随着图像编辑软件的兴起,新手也可轻易篡改图像内容而不留下明显痕迹。考虑到图像真实性的重要性,图像时常作为新闻、科研成果发表,医疗应用以及司法证据,其中混入篡改图像,后果难以想象。因此,证实图像的真实性的篡改检测十分有必要。Seam carving能够有效缩放图像,并且缩放后的图像不会有肉眼可见的线索。目前,人们可以通过Adobe Photoshop使用这一技术。同时,也被一些犯罪分子用来进行图像篡改,例如图像中特定对象的删除。现有的算法能够解决不同缩放比例的篡改检测,但是仍存在低缩放因子效果不理想以及鲁棒性问题。为了解决以上问题,本文提出了两种基于联合特征的检测算法。针对seam carving检测,提出了一种基于残差域的局部二值模式(LBP)的能量偏差特征以及Markov特征相结合的联合特征算法。其思路是:图像中相邻像素间存在一定相关。在seam carving操作时,每从图像中去除一条seam,则去除像素右侧相邻的像素必须左移填补移除像素位置。则图像去除seam相邻像素间的关系发生变化,像素间的大小关系可能发生变换。最终,将提取的联合特征输入到支持向量机(SVM)分类器,将提取的特征进行训练分类。实验数据显示,该算法无论是低缩放因子还是高缩放因子都取得了较好的检测效果,同时能抵抗后处理操作,如JPEG压缩。现有的大多数检测算法存在检测性能不稳定的问题。本章利用高阶概率统计分布进一步描述像素间关系,即差分像素邻接矩阵(SPAM)特征。SPAM特征能够反映JPEG-seam carving中的JPEG前处理操作在图像中留下的痕迹。并结合第三章提出的基于能量以及基于块的统计分布特征来描述图像经过篡改后的差异。实验证明,该算法能够有效区分原始图像、seam carving篡改图像以及经历前处理JPEG压缩的seam carving的三类图像,另外,还提高了算法检测性能的稳定性,并且保证了较高的检测率,即使在缩放比例较小时,检测精度也没有较大损失。