نمونه ای از اپلیکیشن ها برای تشخیص جعل کپی-انتقال

نرم افزارهای متعددی در این زمینه تا کنون ساخته شده اند، در زیر چند نمونه را معرفی می کنیم.

1) در حال حاضر شما می توانید احراز هویت هر سند ارائه شده به عنوان تصویر JPEG را در چند کلیک تأیید کنید! فقط یک تصویر را آپلود کنید و Detector Forgery Image پاسخی را ارائه می دهد که آیا تصویر شما جعلی است یا نه. علاوه بر این، شما نمره تقلب برای تصویر و نظرات خاص در مورد تجزیه و تحلیل با اطلاعات دقیق دریافت خواهید کرد.

آشکارساز جعلی تصویر ما برای عکس سند، خطر فعالیت های جعلی را کاهش می دهد، در حالی که به طور قابل توجهی کاهش زمان مرتبط با روند تأیید را می دهد. علاوه بر آن، هزینه های مرتبط با نیازهای مشتری برای انجام فرایند کسب مشتری را کاهش دهید.
IFD از انواع چک ها برای اطمینان از یک عکس سند، متصل به یک فرم درخواست استفاده می کند، مشروع است و با هیچ نرم افزار پردازش تصویر تغییری نکرده است. به طور متوسط، این تشخیص تقلبی در کمتر از 60 ثانیه اتفاق می افتد و امنیت شما را برای تهیه وام های پولی آنلاین، بیمه ها و محصولات مخابراتی و خدمات مخابراتی فراهم می کند.
تکنولوژی IFD به صورت یکپارچه به وب سایت ها، برنامه های وام و یا فرایند ثبت نام مشتری برای تایید عدم وجود دستکاری سند در اسناد مشتری، از جمله گواهی های تولد، کارت شناسایی، گذرنامه، گواهینامه رانندگی، بیانیه حساب بانکی، مجوز، صورتحساب برق و غیره متصل می شود.

به طور خلاصه IFD :

عکس های سند ویرایش شده دیجیتالی را شناسایی می کند،  قطعات (جاسازی شده) را در عکس ها شناسایی می کند،یک امتیاز دقیق جعل و شناسایی دوربین فراهم می کند.

مراحل کار به این صورت است که :

• ابتدا تصویر را آپلود می کنیم می توانید تا 3 عکس را آپلود کنید.

• در مرحله ی دوم هنگامی که فایل ها آپلود می شوند، شما می توانید نوع تصویر آپلود را مشخص کنید. فایل های غیر ضروری را می توان حذف کرد.
• در مرحله ی بعد شما 5 فیلد برای هر تصویر / سند دریافت خواهید کرد:
  امتیاز: ارزش بین 0-100. بالاترین نمره احتمال بیشتر عکس تغییر می کند.
  طبقه بندی: جعلی / مشکوک / معتبر. طبقه بندی اصلی سیستم IFD.
  نظر: نظر در مورد نتایج تجزیه و تحلیل و اطلاعات اضافی.
  اطلاعات دوربین: سازنده دوربین و مدل (در صورت لزوم).
  اطلاعات موقعیت مکانی: عرض و طول و عرض جغرافیایی از ابرداده تصویر (در صورت وجود).

برای استفاده از این اپلیکیشن روی اینجا کلیک کنید.

2)  این برنامه تشخیص جعل تصویر دیجیتال را  از طریق جاسازی اطلاعات در دامنه فضایی و ماشین خودکارسلولی انجام می دهد. تصاویر ورودی باید در هر اندازه خاکستری باشند. این فرمت PNG را به عنوان یک تصویر خروجی تولید می کند. این برنامه توسط محمد ملکوتی ساخته شده است.

برای دریافت  این برنامه اینجا را کلیک کنید.

مقاله ی روشی مبتنی بر SIFT برای کشف جعل کپی-انتقال

One of the principal problems in image forensics is determining if a particular image is authentic or not. This can be a crucial task when images are used as basic evidence to influence judgment like, for example, in a court of law. To carry out such forensic analysis, various technological instruments have been developed in the literature. In this paper the problem of detecting if an image has been forged is investigated; in particular, attention has been paid to the case in which an area of an image is copied and then pasted onto another zone to create a duplication or to cancel something that was awkward. Generally, to adapt the image patch to the new context a geometric transformation is needed. To detect such modifications, a novel methodology based on Scale Invariant Features Transform (SIFT) is proposed

یکی از مشکلات اصلی در زمینه پزشکی قانونی تعیین این است که آیا یک تصویر خاص معتبر است یا خیر. این امر می تواند یک وظیفه حیاتی باشد که تصاویر به عنوان شواهد اساسی برای تأثیرگذاری بر قضاوت مانند دادگاه مورد استفاده قرار می گیرند.
در این مقاله مسئله تشخیص اینکه آیا یک تصویر جعلی شده است بررسی شده. به ویژه توجه به موردی است که در آن یک منطقه از یک تصویر کپی می شود و سپس در یک منطقه دیگر قرار می گیرد تا یک تکرار ایجاد شود یا چیزی که ناخوشایند است را لغو کند. به طور کلی، برای تطبیق تکه تصویر به زمینه جدید، یک تبدیل هندسی لازم است. برای شناسایی چنین تغییراتی، یک روش جدید بر مبنای تبدیل ویژگی های مقیاس پذیر (SIFT) پیشنهاد شده است.

در این مقاله روش پیشنهادی میتواند دستیابی پیدا کند به مناطقی که دستکاری کپی-انتقال شده اند، و همچنین پارامترهای استفاده شده تبدیلات افقی و عمودی، مقیاس بزرگنمایی، زاویه چرخش را برآورد کند. هنگامی که این نقطه های کلیدی شناسایی می شوند و جهت های کانونی تعیین می شوند، توصیفگرهای SIFT در مکان های خود در هر دو تصویر و مقیاس فضا محاسبه می شوند.

الگوریتم SIFT دو گام دارد اولین گام تشخیص است که،  در آن نقاط مورد نظر محلی می شوند،  در حالی که در مرحله دوم، توصیفگرهای محلی قوی به گونه ای ساخته می شوند که با توجه به جهت گیری، مقیاس و تحولات وابسته غیر قابل تغییر باشد.
این روش می تواند تقریبا به عنوان چهار مرحله زیر خلاصه شود:

• تشخیص مقیاس فضا
• محلی سازی نقاط کلیدی
• تخصیص یک (یا بیشتر) جهت گیری های کانونی
• تولید توصیفگرهای نقاط کلیدی

منبع:

دانلود مقاله ی A SIFT-Based Forensic Method for Copy–Move

مقاله تشخیص متاداده ها از طریق اختلاف بین محتوای تصویر و متاداده

Image content or metadata editing software availabilit and ease of use has resulted in a high demand for automatic image tamper detection algorithms. Most previous work has focused on detection of tampered image content whereas we develop techniques to detect metadata tampering in outdoor images using sun altitude angle and other meteorological information like temperature, humidity and weather, which can be observed in most outdoor image scenes. To train and evaluate our technique, we create a large dataset of outdoor images labeled with sun altitude angle and other meteorological data (AMOS+M2), which to our knowledge, is the largest publicly available datase of its kind

محتویات تصویر و یا در دسترس بودن نرم افزار ویرایش اطلاعات فراداده و سهولت استفاده، موجب تقاضای زیاد برای الگوریتم های تشخیص خودکار تصادفی تصویر شده است. اکثر کارهای قبلی بر تشخیص محتوای محرمانه متمرکز شده است، در حالیکه ما تکنیک هایی را برای تشخیص دستکاری متاداده در تصاویر در فضای باز با استفاده از زاویه ارتفاع خورشید و دیگر اطلاعات هواشناسی مانند دما، رطوبت و هوا، که می توان در بیشتر صحنه های تصویری در فضای باز مشاهده کرد ارائه کرده ایم. 
در این مقاله برای آموزش و ارزیابی تکنیک ما یک مجموعه داده بزرگ از تصاویر فضای باز با زاویه ارتفاع خورشید و سایر اطلاعات هواشناسی (AMOS + M2) ایجاد می کنیم که به عقیده ما بزرگترین مجموعه داده های موجود در نوع خود است. با استفاده از این مجموعه داده ها، ما مدل های رگرسیون مجزا برای زاویه ارتفاع خورشید، دما و رطوبت و مدل طبقه بندی آب و هوا برای تشخیص هر گونه اختلاف بین محتوای تصویر و ابرداده آن را آموزش می دهیم.
 در نهایت، یک شبکه چند منظوره مشترک برای این چهار ویژگی  بهبود نسبتا 15.5٪ در مقایسه با هر یک از آنها به صورت جداگانه نشان می دهد. ما یک تحلیل دقیق برای استفاده از این شبکه ها برای شناسایی انواع مختلف اصلاح اطلاعات مکان و زمان در ابرداده های تصویری ارائه می کنیم.

یکی از زمینه هایی که در صحت ابرداده تصویر بسیار مهم است، موارد قانونی است که در آن یک تصویر به عنوان مدرک از یک فعالیت خاص در یک زمان خاص نشان داده می شود. نشانه زمانی تصویر تنها به خودی خود قابل اعتماد نیست زیرا به راحتی قابل تغییر است. در صورت وجود، باید با برخی اطلاعات اضافی در تصویر تایید شود.ما تکنیک های اتوماتیک را برای انجام انواع مشابهی از تجزیه و تحلیل در تصاویر در فضای باز با استفاده از اطلاعات هواشناسی را ارائه داده ایم. ما بر روی موقعیت تصویر و تشخیص تایمر زمان بندی تمرکز می کنیم، زیرا این دو مهمترین عوامل در ابرداده تصویر هستند. تحقیق حاضر بر بررسی اعتبار اطلاعات مکان با تطبیق محتوای تصویر در برابر یک پایگاه داده تصویری در مقیاس بزرگ مانند تصاویر نمای خیابان های گوگل با استفاده از تکنیک های بازیابی تصویر مبتنی بر محتوا متمرکز شده است. در زیر نمونه ای از تکنیک این مقاله را با ارائه تصویر  بیان می کنیم.

نقشه های حرارت از اختلاف مطلق در پیش بینی زاویه ارتفاع خورشید هنگامی که بخش های کوچکی از تصاویر مسدود می شوند. دو عکس از یک وب کم در زمان های مختلف استفاده می شود. در مجموعه اول، می توانیم ببینیم که شبکه در هنگام تصویر در تصویر قابل توجه است. در مجموعه دوم شبکه به سطوح بازتابنده سنگ اهمیت می دهد.
در زیر نمونه ی دیگری است در زمان ها و ساعات مختلفی عکسبرداری شده است.

برای دانلود این مجموعه و مجموعه های دیگر اینجا را کلیک کنید.
منبع
دانلود مقاله Detection of Metadata