[发明专利]基于深度多尺度网络的二次JPEG压缩图像取证方法

权利要求书

1.一种基于深度多尺度网络的二次JPEG压缩图像取证方法，其特征在于，包括如下步骤：

(1)提取待取证JPEG图像的N个DCT系数直方图特征F：

(1a)读入一幅待取证JPEG图像的图像头文件，并从该图像头文件中提取DCT系数，得到大小为m×n的DCT系数矩阵，m≥32，n≥32；

(1b)检测DCT系数矩阵的行数和列数是否都能被L整除，若是，执行步骤(1c)，否则，在DCT系数矩阵最右侧补零列，在最下侧补零行，并执行步骤(1c)，其中，32≤L≤96，L为8的倍数；

(1c)以8像素的间隔长度，按照先行后列的顺序从DCT系数矩阵中提取N个大小为L×L的DCT系数数据块，组成数据块集合；

(1d)将数据块集合中的N个数据块均划分为L²/64个8×8数据小块，并按照之字形排列方式从每个数据块中提取第2个到第10个数据小块，得到9N个8×8的数据小块，再分别提取每个数据小块在{-15,-14,...,14,15}位置处的长度为31的DCT系数直方图，构成待取证JPEG图像的N个279维的DCT系数直方图特征F；

(2)对四个深度神经网络进行训练：

(2a)构建四个基本结构均为依次层叠的第一卷积层、第一池化层、第二卷积层、第二池化层、第一全连接层、第二全连接层、第三全连接层和Softmax层的第一深度神经网络、第二深度神经网络、第三深度神经网络和第四深度神经网络；

(2b)按照步骤(1)的方法，从JPEG图像数据库提取X₁个大小均为L₁×L₁的未篡改图像数据块和篡改图像数据块，并将从每个篡改图像数据块提取的DCT系数直方图特征F₁作为正样本集，同时将从每个未篡改图像数据块提取的DCT系数直方图特征F₂作为负样本集，将正样本集和负样本集组成第一训练集合，其中X₁≥10，32≤L₁≤96，L₁为8的倍数；

(2c)按照步骤(1)的方法，从JPEG图像数据库提取X₂个大小均为L₂×L₂的未篡改图像数据块和篡改图像数据块，并将从每个篡改图像数据块提取的DCT系数直方图特征F₃作为正样本集，同时将从每个未篡改图像数据块提取的DCT系数直方图特征F₄作为负样本集，将正样本集和负样本集组成第二训练集合，其中X₂≥10，96＜L₂≤160，L₂为8的倍数；

(2d)按照步骤(1)的方法，从JPEG图像数据库提取X₃个大小均为L₃×L₃的未篡改图像数据块和篡改图像数据块，并将从每个篡改图像数据块提取的DCT系数直方图特征F₅作为正样本集，同时将从每个未篡改图像数据块提取的DCT系数直方图特征F₆作为负样本集，将正样本集和负样本集组成第三训练集合，其中X₃≥10，160≤L₃≤256，L₃为8的倍数；

(2e)按照步骤(1)的方法，从JPEG图像数据库提取X₄个大小均为L₄×L₄的未篡改图像数据块和QF1＞QF2的篡改图像数据块，并将从每个篡改图像数据块提取的DCT系数直方图特征F₇作为正样本集，同时将从每个未篡改图像数据块提取的DCT系数直方图特征F₈作为负样本集，将正样本集和负样本集组成第四训练集合，其中X₄≥10，32≤L₄≤96，L₄为8的倍数，QF1为第一次压缩质量因数，QF2为第二次压缩质量因数；

(2f)采用第一训练集合对第一深度神经网络进行训练，采用第二训练集合对第二深度神经网络进行训练，采用第三训练集合对第三深度神经网络进行训练，采用第四训练集合对第四深度神经网络进行训练，得到第一深度神经网络Net1、第二深度神经网络Net2、第三深度神经网络Net3和第四深度神经网络Net4；

(3)获取待取证JPEG图像中一个DCT系数直方图特征F对应数据块的初步篡改检测结果S(1,1)和S(2,1)：

(3a)将步骤(1d)中的一个DCT系数直方图特征F，分别输入到步骤(2f)中的第一深度神经网络Net1、第二深度神经网络Net2和第三深度神经网络Net3，得到第一深度神经网络Net1的输出s₁(1,1)和s₁(2,1)、第二深度神经网络Net2的输出s₂(1,1)和s₂(2,1)和第三深度神经网络Net3的输出s₃(1,1)和s₃(2,1)；

(3b)对s₁(1,1)、s₁(2,1)、s₂(1,1)、s₂(2,1)、s₃(1,1)和s₃(2,1)进行加权融合，得到一个DCT系数直方图特征F对应数据块经过篡改的概率和未经篡改的概率，并将经过篡改的概率作为一个DCT系数直方图特征F对应数据块的初步篡改检测结果S(1,1)，将未经篡改的概率作为一个DCT系数直方图特征F对应数据块的初步篡改检测结果S(2,1)；

(4)获取待取证JPEG图像中一个DCT系数直方图特征F对应数据块的最终篡改检测结果S_l(1,1)和S_l(2,1)：

(4a)计算|S(1,1)-S(2,1)|，设定阈值t；

(4b)判断|S(1,1)-S(2,1)|与t的大小，当|S(1,1)-S(2,1)|≥t时，将S(1,1)和S(2,1)作为一个DCT系数直方图特征F对应数据块的最终篡改检测结果S_l(1,1)和S_l(2,1)，当|S(1,1)-S(2,1)|＜t时，将一个DCT系数直方图特征F输入第四深度神经网络Net4，得到第四深度神经网络Net4的输出s₄(1,1)和s₄(2,1)，并将s₄(1,1)和s₄(2,1)作为一个DCT系数直方图特征F对应数据块的最终篡改检测结果S_l(1,1)和S_l(2,1)；

(5)获取待取证JPEG图像中另外N-1个DCT系数直方图特征F^k对应数据块的最终篡改检测结果S_l^k(1,1)和S_l^k(2,1)：

(5a)按照步骤(3)的方法，获取待取证JPEG图像中另外N-1个DCT系数直方图特征F^k对应数据块的初步篡改检测结果S^k(1,1)和S^k(2,1)，其中k是标号，且k＝1,2,...,N-1；

(5b)按照步骤(4)的方法，获取待取证JPEG图像中另外N-1个DCT系数直方图特征F^k对应数据块的最终篡改检测结果和其中k是标号，且k＝1,2,...,N-1；

(6)获取待取证JPEG图像的取证结果图：

(6a)将待取证JPEG图像中一个DCT系数直方图特征F对应数据块的最终篡改检测结果S_l(1,1)和S_l(2,1)和待取证JPEG图像中另外N-1个DCT系数直方图特征F^k对应数据块的最终篡改检测结果和合并，得到待取证JPEG图像中所有N个数据块的最终篡改检测结果和其中k是标号，且k＝1,2,...,N-1，p是标号，且p＝1,2,...,N；

(6b)用待取证JPEG图像中第p个数据块的最终篡改检测结果的值，替代第p个数据块对应位置处的图像块中心8×8图像小块的像素值，其中p是标号，且p＝1,2,...,N，得到大小为的待取证JPEG图像的篡改概率图；

(6c)对待取证JPEG图像的篡改概率图进行二值化，得到JPEG图像的取证结果图。