《多媒体信息安全》课件 第7章 数字图像取证

第七章数字图像取证《多媒体信息安全》目录三一

数字图像取证简介二

图像复制-粘贴篡改盲取证技术

图像重采样取证技术四

JPEG压缩取证技术五

基于噪声不一致性的图像取证技术

重捕获图像取证技术六

图像对比度增强取证技术七

DeepFake取证技术八一二

图像复制-粘贴篡改盲取证技术3数字图像取证简介背景与重要性1.图像作为信息载体的重要性

图像比文字更直观，是大众获取信息的重要来源。

数字时代，图像篡改变得简单且普遍，会对社会造成负面影响。2.图像篡改的现状

模拟胶卷相机时代：篡改难度高，真实性少受质疑。

数字时代：智能手机和编辑软件普及，篡改门槛大幅降低。

负面影响：伪造图像可能影响司法公正、损害他人利益。4数字图像取证简介背景与重要性3.图像取证的重要性

图像取证技术用于验证图像来源和内容的真实性。

随着深度学习技术发展，篡改图像更加“以假乱真”，取证技术需不断进步。4.典型案例

华南虎照片事件：2007年陕西省农民拍摄的“野生华南虎”照片被证实为年画翻拍，多名官员受处分。目录三一

数字图像取证简介二

图像复制-粘贴篡改盲取证技术

图像重采样取证技术四

JPEG压缩取证技术五

基于噪声不一致性的图像取证技术

重捕获图像取证技术六

图像对比度增强取证技术七

DeepFake取证技术八一二

图像复制-粘贴篡改盲取证技术6图像复制-粘贴篡改数字图像篡改的类型与示例1.图像篡改的类型

图像拼接篡改：用其他图像的一部分替换目标图像的部分。

复制-粘贴篡改：复制同一图像的局部并粘贴到其他位置。2.复制-粘贴篡改示例

篡改目的：隐藏或修改图像中的目标（如隐藏卡车）。

篡改手段：利用同幅图像的光照、亮度一致性进行操作。

复制-粘贴篡改操作示例7图像复制-粘贴篡改复制-粘贴篡改的分类1.按篡改目的分类

隐蔽性篡改：用其他图像的一部分替换目标图像的部分。

扩完性篡改：复制同一图像的局部并粘贴到其他位置。2.按篡改手段分类

平移：直接移动图像部分。

旋转/尺度变换：调整图像部分的方向或大小。

光照变换：改变图像部分的光照效果。

8图像复制-粘贴篡改

复制-粘贴篡改的分类

复制-粘贴篡改分类示意图9图像复制-粘贴篡改基于篡改目的分类1.隐蔽性复制-粘贴篡改

篡改区域纹理与背景相似，利用平滑背景遮盖不希望存在的目标。

篡改图像背景复杂且位置隐蔽。2.扩充性复制-粘贴篡改

造成假象类复制-粘贴篡改旨在增加图像中目标数量，易造成图像内容的假象。

10图像复制-粘贴篡改基于篡改手段分类1.平移

复制-粘贴篡改最简单的操作，即复制图像区域并平移粘贴到该图像另一区域，其模型如图所示。设复制区域A中任意点坐标为(x,y)，平移后粘贴区域A'中对应点坐标为(x',y')，则复制区域A与粘贴区域A'对应点坐标满足式(7-1)。(7-1)复制-粘贴篡改平移操作模型11图像复制-粘贴篡改基于篡改手段分类2.旋转

在实际应用中，旋转和平移操作同时存在，即复制图像区域，经过旋转后平移粘贴到该图像另一区域，其模型如图所示。设复制区域A中任意点坐标为(x,y)，旋转角度θ后区域A1，平移后粘贴区域A'中对应点坐标为(x',y')，则复制区域A与粘贴区域A'对应点坐标满足式(7-2)。(7-2)

复制-粘贴篡改旋转+平移操作模型12图像复制-粘贴篡改基于篡改手段分类3.尺度变换

与旋转操作类似，尺度变换和平移操作同时存在，即复制图像区域，经过尺度变换后平移粘贴到该图像另一区域，其模型如图7-6所示。设复制区域A中任意点坐标为(x,y)，进行因子为k的尺度变换后区域是A1，平移后粘贴区域A'中对应点坐标为(x',y')，则复制区域A与粘贴区域A'对应点坐标满足式(7-3)。(7-3)复制-粘贴篡改尺度变换+平移操作模型13图像复制-粘贴篡改基于篡改手段分类4.光照变换

光照变换与前面三种操作方式不同，不仅是图像像素位置发生变化，同时也伴随像素值变化。由于同幅图像中光照强度不同，直接复制-粘贴造成的篡改痕迹明显，如图(b)中的路牌，因此，光照变换是隐藏篡改痕迹的重要手段，如图(c)中变暗的路牌。

（a）

（b）

（c）(a)真实图像，(b)复制-粘贴篡改图像，(c)光照变换篡改图像14图像复制-粘贴篡改盲取证技术

由于数字图像复制-粘贴篡改的简单性、有效性及易使用性，吸引了大量篡改者对数字图像的内容进行篡改。然而自然物体纹理多样且复杂，不可能出现纹理信息完全一致的真实物体，复制-粘贴篡改盲取证算法则根据这一原则，寻找图像中纹理完全一致的区域为复制-粘贴篡改区域。

复制-粘贴取证算法应当具有：

①高精度（能够准确识别被篡改区域）；

②低计算复杂度（能够快速得到检测结果）；

③鲁棒性（能够应对旋转、缩放、噪声等攻击）。

15图像复制-粘贴篡改盲取证技术经典复制-粘贴取证算法通用流程

经典复制-粘贴取证算法通用流程，包括预处理、特征提取、特征匹配和后处理四个步骤。复制-粘贴篡改取证传统方法基本流程图16图像复制-粘贴篡改盲取证技术预处理

在预处理阶段，主要是对待检测的图像进行简化预处理，为后续检测工作做准备。其目的是在不改变待检测图像统计特征前提下，使待检测图像的结构更加简单或更加适合检测算法。常见预处理方式有从RGB映射到灰度、HSV（Hue,Saturation，Value）、YCbCr颜色空间，局部二值模式（localbinarypattern，LBP），中值滤波，离散小波变换（discretewavelettransform，DWT），主成分分析（principlecomponentanalysis，PCA）。一般情况下，预处理信息通常会使后续处理更加高效，从而导致更快的检测速度或更高的检测精度。

17图像复制-粘贴篡改盲取证技术特征提取

特征提取是检测篡改的关键步骤，直接影响系统准确性和效率。篡改者可能通过噪声、模糊、旋转等手段隐藏痕迹，同时平滑区域（如白色墙面、蓝天）增加了检测难度。特征提取方案分为两类：

基于图像分块的方案与基于图像特征点的方案

。

数字图像复制-粘贴篡改的特征提取方案18图像复制-粘贴篡改盲取证技术特征匹配

特征匹配旨在寻找原始图像块与复制移动区域的潜在关系。首先，将特征向量组成矩阵，通过字典排序或基数排序使相似向量相邻。实际应用中，常用K-D树、BBF算法及其改进算法g2NN进行快速匹配。此外，还可采用欧氏距离、汉明距离或相关系数等方法衡量向量相似度，初步筛选相似特征向量。

19图像复制-粘贴篡改盲取证技术后处理

后处理通过误差消除算法优化检测结果。特征匹配算法可找出相似特征向量和图像区域，但自然图像中相邻区域的高相似度及平滑区域可能导致误匹配。误差消除算法通过计算相似图像区域的位置距离来筛选结果，若距离足够大，则认为是篡改区域。此外，复制-粘贴区域具有相同的偏移量，当具有相同偏移量的区域对数超过一定数值时，可判定为篡改区域

20图像复制-粘贴篡改盲取证技术

完成以上所有步骤之后，有些方案会选择性的对检测结果做进一步处理。例如图像的形态学运算，包括腐蚀和膨胀，目的是消除一些不连接的细小区域或者使检测结果更连贯。基于特征点的检测方案常使用随机样本一致算法（RandomSampleConsensus，RANSAC）来剔除无效点，保留有效点。

21基于图像块的复制-粘贴篡改取证算法

基于图像分块的取证方案首先采用某个固定大小的滑动窗口将待检测图像分为尺寸相同且不重叠的图像块。再对每个图像块提取特征值并构建其特征向量，用构建的特征向量代替图像块的像素值进行相似性比较，最后检测并定位出篡改区域。合适的特征向量不但能最大程度地代表图像块，而且具有较强的鲁棒性，使得篡改图像在经过后期篡改痕迹隐藏操作之后还能被检测并定位。因此，为图像块提取合适的特征向量对于基于图像分块的取证方法是比较关键的一步。

22基于图像块的复制-粘贴篡改取证算法

基于图像分块的取证方案主要基于以下技术和方法：离散余弦变换DCT、

奇异值分解SVD、离散小波变换DWT、主成分分析PCA、方向梯度直方图（HistogramofOrientationGradient，HOG）、Krawtchouk矩阵、Zernike矩阵、极性复数指数变换矩阵、YCbCr颜色空间、极性复数变换矩阵、一维描述符（1-DDescriptor）、一致性敏感哈希（CoherencySensitiveHashing)、空间和颜色模型等。

23基于图像块的复制-粘贴篡改取证算法基于DCT的复制-粘贴篡改取证方案

众多算法中，提出较早的基于DCT的复制-粘贴篡改取证方案仍是最具有代表性算法之一。DCT通过将图像从空域转换到频域，将能量集中在低频部分，噪声集中在高频部分。在篡改检测中，DCT系数可以作为特征向量，用于相似性匹配，从而定位篡改区域。即使图像经过高斯白噪声、高斯模糊或JPEG压缩等后期处理，DCT方法仍能有效检测篡改区域。因此，基于DCT的算法具有较高的检测准确率和较强的鲁棒性。

基于DCT的复制-粘贴篡改取证算法流程图：

24基于图像块的复制-粘贴篡改取证算法基于DCT的复制-粘贴篡改取证方案1.灰度图像转换：对于一幅N×M的RGB彩色图像，通过标准公式(7-4)转换为灰度图像，其中，R,G和B分别代表RGB三通道，I为转换后的灰度图像。

（7-4）2.图像分块：将灰度图像I划分为

B×B大小的非重叠图像块，共得到（N-B+1）×（M-B+1）个图像子块。3.DCT操作：采用DCT对每个图像块进行特征提取。二维DCT变换如式(7-5)所示：（7-5）25基于图像块的复制-粘贴篡改取证算法基于DCT的复制-粘贴篡改取证方案

其中，f为某一图像块；

为正交系数，使DCT变换为正交矩阵。DCT系数矩阵F的矩阵表示如公式(7-6)所示：其中，

为正交矩阵。

（7-6）26基于图像块的复制-粘贴篡改取证算法基于DCT的复制-粘贴篡改取证方案4.Z字型扫描：对每个块的DCT系数进行Z字型扫描，并重新排列为行向量；将每个块对应的行向量组合，得

到一个

的矩阵。5.字典排序降维：对上一步得到的系数矩阵进行字典排序，得到排序后的矩阵A。此时由于DCT系数个数较多，需要对矩阵A进行降维操作：引入因子

，只保留矩阵A每一行的前

个DCT系数。于是，截断后的矩阵A为

。6.计算邻近向量位移矢量：对A的每一行DCT系数向量

，测试所有满足

的邻近行

，其中Nf是控制邻近行数量的参数用于判断邻近行是否相似。对于满足条件的

和

，计算

（7-7）27基于图像块的复制-粘贴篡改取证算法基于DCT的复制-粘贴篡改取证方案其中

和

，分别代表

和

对应图像块的左上角像素坐标。如果

（Nd是用于控制图像块之间距离的参数），计算位移矢量s并归一化。将该位移矢量的出现频次加1。7.根据位移矢量判断篡改区域：预定义阈值T，如果存在

，这说明存在篡改；反之，判断为图像未被篡改。在一幅N×M的黑色图像中，将满足

的图像块上色，通过开运算消除孤立区域。最后得到的图像中，上色部分为篡改区域。篡改检测结果示例所示。

（7-8）28基于图像块的复制-粘贴篡改取证算法基于DCT的复制-粘贴篡改取证方案

(a)原图(b)篡改图(c)检测结果

29基于特征点的复制-粘贴篡改取证算法

基于特征点的取证方法是在不对待检测图像进行分块的前提下，检测出图像区域中具有较高信息熵的点（特征点或感兴趣点），再对每个点进行描述，最后得到一系列的特征点以及每个特征点的描述向量来进行接下来的相似性匹配。当两个区域包含足够多的相似特征点时，这两个区域可以被认定为篡改区域。基于图像分块的取证方法只能检测一些常规信号处理类攻击，而基于特征点的方法除了可以抵抗噪声及光照改变等信号处理攻击外，还对图像旋转及仿射变换等都具有较好的鲁棒性。

基于特征点取证方案主要有：加速稳健特征、基于多支持区域的梯度直方图、二进制稳健性不变可扩展关键点、双阈值SIFT描述符、Harris角点、SIFT描述符和Zernike矩等。30基于特征点的复制-粘贴篡改取证算法

关于基于特征点取证方案，SIFT是该领域的经典方法，且仍是流行的方法。SIFT匹配计算法具有如下若干适用于篡改检测的特点：

①SIFT点在自然物体表面及纹理区域数量众多，可以避免检测时漏掉篡改区域。

②SIFT点在天空等光滑区域数量很少，避免了检测时将光滑区域误判为篡改区域。

③SIFT特征点的独特性好，特征包含的信息量丰富，可以进行快速、准确的匹配

④SIFT特征具有尺度和旋转不变性，特征点的方向参照和尺度信息可以在检测过程中获得，以SIFT特征点为种子点可以检测出经过尺度和旋转变换的被篡改区域。

⑤SIFT特征对亮度变化保持不变，对中等程度的仿射变换和噪声也具有鲁棒性。31基于特征点的复制-粘贴篡改取证算法基于SIFT的复制-粘贴篡改取证算法

基于SIFT的复制-粘贴篡改取证算法的流程图如图所示，流程大体可分为SIFT特征点提取、聚类、匹配和篡改区域定位。

基于SIFT的复制-粘贴篡改取证算法流程图32基于特征点的复制-粘贴篡改取证算法基于SIFT的复制-粘贴篡改取证算法(1)SIFT特征提取:获取SIFT的步骤可由4步组成：建立高斯金字塔尺度空间、建立高斯差分尺度空间（DifferenceofGaussian，DoG）、提取SIFT特征点以及描述SIFT特征向量。1.建立高斯金字塔尺度空间。高斯金字塔尺度空间实质是通过高斯函数对图像进行平滑建立空间层（interval）和降采样建立空间组（octave）。建立空间层作用是对图像进行模糊处理和降噪，如在提取大目标前去除图像琐碎细节、桥接直线或曲线缝隙，保留图像重要信息，减少特征点的提取数量；建立空间组作用是保证图像的尺度不变性。通过公式(7-9)对图像进行高斯平滑，建立高斯尺度空间。其中

是原始图像，

是高斯平滑函数，

为标准差，控制平滑的尺度。（7-9）33基于特征点的复制-粘贴篡改取证算法基于SIFT的复制-粘贴篡改取证算法高斯尺度空间示意图34基于特征点的复制-粘贴篡改取证算法基于SIFT的复制-粘贴篡改取证算法2.建立DoG。若直接对DoG提取极值点，容易提取到噪声点。由于每组内高斯尺度空间图像尺寸大小相等，则若将每组相邻的尺度空间相减，即对得到的DoG图像提取极值点，可降低噪声点的提取概率，如公式(7-10)所示。（7-10）35基于特征点的复制-粘贴篡改取证算法基于SIFT的复制-粘贴篡改取证算法3.提取SIFT特征点。将点与所在DoG图像和上下两层尺度空间和的共26个点比较。若点是极大值或极小值，则将其视为候选特征点，如图所示。为了得到精确地特征点，仍需要去除低对比度点和去除边缘响应点。候选SIFT特征点提取36基于特征点的复制-粘贴篡改取证算法基于SIFT的复制-粘贴篡改取证算法

去除低对比度点：令X0是DoG空间的一个候选特征点

，

，DoG空间函数

在点

处的泰勒展开为对式(7-11)求导，并令结果为零，得

，将其代入到泰勒展开式(7-11)中，只取前两项，得

。

。若

，则移除该关键点，即

和

之间的像素差值很小，点

周围的像素变化很小，虽是极值点，但仍然去除该对比度低点。（7-11）37基于特征点的复制-粘贴篡改取证算法基于SIFT的复制-粘贴篡改取证算法

去除边缘响应点：不稳定的边缘点具有较大的主曲率。主曲率可通过Hessian矩阵H求出：

尺度空间函数的主曲率

和H的特征值成反比，设

为H的最大特征值，

为H的最小特征值，则H的

行列式

。令

，则满足式(7-13)和(7-14)。

（7-12）（7-13）（7-14）38基于特征点的复制-粘贴篡改取证算法基于SIFT的复制-粘贴篡改取证算法设r的阈值为

，若满足式(7-15)，则此点为特征点。

4.确定特征点的方向。设点(x,y)的梯度方向

和模值m(x,y)定义如式(7-16)所示：

其中，

，

。计算特征点1.5σ邻域内所有点的梯度方向和模值，并平均分成10个方向并对各个方向的梯度模值累加，将具有最大模值的方向作为该特征点的主方向。

（7-15）（7-16）39基于特征点的复制-粘贴篡改取证算法基于SIFT的复制-粘贴篡改取证算法5.建立SIFT特征向量。为了保证旋转不变性，以特征点主方向作为坐标轴进行旋转后，以关键点为中心取16×16大小窗口，分成4×4的子块，统计各块8个梯度方向的大小，形成（16×8）=128维特征向量，如图所示。令提取的SIFT关键点

为及对应特征描述子

。

生成SIFT特征向量40基于特征点的复制-粘贴篡改取证算法基于SIFT的复制-粘贴篡改取证算法(2)关键点匹配1.计算描述子f1与其他n−1个描述子之间的欧式距离，得到：2.将向量D按从大到小顺序排列得到：如果

，则可以得到与描述子f1匹配的关键点xj（此时描述子f1与xj对应描述子fj为

），将关键点x1与xj分别存入两个集合中。3.对未配对描述子f2~fn重复步骤a、b。

（7-17）（7-18）41基于特征点的复制-粘贴篡改取证算法基于SIFT的复制-粘贴篡改取证算法(3)特征点聚类和篡改定位

采用凝聚式层次聚类算法（AgglomerativeHierarchicalClustering，AHC）将集合中各特征点进行聚类。当发现类中有超过三对匹配特征点则认定为图像可能受到的复制-粘贴攻击区域。篡改检测结果如图所示，其中第一行为篡改图像，第二行为匹配及篡改定位结果。基于SIFT特征点匹配的复制-粘贴篡改取证检测结果图目录三一

数字图像取证简介二

图像复制-粘贴篡改盲取证技术

图像重采样取证技术四

JPEG压缩取证技术五

基于噪声不一致性的图像取证技术

重捕获图像取证技术六

图像对比度增强取证技术七

DeepFake取证技术八一二

图像复制-粘贴篡改盲取证技术43数字图像重采样模型

在数字图像编辑或篡改过程中，往往会涉及到对原始图像进行缩放或旋转等几何变换操作，即重采样操作，以掩盖图像篡改痕迹，使篡改后的图像更自然。因此，数字图像重采样操作检测是数字图像被动取证技术中较为重要的研究内容之一。数字图像

可以看作是由一个2×2的采样矩阵T对二维的连续图像信号

采样后的结果。假设采样矩阵T为单位矩阵I，则为了简化分析，一般不考虑量化过程的影响。对于一个给定的数字图像，当它经历重采样操作时，一般会经过四个步骤，即插值（interpolation）、扭曲（warping）、滤波（prefiltering）和采样（sampling）。（7-19）44数字图像重采样模型插值：当对数字图像进行几何变换操作时，需要通过图像插值算法构造原始图像的连续插值图像，此步骤通过原始图像与插值滤波核函数h(x)做卷积生成连续插值图像信号完成，即根据信号采样定理可得，理想的插值核函数是sinc核函数，然而在实际应用中，sinc插值核函数很难实现。因此，在图像几何操作过程中，往往使用线性插值核函数、双线性插值核函数等代替理想插值核函数。（7-20）45数字图像重采样模型下表总结了常见的插值核函数，为了保证对比的完整性，表中也包括了sinc核函数。46数字图像重采样模型扭曲：插值步骤获得的连续插值图像信号需要根据映射函数进行扭曲操作。本节所讨论的一类仿射变换为，其中A表示2×2的变换矩阵。图像旋转和图像缩放是两种最常见的数字图像几何变换操作，对于图像缩放操作，各向同性比例缩放的变换矩阵形式为其中，R表示数字图像缩放因子。对于图像旋转操作，假设数字图像围绕其中心点顺时针旋转的方向为正，旋转角度为，则图像旋转的变换矩阵的形式为（7-21）（7-22）47数字图像重采样模型滤波和采样：经过反向映射函数映射可得扭曲信号为其中表示的逆。扭曲信号由于经过了反向映射，因此可能含有任意的高频分量，所以通常采用预滤波器使扭曲信号满足其输出的奈奎斯特速率。在放大的情况下，没有高频信号被引入到输出中，因此为了简化分析过程，一般可以忽略预滤波器。为了获得经过几何变换操作后的数字图像，扭曲图像信号需要通过采样矩阵T=I进行采样，最终可得几何操作篡改的图像为（7-23）

（7-24）48数字图像重采样模型

在上述的数字图像重采样过程中，插值过程会在最终获得的数字图像相邻像素之间引入相关性，因此在重采样图像中会含有特殊的周期性痕迹。在重采样图像的高阶统计信号的傅里叶变换频谱中会出现与重采样操作相关的特征峰，不同的插值方法会影响特征峰的峰值，但不会对特征峰的位置造成影响，特征峰的位置仅与重采样因子有关。目前，多数重采样检测算法都是基于此特点进行设计，这种检测算法不仅能够检测重采样操作，同时还能够估计重采样因子。

49重采样操作取证技术Popescu等人发现重采样后的图像像素与相邻像素会因重采样操作产生线性相关性，基于此提出一种基于EM算法的重采样检测技术。该技术本质是构建贝叶斯后验概率模型，估算待检图像中各像素为插值像素点的概率，再用迭代算法让参数达到最佳。具体而言，EM算法在观测数据基础上添加未观测的“潜在数据”，形成“完整数据”，使原观测数据下的后验分布转变成参数在完整数据下的后验分布，得到参数极大似然估计后，检验并改进添加的数据假定，将复杂极大化问题简化。不过，该方法对初始化参数依赖性较强，可能使相同输入出现异常结果，且算法时间复杂度较高。

50重采样操作取证技术令

为待插值图像像素值，则

可以表示成其2N邻域内像素值线性加权与估计残差

的和的形式：其中，

恒为0，估计残差

服从

正态分布。EM算法分成Expectation（E）和Maximization（M）两部分。

（7-25）51重采样操作取证技术1.Expectation步骤：使用M1和M2分别表示通过插值得到的图像像素和原始的图像像素两种情况，由贝叶斯公式可以得到

的后验概率为：其中，先验概率

和

设置为0.5，

服从均值为

、方差为

的正态分布，

服从

最大值和最小值之间的均匀分布，

和

为待估计量。

（7-26）52重采样操作取证技术2.Maximization步骤：

残留误差

的方差

实际上是残留误差的加权平均：其中，为了便于表达，令

。利用均方误差最小准则，估计新的

。均方误差计算公式为

（7-27）（7-28）53重采样操作取证技术沿着

的方向求梯度，使之为0，可得其中，Y为由

邻域组成的邻域矩阵，W为由

组成的对角矩阵。当

收敛后，迭代结束。通过最终得到的

，构造待检测图像中像素点为插值点的概率图。如果图像经过重采样操作，则在概率图的二维Fourier幅度谱中出现明显的亮点，即存在某种周期性。

（7-29）54重采样操作取证技术

不同倍率放大图像后的检测结果如图所示，其中每一种情况自左至右的三幅图像分别为待测图像、概率图和相应的幅度谱图。在不考虑噪声的情况下，上述算法能够较好检测出缩放和旋转操作，但是只能定性而不能定量判断重采样操作参数，此外EM迭代算法对初值设置的选择过于依赖，算法的收敛性没有得到严格证明。

基于EM的重采样检测结果55重采样因子估计技术

缩放操作是最常见的几何操作，常见于篡改图像后，调整篡改区域的大小适配图像内容。缩放因子估计是重采样操作取证的另一个重要方向，可以较为准确地估计出图像的缩放因子。

56重采样因子估计技术1.基于差分周期特性的重采样缩放因子估计算法Gallagher等人从重采样图像建模出发，发现重采样图像的二阶差分统计方差具有周期性，且重采样因子与方差周期呈线性关系。通过离散傅立叶变换，可发现图像频谱中存在与重采样因子相关的谐波峰值，进而判断图像是否重采样并估计重采样因子。基于差分周期特性的重采样检测算法最大优势是能定量估计出重采样因子。检测算法的流程图如图所示。

基于差分周期特性的重采样检测算法流程图57重采样因子估计技术

为了简化计算，采用沿列计算每个像素点二阶差分绝对值期望来代替沿列计算每个像素点二阶差分的统计方差。假设输入图像为

，

且

，其中R和C分别表示待检测图像的行数和列数。对于每一行的二阶差分可以由下式计算得出：对信号

的每行求平均，可得近似方差信号

：

（7-30）（7-31）58重采样因子估计技术对

做离散傅里叶变换DFT，其周期性可以通过检测

的峰值来判断，假设峰值处对应的频率为

，则由于混叠的影响，估计重采样因子的过程中频谱中的一个峰值频率

会对应两个可能的重采样因子

，即

（7-32）（7-33）59重采样因子估计技术2.基于差分周期特性的图像旋转角度估计算法

Wei等人研究发现图像频谱提取操作顺序不同，可使重采样峰值特征更明显，进而区分图像旋转与缩放操作，并提出了包含这两种操作的二次几何变换操作链估计方法。该方法将旋转看作特殊缩放操作，结合旋转角度估计与特定缩放因子，通过频谱峰值与缩放因子关系推导出旋转角度。同时，利用不同频谱提取顺序突出重采样峰值特征，进一步区分旋转和缩放操作，并基于此提出了只含旋转和缩放的二次几何变换操作链恢复算法。

60重采样因子估计技术2.基于差分周期特性的图像旋转角度估计算法

图像围绕其中心旋转的坐标变换关系为：其中，

和

分别表示对应像素点旋转前后的坐标。

表示旋转角度，规定逆时针方向旋转时为正。假定

，则由上式可得：

（7-34）（7-35）61重采样因子估计技术

可认为图像旋转操作导致图像在水平方向产生倍率为

的缩放。对旋转角度

后的图像先使用拉普拉斯算子与图像进行卷积得到差分图像，再逐行计算差分图像的DFT。

在

到的范围内，可得峰值频率

与转角

的关系为

（7-36）62重采样因子估计技术

以此类推，假定

，则

即旋转前垂直方向投影到旋转后水平方向的缩放倍率为

，同理可得峰值频率

与转角

的关系为：

（7-37）（7-38）63重采样因子估计技术假设待估计旋转角度的图像大小为M×N，旋转角度盲估计的具体步骤如下：①初始化。令峰值计数器的初始值

，

。②计算差分图像。使用拉普拉斯算子L对图像进行卷积得到差分图像E，即

。③峰值计数。对差分图像E逐行处理，假设第m行为

，

，求其DFT，记为

。若

为其邻域

，

内的最大值则更新峰值计数器，即

。该方法根据实验确定

值为5。将各行的

取平均，得到水平方向的平均频谱幅度

。④峰值检测。将

归一化得到频率-峰值计数图，由于频谱对称，仅需在一半的范围内查找局部峰值，得到候选的全局峰值及对应频率集合

。候选峰值的条件是其值与邻域中值之比大于阈值T。若集合为空则判定图像没有经过旋转。⑤计算旋转角度。上一步中估计到的候选峰值可能有多个，取其中最大的两个候选峰值。若只有一个候选峰值则规定另一个候选峰值对应的频率为零。由公式可计算得到估计的旋转角度。64重采样因子估计技术连续缩放和旋转处理的过程检测，根据不同的处理顺序分为了四种情况：①二次缩放：假设第一次缩放倍率为R1，第二次缩放倍率为R2，则两次插值的混合频率为

和

。②旋转后缩放：假设图像旋转角度为

，缩放倍率为R，则旋转并缩放后的混合频率为

和

。③缩放后旋转：假设缩放倍率为R旋转角度为

，则缩放后旋转的混合频率为

、

和

。④二次旋转：假设第一次旋转角度为

，第二次旋转角度为

，两次旋转后的混合频率为

和

。目录三一

数字图像取证简介二

图像复制-粘贴篡改盲取证技术

图像重采样取证技术四

JPEG压缩取证技术五

基于噪声不一致性的图像取证技术

重捕获图像取证技术六

图像对比度增强取证技术七

DeepFake取证技术八一二

图像复制-粘贴篡改盲取证技术66JPEG压缩和取证JPEG压缩技术简介JPEG是1986年成立的联合图像专家组的缩写，1992年正式通过成为国际数字图像压缩标准，被命名为“ISO10918-1”。JPEG图像文件扩展名为“.jpg”或“.jpeg”，主要用于存储亮度信息的变化。

最常用的压缩模式是有损压缩，去除图像冗余信息和彩色信道数据，能实现高压缩比且保持图像丰富生动，占用空间小且质量高，还可根据需要调节图像质量，用不同压缩比压缩图像。67JPEG压缩和取证JPEG压缩技术意义

相机型号、编辑软件识别

：JPEG文件头中的量化表具有独特性，不同相机厂商和编辑软件自行设计量化表，通过估计量化表可推断拍摄相机品牌型号或所经历的软件处理。

图像篡改检测和定位

：JPEG压缩痕迹是关键线索。修改图像局部会破坏其压缩痕迹，复制拼接不同压缩参数图像会导致拼接图像局部压缩参数不一致等情况，通过检测各个局部压缩痕迹是否一致可发现并定位篡改区域。

隐写分析

：JPEG压缩痕迹会对隐写分析造成干扰，而JPEG压缩取证技术可估计压缩参数，据此选择对应检测器进行分类判决，减轻干扰，提升隐写分析精度。

去块效应

：重度JPEG压缩会导致8×8分块灰度趋同和相邻分块边界处像素值明显跃变，出现块效应。JPEG压缩取证技术可估计压缩参数，帮助块效应滤波器调整滤波策略和强度，抑制块效应，改善图像感知质量。68JPEG位图图像取证

多数具备摄影功能的相机或手机均默认采用JPEG格式输出，这意味着网络上大量位图可能由JPEG图像转换格式后得到。当JPEG图像解压缩后转存为位图，原先保存在JPEG文件头中的量化表信息将随之丢失。JPEG解压位图取证的目的是检测位图是否经历过JPEG压缩。同时如果由JPEG转为位图，可进一步估计压缩量化表参数。JPEG位图取证包含两个任务，一是检测位图是否经历JPEG压缩，二是估计解压位图的压缩参数，即量化步长。69JPEG位图图像取证

Fu等人提出利用Benford定律检测位图压缩历史的方法。正常JPEG系数的首位有效数字符合广义Benford定律分布。通过将待测位图压缩为质量因数QF=100的JPEG图像，若其系数首位有效数字满足Benford定律，则未经过JPEG压缩；否则，经过了JPEG压缩。下图展示了UCID数据集中所有图像JPEG系数第一位有效数字分布与广义BenFord定律分布的比较。JPEG系数第一位有效数字分布70JPEG位图图像取证

Yao等人提出一种经历过JPEG压缩并保存为位图格式图像的量化步长估计方法。实际情况中，高频带的量化步长的数值远大于低频带和中频带的量化步长。因此高频带的量化DCT系数通常为零。高频带的量化步长难以估计。因此，该方法主要考虑在直流、低频和中频频带的15个频带的量化步长估计问题，如图所示。8×8DCT系数块的频带分类71JPEG位图图像取证

为方便表达，把需要估计的低频频带和中频频带称为交流频带，并且频带(i,j)处的估计的量化步长值表示为

。值得注意的是，方法中提到的DCT系数是取整后的系数，即

其中，

表示频带(i,j)处的取整DCT系数，

表示8×8块中坐标(u,v)的像素值。对于每个频带而言，无论是交流频带还是直流频带，估计

的过程可分为三个步骤：（1）判定

是否为1，（2）如果

不为1，则进一步

判定是否为2，（3）如果

不为1或者2，则进一步估计

。

（7-39）72JPEG位图图像取证估计量化步长的流程图

国家重点研发计划项目申报73JPEG重压缩取证JPEG作为最常用的图像格式，广泛应用于网络、社交媒体和数字媒体。其易编辑性导致篡改风险增加，图像真实性面临挑战。多次JPEG压缩会在图像中留下独特痕迹。这些痕迹可用于检测图像是否被篡改。研究意义：为数字取证提供可靠技术手段。保障图像在法律、新闻等领域的可信度。通常情况下获得的图像多数为JPEG格式保存。文件中只保存了最后一次的JPEG压缩的量化步长，但是无法确保图像是否经过多次的JPEG压缩，JPEG重压缩取证的重要任务就是估计JPEG图像前次量化步长。根据两次JPEG压缩的分块是否对齐，可将其分为网格对齐的重压缩取证和网格不对齐的重压缩取证。国家重点研发计划项目申报74网格对齐的双重压缩取证JPEGGhosts效应：差分最小值原理利用差分最小值揭示前次量化步长。单次压缩与双重压缩的差分对比明显。二次极小值（Ghosts）的存在是双重压缩的标志。通过差分图可直观观察到Ghosts效应。单次压缩与双次压缩的对比国家重点研发计划项目申报75网格对齐的双重压缩取证基于“JPEGGhosts”的篡改检测算法流程图差分计算公式：其中，d表示差分，x，y表示像素点坐标，q表示量化系数，表示RGB的三个颜色通道，是像素值，是经过量化系数q压缩后的对应像素值。篡改检测算法（7-42）国家重点研发计划项目申报76网格对齐的双重压缩取证首先，在像素区域内对差值图像进行平均化：然后进行归一化，目标是使平均后的差分在每个坐标的值都在[0,1]范围内：(b)篡改后图像(a)原始图像图7-25选取的待检测图像篡改检测算法（7-43）（7-44）国家重点研发计划项目申报77网格对齐的双重压缩取证将篡改后的图像分别以质量因子35，40，45，50，55，60，65，70，75，80，85和90再次压缩。再根据公式(7-44)计算7-25(b)图像与再次压缩的图像之间的差分（其中），得到右图。根据该图可以清晰定位篡改区域。篡改检测算法国家重点研发计划项目申报78网格非对齐的双重压缩取证图7-27DCT估计量化步长流程国家重点研发计划项目申报79网格非对齐的双重压缩取证1、不齐参数估计：平滑块选择以参数R的估计为例，首先将网格不对齐的二次压缩图像划分为8×8非重叠块。为了对复杂纹理和平滑纹理块进行分类，对每一个两次压缩图像的块，每行的平均值可以计算为：把MR作为MR(x)所有的集合，即MR={MR(x)}，0≤x≤7。使用来描述块中像素沿垂直方向的变化范围：（7-45）（7-46）国家重点研发计划项目申报80网格非对齐的双重压缩取证1、不齐参数估计：参数计算在选择平滑纹理块之后，通过第一次压缩的网格估计参数。对于每个纹理平滑的块，相邻行之间的差值为：之后，对所有选出块的求和，得到一个71的向量即如果第一次和第二次压缩的网格重叠，那么第二次压缩的网格会掩盖第一次压缩的痕迹，因此应单独考虑的情况。当不对齐参数时，其对应向量的方差明显小于不等于0的方差。如果向量的方差小于阈值，则判断R=0，反之，不等于0。之后，用公式(7-49)估计R：（7-47）（7-48）（7-49）国家重点研发计划项目申报81网格非对齐的双重压缩取证2、DCT系数直方图分析重排策略：局部单调性调整，优化直方图形状

根据估计的不对齐参数，对图像I进行逆平移，根据第一次压缩的网格将转换后的图像重新划分为8×8块。然后对每个块进行DCT变换，得到DCT系数绝对值的一组直方图；如图7-28(a)所示，DCT系数直方图由多个直方图区间组成，其范围对应于第一次压缩的量化步长。图7-28(a)中的方框区间的放大图在图7-28(b)所示，虽然直方图的分布接近于高斯分布，但是由于第二次压缩和取整操作对DCT系数的干扰，仍然存在一些不符合高斯分布的直方图。图7-28DCT估计量化步长流程国家重点研发计划项目申报82网格非对齐的双重压缩取证2、DCT系数直方图分析

图7-29展示具有不同量化步长的频带(1,1)处的DCT系数直方图的一些示例，其中，对应于DCT系数1和3的bin，对应于DCT系数2和4的bin分别以黄色和红色标记。

图7-29(a)，(b)，(c)和(d)分别显示了带有Q1(1,1)=2和Q2(1,1)=1、Q1(1,1)=3和

Q2(1,1)=1、Q1(1,1)=3和Q2(1,1)=2

以及Q1(1,1)=4和Q2(1,1)=2的示例。图7-29不同量化步长下频带(1，1)的DCT系数直方图（a）（b）（c）（d）国家重点研发计划项目申报83网格非对齐的双重压缩取证2、DCT系数直方图分析图7-30重新排列后的直方图

图7-30(a)展示了重新排列的直方图，图7-30(b)为图7-30(a)中的绿色框的放大图。与初始直方图相比，重新排列后的直方图更符合高斯分布，便于对直方图进行周期性分析。（a）（b）国家重点研发计划项目申报84网格非对齐的双重压缩取证2、DCT系数直方图分析图7-31DCT系数直方图的周期性分析根据得到的直方图周期，P、Q1（i,j）的候选值如下所示:国家重点研发计划项目申报85网格非对齐的双重压缩取证2、DCT系数直方图分析最佳候选量化步长的选择：尽管网格不对齐的第二次压缩会对第一次压缩的DCT系数直方图带来影响，但直方图中的DCT系数依旧会聚集在第一次压缩的量化步长以及它的倍数周围。可以利用DCT系数的这个特性从候选值中确定第一次压缩的量化步长。图7-32直方图比较策略目录三一

数字图像取证简介二

图像复制-粘贴篡改盲取证技术

图像重采样取证技术四

JPEG压缩取证技术五

基于噪声不一致性的图像取证技术

重捕获图像取证技术六

图像对比度增强取证技术七

DeepFake取证技术八一二

图像复制-粘贴篡改盲取证技术国家重点研发计划项目申报87基于噪声不一致性的图像取证技术噪声的特性和噪声取证技术数字图像的噪声主要来源于图像的获取（数字化过程）和传输过程。图像传感器的工作情况受各种因素的影响，如图像获取中的环境条件和传感元器件自身质量。噪声按照产生的原因可以分为外部噪声和内部噪声；按照噪声与信号的关系可以分为加性噪声和乘性噪声；按照噪声的频谱可以分为白噪声、闪烁噪声（又称1/f噪声）和三角噪声；按照噪声的概率密度函数可以分为高斯噪声、瑞利噪声、伽马噪声、指数分布噪声、均匀分布噪声和椒盐噪声（脉冲噪声）等等。最为常见的噪声处理方式是将以概率密度函数的分类来对不同的噪声进行相关处理。噪声一般是由图像的统计特性（直方图）来描述，也可被认为是由概率密度函数（probabilitydensityfunction，PDF）表示的随机变量。国家重点研发计划项目申报88基于噪声不一致性的图像取证技术常见噪声模型1、高斯噪声：高斯噪声是指概率密度函数服从高斯分布（即正态分布）的一类噪声。产生的原因为：图像传感器在拍摄时环境光不够明亮、亮度不够均匀；电路各元器件自身噪声和相互影响或者是因图像传感器长期工作而引起的温度过高。图7-33原始图像与高斯噪声图像对比图高斯随机变量z的PDF由下式给出：国家重点研发计划项目申报89基于噪声不一致性的图像取证技术常见噪声模型2、泊松（Poisson）噪声：即符合泊松分布的噪声模型，泊松分布适合于描述单位时间内随机事件发生次数的概率分布。如某一服务设施在一定时间内受到服务请求的次数，电话交换机接到呼叫的次数、汽车站台的候客人数、机器出现的故障数、自然灾害发生的次数、DNA序列的变异数、放射性原子核的衰变数等等。

泊松噪声的PDF为：图7-34原始图像与泊松噪声图像对比图国家重点研发计划项目申报90基于噪声不一致性的图像取证技术常见噪声模型3、乘性噪声：信道特性随机变化引起的噪声，它主要表现在无线电通信传输信道中，例如，电离层和对流层的随机变化引起信号不反应任何消息含义的随机变化，而构成对信号的干扰。这类噪声只有在信号出现在上述信道中才表现出来，它不会主动对信号形成干扰，因此称之为乘性噪声。图7-35原始图像与乘性噪声图像对比图国家重点研发计划项目申报91基于噪声不一致性的图像取证技术常见噪声模型4、椒盐噪声：也称为脉冲噪声，是图像中常见噪声类型之一，它是一种随机出现的白点或者黑点，可能是亮的区域有黑色像素或是在暗的区域有白色像素（或是两者皆有）。椒盐噪声的成因可能是影像讯号受到突如其来的强烈干扰而产生、类比数位转换器或位元传输错误等。例如失效的感应器导致像素值为最小值，饱和的感应器导致像素值为最大值。

椒盐噪声的PDF如下所示：图7-36原始图像与泊松噪声图像对比图其中pa是像素值z为a（胡椒噪声，黑色）的概率；pb是像素值z为b（盐噪声，白色）的概率国家重点研发计划项目申报92基于噪声不一致性的图像取证技术噪声模型的意义

识别噪声特性对于许多图像处理算法非常重要，因此，设计有效的噪声估计算法具有研究意义。由于自然图像噪声具有随机性和不可预测性，从单一图像中估计图像噪声是一项较有挑战性的工作，需要一个参数化模型来估计噪声特征。1)AWGN模型局限性：AWGN模型假设噪声为加性高斯噪声，忽略了信号依赖性。这种假设在实际应用中存在局限性。2)SDN模型优势：SDN模型考虑了信号相关噪声和信号独立噪声。更贴近真实传感器噪声，如光子噪声和热噪声国家重点研发计划项目申报93基于噪声不一致性的图像取证技术噪声等级函数估计技术

CCD/CMOS相机将lens系统中收集的光子转换成电子，并最终量化成比特。在成像过程中，有5种主要噪声类型：固定模式噪声、暗电流噪声（darkcurrentnoise）、散射噪声（shotnoise）、热噪声（thermalnoise）和量化噪声（quantizationnoise）。通常，散射噪声是和光子有关

（即光照强度越大，噪声越大），而其它种类噪声（如FPN和暗电流噪声）和光照亮度等级无关。图7-37CCD/CMOS相机成像流程国家重点研发计划项目申报94基于噪声不一致性的图像取证技术噪声等级函数估计技术

可将相机成像中噪声类型分为3类：信号相关型噪声、信号独立型噪声和量化噪声，分别表示为ns、nc和nq。由于量化噪声非常小，往往在模型中被忽略。一个简化后的成像过程如下所示。图7-38CCD/CMOS相机成像简化流程国家重点研发计划项目申报95基于噪声不一致性的图像取证技术噪声等级函数估计技术

噪声按照如下模型建模：

其中I和IN分别表示无噪声的干净图像和接收者获取的噪声图像，f(∙)和g(∙)分别表示CRF（相机反应函数）和ICRF（相机反应逆函数），LI是辐射度。基于I和IN，噪声等级函数NLF被定义为描述关于图像像素亮度的噪声标准差统计量，即

，其中为期望计算函数。其中，IN（·）表示为考虑噪声生成过程的像素亮度函数。进一步，可以写成（7-54）（7-55）国家重点研发计划项目申报96基于噪声不一致性的图像取证技术噪声等级函数估计技术如果不考虑噪声生成过程中非线性映射函数，IN可以建模成I,ns和nc的和。因为I是固定的像素亮度值，其方差为0，所以,IN的方差可以推导为

因此，IN的噪声统计量可以理解为

，且表示为以下公式

其中，ξ为服从标准正态分布的变量。（7-56）（7-57）

从上述公式得知：当

变化相同时，噪声在高像素亮度区间变化比低亮度区间剧烈，而当

变化相同时，噪声在整个像素亮度区间均匀变化。另一方面，噪声可以用依赖于强度的高斯分布来描述，这意味着在一定的强度下，噪声可以近似为高斯分布，而不同的强度会导致具有不同参数的高斯分布，相关现象如图所示。采用由哥伦比亚大学CAVE实验室制作的DoRF（Data-baseofResponseFunctions）数据集中的CRF-60去根据图示合成真实图像噪声，其中

和

分别设置成0.06和0.04。

国家重点研发计划项目申报97基于噪声不一致性的图像取证技术噪声等级函数估计技术

国家重点研发计划项目申报98基于噪声不一致性的图像取证技术噪声等级函数估计技术图7-39噪声分布和相应的高斯分布拟合(红色实线):注：从(a)到(d)干净像素亮度分别设定为0.375,0.5,0.625,0.75,0.875,高斯拟合后参数(μ,σ)列举如下:(a)(0.372,0.093)，(b)(0.49,0.083)，(c)(0.620,0.070)，(d)(0.75,0.057)（a）（b）（c）（d）国家重点研发计划项目申报99基于噪声不一致性的图像取证技术噪声等级函数估计技术

讨论CRF对于噪声的影响，对公式(7-57)运用泰勒级数展开，含噪声的图像像素亮度IN可以利用其一阶分解近似表示：

通过结合式(7-54)和式(7-58)，NLF可以推导为

公式(7-59)表明，CRF确实影响着NLF的形状，数学上即CRF的一阶导数从某种程度上决定着NLF的形状。（7-58）（7-59）国家重点研发计划项目申报100基于噪声不一致性的图像取证技术噪声等级函数估计技术

图7-40展示了CRF与NLF之间的关系。当CRF-60的导数增加时，其相应的NLF也是一个增函数；当CRF-60的导数减少时，其相应的NLF也是一个减函数。图7-40CRF和NLF的关系注：蓝色和红色曲线分别对应CRF-50和CRF-60（a）CRF（b）CRF的导数（c）NLF国家重点研发计划项目申报101基于噪声不一致性的图像取证技术基于PRNU模式噪声的相机来源识别1.PRNU模式噪声图7-41模式噪声的组成部分国家重点研发计划项目申报102基于噪声不一致性的图像取证技术基于PRNU模式噪声的相机来源识别1.PRNU模式噪声最终得到的图像像素值范围在[0,255]内，表示为（7-61）（7-62）其中,P表示yij在(i,j)点的非线性函数N(Yij)表示局部邻域对值的影响。无论手机相机使用哪种传感器都会在它拍摄的图像和视频中遗留PRNU噪声，并且不同的相机留下的“指纹”具有差异性。

理想场景下，自然场景光进入传感器的光子数表示为

，其中，mXn表示传感器的分辨率。

代表随机激发噪声，

为加性随机噪声，

为暗电流噪声。在经过相机其他功能处理之前，到达传感器的光线表示为

：国家重点研发计划项目申报103基于噪声不一致性的图像取证技术基于PRNU模式噪声的相机来源识别2.数字图像相机源检测Lukas等人[18]认为SPN噪声的主要成分PRNU噪声可以用来鉴别数字图像的源相机。在提取传感器模式噪声时，对压缩图像用无阈值局部空间自适应模型去噪的方法，这是一个具有零均值高斯分布的独立分量与未知方差的混合过程。在最小均方误差估计时，可利用自适应窗口估计图像边缘所产生的影响。这样做的目的是保证得到的噪声中含有较少的场景信息，这一点恰好与来源取证中提取PRNU噪声，消除图像或视频内容影响的目的契合。

假设去噪之后图像的小波系数是局部稳定的高斯信号，即服从均值为零，方差为随场景变化的独立高斯随机变量。在受到加性噪声的影响后，令输出图像为I，在降噪时对输出图像I进行计算。国家重点研发计划项目申报104基于噪声不一致性的图像取证技术基于PRNU模式噪声的相机来源识别2.数字图像相机源检测

利用每个含噪小波系数的邻域数据，采用最大似然估计算法和最小均方误差算法，计算不同尺度邻域窗口的方差估计值。定义一个大小为W×W的窗口，

，分布方差的计算公式为：

通过维纳滤波获得去除噪声之后的小波系数，

选取最小值作为原始小波系数分布的方差（7-63）（7-64）（7-65）国家重点研发计划项目申报105基于噪声不一致性的图像取证技术基于PRNU模式噪声的相机来源识别2.数字图像相机源检测

对大量残差噪声叠加求平均来提取相机的参考PRNU噪声

通过计算P与w的互相关系数，判断与阈值的大小，鉴别待测图像是否来源于参考手机：（7-66）（7-68）（7-69）提取待测图像的测试PRNU噪声，（7-67）目录三一

数字图像取证简介二

图像复制-粘贴篡改盲取证技术

图像重采样取证技术四

JPEG压缩取证技术五

基于噪声不一致性的图像取证技术

重捕获图像取证技术六

图像对比度增强取证技术七

DeepFake取证技术八一二

图像复制-粘贴篡改盲取证技术107重捕获图像定义与场景通过二次拍摄/扫描原始图像生成的相似图片（如屏幕翻拍、打印扫描）。核心特征：细节丢失：高频信息衰减（如纹理模糊）。伪影引入：摩尔纹、色彩断层、边缘锯齿化。LCD屏幕重捕获打印重捕获流程108取证技术分类1.基于物理特性的方法：核心思想：

典型技术：通过分析重捕获过程引入的物理伪影或信号统计异常，定位篡改痕迹。Ⅰ.纹理分析（LBP）：原理：局部二值模式（LocalBinaryPattern）提取屏

幕栅格化产生的周期性纹理（如LCD像素排列）。优势：对摩尔纹敏感，计算效率高。109取证技术分类1.基于物理特性的方法：Ⅱ.小波分解与能量统计：流程：三级小波分解（DWT）→高频子带（水平/垂直/对角）能量计算→对比原始与重捕获图像能量差异Ⅲ.频域周期性分析：重捕获图像在频域中因传感器混叠呈现周期性噪声方法：傅里叶变换→频谱峰值检测→周期匹配（如摩尔纹频率）110取证技术分类1.基于物理特性的方法：Ⅳ.边缘与模糊分析：重捕获导致边缘模糊（如打印扫描的阶跃响应衰减）方法：边缘扩散函数（ESF）：量化边缘锐度Ⅴ.颜色一致性验证：