论文部分内容阅读
摘 要：为了解决当前篡改图像的检测算法主要依靠单一的特征进行描述以及欧几里德距离进行匹配，导致篡改图像的检测率较低的问题，以及在对图像复制粘贴后进行一系列后处理操作的篡改图像检测时，容易出现匹配错误和鲁棒性差的问题，采用一种多距离特征匹配的篡改图像检测算法。首先，对获取到的图像提取尺度不变特征变换（SIFT）特征，在SIFT特征待描述区域的基础上，提取具有权值旋转不变均匀性的局部二值模式（LBP）特征，构成特征描述子;其次，分别计算描述子之间的标准欧几里德距离、相关距离以及汉明距离，通过多距离匹配改进g2nn算法进行特征的初次匹配;最后，通过凝聚型分层特征聚类以及随机一致性（RANSAC）算法去除存在的错误匹配点，完成篡改图像的检测。在MICC F220图像数据库上进行了测试，实验结果表明，与当前2种主流算法相比，总体准确率分别提高了2.86%和2.11%，对于缩放、旋转以及缩放+旋转的后处理均具有很好的鲁棒性，是一种研究复制粘贴后进行缩放和旋转后处理的篡改图像检测的有效方法。
关键词：篡改图像检测;尺度不变特征变换;局部二值模式;多距离;特征匹配
中图分类号：TP 391 文献标志码：A
DOI：10.13800/j.cnki.xakjdxxb.2019.0414 文章编号：1672-9315（2019）04-0665-07
Abstract： In order to solve the problem that the detection algorithm of the current tampering image relies mainly on a single feature to describe and the Euclidean distance to match， the detection rate of the tampering image is comparatively low， and matching errors and poor robustness are prone to occur when a series of post processing tampering images are detected after copy paste images， a multi distance feature matching detection algorithm is used in this paper. Firstly， the scale invariant feature transform （SIFT） feature was extracted from the acquired image， and the local binary patterns （LBP） feature with the rotation invariance uniformity of the weight was extracted on the basis of the SIFT region to be described， so the feature descriptor was constructed. Secondly， the standard Euclidean distance， correlation distance and hamming distance were calculated respectively， and G2NN algorithm was improved by multi distance matching to perform the initial match of the feature. Finally， mismatched points were removed by condensed hierarchical feature clustering and random sample consensus （RANSAC） algorithm to complete tampering image detection.The test was carried out on the MICC F220 image database with the result that the overall accuracy of the proposed algorithm is improved by 2.86% and 2.11% respectively compared with the two mainstream algorithms available. It is robust to scaling， rotation and scaling and rotation post processing. It is an effective method to detect tampering image detection after copying and pasting and then performing scaling and rotation processing.
Key words：tampering image detection;SIFT;LBP;multi distance;feature matching
0 引 言
由于Adobe Photoshop、CorelDraw等類似图像处理软件的广泛应用，生活中到处存在图像篡改的情况，但是仅仅通过肉眼无法辨认图像是否真实，这就带来了很多数字图像的安全问题，所以篡改图像的检测问题得到了人们密切关注。当前篡改图像的检测方式主要分为2种：主动检测方式和被动检测方式[1]，由于主动检测方式存在大量的技术限制，所以被动检测方式得到了广泛应用。 复制粘贴篡改是生活中最常见的图像篡改方式，通常在复制粘贴之后，为了使篡改图像更加接近真实图像会再进行一系列的后处理，如模糊、压缩、加噪声等[2]。
复制粘贴篡改图像的检测方法可以分为如下2类：基于特征点的检测方法[3]和基于图像块的检测方法[4]，基于特征点的检测方法在匹配率以及应对一系列后处理篡改方式的抵抗力等方面均优于基于块的检测方法。Lowe等人提出的SIFT算法[5]，在空间尺度中寻找极值点，同时提取其尺度、位置和旋转不变量，以提取图像中的局部特征，其缺点是匹配率不高并且对于多次篡改图像无法准确提取特征点。在SIFT算法的基础上，Amerini等人改进了SIFT中的匹配算法[6]，采用g2nn的匹配方式，并且有效地去除误匹配，降低了比较对象数目，检测效率提高，其缺点是对于旋转等篡改方式检测效率较低。Bay等人提出SURF（speeded up robust features）算法[7]，改进了特征的提取和描述方式，以一种更具有实时性的方式实现特征的提取和描述，但是SURF算法的精度稍差于SIFT算法。在SURF算法的基础上，Y.Zhu改进了特征提取算法[8]，增加旋转不变的LBP特征，提高了算法的检测准确率，其缺点是对于大幅度的尺度和旋转变化等篡改方式的匹配和检测效果不佳。SIFT和SURF算法都广泛应用于机器人地图感知与导航、3D模型建立、目标跟踪、图像检索和图像匹配等領域[9-11]。
针对SIFT算法的不足，提出一种多距离特征匹配的篡改图像检测算法，在提取特征阶段除了原有的SIFT特征，又引入旋转不变均匀性的LBP特征，结合起来构成特征描述子，并且采用基于多距离匹配的改进G2NN算法，用凝聚型分层聚类处理，最后使用RANSAC算法消除误匹配，对于经过复制粘贴后缩放、旋转的篡改图像可以得到很好的匹配效果和检测率，并且对于缩放和旋转的后处理也有很好的鲁棒性。
1 SIFT特征提取
SIFT算法的实质是构造多尺度空间，并在其上寻找SIFT关键点，计算出方向，去除低对比度的点和边缘响应点，基于SIFT的篡改图像特征点提取过程如下[12]
1.1 尺度空间构造
计算完3个距离D1，D2，D3后，分别循环2近邻准则进行搜索，对于每个特征点，如果对应的3个距离向量中至少有2个距离符合G2NN算法的匹配条件，那么表明该特征点为篡改点，否则不是篡改点。
改进后完整算法的步骤如下
1）提取图像的SIFT特征;
2）在SIFT特征的基础上，提取旋转不变均匀性的LBP特征，二者结合构成特征描述子;
3）采用多距离（标准欧几里德距离、相关距离和汉明距离）的G2NN算法进行特征的初始匹配;
4）对初始匹配点集进行凝聚型分层聚类[22]，若聚类后点集中点的个数大于3进行下一步，否则图像未经过篡改;
5）去除误匹配。在聚类后形成的2个点集中使用RANSAC算法[23]，若匹配对数大于等于3，图像经过篡改，否则图像未经过篡改。
4 测试结果及分析
实验是在Windows 10操作系统下采用MATLAB软件环境下进行的。为了测试所提出算法的性能，在MICC F220图像库中[24]进行实验，该图像数据集包含了经过复制粘贴、缩放和旋转后处理的篡改图像以及原始图像，共有220张图片，其中110张是原始图片，110张是篡改图片。同时将文中方法与文献[6]和文献[8]中的方法进行对比来证明其优越性。
4.1 不同算法对篡改图像的检测结果
对复制粘贴、缩放以及旋转的篡改图像分别进行了实验，复制粘贴篡改图像的检测结果如图2所示，对复制区域进行缩放操作，其检测结果如图3所示，对复制区域进行缩放和旋转操作，其检测结果如图4所示，表1为3种算法篡改检测性能的比较。
从图2，图3和图4可以看出，文献[6]中会产生误匹配点，文献[8]中匹配点则过少，其中图2（c）、图3（c）和图4（c）中的误匹配点过多，图4（d）中根本没有检测出篡改图像，但是对于3幅篡改图像，文中算法均具有较好的检测效果。为了更准确地表示测试图像库MICC F220中的篡改检测性能，由表1可知，无论是从真阳性率、真阴性率以及总体准确率来看，文中算法都是最高的，真阳性率比其它2种算法分别提高了2.16%和174%，真阴性率提高了2.12%和1.43%，总体准确率提高了2.86%和2.11%.这是因为文中算法在增加了标准欧几里德距离、相关距离以及汉明距离的度量改进了G2NN算法，确保了正确匹配点，并且采用RANSAC算法有效去除误匹配点，从而提升了总体检测准确率。文献[6]提取SIFT特征，并且用欧几里德距离进行匹配，最后采用分层聚类和RANSAC算法，由于SIFT特征描述符维度较高，并且欧几里德距离匹配过于单一，导致算法会产生较多的误匹配点，总体检测准确率降低。文献[8]采用SURF特征点检测，再提取旋转不变的LBP特征进行匹配，由于SURF对于大幅度缩放和旋转操作的篡改方式的匹配和检测效果不佳，导致总体检测准确率也不高。
4.2 鲁棒性评价
为了评估不同算法对缩放操作和旋转操作的鲁棒性，对不同缩放比例和旋转角度进行了检测，表2为3种算法在缩放、旋转以及缩放+旋转的不同情况下真阳性率TPR的比较。
从表2可知，在缩放比例为0.5，1，1.5和2以及旋转角度为15°，30°，45°和60°的情况下，随着缩放比例以及旋转角度的增大，3种算法的真阳性率均依次递减，在缩放和旋转的混合篡改下，真阳性率相较于单一的缩放和旋转篡改均有所下降，并且可知文献[6]算法对于旋转操作较为敏感，文献[8]算法对于较大的缩放比例和旋转角度较为敏感。总体来说，文献[6]算法的真阳性率最低，文中算法的真阳性率最高。这是因为文中算法采用了旋转不变均匀性的LBP特征与SIFT特征相结合的描述子，该特征描述子很好地避免了高斯模糊和邻域角度的归零，并且采用增加了距离度量的G2NN算法，对于缩放、旋转以及缩放+旋转的后处理均具有很好的鲁棒性。 5 结 论
1）将SIFT特征与旋转不变均匀性的LBP特征结合构成特征描述子，可以很好地描述篡改图像特征，并且为后续的特征匹配奠定基础。
2）引入标准欧几里德距离、相关距离和汉明距离的多距离进行特征匹配，在保证匹配精度的基础上，降低了误匹配率。
3）此篡改图像的检测算法对于MICC F220数据库中缩放和旋转的后处理具有很好的鲁棒性，并且有很好的匹配效果及检测率。
4）文中算法对于其它后处理篡改方式的检测效果不是很好，算法的实时性还有待提高，后续研究重点将放在保证对于模糊、压缩等其他篡改方式的检测基础上提高算法的实时性。
参考文献（References）：
[1] Korus P，Huang J.Multi scale fusion for improved localization of malicious tampering in digital images[J].IEEE Transactions on Image Processing，2016，25（3）：1312-1326.
[2]赵超然.基于超像素分割的图像拼接定位检测算法研究[D].长春：吉林大学，2018.
ZHAO Chao ran.Research on image splicing localization algorithm based on super pixel segmentation[D].Changchun：Jilin University，2018.
[3]周学花.基于特征点的复制-粘贴篡改图像盲鉴别与定位算法研究[D].长春：吉林大学，2018.
ZHOU Xue hua.Research on blind identification and localization algorithm of copy move forgery image based on key point[D].Changchun：Jilin University，2018.
[4]彭小洋.基于块特征向量匹配的图像复制-粘贴被动取证算法研究[D].成都：西南交通大学，2018.
PENG Xiao yang.Copy move image forensics algorithm based on block feature vectors matching[D].Chengdu：Southwest Jiaotong University，2018.
[5]Lowe D G.Distinctive image features from scale invariant key points[J].International Journal of Computer Vision，2004，60（2）：91-110.
[6]Amerini I，Ballan L，Caldelli R，et al.A SIFT based forensic method for copy move attack detection and transformation recovery[J].IEEE Transactions on Information Forensics and Security，2011，6（3）：1099-1110.
[7]Bay H，Ess A，Tuytelaars T，et al.SURF：speeded up robust features[J].Computer Vision and Image Understanding，2008，110（3）：346-359.
[8]Zhu Y，Ng T，Wen B，et al.Copy move forgery detection in the presence of similar but genuine objects[C]//2017 IEEE 2nd International Conference on Signal and Image Processing（ICSIP），Singapore，2017：25-29.
[9]陈 敏，汤晓安.SIFT与SURF特征提取算法在图像匹配中的应用对比研究[J].现代电子技术，2018，41（7）：41-44.
CHEN Min，TANG Xiao an.Comparison study on application of SIFT and SURF feature extraction algorithms in image matching[J].Modern Electronics Technique，2018，41（7）：41-44.
[10]杜振龙，杨 凡，李晓丽，等.利用SIFT特征的非对称匹配图像拼接盲检测[J].中国图象图形学报，2013，18（4）：442-449.
DU Zhen long，YANG Fan，LI Xiao li，et al.Forgery image blind detection by asymmetric search based on SIFT[J].Journal of Image and Graphics，2013，18（4）：442-449.
[11]李 巖，刘 念，张 斌，等.图像镜像复制粘贴篡改检测中的FI SURF算法[J].通信学报，2015，36（5）：58-69.
LI Yan，LIU Nian，ZHANG Bin，et al.FI SURF algorithm for image copy flip move forgery detection[J].Journal on Communications，2015，36（5）：58-69. [12]李昆仑，孙 硕.基于改进SIFT算法的图像复制粘贴篡改检测[J].计算机科学，2016，43（6A）：179-183.
LI Kun lun，SUN Shuo.Image copy paste tampering detection based on improved SIFT algorithm[J].Computer Science，2016，43（6A）：179-183.
[13]Swapnil H K，Avinash D G.Copy Move attack forgery detection by using SIFT[J].International Journal of Innovative Technology and Exploring Engineering，2013，2（5）：221-224.
[14]Shahroudnejad A，Rahmati M.Copy move forgery detection in digital images using affine SIFT[C]//2016 2nd International Conference of Signal Processing and Intelligent Systems（ICSPIS），Tehran，2016：1-5.
[15]柴建伟，刘 婷.改进的SIFT耦合特征点集群的图像伪造检测算法[J].西南师范大学学报（自然科学版），2018，43（3）：34-41.
CHAI Jian wei，LIU Ting.Image forgery detection algorithm based on improved SIFT coupled feature point clustering[J].Journal of Southwest China Normal University（Natural Science Edition），2018，43（3）：34-41.
[16]刘 丽，谢毓湘，魏迎梅，等.局部二进制模式方法综述[J].中国图象图形学报，2014，19（12）：1696-1720.
LIU Li，XIE Yu xiang，WEI Ying mei，et al.Survey of local binary pattern method[J].Journal of Image and Graphics，2014，19（12）：1696-1720.
[17]邓少闻，罗代升，郭 崇.多尺度LBP耦合K-D树的图像伪造盲检测算法[J].计算机工程与设计，2017，38（5）：1307-1313.
DENG Shao wen，LUO Dai sheng，GUO Chong.Image forgery blind detection algorithm based on multi scale LBP coupled K D tree[J].Computer Engineering and Design，2017，38（5）：1307-1313.
[18]郭继昌，王秋子，赵 洁，等.一种基于LBP和马尔科夫特征的细缝裁剪取证方法[J].电子科技大学学报，2018，47（4）：481-485.
GUO Ji chang，WANG Qiu zi，ZHAO Jie，et al.A method of seam carving forensics based on LBP and Markov features[J].Journal of University of Electronic Science and Technology，2018，47（4）：481-485.
[19]郑永斌，黄新生，丰松江.SIFT和旋转不变LBP相结合的图像匹配算法[J].计算机辅助设计与图形学学报，2010，22（2）：286-292.
ZHENG Yong bin，HUANG Xin sheng，FENG Song jiang.An image matching algorithm based on combination of SIFT and the rotation invariant LBP[J].Journal of Computer Aided Design & Computer Graphics，2010，22（2）：286-292.
[20]邵 虹，朱 虹，崔文成.抗翻转、旋转和缩放攻击的图像区域复制篡改检测[J].计算机辅助设计与图形学学报，2015，27（1）：157-165.
SHAO Hong，ZHU Hong，CUI Wen cheng.Detection of image region duplication forgery affected by flipping，rotation and scaling[J].Journal of Computer Aided Design & Computer Graphics，2015，27（1）：157-165.
[21]陈辉映，张大兴，杨珊珊，等.基于SURF的图像多区域复制粘贴篡改检测[J].计算机工程与设计，2018，39（8）：2593-2597.
CHEN Hui ying，ZHANG Da xing，YANG Shan shan，et al.Image multiple copy move forgery detection based on SURF algorithm[J].Computer Engineering and Design，2018，39（8）：2593-2597.
[22]甘 玲，周 燦，李大港.一种采用点匹配的图像区域复制粘贴篡改检测方法[J].小型微型计算机系统，2017，38（7）：1631-1635.
GAN Ling，ZHOU Can，LI Da gang.Method of digital image region copy move forgery detection using point matching[J].Journal of Chinese Computer Systems，2017，38（7）：1631-1635.
[23]杨雨薇，张亚萍.一种改进的SIFT图像检测与特征匹配算法[J].云南大学学报（自然科学版），2017，39（3）：376-384.
YANG Yu wei，ZHANG Ya ping.An improved SIFT image detection and feature matching algorithm[J].Journal of Yunnan University（Natural Science Edition），2017，39（3）：376-384.
[24]Li J，Li X，Yang B，et al.Segmentation based image copy move forgery detection scheme[J].IEEE Transactions on Information Forensics and Security，2015，10（3）：507-518.
[25]汪 磊，曾宪庭，苏金阳.一种基于多域特征的JPEG图像隐写分析算法[J].计算机科学，2014，41（6）：94-98.
WANG Lei，ZENG Xian ting，SU Jin Yang.Steg analysis based on multi domain features for JPEG images[J].Computer Science.2014，41（6）：94-98.
关键词：篡改图像检测;尺度不变特征变换;局部二值模式;多距离;特征匹配
中图分类号：TP 391 文献标志码：A
DOI：10.13800/j.cnki.xakjdxxb.2019.0414 文章编号：1672-9315（2019）04-0665-07
Abstract： In order to solve the problem that the detection algorithm of the current tampering image relies mainly on a single feature to describe and the Euclidean distance to match， the detection rate of the tampering image is comparatively low， and matching errors and poor robustness are prone to occur when a series of post processing tampering images are detected after copy paste images， a multi distance feature matching detection algorithm is used in this paper. Firstly， the scale invariant feature transform （SIFT） feature was extracted from the acquired image， and the local binary patterns （LBP） feature with the rotation invariance uniformity of the weight was extracted on the basis of the SIFT region to be described， so the feature descriptor was constructed. Secondly， the standard Euclidean distance， correlation distance and hamming distance were calculated respectively， and G2NN algorithm was improved by multi distance matching to perform the initial match of the feature. Finally， mismatched points were removed by condensed hierarchical feature clustering and random sample consensus （RANSAC） algorithm to complete tampering image detection.The test was carried out on the MICC F220 image database with the result that the overall accuracy of the proposed algorithm is improved by 2.86% and 2.11% respectively compared with the two mainstream algorithms available. It is robust to scaling， rotation and scaling and rotation post processing. It is an effective method to detect tampering image detection after copying and pasting and then performing scaling and rotation processing.
Key words：tampering image detection;SIFT;LBP;multi distance;feature matching
0 引 言
由于Adobe Photoshop、CorelDraw等類似图像处理软件的广泛应用，生活中到处存在图像篡改的情况，但是仅仅通过肉眼无法辨认图像是否真实，这就带来了很多数字图像的安全问题，所以篡改图像的检测问题得到了人们密切关注。当前篡改图像的检测方式主要分为2种：主动检测方式和被动检测方式[1]，由于主动检测方式存在大量的技术限制，所以被动检测方式得到了广泛应用。 复制粘贴篡改是生活中最常见的图像篡改方式，通常在复制粘贴之后，为了使篡改图像更加接近真实图像会再进行一系列的后处理，如模糊、压缩、加噪声等[2]。
复制粘贴篡改图像的检测方法可以分为如下2类：基于特征点的检测方法[3]和基于图像块的检测方法[4]，基于特征点的检测方法在匹配率以及应对一系列后处理篡改方式的抵抗力等方面均优于基于块的检测方法。Lowe等人提出的SIFT算法[5]，在空间尺度中寻找极值点，同时提取其尺度、位置和旋转不变量，以提取图像中的局部特征，其缺点是匹配率不高并且对于多次篡改图像无法准确提取特征点。在SIFT算法的基础上，Amerini等人改进了SIFT中的匹配算法[6]，采用g2nn的匹配方式，并且有效地去除误匹配，降低了比较对象数目，检测效率提高，其缺点是对于旋转等篡改方式检测效率较低。Bay等人提出SURF（speeded up robust features）算法[7]，改进了特征的提取和描述方式，以一种更具有实时性的方式实现特征的提取和描述，但是SURF算法的精度稍差于SIFT算法。在SURF算法的基础上，Y.Zhu改进了特征提取算法[8]，增加旋转不变的LBP特征，提高了算法的检测准确率，其缺点是对于大幅度的尺度和旋转变化等篡改方式的匹配和检测效果不佳。SIFT和SURF算法都广泛应用于机器人地图感知与导航、3D模型建立、目标跟踪、图像检索和图像匹配等領域[9-11]。
针对SIFT算法的不足，提出一种多距离特征匹配的篡改图像检测算法，在提取特征阶段除了原有的SIFT特征，又引入旋转不变均匀性的LBP特征，结合起来构成特征描述子，并且采用基于多距离匹配的改进G2NN算法，用凝聚型分层聚类处理，最后使用RANSAC算法消除误匹配，对于经过复制粘贴后缩放、旋转的篡改图像可以得到很好的匹配效果和检测率，并且对于缩放和旋转的后处理也有很好的鲁棒性。
1 SIFT特征提取
SIFT算法的实质是构造多尺度空间，并在其上寻找SIFT关键点，计算出方向，去除低对比度的点和边缘响应点，基于SIFT的篡改图像特征点提取过程如下[12]
1.1 尺度空间构造
计算完3个距离D1，D2，D3后，分别循环2近邻准则进行搜索，对于每个特征点，如果对应的3个距离向量中至少有2个距离符合G2NN算法的匹配条件，那么表明该特征点为篡改点，否则不是篡改点。
改进后完整算法的步骤如下
1）提取图像的SIFT特征;
2）在SIFT特征的基础上，提取旋转不变均匀性的LBP特征，二者结合构成特征描述子;
3）采用多距离（标准欧几里德距离、相关距离和汉明距离）的G2NN算法进行特征的初始匹配;
4）对初始匹配点集进行凝聚型分层聚类[22]，若聚类后点集中点的个数大于3进行下一步，否则图像未经过篡改;
5）去除误匹配。在聚类后形成的2个点集中使用RANSAC算法[23]，若匹配对数大于等于3，图像经过篡改，否则图像未经过篡改。
4 测试结果及分析
实验是在Windows 10操作系统下采用MATLAB软件环境下进行的。为了测试所提出算法的性能，在MICC F220图像库中[24]进行实验，该图像数据集包含了经过复制粘贴、缩放和旋转后处理的篡改图像以及原始图像，共有220张图片，其中110张是原始图片，110张是篡改图片。同时将文中方法与文献[6]和文献[8]中的方法进行对比来证明其优越性。
4.1 不同算法对篡改图像的检测结果
对复制粘贴、缩放以及旋转的篡改图像分别进行了实验，复制粘贴篡改图像的检测结果如图2所示，对复制区域进行缩放操作，其检测结果如图3所示，对复制区域进行缩放和旋转操作，其检测结果如图4所示，表1为3种算法篡改检测性能的比较。
从图2，图3和图4可以看出，文献[6]中会产生误匹配点，文献[8]中匹配点则过少，其中图2（c）、图3（c）和图4（c）中的误匹配点过多，图4（d）中根本没有检测出篡改图像，但是对于3幅篡改图像，文中算法均具有较好的检测效果。为了更准确地表示测试图像库MICC F220中的篡改检测性能，由表1可知，无论是从真阳性率、真阴性率以及总体准确率来看，文中算法都是最高的，真阳性率比其它2种算法分别提高了2.16%和174%，真阴性率提高了2.12%和1.43%，总体准确率提高了2.86%和2.11%.这是因为文中算法在增加了标准欧几里德距离、相关距离以及汉明距离的度量改进了G2NN算法，确保了正确匹配点，并且采用RANSAC算法有效去除误匹配点，从而提升了总体检测准确率。文献[6]提取SIFT特征，并且用欧几里德距离进行匹配，最后采用分层聚类和RANSAC算法，由于SIFT特征描述符维度较高，并且欧几里德距离匹配过于单一，导致算法会产生较多的误匹配点，总体检测准确率降低。文献[8]采用SURF特征点检测，再提取旋转不变的LBP特征进行匹配，由于SURF对于大幅度缩放和旋转操作的篡改方式的匹配和检测效果不佳，导致总体检测准确率也不高。
4.2 鲁棒性评价
为了评估不同算法对缩放操作和旋转操作的鲁棒性，对不同缩放比例和旋转角度进行了检测，表2为3种算法在缩放、旋转以及缩放+旋转的不同情况下真阳性率TPR的比较。
从表2可知，在缩放比例为0.5，1，1.5和2以及旋转角度为15°，30°，45°和60°的情况下，随着缩放比例以及旋转角度的增大，3种算法的真阳性率均依次递减，在缩放和旋转的混合篡改下，真阳性率相较于单一的缩放和旋转篡改均有所下降，并且可知文献[6]算法对于旋转操作较为敏感，文献[8]算法对于较大的缩放比例和旋转角度较为敏感。总体来说，文献[6]算法的真阳性率最低，文中算法的真阳性率最高。这是因为文中算法采用了旋转不变均匀性的LBP特征与SIFT特征相结合的描述子，该特征描述子很好地避免了高斯模糊和邻域角度的归零，并且采用增加了距离度量的G2NN算法，对于缩放、旋转以及缩放+旋转的后处理均具有很好的鲁棒性。 5 结 论
1）将SIFT特征与旋转不变均匀性的LBP特征结合构成特征描述子，可以很好地描述篡改图像特征，并且为后续的特征匹配奠定基础。
2）引入标准欧几里德距离、相关距离和汉明距离的多距离进行特征匹配，在保证匹配精度的基础上，降低了误匹配率。
3）此篡改图像的检测算法对于MICC F220数据库中缩放和旋转的后处理具有很好的鲁棒性，并且有很好的匹配效果及检测率。
4）文中算法对于其它后处理篡改方式的检测效果不是很好，算法的实时性还有待提高，后续研究重点将放在保证对于模糊、压缩等其他篡改方式的检测基础上提高算法的实时性。
参考文献（References）：
[1] Korus P，Huang J.Multi scale fusion for improved localization of malicious tampering in digital images[J].IEEE Transactions on Image Processing，2016，25（3）：1312-1326.
[2]赵超然.基于超像素分割的图像拼接定位检测算法研究[D].长春：吉林大学，2018.
ZHAO Chao ran.Research on image splicing localization algorithm based on super pixel segmentation[D].Changchun：Jilin University，2018.
[3]周学花.基于特征点的复制-粘贴篡改图像盲鉴别与定位算法研究[D].长春：吉林大学，2018.
ZHOU Xue hua.Research on blind identification and localization algorithm of copy move forgery image based on key point[D].Changchun：Jilin University，2018.
[4]彭小洋.基于块特征向量匹配的图像复制-粘贴被动取证算法研究[D].成都：西南交通大学，2018.
PENG Xiao yang.Copy move image forensics algorithm based on block feature vectors matching[D].Chengdu：Southwest Jiaotong University，2018.
[5]Lowe D G.Distinctive image features from scale invariant key points[J].International Journal of Computer Vision，2004，60（2）：91-110.
[6]Amerini I，Ballan L，Caldelli R，et al.A SIFT based forensic method for copy move attack detection and transformation recovery[J].IEEE Transactions on Information Forensics and Security，2011，6（3）：1099-1110.
[7]Bay H，Ess A，Tuytelaars T，et al.SURF：speeded up robust features[J].Computer Vision and Image Understanding，2008，110（3）：346-359.
[8]Zhu Y，Ng T，Wen B，et al.Copy move forgery detection in the presence of similar but genuine objects[C]//2017 IEEE 2nd International Conference on Signal and Image Processing（ICSIP），Singapore，2017：25-29.
[9]陈 敏，汤晓安.SIFT与SURF特征提取算法在图像匹配中的应用对比研究[J].现代电子技术，2018，41（7）：41-44.
CHEN Min，TANG Xiao an.Comparison study on application of SIFT and SURF feature extraction algorithms in image matching[J].Modern Electronics Technique，2018，41（7）：41-44.
[10]杜振龙，杨 凡，李晓丽，等.利用SIFT特征的非对称匹配图像拼接盲检测[J].中国图象图形学报，2013，18（4）：442-449.
DU Zhen long，YANG Fan，LI Xiao li，et al.Forgery image blind detection by asymmetric search based on SIFT[J].Journal of Image and Graphics，2013，18（4）：442-449.
[11]李 巖，刘 念，张 斌，等.图像镜像复制粘贴篡改检测中的FI SURF算法[J].通信学报，2015，36（5）：58-69.
LI Yan，LIU Nian，ZHANG Bin，et al.FI SURF algorithm for image copy flip move forgery detection[J].Journal on Communications，2015，36（5）：58-69. [12]李昆仑，孙 硕.基于改进SIFT算法的图像复制粘贴篡改检测[J].计算机科学，2016，43（6A）：179-183.
LI Kun lun，SUN Shuo.Image copy paste tampering detection based on improved SIFT algorithm[J].Computer Science，2016，43（6A）：179-183.
[13]Swapnil H K，Avinash D G.Copy Move attack forgery detection by using SIFT[J].International Journal of Innovative Technology and Exploring Engineering，2013，2（5）：221-224.
[14]Shahroudnejad A，Rahmati M.Copy move forgery detection in digital images using affine SIFT[C]//2016 2nd International Conference of Signal Processing and Intelligent Systems（ICSPIS），Tehran，2016：1-5.
[15]柴建伟，刘 婷.改进的SIFT耦合特征点集群的图像伪造检测算法[J].西南师范大学学报（自然科学版），2018，43（3）：34-41.
CHAI Jian wei，LIU Ting.Image forgery detection algorithm based on improved SIFT coupled feature point clustering[J].Journal of Southwest China Normal University（Natural Science Edition），2018，43（3）：34-41.
[16]刘 丽，谢毓湘，魏迎梅，等.局部二进制模式方法综述[J].中国图象图形学报，2014，19（12）：1696-1720.
LIU Li，XIE Yu xiang，WEI Ying mei，et al.Survey of local binary pattern method[J].Journal of Image and Graphics，2014，19（12）：1696-1720.
[17]邓少闻，罗代升，郭 崇.多尺度LBP耦合K-D树的图像伪造盲检测算法[J].计算机工程与设计，2017，38（5）：1307-1313.
DENG Shao wen，LUO Dai sheng，GUO Chong.Image forgery blind detection algorithm based on multi scale LBP coupled K D tree[J].Computer Engineering and Design，2017，38（5）：1307-1313.
[18]郭继昌，王秋子，赵 洁，等.一种基于LBP和马尔科夫特征的细缝裁剪取证方法[J].电子科技大学学报，2018，47（4）：481-485.
GUO Ji chang，WANG Qiu zi，ZHAO Jie，et al.A method of seam carving forensics based on LBP and Markov features[J].Journal of University of Electronic Science and Technology，2018，47（4）：481-485.
[19]郑永斌，黄新生，丰松江.SIFT和旋转不变LBP相结合的图像匹配算法[J].计算机辅助设计与图形学学报，2010，22（2）：286-292.
ZHENG Yong bin，HUANG Xin sheng，FENG Song jiang.An image matching algorithm based on combination of SIFT and the rotation invariant LBP[J].Journal of Computer Aided Design & Computer Graphics，2010，22（2）：286-292.
[20]邵 虹，朱 虹，崔文成.抗翻转、旋转和缩放攻击的图像区域复制篡改检测[J].计算机辅助设计与图形学学报，2015，27（1）：157-165.
SHAO Hong，ZHU Hong，CUI Wen cheng.Detection of image region duplication forgery affected by flipping，rotation and scaling[J].Journal of Computer Aided Design & Computer Graphics，2015，27（1）：157-165.
[21]陈辉映，张大兴，杨珊珊，等.基于SURF的图像多区域复制粘贴篡改检测[J].计算机工程与设计，2018，39（8）：2593-2597.
CHEN Hui ying，ZHANG Da xing，YANG Shan shan，et al.Image multiple copy move forgery detection based on SURF algorithm[J].Computer Engineering and Design，2018，39（8）：2593-2597.
[22]甘 玲，周 燦，李大港.一种采用点匹配的图像区域复制粘贴篡改检测方法[J].小型微型计算机系统，2017，38（7）：1631-1635.
GAN Ling，ZHOU Can，LI Da gang.Method of digital image region copy move forgery detection using point matching[J].Journal of Chinese Computer Systems，2017，38（7）：1631-1635.
[23]杨雨薇，张亚萍.一种改进的SIFT图像检测与特征匹配算法[J].云南大学学报（自然科学版），2017，39（3）：376-384.
YANG Yu wei，ZHANG Ya ping.An improved SIFT image detection and feature matching algorithm[J].Journal of Yunnan University（Natural Science Edition），2017，39（3）：376-384.
[24]Li J，Li X，Yang B，et al.Segmentation based image copy move forgery detection scheme[J].IEEE Transactions on Information Forensics and Security，2015，10（3）：507-518.
[25]汪 磊，曾宪庭，苏金阳.一种基于多域特征的JPEG图像隐写分析算法[J].计算机科学，2014，41（6）：94-98.
WANG Lei，ZENG Xian ting，SU Jin Yang.Steg analysis based on multi domain features for JPEG images[J].Computer Science.2014，41（6）：94-98.