李小红，王晓霞

(1.天津天狮学院信息科学与工程学院，天津 301700；2.渤海大学信息科学与技术学院，辽宁 锦州 121013)

1 引言

所谓图像篡改，就是通过拼接、粘贴、变换等方式改变原始图像[1]。在云计算网络及其移动设备不断丰富的环境下，大量网络图像面临着被应用软件伪造的可能，产生未知图像篡改。这种经过篡改的图像会令其表达信息失真，严重的会导致安全威胁。例如利用篡改图像欺骗司法调查，灾害鉴定等。图像篡改检测就是根据图像的特征，通过各类算法完成篡改范围的检测确定。图像篡改技术多样发展，使一些伪造图像很难辨别，这也推动了图像篡改检测研究的不断进步。

在当前研究成果中，文献[2]根据拼接取证，基于QDCT域提取得到Markov特征。此方法主要针对拼接篡改进行分析，但是没有充分考虑复制粘贴和尺度变换等篡改情况的适用性。文献[3]基于Y通道DCT系数，创建对应的哈希表，通过哈希表对比确定伪造痕迹。该方法能够达到像素级性能，但是其针对的是剪切篡改场景，且哈希创建时需要依赖原始图像。文献[4]提出了CBAM-RPN卷积网络，用以改善篡改图像的特征提取。该方法能够根据主分支较好的捕获到伪造信息，同时根据次分支捕获到噪音信息。现有研究中，很大一部分是针对某种特定篡改场景进行检测，同时利用图像属性和哈希实现伪造识别。这类方法普遍存在适应性较差，图像格式较为单一，检测精度易受影响等缺点。

由于卷积神经网络(CNN)表现出良好的学习与参数整定优势，使得CNN在图像处理领域被高度重视。CNN能够摆脱属性依赖，且具有更好的普适性。另外，CNN中的卷积结构能够降低深度学习时对资源的消耗，更适合部署于资源宝贵的移动设备端。文献[5]引入CNN，并将其输入设定为非重叠图像区域；文献[6]采取元数据来比较图像在学习网络里的相似性，文献[7]设计了多通道CNN，并在其中提取多梯度特征；文献[8]设计了级联CNN，通过低层的补充学习，改善对复杂特征的处理效果。关于CNN在图像篡改方面的应用研究，当前主要存在以下问题：篡改部分和非篡改部分特征提取；梯度处理对网络学习的影响。这些问题的存在也导致现有检测方法的性能突破。此外，考虑到现有方法CNN网络层过多，产生大量中间参数和结果，使其对部署环境资源有着严格的约束。于是，本文设计了一种剪枝压缩CNN，通过剪枝策略实现网络压缩。经过压缩后的网络具有能够获得更好的训练效果，并且参数与存储消耗都将明显减少。基于剪枝压缩CNN，优化相应的网络层，增强篡改图像特征提取，改善对各类篡改图像的检测效果。

2 剪枝压缩CNN

在CNN网络中，将其学习集标记为D={X={x0，x1，…，xn}，Y={y0，y1，…，yn}}，X为学习网络IN参数，Y为学习网络OUT结果；加权集标记为W，假定CNN中一共包含L层，则其对应的加权集可以表示如下

(1)

这里的Ni表示第i层内包含的加权数量。在进行CNN学习时，需要根据集合W的调整，令集合D达到最低损失。学习过程中，会在各层产生大量的中间数据，对应形成大量的加权，参数的增加引发的复杂度和资源消耗是非线性的，因此，为使其能够适应移动设备端部署要求，本文对其采取剪枝操作。即在保证CNN学习性能的基础上，尽可能的裁剪掉W中冗余加权，使剩余加权具有更高的利用密度。采取网络学习精度作为性能衡量，于是加权裁剪可看做是一个组合优化过程。根据加权集W确定解搜索空间是2W，裁剪加权时最优解约束为

(2)

其中，W′表示剪枝更新后的加权集；K表示W′内的加权数量；Loss(D|W)表示学习集D对应的损失。为了从大量加权中搜索得到最佳组合，根据重要程度对W内元素进行评价，并依次裁掉其中较低评价值。在设计重要程度指标时，考虑到关联程度大的样本在预测下层网络过程中具有更大的优势。于是，先求解网络中神经元关联程度，再对其进行由大到小排序，选择部分较大值作为激活值。该筛选过程可以描述为图1。其中，i层包含的神经元数量是ni，向j层传递的结果是Yi。当第j层和第i层内的神经元存在依赖关系时，将两层间的加权表示为Wj，i，它的元素wk，l表示第j层内的神经元k和第i层内的神经元l间的加权关系。

图1 网络层间的传播模型

传播模型中的f(·)表示激活函数，它的具体描述如下

(3)

(4)

根据激活值对学习集内的若干样本采取分割得到I段，激活值落在第m段的概率记做pfi，m，此时，利用(4)求解出激活值对应的熵为

(5)

Ri=abs(E(wk，lyk，l)·H(f)i)

(6)

利用式(6)配合迭代操作来衡量加权，并进行剪枝，能够确保剪枝精度和压缩性能。在迭代过程中，将各层剪枝效果采取横向对比，根据精度和剪枝效果对其进行反馈调整。虽然每次迭代裁掉的加权数量不大，但是有效保证了每次迭代的精度和合理性。假定层i内的加权总数是ni，层i剪枝率时，迭代总数是di。于是，可以计算出每次被裁剪出去的加权个数，公式为

Numi=pini/di

(7)

剪枝压缩CNN的步骤可以描述如下：

1)输入初始CNN模型M0，确定M0的加权矩阵。

2)通过激活值与熵的融合，对学习集内的加权重要程度进行求解，并采取反向排序。

3)开始迭代处理，通过剪枝率控制加权裁剪，同时令其加权归零。

4)利用前一轮结果，在新一轮迭代时采取调整，保证M0的精度损失最小。

5)迭代达到上限或者剪枝压缩结束，输出新的CNN模型Mr。

3 图像篡改检测

在对篡改图像处理的初期，为了尽可能发现图像内的像素区别，本文设计了如下三个原始过滤器

(8)

过滤器设计时要尽可能相似，这样有利于篡改痕迹的识别。基于(8)中的三个过滤器，对其中的每一个经过对称和变换处理，扩展出18个新过滤器。在对称处理时，包含水平对称、垂直对称、对角对称。在旋转处理时，包含90°、180°、270°变换。利用18个过滤器可以得到18个特征图。由于三通道原因，这里累计将会产生54个加权矩阵。其具体描述如下

Wi=[W((3*i-3)mod 18)+1W((3*i-2)mod 18)+1W((3*i-1)mod 18)]

(9)

Wi的i取值为[1,18]。CNN模型加权服从标准差为0.01高斯规则。在CNN模型的卷积层上部署过滤器。当该层采取若干数量的过滤器处理输入时，将会得到相应数量特征索引。此时得到对应的输出如下

(10)

(11)

pooling(·)为池函数。随后进入调节层，在该层限制饱和性。为防止提取特征的恶化，这里通过a和b参数对数据进行线性转化，公式如下

(12)

(13)

式中，T1与T2均代表限定值。当发现两幅图像的相似性符合(13)条件，意味着存在复制粘贴伪造。对pooling池化层采样的图像做傅氏变换，公式如下

(14)

其中，N和K依次代表行、列向量。此时求解出它们的偏差，根据偏差对比，能够判断出是否存在尺度变换篡改。

为了实现篡改定位，这里引入相关度处理。其思想是选择一个图像块Ik(i，j)，对其周围的邻近图像块做相关度分析，利用汉明距离得到相关度公式如下

(15)

当图像块没有发生篡改时，求解出的相关度会明显小于发生篡改时的值，这样，通过相关度比较便可以确定实际的篡改位置。

4 仿真结果分析

仿真数据集采用VOC2007，其中包含3000幅可用于网络学习的图像。基于VOC2007训练CNN模型，考虑到图像篡改检测的需求，通过程序对数据集样本进行任意形式的篡改，用于实际测试。

首先，对本文提出的CNN剪枝压缩性能进行验证。在不同压缩率的情况下，对比了三种(文献[9]、文献[10]和本文)剪枝压缩的效果，结果如图2所示。可以看出，三种方法的曲线趋势一致，压缩率越大，剪枝的准确性就越低。由于压缩率与裁掉的加权呈正相关，所以裁掉的加权与剪枝准确性呈负相关。经过对比，本文方法在同样压缩率的情况下，具有更好的剪枝准确性；分析可以得到，在同样的剪枝准确性时，具有更高的压缩比。在综合衡量压缩率与剪枝准确性后，本文方法能够获得更好的剪枝压缩性能。

图2 剪枝压缩性能对比

然后，对提出的剪枝压缩CNN图像篡改检测性能进行主观验证。图3列举了两种篡改图像场景，(a)～(e)依次描述了用于测试的原始图像、篡改图像，以及三种方法(文献[6]、文献[8]和本文)的检测结果。其中第一幅测试图像中包含了拼接、粘贴、尺度变换篡改，第二幅测试图像中包含了尺度变换篡改。根据篡改检测结果对比，本文方法能够准确判断出图像中的篡改区域，并且能够对篡改区域的边缘进行准确描述，进而判断出篡改区域所属类型，相比其它对比方法，具有更好的主观效果。

图3 图像篡改检测结果主观对比

最后，对提出的剪枝压缩CNN图像篡改检测性能进行客观验证。采取准确度(precision)与F-measure作为评价指标。precision代表检测范围内被正确识别出的伪造像素占比。F-measure代表检测方法准确性与全面性的综合性能，其计算公式为：

(16)

其中，recall表示召回率。F-measure越大，意味着检测的综合性能越出色。

通过对100次检测结果取平均，得到三种方法(文献[6]、文献[8]和本文)的precision、F-measure，以及检测时间结果，如表1所示。

表1 客观结果对比

根据篡改检测的客观实验结果，本文方法的precision指标分别比文献[6]和[8]提高了3.8%和0.7%，F-measure指标分别比文献[6]和[8]提高了15.13%和1.76%。表明本文方法具有更高的检测准确度和更好的检测全面性。另外，由于测试图像包含多种篡改手段，说明本文方法对于不同篡改方式的图像，均具有稳定的检测效果。经过检测时间的对比可以发现，本文方法的检测时间仅为文献[6]的52.67%，文献[8]的16.82%，显著降低了CNN图像篡改检测的时间复杂度。

5 结束语

本文基于CNN模型提出一种图像篡改检测方法，首先针对现有CNN模型层数和参数过多问题，设计了剪枝压缩策略。通过激活值与熵的融合，以及逐层裁剪，合理的裁剪冗余加权。然后针对剪枝压缩CNN，设计了相应的网络层，并对不同的篡改方式和篡改位置进行了分析。最后通过数据集的仿真，验证了本文提出的剪枝策略具有良好的准确度和压缩率；所提的篡改检测方法显著提升了篡改检测的准确性和全面性，能够准确判断出图像中的篡改区域，并且能够对篡改区域的边缘进行准确描述；显著降低了篡改检测时间和复杂度，更适合于移动设备端的部署应用。