آمار

تعداد نشریات36
تعداد شماره‌ها1,199
تعداد مقالات8,664
تعداد مشاهده مقاله7,167,640
تعداد دریافت فایل اصل مقاله4,178,195
زارع مهرجردی, فاطمه, لطیف, علی محمد, سرداری زارچی, محسن. (1402). تشخیص جعل در تصاویر دیجیتالی با استفاده از روش یادگیری عمیق ترکیبی. پدافند الکترونیکی و سایبری, 11(4), 99-116.
فاطمه زارع مهرجردی; علی محمد لطیف; محسن سرداری زارچی. "تشخیص جعل در تصاویر دیجیتالی با استفاده از روش یادگیری عمیق ترکیبی". پدافند الکترونیکی و سایبری, 11, 4, 1402, 99-116.
زارع مهرجردی, فاطمه, لطیف, علی محمد, سرداری زارچی, محسن. (1402). 'تشخیص جعل در تصاویر دیجیتالی با استفاده از روش یادگیری عمیق ترکیبی', پدافند الکترونیکی و سایبری, 11(4), pp. 99-116.
زارع مهرجردی, فاطمه, لطیف, علی محمد, سرداری زارچی, محسن. تشخیص جعل در تصاویر دیجیتالی با استفاده از روش یادگیری عمیق ترکیبی. پدافند الکترونیکی و سایبری, 1402; 11(4): 99-116.

تشخیص جعل در تصاویر دیجیتالی با استفاده از روش یادگیری عمیق ترکیبی

پدافند الکترونیکی و سایبری
مقاله 9، دوره 11، شماره 4 - شماره پیاپی 44، اسفند 1402، صفحه 99-116    اصل مقاله (1.59 M)
نوع مقاله: مقاله پژوهشی
نویسندگان
فاطمه زارع مهرجردی1؛ علی محمد لطیف* 2؛ محسن سرداری زارچی3
1استادیار، دانشگاه میبد، میبد، ایران.
2استاد،دانشگاه یزد ، یزد، ایران.
3دانشیار، دانشگاه میبد، میبد، ایران.
تاریخ دریافت: 05 شهریور 1402،  تاریخ بازنگری: 04 آذر 1402،  تاریخ پذیرش: 25 آذر 1402 
چکیده
امروزه از تصاویر به‌عنوان ابزار ارتباطی قوی و منبعی از اطلاعات استفاده می‌شود. تصاویر در برخی از کاربردها مانند پزشکی، قضایی و پزشکی قانونی به‌عنوان مدرک و شاهد استفاده می‌شوند، بنابراین صحت تصویر مهم است. امروزه با گسترش و دردسترس‌بودن ابزارهای ویرایش تصویر، افراد می‌توانند به‌راحتی تصاویر را دست‌کاری کنند. آن‌ها با اضافه‌کردن بخشی به تصویر یا حذف‌کردن بخشی از تصویر و توزیع اطلاعات غلط اهداف و مشکل‌های سیاسی، فرهنگی، اقتصادی و اجتماعی را دنبال می‌کنند. ازاین‌رو تشخیص جعل تصاویر دیجیتال یکی از موضوع‌های مهم و چالش‌برانگیز در حوزه بینایی کامپیوتر است. در این پژوهش هدف شناسایی تصاویر و پیکسل‌های جعلی و سالم با استفاده از شبکه یادگیری عمیق ترکیبی است. در روش پیشنهادی از سه شبکه از پیش آموزش‌داده‌شده VGG16، MobileNet و EfficientNetB0 در سه انشعاب مختلف استفاده‌شده است. برای تشخیص جعل در دو سطح تصویر و پیکسل، ابتدا نقشه‌های ویژگی خروجی سه انشعاب با هم ادغام‌شده و با استفاده از لایه پولینگ میانگین جهانی و لایه امتیازدهی، تصاویر جعل و سالم تشخیص داده می‌شوند. در ادامه با استفاده از نقشه‌های ویژگی ترکیب‌شده از سه انشعاب بر روی تصاویر جعل، یک تصویر نقشه حرارتی ایجاد می‌شود و محدوده پیکسل‌های جعل مشخص می‌شوند. لازم به ذکر است تشخیص پیکسل‌های جعل تنها با استفاده از تصویر نقشه حرارتی ساخته‌شده از شبکه ترکیبی و بدون نیاز به استفاده از تصاویر حقیقی باینری مشخص‌کننده ناحیه جعل در فرآیند آموزش انجام‌شده است. روش پیشنهادی بر روی پایگاه‌داده CoMoFod ارزیابی‌شده است. نتایج ارزیابی‌ها عمل‌کردن مطلوب روش پیشنهادی را در برابر تصاویر جعل با انواع تبدیل‌های هندسی و عملیات پس‌پردازش نشان می‌دهد.
کلیدواژه‌ها
تشخیص تصویر جعل؛ تشخیص پیکسل جعل؛ جعل کپی- انتقال؛ یادگیری عمیق
عنوان مقاله [English]
Forgery detection in digital images using the hybrid deep learning method
نویسندگان [English]
fatemeh zare mehrjardi1؛ ali mohammad latif2؛ mohsen sardari zarchi3
1Assistant Professor, Meybod University, Meybod, Iran.
2Professor, Yazd University, Yazd, Iran.
3Associate Professor, Meybod University, Meybod , Iran.
چکیده [English]
Today, images are used as powerful communication tools and sources of information. In certain applications, such as medicine, justice, and forensics, images serve as evidence. Therefore, the validity of an image is crucial. With the spread and availability of image editing tools, people can easily manipulate images to their advantage. They follow political, cultural, economic, and social issues by adding or removing elements from images, often distributing misinformation. Consequently, forgery detection is one of the most important and challenging topics in the field of computer vision. This research aims to identify forgery and healthy images and pixels using a hybrid deep learning network. In the proposed method, three pre-trained networks—VGG16, MobileNet, and EfficientNetB0—are employed in three different branches. To detect forgery at both the image and pixel levels, the output feature maps from these branches are merged in a concatenate layer. Subsequently, a global average pooling layer and a scoring layer are used to identify forgery and healthy images. Additionally, feature maps combined from the three branches are utilized to create a heat map image for forgery detection. Notably, pixel forgery detection is performed solely using the heat map image generated from the combined network, without relying on ground truth images that specify the forgery area during training. The proposed method is evaluated on the well-known CoMoFod dataset, demonstrating satisfactory performance against forgery images with various geometric transformations and post-processing operations
 
کلیدواژه‌ها [English]
Image forgery detection, Pixel forgery detection, Copy-move forgery, Deep learning
مراجع
  1. B. Abd Warif, A. W. A. Wahab, M. Y. I. Idris, R. Ramli, R., Salleh, S. Shamshirband, & K. K. R. Choo, “Copy-move forgery detection: survey, challenges and future directions,” Journal of Network and Computer Applications, vol. 75, pp. 259-278, 2016, doi: g/10.1016/j.jnca.2016.09.008.
  2. J. Barad, & M. M. Goswami, “Image forgery detection using deep learning: a survey,” In 6th International Conference on Advanced Computing and Communication Systems (ICACCS), pp. 571–576, 2020, doi: 10.1109/ICACCS48705.2020.9074408.
  3. H. Saber, M. A. Khan, & B. G. Mejbel, “A survey on image forgery detection using different forensic approaches,” Advances in Science, Technology and Engineering Systems Journal, vol. 5, no. 3, pp. 361–370, 2020, doi:  10.25046/aj050347.
  4. Zhang, C. Wang, & X. Zhou, “A survey on passive image copy-move forgery detection,” Journal of Information Processing Systems, vol. 14, no. 1, pp. 6-31, 2018, doi: 10.3745/JIPS.02.0078.
  5. A. Zedan, M. M. Soliman, K. M. Elsayed, & H. M. Onsi, “Copy move forgery detection techniques: a comprehensive survey of challenges and future directions,” International Journal of Advanced Computer Science and Applications, vol. 12, no. 7, 2021,
  6. Shwetha, & S. V. Sathyanarayana, “Digital image forgery detection techniques: a survey,” ACCENTS Transactions on Information Security, vol. 2, no. 5, pp. 22–31, 2016, doi: 10.19101/TIS.2017.25003.
  7. Chauhan, D. Kasat, S. Jain, & V. Thakare, “Survey on keypoint based copy-move forgery detection methods on image,” Procedia Computer Science, vol. 85, pp. 206–212, 2016, doi: 10.1016/j.procs.2016.05.213.
  8. Agarwal, D. Khudaniya, A. Gupta, & K. Grover, “Image forgery detection and deep learning techniques: a review,” In 4th International Conference on Intelligent Computing and Control Systems (ICICCS), pp. 1096–1100, IEEE, 2020, doi: 10.1109/ICICCS48265.2020.9121083.
  9. Z. Mehrjardi, A. M. Latif, M. S. Zarchi, & R. Sheikhpour, “A survey on deep learning-based image forgery detection,” Pattern Recognition, vol. 144, pp. 1-31, 2023, doi: 10.1016/j.patcog.2023.109778.
  10. Z. Mehrjardi, A. M. Latif, M. S. Zarchi, ” Copy-Move Forgery Detection and Localization Using Deep Learning,” International Journal of Pattern Recognition and Artificial Intelligence, vol. 37, no. 9, pp. 1-21, 2023, doi: 10.1142/S0218001423520122.
  11. Z. Mehrjardi, A. M. Latif, M. S. Zarchi, “An Optimal Hybrid Method to Detect Copy-move Forgery,” Journal of AI and Data Mining, vol. 11, no. 3, pp. 429-442, 2023, doi: 10.22044/jadm.2023.13166.2453.
  12. Bravo-Solorio, & A. K. Nandi, “Automated detection and localization of duplicated regions affected by reflection, rotation and scaling in image forensics,” Signal Processing, vol. 91, no. 8, pp. 1759–1770, 2011, doi: 10.1016/j.sigpro.2011.01.022.
  13. Diallo, T. Urruty, P. Bourdon, & C. Fernandez-Maloigne, “Robust forgery detection for compressed images using CNN supervision,” Forensic Science International: Reports, vol. 2, pp. 100-112, 2020, doi: 10.1016/j.fsir.2020.100112.
  14. Thakur, & R. Rohilla, “Recent advances in digital image manipulation detection techniques: A brief review,” Forensic Science International, 2020, doi: 10.1016/j.forsciint.2020.110311.
  15. Mohamadian, & A. A. Pouyan, “Detection of duplication forgery in digital images in uniform and non-uniform regions,” 15th International Conference on Computer Modelling and Simulation, pp. 455–460, IEEE, 2013, doi: 10.1109/UKSim.2013.94.
  16. Zhang, Z. Liang, G. Yang, Q. Li, L. Li, & X. Sun, “A robust forgery detection algorithm for object removal by exemplar-based image inpainting,” Multimedia Tools and Applications, vol. 77, no. 10, pp. 11823–11842, 2018, doi: 10.1007/s11042-017-4829-0.
  17. Yang, H. Li, F. Lin, B. Jiang, & H. Zhao, “Constrained R-CNN: a general image manipulation detection model,” In IEEE International Conference on Multimedia and Expo (ICME), pp. 1-6, IEEE, 2020, doi: 10.1109/ICME46284.2020.9102825.
  18. Mahmood, T. Nawaz, R. Ashraf, M. Shah, Z. Khan, A. Irtaza, & Z. Mehmood, “A survey on block-based copy-move image forgery detection techniques,” In International Conference on Emerging Technologies (ICET), pp. 1–6, IEEE, 2015, doi: 10.1109/ICET.2015.7389169.
  19. D. Ferreira, C. B. Ferreira, G. da Cruz Júnior, & F. Soares, “A review of digital image forensics,” Computers & Electrical Engineering, vol. 85, 2020, doi: 10.1016/j.compeleceng.2020.106685.
  20. M. Al-Qureshi, & B. E. Khoo, “Evaluation of copy-move forgery detection: datasets and evaluation metrics,” Multimedia Tools and Applications, vol. 77, no. 24, pp. 31807–31833, 2018, doi: 10.1007/s11042-018-6201-4.
  21. Sharma, & U. Ghanekar, “A hybrid technique to discriminate natural images, computer generated graphics images, spliced, copy move tampered images and authentic images by using features and ELM classifier,” Optik, pp. 470–483, 2018, doi: 10.1016/j.ijleo.2018.07.021.
  22. Hoveida, & A. Shahbahrami, “Evaluating the effectiveness of block-based copy-move forgery detection,” Promotional scientific journal of soft computing, vol. 7, no. 1, pp. 62-79, 2017. (in Persian), doi: 10.22052/7.1.62.
  23. J. Sreelakshmy, & B. C. Kovoor, “Hybrid method for copy-move forgery detection in digital images,” In Proceedings of the International Conference on ISMAC in Computational Vision and Bio-Engineering (ISMAC-CVB), pp. 119–127, 2018, doi: 10.1007/978-3-030-00665-5_13.
  24. Mahmood, Z. Mehmood, M. Shah, & T. Saba, “A robust technique for copy-move forgery detection and localization in digital images via stationary wavelet and discrete cosine transform,” Journal of Visual Communication and Image Representation, vol. 53, pp. 202–214, 2018, doi: 10.1016/j.jvcir.2018.03.015.
  25. Koshy, & S. PraylaShyry, “Copy-move forgery detection and performance analysis of feature detectors,” In International Conference on Communication and Signal Processing (ICCSP), IEEE, pp. 41-45, 2020, doi: 10.1109/ICCSP48568.2020.9182066.
  26. Ouyang, Y. Liu, & M. Liao, “Copy-move forgery detection based on deep learning,” In 10th International Congress on Image and Signal Processing, BioMedical Engineering and Informatics (CISP-BMEI), IEEE, pp. 1–5, 2017, doi: 10.1109/CISP-BMEI.2017.8301940.
  27. A. Elaskily, H. A. Elnemr, A. Sedik, M. M. Dessouky, G. M. El Banby, O. A. Elshakankiry, & F. E. Abd El-Samie, “A novel deep learning framework for copy-move forgery detection in images,” Multimedia Tools and Applications, vol. 79, no. 27, pp. 19167–19192, 2020, doi: 10.1007/s11042-020-08751-7.
  28. Agarwal, & O. P. Verma, “An efficient copy-move forgery detection using deep learning feature extraction and matching algorithm,” Multimedia Tools and Applications, vol. 79, no. 11, pp. 7355–7376, 2020, doi: 10.1007/s11042-019-08495-z.
  29. Rodríguez-Ortega, D. M. Ballesteros, & D. Renza, “Copy-move forgery detection (CMFD) using deep learning for image and video forensics,” Journal of Imaging, vol. 7, no. 3, 2021, doi: 10.3390/jimaging7030059.
  30. Goel, S. Kaur, & R. Bala, “Dual branch convolutional neural network for copy-move forgery detection,” IET Image Processing, vol. 15, no. 3, pp. 656–665, 2021, doi: 10.1049/ipr2.12051.
  31. N. Abbas, M. S. Ansari, M. N. Asghar, N. Kanwal, T. O'Neill, & B. Lee, “Lightweight deep learning model for detection of copy-move image forgery with post-processed attacks,” In IEEE 19th World Symposium on Applied Machine Intelligence and Informatics (SAMI), pp. 125-130, IEEE, 2021, doi: 10.1109/SAMI50585.2021.9378690.
  32. Doegar, M. Dutta, & K. Gaurav, “CNN-based image forgery detection using pre-trained AlexNet model,” International Journal of Computational Intelligence and IoT, 2019, [Online]. Available: https://papers.ssrn.com/sol3/papers.cfm?abstract_id=3355402.
  33. T. H. Majumder, & A. A. Islam, “A tale of a deep learning approach to image forgery detection,” In 5th International Conference on Networking, Systems and Security (NSysS), pp. 1–9, IEEE, 2018, doi: 10.1109/NSysS.2018.8631389.
  34. M. Al_Azrak, A. Sedik, M. I. Dessowky, G. M. El Banby, A. A. Khalaf, A. S. Elkorany, & F. E. Abd. El-Samie, “An efficient method for image forgery detection based on trigonometric transforms and deep learning,” Multimedia Tools and Applications, vol. 79, no. 25, pp. 18221-18243, 2020, doi: 10.1007/s11042-019-08162-3.
  35. Doegar, S. Hiriyannaiah, S. G. Matt, S. K. Gopaliyengar, & M. Dutta, “Image forgery detection based on the fusion of lightweight deep learning models,” Turkish Journal of Electrical Engineering and Computer Sciences, vol. 29, no. 4, pp. 1978–1993, 2021, doi: 10.3906/elk-2005-37.
  36. Tralic, I. Zupancic, S. Grgic, & M. Grgic, “CoMoFoD -new database for copy-move forgery detection,” in Proceedings of 55th International Symposium ELMAR, pp. 49–54, IEEE, 2013.
  37. Amerini, L. Ballan, R. Caldelli, A. Del Bimbo, & G. Serra, “A sift-based forensic method for copy-move attack detection and transformation recovery,” IEEE transactions on information forensics and security, vol. 6, no. 3, pp. 1099–1110, 2011, doi: 10.1109/TIFS.2011.2129512.
  38. Tammina, "Transfer learning using VGG-16 with deep convolutional neural network for classifying images," International Journal of Scientific and Research (IJSRP), vol. 9, no. 10, 2019, doi: 10.29322/IJSRP.9.10.2019.p9420.
  39. G. Howard, M. Zhu, B. Chen, D. Kalenichenko, W. Wang, T. Weyand, & H. Adam, “Mobilenets: Efficient convolutional neural networks for mobile vision applications,” arXiv preprint arXiv:1704.04861, 2017, doi: 10.48550/arXiv.1704.04861.
  40. Tan, & Q. Le, “Efficientnet: Rethinking model scaling for convolutional neural networks,” In International conference on machine learning, pp. 6105-6114, 2019, [Online]. Available:https://proceedings.mlr.press/v97/tan19a/tan19a.pdfChollet, “Deep learning with Python,” Simon and Schuster, 2021, doi: : 10.31211/interacoes.n42.2022.r1.
  41. A. Ghiahban, M. H. Shojaeifard, & A. Amirkhani, “Detection of Slippery Road Conditions using the Road CCTV Images based on the Convolutional Neural Networks and Transfer Learning,” Scientific Journal of Electronic and Cyber Defense, vol. 10, no. 2, pp. 103-114, 2022. (in Persian), dor: 20.1001.1.23224347.1401.10.2.9.5.
  42. T. Y. Hsiao, Y. C. Chang, H. H. Chou, & C. T. Chiu, “Filter-based deep-compression with global average pooling for convolutional networks,” Journal of Systems Architecture. Vol. 95, pp. 9–18, 2019, doi: 10.1016/j.sysarc.2019.02.008
  43. Mahmood, “Copy move forgery detection technique for forensic analysis in digital images,” Mathematical Problems in Engineering. 2016, doi: 10.1155/2016/8713202.
  44. M. F. Hashmi, A. R. Hambarde & A. G. Keskar, “Copy move forgery detection using DWT and SIFT features,” In 13th International conference on intelligent systems design and applications, pp. 188–193, IEEE, 2013, doi: 10.1109/ISDA.2013.6920733
آمار
تعداد مشاهده مقاله: 306
تعداد دریافت فایل اصل مقاله: 196