基于机器学习的HDR图像取证技术研究

发布时间：2020-05-14 04:57

【摘要】：随着科技发展带来便利性的同时,人们的安全性也受到威胁。如今数字图像已经是人们唾手可得的一种信息传递媒介,但却很少考虑这种媒介的真实性和原始性。图像取证就是一门利用图像的统计特征来验证数字图像真实性、原始性和完整性的学科。高动态范围(High Dynamic Range,HDR)图像以其丰富的亮度范围和优秀的视觉效果正在一步步走出实验室,走近人们的生活中,目前市面上已经有很多款可以直接观看HDR视频的数字电视。然而遗憾的是,目前很少有学者关注到HDR图像的安全性方面。图像取证主要分为主动取证和被动取证两大类,其中被动取证又包括图像来源取证,图像篡改取证和图像的隐写分析三类。现有的大部分图像取证算法仅仅关注低动态范围(Low Dynamic Range,LDR)图像,很多LDR图像取证方法直接应用在HDR图像上时效果不好甚至完全行不通。本文的研究内容主要集中在HDR图像的来源取证和HDR图像的篡改取证两方面。关于图像来源取证,本文首先使用图像联合直方图分析不同方法生成的HDR图像在统计特征上的区别,然后提出了合成模式噪声的新概念用于表征不同方法生成的HDR图像在生成过程中引入的固有噪声。接着我们针对HDR图像高空间分辨率、高灰度分辨率和独特压缩方法的几大特点,提出了一种用于HDR图像来源取证的神经网络,并在图像亮度域上取得了不错的效果。最后通过残差结构的替换进一步提升了该神经网络对HDR图像来源取证问题的准确率。另一方面,对于图像的篡改取证,本文通过对数亮度直方图分析了不同模糊润饰操作对HDR图像引入的像素值变化,并对直方图加以量化作为不同模糊润饰操作下的图像统计特征。除此之外,本文还提出了一种针对HDR图像模糊润饰操作的新的神经网络,并通过多段短路连接的初始结构提高网络的初始特征提取能力和网络拟合能力,解决神经网络在使用HDR图像像素值时效果不佳的问题。本文的实验部分在神经网络的不同结构的运用方面做了一定的对比,同时分别将传统图像取证特征与深度学习模型的结果进行比较。实验证明,本文针对HDR图像来源取证和HDR图像篡改取证分别提出的神经网络结构均能达到较高的准确率并且具有一定的鲁棒性。
【图文】：

数字图像,原图,图像

电子科技大学硕士学位论文图像产生的影响并将其作为新的类别加入神经网络的训练，实验结果证正常的图像之外，该方法在在低压缩质量的 JPEG 图像上也能取得较好图像取证应用场景随着数字图像的获取和修改越来越便捷，其真实性和完整性的风险也就年来，图像造假事件层出不穷，，图像的篡改成为不法者谋取名利的手段息的媒介，甚至成为挑起国家纷争的工具。虽然有些只是出于非个人利场景难以捕捉而进行的图像“修饰”，但经过曝光之后还是令人感叹如理技术的高超。

照片,羚羊,照片,事件

第一章绪论过。2008 年有网友指出在照片中有拼接线的痕迹，并且该照片和另同月份照片中有两块石头的形状和角度几乎一模一样。对于获奖新质疑，原作者只能坦诚回应，图中的羚羊和桥都是真的，只是场景是通过 PS 合成了一幅图像[39]。此后，该作者也受到了应有的惩罚。
【学位授予单位】：电子科技大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP391.41;TP181

【参考文献】