بخشی از مقاله
*** این فایل شامل تعدادی فرمول می باشد و در سایت قابل نمایش نیست ***
ارایه روش جدید برای تشخیص تصاویر JPEG از تصاویر غیر JPEG به منظور تشخیص استخراج اصالت تصویر
چکیده
امروزه پیشرفت تکنولوژی دیجیتال باعث شده است که افراد مختلف با کمترین هزینه و مهارت قادر به دستکاری تصاویر باشند. در این مقاله به ارائه روشی جدید برای بهبود الگوریتم¬های احراز اصالت تصاویر میپردازیم. روش پیشنهادی با استفاده از اثر مات¬شدگی و طبقه¬بندی لبه¬های تصویر به سه دسته لبه¬¬های تیز، لبه¬های نیمه¬تیز و لبه¬های نرم می باشد. اساس کار به این صورت است که در جایی که تصویر دستکاری می¬شود، مات¬شدگی اتفاق می¬افتد و در مات¬شدگی لبه¬های تیز به لبه¬های نرم تبدیل می¬شوند، از این¬رو با تعیین لبه¬های نرم، قسمت¬های دستکاری شده مشخص می¬شوند.
در ادامه برای تشخیص اینکه یک تصویر، تصویر فشرده Jpeg می¬باشد یا فشرده¬سازی نشده است، توجه می¬کنیم که در اثر فشرده¬سازی Jpeg، لبه¬های تصویر مات می¬شوند در نتیجه لبه¬ها از حالت تیز خارج می¬شوند، از این¬رو تشخیص فشردگی Jpeg معادل با تشخیص تصویر مات شده می باشد. شبیه سازی¬ها صحت فرضیات مورد بحث را نشان داده¬اند.
واژه های کلیدی مات شدگی،Jpeg ، تبدیل کانتورلت، ماشین بردار پشتیبان، تناسب فاز.
-1 مقدمه
محبوبیت تصاویر دیجیتال با نرخ بسیار زیادی در حال رشـد اسـت. در گذشته زمانی که فیلمی مورد دستکاری قرار گرفت، برای دسـتکاری آن نیاز به مهارتهای حرفهای و برخی از شرایط ماننـد تجهیـزات اتـاق تاریک،کاغذ مخصوص عکس و غیره بود. امروزه بـا وجـود دوربـینهـای پیشرفته و همچنین نرمافزارهای پردازش تصـویر دیجیتـال بـه راحتـی میتوان تصاویر مختلف را دستکاری نمود.
برای مثال در سال 2007 ، چند عکس از ببر جنوب چین باعث شد کـه مردم باور کنند در جنوب چین ببر وحشـی وجـود دارد و دولـت بـرای حفاظت از آنها قوانینی وضع کرد. در نهایت ثابت شد که این عکسهـا دستکاری شدهاند و این موضوع به ببرهای کاغذی معروف شـد 1 و در سال 1386 یک خبرگزاری ایرانی، تصویرموشکهای آزمـایش شـده در رزمایشی را دستکاری و منتشر کرد که در آن یکـی از چهـار موشـک از دیگری کپی شده بود . 2
دستکاری تصـویر در بیشـتر مـوارد، آزار دهنـده اسـت و باعـث ایجـاد مشکلات زیادی میشود. برای مثال با دستکاری بر روی صـورت فـردی
میتوان شهرت فردی را از بین برد و یا در امر قضاوت دچار اشتباه شـد. پس برای جلوگیری از به وجود آمدن چنین مشکلاتی میتوان از روش-های مختلف تصدیق تصاویر استفاده کرد.
به طور کلی میتوان روشهای تشخیص اصالت تصـویر را بـه دو دسـته کلی تقسیم کرد.
1-4 روش فعال
در این روش یک علامت یا مشخصه را در تصویر اصلی پنهان میکننـد تا نشان دهنده اصالت تصویر باشد و در آخر برای اثبـات اینکـه تصـویر دستکاری نشده اقدام به استخراج علامـت مـیکننـد و اگـر علامـت یـا مشخصه به طور کامل اسـتخراج شـده بیـان کننـده دسـتکاری نشـدن تصویر است.
2-4 روش غیر فعال
در این روش بدون اضافه کردن اطلاعات به تصویر اصلی میتوان اصالت آن را بررسی کرد که برای این کار روشهای مختلفی از جملـه بررسـی
نور و زوایای مختلف تصویر و یا تشخیص مـاتشـدگی و فشـردهسـازی وغیره اشاره کرد.
امروزه روش غیرفعال در زمینه تصاویر جعلـی بیشـتر کـاربرد دارد کـه یکی از عمومیترین روشهای دستکاری تصاویر ترکیـب کـردن و کپـی کردن قسمتی از تصویر در داخل تصـویر اصـلی اسـت. اگرچـه معمـولاً آزمایشات ماهرانه مـیتوانـد تصـاویر دسـتکاری شـده غیـر پیچیـده را تشخیص دهد ولی تشـخیص اتوماتیـک آن توسـط ماشـین هنـوز یـک چالش است. بیشتر تصاویر دستکاری شـده معمـولاً شـامل عملگرهـای
پیچیده هستند تا تصاویر دستکاری شـده را بـه صـورت طبیعـی جلـوه دهند. نمونههایی از این عملگرها شامل مـاتکـردن1، فشـردهسـازی2 و غیره هستند. در این مقاله با استفاده از اثر مـاتشـدگی لبـههـا کـه در فشردهسازی اتفاق میافتد، اصالت تصویر به روش غیرفعـال مـورد بررسی قرار خواهد گرفت.
در زمینه استخراج اصالت تصاویر دیجیتال دو موضوع مهم وجـود دارد، یکی شناسایی منبع تصویر بـه بیـان دیگـر اینکـه تصـویر بـا چـه نـوع دوربینی گرفته شده است و موضوع دوم شناسایی جعلـی بـودن تصـویر است.
روشهایی که برای شناسـایی منبـع تصـویر اسـتفاده مـیشـوند نحـوه پردازش قسمتهای مختلف دوربین را بررسی میکنند تا یـک نشـانه از منبع استخراج کند. روشهایی که دستکاری شدن تصـویر را تشـخیص میدهند عـدم سـازگاری در کیفیـت و حضـور کاراکترهـای خاصـی در تصویر را مشخص میکنند تا از روی این عوامل بتوانند دستکاری شـدن تصاویر را اثبات کننددر مرجع [3] در این مورد صحبت شده است.
برای شناسایی دستکاری تصویر روشهای گوناگونی مورد استفاده قـرار گرفته شده است که هر کدام یک یا چند ویژگی تصویر را مورد بررسـی قرار داده تا بتوانند ویرایش شدن تصویر را تشخیص دهند. در اینجـا بـه بررسی چند نمونه از این روشها میپردازیم.
استفاده از جدول کوانتیزهکردن JPEG استفاده از زاویه نور اشیاء استفاده از مات شدگی لبهها
-2 تبدیل کانتورلت غیر زیر نمونه بردار 3
تبدیل کانتورلت یک تبدیل چندتفکیکی و چندجهتی میباشد. این تبدیل از دو بانکفیلتر هرم لاپلاسین و جهتی تشکیل شده است.[5]
این دو بانکفیلتر دارای افزونگی میباشند . همچنین بهعلت وجود
بیش نمونهبرداری و بیش نمونهبرداری در این دوفیلتر بانک، تبدیل
کانتورلت نامتغیربازمان نمیباشند. از اینرو تبدیل
برای جبران
این مشکلات پیشنهاد گردید ] .[ در ادامه به بیان این تبدیل و قاعده
بازسازی براساس آن اشاره میشود.
شکل((1 ساختار کلی تبدیل را نشان میدهد.
شکل(:(1 ساختار کلی تبدیل [ ]
فیلترها در هر یک از مراحل با استفاده از بیش نمونهبرداری فیلترهای مرحلهی اول حاصل میشوند. با این کار نیاز به طراحی فیلتر جدید برای هر مرحله نیز برطرف میشود. شکل((2 ساختار تجزیه توسط هرم
را برای سه مرحله نشان میدهد.
شکل(:(2 تجزیه سه مرحلهای توسط هرم [7]
3-4 بانکفیلتر جهتی
این بانکفیلتر جهتی نامتغیر با زمان با حذف زیر نمونهبرداری و بیش نمونهبرداری در بانکفیلتر جهتی حاصل میشود. در این راستا، تجزیه توسط بانکفیلتر جهتی چهار کانالی در شکل((37-2 نشان داده شده است.
تبدیل با اعمال تبدیل هرملاپلاسین برروی تصویر و
سپس اعمال بانکفیلتر جهتی برروی جزییات هرملاپلاسین
حاصل میشود . 7
شکل(:(3 تجزیه توسط بانک فیلتر جهتی چهار کانالی [7]
پس از توضیح مبانی نظری در فصل بعد به بررسی روشی برای اصالت تشخیص تصاویر و تشخیص فشردهسازی JPEG مبتنی بر NSCT و SVM میپردازیم.
.
-3 ویژگی های مناسب برای طبقه بندی
در این قسمت به ارایه روش جدیدی برای تشخیص تصاویر JPEG از تصاویر غیر JPEG میپردازیم.
به منظور تشخیص این تصاویر از یکدیگر به ارایه چندین ویژگی میپردازیم و ویژگیها را برای هر تصویر به دست میآوریم و با کمک آنها یک طبقهبندی کننده را آموزش میدهیم که در این مقاله از ماشین بردار پشتیبان استفاده شده است و سپس دادههای تست را به این طبقهبندی کننده اعمال و نتایج تشخیص درست را به دست آورده و با روش قبلی مقایسه میکنیم.[4]
برای تشخیص اینکه یک تصویر JPEG میباشد یا نه، از این واقعیت استفاده میکنیم که در اثر فشردهسازی JPEG لبه های تصویر مات میشوند در نتیجه لبههای تصویر از حالت پلهای (تیز) خارج می شوند، لازم به ذکر است به دلیل استفاده فراوان از فرمت JPEG، بر روی این فشرده سازی تمرکز کرده ایم و اثر بقیه فشرده سازی بر مات شدگی را بررسی نکرده ایم.
از اینرو تشخیص فشردگی JPEG معادل این است که تشخیص دهیم تصویر مات شده است یا نه. بدین منظور ابتدا به بررسی لبهها در تصویر میپردازیم در حالت کلی ما سه نوع لبه در تصاویر طبیعی مشاهده میکنیم، که در شکل (4) نمایش داده شدهاند.
شکل(:(4 انواع لبه های موجود در تصاویر طبیعی
با توجه به NSCT، که در بخش فصلهای قبل معرفی شد، این تبدیل یک تبدیل مناسب برای به دست آوردن اطلاعات مربوط به لبهها و اطلاعات جهتی میباشد.
در شکل (5) تجزیه یک تصویر نمونـه توسـط NSCT نشـان داده شده است همانطور که در شکل مشخص است این تبدیل یـک تبـدیل جهتی است. تصویر اولیه تا سه سطح تجزیه شده است، خروجی تبـدیل NSCT یک تصویر تقریب هم بعد با تصویر اصلی به همـراه دو تصـویر جزییات مربوط به سطح اول، چهار تصویر جزییات مربوط به سطح دوم و هشت تصویر جزییات مربوط به سطح سوم میباشد.
برای به دست آوردن ویژگیهای مورد نظر برای طبقهبندی از این تبدیل استفاده میکنیم، بدین منظور این تبدیل را در سه سطح تجزیه بر روی تصویر اصلی اعمال میکنیم و در هر سطح 8 باند درنظر می گیریم و چون لبهها حاوی اطلاعات فرکانس بالا میباشند فقط روی باندهای مربوط به جزییات تمرکز میکنیم و از باند تقریب صرف نظر میکنیم.
تصاویر جزییات نیز هم بعد با تصویر اصلی میباشند و8 تصویر جزییات در سطح اول بعد از اعمال یک بار تبدیل به دست میآید و دارای لبههای تیز است که آن را با لبههای نوع S نشان میدهیم که متناظر با لبههای پلهای مشخص شده در شکل (4) می باشد. در مرحله بعد به تصویر تقریب به دست آمده از مرحله قبل که نسبت به تصویر اولیه دارای لبههای ماتتری است، تبدیل اعمال میشود در نتیجه تصویر های جزییات به دست آمده هم دارای لبههای ماتتری نسبت به مرحله قبل هستند و متناظر با لبههای نوع دوم در شکل (4) میباشند که آنها را با لبههای نوع M نشان میدهیم و همینطور با اعمال مجدد تبدیل تصاویر جزییات مرحله سوم لبههای صافتری دارند که متناظر با لبههای نوع سوم در شکل (4) میباشند که آنها را با لبههای نوع W نشان میدهیم.
شکل((a) :(5 تصویر اصلی (b) تصویر تقریب (c) تصویر جزییات مرحله اول شامل دو باند (d) تصویر جزییات مرحله دوم شامل چهار باند (e) تصویر جزییات مرحله سوم شامل هشت باند
به منظور تشخیص کمی این لبهها از هم با توجه به سه باند تجزیه کانتورلت به صورت زیر اقدام میکنیم.
NSCT را روی تصویر اولیه به سایز m n اعمال میکنیم هر یک از زیر باندهای جزییات را با tk نشان میدهیم که بیانگر سطح
t ام و باند k ام میباشد.عنصر ستون i ام و سطر j از tk را با
tk(i,j) نشان میدهیم که , ,m } i {1, 2,
,n } tk ( i, j ) . j {1,2, را به صورت زیر تعریف میکنیم.
توجه میکنیم مقادیر بزرگ ( tk (i , j نشان دهنده لبهها می-باشند.مجموعه لبههای تصویر را با E نشان میدهیم هر یک از اعضای این مجموعه متعلق به مجموعههای S,M,W میباشند. اعضای هر یک از مجموعهها را به صورت زیر به دست میآوریم.
▪ مرحله اول: S , M ,W
▪ مرحله دوم: تمـامی نقـاط E را در نظـر مـیگیـریم بـرای یـک لبـه
اگر یک لبه بتواند تا سطح سوم دامنه خود را حفظ کند در واقع دارای لبه ای تیز است و لبه نوع S می باشد.به این ترتیب تمامی لبههای تصویر به سه مجموعه S,M,W افراز میشوند.
این موضوع در شکل((7-3 تا (9-3)نیز مشخص است مقادیر ضرایب NSCT بعد از اعمال ماتشدگی کاهش یافته است.
شناختن تصاویر JPEG و تصاویر غیر JPEG لبه ها را به سه دستع افراز کرده ایم، که نتایج را درشکلهای (6) تا (8) مشاهده می-کنید.در این تصاویر از تصاویر JPEG با کیفیت فشرده سازی 100،80،60،40،20 استفاده شده است. همانطور که مشاهده میکنیم فشردهسازی سبب میشود مقادیر ضرایب NSCT کوچکتر شوند و هرچه کیفیت فشردهسازی کمتر باشد میزان کاهش ضرایب NSCT بیشتر میشود. به منظور مقایسه دقیقتر این موضوع نتایج مربوط به فراوانی لبههای نوع S,M,W را در جداول زیر مشاهده میکنیم. همان طور که از جدول مشخص است با افزایش کیفیت فشردهسازی تعداد لبههای نوع S بیشتر و از تعداد لبههای نوع W کاسته میشود.
شکل(6) هیستوگرام فراوانی لبههای نوع S (منحنی قرمز خط چین مربوط به تصویر TIFF بقیه مربوط به تصاویر فشرده شده باJPEG )
شکل(7 ) هیستوگرام فراوانی لبههای نوع M (منحنی قرمز خط چین مربوط به تصویر TIFF بقیه مربوط به تصاویر فشرده شده با JPEG)
