IFD : Image Forgery Detection

مقاله کشف جعل کپی-انتقال تصویر با استفاده از توصیفگر گابور

In this paper a new forgery detection system which uses a novel feature extraction and located algorithm is proposed. The Gabor feature of image is used to detect the forged image caused by copy and move operations. The Gabor filter with different scaling factors, rotation angles and frequencies are considered to generate the Gabor feature representation of an image. For comparing two images, their Gabor features are applied to find if there is any similarity between them. To reduce the processing time and detect the small copy and move area, an image is divided into small blocks. In each block, it extracts a new descriptor and key points from the Gabor feature of the block image. Furthermore, the proposed method can also locate the duplicated regions precisely and detects the rotation angles and scale factors of the forged image
در این مقاله یک سیستم تشخیص جعل جدید برای استخراج ویژگی ها استفاده شده است. ویژگی گابور تصویر برای تشخیص تصویر جعل ناشی از عملیات کپی-انتقال استفاده می شود. فیلتر گابور با فاکتورهای مقیاس بندی مختلف، زاویه چرخش و فرکانس ها در نظر گرفته می شود که نمایه تصویر گابور را تولید می کند. برای مقایسه ی دو تصویر، ویژگی های گابور آنها برای پیدا کردن شباهت استفاده می شود. برای کاهش زمان پردازش و شناسایی منطقه ی کپی-انتقال، یک تصویر به بلو ک های کوچک تقسیم می شود.در هر بلوک، یک توصیفگر جدید و نکات کلیدی از ویژگی گابور تصویر بلوک را استخراج می کند. علاوه بر این روش پیشنهادی همچنین می تواند مناطق تکراری را دقیقا در اختیار شما قرار دهد و زاویه ی چرخش و مقیاس تصویر جعلی را تشخیص دهد.  نتایج تجربی نشان می دهد که روش پیشنهادی می تواند نرخ درست، زاویه چرخش و فاکتور پوسته پوسته شدن را بدست آورد. روش پیشنهادی دارای استحکام و قابلیت اطمینان است.
فیلتر گابور را  برای توصیف ویژگی های تصویر اعمال می کنند. از آنجایی که خصوصیات مورد نظر در تصویر مقیاس ها و جهت های گوناگونی دارند لذا استخراج اطلاعات و ویژگی های جهت دار در مقیاس های مختلف از تصویر یکی از گام های اساسی می باشد. امروزه فیلتر گابور به علت خواص مناسبی که دارند برای رسیدن به این منظور به طور وسیع مورد استفاده قرار می گیرد. با استفاده از تبدیل موجک دو بعدی گابور می توان ویژگی های جهت دار تصویر را در مقیاس های مختلف استخراج کرد.
روش پیشنهادی: روش پیشنهادی بر اساس فضای ویژگی گابور است.
1) استخراج نقاط کلیدی
2) فیلتر نقاط کلیدی
3) تعیین منطقه ی تکراری:
با توجه به اندازه ی بلوک، اگر 2 منطقه ی تصویر بسیار شبیه باشند بسیاری از نقاط همگرا وجود دارد.  سپس الگوریتم طبقه بندی می تواند برای کمک به طبقه بندی این نقاط استفاده شود. پس از یک الگوریتم طبقه بندی استفاده می کنیم.
در کل در این مقاله یک سیستم تشخیص جعلی جدید بر اساس فیلتر گابور برای استخراج ویژگی و الگوریتم طبقه بندی برای کشف منطقه ی جعلی پیشنهاد شده است.

منبع
دانلود مقاله Detection of Copy-Move Forgery Image Using Gabor

ارزیابی و آزمایش عملکرد

اندازه‌گیری عملکرد یا سنجش عملکرد، فرایندی است که با هدف تعیین درجه کیفیت و دقت و کارآیی در پایان هر فرآیندی انجام می گیرد. در انتهای تمامی روشهایی که برای کشف جعل کپی-انتقال استفاده می شود نیز این اررزیابی باید صورت گیرد تا کارآیی و دقت الگوریتم بیان شده را آزمایش کنیم. دقت و کارآیی یکی از ساده ترین روش های اندازه گیری است که باعث سردرگرمی و اشتباه در بسیاری از مسائل دنیای واقعی است.در حقیقت بهترین راه حل استفاده از دقت و کارآیی و یک معیار فراگیری برای ارزیابی است. در تحقیقات مختلف از ابزارهای گوناگونی برای سنجش میزان کارآیی استفاده می شود. هر کدام از این ابزارها به مسائل ویژه ای توجه می کنند و از دیدگاههای مختلفی  اقدام به بررسی می کنند. یکی از ساده ترین و پرکاربردترین معیارهای ارزیابی مدل های دسته بندی کننده استفاده از نمونه هایی است که به اشتباه دسته بندی شده اند. بدین منظور می توان برای مشخص کردن میزان خطای مدل دسته بندی از تعداد نمونه هایی که به اشتباه دسته بندی شده اند به کل نمونه ها استفاده کرد.
    • Tp: یک نتیجه مثبت درست آن است که وضعیت را هنگامی که شرایط وجود دارد تشخیص دهد( true positive) یا نمونه های صحیحی که به درستی دسته بندی شده اند.
    • Tn: یک نتیجه آزمایش منفی درست این است که شرایط را هنگامی که شرایط وجود ندارد، تشخیص نمی دهد (true negative) یا نمونه های اشتباهی که به درستی به صورت اشتباه دسته بندی شده اند.
    • Fp:  یک نتیجه مثبت نادرست آن است که وضعیت را هنگامی تشخیص می دهد که شرایط وجود نداشته باشد(false positive) یا نمونه اشتباهی که به اشتباه به عنوان صحیح  دسته بندی شده است.
    • Fn: یک نتیجه تست منفی نادرست آن است که وضعیت را هنگامی که وضعیت وجود دارد شناسایی نمی کند ( false negative) یا نمونه های صحیحی که به اشتباه به صورت اشتباه دسته بندی شده اند.
    جهت بررسی بهتر نتایج برای هر دسته بندی کننده دوکلاسی می توان ماتریس درست نمایی در جدول زیر را ترسیم کرد که در آن میزان درست نمایی مدل در هر کدام از کلاس ها به صورت جداگانه  نشان داده شده است.

    با توجه به جدول بالا می توان علاوه بر میزان خطای ازمایشی مدل ،کارآیی و دقت عملکرد مدل در ابعاد مختلف نیز اطلاع حاصل کرد. فرمول در زیر آورده شده است:
    منبع
    دانلود مقاله میزان کارآیی مدل ها
    دانلود Test Statistics
    همچنین برای اطلاعات بیشتر به این لینک می توانید مراجعه کنید.

    مقاله ی تشخیص جعل کپی -انتقال در تصاویر دیجیتال بر اساس برآورد ابعاد محلی

    Copy-move forgery is one of the most commonly used forgeries in digital images, in which some regions of a digital  image is coped and pasted to another part of the image with the aim of concealing certain features or objects in the original images. In this paper, a novel copy-move forgery detection scheme in digital images is proposed. It treats the digital images as high dimensional data and uses the intrinsic dimension estimation method first to segment the image and then identify the copy-move forgeries in the image regions with the same texture. Experimental results show that the proposed method is.efficient and robust to retouching and many other operations.such as lossy compression, blurring, filtering, etc

    برای تشخیص در این مقاله یک طرح ردیابی تشخیص جعل کپی-انتقال در تصاویر دیجیتال ارائه شده است. تصاویردیجیتال را به عنوان داده های با ابعاد بزرگ پردازش می کند و برای اولین بار  از روش برآورد ابعاد ذاتی برای تفکیک تصویر استفاده می کند و سپس شناسایی جعل کپی-انتقال در مناطق تصویر با همان بافت صورت می گیرد. نتایج تجربی نشان می دهد که روش پیشنهادی کارآیی  قوی برای رتوش و بسیاری از عملیات دیگر مانند فشرده سازی از بین رفته، تار شدن، فیلتر کردن و غیره دارد.

    برای ایجاد جعل طبیعی و غیر قابل تشخیص  باید عوامل زیادی در نظر گرفته شود از جمله شرایط روشنایی، بافت و غیره.  روش تخمین زدن و برآورد  ابعاد محلی به این صورت است:

    1) ارزیابی ابعاد با استفاده از الگوریتم Kنزدیکترین

    2) قبول کردن الگوریتم K-NN برای برآورد ابعاد محلی : الگوریتم K-NN در اصل برای برآورد ابعاد جهانی استفاده می شود با این حال می توان آن را برای برآورد ابعاد محلی، مانند ابعاد ذاتی نمونه با محدود کردن مجوعه داده ها به محله کوچک نمونه اتخاذ کرد. در ابتدا هر نمونه در مجموعه داده به خوشه ای تعلق دارد و سپس می توان از خوشه ها با پیدا کردن همسایگان K از نمونه گسترش داد.  بر اساس این خوشه ها، الگوریتم k-NN برای برآورد استفاده شده و بعد محلی هر خوشه به دست می آید.

    الگوریتم پیشنهادی:

    معمولا کل تصویر را به بلوکهای کوچک تقسیم بندی می کنند و سپس هر دو بلوک را بر اساس معیار تقریبی در کل تصویر مقایسه می کنند. منطقه ی نبع و هدف از تصویر جعلی باید بافت مشابه داشته باشند. در ابتدا پیش پردازش را داریم که در آن تقسیم بندی تصویر با استفاده از برآورد ابعاد محلی انجام می شود و سپس بافت مناطق منبع و هدف را مطابقت می دهیم. طرح پیشنهادی به صورت زیر است:

    1) پیش پردازش: تقسیم بندی تصویر با استفاده از برآورد ابعاد محلی انجام می گیرد. یک تصویر دیجیتال از چندین بافت تشکیل شده، در یک تصویر جعلی باید همان بافت باشد(در طرح پیشنهادی تصویر جعلی با استفاده از برآورد ابعاد محلی تقسیم می شود).

    2) الگوریتم تشخیص جعل بر اساس ارزیابی ابعاد محلی: روش پیشنهادی تنها شباهت بلوک ها را در همان بافت مقایسه می کند.

    در کل  سهم روش پیشنهادی عبارتند از :

    اول: تشخیص کپی-انتقال در بلوک های تصویر با بافت مشابه انجام می گیرد به جای اینکه در کل تصویر انجام شود.

    دوم: از ابعاد برآورد ابعاد محلی استفاده می کند تا بلوک مرکزی منطقه ی منبع و هدف را تعیین کند.

    نتایج تجربی نشان دهنده ی اثربخشی و دقت تشخیص طرح پیشنهادی است.


    منبع

    دانلود مقاله   Copy-Move Forgery Detection

    احراز هویت (Authentication)

     احراز هویت یا Authentication یک فرآیند است و این فرآیند هم می تواند بسیار بسیار ساده باشد و هم می تواند بسیار بسیار پیچیده و دشوار باشد.

    مسائل امنیتی تصاویر منجر به توسعه چندین روش برای تشخیص دستکاری شده است. به طور کلی، دو نوع تکنیک وجود دارد که می تواند برای کشف ناحیه ی دستکاری تصویر استفاده شود یکی احراز هویت فعال و دیگری احراز هویت غیرفعال. در شکل زیر نشان داده شده است:

    1)  احراز هویت فعال (Active Authentication):  از یک کد احراز هویت که در محتوای تصویر تعبیه شده است استفاده می کند.

    • واترمارکینگ : اطلاعاتی را داخل تصویر جاساز می کند همچنین می تواند اطلاعات جاساز شده را مخفی کند به طوریکه غیرقابل مشاهده باشد تا بررسی کند که آیا تصویر با آن دستکاری شده است یا خیر. قرار دادن واترمارکینگ یا در زمان گرفتن تصویر با استفاده از یک دوربین مخصوص مجهز انجام می شود یا بعدا توسط شخص مجاز، اشکال اصلی علامت گذاری انجام می شود. علاوه بر این، پردازش بعد از تصویر اصلی می تواند کیفیت تصویر را کاهش دهد و عیب دیگر این روش این است که از دوربین های تخصصی استفاده می شود که گران قیمت است.
    • امضاهای دیجیتال: استفاده از امضای دیجیتال باعث می شود که اعتبار ویژه ای به سند ببخشد، ویژگی های منحصر به فرد را از تصویر به عنوان یک امضا در انتهای تصویر ضبط می کند. در پایان تأیید هویت، امضا با استفاده از همان روش بازسازی می شود و صحت تصویر را می توان از طریق مقایسه شناسایی کرد. امضاهای دیجیتال دارای معایب مشابه برای دسته بندی علامت گذاری شده اند یکی از معایب این روش این است که تاریخ و زمان را درج نمی کند و گیرنده نمی تواند اطمینان حاصل کند که نامه واقعا در چه تاریخ و زمانی به امضا رسیده است.

    2) احراز هویت غیرفعال(Passive Authentication): این روند تأیید تصاویر دیجیتال بدون استفاده از اطلاعات اضافی از خود تصاویر است. تکنیک های منفعل به دو دسته تقسیم می شوند: شناسایی دستگاه منبع و تشخیص هویت.

    • شناسایی دستگاه منبع:  این دسته بر اساس شناسایی اثر انگشت دوربین است که ردیابی هایی است که توسط مراحل گرفتن عکس و مراحل ذخیره سازی باقی مانده است. تکنیک های این دسته از اثر انگشت دوربین بین مدل های مختلف دوربین استفاده می شود.
    • تشخیص هویت: این روش می تواند به صورت  تشخیص وابسته به نوع  جعل یا مستقل باشد. تکنیک های تشخیص وابسته به نوع جعلی برای نوع خاصی از تقلبی طراحی شده اند، مانندکپی -انتقال  یا شبیه سازی تصویر،در حالی که تکنیک های مستقل برای شناسایی تقلبی بدون توجه به نوع تقلب طراحی شده اند. در تکنیک مستقل از سه نوع مختلف مصنوعات بهره برداری می کنند: اثرات نمونه برداری مجدد، فشرده سازی و ناسازگاری
      شبیه سازی (یکپارچه سازی) تصویر یک فرآیند رایج است که برای تولید یک تصویر جعلی دیجیتال مورد استفاده قرار می گیرد، شبیه سازی تصویر به سادگی با استفاده از یکی از تصاویر انجام می شود و یا آن را به یک تصویر دیگر اضافه می کند این تکنیک می تواند ناسازگاری در بسیاری از ویژگی ها ایجاد کند، مانند  لبه های غیرمعمول تیز و این ناسازگاری ها برای تشخیص جعل استفاده می شود. کپی-انتقال یکی از محبوب ترین روش ها برای دستکاری یک تصویر است.  کپی-انتقال با کپی کردن یک منطقه از یک تصویر و قرار دادن آن در یک تصویر با هدف مخفی کردن اشیای ناخواسته یا تکرار اشیاء به دست می آید. در نوع جعل کپی- انتقال،منطقه دستکاری شده  با باقی مانده از تصویر   پالت رنگ یا الگوی نویزمشترک دارد.

    حال به رغم طیف گسترده ای از الگوریتم هایی که برای تشخیص جعل نسخه برداری کپی پیشنهاد شده است، اکثر الگوریتم ها به یک خط لوله مشترک متصل می شوند، همانطور که در شکل زیر نشان داده شده است. اول، تصویر به طور پیش فرض پردازش شده است (به عنوان مثال، تبدیل به سیاه و سفید). تصویر سپس به بلوک های همپوشانی یا غیر همپوشانی پیکسل تقسیم می شود. یک بردار ویژگی استخراج می شود.روش های شناخته شده برای تطابق دستورالعمل لغوی بردارها و تعیین نزدیکترین همسایگی در یک درخت kd. شباهت دو ویژگی را می توان با معیارهای مشابه تشابه، مانند فاصله اقلیدسی تعیین کرد. در مرحله تأیید، خروجی ها حذف می شوند و سوراخ ها پر می شوند، که می تواند با استفاده از یک مرحله ی فیلتر شویی مانند عملیات مورفولوژیک بدست آید.



    منبع

    دانلود مقاله Passive detection of copy-move forgery

    کد متلب هیستوگرام تصویر

     هیستوگرام تصویر نموداری است که توسط آن تعداد پیکسل های هرسطح روشنایی در تصویر ورودی مشخص می شود یا به زبانی دیگر هیستوگرام تصویر نمایشی گرافیکی از تعداد تکرار پیکسل‌های با شدت رنگ مشابه در یک تصویر است. فرض کنید تصویر ورودی یک تصویر Grayscale با 252 سطح روشنایی باشد ، بنابراین هریک از پیکسل های تصویر مقداری در بازه ی 0 تا 255 می  توانند داشته باشند. برای به دست آوردن هیستوگرام تصویر ،کافی است با پیمایش کل پیکسل های تصویر ، تعداد پیکسل های هر سطح روشنایی رامحاسبه می کنیم .

    ورودی ما تصویر زیر است:

    نمودار هیستوگرام تصویر بالا خروجی زیر می باشد:

    کدهای نوشته شده به ترتیب زیر می باشد. ابتدا تصویر ورودی خوانده و بارگذاری می شود:
    img = imread('peppers.png');
    if size(img,3) == 3
        img = rgb2gray(img);
    end
    figure(1)
    imshow(img)
    title('Input Image')
    از دستور زیر برای اعمال هیستوگرام رو ی تصویر استفاده می کنیم:
    bin = 1:256;
    hist = zeros(1,256);
    for i = 0 : 255
        hist(i+1) = sum(sum(img == i));
    end
    و در نهایت برای نمایش نمودار هیستوگرام از دستور زیر استفاده می کنیم:
    figure(2)
    bar(bin, hist, 'cy')
    grid on
    ylabel('No. of pixels with such intensity levels')
    xlabel('Intensity levels'), xlim([0 255])
    title('HISTOGRAM OF THE IMAGE', 'fontsize', 14)
    برای دریافت فایل آماده ی این پروژه به لینک زیر مراجعه کنید.
    منبع
    دانلود پروژه هیستوگرام
    1 2 3 4 5 ... 8 >>