brightendavid's blog

原创 ： CAT-Net: Compression Artifact Tracing Network 算法测试 CAT-Net: Compression Artifact Tracing Network 算法测试 2021年的开源图像篡改检测算法还是很难找的 这篇文章是 WACV2021 paper,作者是韩国人。 WACV据说是仅次于CVPR等的顶会。 https://github.com/mjkwon2021/CAT-Net 这个东西直接在github 上面搜索名字竟然搜不到。 但是会出现readme文档，在这个readme文档中点进去才会出现代码。 算法训练使用的数据集 最好不要使用下面的数据集进行测试 对于一个培训集 使用以下数据集 auth.表示未篡改图像;tamp.表示篡改图像 安装库版本 这些在requirements文件里面都有 torch==1.1.0 Cython pyyaml yacs>=0.1.5 tqdm torch_dct pillow opencv-python tensorboardX ma ...

原创 ： D-net论文复现部分内容 –关于人工特征融入深度网络的思考。 D-net论文复现部分内容 –关于人工特征融入深度网络的思考。 论文名：D-Unet: A Dual-encoder U-Net for Image SplicingForgery Detection and Localization arxiv 2020 复现时间 2021/4/24 使用pytorch 这个论文的创新性不高，希望诸君绕过。论文甚至是把图片给写错了。实在是过分。 关于人工特征融入深度网络的思考。 使用某种图像库可以很轻易 的得到人工特征。 但是这个东西是用CPU计算的，而pytorch是拿GPU跑的。 在实现上不是很难，就是注意CPU和Conda。 但是把这玩意从CPU,GPU里面复制来，复制去 的。个人认为电脑会’累‘的，电脑肯定会累的，会跑的很慢。 下面是用这种很笨的方法实现的3重Harr小波。没有效率的方法。 123456789101112131415161718192021222324252627282930313233343536373839 ...

原创 ： Exploiting Spatial Structure for Localizing Manipulated Image Regions Exploiting Spatial Structure for Localizing Manipulated Image Regions Exploiting Spatial Structure for Localizing Manipulated Image Regions ICCV 2018 篡改边缘特征 部分的篡改图像，根本就不符合逻辑，不符合图像的基本语义信息。 剩下的大部分的图像篡改，通过放大图像就可以被人眼识别出来。 这是篡改水平决定的。 一般而言，为了边缘的平滑过度，不被人眼识别出怪异，一般在图像篡改后进行边缘的平滑。 因此，放大边缘，一般有锯齿的是真实图像，而很明显的没有锯齿痕迹的往往是篡改图像。欲盖弥彰。 网络结构图 Loss 对于ｂａｔｃｈ的LOSS 针对的预测是Patch labels ,像是交叉熵loss 对于单像素的Loss 就是交叉熵loss 最终计算 ...

原创 ： Fake-image detection with Robust Hashing Fake-image detection with Robust Hashing 2021 IEEE 3rd Global Conference on Life Sciences and Technologies (LifeTech 2021) hash hash 是一个单向不可逆的函数，使用时，只需要当作一个黑盒即可，输出是一个长度固定的消息验证码，输入改变一个字符，输出就有很大的变化。满足雪崩效应。 按照现今的算力来说，如果使用的hash算法和加密的长度有保证，就有计算安全性保证 。 拿hash函数做图像篡改检测真的行吗？又不会把原图也给你。要是给原图还真行呢。 我不大相信。 这个做法也很简单。两个hash 之间求一个相似度，不一样的数量未达到某个阈值就是篡改图像。 这个输出结果也不带定位。 浪费了宝贵的1小时。

原创 ： Hybrid LSTM and Encoder-Decoder Architecture for Detection of Image Forgeries运行测试 Hybrid LSTM and Encoder-Decoder Architecture for Detection of Image Forgeries运行测试 这篇论文的测试真的有点坑，作者使用的文件有点特殊。 简称为HLED网络。 read_me.md 的指示 Resampling Features The codes for extracting resampling features can be found on “Radon” folder. Please change the input and output directory for your own dataset. Following is the command to extract the resampling features. 12python extract_resamp_feat.py In this ...

原创 ： Hybrid features and semantic reinforcement network for image forgery detection Hybrid features and semantic reinforcement network for image forgery detection 认为是2021年最靠谱的篡改检测类文章 作者是吉林大学的 代码未开源 使用的线索为图像重采样特征和空间特征（像素关系）。 其实这个网络像是U-net的框架 重采样特征 使用的是LSTM 网络，输入图为 256 * 256 分为的8 * 8个batch （32 * 32大小）。此信息流输出的仍旧是像素级别的分类，以前的论文会直接输出32 * 32块的分类。 语义扩张（Semant*ic reinforcement） 可以看作是跳跃连接，使用1*1卷积 改变了通道数 结果展示 就F1指标而言，感觉指标是普遍偏高了，尤其是ELA。 datasets

原创 ： Identification of splicing edges in tampered image based on Dichromatic Reflection Model Identification of splicing edges in tampered image based on Dichromatic Reflection Model 二色反射模型 划分边缘的类型为5类的边缘： 对象边缘、 反射率边缘、 阴影边缘、 镜面边缘 遮挡边缘 （按照几何和光度条件划分 使用两个色彩空间 o1o2 和 S 两个色彩空间对自然边缘和篡改边缘的敏感度是不一样的 求边缘 使用拉普拉斯滤波器， O1O2通道使用联合梯度 阈值设定为标准差*3 当O1O2中检测出边缘 而S未检测出边缘时，判定为篡改边缘

原创 ： IDAT block小结 IDAT block小结 IDAT块隐写–一生之敌 IDAT定义： 图像数据块IDAT(image data chunk)：它存储实际的数据，在数据流中可包含多个连续顺序的图像数据块。 IDAT存放着图像真正的数据信息，因此，如果能够了解IDAT的结构，用户就可以很方便的生成PNG图像。 一张图片可以有很多的IDAT块。 说了和没说一样。 先来说一说这个IDAT块长什么样 这里是16进制下的WINHEX截图 IDAT块一般的标识符为IDAT 只需要搜索这个关键字winhex就会整理出来这个IDAT头了。 但是一般的IDAT隐写会体现在IDAT块的长度上，会有一些IDAT块有异常的长度，那么就是解题的关键。 IDAT有固定的长度，正常的PNG图片只有最后一个IDAT块的长度是比其他的要短的。 那么在kali linux中,可以通过以下命令查看IDAT块的信息 123#check png picture idat block error:to see the length of idat bloc ...

原创 ： Image Splicing Forgery Detection Combining Coarse to Refined Convolutional Neural Network and Adapti Image Splicing Forgery Detection Combining Coarse to Refined Convolutional Neural Network and Adapti 重庆邮电大学计算机科学与技术学院。西安电子科技大学网络工程学院 其实这几个作者发表的论文不少，经常可以看到，而且总是共同发表论文。 就是感觉发表的论文虽然多但是，都有点水。 记得还有一篇DUnet，也是这个团队发表的。 网络结构 Coarse 部分 预测一个粗略的估计。拿的是vgg16的基本架构。 Refined 部分 基本的结构和Coarse 部分相同，可能多了几层的卷积。把Coarse 部分的结果直接输入到Refined 部分。 后处理部分Adaptive Clustering Approach 后处理的手法应该是挑最大的一个聚 ...

原创 ： Image Splicing Localization Using Superpixel Segmentation and Noise Level Estimation Image Splicing Localization Using Superpixel Segmentation and Noise Level Estimation 2019 12th International Congress on Image and Signal Processing, BioMedical Engineering and Informatics (CISP-BMEI) 根据超像素划分每个图像块， 对每个图像块 求噪声水平， 对于上面的图像块-噪声水平 求聚类 默认，小的聚类是篡改区域，大的聚类是原本的背景。 超像素分割有很多的好处，能够划分边界。使用超像素划分图像直接就简化问题。但是splicing里面也有一些路子很野的，不考虑语义信息，乱篡改图像的，这种情况可能就会出现问题了。 因为此时，篡改区域可能被分到不同的超像素中， 这种情况是可行的，因 ...