ارزيابي كارايي تشخيص جعل كپي - انتقال تصاوير مبتني بر بلاك بندي

Performance evaluation of block-based copy- move image forgery detection algorithms

جعل كپي – انتقال، نوع خاصي از تحريف است كه در آن قسمتي از تصوير كپي شده، در قسمت ديگري از همان تصوير قرار داده مي شود. اين نوع دستكاري به منظور پنهان كردن قطعه ناخواسته يا تكثير يك يا چند شيء در همان تصوير انجام مي­ گيرد. روشهاي متعددي براي تشخيص جعل كپي- انتقال ارائه شده است؛ كه شامل دو روش مبتني بر بلوك و مبتني بر نقاط كليدي است. روش ديگر، تركيب توصيف گرهاي مختلف براي تشخيص نقاط كليدي است. در اين مقاله، يك روش تشخيص جعل كپي- انتقال براساس ويژگيهاي تركيبي ارائه شده است. از تركيب توصيفگرهاي SIFT، KAZE، HOGو Zernike در جهت آشكارسازي جعلهاي كپي – انتقال استفاده مي‌شود. نتايج پياده سازي تركيب توصيفگرها روي تصاوير جعل شده، نشان مي­دهد كه اين نوع تركيب باعث افزايش دقت تشخيص نسبت به استفاده تك تك و دو به دوي توصيفگرها مي­ گردد؛ اما اين كارايي و دقت بالا با هزينه زياد محاسبات به دست مي‌آيد. لذا، در جهت كاهش حجم محاسبات از الگوريتمهاي ژنتيك در جهت بهينه سازي توصيفگرها و از الگوريتم تحليل مولفه اصلي براي كاهش ابعاد ويژگيها استفاده شد، نتايج نشان مي­دهد كه HOG با دقت 93.59 نسبت به ديگر توصيفگرها عملكرد بهتري براي تشخيص نقاط جعل دارد. تركيب چهار توصيفگر موجب مي­ شود تا عملكرد سيستم به ميزان سه درصد نسبت به HOG بهبود يافته و به دقت 96.29 برسد. الگوريتم ژنتيك با انتخاب بهترين ويژگيها به درصد تشخيص 96.94 رسيد. با استفاده از تحليل مولفه اصلي ابعاد ويژگيها به 35 بعد كاهش داده شد كه درصد تشخيص 94.63 به دست آمد.

Copy-move forgery is a particular type of distortion where a part or portions of one image is/are copied to other parts of the same image. This type of manipulation is done to hide a particular part of the image or to copy one or more objects into the same image. There are several methods for detecting copy-move forgery, including block-based and key point-based methods. In this paper, a method for detecting copy-move forgery is presented based on hybrid features such as SIFT, KAZE, HOG, and Zernike descriptors. The experimental results of the combinational of these descriptors on the forged images show that this type of combination increases the accuracy of detection than using single and double descriptors; but this high accuracy has the cost of computational time. To reduce the computational time, a Genetic Algorithm (GA) was used to optimize the descriptors and analysis algorithm of the principal component was applied to reduce the dimensions of the features. The results show that the HOG descriptor with a precision of 93.59 has better performance than the other descriptors to detect parts. Combined the four descriptors, the performance of the system is improved by about three percentage in compared with HOG, and reaches a precision of 96.29. The GA as the selector of the best features (six features) achieved the detection rate of 96.94. Using the principal component analysis, the dimensions of the features were reduced to 35, with a detection rate of 94.63.