采样周期工件并成功击败了periodicity-based方法(1- - - - - -10]。续集,我们称为重采样antiforensics [16]伪造的重采样。

antiforensic技术的出现已经引起研究者的关注安全的取证17,18]。Sencar和Memon18)正式定义安全和鲁棒性取证。他们指出安全问题的能力抵抗故意隐瞒非法的后处理,而鲁棒性集中在可靠性与合法的后处理。在我们以前的工作(19),我们采用偏自相关系数揭示造成的工件伪造的重采样。李等人。15)利用steganalytic模型、SRM (20.伪造的重采样检测,获得优良的性能。

测试图片,我们没有知识是否已经被重采样处理或伪造的重采样。为了避免丢失的检测,另一种方法是按顺序测试图像重采样探测器和伪造的重采样探测器。只有两个探测器都预测图像是无辜的测试图像作为一个无辜的图像。为了简化检测过程,我们提出了一个集成的探测器可以同时检测重采样和伪造的重采样。重新取样图像和伪造重新取样通过插值生成图像,我们使用直方图和AR模型系数多向差异捕捉插值的痕迹。实验结果表明,该集成探测器是有效和安全的。

本文的其余部分组织如下。部分2综述了重采样取证和antiforensic方案16]。节3,我们引入一个新的特性集重采样取证。中给出的实验部分4。部分5总结了纸。

2。背景

在本节中,我们首先介绍了重采样及其期刊工件,然后检查伪造的重采样方案提出的基什内尔和看法16]。

2.1。重采样

常用的图像重采样操作,包括缩放和旋转,包含两个基本操作:(1)重新采样,也称为空间坐标变换,和(2)强度插值,将像素值赋给转换后的像素。

假设我们想重新调节图像到一个图像。一般来说,2 d图像缩放分为两个1 d缩放操作的行和列,分别。直观、形象首先是新沿行中间图像吗的大小;然后图像是新沿着列新形象吗的大小。整个扩展过程可以制定 的矩阵和确定比例因子和插值内核体现了重新调节过程的行和列,分别。根据(1),我们可以简化讨论的2 d 1 d缩放比例。作为图像旋转类似于图像缩放,我们专注于图像缩放在下面。

在重采样阶段,比例因子(最大公约数和1),重新调节像素首先和等距离映射到原始像素网格吗。尺度改变像素的强度计算的加权和邻近的原始像素强度。权重是由插值核函数,它使用新网格之间的距离和周边原始网格作为输入。

由于等距抽样,距离序列是期刊;因此,插值权重期刊和周期性的介绍了相邻像素之间的关联模式。图1显示了一个示例的升级()与双线性插值th行图像。结果表明,插值权重出现周期性等于3。在这种情况下,扩展矩阵如下:

从矩阵,我们可以推断出这3kth ()列是一个线性组合的4相邻列,这表明,相邻像素之间的相关性是期刊。

早期作品(1- - - - - -10)利用期刊线性相关性检测重采样。Popescu和法(1)揭示了期刊相关的概率地图(p-map),这是估计的期望最大算法。自动探测器,期刊工件被转换为山峰在频域图的中间行所示2。

2.2。伪造的重采样方案

等距抽样主要结果重新取样图像中出现的周期性,基什内尔和看法提出两次袭击消除周期性(16]。

(1)第一次袭击是基于与边缘调制(用几何失真攻击1)。打扰等距抽样,转换后的像素添加了零均值高斯噪声的标准方差控制攻击强度。也就是说,转换后的像素变成了一个扭曲的像素,在那里是高斯噪声。只有几何畸变严重退化的视觉质量,特别是在图像的边缘。为了提高视觉质量,边缘调制来调整攻击强度。尤其是攻击优势被削弱。不平等的抽样后,伪造重新取样获得的图像应用在扭曲的像素插值。

(2)第二个攻击是双路径方法(用攻击2)。这种方法应用攻击的低和高频率成分重新取样的形象。在低频的路径,基什内尔和伯麦非线性5×5中值滤波器应用于破坏邻近像素之间的线性相关性。在高频路径,他们首先获得剩余通过减去5×5从源图像中值过滤版本然后应用攻击1残得到扭曲的重新取样残。最后伪造图像是通过添加过滤重新取样获得的图像和扭曲的重新取样残留。

两种攻击成功隐藏的周期性重新取样形象;与此同时他们保存了图像的视觉质量。图2表明一个不变的图像(第一行)和伪造的重新取样图像(第三行)p-map和相应的傅里叶谱几乎相同,这表明periodicity-based探测器(1- - - - - -10]可能分类伪造重新取样图像作为一个不变的形象。

3所示。该方法

该方法旨在重新取样图像分类和伪造重新取样图像的不变的形象。等一个法医的问题可以制定以下假设检验:H₀:测试图像是一个不变的图像H₁:测试图像是一个伪造的重新取样重新取样图像或图像

3.1。插值的痕迹

与一成不变的形象相比,由于插值,重新取样和伪造重新取样图像不可避免地留下插值工件。我们主要关注模糊工件和统计的变化相邻像素之间的关系。

在插值阶段,重新取样像素的强度是一个加权和的原始像素相邻。插值是类似于一个低通滤波器11]。模糊工件不同的高档和伪造的高档图像。图3经验显示了归一化直方图的1阶水平差异(从数据库BOSSRAW)估计(21)(请参见4更详细的数据库)。可以看出,高档形象和伪造的高档形象有更多比一成不变的形象在垃圾箱。因为抗锯齿抑制图像中一些高频率成分,抗锯齿的缩减规模图像还显示有点模糊构件(13]。捕捉模糊工件重新取样和伪造重新取样的形象,我们将使用图像的归一化直方图差分作为特征子集。

插值操作也改变邻近像素的关系。根据公式(1),一个未知的相邻像素的线性组合已知的原始像素,是内核宽度。对于一个新形象,让我们计算用于生成原始像素的数量连续的新像素。首先,这些的距离新像素是,所以有或原始像素位于其中连续像素,和表示的地板和装天花板函数最近的整数。第二,左(或右)参与原始像素插值过程的开始(或结束)新像素。因此,我们可以推断 或 原始像素用于生成连续p新像素。例如,图1显示6高档像素是由5原始像素。根据以上结论,我们可以推断出的关系连续的新像素反映的关系或连续当然不同于原始像素之间的关系连续原始像素。伪造的新形象,由于不规则采样,一些伪造的像素集群密切在原始网格和其他像素位于原始稀疏网格,也表明锻造新形象表现不同的相邻像素之间的关系的不变的形象。捕捉邻近像素的关系,我们将图像差异融入一个AR模型和提取AR系数作为特征子集。基于“增大化现实”技术特征可以描述高阶相邻像素的相关性,但它有较小的尺寸比垃圾邮件(22)(减去像素邻接矩阵)。

3.2。多方向的差异

正如上面提到的,插值有点类似低通滤波器(11),从而造成重大统计插值图像的高频成分的变化。在一般情况下,高频组件(如纹理和边缘)的自然图像是多向的。因此,插值引起的变化也多方向的。捕捉这些变化,我们首先设计多向高通滤波器来创建多方向的差异,然后从这些差异中提取该特性。

我们使用的内核1阶差分获得多向内核。常用的内核1阶差异如下所示。

1阶不同水平的内核(H)、纵向(V),对角(D), Antidiagonal(广告)方向。它给出如下: 我们利用的水平组合(H)、纵向(V),对角(D), antidiagonal(广告)内核构建多向内核,如下面所示。

多向内核组G (1) - G (3)。他们有如下: 这里的“+”表示两个方向的组合内核。

从1阶H或V内核,二阶H, H + V, V内核(这里“+”是指两个方向的组合内核)推导以反映H和V方向插值的痕迹。同样,二阶D、广告和D +广告内核生成。我们也考虑之间的组合和并获得四种内核:H + D, V + D, H +广告,和V +广告。最后,我们总共有28二阶滤波器内核。以上方法后,我们可以创建高阶内核。然而,高阶内核的数量大幅增加,这将增加计算负担在特征提取阶段,所以我们只选择上述28二阶滤波器内核创建多方向的差异。

基于内核的方向,我们将所有内核分为3组(用在“多向内核组G (1)- g (3)”)。指出,任何内核在一组可以通过旋转或翻转同一组内的其他内核。因此,我们指定内核在一组共享相同的模式。考虑到空间自然图像统计信息是对称的镜像和翻转(22),我们可以从同一组的平均特性集提取降低特征维度。

进一步提高高频插值留下的痕迹,除了图像本身,一个高频空间剩余(用)被创建来构造多方向的差异。要做到这一点,我们首先把离散余弦变换(DCT)频率为3次能带以同样的时间间隔,然后选择高频子带,如图4创建一个高频空间剩余由逆DCT。整个过程可以制定 在哪里是一个高通滤波器。我们经验发现的类型(如高斯高通滤波器)和分区的部分波段对重采样探测器微不足道的影响。为了简洁,我们采用上述方法生成。对符号方便,一个图像表示为的续集。

每个内核”所示多向内核组G (1)- g (3)”是复杂的图像和它的高频残余生成二阶差分(用)。最后,我们得到了56种差异。灵感来自于丰富的模型隐写式密码解密(20.),装配的功能多方向的差异将有利于挑战法律问题,如检测JPEG压缩图像重采样。

3.3。功能建设

在本节中,我们首先提取基于“增大化现实”技术特征(远)和直方图特征从每个图像的区别(跳频),然后组装,跳频提取56差异构建最终的特性集。

是基于方向的提取。(1)的差异来源于H内核,因为它主要是用来反映了水平方向上的变化,在水平方向上提取。(2)同样,V的差异由内核,是提取在垂直方向。(3)所示的其他内核创建的差异”多向内核组G (1)- g (3)”AR系数,首先从水平和垂直方向分别,然后获得的平均。

提取在水平方向如下。首先,连接的所有行生成一个一维序列,在那里(行索引)是左右翻转版本的行。然后,输入制定成一个AR模型计算AR系数(23]。置换,我们可以以同样的方式提取在垂直方向。可以制定的AR模型 在哪里,,代表着秩序,AR系数,分别和预测误差。

根据对称分布的差异,如图3跳频计算如下: 在哪里(或)的归一化频率等于不同元素(或)。

降低维数,在内核的假设下在一组属于同一模式,我们平均和跳频组和表示他们是在相同的区别和(集团指数;残留指数)。该功能由多向差异(用FD)获得如(8)通过连接特性子集提取。的尺寸和是和,分别。因此,FD的总尺寸。

我们设置了参数和基于AR系数的分布和直方图的图像和图像重新取样。图5显示了AR系数估计的分布从BOSSRAW数据库(21)(请参见4更详细的数据库)。

为了简便起见,我们只显示的情节和。回想一下,和分别从差异中提取的的差异。下标“1”代表这一事实所产生的差异是G(1)内核组。两块显示12-order基于“增大化现实”技术的特性是能够区分缩放或伪造的缩放图像的不变的形象,所以我们组。结果表明,和呈现不同的情节形状,这表明它们是互补的重采样取证。的参数经验设置为5,因为我们观察到的大部分属于不同元素,比如BOSSRAW数据库中的图像。与和,FD的维数是108。

该探测器总结如下:(1)选择DCT的高频波段,如图4创建空间剩余。(2)创建之间的多向差异进行卷积()和内核”多向内核组G (1)- g (3)。”(3)提取,从每个不同跳频和构建提出功能(8)。(4)饲料的特性集从训练图像中提取支持向量机训练提出了探测器。

4所示。实验结果

我们测试该检测器在合成图像数据库组成的3000永远不会重新取样图像。BOSSBase [21)和德累斯顿图像数据库(做)24)广泛应用于图像取证。他们的原始图像源数据库用BOSSRAW DIDRAW,分别。我们随机选择1500原始图像从BOSSRAW和DIDRAW数据库,分别建立综合数据库。在进一步处理之前,所有的图像转换为8位灰度图像。

一成不变的综合数据库作为源数据库提供用于创建重新取样图像数据库。我们创建了三种重新取样数据库:升级,降尺度和旋转。我们也使用antiforensic方法提出的基什内尔和看法16创建三种伪造重新取样数据库:锻造升级,伪造的降尺度和旋转锻造。重采样和伪造的重采样的常用参数(如表所示1)是用于生成各种类型的重新取样图像。我们使用相同的数量为每个类型的重新取样或伪造的数据库。例如,12种升级(四种类型的比例因子,三种内核),我们分给每一个3000/12 = 250张图片。阻止影响图像清晰度,一成不变的,重新取样,伪造重新取样图像center-cropped 512×512。

与采用高斯核支持向量机分类器(25]。为了避免过度拟合,我们进行了一次最好的网格搜索参数的支持向量机训练集的5倍交叉验证。训练和测试的目的,我们创建了几个training-testing对。每一对拥有6000张图片,这是由不变的综合数据库及其修改版本。培训执行随机的子集对50%,执行和测试剩下的50%。采用以后,同样的方法设置,除非特别指定。接受者操作特征(ROC)曲线和检测错误是用来评估基于svm检测器的性能。在公式(9)、玻璃钢和TPR表示假阳性率和真阳性,分别。

我们所知,没有相关作品,同时检测的重新取样图像和伪造图像不变的形象。我们比较建议FD-based检测器与艺术的状态重新采样取证:FE-based探测器(11和FM-based探测器12]。作为FE-based探测器(11和FM-based探测器12插值)捕获一些工件,我们假设他们可能有效的伪造的重采样检测。此外,铁探测器和调频探测器是基于svm,所以很方便与该探测器进行比较在相同的实验设置。我们还注意到steganalysis-based探测器(15,26)取得了出色的表现在重采样检测。然而,由于巨大的尺寸(34761 - d)的隐写式密码解密功能,提取34761 - d特征和训练支持向量机的模型非常耗费时间的,所以我们不能直接比较方法steganalysis-based探测器(15,26]。

在下面,我们首先评估的有效性提出复合功能。然后,我们表明,FD-based检测器不仅可以检测重新取样或伪造重新取样图像的图像作为传统方法(11,12,26),但也同时检测重新取样和伪造重新取样图像不变的图像。最后,我们给拼接检测使用该探测器的一个例子。

4.1。评价复合功能的有效性

FD拟议的特性是一个复合的子集()所示(8)。确认没有多余的部分,我们将FD与,通过检测高档图像不变的图像。正如上面提到的,FD的复合⁰和FD¹预计将有利于检测JPEG压缩图像重采样。为了测试FD对有损JPEG压缩的鲁棒性,不变的和高档的图像都是postcompressed JPEG 80。通过支持向量机测试,FD, FD⁰,FD¹分别是7.23%,8.30%和10.57。这个结果意味着FD产量最低,这表明FD的特征子集⁰提取图像和FD的区别¹从差异中提取高频残余的协作在重采样的分类。在下面,我们只报道FD的结果。

4.2。从重新取样检测的图像图像

在本节中,提出了检测器的区分变形了的图片重新取样测试图像。为此,我们创建3未压缩的training-testing双:高档与改变,缩减规模和不变且旋转而改变及其对应的JPEG 95和JPEG 80版本。

表2显示了三种特性的结果。在未压缩的情况下,提出FD-based检测器达到近乎完美的性能(< 1%)的检测升级,缩小规模,和旋转。FD-based探测器执行比其他两个探测器,尤其是在缩小规模或旋转的检测。例如,在降尺度的检测没有JPEG压缩,FD-based的探测器,分别是14.10和12.16低于FM-based探测器和FE-based探测器。中华民国曲线在图6再次确认该检测器具有重采样取证取得了极大的进步。在JPEG压缩情况下,FD-based探测器也最低收益率在JPEG 90和JPEG 80压缩training-testing对。

4.3。检测的图像伪造图像重新取样

在本节中,我们测试是否提出FD-based检测器可以抵抗恶意攻击(16]。测试是专为区分的不变的图像伪造图像重新取样。FE-based探测器(11和FM-based探测器12]最初并不旨在检测antiforensic计划(16),但他们抓住了一些工件重新取样的插值图像,如能量密度。因此,我们也测试是否FE-based检测器和FM-based检测器可以检测出隐藏在伪造重新取样图像插值工件。

表3显示了详细的结果。没有JPEG压缩,FD-based检测器达到近乎完美的性能(< 0.2%),这表明FD-based检测器可以有效地抵御攻击antiforensic计划(16]。图7显示了相应的ROC曲线下的未压缩的场景。ROC曲线可以看出,该探测器总是高于其他两个探测器。FD-based探测器的优点是突出玻璃钢时低。例如,在降尺度检测、FD-based探测器是99.93%的TPR玻璃钢= 1%,约59.53和87.63高于FM-based探测器和FE-based探测器。FE-based探测器和FM-based探测器得到良好的表演伪造检测的升级和伪造的旋转。然而,他们伪造的降尺度检测性能恶化。在JPEG压缩情况下,结果在表3表明该FD-based探测器也优于其他两个探测器。

4.4。从重新取样检测的图像图像和伪造图像重新取样

在应用程序中,我们可能没有先验知识对测试图像。更实际的探测器,我们训练SVM探测器通过改变图像和“所有”包括重新取样图像和图像伪造图像。这种探测器要求法医特性之间的异质图像。视觉展示FD的能力,我们将FD映射到一个二维空间线性判别分析(LDA)。明确区分三种类型图中可以看到8。

我们在本节创建3 training-testing双如表所示4。“所有”类是由1500年到1500年重新取样图像和伪造图像重新取样。我们随机选择500高档图像,500缩减规模的图片,和500旋转图像组成的重采样阶级“所有”数据库。伪造的重采样的类是由相同的方式。

表4给出了详细的结果。在未压缩的情况下,可以看出FD-based检测器能有效区分改变图像(“所有”类)的一成不变的形象,这表明该特性捕捉指纹留在重新取样图像的插值和伪造图像重新取样。或者在未压缩的JPEG压缩的情况下,提出FD-based探测器性能也是最好的。图9表明,玻璃钢= 1%,FD-based检测器达到TPR = 98.3%,这表明该探测器在真实的应用程序是可行的。

4.5。拼接检测的一个例子

在本节中,我们使用该探测器检测拼接篡改。自粘贴对象的位置是未知的,质疑形象分为nonoverlapped块,每个块,然后提出了预测的探测器。块大小设置为64×64。因此,SVM检测器对准64×64块。训练集由3000年不变的图像和3000年“所有”图片中使用部分4.3。

图10 (b)显示了一个示例的拼接图像。它是由拼接两只鸟成图10 ()。创建相信篡改、伪造者可能反复采用重采样来调整视觉质量。模拟真实的情况下,正确的鸟在图10 (b)首先是缩减规模(比例因子= 0.8,双三次的)然后高档(= 1.2,双三次的)。左鸟是由antiforensic处理方案使用默认设置(16)(攻击2,,双线性)。数据10 (b)和10 (c)显示未压缩的篡改检测结果和JPEG 95压缩篡改,分别。64×64块预测干扰是用红颜色标记。虽然该探测器只是训练图像块用一个缩放操作,它可以定位拼接的大部分地区,包括该地区经历了多个缩放操作。插入对象的边缘是一个复合的改变和改变,一些失踪的边缘检测出现在两个粘鸟。注意,这种破坏的例子是简单的篡改。在现实生活中,伪造者会采取各种方式逃避法医的检测工具。广义法医工具,它可以识别通常的图像操作和他们的组合,可能是有用的在复杂的干扰图像的检测。

5。结论

在本文中,我们提出了一种新颖的集成检测器来检测图像重采样和重采样,同时解决了效率和安全问题。我们设计多方向的差异提取功能。捕获的痕迹重采样和重采样,提取特征系数的自回归模型和直方图。大量合成图像数据库上实验表明,该探测器是有效和安全的,收益率大的改进将采样或重新取样检测的JPEG压缩。篡改检测结果表明,该检测器在实际应用前途。我们发现有损JPEG压缩影响该检测器的性能。降解性能与JPEG压缩比增加。提高探测器对沉重的JPEG压缩的鲁棒性是我们的未来的工作。

相互竞争的利益

作者宣称没有利益冲突。

确认

这部分工作是由国家自然科学基金委(U1135001批准号。61379155,61303127),研究中国高等教育的博士项目基金(批准号20110171110042),广东省NSF(批准号s2013020012788),西南科技大学博士研究基金(批准号16 zx7104)。

引用

1. a·c·Popescu和h法”,暴露数码伪造通过检测重采样的痕迹。”IEEE信号处理,53卷,不。2、758 - 767年,2005页。视图:出版商的网站|谷歌学术搜索|MathSciNet
2. a·c·加拉格尔,”检测的线性和三次插值在JPEG压缩图像,”第二届加拿大会议上电脑和机器人视觉(CRV 05)IEEE,页65 - 72年,2005年5月。视图:出版商的网站|谷歌学术搜索
3. b . Mahdian和s .上汽“盲认证使用周期属性插值,”IEEE取证和安全信息,3卷,不。3、529 - 538年,2008页。视图:出版商的网站|谷歌学术搜索
4. m·基什内尔“快速和可靠的尺度改变固定线性预测残留,通过光谱分析检测”学报第十届ACM多媒体和安全研讨会(MM&Sec ' 08)英国牛津大学,页- 20日,2008年9月。视图:出版商的网站|谷歌学术搜索
5. w·魏王,张x, z,“估计的图像旋转角度使用interpolation-related光谱与应用程序盲检测的图像伪造签名,“IEEE取证和安全信息,5卷,不。3、507 - 517年,2010页。视图:出版商的网站|谷歌学术搜索
6. m·基什内尔和t .戴手套,“在re-compressed尺度改变检测图像,”《IEEE国际研讨会信息取证和安全,2009年,页21 - 25日。视图:谷歌学术搜索
7. d . Vazquez-Padin c Mosquera, f . Perez-Gonzalez”二维统计测试的存在几乎对图像进行比较,”学报17 IEEE国际会议上图像处理(ICIP 10)IEEE,页1745 - 1748年,香港,2010年9月。视图:出版商的网站|谷歌学术搜索
8. d . Vazquez-Padin c Mosquera f . Perez-Gonzalez,“法医重新采样估计,预滤器设计”《IEEE国际研讨会信息取证和安全(如“11),页1 - 6,2011年11月巴西巴西伊瓜苏瀑布。视图:出版商的网站|谷歌学术搜索
9. d . Vazquez-Padin和p . Comesana ML估计的重采样因子,”《IEEE国际研讨会信息取证和安全(如12)IEEE,页205 - 210年,特内里费,西班牙,2012年12月。视图:出版商的网站|谷歌学术搜索
10. d . Vazquez-Padin p Comesana, f . Perez-Gonzalez“集员辨识重新取样信号”第五届IEEE国际研讨会信息学报取证和安全(如“13),页150 - 155,广州,中国,2013年11月。视图:出版商的网站|谷歌学术搜索
11. x y冯、i . j·考克斯和d . Gwenael”re-sampled图像归一化能量density-based法医检测”,IEEE多媒体,14卷,不。3、535 - 546年,2012页。视图:谷歌学术搜索
12. 李l . j .雪、z .田和n .郑”时刻法医重新取样检测数字图像特征,”21 ACM国际会议的程序多媒体(13毫米的)ACM,页569 - 572年,巴塞罗那,西班牙,2013年10月。视图:出版商的网站|谷歌学术搜索
13. j . Kodovsky和j . Fridrich”效应将采样图像的隐写安全性,”IEEE取证和安全信息,9卷,不。5,752 - 762年,2014页。视图:出版商的网站|谷歌学术搜索
14. x侯,t . Zhang Xiong, y, x平,“基于纹理的图像重采样检测分类,”多媒体工具和应用程序,卷72,不。2、1681 - 1708年,2014页。视图:出版商的网站|谷歌学术搜索
15. w·h·d . Li罗,x问:秋和j·w·黄”识别的图像操作基于steganalytic特点”,IEEE电路和系统视频技术,2016年。视图:出版商的网站|谷歌学术搜索
16. m·基什内尔和r·伯麦”隐藏在数字图像重采样的痕迹。”IEEE取证和安全信息,3卷,不。4、582 - 592年,2008页。视图:出版商的网站|谷歌学术搜索
17. g .曹y赵,r .倪“法医鉴定的重采样操作符:半非侵入性的方法,”法医科学国际,卷216,不。1 - 3,29-36,2012页。视图:出版商的网站|谷歌学术搜索
18. h . t . Sencar和n . Memon”数字图像取证”Counter-Forensics:攻击图像取证,基什内尔Rainer伯麦和马提亚,页327 - 366,施普林格,2013年。视图:谷歌学术搜索
19. 林h·a . Peng曾庆红,x, x Kang“打击anti-forensics图像重采样,”《IEEE国际会议上图像处理(ICIP 15)IEEE,页3595 - 3599年,魁北克,加拿大,2015年9月。视图:出版商的网站|谷歌学术搜索
20. j . Fridrich和j . Kodovsky”丰富的数字图像隐写式密码解密模式”,IEEE取证和安全信息,7卷,不。3、868 - 882年,2012页。视图:出版商的网站|谷歌学术搜索
21. p . Bas、t .填料和t . Pevny”打破我们隐写系统组织的老板的来龙去脉,”《13信息隐藏会议,页59 - 70年布拉格,捷克共和国,2011年。视图:谷歌学术搜索
22. t . Pevny、p . Bas和j . Fridrich“隐写式密码解密减去像素邻接矩阵,”IEEE取证和安全信息,5卷,不。2、215 - 224年,2010页。视图:出版商的网站|谷歌学术搜索
23. 美国凯,现代谱估计第七章,普伦蒂斯·霍尔出版社,1988年。
24. t .戴手套和r·伯麦”为基准数字图像取证,德累斯顿图像数据库”ACM研讨会上应用计算的程序,22日至26日进行的,2010页。视图:谷歌学术搜索
25. c c。Chang和C.-J。林,“LIBSVM:支持向量机的库,”ACM智能交易系统和技术,卷2,不。3、第二十七条,2011年。视图:出版商的网站|谷歌学术搜索
26. x问:秋李·h·d·w·罗,和j·w·黄”一个通用图像法医策略基于steganalytic模型,”第二届ACM研讨会信息隐藏和多媒体安全萨尔斯堡,页165 - 170年,奥地利,2014年6月。视图:谷歌学术搜索

版权

版权©2017 Anjie彭等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。