数字图像是当今时代图像存储和传输的主要形式,随着视觉采集设备的快速发展和便捷使用,几乎每个人都有能力记录和存储数字图像。过去人们对图像的真实性坚信不疑,而各种图像编辑软件的出现导致篡改图像变得简单,伪造图片不易被察觉,甚至能以假乱真。虽然生活中人们对图像的操作多数是为了美化或者娱乐,但是恶意篡改甚至传播篡改过的图像,将会对国家安全、社会稳定、人民的正常生活秩序带来严重的不良影响。因此,研究图像的篡改检测意义重大。数字图像盲取证是一种不需要签名或水印等信息预处理的技术,是当今取证技术的热门研究方向。本文针对JPEG图像合成篡改的检测进行研究,以机器学习为基础模型,着重于研究篡改区域的定位问题。基于不同的机器学习模型和图像特征,分别研究探讨了基于朴素贝叶斯分类的双JPEG压缩篡改检测方法、基于深度卷积神经网络的双JPEG压缩篡改检测方法和基于深度卷积神经网络的块效应不一致性检测方法。主要工作包括:(1)基于朴素贝叶斯分类的双JPEG压缩篡改检测方法,主要针对合成过程中的双JPEG压缩操作,利用朴素贝叶斯分类实现篡改区域的定位。本文设计了"基于DCT系数量化映射关系的检测算法"和"基于DCT系数首位统计特性的检测算法",其中"基于DCT系数量化映射关系的检测算法"通过分析DCT系数在量化过程中的数值映射情况,提出基于直方图区间映射关系的条件概率模型;"基于DCT系数首位统计特性的检测算法"通过分析篡改后DCT系数首位概率分布的变化情况,提出基于Benford定律的条件概率模型。这两种概率模型体现了双JPEG压缩过程中图像统计特征的变化情况,结合朴素贝叶斯分类方法可以实现篡改区域的定位。(2)基于深度卷积神经网络的双JPEG压缩篡改检测方法,针对双JPEG压缩操作,利用深度学习模型实现篡改区域的定位。相比传统模型,深度学习拥有优异的特征表达能力,能挖掘数据内部隐藏的本质信息。本文设计了一种深度卷积神经网络,通过提取DCT系数的直方图,在没有人工精心设计特征的前提下,用深度网络自动学习篡改前后直方图特征最本质的变化。实验结果显示,基于深度学习的检测方法的准确率要高于其他传统算法。(3)基于深度卷积神经网络的块效应不一致性检测方法,利用JPEG图像的块效应特性,结合深度学习模型实现篡改区域的定位。块效应不易提取,且受图像内容和纹理影响较大。基于此问题,本文设计了一种简单的基于像素相关性的特征来描述篡改过程中压缩和裁剪操作对局部块效应的影响,结合深度卷积神经网络将篡改区域微弱的块效应变化学习出来,从而识别篡改区域。实验结果显示,算法不仅能准确识别篡改区域,而且对旋转、缩放都具有鲁棒性。综上所述,本文在机器学习这个基础模型上研究了 JPEG图像篡改区域的定位问题。围绕JPEG压缩图像篡改检测的两个主要方向:双JPEG压缩检测和块效应检测,分别提出基于朴素贝叶斯分类模型和基于深度卷积神经网络模型的具体方法。实验结果显示,这些方法能有效地提高了 JPEG图像篡改区域的定位的准确性,并且对JPEG压缩、几何旋转、缩放等操作都具有鲁棒性。