文摘
在多媒体取证社区,anti-forensics (CE)在数字图像对比度增强是一个重要的主题理解相应的CE法医方法的弱点。一些传统的CE anti-forensic方法证明有效的锻造能力消除法医指纹增强对比度图像的直方图和灰度同现矩阵应用灰度共生矩阵建立(),当他们忽视像素值变化的问题,他们的方法可以使他们在像素域。在本文中,我们专注于研究CE anti-forensics基于生成对抗网络(GAN)来处理上述问题。首先,我们利用氮化镓处理超声造影图像,让它的一成不变的在像素域之一。其次,我们引入一个特别设计的基于直方图的损失在直方图增强攻击效果应用灰度共生矩阵建立域和域。第三,我们使用一个pixel-wise损失保持视觉处理的图像的增强效果。实验结果表明,我们的方法实现高anti-forensic攻击性能对CE探测器在像素域,直方图领域,应用灰度共生矩阵建立和域,分别和维护最高的图像质量与传统的CE anti-forensic方法。
1。介绍
随着计算机技术的发展,数字图像广泛应用于我们的世界。因此,潜在的安全问题在近年来新兴的数字图像。许多操纵数字图像是威胁我们的司法系统。为了解决这个问题,研究人员研究了大量的图像取证方法。然而,许多法医方法有其局限性的鲁棒性。了解自己的不足和弱点,anti-forensic在数字图像的研究开发。
近年来,许多anti-forensic研究提出了(1- - - - - -14]。数字图像的共同实践anti-forensics [1- - - - - -3,5,7- - - - - -11,14]中引入最小失真数字图像消除或改变法医方法依赖于相应的指纹,这可能导致成功的anti-forensic攻击取证方法。在这种情况下,anti-forensic图像视觉上接近攻击图像。最近,一种不同的anti-forensic实践操作图像anti-forensics模型图像anti-forensic问题作为一个图像翻译基于氮化镓或修复问题,如中值滤波anti-forensics [4],JPEG压缩anti-forensics [6],和multi-operation图像anti-forensics [12,13]。这种做法意味着经营形象的改变,从而导致操作指纹的消失。此外,Chen等人。14]提出一种anti-forensic GAN-based相机模型研究[14)欺骗相机模型检测器以及保存了图像的视觉效果。到目前为止,它仍然是可展开的研究操作图像anti-forensics基于氮化镓的情况下保留操作的视觉效果。我们决定专注于研究单个操作anti-forensic任务,如CE anti-forensics,第一次尝试这个问题。
CE anti-forensics, anti-forensics的任务之一,是近年来对抗CE法医方法。早期CE anti-forensic策略(8- - - - - -10]研究了对基于直方图CE法医方法。曹et al。8]提出地方随机抖动的方法(上),旨在消除peak-gap构件,出现在增强对比度的图像的灰度直方图。Barni et al。10)提出了一个通用anti-forensic方法对基于直方图法医探测器。之后,进一步去除工件直方图和灰度共存应用灰度共生矩阵建立(),拉维et al。11)提出了一个有效的anti-forensic CE技术通过求解一个优化问题。
虽然这些方法可以欺骗直方图探测器甚至GLCM-based CE探测器,他们忽略了一个事实,他们的方式像素值的变化将使他们在像素域。到目前为止,这仍然是一个挑战性的CE anti-forensic任务计数器CE法医探测器在像素域,同时应用灰度共生矩阵建立直方图域和域。解决这个问题和挖甘的潜在能力,我们提出一个新颖的GAN-based CE anti-forensic方法。我们利用氮化镓处理超声造影图像处理,使图像的不变的一个在像素域。与此同时,介绍了专门设计的基于直方图的损失在直方图增强攻击效果应用灰度共生矩阵建立域和域。此外,我们使用一个pixel-wise损失保持视觉处理的图像的增强效果。我们遵循mean-shifted Gaussian-functions-based方法(15)计算可微的直方图适合深度学习训练过程。实验结果表明,我们的方法成功地欺骗三deep-learning-based CE法医探测器(6,16在像素域,直方图域,应用灰度共生矩阵建立和域,分别和保持最高的图像质量比传统CE anti-forensic方法。
我们的贡献总结如下:(1)我们利用GAN完成CE anti-forensics保护条件下的视觉效果在很大程度上。我们所知,这是第一次尝试使用氮化镓CE anti-forensics保存条件的CE的视觉效果。(2)我们引入一个特别设计的基于直方图的损失在直方图增强攻击效果应用灰度共生矩阵建立域和域。(3)我们的方法显示高anti-forensic攻击性能的像素域,应用灰度共生矩阵建立直方图域和域。(4)与传统的CE anti-forensic方法相比,我们的方法达到最高的图像质量。
剩下的纸是组织如下。节2,我们描述了背景。在第三节该方法中,我们描述了。在第四节,我们介绍我们的实验的细节。最后,我们工作的总结和展望未来发展的部分5。
2。背景
2.1。生成敌对的网络和Anti-Forensics
氮化镓是一个深度学习框架提出的格拉汉姆·古德费勒等。17)生成视觉真实的图像。古典GAN包括两个网络,一个发电机和一个鉴别器 。 试图产生一个图像和使其分布接近分布真实的图片尽可能多的。试图区分真正的形象从生成的图像 。交替训练两个网络在竞争的方式通过优化以下极大极小问题:
氮化镓是相反的两个网络,这是类似于攻击者之间的关系和法医调查员。因此,它是一个适当的方法研究基于氮化镓anti-forensic方法(18]。
2.2。CE工件和CE检测直方图域
Stamm CE法医研究时代早期,和刘19]研究了盲CE法医方法在数字图像的基于直方图的不变的图像平滑,而相应的直方图对比度增强是peak-gap构件,如图1。
具体来说,CE操作曾经是一个非线性的像素映射,例如,伽马校正,可以分为局部收缩映射和本地的映射。舍入后局部收缩映射和局部膨胀映射结果的出现高峰和差距,分别。
peak-gap工件的直方图是一种高频信号,从而导致的高频分量在傅里叶域中,如图1。与此同时,也存在类似的现象在高端和低端饱和不变的图像。在相应的直方图,存在脉冲峰值的像素值为255和0。一个脉冲的傅里叶变换是一个常数函数,也导致的高频分量。为了避免这种效果,Stamm和刘19)提出了一个夹止函数来处理直方图如下: 在哪里代表了图像,是夹断函数,代表的直方图 。
然后,高频测量是由以下公式计算: 在哪里的傅里叶变换和是一个加权函数取值在0和1之间减少低频区域的 。 是制定 在哪里是一个截止频率。
最后,Stamm和刘19)执行一个阈值测试来识别CE操作。从anti-forensics,降低对比度增强的直方图图像的高频分量是一个可能的解决方案。
2.3。CE应用灰度共生矩阵建立工件域
GLCM用于描述纹理特征像素相关性的灰色。德罗萨et al。20.应用灰度共生矩阵建立]首先发现了空行和列出现在增强对比度的图像,虽然不存在这种应用灰度共生矩阵建立的工件的一成不变的,如图1。应用灰度共生矩阵建立的空行和列对应直方图的缺口,因为缺乏相应的像素值。从anti-forensics,可以删除空行和列的情况下的工件peak-gap直方图中消除。
2.4。直方图计算卷积神经网络
转移步骤功能集中在相应的直方图箱可用于计算直方图没有任何信息丢失,而CNN是无用的学习因为直方图特征导数为零都除了边缘。对这个问题,Sedighi和Fridrich15)提出了一个方法来近似的直方图mean-shifted高斯函数,如图2。通过这种方法,直方图箱可以通过以下公式计算: 在哪里代表图像的像素值在的位置 ,W,H代表相应的宽度和高度 , 表示平均值表示标准偏差。
Mean-shifted高斯函数是连续可微的及其衍生品并不总是0。这个属性,它可以获得一个有效的回流的梯度CNN参数的更新。
3所示。该方法
3.1。GAN-Based CE Anti-Forensic框架
在本节中,我们提出一个CE anti-forensics GAN-based框架条件下保存CE的视觉效果。鉴于超声造影图像 ,我们的目标是重建的能力攻击CE法医方法以及维护的视觉效果 。
图3显示了我们的总体体系结构框架。我们的框架由三个部分组成。蓝色部分,增强攻击效果在像素域,发电机用于将超声造影图像生成一个能够伪造鉴别器通过优化敌对的损失 。在绿色部分,我们近似生成图像的直方图,然后使用傅里叶变换(FT)处理直方图,最后计算出相应的高频测量基于直方图的损失 。考虑到高频测量的超声造影图像直方图的一成不变的,高于CE工件应用灰度共生矩阵建立直方图和相互关联,部分中提到2,我们可以提高攻击我们的方法的有效性在直方图应用灰度共生矩阵建立域和域通过最小化 。在橙色的部分中,我们使用一个pixel-wise损失降低视觉对比度增强图像,生成的图像之间的区别。
我们的网络和损失函数的细节描述在接下来的两个部分。
3.2。CE Anti-Forensic网络
我们设计我们的发电机的anti-forensic处理增强对比度图像能够伪造鉴别器。我们的发电机网络如图4。我们引入一个跳过连接从输入位置的位置最后夹层之前,这是一个类型的残余学习策略加快网络训练(21]。最后夹层是用来限制的最大和最小像素值的像素保持一致性之间生成的图像和超声造影图像。
骨干网由几组。第一组包括一个 卷积与输出层的16个特征图,一批标准化(BN)层,和一个漏水的解决线性单元(LeakyReLU)。然后,三个相同的残块(ResBlocks)相连。每个ResBlock有两个重复的部分,其中包括一个 卷积与输出层的16个特征图,十亿层,一个LeakyReLU层。除此之外,存在一个跳过输入之间的连接Resblock和第二LeakyReLU Resblock前的位置。最后一组包含一个 卷积与单通道输出层,十亿层,一个激活的双曲正切(双曲正切)。
确保检测CE的鉴别器足够有能力生成的图像,直接采用鉴频器的结构P-CNN (16),提出了CE取证。
3.3。损失函数
我们的最终目标是生成anti-forensic图像可以欺骗CE法医方法和视觉接近相应的对比度增强的图像。为了实现这一目标,我们将损失函数发生器和鉴别器,分别优化参数都通过最小化损失函数在训练过程。我们的损失函数的细节如下。
3.3.1。发电机损失
发电机损失函数 在哪里代表了敌对的损失在鉴别器,代表高频测量损失基于图像直方图在傅里叶域中,和代表pixel-wise生成的图像的图像质量损失与增强对比度图像。系数 , ,和代表每个损失项的对应的权重。
是确保我们的发电机吗可以伪造鉴频器 。我们计算由以下公式: 在哪里代表了对比度增强图像,表示生成的图像,表示鉴频器的输出。
是降低高频分量的直方图中更好的攻击效果应用灰度共生矩阵建立直方图域和域。在计算这些损失之前,我们需要计算生成的图像的直方图。确保江河梯度不是封锁了由于图像直方图的计算,我们遵循使用mean-shifted高斯函数近似的方法(15]。考虑到生成的图像的像素值不是整数,他们不能保持回流的圆形渐变在培训过程中,我们引入一个偏差项mean-shifted高斯函数的平均值,中心部分像素。不同的价值观对应于不同的分数像素。相应的直方图本生成的图像由以下公式计算: 在哪里 , , 代表直方图箱的中心, 。我们可以得到最终的直方图 通过连接256直方图箱。在那之后,我们计算由以下公式: 在哪里表示数量的偏见,代表了我th偏见, 代表了计算直方图 代表了高频测量的直方图 在傅里叶域中。我们遵循的方法19]中提到的部分2计算高频测量。
是确保生成的图像是视觉对比度增强的图像。我们计算的绝对意味着生成的图像之间的区别和超声造影图像 。的公式如下: 在哪里和表示像素索引和和分别表示图像的宽度和高度。
3.3.2。鉴频器的损失
鉴别器训练识别生成图像的不变的一个通过优化传统的鉴别器损失函数(17),如下: 在哪里代表了一成不变的形象和代表相应的对比度增强图像。
4所示。实验
4.1。实验设置
在我们的实验中,我们选择了公共BOSSbase数据集(22)与原始数据集,其中包含10000灰度级图像的大小512512年的png格式。考虑到有限的硬件配置,我们决定推出我们的实验图像的大小128128年。每个图像原始数据集是剪裁,没有重叠的8 128128个补丁。这样,我们获得的数据集包含80000张图片。因此,我们创造了80000个使用伽马校正图像对比度增强。
我们选择了四个值为0.5,0.8,1.2,1.5,同时为每个图像的数量值是20000。因此,我们有80000对改变和增强对比度图像。我们将这些图像对分成训练集和测试集的比例4:1培训和测试,分别。该网络是由PyTorch框架实现23和训练有素的GPU, NVIDIA RTX 2080 Ti。
在每个迭代训练我们的网络,发电机训练与训练40超声造影图像和鉴别器40双图像,包括超声造影图像和相应的改变。发电机和鉴别器交替训练迭代。我们的培训过程分为两个部分。首先,我们训练网络35时代。发电机的学习速率和鉴别器被固定 和 ,分别。我们组的系数 , ,和 在发电机损失。然后,我们继续我们的网络训练5时代。学习速率的发电机和鉴别器都是固定的 。我们组的系数 , ,和 在发电机损失。截止频率设置为 。此外,我们四个偏见的集合 , , ,和 在 。
我们使用亚当作为优化器 , ,和 发电机和SGD与优化器使用 和 鉴频器。培训过程后,我们输入16000超声造影图像测试集到训练有素的发电机模型获得16000 anti-forensic图像。
4.2。评价
评估CE anti-forensic算法之前,我们训练三个deep-learning-based CE法医提出的探测器(16,24]。两个探测器P-CNN H-CNN,输入数据的图像和柱状图的形式,分别提出了在16]。提出了另一个探测器(24]。为了方便起见,我们把它称为GLCM-CNN从不变的图像进行对比度增强图像应用灰度共生矩阵建立分析的图像。下的三个探测器的性能测试设备如表所示1。
我们评估CE anti-forensic方法两个方面,进攻效率和图像质量。首先,我们进行了使用四种类型的anti-forensic映像anti-forensic攻击,我们的方法得到的和三个其他传统方法8,10,11),对三个训练有素的CE法医探测器。每个探测器的探测精度anti-forensic这四种类型的图像如表所示2。检测精度越低,表明财富更好的攻击相应的anti-forensic方法的有效性。我们anti-forensic P-CNN图像的平均检测精度为0.1304,这是与其他三个anti-forensic方法相比最低。这是因为我们的方法考虑了anti-forensic攻击在像素域,而其他方法不考虑这个问题。H-CNN的检测精度和GLCM-CNN方法仍然处于低水平,因为我们考虑提高anti-forensic攻击性能的应用灰度共生矩阵建立直方图域和域通过引入基于直方图的损失 。即使他们不是最低的,这些结果表明,我们的方法足以欺骗H-CNN和GLCM-CNN仍然有效。一般来说,我们的方法成功地欺骗P-CNN [16],H-CNN [16],GLCM-CNN [24]。
其次,以验证这四个CE anti-forensic方法的图像质量条件下保持对比度增强视觉效果,我们计算PSNR和SSIM anti-forensic图片和相应的对比度增强的。更高的PSNR值和SSIM意味着更好的图像质量。这四个的平均PSNR和平均SSIM anti-forensic图像如表所示3。我们的方法实现了图像质量最高,SSIM 49.0258 dB的PSNR和0.9926。总而言之,我们的方法仍能保持良好的anti-forensic攻击效率最高的图像质量。
可视化,我们提供了一个示例,其中包含一个一成不变的形象,增强对比度图像,anti-forensic图像的方法,应用灰度共生矩阵建立和相应的直方图,如图1。我们很难找到可见失真anti-forensic相比图像对比度增强。peak-gap和空行和列的工件的超声造影图像的直方图和应用灰度共生矩阵建立的,分别被成功删除。此外,高频分量的傅里叶变换anti-forensic图像直方图在低水平,这是接近的。
最后,我们评估基于直方图的影响损失 。在图5,我们可以发现的损失有利于增强对P-CNN攻击能力,H-CNN, GLCM-CNN。特别是,增强攻击效果对H-CNN GLCM-CNN是显而易见的,这是符合我们的想法在直方图增强攻击效果的应用灰度共生矩阵建立域和域使用 。
(一)
(b)
(c)
5。结论
在本文中,我们提出一个新颖的基于氮化镓的CE anti-forensic方法。我们的方法显示了高anti-forensic攻击性能对deep-learning-based CE检测技术在像素域,应用灰度共生矩阵建立直方图域和域。我们anti-forensic图像的图像质量也优于其他传统的方法。在未来,我们试图研究一般的视觉效果保存操作图像anti-forensic方法基于氮化镓为多个任务操作anti-forensic形象。
数据可用性
所有的数据都包含在本研究可按照客户要求定制相应的作者。
的利益冲突
作者宣称没有利益冲突有关的出版。
确认
这项工作是支持中国国家重点研究和发展的一部分(2018 yfc0807306),中国国家自然科学基金(U1936212和61672090),和北京Fund-Municipal教育委员会联合项目(KZ202010015023)。