数字图像作为电子证据的一种,在证明事实真相中扮演着重要的角色。随着计算机技术与人工智能技术的发展,图像的真实性受到了严重的挑战,图像的真实性检验成为了一个新的研究方向。图像篡改方式、种类繁多,其根本目的是改变图像中原来的内容而获得某种利益。图像拼接作为图像篡改方式中的一种,操作简单而快捷,经后期处理后人们难以辨认真假,近年来国内外学者提出一系列方法用于检测图像拼接操作,取得了很好的效果,但是拼接检测算法的鲁棒性、对拼接区域的检测精准度还有待提高。基于马尔科夫特征的自然统计模型是目前对图像拼接检测效果最好的方法之一,本文在总结前人提出的创新算法后,针对特征提取方式、马尔科夫特征计算与图像预处理等方面做了改进,提出了基于SRM模型的多残差马尔科夫拼接检测模型与DCT量化预处理马尔科夫拼接检测模型和基于卷积神经网络的图像拼接篡改区域定位模型。具体内容如下:1、基于多残差马尔科夫特征的图像拼接检测模型针对传统马尔科夫特征计算差值矩阵的方式单一,拼接检测鲁棒性不强的问题,提出基于SRM模型的多残差马尔科夫特征拼接检测模型。文章分析了隐写检测模型(SRM)应用于图像拼接检测的可行性,并在实验中发现将彩色图像转换成灰度图像后再进行特征提取会造成信息的丢失,而直接提取三通道的特征则不会丢失有效信息。基于以上两点,引入SRM中的多种残差类型来改进传统马尔科夫特征,从RGB三个通道分别提取10种不同类型的马尔科夫特征,训练30个独立的SVM分类器,最后通过决策判断进行分类预测。该方法在哥伦比亚大学彩色拼接检测库上达到了95.40%的准确率,并且对JPEG压缩、中值滤波等后处理操作具有较强的鲁棒性。2、彩色DCT量化马尔科夫特征图像拼接检测模型由于多残差马尔科夫特征的图像拼接检测模型在特征提取过程中需要计算多个转移概率矩阵,时间复杂度较高,在实验过程中受jpeg压缩算法启发,提出彩色DCT量化马尔科夫特征图像拼接检测模型,通过量化矩阵抑制DCT域的中低频信息以突出图像中的高频信息。该方法首先在DCT域对图像进行DCT系数量化,之后从RGB三个颜色通道分别提取马尔科夫特征,并训练3个独立的SVM分类器,最后通过决策判断进行分类预测。该方法大大减少了所需提取特征的数量,在IEEE图像取证竞赛训练集中取得99.94%的准确率。3、基于卷积神经网络的图像拼接篡改区域定位模型由于传统拼接检测算法需要手工构造特征,这一阶段需要耗费研究人员大量的时间与精力,而且随着图像篡改技术的发展,人工构造的特征鲁棒性不强,对拼接篡改区域定位较困难。本文提出使用固定前置卷积核的方式构造卷积神经网络,通过特征自学习的方式对图像拼接篡改区域进行检测与定位。研究中发现,卷积神经网络(CNN)模型可以用于篡改区域的特征自学习,通过在网络前添加高通滤波卷积核,使用指数线性单元作为激活函数,可以使卷积神经网络通过训练学习到图像拼接篡改的边缘痕迹特征。该方法在IEEE图像取证竞赛训练集上对篡改图像篡改区域定位的准确率为84.3%。多残差马尔科夫特征的图像拼接检测模型与彩色DCT量化马尔科夫特征图像拼接检测模型原理基本相同,都是通过改进传统马尔科夫特征来提升图像拼接检测的准确率,前者时间复杂度较高,后者由于减少了特征数量,计算速度更快。两种模型都只能实现对拼接图像的检测而无法实现具体篡改区域定位。基于卷积神经网络的图像拼接篡改区域定位模型则弥补了前两种模型的不足,实现了拼接篡改区域的定位。