典型源相机分类算法性能研究

典型源相机分类算法性能研究 1 2 1，，周长辉胡永健谭莉玲 ( 1, 2, ，510641) ，510641; 华南理工大学 自动化科学与学院广州 华南理工大学 电子与信息学院广州 ( eeyjhu@ scut, edu, cn) 。: 摘 要现有文献中的源相机分类算法很少讨论测试图像在受到轻微图像处理后算法性能的变化 利用支持向 ，，，量机对源相机分类算法的性能和鲁棒性进行了分析比较了测试图像遭受处理前后分类算法的检测准确率并研究 。，，了图像特征的鲁棒性由于基于模式分类的算法通常需要精简特征个数以提高执行效率因此还讨论了精简模式 。下相机分类算法的性能以及特征选择对辨识算法鲁棒性的影响 : ; ; ; ; 关键词数字图像取证源相机分类支持向量机特征选择鲁棒性 :P391, 4AT: 中图分类号 文献标志码 Study on pefomance of typical souce camea classification algoithms rrrrr 1 2 1ZHOU Chang-hu，H U ong-an，T AN -ng iYjiLili ( 1, Coege of Automation Science and Engineering， South China University of Technoogy， Guangzhou Guangdong51064 1， China; lll 2, Schoo of Eectronic and nformation Engineering， South China University of Technoogy， Guangzhou Guangdong51064 1， China)llIl Abstract: In literature， there are very fewi sdcussions on the change of performance of source camelassificraat iocn algorithms when testi mages are subjected to minor image processing, Using Support Vector Machines ( SVM ) ，th is paper analyzed the performance and robustness of source lcameassificraat iocn algorithms, It compared the edtection accuracy ofr unprocesseidm ages with that for processed images， and investigated the robustness doifff erent types oifm age features, Since pattern classification-based algorithms often need to reduce the numbeimr a geo f features forc omputational efficiency， this paper also discussed the performance of camelarass ifcication algorithms using the image feature subsets, The impact of using these subsets on the robustness of cameassifraic atcion agorithms was expored as we, lllll Key wods: digita image forensics; source cameraa sscification; Support Vector Machine ( SVM) ; features eection; rlllrobustness 12 ) 11 量和由邻域预测得到的 个统计量对来自于 种不同型 0引言 ，。 号的扫描图像进行了分类 得 了较高的分类精度文 献取数字图像取证是近年来国际学术界兴起的一个前沿研究 ,8,( Color Filter Array，CFA) 将彩色滤波阵列 插 值 系 数 作 为 ,1,，模式分类的特征进行源相机辨识并借助协方差矩阵的统计 领域，目前主要工作集中在图像的来源辨识和篡改检测。 CFA ，相关性减少了估计 插值系数的误差还了一类支持 图来识残图内设备数 像源辨主要是利用留在像部的痕迹和字 向量机和多类支持向量机的联合辨识机制区分训练模型以外 ，信号后处理特征来确定图像的生成设备现有文献中的检测 。的相机模型: 途径大致可分为两大类基于相关性的检测和基于成像设备 ，在研究相机源辨识过程中本文作者注意到这样 一 个 问 。,2,，模式的分类献关性检 测方法的典型代表 文是基于相 : 题现有文献的仿真或测试所使用的图像大都是相机或扫描 它通过估计相机传感器的模型噪声或称指纹来实现相机的分 ，，仪的直接输出但在现实世界中测试图像可能是相机或扫描 ,2,， 。类和图像的来 源 检 测其他学者对文 献又 进 行 了 改 进 ，、仪的直接输出也可能由于存储传输或图像拥有者的个人兴 ，,3,例如文献指出通过剔除位于图像纹理区域的 像 素 可 得 ，( 趣等原因图像经 历 了 不 易 被人眼观察到的图像处理 如 压 ，到更精确的相机指纹图像复原技术可恢复相机内部 且利用 、) 。，/ 缩剪切等 此有必要了解图像辨识算法 相 机 分 类 器 因。信号后处理运算所抹去的传感器成像瑕疵基于模式分类方 ，。在此情况下的性能以便为设计鲁棒的相机分类器提供依据 ,4 ) 8,。,4,EM( Expectation / 法的典型代表有文献文献利用 本文首先利用常用特征构造一个作为范例用的相机分类 Maxmzaton) iii算法从待测图像中估计相机专有颜色插值算法 ，,5 ) 6,器它具有典型文献这类方法的变种算法共有的 以及，，留下的痕迹得到一组特征然后借助支持向量机来检测相机 ，特性在此基础上讨论检测图像受到处理前后算法分类精度 。,5,34 ( 、型号文献提 出 利 用 个 特 征 包 括 颜 色 特 征图 像 质 。的不同以及图像特征的鲁棒性 ) ,5,，量特征与小波系数统计量来识别相机不过文献没有精 。，,6,,5,确地列出所用的全部特征为此文献献 根据文的思 1范例分类器所用到的特征 33 ，,5, 想列出了 个特征并在不同种类的相机上重复了文献，数码相机拍摄的图像存在一些规律性的特征这 些 特 征 ，,5,,7,。的实验与文献结果文献设计了一种扫 得到一致的 ，60 ( 。，描仪来源辨识算法利用 个基于图像噪声的特征 包含由 通常与设备的硬件器件和软件处理有紧密联系 果 因此如 30 、18 去噪算法得到的 个统计量由小波变 换 得 到 的 个 统 计 能够找到反映数字图像中残留设备痕迹和信号后处理特征的 2010 ) 10 ) 08; : 2010 ) 11 ) 03。: ( 60772115; 60572140) 。: 收稿日期修回日期 基金项目国家自然科学基金资助项目 K。,6,，统计量就可利用这些特征来辨识源相机本 文 对 文 献 : N2min( I( i，j) ，I ( i，?k k ，127 ，进进 个小波特征以更全 图 略微行了改增加了面地反映 k = 1 M =( 5) 6 ? 1 2 Kj) )N i，j = 1 , , ，像的取证特征然后在此源相机辨识分类器上讨论分类的精 :( ( i，j) + ( i，II)?k k ,6,: 12 。度和特征的鲁棒性文献共用了三类特征个 颜 色 特 k = 1j) )、12 、9 。、、征个图像质量特征小波高频系数特征下面具体介绍 频域特征 频谱幅值误差频谱相位误差频谱相位幅值 。 、、、这些特征及其计算 误差块的频谱幅值误差块的频谱相位误差块的频谱 相 位 : 1, 1颜色特征 I I 。，幅值误差首 对 和 进 里 叶 变 换分 别 得 先行离散傅到( G) ( B) 、绿蓝三个单颜 ( R) 颜色特征包含像素均值红 ::( u，v) ( u，v) ( u，v) 。I I MΓ与Γ 和 的 频 谱 幅 值 分 别 用 和 、RGB 色通道图像之间的相关性邻域分布的质心和 三个通道 k k k :，12 。 图像之间的能量比共 个珘M ( u，v) u，v) u，v) ，，( ( 表示相位值分别用 φ 和 φ表示则频 kkk。像素均值 分别求各单色通道上图像像素的均值当图 :谱幅值误差为 ，像的颜色较丰富时这一特征可在一定程度上反映相机 K N : 21 1M= 。 M) M ( u，v)( 6) 复制真实世界颜色的能力 || 7 k ?k ,2 , ? K Nk = 1 u，v = 1 RG、RB GB 单色通道图像之间的相关性 与 的 相 关 性 : 频谱相位误差为( u，v)。值不同颜色频带图像之间的相关性值可反映相机 内 部 的 KN 2 11。差异 珘M=( u，v) ) u，v) ( 7) ( φ φ| | 8 kk?, , 2 K N u，v = 1k = 1，在各单色通道图像上分别求取步骤 邻域分布的质心 :频谱相位幅值误差为 : 1) n。i( i ,0，255,) ?为统计图像上 每 个 像 素 值 ? 的 个 数 i KN 2 112) n' = n+ n，i = 0 ，n' = n; i = 255 ，取当 时当 时 i i )1 i +1 0 1 珘 M =+) ( u，v) ( ( u，φ λ φ|| 9k ?? k 2 K Nk = 1u，v = 1 = n。3) i = 0 ，n' ，n'从 开始将 的数值累加当累加和达到 254 i 255 v) N n' ，:所有 值总和的一 半 时 结 束并把此时对应的像素值称为 2 i , ( 8) ,( 1 ) ) u，v) ) M ( u，v) ) M ( λ|| kk。“”质 心从两台不同相机提供的内容相同的图像 中 可 u，v = 1 )5 ? 2, 5 × 10 ，u，v = )b /2，) b /2 + 1，) b /2 + 2，…，b /2，: = ，，其 中λ 以 看 出其邻域分布的质心会有所偏移因而可用邻域分布的 b 。 质心 为图像分块的大小 。 ， RGB 来表征这一偏移情况由于图像失真和局部非一致性的影响图像分块后求平能量比用在白点纠正 三通道图像之间的能量比 22,9, 。均值可能比整块处理对图像检测更有利 块的尺寸一般选 ，。= G / B ，E过程中是相机管道的一个重要特征由 | | | | 1 222232 × 32 64 × 64。32 × 32。 择 或 本文中选 E= G / R ，E= B / R 。 来计算 | | | | | | | |2 3: 块的频谱幅值误差为 1, 2图像质量特征 l( 9) M= median J 10M 。，l“”不同数码相机得到的图像质量有所差异比如:块的频谱相位误差为 ， 同条件下使用不同相机拍摄同样景物有的图像看起来要明 在相 l= median J( 10) M ，。11φ亮些而有的看起来要暗些图像质量来区分 不 同 因此可用 l/ ，。:品牌 型号的相机甚至相机个体本文所使用的图像质量特 块的频谱相位幅值误差为 l3 、3 6 ， 征包含 个像素差值特征个相关性特征和 个频域特征= median J( 11) M 12 l12 。共 个 ，:l 其中 表示所分块的个数且 Kb linkowsky 、M 像素差值特征 均 方 差平均绝对误差和 测1 / γ :γ 1 ll= ( Γ) ( u，v)J Γ | | || ? { ?k k }M 。I ， 度首先对原始单通道 图 像 进行基于离散小波域的去噪K k = 1 u，v = 1 Kb:( u，v)1 / γ γ 1 I 。( 1) ，= 1 ， l得到去噪图像 在下式中当 γ 时可求得平均绝对 ll珘 ( u，v)) u，v)( ( J=φ φ | || | k}{ k φ ? ? K k = 1 u，v = 1 ; = 2 ，。× N，K = N 误差当 γ 时可求得均方差这里图像尺寸为 l ll)5J= J λ+ ( 1 ) J; = 2, 5 × 10 ，= 2) λλ γ 3 。 是颜色通道个数M φ KN1 / γ ,9,( 1) :( 11) 。在文献中可找到有关式更加详细的说明 11γ :M=( 1) γ ?, , 2 I( i，j)I ( i，j))1, 3 小波高频系数特征k k K N k = 1 i，j = 1 大多数自然图像进行小波分解后其子带存有明显的高阶Minkowsky ( 2) :测度由式可求 ? ,10, K统计规律，这 些规律在不同相机所拍摄的照片中不尽相 1 :( 2) = ma xM 3 ? ，。I( i，j)) I ( i，j)同能够有效反映成像信息文中首先对每个单通道图 像 进 i，jk k k = 19 /7 、—，—( LL) 、—( LH) 行一层 小 波 分 解得 到 低低 低高 高: KI I 相关性特征 和 之间的相关性也能反映相机的某些 ( HL) —( HH) 4 。,5,3 低和高高个子带图像文献只 求 了 个 :，3 × 3 = 9 ，I 高频子带的均值共 个础上添加了高频 。。本文在此基特性这里 被假设成不含任何设备噪声 的 理 想 图 像相 关 ×3 + 3 ×3 ×、，3 、、Czekanowski 子带系数的差偏度和峰度这样共得到 性的种类包括内容结构相关性归一化互相关性 3 = 36 。 : ，个小波特征距离其计算公式依次为 N 2 I( i，2 范例分类器的性能及鲁棒性分析 K?k 1 i，j = 1 M=( 3) 4 N10 ，1 ，j)本文实验共用到 台相机如 表 所 示其 中 有 同 型 号 K : k = 1 2 ( ，Ii? k ?Canon A620-1 ikon 2 :2 : A620-2，N 相机 台和 同型号 相机 台 i，j = 1 Nj) :L3-1 3-2。L和 选择同型 号 相 机 的目的是为了检验现有分类 I( i，I ( i，j) K?k k 1 。A620-2i，j = 1算法对同一款相 机不同个体之间的识别能力本 文 ( 4) M= ? 5 Nj) K L3-2 http: / / www, k = 1和 的图片都是从著 名的照片下载网址 2I( i，?k flickr, com 。300 i，j = 1 上下载 幅 各 自 相 机 最 高 分每台相机均提供j) JPEG 150 150 。，。辨率下的 图像任选 幅放入训练集剩余的 幅 的分类精度较高 ( 91% )2 表 原始图像对应的混淆矩阵平均正确率为 ，1 500 。测试图训练测试 图 放入集因而像集和集各有幅像考 % ，虑到每种相机所拍摄的图像大小不一致实验仅取位于图像 X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 1 024 × 1 024 。中心的 尺寸的图像块 X196, , , , , , , , , 1表 实验相机 X2 3 96,,,,,,,,X3 , , 品牌 类型 标签 877,,,,,, X4 96 ,, *3,,,,, A40X1X5 96 * , 620-1 2 AX, 3,,,,,X6 95 A620-2 X3 , , ,, ,,,,, CanonX7 7 A720 X4 155, 63,,,3,X8 450D X5 , , , ,, , X9 99,,, ,X10 ,,,, 95*,,, L3-1X6 ikonN,91 , L3-2 X7 , ,,3 ,,, DSC-T10X8 SonyDSC-W90 X9 ，为了深入了解各类特征对相机分类算法的贡献我 们 用 、小波高频系数特征颜色特征和图像质量特征各自重复了上 OlympusU820X10，SVM 述的实验单类特征所组成的特征向量在 分类器上的 由92% 、47% 66% 。，分类精度依次为 与 可以看到仅用小波 高 频系数特征就可以得到比同时使用三类特征还要好的分类效 ，60 。果这说明用 维特征组成的特征向量有冗余信息不过从 ，后面的分析可以看到冗余特征尽管会影响分类器的计算效 ，。率但可能有益于鲁棒性 2, 2分类器的鲁棒性评估 ， 本小节以常用的三种图像处理操作为例讨论分 类 器 辨 。识精度的变 化和不同种类图像特征的鲁棒性需 要 说 明 的 ，，是这三种图像处理在本文只作为修饰图像的手段对图像的 :X 10 1 X1 的测试图像样本 图 相机 。恶意篡改超出了本文的研究范围 LIBSVM。本文分类器选用流行的支持向量机 支持向量2, 2, 1 压缩实验。 ，机是一个强大的数据分类工具主要解决最优化分 类 问 题Matlab 70 JPEG 在 中以压缩因子为 对测试集图像先进行 Radial Basis Function，RBF) ( 我们采用非线性的 径 向 基 函 数 ，2, 1 ，3 压缩然后将得到的测试图像重复 小节的实验结果如表 v-fold ，作为支持向量机 的 核 函 数并 利 用 交 叉 验 证 确 定 最 佳 。36% 。3 2，所示此时平均分类精度下降到 比较表 和表 类 分C r。:惩罚因子 和径向基函数的系数 实验步骤如下 51% 。。精度下降了 这表明分类器对压缩图像的鲁棒性较差 1) 60 ，分别从训练集和测试集的每幅图像中提取 维特征( 36% ) 3 表 图像压缩后对应的混淆矩阵平均正确率为 % ，1 500 1 500 ，组成特征向量得到 个训练数据和 个测试数据并 LIBSVM ;按 要求的保存 2) ) 1， ( ,将训练数据和测试数据缩放到指定的区间 如 X1X2X3X4X5X6X7X8X9X10 1,) ; X1897, , , , , , , , 3) 选用网格搜索方式从训练数据确定 C 和 r;X2 68 17 11,,,,,,,X3 41 19 5 4) 3) C ，r 利用第 步获得的 和 对整个训练集训练获取支 254,,,,,X4 30 47 * , , ; 414持向量机模型 ,,,X5 17 , * 81 ,, ,,,,5) ， 在此模型下可对测试数据进行预测和判断得到分类X6 29 13 483 , 6,,,,X7 72 。结果* 15 10 ,, ,,,,X8 36 * 22 2, 1 分类器的性能评估39 ,X9 34 ,,,,,29 7 26 本小节讨论测试图像没有遭受额外图像处理时相机辨识 X10 7 , ,,,,,26 * 3 。1 500 算法的分类精度将直接来源于相机的 幅测试图像数 , 63 ,,,,，。 2 据作为本文分类器的输入分类结果由表 的混淆矩阵显示 ，3% * 。2 为了突出重点小 于 的 分 类 精 度 均 用 号 代 替表 显 、为了分析小波高频系数特征颜色特征和图像质 量 特 征 91% 。，X3 X7 示平均正确率为 实际上对 和 的分类精度达不 ，2, 1 ，各自在压缩图像中的表现类似 节别将各自特征组成 分，87% 63% 。，X3 到平均精度分别只有 和 分析原因后发现和，21% 、46% 31% 。， 特征向量得到的分类精度依次为 和 显然 X7 8 X3 ，的图像与其他 台相机所拍摄的图像内容差别较大，每种特征所对应的分类精度均有下降其中小波高频系数特 ，X7 ，的照片内容多为人工纺织品的照片多为室内景物而 我 71% ，征所对应的分类精度下降了 图像质量特征所对应的分 。，35% ，们自己相机所拍的照片多为自然景物因此图像内容 差 异 类精度下降了 颜色特征所对应的分类精度仅下降了 而,11 ) 12,。，1% 。，，对分类精度会有一定影响这些从网上下载的图 结果表明小波高频系数特征对图像压 缩 非 常 敏 感图 此外 ，像质量特征受图像压缩的影响也很大但颜色特征几乎不受 ，像尽管声称没有进行额外的修改但我们无法确定其在上载 。 图像压缩的影响( 前是否经过了修饰性的图像处理操作 例如很轻微的增强或 2, 2, 2剪切实验 ) 。， 有选择性的内容 裁 剪 等 总 的 来 说分类算法在此情况下 普通人使用图像剪切操作可能只是为了获取图像中感兴 。， 趣的区域为了便于大规模的实验将每幅测 试 图本文直接 1 /8 2, 1 。，像的右下角剪切 掉 大 小 的 区 域再 重 复 节 的 实 验 3特征精简对相机辨识算法的影响 4 35% ，2 ，表 显示平均分类精度为 与表 相比分类精度下降了 特征选择 3, 1 56% ，。类器的性能有较大恶化这表明分类器对剪切处理 分 。 与模式分类相关的一个主要问题就是所谓的维 数 灾 难。的鲁棒性较差 ( 35% ) 4 表 图像剪切后对应的混淆矩阵平均正确率为 % ，相机辨识所采用的特征很容易达到几十甚至几百维对于一 ，个非常大的测试相机集计算的复杂性要求尽可能地精简特 X1X2X3X4X5X6X7X8X9X10 。征识别中的特征选择技术是控制特征向量维数的一个 模式 X15791121, , , , , , 。有效途径选择是指从给定的多个特征中尽可能地选择 特征X2 5 62 13 17 ,,,,,,X3 31 67 , , ，不相关特征以减少构造特征向量时所需要特征的个数时 同 ,,,,,,X4 8 91 ，,,。，尽量保留分类信息通常只要特征选择得当分类的精度不 ,,,,,,X5 87 9 ,, 3,,,,,，。，会有太大损失甚至有可能改善然而与普通模式分类算法 X6 11 61 4 ,, *21,,,，中不需要考虑鲁棒性不同相机分类算法必须考虑测试图像 X7 69 20 5 , , ,, 5,,X8 49 21 。,13,因图像处理而出现质量退化的情况文 献曾 讨 论 过 针 9 *15, X9 19 29 6*,,，对相机辨识算法中精简特征的问题但它只讨论了如何减少 * 37 , , X10 31 32 , 7,,35 ，。特征的数目并没有讨论减少特征数目对鲁棒性的影 响 本, , ,, ,,,Sequential Floating ( 文先利用著名的顺序浮点前向 选 择 算 法 ForwardS election，SFFS) 60 ，对原始的 维特征进行选择然 后 。进一步考查各类特征的鲁棒性测试集图像受到剪切 在。在精简特征集上评估分类器的鲁棒性我们所采用的特征筛 ，、处理后小波高频系数特征颜色特征和图像质量特征各自对 ,14, 。选准则是混 合散布矩阵与类内散布矩阵的行列式比值 35% 、32% 25% 。 ，应的分类精度分别为 和 与正常情况相 比SFFS ，算法按照重要程度对特征进行排队 最重要特征放在最、小波高频系数特征颜色特征和图像质量特征所对应的分类 。前面 57% 、15% 41% ，精度分别下降了 和 故小波高频系数特征和 3, 2 使用精简特征子集分类器的性能，图像质量特征对图像剪切很敏感而颜色特征所受的影响相 2 2, 1 图 显示了使用精简特征子集时重复 小节实验内容 。对较小 。26 ，的结果当选择前 个最重要特征时分类器的分类精度已 2, 2, 3对比度拉伸实验 91% ) 。60 ( ，经达 到 使 用 维特征所能达到的精度 因 此本 文 ，，调整对比度也是常见的图像处理操作为此本文设计了 26 ，15 的精简特征子集就由这 个特征组成它 们 分 别 是 个 小 。x ，y 一个像素值对比度拉伸变换令 表示原始像素值表 示 ( 7 、5 、2 波系数特征具体有 个均值特征个标准差特征个偏度 ，:变换之后的像素值则 1 ) ，6 ( 2 特征与 个峰度特征个颜色特征具 体 有 个 像 素 均 值 x , 0 0， ? 20 、2 RGB RGB 2 ) ，5 255特征个 相关性特征与 个 能量比特征个图 y =( 12) ( x )2 0) ， 20 x ? ? 210( 。3 2 ) 像质量特征具 体 有 个 像 素 差 特 征 与 个 频 域 特 征 分, 230255， 230 , x ? 6 。，，34 类结果由表 给出此时维数比原来减少了 维 特征在255 ( 12) ，2, 1 将测试图像按式先进行处理然后重复 小节的 Matlab 229 s 134 s，中仿真时间也由 原 来 的 减 少 到 统 运 算 系。5 87% 。2 实验表 显示分类器的平均分类精度为 与 表 相 。效率确有提高 ，4 。比分类精度只下降了约 个百分点这表明分类 器 对 对 比 。度拉伸处理的鲁棒性较好 5 表 图像对比度拉伸后对应的混淆矩阵 % ( 87% )平均正确率为 X1X2X3X4X5X6X7X8X9X10 X1*394, , , , , , , X2 86 3 10 ,,,,,,,X3 88 , , 7,,,,,,X4 , 97 ,, ,,,,,,X5 ,, , , *589,,,2 特征数目与算法的分类精度之间的关系 图 X6 4* 89 7,,, ,,,X7 7 * 17 4 ( 91% ) 6特征子集对应的混淆矩阵平均正确率为 % 表 35 545,,X8 , , , , , , , , X9 97, X1X2X3X4X5X6X7X8X9X10 , ,,,, ,, 89*, X197, , , , , , , , , X10 5 4 87 X2 4 , , , , , , , 93,,,,,,,,X3 , , 876,,,,,,X4 进一步考查各类特征在测试集图像受到对比度拉伸处理 92 ,, ,,,,,,,X5 , 。、 后的鲁棒性频系数特征颜色特征和图像质量 特 征 小波高, 97,,,,,,,X6 ,,, 90% 、42% 46% 。 各自对应的分类精度分别为 和 与未受拉伸 93,,,,,,X7 5 *6 341463,,,8 ，、X的情况相比小波高频系数特征颜色特征和图像质量特征所 , , , , , , , X9 97,,2% 、5% 20% ，对应的分类精度分别下 降 了 和 故 前 两 种 特 征 , ,,,95* ,,,,，对图像对比度拉伸的鲁棒性较好而图像质量特征受到的影 X10 5 3 89 , , , , , , , 。响相对较大 ，3, 3特征精简算法也仅是根据特征之间的相关性来选择特征没 使用精简特征子集分类器的鲁棒性 、考查测试集图像经过前述压缩对比度拉 伸 操 作。剪切和有考虑相机分类器对鲁棒性有要求本文对相机分类器的分 。7、8 9后分类器分类精度的变化类器的结果分别如表 和 分类精度和鲁棒性以及在精简特征子集模式下相机分类器的分 。7 3 ，，所示比较表 与表 可知在压缩情况下分类精度由原来 ，类精度和鲁棒性进行了探究实验结果证明现有相机分类算 36% 29% 。8 4 ， ，的 下降到 比较 表 与 表 可 知在 剪 切 情 况 下，法的分类精度在测试图像遭受处理后确实有较大变化且不 35% 48% ，分类精度由原来的 提高到 这说明精简后的特征子 ; ，同图像处理操作对分类器的影响不同此外不同图像特征具 。9 5 ，集可能会提高分类器的性能比较表 与表 可 知在 对 比，有不同的鲁棒性直接借用现有模式识别技术中的特征选择 ，，1% 。度拉伸情况下分类精度略微改变仅下降 这组对比实 ，。算法对分类器的鲁棒性会有一定影响且影响不容易预测 ，SFFS 验表明利用 算法所获得的特征子集对分类器鲁棒性所 基于图像特征的源相机辨识技术是图像 取 证 的 重 要 手 ， 造成的影响具有不确定性其原因是从模式分类中借用的特，。段研究这个课题对数字图像取证领域的发展意义重 大我 征选择算法所采取的特征筛选准则只考虑了待选特征之间的 。们未来的工作将重点研究如何提高算法的鲁棒性 ，相关性大小并不考虑在相机辨识这类应用场合下特征改变 : 参考文献。 对模式分类器分类精度的影响 ,1,，，, ,J,, 胡永健刘琲贝贺前华数字多媒体取证技术综述计算机 7压缩后特征子集对应的混淆矩阵 表 ， 2010， 30( 3) : 657) 662, 应用 % ( 29% ) 平均正确率为 FRDRCH J, Digita image forensics ,J,, IEEE Signa ProcessingIIll,2, X1X2X3X4X5X6X7X8X9X10Magazine， 2009， 26( 2) : 26 ) 37, MATSUSHITA K， KITAZAWA H, An improved camera identifica- X167264, , , , , , , ,3,tion method based on the textucre om plexity and thei mage restora- X2 34 43 19 ,,,,,,,tX3 ion ,C, / /I CHIT '09: Proceedings of the 2009I nternational Confer- 28 6 29 295,,,,,X4 27 8 55 ence on Convergence and Hyb rid Information Technology, New 3 , ,,,,,X5 4 31 York: ACM， 2009: 171 ) 175, , , *64,,,,X6 41 41 BAYRAM S， SENCAR H， MEMON N, Source cameraid entification 133 ,, ,,,,X7 5 71 based onC FA interpolation ,C, / /P roceedings of IEEE International ,4,, * , 15,,,,X8 15 60 Conference onIm age Processing, Washington， DC: IEEE Signal * ,19 ,X9 12 33 ,,,,Processing Society， 2005: 69 ) 72, * 1928 X10 32 11 , ,,,,KHARRAZI M， SENCAR H T， MEMON N, Blind source camerai - 9 34 3 ,dentification , C , / / P roceedings of the 2004 IEEE nternationaIl 9 ,,, ,5,Conference onm age Processing, Singapore: EEE， 2004: 709 ) II8表 剪切后特征子集对应的混淆矩阵 712, % ( 48% ) 平均正确率为 TSA M J， WU G H, Using image features toi dentify camera I X1X2X3X4X5X6X7X8X9X10sources ,C, / / P roceedings of 2006 IEEE International Conference on Acoustics， Speech andS ignal Processing, Toulouse， France: ,6, X1612539, , , , , , IEEE， 2006: 297 ) 300, X2 * 89 5 5 ,,,,,,GOU H， SWAMINATHAN A， WU M, Intrinsic sensor noise fea- X3 35 60 , , ,,,,,,tures for ofrensic anaysis on scanners and scanneimd ages lX4 95 , ,, ,,,,,,, J ,,IEEE Transactions on nformation Forensics and Security， IX5 25 64 ,, 64,,,,,7,X6 2009， 4 ( 3) : 476) 491, 51 3 * *5 , 37,,,X7 25 ， ， , OC-SVM MC-SVM 王波孔祥维付海 燕联 合 和 的 图 像 来 源 21 , , , , 3411,,,J,, ， 2009， 46( 9) : 1456) X8 11 取证方法计算机研究与发展30 *351461, ,, , AVCIBAS I, Image quality statistics and their use in X9 20 23,,5 steganalysis , , X10 46 ,, 67*,,19 ,8,and compression ,D,, Istanbul: Bogazici University， 2001 30 , ,,, ,,,FARID H， LYU S, Detecting hidden messagesu sing higher-order ,9,9表 图像对比度拉伸后特征子集对应的混淆矩阵 statistics and support vectora mchines ,C, / / Proceedings of 5th n- I % ternationa Workshop on nformation Hiding, London: Springer- lI ( 86 % ) 平均正确率为 Verag， 2002: 340 ) 354, l,10, X1X2X3X4X5X6X7X8X9X10 TSAI M-J， WANG C-S, Camera / mobile phone source identifica- X1*393, , , , , , , tion for digital forensics ,C, / / Proceedings of IEEE Conferenceo n X2 84 4 11 ,,,,,,,Acoustics， Speech andS ignal Processing, Honolulu， HI: IEEE， 89 X3 , , 7,,,,,,2007: 221 ) 224, X4 , ,11,98 ,, ,,,,,,LI C-T, Source cameraid entification using enhanceds ensor pattern X5 3 , ,, 93,,,,,noise ,J,, IEEE Transactions on Information Forensics and Securi- X6 16 * , , ,ty，， 2010， 5( 2) : 280) 287, 746,,,X7 10 8 54 3 TSAI M-J， WANG C-S, Adaptive features election for digital cam- *5 61,,X8 , , , era source identification ,C , / / I SCAS 2008: IEEE International , , , , ,12,, X9 98, ,Symposium on Circuits and Systems, Washington， DC: IEEE， ,, X10 4*,,, 89, 112008: 412 ) 415, 85 , ,, , ,, 3 ,THEODORIDIS S， KOUTROUMBAS K, Pattern Recognition ,M,, ,13,3rd ed, London: A cademic Press， 2006: 150 ) 153, 4结语 现有源相机辨识分类器的设计大都只针对测试图像是相 ，机或扫描仪的直接输出这类情况没有考虑测试图像在被测 ,14, 。， 试之前也可能受到修饰性图像处理的这个事实此外现 有 file:///D|/我的资料/Desktop/新建文本文 档.txt Appliance Error (configuration_error) Your request could not be processed because of a configuration error: "Could not connect to LDAP server." For assistance, contact your network support team. file:///D|/我的资料/Desktop/新建文本文档.txt2012-07-12 20:42:52