图像被动取证技术简述

一、引言过去10年中，数字图像在日常生活中越发流行。

和传统文本内容相比，图像更加直观并能传递更多信息。

尽管数字图像带来了很多好处，但是它也在一些方面带来了严重的安全问题，即如何检测数字图像的真实性，以及如何发现恶意修改。

随着图像处理软件的进步，篡改图片而不留下视觉上可辨的痕迹更加容易，这使得上述问题更具挑战性。

为了精确并鲁棒地鉴定图像内容和发现图像造假，研究者已经提出了多种数字图像取证方法。

一般而言，这些方法可分为两大类：主动方法和被动方法。

主动取证方法通常通过设计各种水印或指纹，并将它们嵌入数字图像。

在鉴定阶段，提取先前嵌入的水印或指纹，并用来检测判断原图是否被篡改。

如果被篡改，则确定篡改位置在何处。

这种主动方法能够精确探测数字图像的篡改，但是这些方法并未被广泛应用。

其主要原因在于不可能事先对所有互联网上的图像进行水印处理。

因此，更多的人选择被动取证方法。

通过分析图像生成/修改阶段所留下的特定线索或模式，能够发现图像造假。

和主动取证方法相比，被动取证方法不依赖先验或预设信息，在图像取证领域中应用范围更广。

在被动数字图像取证中，多种痕迹被用来区别篡改图像和原始图像。

本文中，我们将这些痕迹分为3类：采集痕迹、存储痕迹和编辑痕迹。

对每一种痕迹，我们将简要回顾对应的被动数字取证方法，并着重澄清如下问题：•这些痕迹是什么？它们如何形成？•图像取证中相关的最新方法是什么？•为什么这些方法能够探测特定的痕迹？本文的组织如下：第2~4节，我们逐一介绍被动数字图像取证方法，包括：采集痕迹法、存储痕迹法和编辑痕迹法。

第5节讨论当前技术的主要局限，并提出未来可能的研究方向。

二、图像采集中的线索数字图像从被捕获到被存储，中间需要经历多个处理步骤（图1）。

在进入成像设备之前，光线首先会通过一系列镜头。

之后，成像设备将其传送到彩色滤色阵列（color filter array，CFA）进行特定的彩色像素排列处理，其仅允许光线的特定成分通过。

大多数相机的CFA单元只允许每个像素记录一种颜色的值（红、绿、蓝）。

在经过CFA滤波后，光线到达图像传感器——数码相机的关键部分。

目前，有两种广泛使用的传感器：电荷耦合器（charged coupled device，CCD）和互补金属氧化物半导体（complementary metal-oxide semiconductor，CMOS）。

图像传感器中包含大量光敏二极管，每个光敏二极管与图像的像素一一对应。

在每个光敏二极管中，经CFA滤色后的光强被转换为电信号。

得到的图像数据的每个像素点表示红、绿、蓝中的一种颜色。

因此，为了重建全彩图像，需要进行解镶嵌/去马赛克（demosaic）处理，即通过在所有颜色通道上进行插值，重建缺失的色彩分量。

图1 图像采集流程图上述每个阶段都会在最终图像中引入特定痕迹。

这些可以作为图像源识别和篡改检测的线索。

以下几个小节简要介绍了镜头阶段、传感器阶段和CFA插值阶段所留下的痕迹，以及利用这些痕迹进行图像取证的典型方法和目前最先进的方法。

（一）图像采集阶段的痕迹在采集图像时，镜头的设计和制作工艺使得其无可避免地引入失真/像差。

数码相机有两种常见的失真：色差（chromatic aberration，CA）和球面差（spherical aberration，SA）。

不同波长的光线通过透镜时的折射率也各不相同，这种现象称为色差现象；轴上物点发出的光束，经球面折射后不再交于一点，这种现象称为球面像差。

传感器模式噪声是图像采集阶段另一种重要特性。

在各种传感器噪声中，由光响应不均匀性（photo response non uniformity，PRNU）引起的噪声尤为重要。

目前学术界已经提出了多种基于PRNU噪声的数字图像取证方法，涵盖源识别、历史恢复、图像伪造检测等多个领域。

PRNU是与成像传感器紧密相关的特性，通过分析图像PRNU可以获得关于成像设备的线索。

CFA过程中的解镶嵌/去马赛克操作同样会留下特定痕迹。

在色彩重建时，为了获取图像中每个像素的对应值，需要对3个颜色通道进行插值操作。

插值过程不可避免地会在像素之间引入一定的关联性，这种相关性可以被看作是成像设备的固有“指纹”。

通过分析解镶嵌/去马赛克痕迹，可以获得成像设备的线索。

（二）利用图像采集痕迹的图像取证1.基于传感器噪声的图像取证利用相机镜头产生的像差，可以将图像与特定设备相关联，或检测图像是否经过篡改。

例如，图像中经常出现的径向畸变现象会导致所成图像发生形变。

为解决径向失真问题，数码相机制造商通常会采用各种方法来补偿失真，这些方法相应地会产生不同的痕迹。

因此，通过分析这些痕迹可以识别相机制造商甚至相机型号。

传感器模式噪声通常会被用于图像取证。

对于图像I，其对应的传感器噪声可以通过以下公式表述：式中，R是总体残差，即原始图像减去经过去噪滤波器F滤波后的图像；P 是PRNU因子；φ是图像中其他所有噪声的总和。

假设我们有同一摄像头捕获的N幅图像I1,…,I N,对应的残差R k可以通过公式（1）得到。

PRNU因子P可以通过最大似然估计，按照以下公式进行计算：在相机识别中，假设存在M个设备，则需要计算M次PRNU因子，并且针对每个设备（i=1,2,...,M）记录特定的Pi值。

在检测阶段，对于待测图像I t，首先t)计算残余项。

然后，PRNU因子与该残差Rt之间的相通过公式（1）即Rt=I t–F(I关性通过以下公式计算：式中，⊗代表归一化互相关；最大值对应的设备即为目标设备。

2.基于CFA痕迹的图像取证基于CFA痕迹的取证方法的基本原理是，原始图像非篡改区域和篡改区域具有不同的CFA模式。

因此，对被检测图像的每个分块进行CFA模式计算，如果存在不同的CFA模式，则为篡改图像，并可以得到篡改区域。

另外，由于不同的解镶嵌/去马赛克算法会使得同一颜色通道中相邻像素之间的关联性不同，因此基于CFA模式的图像取证可以分为两个方向：①预测插值参数并识别成像设备的类型；②检查解镶嵌/去马赛克痕迹以找出可能被篡改的区域。

（三）最先进的基于采集的图像取证方法1.基于镜头像差的成像设备源识别不同的相机具有不同的镜头像差，因此镜头像差可以作为源识别中设备的固有“指纹”。

Choi等在这方面进行了开创性的工作：鉴于径向畸变会使得直线变弯曲，他们基于像素灰度和畸变程度提出两类特征，从而将成像设备源识别问题转变为二分类问题。

与仅使用图像灰度的方法相比，Choi等的方法实现了4%的检测精度提升。

2.基于镜头痕迹的篡改检测使用镜头痕迹进行图像伪造检测的基本思想是：原始图像和插入的图像块很可能来源于不同的拍摄设备。

通过检测不同图像块是否具有同一镜头痕迹，可以鉴别图像是否经过伪造。

提出了一种镜头痕迹——“紫边失真”（purple fringing aberration，PFA）及相应的提取方法。

PFA的方向特性被用作唯一的“指纹”来确定被测图像是否具有镜头痕迹不一致性。

该算法在图像伪造检测和篡改检测中都取得了很好的效果。

3.基于传感器模式噪声的成像设备源识别由于传感器制造工艺的缺陷，不同像素具有不同的光敏性。

因此，传感器噪声（特别是PRNU）可以用来区分各种传感器和相机类型。

提出了基于PRNU的源识别方法，可以识别9种相机模型。

注意到在边缘区域对传感器噪声的估计不够准确。

基于这一发现，他们在特征提取操作之前进行了特定的预处理操作，利用Canny和Laplace算子进行边缘区域检测，并将检测出的边缘区域移除以做进一步处理。

经阈值处理计算得到传感器噪声之后，通过灰度共生矩阵（gray-level co-occurrence matrix，GLCM）从离散小波变换（discrete wavelet transform，DWT）域提取多个统计特征。

最后，采用k-近邻（k-NN）作为分类器对特征进行分类。

考虑到手机摄像头识别这一应用场景，提出了一种基于摄像头传感器缺陷的方法。

同样从小波域提取特征在手机相机识别中取得了很好的效果。

4.基于传感器指纹不一致的篡改检测与镜头痕迹类似，传感器噪声可用于检测图像是否经过伪造。

其基本想法是，篡改区域中的传感器噪声/指纹会与原始图像不一致，这一线索可以用来定位可疑的篡改区域。

Fridrich提出了一种基于PRNU信息的图像篡改检测方法。

该方法通过建立统计模型来描述PRNU因子，提取出的PRNU因子同样可以用于成像设备识别。

实验结果表明，这种方法在100种不同类型的相机检测中实现了近乎100%的准确性。

5.基于CFA痕迹的成像设备源识别如前所述，不同相机的CFA模式和解镶嵌/去马赛克操作会有所差异。

Gao 等提出了一个基于这些信息的成像设备源识别方法。

他们提取出69维的特征来描述上述痕迹。

在Dresden图像数据库上的实验结果表明，在7类相机模型的识别中，该方法达到99.88%的准确率。

6.基于CFA痕迹的篡改检测在篡改检测中使用CFA痕迹的基本思想很简单：篡改区域与原始图像会呈现不同的CFA以及解镶嵌/去马赛克痕迹。

提出了一种描述图像解镶嵌/去马赛克痕迹的特征。

如果存在异常区域（即没有原始图像CFA痕迹或具有与原始图像CFA不同的痕迹），则将其视为篡改区域。

提出了一种既能检测图像伪造又能定位篡改区域的方法。

通过对解镶嵌/去马赛克造成的痕迹进行建模，实现图像伪造检测。

该方法对未压缩图像有很好的检测性能。

然而，如何处理JPEG压缩图像仍然是一个具有挑战性的问题。

三、存储过程中的线索JPEG（joint photographic experts group）是图像传输和存储应用中最广泛使用的图像格式。

由于JPEG是一种有损的压缩标准，因此，在图像存储过程中，JPEG将不可避免地引入某些特殊的压缩痕迹。

通过分析这些痕迹，研究者可以推导出一些重要的取证线索，例如，①该图像被压缩了多少次；②图像中的所有区域是否被压缩过相同的次数。

在之后的几个小节中，笔者将简要介绍JPEG 压缩所留下的特定痕迹、JPEG图像取证的典型场景以及该领域最新的取证方法。

（一）JPEG压缩遗留的痕迹针对灰度图像的标准JPEG压缩流程如下（通过在YCbCr色彩空间中的每个通道执行类似的流程，可以将JPEG压缩扩展到彩色图像）：首先，对原始图像上进行不重叠的8×8像素块分割；其次，针对每个块，对其灰度值进行2D-DCT 变换，从而将该块从空间域变化至频率域；再次，对各频率分量的幅度通过预设的量化表来量化（其中，图2显示了品质因子为50的典型量化表，其中较大的质量因子表示较高的图像质量和较低的压缩比）；最后，采用熵编码技术（霍夫曼编码）将量化后的频率幅度转换为二进制序列进行存储。

JPEG压缩将对原始图像引入3种误差：量化误差、截断误差和取整误差。