JPEG压缩检测方法

JPEG是当前主流的图像压缩标准，不仅图像获取设备和图像处理软件大都支持输出JPEG图像，而且网络上的图片多数也是JPEG格式，但是JPEG图像格式是有损压缩，导致图像的信息会随着压缩比的变化而丢失，所以针对JPEG格式图像的合成检测非常有意义且具有一定挑战性。

双JPEG压缩检测是JPEG图像取证领域的主流方法之一，由于JPEG压缩算法的特性，经过人为处理后（如拼接等合成操作）如果选择另存为JPEG格式，可能会使用与原始图像压缩因子（QF1）不同的质量因子（QF2）再一次压缩存储，这样JPEG图像就会经历两次JPEG压缩，即双JPEG压缩（图6-12）。

图6-12　双JPEG压缩流程

双JPEG压缩会使DCT的统计特性发生改变。当用一个较低的压缩质量因子处理图像时，被处理区域原来的JPEG压缩痕迹会遭到破坏，检测的难度将会增加。特别是大多数JPEG图像双重压缩检测的方法仅在QF2＞QF1时才有效，当QF2≤QF1时，算法检测效果仍待改进。

传统的双JPEG压缩检测方法需要人为设计特征以区分图像不同的处理区域，分类效果难以有较大提升。2016年，Qing Wang和Rong Zhang提出了以JPEG图像的DCT系数直方图为输入，建立基于频域的一维卷积神经网络，其结构如图6-13所示，该卷积神经网络主要分为三部分，分别是输入、卷积模块和全连接模块。

图6-13　基于频域的CNN网络结构(www.xing528.com)

在输入部分对每条DCT子带提取数值范围{5，4，……4，5}内的AC系数统计直方图，则每条子带产生的子特征有11维。取zig-zag顺序中前9条AC系数的子特征，得到维度为99×1的一维特征向量作为整个网络的输入；卷积模块由两个一维卷积层和两个一维最大值池化层交替组合而成，用于生成100个特征图。其中，卷积核的大小为3×1，卷积步长为1；池化核的大小为3×1，池化步长为2。全连接模块共三层，神经元的个数分别为1000、1000和2。在最后一层使用Softmax函数用于计算每一类别的概率。该模型使用图像的DCT系数的直方图作为输入，利用CNN学习特征、进行分类，最后基于分类结果进行定位。针对不同的QF1、QF2组合进行实验，发现当QF1＞QF2时也表现出了较好的性能。

2017年，Amerini等人提出基于频域和空域的结合域的卷积神经网络检测方法。对于频域网络，采用了与图相同的一维卷积神经网络，区别在于，输入的直方图数值范围扩展到{-50，……50}。从而频域网络的输入维度变成909×1，同时使用了ReLU激活函数和Dropout方法。其采用的空域网络和传统的二维卷积神经网络相似，如图6-14所示，该网络同样主要分为三部分，分别是输入层、卷积模块和全连接层。最后，在频域和空域的网络中分别取第一个全连接层的输出作为合并特征，构成一个基于结合域的卷积神经网络。

图6-14　空间域的CNN网络结构

2017年，Barni提出使用CNN对对齐和非对齐双JPEG压缩的检测方法。设计的网络结构如图6-15所示，其在将图像输入卷积神经网络之前，先经过DCT核函数变换、求系数均值以及差分计算等操作，相当于做了多步骤的特征预处理操作。结果表明，所提出的基于CNN的检测器即使对较小的图像（即64×64），也具有较好的性能，特别在不对齐的情况下优于其他解决方案。此外，在公认的具有挑战性的情况下，即第一个质量因素QF1大于第二个质量因素QF2，也取得了良好的结果。

图6-15　Barni提出的检测框架