王艷

摘要：以圖像內(nèi)容認(rèn)證為代表，針對拼接篡改和區(qū)域復(fù)制篡改兩種典型的篡改手段，分析典型的取證算法思路，對其性能和適用性進(jìn)行評價(jià)，最后總結(jié)現(xiàn)有方法存在的不足，并對未來的發(fā)展方向和技術(shù)路線進(jìn)行展望。

關(guān)鍵詞：盲取證；圖像內(nèi)容認(rèn)證；拼接篡改；區(qū)域復(fù)制篡改

中圖分類號：TP391.41 文獻(xiàn)標(biāo)志碼：A

文章編號：2095-5383（2018）03-0023-05

Abstract： Taking image content authentication as the representative， the typical forensic algorithm ideas of two typical tampering methods， splicing tampering and regional copy tampering， were analyzed in this paper. Then their performance and applicability were evaluated. Finally， the deficiencies of existing methods were summarized， and the future development direction and technical route were pointed out.

Keywords：blind forensics； image content authentication； splicing forgery； copy-past forgery

21世紀(jì)，數(shù)字圖像處理技術(shù)飛速發(fā)展，圖像采集設(shè)備成本日益降低，圖像處理軟件如美圖、photoshop等軟件的廣泛使用，給大家的日常生活增添了樂趣之余，也給犯罪分子提供了可乘之機(jī)。若偽造圖像被濫用于科學(xué)研究、法庭取證、新聞媒體等方面，將會對社會造成難以估計(jì)的負(fù)面影響。對圖像的真實(shí)性、完整性進(jìn)行取證研究成為當(dāng)前迫切需要解決的問題。

數(shù)字圖像取證技術(shù)在這樣的時(shí)代背景下應(yīng)運(yùn)而生，已成為信息安全領(lǐng)域的研究熱點(diǎn)。根據(jù)是否需要預(yù)先將數(shù)字水印或數(shù)字簽名等驗(yàn)證信息嵌入到圖片中，可分為主動取證技術(shù)和被動取證技術(shù)[1]。主動取證技術(shù)在獲取圖像時(shí)就需要將相關(guān)驗(yàn)證信息嵌入到其中，通過增加冗余數(shù)據(jù)為代價(jià)以保證圖像的安全性。具有生成數(shù)字簽名或添加水印功能的圖像獲取設(shè)備的成本昂貴，因此限制了其廣泛應(yīng)用。被動取證技術(shù)是根據(jù)圖像本身的內(nèi)容是否發(fā)生變化或者利用圖像成像來源設(shè)備的內(nèi)在特性來鑒別圖像的真實(shí)性、完整性和原始性。由于不依賴于任何先驗(yàn)信息且對圖像的獲取設(shè)備沒有特殊要求，又被稱為盲取證技術(shù)。

目前，數(shù)字圖像盲取證技術(shù)的研究可以分為兩大類：基于圖像成像設(shè)備來源的取證技術(shù)和基于圖像內(nèi)容篡改的取證技術(shù)。數(shù)字成像設(shè)備來源取證的理論依據(jù)為：不同成像設(shè)備生成的圖像具有與內(nèi)容無關(guān)的不同內(nèi)在特征，以此特征為線索可進(jìn)行圖像來源識別。數(shù)字圖像內(nèi)容篡改取證是基于圖像本身的內(nèi)容進(jìn)行篡改取證，又稱為數(shù)字圖像內(nèi)容一致性取證。圖像作為傳遞信息的重要載體，在實(shí)際應(yīng)用中，人們通常會更加關(guān)注圖像內(nèi)容，因此，本文以數(shù)字圖像內(nèi)容篡改技術(shù)為出發(fā)點(diǎn)，分析現(xiàn)有基于圖像內(nèi)容取證的典型算法，總結(jié)歸納其優(yōu)缺點(diǎn)。

數(shù)字圖像一致性取證是通過尋找一幅圖像中是否存在兩個(gè)或多個(gè)內(nèi)容相同或相似的區(qū)域從而判斷圖像是否經(jīng)歷過篡改操作。根據(jù)篡改方式不同可分為拼接篡改和區(qū)域復(fù)制篡改兩種。拼接篡改通過將兩幅或者多幅圖片合成為一幅圖片同時(shí)采用特殊的圖像處理手段模糊拼接區(qū)域邊界以達(dá)到掩飾篡改痕跡的目的，因此也稱為合成圖像篡改；而區(qū)域復(fù)制篡改操作是指將同一幅圖像中的一個(gè)或多個(gè)區(qū)域復(fù)制并粘貼到本圖像中的其他區(qū)域以隱藏原圖像中的關(guān)鍵信息。

1 拼接篡改檢測

由于不同的圖像具有不同的統(tǒng)計(jì)特征，經(jīng)拼接篡改操作后的合成圖像不同區(qū)域的統(tǒng)計(jì)特性不盡相同。針對這類篡改圖像，可以提取代表圖像本身特征的統(tǒng)計(jì)量，并將其作為特征向量，采用分類器實(shí)現(xiàn)篡改區(qū)域和未篡改區(qū)域的區(qū)分。

由于拼接篡改圖像是由多幅圖像拼接而成，這一操作會引起篡改圖像內(nèi)各區(qū)域之間的邊界屬性不同，以此為特征可以識別篡改圖像。Ng等[2]提出邊緣百分比的取證方法，通過邊緣檢測識別出圖像的邊緣點(diǎn)并計(jì)算邊緣點(diǎn)像素占圖像總像素的百分比。該值可表征圖像不同區(qū)域的邊界信息，提示了可能存在的篡改區(qū)域；不同的相機(jī)具有不同的相機(jī)相應(yīng)函數(shù)，利用這一特點(diǎn)，Hsu等[3]也提出了一種利用圖像邊界屬性進(jìn)行圖像檢測的方法。該方法首先檢測待測圖像內(nèi)每個(gè)區(qū)域的邊界特征，然后采用SVM（Support Vector Machines）分類器對邊界特征進(jìn)行分類來確定邊界所在的區(qū)域是否是篡改區(qū)域。顯然，Hsu等提出的算法具有局限性，當(dāng)拼接篡改的兩幅或多幅圖像均來自于同一相機(jī)時(shí)，該算法可能會失效。

拍攝場景不同會導(dǎo)致不同圖像的光照條件不盡相同，Johnson等[4]以光學(xué)的角度出發(fā)，找到成像圖像強(qiáng)度與物體成像時(shí)其光照條件之間的關(guān)系，并建立低階近似線性模型，進(jìn)而提出根據(jù)待測圖像估計(jì)物體成像時(shí)光照參數(shù)的方法。檢測時(shí)，首先估計(jì)待測的兩幅的成像光照參數(shù)向量，然后計(jì)算它們之間的歸一化互相關(guān)。如果計(jì)算出的光照參數(shù)向量歸一化互相關(guān)值小于某個(gè)預(yù)設(shè)門限，則認(rèn)為這些圖像是在相同光照條件下拍攝的，否則是在不同光照條件下拍攝的。Johnson在文獻(xiàn)中給出了估計(jì)光照參數(shù)的算法以及利用該特點(diǎn)進(jìn)行取證的實(shí)驗(yàn)結(jié)果。

Ng等[2]利用圖像歸一化雙譜的幅度均值和負(fù)相位熵作為圖像特征用于圖像篡改檢測，為進(jìn)一步改善算法性能他還提出預(yù)測差異。首先分別求出待測圖像與其相應(yīng)的原始圖像的歸一化雙譜的幅度均值和負(fù)相位熵，然后求其差值，最后利用SVM分類器待測圖像中的篡改區(qū)域。實(shí)驗(yàn)表明，采用上述統(tǒng)計(jì)量作為特征時(shí)，正確取證率約為71.5%。

Fu等[5]以圖像變換為基礎(chǔ)，進(jìn)一步找到可表征篡改圖像特征的統(tǒng)計(jì)量，最后采用SVM分類器實(shí)現(xiàn)篡改區(qū)域的檢測。Fu將圖像特征分為兩類，第一類特征以希爾伯特變換為基礎(chǔ)：首先將二維數(shù)字圖像用一維向量表示，并通過一維經(jīng)驗(yàn)?zāi)Ｊ椒纸獾玫狡涔逃心Ｊ胶瘮?shù)，再對固有模式函數(shù)進(jìn)行希爾伯特變換，最后以變換屬性作為圖像特征進(jìn)行篡改檢測；第二類特征以小波分解為基礎(chǔ)，首先對待測圖像進(jìn)行小波分解，然后分別計(jì)算待測圖像、各子帶圖像、預(yù)測誤差圖像的特征函數(shù)，并以特征函數(shù)的一階至三階矩作為圖像特征。該方法的準(zhǔn)確率可達(dá)到80.1%。Chen等[6]研究發(fā)現(xiàn)，拼接篡改會引起圖像邊緣的相位發(fā)生變化，因此提出利用圖像邊緣相位的均值、方差、偏度和峰度作為圖像特征，實(shí)現(xiàn)篡改圖像檢測的取證方法。同時(shí)，為增強(qiáng)算法魯棒性和提高檢測速度，他們對待測圖像進(jìn)行小波變換并用特征矩作為圖像表達(dá)。最后運(yùn)用SVM分類器進(jìn)行圖像取證。該算法準(zhǔn)確率可達(dá)到82.32%，但特征提取方法的復(fù)雜性增加了算法的時(shí)間開銷。

2 區(qū)域復(fù)制篡改檢測

區(qū)域復(fù)制篡改檢測是同一副圖像之間的篡改操作，篡改區(qū)域的紋理、光照條件、灰度值動態(tài)范圍等重要特征與未篡改區(qū)域具有高度相似性，以圖像的統(tǒng)計(jì)量為特征進(jìn)行篡改區(qū)域檢測和定位的方法不再適用此類篡改圖像。但是，這類篡改圖像的特點(diǎn)在于：圖像中存在至少兩個(gè)完全相同或相似的區(qū)域。針對這類圖像，檢測算法的基本思路是尋找圖像中是否存在具有一定面積的高度相似區(qū)域，目前國內(nèi)外學(xué)者提出了很多用于檢測區(qū)域復(fù)制篡改圖像的方法，大致歸為三類[7-8]：1）基于空域分塊特征匹配的方法；2）基于特征點(diǎn)檢測和特征匹配的方法；3）利用JPEG壓縮特征的取證方法。

2.1 空域分塊特征匹配檢測方法

空域分塊特征匹配的檢測方法采用如下檢測流程：首先，將圖像劃分為不同的區(qū)域圖像塊；然后，通過DCT（Discrete Cosine Transform，離散余弦）變換、小波變換、主成分分析、不變矩等提取圖像區(qū)域特征，最后進(jìn)行字典排序?qū)ふ蚁嗨茀^(qū)域。最常用的分塊方法是將圖像分為非重疊的方形塊，也有采用內(nèi)切圓形代替方形分塊。

Fridrich等[9]最先提出利用DCT系數(shù)作為圖像特征進(jìn)行區(qū)域復(fù)制篡改檢測的思想。首先，用一個(gè)B×B大小的矩形窗口按照從左到右從上到下的方向每次滑動一個(gè)像素，在矩形窗口遍歷的每個(gè)圖像塊，對其內(nèi)的像素進(jìn)行DCT變換并將DCT系數(shù)存放在一個(gè)行向量中。將待測圖像中所有DCT系數(shù)行向量組成特征矩陣，并對其進(jìn)行字典排序。若排序后相鄰兩行DCT系數(shù)向量的歐式距離小于預(yù)設(shè)閾值，則對應(yīng)兩個(gè)圖像像素具有相似關(guān)系。這類以DCT系數(shù)變化量為特征的篡改檢測方法對加性噪聲、有損壓縮比較敏感。

Kumer等[10]提出了一種改進(jìn)DCT算法的方法以優(yōu)化算法速度。算法的第一步是將待測圖像轉(zhuǎn)換為灰度圖像，再對圖像分割成重疊的圖像塊并對圖像塊進(jìn)行DCT變換，變換過后的DCT系數(shù)向量代表圖像塊的特征，對這些特征向量進(jìn)行排序并進(jìn)行特征匹配。最后，未能匹配的圖像塊將被剔除且復(fù)制區(qū)域會被增強(qiáng)。這種算法對JPEG壓縮和高斯噪聲有效，但是當(dāng)篡改區(qū)域進(jìn)行了大角度選擇或者所方式，算法失效。

為了降低算法復(fù)雜度，Popescu等[11]將主成分分析得到的降維系數(shù)向量來表征圖像塊特征；Lin等[12]也將PCA（主成分分析）算法用于復(fù)制粘貼型圖像篡改檢測中。在Lin的算法中，測試圖像被分成大小可識別的重疊圖像塊，對每個(gè)圖像塊進(jìn)行特征提取得到特征向量后對其進(jìn)行基數(shù)排序。對排序后的相鄰特征向量對的轉(zhuǎn)移向量進(jìn)行計(jì)算并在頻率計(jì)數(shù)器中記錄相同轉(zhuǎn)移向量的頻率。若轉(zhuǎn)移向量的頻率明顯大于預(yù)先設(shè)定的閾值，那么可能存在復(fù)制篡改區(qū)域。該算法可有效對抗高斯噪聲和JPEG壓縮，但是不能檢測較小的篡改區(qū)域，并且不能有效對抗幾何變換。

利用大部分圖像的能量集中在低頻這一特點(diǎn)，Li等[13]提出了基于離散小波變換（DWT）和奇異值分解（SVD）的檢測算法。首先對整幅圖像進(jìn)行DWT變換得到低頻子帶圖像，然后對其進(jìn)行SVD分解，最后以SVD的奇異值向量作為表征圖像塊特征的向量。

基于空域分塊特征匹配檢測方法通過對圖像分塊進(jìn)而提取圖像特征以增強(qiáng)算法對篡改操作的魯棒性，但是當(dāng)篡改者對篡改區(qū)域進(jìn)行旋轉(zhuǎn)、縮放等幾何變換處理時(shí)，上述算法可能會失效。

2.2 基于特征點(diǎn)檢測和特征匹配的檢測方法

基于特征點(diǎn)檢測和特征匹配的方法首先需要在圖像中檢測特征點(diǎn)，然后對特征點(diǎn)鄰域進(jìn)行特征描述生成特征向量，最后通過特征向量的匹配實(shí)現(xiàn)相似特征點(diǎn)的匹配以識別區(qū)域復(fù)制區(qū)域。利用特征點(diǎn)描述子對圖像的平移、旋轉(zhuǎn)、尺度縮放具有不變性，對光照變化、視角變化、仿射變換、噪聲也保持一定程度的穩(wěn)定性?；谔卣鼽c(diǎn)的方法主要采用尺度不變特征變換（SIFT）和加速魯棒特征（SURF）以及利用Harris角點(diǎn)作為特征點(diǎn)。

SIFT算法被證明是目前最有效的圖像局部特征檢測方法。Amerini等[14]提出利用SIFT算法檢測圖像特征并用這些特征去檢測經(jīng)歷過幾何變換的篡改區(qū)域。由于復(fù)制區(qū)域和粘貼區(qū)域的圖像特征相同，通過比較復(fù)制區(qū)域和粘貼區(qū)域特征點(diǎn)的相似性可實(shí)現(xiàn)篡改區(qū)域的檢測。該算法在檢測具有大面積的平坦區(qū)域等這類點(diǎn)特征不明顯的場景圖像具有局限性，并且未衡量其有效性。

針對文獻(xiàn)[14]中算法的缺陷，Zhao等[15]提出了一種基于圖像分割和群智能算法SI（Swarm Intelligent）的篡改圖像檢測方法。為區(qū)分同一幅圖像中的平滑區(qū)域和粗糙區(qū)域，作者定義了一個(gè)參數(shù)“平滑度”。根據(jù)平滑度取值不同，待測圖像被分割成不同的層。對分層過后得到的圖像利用SIFT算法進(jìn)行特征點(diǎn)檢測。基于SIFT特征點(diǎn)檢測的算法過程耗時(shí)長、計(jì)算量大并且結(jié)果的準(zhǔn)確性依賴于SIFT檢測參數(shù)，因此，Zhao等通過引入SI算法可自動生成適合于分層圖像的SIFT檢測參數(shù)以便在較短的時(shí)間內(nèi)得到最多匹配的特征點(diǎn)。實(shí)現(xiàn)表明，該算法可以檢測較小的篡改區(qū)域和平滑區(qū)域，但是誤判率較高。

Mishra等[16]首先將彩色圖像轉(zhuǎn)換為灰度圖像并進(jìn)行重疊分塊后，采用SURF算法對每個(gè)分塊進(jìn)行特征提取和特征描述；Alamro等[17]提出了一種結(jié)合DWT和SURF特征提取的方法去檢測復(fù)制粘貼區(qū)域。在算法中，首先對圖像進(jìn)行DWT變換降低圖像維度以減小算法復(fù)雜度，再用SURF提取特征點(diǎn)。該算法可以有效抵抗旋轉(zhuǎn)、放大、縮小等幾何變換。實(shí)驗(yàn)證明該算法準(zhǔn)確率可以達(dá)到95%，性能優(yōu)于現(xiàn)有的算法。但是該算法僅僅對BMP和JPEG圖像進(jìn)行了測試，是否能對其他格式的圖像進(jìn)行有效檢測還需要進(jìn)一步研究。

趙潔等[18]用Harris算法提取圖像特征點(diǎn)，并用LBP算子描述符作為特征點(diǎn)特征向量的描述子，通過BBF算法對特征向量進(jìn)行相似性匹配，最后采用RANSAC算法提高匹配精度。

2.3 利用JPEG壓縮特征的取證方法

目前，大多數(shù)圖像采集設(shè)備及網(wǎng)絡(luò)上流行的數(shù)字圖像都是JPEG格式的壓縮圖像。因此，為達(dá)到難以識別的篡改效果，圖像偽造者通常會采用JPEG壓縮盡可能消除復(fù)制粘貼引起的操作痕跡，這在一定程度上增加了盲取證的難度。針對JPEG圖像的盲取證技術(shù)研究主要分為基于JPEG圖像塊效應(yīng)特征、量化相關(guān)性以及雙重壓縮特征三類。

基于JPEG塊效應(yīng)特征的取證。塊效應(yīng)是JPEG圖像固有的本質(zhì)特征，可以看作JPEG圖像中一種特殊的不可見水印，國內(nèi)外不少學(xué)者試圖通過檢測這種特殊水印的連續(xù)性和完整性以實(shí)現(xiàn)篡改圖像的檢測。塊效應(yīng)測度不僅可以作為評價(jià)圖像質(zhì)量的標(biāo)準(zhǔn)，還可用于篡改圖像檢測。Ye等[19]定義了一種直觀的塊效應(yīng)測度值（BAM）用于JPEG篡改圖像檢測。首先利用DCT系數(shù)直方圖估計(jì)原始圖像的量化表，然后計(jì)算待測圖像不同區(qū)域的塊效應(yīng)測度值從而定位篡改區(qū)域。但是該算法不能實(shí)現(xiàn)自動選擇可估計(jì)量化矩陣的范圍因而無法自動定位篡改區(qū)域。篡改圖像的粘貼區(qū)域與其周圍區(qū)域的塊效應(yīng)網(wǎng)格會發(fā)生錯(cuò)配現(xiàn)象，Li等[20]提出一種塊效應(yīng)網(wǎng)格的提取算法并利用這一現(xiàn)象實(shí)現(xiàn)JPEG圖像背景區(qū)域和篡改區(qū)域的區(qū)分和篡改區(qū)域的定位。但是檢測結(jié)果會受到圖像本身紋理結(jié)構(gòu)的影響并且算法只適用于質(zhì)量因子較低的JPEG圖像。

基于JPEG量化相關(guān)性的取證。為在高壓縮比和好的視覺效果之間取得較好平衡，篡改者通過引入不同量化表對圖像進(jìn)行JPEG壓縮，因而篡改圖像會表現(xiàn)出不同的量化特征。Hamdy等[21]提出一種估計(jì)原始量化表的估計(jì)方法，利用估計(jì)的量化表對待測圖像進(jìn)行再壓縮，計(jì)算不同區(qū)域量化失真程度。若量化失真程度較高，則為篡改區(qū)域。吳首陽等[22]定義了一種量化相關(guān)性測度，用以衡量量化過程中的差異化特征，并以該測度值作為依據(jù)檢測JPEG篡改圖像。

基于雙重壓縮特征的取證。實(shí)際上，為達(dá)到掩蓋篡改痕跡的目的，很多偽造圖像都會進(jìn)行二次壓縮，因此，可將圖像是否經(jīng)歷過雙重JPEG壓縮過程作為判斷圖像是否被篡改的輔助依據(jù)。通過分析JPEG壓縮過程中DCT系數(shù)變化規(guī)律，趙潔等[23]提出利用JPEG系數(shù)的變化規(guī)律實(shí)現(xiàn)JPEG圖像篡改的自動檢測定位；Fu等[24]研究發(fā)現(xiàn)，若圖像只經(jīng)歷過一次JPEG壓縮，則其DCT系數(shù)的最高位滿足Benford規(guī)律，而雙重JPEG壓縮會破壞這一特點(diǎn)。因此可利用DCT系數(shù)的最高位取值為特征實(shí)現(xiàn)雙重JPEG圖像檢測。Popescu等[25]通過觀察JPEG壓縮過程DCT系數(shù)直方圖的特征發(fā)現(xiàn)：經(jīng)歷過雙重JPEG壓縮的圖像，其DCT系數(shù)直方圖會存在周期性波峰，而一次JPEG壓縮圖像DCT系數(shù)的直方圖則不滿足這種規(guī)律；Popescu還從數(shù)學(xué)角度分析并解釋了這一現(xiàn)象，并將DCT系數(shù)直方圖周期性特征用來檢測JPEG圖像是否經(jīng)歷過雙重壓縮。然而，若兩次JPEG壓縮采用的量化系數(shù)之比為整數(shù)倍時(shí)，該算法失效。

4 結(jié)論

通過深入研究近年來相關(guān)成果可以發(fā)現(xiàn)，現(xiàn)有數(shù)字圖像一致性盲取證檢測方法存在以下問題：1）大部分算法復(fù)雜度較高，檢測效率較低且魯棒性不強(qiáng)；2）很多算法都需要設(shè)置閾值，但閾值的選取僅僅依靠經(jīng)驗(yàn)而缺乏系統(tǒng)理論支撐；3）各種算法的適用性都具有特定的條件限制，比如只能檢測某種特定篡改手段的篡改圖像。但在實(shí)際篡改時(shí)，偽造者可能會綜合采用多種篡改手段，這會導(dǎo)致算法失效；4）只能檢測出圖像中相似的區(qū)域，無法有效區(qū)分篡改區(qū)域和復(fù)制區(qū)域；5）各種算法的使用有特點(diǎn)的條件限制，一旦不滿足算法設(shè)定的條件范圍，則算法可能會失效。上述問題限制了現(xiàn)有算法的應(yīng)用和推廣。

在國內(nèi)外學(xué)者的深入研究下，數(shù)字圖像盲取證技術(shù)領(lǐng)域的關(guān)鍵技術(shù)已經(jīng)取得很大進(jìn)展，但偽造者的篡改手段越來越高明，數(shù)字圖像一致性盲取證還任重道遠(yuǎn)。未來需要進(jìn)一步研究的問題和方向可能有：1）建立一個(gè)科學(xué)、全面的數(shù)字圖像一致性盲取證理論體系，用于指導(dǎo)盲取證方法的設(shè)計(jì)、實(shí)現(xiàn)以及評價(jià)盲取證算法的優(yōu)劣；2）對現(xiàn)有算法進(jìn)行融合，建立復(fù)合篡改模型對抗多種篡改手段，提高算法的魯棒性和正確率，加速數(shù)字圖像取證技術(shù)應(yīng)用；3）現(xiàn)有的篡改算法都是鑒別內(nèi)容的真實(shí)性，圖像的完整性和原始性將會是非常重要的取證方向。

參考文獻(xiàn)：

[1]FARID H. Image forgery detection[J]. Signal Processing Magazine IEEE， 2009， 26（2）：16-25.

[2]NG T T， CHANG S F， SUN Q. Blind detection of photomontage using higher order statistics[C]// International Symposium on Circuits and Systems. IEEE， 2004：688-691.

[3]HSU Y F， CHANG S F. Image splicing detection using camera response function consistency and automatic segmentation[C]// IEEE International Conference on Multimedia and Expo. IEEE， 2007：28-31.

[4]JOHNSON M K， FARID H. Exposing digital forgeries in complex lighting environments[J]. IEEE Transactions on Information Forensics & Security， 2007， 2（3）：450-461.

[5]FU D， SHI Y Q， SU W. Detection of image splicing based on hilbert-huang transform and moments of characteristic functions with wavelet

decomposition[C]// International Conference on Digital Watermarking. Springer-Verlag， 2006：177-187.

[6]CHEN W， SHI Y Q， SU W. Image splicing detection using 2-D phase congruency and statistical moments of characteristic function[C]// Security， Steganography， and Watermarking of Multimedia Contents IX. International Society for Optics and Photonics， 2007：65050 -65057. [2018-01-10].https：//web.njit.edu/～shi/PaperDownload /forensics/SPIE07-SPLICING.pdf.

[7]ALQERSHI O M， KHOO B E. Passive detection of copy-move forgery in digital images： state-of-the-art.[J]. Forensic Science International， 2013， 231（1-3）：284-295.

[8]CHRISTLEIN V， RIESS C，JORDAN J， et al. An evaluation of popular copy-move forgery detection approaches[J]. IEEE Transactions on Information Forensics & Security， 2012， 7（6）：1841-1854.

[9]FRIDRICH J， SOUKAL D， LUKAS J. Detection of copy-move forgery in digital images[J]. Proceedings of Digital Forensic Research Workshop， 2003：19-23.

[10]KUMAR S， DESAI J， MUKHERJEE S. A fast DCT based method for copy move forgery detection[C]//IEEE Second International Conference on Image Information Processing. IEEE， 2014：649-654.

[11]POPESCU A C， FARID H. Exposing digital forgeries by detecting duplicated image regions[J].Comput.sci.dartmouth College Private Ivy League Res.univ， 2004： 646.[2018-01-10].http：//www. ists. dartmouth. edu/library/102. pdf.

[12]LIN H J， WANG C W， KAO Y T. Fast copy-move forgery detection[J]. Wseas Transactions on Signal Processing， 2009， 5（5）：188-197.

[13]LI G， WU Q， TU D， et al. A sorted neighborhood approach for detecting duplicated regions in image forgeries based on DWT and SVD[C]// IEEE International Conference on Multimedia and Expo. IEEE， 2007：1750-1753.

[14]AMERINI I， BALLAN L， CALDELLI R， et al. A SIFT-based forensic method for copy-move attack detection and transformation recovery[J]. IEEE Transactions on Information Forensics & Security， 2011， 6（3）：1099-1110.

[15]ZHAO F， SHI W， QIN B， et al. Image forgery detection using segmentation and swarm intelligent algorithm[J]. Wuhan University Journal of Natural Sciences， 2017， 22（2）：141-148.

[16]MISHRA P， MISHRA N， SHARMA S， et al. Region duplication forgery detection technique based on SURF and HAC[J]. The Scientific World Journal， 2013（1）：267691.

[17]ALAMRO L， YUSOFF N. Copy-move forgery detection using integrated DWT and SURF[J]. Journal of Telecommunication， Electronic and Computer Engineering， 2017（9）：67-71.

[18]趙潔， 郭繼昌. 利用Harris特征點(diǎn)和環(huán)形均值描述的圖像區(qū)域復(fù)制篡改的被動取證[J]. 數(shù)據(jù)采集與處理， 2015， 30（1）：164-174.

[19]YE S， SUN Q， CHANG E C. Detecting digital image forgeries by measuring inconsistencies of blocking artifact[C]// IEEE International Conference on Multimedia and Expo. IEEE， 2008：12-15.

[20]LI W， YUAN Y， YU N. Detecting copy-paste forgery of jpeg image via block artifact grid extraction[J]. International Workshop on Local & Non， 2008：1-6.[2018-01-10]. https：//www.eurasip. org/Proceedings/Ext/LNLA2008/papers/cr1006.pdf.

[21]SALMA H， EL-MESSIRY H， MOHAMED R， et al. Quantization table estimation in JPEG images[J]. International Journal of Advanced Computer Science & Applications， 2010， 1（6）：17-23.

[22]吳首陽， 劉銘. 基于量化相關(guān)性的JPEG圖像盲取證[J]. 計(jì)算機(jī)仿真， 2010， 27（6）：258-261.

[23]趙潔， 郭繼昌. 基于JPEG系數(shù)變化率的圖像復(fù)制粘貼篡改檢測[J]. 浙江大學(xué)學(xué)報(bào)（工學(xué)版）， 2015， 49（10）：1893-1901.

[24]FU D， SHI Y Q， SU W. A generalized benfords law for JPEG coefficients and its applications in image forensics[C]// Security， Steganography， and Watermarking of Multimedia Contents IX. International Society for Optics and Photonics， 2007： 47-58.

[25]POPESCU A C， FARID H. Statistical tools for digital forensics[M]// Information Hiding. SpringerBerlin Heidelberg， 2004：128-147.