在之前的文章中( 图像篡改检测和定位(一) )，我们谈到图像篡改检测的几种方法，在这里我们主要讨论整个体系的框架里面不同的算法各自的优势，以及存在的问题。

我们可以根据经验大致把图像篡改检测一般性方法归纳为Fig-1所示的三个主要步骤：(1)输入图像预处理；(2)特征提取器；(3)特征输出后处理。事实上，目前的算法主要都在研究这三个部分。

目前的文章大部是基于CNN模型的算法，这里面有一个共同特征：绝大部分文章都把图像做了分片(切割)处理，这里面显然存在一些问题：(1)切片块在篡改区域的交界处，特征是不明显的；(2)切片块的输出特征向量只能代表切片块自己，一但误判，没有补救措施，结果就是误判；(3)很多文章是没考虑纹理度特征的，事实上纹理度密集区域的篡改特征相对低文理处明显。

2.Related Work

A.预处理(Pre-processing)

图像的预处理方法有很多，归结来说这些模型的作用都是在抑制图像内容，提取残差噪声。

预处理的文章有两个类别：(1)静态滤波器(手工设计)；(2)动态滤波器(CNN模型)；

静态滤波器有很多了，中值滤波MFR(median filter residual) [4]，相机是别的PRNU噪声(photo response non-uniformity noise) [5]，重采样滤波器[6]、[7]，还有图像隐写分析里面用的SRM(steganalytic features)[8]。下面主要看看动态预处理。

Belhassen Bayar 和 Matthew C. Stamm应该是最早提出的动态预处理层的作者了，随后他们在系列的领域(相机模型识别、图像后处理、图像篡改检测)里面开始疯狂地发文章，用的都是一套模型。

这篇文章作为这个方向的终结发在2018年的TIFS里面，应该是很成功的，而这两位作者从2015年就开始用这个idea发文章了。

这篇文章主要解决后处理操作的检测，包括了：Median filtering (MF)，Gaussian Blurring (GB)，Additive White Gaussian Noise，Resampling，JPEG compression。不得不说，文章写得真的好，motivation阐述严谨、实验部分做的非常完备。

文章的思想也朴素的不能再朴素，在预处理层强制地让CNN内核除中心点为1，然后令中心点为-1，也就是类似归一化处理。作者声称是在模仿静态过滤器做的事情，那么到底先有鸡还是先有蛋？？这么做真的有变好吗？这些都是问题。

还是Belhassen Bayar 和 Matthew C. Stamm的文章，换了个话题，采用了2中方法融合预处理，MFR(Median Filter Residual)和他们提出来的Constrained CNN。换汤不换药，一样的效果，不一样的问题。

目前，动态预处理的文章就只有他们的。

B.特征提取(Feature Extraction)

C.特征后处理(Post-processing)

图像篡改检测最难的地方就在于整张图像中篡改块的定位，因为定位是像素级别(pixel-level)，不同于检测是图像级别(image-level)。另一方面，不谈整张图像(full image level)篡改区域定位，单单看单个切片块(patch level)的正确率，很多文章都正确率都是95%以上，事实上这种意义相对较小。

那么常见后处理，有几种方法呢？简单地可以分为：(1)单特征提取器融合；(2)多特征提取器融合。

单特征提取融合算法只能检测一种篡改方式；多特征提取器融合主要为了解决多个篡改数据(Copy-Move，Splicing，Removal等等)。

Tampering Detection and Localization through Clustering of Camera-Based CNN Features[9]

还是这篇文章，只用了CNN作为输入特征，期间考虑CNN向量中对每个类别的置信度、纹理度特征、以及融合后的密度系数。

提取的特征简洁、分析的数据很有依据，算法效果也是很好。

Image Forgery Localization via Integrating Tampering Possibility Maps[10]

这篇文章在motivation里面详细讲到了两种检测算法：Splicing和Copy-Move的检测算法，于是作者把CNN+PatchMatch放入特征提取器里面，最后做一步阈值处理决定这张图属于Splicing还是Copy-Move，不同的类别参考的权重系数不一样。

所以文章能够检测多种算法：

但是文章存在比较大的问题是运行速度慢，作者也在文章中阐述特征包含18157维，执行速度比较慢。

4. Conclusion

wait…