بخشی از مقاله
چکیده
جایگزین شدن تصاویر سنتی با تصاویر دیجیتال، رواج دستگاههای مختلف تصویربرداری، کاهش هزینه تصویربرداری و سهولت انتقال و دستکاری تصاویر دیجیتال مسئله جعل تصویر را به یک مشکل مهم و رو به رشد در سالهای اخیر تبدیل کرده است. در میان تمامی انواع جعل، جعل کپی-انتقال یکی از مهمترین و رایجترین انواع جعل و روشهای مبتنی بر بلوکبندی تصویر کارآمدترین روشهای خودکار تشخیص این نوع جعل هستند.
اما روشهای مبتنی بر بلوک-بندی از یک سو حساسیت بالایی به همپوشانی بین بلوکها دارند و از سوی دیگر به دلیل حجم بسیار بالای محاسبات سرعت پایینی دارند. در راستای حل این مشکلات، در این پژوهش روشی جدید مبتنی بر الگوریتم تکاملی ازدحام ذرات - PSO - معرفی و پیادهسازی شده است. در روش پیشنهادی به جای مقایسهی یک به یک بلوکهای جدا شده از تصویر، بلوکهای مشابه به کمک یک روش مبتنی بر الگوریتم PSO جستجو میشوند. آزمایشات انجام شده نشان میدهد که روش پیشنهادی تقریبا بدون کاهش محسوس دقت روشهای مرسوم مبتنی بر بلوکبندی، تاثیر قابل توجهی بر سرعت این روشها دارد.
.1 مقدمه
جایگزین شدن تصاویر سنتی با تصاویر دیجیتال، افزایش روزافزون تعداد تصاویر دیجیتال، سهولت دستکاری و جعل تصاویر دیجیتال و انتقال آسان و سریع این تصاویر از طریق اینترنت و تلفنهای همراه، پدیده جعل تصویر را به یک مشکل مهم در سالهای اخیر تبدیل کرده است . امروزه یک تصویر دیجیتال میتواند توسط ابزارهای مختلف تصویربرداری ایجاد و در مدت زمان کوتاهی توسط نرمافزارهای دستکاری تصاویر دیجیتال - مانند فتوشاپ - تغییر کرده و سپس توسط شبکههای مجازی به راحتی به سرتاسر جهان ارسال شود و سبب باورپذیری اشتباه در میان افراد شود.
از سوی دیگر به دلیل ظرافتِ کاری نرمافزارهای موجود، دستکاری و جعل تصویر میتواند با چنان دقتی انجام شود که تشخیص جعل توسط چشم انسان را ناممکن سازد. بنابراین مطالعه و پیادهسازی روشهای هوشمند تشخیص جعل در تصاویر دیجیتال و به دنبال آن طراحی نرمافزارهای خودکار تشخیص نواحی مشکوک به جعل، امری بسیار مهم میباشد. چنین نرم-افزارهایی با مقایسه و تشخیص تغییرات ایجاد شده در ساختار پیکسلی تصاویر دیجیتال به تشخیص سریع و دقیق جعل در تصاویر دیجیتال حتی توسط افراد غیر حرفهای کمک شایانی میکند.
جعل تصاویر دیجیتال در یک تقسیمبندی کلی در سه گروه Splicing، Retouching و Copy-Move قرار میگیرد. در جعل Splicing که به پیوند زدن تصاویر معروف است بخشهایی از دو یا چند تصویر به یکدیگر چسبانده میشوند تا تصویر جدیدی ایجاد گردد. این نوع جعل اگرچه یکی از خطرناکترین انواع جعل است و در آن یک تصویر کاملا جدید با ماهیت غیر واقعی ایجاد میشود اما پیادهسازی آن به دلیل متفاوت بودن ویژگیهای تصاویری که با هم تلفیق میشوند مانند ترکیب رنگ، وضوح و غیره کار بسیار مشکلی است و به همین دلیل پیادهسازی آن تنها توسط افراد متبحر قابل انجام است و رواج کمتری دارد .[1] در جعل Retouching ماهیت تصویر تغییر نمیکند و تنها برخی ویژگیها در تصویر - مانند رنگ، روشنایی æ ... - تغییر میکند تا تصویری جذابتر ایجاد شود. این نوع دستکاری بیشتر در صنایع عکاسی و چاپ کاربرد دارد و معمولا به تنهایی با هدف جعل تصویر انجام نمیشود. جعل کپی-انتقال یکی از رایجترین و مخربترین انواع جعل است که به راحتی و حتی توسط افراد مبتدی نیز قابل پیادهسازی است.
[2] در این نوع جعل بخشی از یک تصویر در جای دیگری از همان تصویر کپی میشود تا یک قطعه ناخواسته از تصویر حذف و یا جزئیاتی دلخواه در تصویر تکرار شود. شکل1 مثالی از جعل کپی- انتقال را نشان میدهد که در آن کپی شدن بخشی از پس زمینه در همان تصویر سبب حذف بخشی از اطلاعات در تصویر جعلی شده است.[3] در این نوع جعل معمولا ماهیت تصویر تغییر میکند و برخی بخشهای تصویر اصلی حذف و یا تکرار میشوند. به عنوان مثال حذف و یا تکرار کردن اشخاص æ یا اشیاء مختلف در تصویر و اقداماتی از این قبیل توسط این نوع جعل انجام میپذیرد.
تشخیص جعل کپی-انتقال هم از نظر چشمی و هم نرمافزاری پیچیدهتر از سایر انواع جعل است زیرا در این نوع جعل ناحیه کپی شده در تصویر از خود تصویر برداشته میشود و در نتیجه ویژگیهای مهم ناحیه جعلی از قبیل قالب رنگ و رنج سایر تغییرات - مانند نویز، تغییرات روشنایی، قالب تصویر، نوع دوربین و ... - شبیه سایر نواحی تصویر است .[4] بنابراین تشخیص ناحیه جعلی از روی چنین ویژگیهایی عملا غیر ممکن است و به جواب مناسبی منجر نمیشود. اما با توجه به یکسان بودن بخشهای کپی شده در دو ناحیه از تصویر، روش-های مبتنی بر بلوکبندی تصویر - استخراج زیر تصویرهای کوچکتر - از کارآمدترین روشهای تشخیص جعل کپی-انتقال محسوب میشوند.
در این روشها تصویر به بلوکهای بسیار کوچک تقسیم میشود و سپس با مقایسهی نظیر به نظیر این بلوکها با یکدیگر ناحیهی جعلی تعیین میشود. روشهای مبتنی بر بلوکبندی تصویر دارای مراحل کلی یکسانی هستند. در این روشها اولین مرحله پیشپردازش تصویر است. معمول-ترین کار صورت گرفته در این مرحله تبدیل تصویر رنگی به سیاه و سفید است تا محاسبات مورد نیاز به حداقل برسد. در مرحله بعد تصویر به بلوکهای کوچکتر دارای همپوشانی تقسیم میشود. اگر یک تصویر ابعاد M×N و هر بلوک ابعاد B×B پیکسل داشته باشد، تعداد کل بلوکهای استخراج شده از تصویر از رابطه - - 1 بدست میآید.
در مرحله بعد از هر بلوک برداری از ویژگیها استخراج می-شود و سپس با مقایسه میزان تشابه ویژگیهای بلوکها با یکدیگر، بلوکهای مشابه که ممکن است بر اثر جعل کپی-انتقال ایجاد شده باشند مشخص و علامتگذاری میشوند. برای این منظور پس از تعیین بلوکهایی که بردار ویژگی یکسانی در تصویر دارند، یک نمودار میلهای - هیستوگرام - تشکیل میشود که تعداد بلوکهای مشابه را که دارای فاصله یکسانی از یکدیگر هستند را میشمارد. برای این کار برداری مانند S تعریف می-شود که فاصله بین بلوکها را از طریق رابطه - 2 - تعیین می-کند.
در این رابطه - x1,y1 - و - x2,y2 - به ترتیب موقعیت مکانی متناظر با دو بلوکی هستند که دارای بردار ویژگی مشابه میباشند. سپس به ازای این جفت بلوک، یک واحد به شمارندهای مانند C به ازای جابجایی تعیین شده اضافه میشود - رابطه: - 3 پس از اینکه تعداد بلوکهای مشابه به ازای جابجاییهای مختلف توسط شمارنده C تعیین شد بلوکهای متناظر با بیشترین جابجایی مشابه به عنوان نواحی جعلی علامتگذاری میشوند. بنابراین تعداد بیشتر بلوکهای دارای بردار ویژگی یکسان در یک فاصله مشخص، نشان دهنده احتمال بالاتر وجود جعل کپی-انتقال در این بلوکها میباشد.
با توجه به یکسان بودن مراحل کلی روشهای مبتنی بر بلوک-بندی، یکی از مهمترین معیارهای موثر بر دقت این روشها استخراج بردار ویژگی مناسب از بلوکها است. ضرایب تبدیل کسینوسی گسسته - DCT - رایجترین ویژگیهای استخراج شده از بلوکها در سالهای گذشته بوده است. این روش اولین بار توسط Fridrich و همکارانش در سال 2003 معرفی و پیادهسازی شد .[5] پس از آن محققان مختلف سعی در بهبود عملکرد این روش داشتند و کارهای زیادی در این زمینه انجام شد. Wang و همکارانش ترکیب DWT و DCT را برای الگوریتم خود پیشنهاد کردند .[6] پس از استفاده از DWT و DCT روی بلوکهای تصویر به طور جداگانه، ضرایب حاصل برای تشکیل بردارهای ویژگی در هم ضرب میشوند.
پس از آن، شباهت بین دو بلوک بر اساس میانگین و واریانس فاصله بین مقادیر ویژه در بردارهای ویژه مربوط به خود اندازهگیری میشود. این الگوریتم استحکام خوبی در برابر فشردهسازی JPEG و نویزهای افزوده شده از خود نشان میدهد ولی برای انواع دیگر عملیات پردازش تصویر اینگونه نیست. Hu و همکارانش از ضرایب DCT گروهبندی شده به عنوان بردارهای ویژگی در الگوریتم خود استفاده نمودند.[7] سپس به منظور کاهش نسبت مثبت غیر واقعی، به جای خود بردارها، فاصله بین هر جفت از بردارها مرتب میشود. دو بلوک مشابه در نظر گرفته میشوند اگر فاصله بین آنها کمتر از یک مقدار آستانه باشد. این الگوریتم بسیار ساده و همچنین در برابر نویز مقاوم
