Hibrit sinir aðý ile yaklaþýmý ile kopyala-yapýþtýr sahteciliði tespiti ve lokalizasyonu

Görüntünün bir kýsmýnýn kopyalayýp ayný görüntü üzerinde baþka bir bölgeye bölge gizlemek veya çoðaltmak amacýyla yapýþtýrýlarak oluþturulan kopya-taþý sahteciliði, son yýllarda en çok karþýlaþýlan görüntü sahteciliði tekniðidir. Literatürde bu tür sahtecilikleri tespit etmek için birçok çalýþma önerilmiþtir. Bu yaklaþýmlarýn ana dezavantajý, sahte görüntü bazý iþleme öncesi veya sonrasý saldýrýlara maruz kaldýðýnda performanslarýnýn düþebilmesidir. Bu çalýþmada, derin öznitelikler ile DCT tabanlý blok özniteliklerinin bir arada kullanýldýðý hibrit bir yaklaþým ile çeþitli saldýrý senaryolarýnda dahi daha iyi tespit oranlarýnýn elde edilmesi amaçlanmaktadýr. Önerilen yöntem, ön iþleme aþamasýnda LDR adý verilen global bir kontrast düzeltme tekniði kullanýr ve daha sonra derin bir sinir aðý kullanarak görüntü yamalarýndan derin öznitelikler çýkarýr. Yöntem ayrýca, yöntemi JPEG sýkýþtýrma saldýrýlarýna karþý daha saðlam hale getirmek için görüntüden blok özellikleri alýr. Hibrit özellikler (derin ve blok tabanlý özellikler) Yama Eþleþtirme kullanýlarak eþleþtirilir ve ardýndan yanlýþ eþleþmeleri en aza indirmek için eþleþtirme sonuçlarý üzerinde önerilen son iþleme iþlemi gerçekleþtirilir. Mevcut veri tabanlarý üzerinde gerçekleþtirilen deneysel çalýþmalara göre önerilen þema, yüksek oranda parametrelerle yapýlan saldýrýlar altýnda bile hem anahtar nokta tabanlý hem de blok tabanlý referanslara kýyasla daha iyi sonuçlar vermektedir.

Copy-move forgery detection and localization with hybrid neural network approach

Copy-move forgery, in which copied a region of the image and pasted onto another region on the same image, is the most encountered image forgery technique recently. Many frameworks have been presented to detect such forgeries. The main drawback with these approaches is their performance can be degraded when the duplicated image has undergone some attacks. In this work, it is aimed to propose a hybrid approach, which uses deep features and DCT-based block features in a combined manner, to achieve higher detection performance even if under various attack scenarios. The proposed method uses a global contrast correction technique called LDR during the preprocessing phase and then extracts deep features from the image patches using a deep neural network. The method also obtains block features from the image to robustness against JPEG compression attacks. Hybrid features (deep and block-based features) are matched using Patch Match and then the proposed post-processing operation is realized on the matching results to minimize false matches. According to empirical studies performed on available databases, the proposed scheme gives better results when compared to both keypoint-based and block-based references even under attacks with challenging parameters.