TELKOM NIKA Indonesia n  Journal of  Electrical En gineering   Vol.12, No.7, July 201 4, pp . 5399 ~ 54 0 7   DOI: 10.115 9 1 /telkomni ka. v 12i7.537 3          5399     Re cei v ed  De cem ber 1 5 , 2013; Re vi sed  Jan uar y 21, 2 014; Accepte d  February 1 8 , 2014   Resear ch of Blind Forensics Algorithm on Digital Image  Tampering       Jin Hong y i n g     Comp uter coll e ge of Chi na W e st Normal U n i v ersit y      Shid a Roa d  No . 1, ShunQing  District,  Nanch ong, Sich ua n, 637 00 2, Chin a   e-mail: ji nh ong yi ng _c w n u@1 63.com       A b st r a ct   W i th rapid  de velo p m ent of  the inter net a nd  the  mu lti m edi a techn o lo gy, the dig i tal  image s   tamp eri ng w i th blind fore nsic s technol ogy b e co me a n e w   researc h  direct ion in the stud y of informati o n   se cu ri ty. Th e te ch no l o g y   i s   b a s ed   o n  th e   d i g i ta l   im a g e ,   a n d  i t  i s  on l y  to  rea l i z e  ima g e  i n te g r i t y  and  authe nticity of t he certif ic atio n, so it is w i d e ly  used  in th e civ i l fiel ds suc h  as  new s rep o rts, judici al  pro o f an d   mi litary fie l ds s u ch as  military  intel lig enc e an alysis. So  th e r e searc h  of it h a s gre a t sig n ifi c ance  an d bro a d   app licati on pr o s pect.  In the  pap er,  the exp l orati on an d re search o n   the  paste tamp eri ng an d splic in g  tamp eri ng w i t h  bl in d fore ns ics al gorith m   are  ma de.  T h e bl in d fore ns ics al gorith m   base d  o n  ra di al  Kraw tchouk co py-an d -past e  i n vari ant  mo me nt is pro pos ed.  As the curr ent  copy-a nd- past e  bl ind  forens i cs  alg o rith m has  low  locali z a ti on accur a cy, and p oor  rob u stness of the post-proc es sing in so lvin g th e   prob le m. Bas e d o n  sl id ing  w i ndow  b l ock   ma tching   meth od  and  the  rad i a l   Kraw tchouk i n varia n t  mo me n t, it   prop oses a c o py-an d -past e  tamperi ng w i th  blin d fore ns ics  alg o rith m. T h e exp e ri me ntal  results sh ow  that   the a l gor ith m  c an  effectively  l o cate th e ta mpere d  ar ea,   an d it  has v e ry s t rong r obust n e ss of the  rotati n g   oper ation, JPE G  compress io n ,  Gaussian n o i s e, etc.    Ke y w ords : bli nd forens ics al gorith m , di gital  imag e, tamp eri ng, researc h     Copy right  ©  2014 In stitu t e o f  Ad van ced  En g i n eerin g and  Scien ce. All  rig h t s reser ve d .       1. Introduc tion  With the  ra pi d develo p me nt of multime d ia  an d di gital technolo g y, digital ph otos  have   become the  indispen sabl e  nece s sities  of life. Tr aditional film pictures  are i n stead by digit a l  photo s , whi c h show that  the “digital  image  er a” ha s a rrived .  In ord e r t o  a c hieve t he  enha ncement  purpo se of t he digital  im age visual   effect, a la rge  numbe r of im age p r o c e s si ng  and editin g  software,  su ch  as Photo s ho p, A CDSee,  li bra r ie s  have been widely use d .  Ho wev e r,  advan ced technolo g y brin gs the co nve n ien c e in dai ly  life, at the  same time, they also bri ght  some  hidd en  trouble  in  mode rn life.  With t he  wid e ly appli c atio n of the ima ge p r ocessin g   softwa r e, the  tamperin g o f  digital image be come s more conve n ient, its effect is al so very  reali s tic,  so   some  p eople  with  mali cio u s  motives sprea d  fo rgin g digital  ima ges in  order to   achi eve ulte ri or p u rp ose.  Whe n  tamp ered  with di gita l image  is  wi dely appli ed t o  medi a repo rts,  sci entific  re search  and th e co urt, it will  no d oubt  aff e ct the  norm a l order  of society an d  ca use  damag e to pe rso nal ri ghts [ 1 -3].       2. Digital Image Fore n si cs   The digital im age fore nsi cs technolo g y can be divided  into active and passive fo ren s ics   techn o logy.  Active fore nsics technolo g y is e m be d ded in  the  media i n  a d v ance  indi ca tive   informatio n, and ma ke a u t henticatio n o f  embedd ed  i n formatio n. The existing  a c tive foren s i c s   techn o logy m a inly inclu d e s  digital wate rmarki ng  and  digital si gnatu r e, etc. Th ese  techni que s a r e  adopte d  by the ba sic tho ught of emb eddin g  or  ad d addition al informatio n a u thenticity a nd  integrity of digital image id entification.      2.1. The Digital Signatur e   The digital  si gnature tech nology is  also kn own  as  electroni c si g nature, it is  attache d   according  to  the ca ble s  in  elect r oni c fo rm, and  the  conte n t is  used to id entify the si gnatu r e  identity data.  Whe n  use the digital sign ature to i denti f y the authenticity of digital  media, it sho u ld   Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 12, No. 7, July 201 4:  5399 – 54 07   5400 extract the  ori g inal me dia d a ta inform atio n in  adva n ce  and  kee p  it in  storage, thro ugh  storin g th e   informatio n to identify the object informat i on to make t he identification of the obje c t.    2.2. Digital Wa termar king.   Digital wat e rmarking a c co rding to its tol e ran c e to im age chan ges,  it can be divided into  the fragile  watermark  [4-7], half a fragile  waterm a r k  and  r o bu s t  wa ter m a r k  [8]. Fragile watermark   and fragil e  waterma r k a r e  both apply th e authenti c ity and  integrity of accurate in  the certificati on,  the differe nce of them i s  that  when  contai ning watermark medium  i s  cha nge d,  fra g ile   watermarkin g  are  ea sily da maged, th en i t  is ha rd  to b e  dete c ted; A nd semi-f ragil e  wate rma r king  can withsta n d   rea s on able certain  extent  of distortio n , and the u n re aso nabl e dist ortion  will ca u s e  further d e teri orate.    Robustness  of watermark is ha rd to remove and  has a  stro ng anti-interference  ability,  and it ca n al so abl e to wi thstand  all so rts of commo nly editing proce s s and  waterma r k  attack  tools. It is mai n ly use d  for  copyri ght info rmation ide n tification  of di git a l wo rks. As f o r e a ch  type  of  digital wate rmarking, thei r basi c  fram ewo r k i s  mai n ly include s  three pa rts:  embed ded p a rt,  transmissio n cha nnel, and  extracting p a rt. Embedd ed termin al is embe dde d  with the digital  media  kn own  as pa rt of  the id entificati on info rm atio n; Tra n smissi on  cha nnel  i s  the   carrie r  of  identificatio n  informatio n, it can  pa ss pa ram e ters an d  key i n formatio n to extra c ting  part;  Extraction p a r t ca n extra c t informatio n to  identify t he o b ject, an d the n  acco rdin g to the extra c ti ng   accuracy  and  co mplete ness of  the i n formation m a ke  the ide n tificat i on a nd  auth enticatio n of t h e   objec ts .       3. O v er v i e w   of Blind Digi tal Image Fo rensics Te ch nolog y     3.1. Definitio n  and Clas sification  o f  Bl ind Digital Image Foren sics   Blind digital image foren s i cs  refers to the pro c e s s o f  using emb e dded info rma t ion to   identify authenticity of ima ge and  obtai n evidence; the whol e pr o c e ss is in dep ende nt of any  sign ature  or  premi s e i n formation [9]. Despite th e cu rre nt digital i m age m anip u l ation technol ogy  has b een very mature, the fake effect o f  tamperi ng o f  digital image is not ea sy to cause visual   differen c e s  a m ong  peo ple,  but tam peri n g op eratio n  will  inevitably cause cha nge  in  the statisti ca l   feature s  of digital image [1 0].    Image bli nd  foren s ics i s  t o  use the  st atis tical  ch aracteri stics  ch ange s of im age a n d   make  the  det ermin a tion  of the a u thenti c ity, integr ity, and  primitivism of the  ima ge [11 - 12]. Bl ind  foren s ics te chnolo g y ha s  no  spe c ial  re quire ment s  f o r im age  a c q u isition  device, com p a r ed   with  the active forensi c s tech no logy, it also do not  need to  add any ima ge authe ntica t ion informati on,  so it ha s im portant p r a c tical value. Bli nd fo re nsi cs technol ogy i s  mainly for image  cont ent  tamperi ng an d for the evidence coll ectio n ,  No w, the image blind forensi c s techn o logy can b e  divided into the followi ng three   c a te go r i es :   1. In view of the image  con t ent authenticity di scrimin ation: the main purp o se is to judge   wheth e r initial l y acquired i m age s are su ffered with   so me form of proce s sing o r  tampe r ing.    2. In view of  the imag e source id entificat ion: it can  judge th e i m age d a ta a c qui sition   device, thi s  ki nd of technol ogy will  con n e ct ima ges with the co mm on featu r es i m age  sou r ce,  in   orde r to match the image s to a parti cul a r type of the source devi c e.    3. Analyses t he hidd en im age fore nsi cs: As for the integrity of image tampe r in g is an   importa nt informatio n se curity techn o lo gy bran ch , so use it a s  a  part of the i m age foren s i cs.  Comp ared wi th hidden an alysis te chnol ogy, image hi dden de epe r analysi s  fore nsi cs n eed  the   se cret info rm ation extracti on.  As for  digital  image tam p e r ing o p e r atio ns, the  com m on tamp eri ng me ans are thro ugh   the copyin g o f  original ima ge and m a ski ng sp ecif i c  ta rget area of i m age, thu s  create the  sce n e   whi c h a r e n o t  in the origi nal imag e scene o r  hid e  some i m po rtant target, th e purpo se of  this  tamperi ng  m ean s i s  the   copy-an d -pa s te ima ge tam perin g [13 - 1 4 ]. The tam p e r ing  metho d   has  many obviou s  adva n tage s, beca u se th e co py-an d -p aste p a rt of i m age h a s  no  obviou s  visu al  differen c e in  terms  of brig htness, col o r,  noise  with the ori g inal i m age, therefore, the tamp ere d   image loo k s realisti c, it's hard to judge f r om t he visio n . And due to its operation is simple; the  curre n t copy-and-pa ste ta mperi ng  ha s  a very  wid e  r ange  of a ppli c ation s . In thi s  a r ticl e, we  will   put forwa r d  a  ne w  algo rith m to im prove  the  blin d  forensi c s d e tect ion effe ct a n d  robu stne ss of  the algorith m  [15-17].   Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     Re sea r ch of Blind Fore nsi cs Algo rithm  on Digital Im age Tam perin g (Jin  Hon g yi ng)  5401 4. The Model  of Cop y -and -pas te Tamp ering   Copy-and -pa s te p e rfo r m  tamperi ng  o peratio n i n  t he  sam e  im age, the  o p e ration  i s   usu a lly adopt ed co pying m e thod. The  p a ste an d cop y   part have n o  interse c tion  or overl ap in  the   image an d po sition deviatio n  is also obvi ous. From  th e operation p r ocess of cop y -and -pa s te, the   temperi ng im age shoul d h a ve the following feature s :   (1) T he same  image ha s the same o r  si milar conn ect ed are a ;   (2) Di spl a ce ment of the identical o r  sim ilar  are a  is often gre a ter th an a certai n thre shol d   value;   (3)  The a r e a   of these  are a s  is  often gre a ter t han  a ce rtain threshol d, whi c h i s  th e are a  is   large  eno ugh . Durin g  the  study, res earchers often to  simplify the re se ar ch q u e s t i on,  if  we ma ke   the hypothe sis that the t a mpe r ed im a ge is  only o ne area h a s been  copi e d  and  paste d to   anothe r area  in the image.     4.1. Simple  Cop y -Mobile-Paste Re gio n  Tampering  Model   Simply co py-mobile -pa s te  regi on ta mp ering  refers t o  the  are a  to  be  co pied  o n ly after   displ a cement  of sim p le o peratio n, an d  paste  it dire ctly to othe r  area  in the  i m age, n o t af te r   pro c e ssi ng o peratio ns  su ch as scali ng,  rotation,  the r efore, copy  area a nd  st i c ky  st ic k ar ea  is   equal in the a r ea, just exist s  po sition de viati on betwe en co py area  and pa ste area. For this type   of Tampe r ing ,  its model is  copy-mobil e -paste ta mp eri ng model, ju st as sho w n in  the Figure 1.      x y 1 () F I 2 () F I () F I     Figure 1. Cop y -move-p a ste  Regio n  Tam per Mo del       As sh own in  the Figure 1, the origin  file is (, ) F xy , after tamperin g the file ca n b e   expre s sed a s   ' (, ) F xy , and the followin g  type ca n be obtain e d  which is expressed a s  (1 ):     2 ' 2 (, ) ( , ) (, ) (, ) ( , ) F xy xy I Fx y F xx y y x y I                                        (1)    Whe r e the  x  and  y  represe n t the displ a ceme nt of the  x  and  y , and the   1 I   rep r e s ent s the copi ed are a ,  2 I  repre s e n ts the pa sted  area a nd th e two area i s  the sa me,  (, ) F xy  repre s e n ts the gray valu e of position  (, ) x y  of the file an d  ' (, ) F xy  repre s e n ts the gray  value of positi on  (, ) x y  after tampering.    4.2. Cop y -Paste Area Ta mpering Mo del throug h Specific Pro cessing O p e r ations    Thro ugh  ce rtain processin g  of  co py-an d -pa s te a r e a   tamper  with t he mod e l, also kn own   as  copy-t ran s form -mo b ile-paste ta mpe r ing m odel,  it refers the  copi ed  regi on after  po st- pro c e ssi ng o peratio n su ch  as scaling, rotation,  and then move it paste d into other a r ea s of the  image  of the t a mpe r   with th e op eratio n.  Acco rdi ng to   the tampe r in g  pro c e s s, Th e  tampe r ing  can   not only cau s es the po sitio n  offset between co py  are a  and the paste area, at the same time, the   two area  will meet certain  transfo rmation relationship between r egi ons. The tam pering model  is  as sho w n in  Figure 2 and  Figure 3.      Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 12, No. 7, July 201 4:  5399 – 54 07   5402 1 () F I 2 () F I x y     1 () F I 2 () F I x y   Figure 2. Cop y -rotate -pa s te Regi on Ta mper  Model after  Certain Op eration   Figure 3. Cop y -zoo m-p a ste  Regio n  Tam per  Model after  Certain Op eration       Acco rdi ng the model, the  origin pictu r e  (, ) F xy and tempe r ed pi cture  ' (, ) F xy can be  expre s sed a s  (2):     2 ' 2 (, ) ( , ) (, ) ( ( , ) (, ) ( , ) (, ) F xy xy I Fx y TF x x y y h x y n x y x y I             (2)    Whe r e,  (, ) F xy  denotes origi n  pict ure an d  ' (, ) F xy  den otes tempe r e d  picture, he  1 I   rep r e s ent s the copi ed area ,  2 I  rep r e s ent s the pa sted are a . In  the model, when the  picture is  zoom ed, the area i s  not the same, an d the  T  rep r e s ent s the tran sform of the zoo m  and  rotation.  (, ) hx y  and  (, ) nx y rep r e s ent s the other op era t ions.       5. Radial Kra w tc h ouk Co p y  and Paste Blind Fore n sics Algori t hm of In v a riant Momen t s   5.1. Algorith m  Theor y     Aiming at a  kind of comm on imag e forensi c s  copy-and-pa ste ta mper i ng, it propo se s a  blind foren s ics algo rithm b a se d on radi al Krawt c h o u k  mome nt invariant s. The  main ide a  of the  detectio n  alg o rithm is lo ca l matching. I n  the firs t s t ep, it us es  the wavelet trans f orm to extrac t  the low freq uen cy comp onent of ima ge, and then   it the extract invariant ra dial Krawt c h ouk  moment of low frequ en cy comp one nt  and the feature vector of co m positio n ch ara c teri stic m a trix  are  dictio nary  so rted. It ca n re alize the  matchin g   of chara c te risti c s  pie c es  toget her co uple d  with  simila r threshold, blo c ks  of sp acin g a nd the  ar e a   threshold, it  finally debu g s  math emati c al  morp holo g y to determi ne the final  co py-and-pa ste tamperi ng area .  Thre e Points  of Algorithm are a s  belo w :   (1)Throug h  DWT p r o c e s sing  with th e  su sp ect im age, a nd ext r actin g  ima g e  of lo w   freque ncy  su bban d, it can  greatly redu ce the  num b e r of ima ge b l ock, and the  low fre que ncy is  not sen s itive to noise at the same time, whi c h  can en han ce the extracte d features ro bu stne ss.   (2) The  mai n  idea s  of cop y -and -pa s te t a mpe r  d e tecti on i s  lo cal  m a tchin g , that i s  m a ke  wavelet  su bb and  blo c k in  low fre quen cy of the  im age, a nd th e n  ma ke  the  image fe ature  extraction, an d then match  all of the extracte d  image  features, wh en the matchi ng error is le ss  than a ce rtain  thresh old, it can b e  co nsi dere d  a su ccess match, it is the co re of the algo rithm.   (3) As for th e sele ction o f  image cont ent feature s . The radial  Krawt c ho uk  moment  invariant feat ure of im age  bloc k, copy-and-pa ste ta mper  with  th e dete c ting i m age s, be ca use   Krawt c ho uk  moment s is b a se d on  cla s sical discr ete  Krawt c ho uk p o lynomial. Ra dial Kra w tch o u k  can  well d e s cribe  the  i m age  feature inva riant  moment, a n d ha s the  good  di sting u ish   identificatio n  feature s . S e co nd, the  radial Kr awt c hou k inva ria n t moment  also  ha s rotation   invarian ce, th e tampe r  i s  throu gh  with t he copy-and -paste  metho d , and it  can  rep r o c e s s th e  operation. Fo r insta n ce as one of the m o st comm on  copy-rotatio n-displ a cement -pa s te mod e , it  not only ca n  enhan ce th e  visual effect  of modificati on, and h a rd er to dete c t, becau se  som e   algorith m   can  not resi st rotation o peration p e rfo r man c e. Th erefore ,  the ra dial K r awt c ho uk h a s   good d e script i on of image  rotation invari ant moment f eature s  fo r im age tamp er d e tection. Ba sed   Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     Re sea r ch of Blind Fore nsi cs Algo rithm  on Digital Im age Tam perin g (Jin  Hon g yi ng)  5403 on the above  analysi s , in the pap er, it select s t he ra dial Kra w tch o u k mom ent i n variant feat ure  image blo c k, and imag e co py-and -p aste  tampering  m e thod with bli nd foren s i cs  algorith m . Flow  cha r t of the algorithm i s  as  sho w n in the  Figure 4.      DW T     Figure 4. Flow Ch art of the Algorithm       5.3. Application of Discr e t e Wav e let Transf orm in Redu cing th e Amoun t of  Image Data   Dete ction  ba sed  on  blo c k  matchin g   alg o rithm i n   solv ing the  key p r oble m s,  mai n ly have  two point s: o ne is to redu ce the time  complexity;  the other i s  ho w to extract t he feature. In th e   pape r, testing  image with di screte wavele t Transfo rm  [15] (DWT, Di screte Wavel e t Tran sform )  is   prop osed . Wavelet tran sform i s  a kind of time domain, fre q uen cy domai n or airsp a ce -  freque ncy  do main tran sfo r mation;  hav e at the   sa me time  do main a n d  freque ncy  do main   locali zation  p r ope rtie s. In the algo rithm  of wa velet,  the feature  e x traction p e rf orme d in lo w   freque ncy  pa rt, it can  gre a t ly redu ce the  numb e r  of image  blo ck, l o w frequ en cy is n o t se nsiti v e  to noise at th e same time,  whi c h can en han ce ro bu stness of the e x tracted featu r es.    In the rece nt years, wavel e t analysi s  h a s  be en dev elope d very rapidly, its ap plicatio n   area s i n cl udi ng ima ge  proce s sing,  co mputer re co g n ition, si gnal  pro c e s sing,  and m any ot her  fields, discret e wavelet de compo s ition (DWT) can de comp ose the  two-di men s io nal image  sig nal  into a lo w fre quen cy ap pro x imation su b band  and l e ve l of detail, vertical  and  di agon al detail s  an d   three hig h  fre quen cy su bb and. The Lo w frequen cy ap proximatio n subba nd mea n s the maximu m  scale of  the  optimal app roximation of the  o r iginal   i m age   thro ug h  wavelet de comp ositio n unde r   the minimum  resolution, its statistical  ch ara c teri stic s i s  simila r to original imag e, and mo st of the   energy is fo cued on th e subba nd ima g e ; While the  high fre que n c y su bban d i s  mainly ima g e   detailed info rmation in different resol u tion and diffe rent scales, th e lowe r the resol u tion is, there  will be the  hi gher  co ntain s  informatio n. Images  after  wavelet multi -re sol u tion d e com p o s ition  in   the low frequ ency pa rt will still keep the  overview  of the sou r ce im age and  spa c e features, the  loss of hig h  frequ en cy det ail inform atio n ca n be  ne glecte d. The  image afte r  discrete  wav e let  decompo sitio n  results a s  shown in figure 3-4.  And di screte wavel e t transfo rm can be  rega rded   as u s in g lo w frequ ency fi lter and  high  frequ ency fi lter to de co mpose the i m age into  lo w  freque ncy  an d high  freq u ency  coeffici ent, as  fo r t w o-dime nsio nal si gnal, d i screte  wavel e t  decompo sitio n  and re co nst r uctio n  proce ss  c an b e  expre s sed a s  shown in Figu re 5.                                                                            Figure 5. Disc rete  Wavelet Trans f orm  Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 12, No. 7, July 201 4:  5399 – 54 07   5404 In the pap er,  it propo se s  copy-an d -pa s te tampe r ing  with blin d forensi c s alg o rit h m, firstly  it throug h di screte   wavelet  tran sform (DWT) a s   p r e - p r ocessin g  fo r the figu re,  a nd extra c t th e   discrete  wav e let wra p  the low-f r eq ue ncy su bba nd  as optimal  approximatio n of the image,  throug h the a bove the scattered wavelet  transfo rm  an alysis, it can  be found the  that the size  o f   the lo w fre q u ency  com pon ent of o r igin al  image    can  b e  re du ced  to  a qu arte r of j  ( j i s  fo r wave let  decompo sitio n  serie s ), through  the p r o c e ssi ng   it  ca n a c hieve th e  goal  of  woul d of redu cin g  the  amount  of im age d a ta. Th en, ba sed  on   the wavelet coefficient s, lin e slid e bl ock  and the  blo ck to   can  be  extracted  to the  ra dial K r awtchou k  win d o w, and then in turn it  c a n turned into   sub s e que nt match a c tion.       6. Results of Experiment  and An aly s is   In the exp e ri ment, in o r de r to valid ate t he effe ctiven ess of th e alg o rithm, in  the  first st ep,  we  sele ct the  gray l e vel of  256 i n  the  e x perime n t an d the  size of  image s i s  5 12×512  as th e  exper imental images , if  t he image is  R G B type  of  image, it can be  c onver ted to grayscale   image s. In the sel e ctio n of image  th re sh old, acco rdin g to the expe rimental meth od, the sele ction   of similarity thre shol d is  set as R  = 0.0 03; the  si ze o f  the image b l ock is 8 × 8, t he sp aci ng bl ock  threshold i s  L  = 12; Image area th re shol d is S >  512 ×512 ×0.85%. In the ex perim ents, we  sele ct  pictures tan k   as te st ima g e s , an d te st thi s  al gorit h m  re spe c tively in  copy  - di spl a ceme nt - pa st e ,   addin g  n o ise, co py-rota t ion- di spla ce ment-p aste,   mirrori ng operation s  and JPEG   lossy   comp re ssion  ca se s, and th e accuracy of  experime n ta l  testing, the erro r rate a nd  the analysi s   o f   misjud gme n t rate are cal c u l ated.    6.1. Cop y  - d i splacemen t - pas t e Tam p er De tec t io n      (a) O r igin pi ct ure     (b) Pict ure aft e r tampe r ing       (c) Prelimin ary detection i m age     (d)  Re sults af ter morpholo g ical p r o c e ssi ng     Figure 6. Orig in Dete ction  Re sults           As can b e  se en through  th e re sult s of e x perime n t, the algo rithm a bout joini ng t a mpe r ing  with ima g e s   after Ga ussia n  noi se  dete c tion  effect i s  goo d a s   sho w n in  the  Fig u re  7, with  th e   increa se of n o ise inte nsity, the area  of the test match  gradu ally narrowed.                                                     Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     Re sea r ch of Blind Fore nsi cs Algo rithm  on Digital Im age Tam perin g (Jin  Hon g yi ng)  5405   (a) Pict ure aft e r tampe r ing     (b) Dete ction image     Figure 7. Multi-co py-p aste  Dete ction       6.2. Tamper Detec t ion of  Adding Nois e   In orde r to test and verify the robu stne ss of al gorithm, different p o st-proce ssin g   operation s  a r e pe rform ed  according  to  the tampe r in g imag e, su ch as ad ding  different level s  of  Gau ssi an , Noise  (SNR  =  45 dB, 35  dB, 25 dB, 15  d B ),  the test  re sults  as  sh own as i n  figu re  8 ,  r e spec tively.   As ca n be se en throu gh th e experim ent, the detectio n  effect of algorithm a bou t joining  tamperi ng im age s after a dding G a u s sian noi se  is good, but with the increasi ng of no ise  intensity, the area of the te st  match i s  gradually na rro wed.         (a) SN R = 45 d B     (b) SN R = 35 d B       (c ) SNR = 2 5 d B     (d)  SN R = 15 dB    Figure 8. Det e ction  Re sult s  of Adding G aussia n  Noi s e      6.3. Ev aluation Index Cal c ulation o f  the Algorith m    In the p ape r,  copy-and -p aste tampe r ing   with  the  alg o rithm of blin d f o ren s i c s eval uation  index has b e en introd uce d ; in the spe c ific calcul ation the error  rate and mi sj udgme n t rate   o f   each pi cture,  on the  first st ep, it  rando m l y sele ct from  a  re ctangle   i n  the  co py, a nd p a ste  it into   same  ima ge i n  the  re gion  of disj oint, th e si ze s  of co py are a  a r e  the 3 2 ×32, 6 4 × 64,  96 ×96  a nd  128 ×12 8 . We  tamper with  the image s with som e  p o st-p ro ce ssin g operation s , such as a d d i ng  Gau ssi an noi se, JPEG co mpre ssion, th e statistics  of its accuracy u nder  sp e c ific post-processi ng   operation s  an d misjud gme n t rate.   1) Pro c e ssi ng  accura cy an d misjud gme n t rate, error rate   In the  repli c a t ion area  und er th e  conditi on of   proce s sing  op eratio ns, p a ste  the  imag e   dire ctly to another a r ea, the detec tio n  effect of the tampered imag e of erro r rate  and false a r e  as  sho w n  in  Tab l e 1,  and  thro ugh th e Fi gure 9,   the  i n tui t ive re sults wi th the  ch ang e of th e tam p er  with the are a , the chan ge o f  detection re sults a r e  sho w n.     Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 12, No. 7, July 201 4:  5399 – 54 07   5406 Table 1.  Accura cy, Inaccu racy an d Misd iagn osi s  Rat e  of Copy-p a s te Tamp er  Tampering a e ra      Accuracy      Error  rate      Misjudgment ra te  32×32 0.9644   0.0677   0  64×64 0.9723   0.0519   0  96×96 0.9794   0.0405   0  128×128  0.9903   0.0172   0        2) Accu ra cy  and mi sjud g m ent rate,  error rate after j o ining  differe nt intensity of  Gau ssi an   noise   Join  in th e i m age  with  G aussia n  n o ise of 1 5  dB,  25 dB, d b  3 5 , 45  dB, re spe c tively,  usin g the  re spectively  Cha p ter al go rithm in th e  det ecting  imag e  tampe r ing  with accu ra cy  and  error rates. Fi gure 9, a )  is a c cura cy rate ,  b) is  the error rate, c )  is  fals e rate.         (a) G a u ssi an  noise (dB) aft e r addi ng different  Gau ssi an noi se dete c tion  accuracy     (b) G a u ssi an  noise (dB) aft e r addi ng different  Gau ssi an noi se dete c tion  error rate       (c) Gau s sian  noise (dB) aft e r addi ng different  G aussi an noi se dete c tion misj udg ment rate     Figure 9. Accura cy, Inaccu racy an d Misdiagn osi s   Rat e  of Adding G aussia n  Noi s e with Differe nt  Intensities      In the chapte r , the result s of copy-a nd-paste  tamp eri ng algo rithm detectio n  effect have   been q uantita t ive analyzed . The experi m ents a r e m a inly aim for copy-displa c e m ent-p aste,  and  add G a u ssi a n  noi se, JPE G  co mpressi on. Spin Tu rn , mirro r an d o t her tamp er  with the type  test,  as  ca n  be  se en from th e e x perime n tal d e tection  ima g e s. In  the  pa per, it th e  ob vious te st  re sults  of put forward the alg o rith m ha s be en  achi eved. Th en, the qu anti t ative analysi s  is  obtain ed,  this  cha p ter m a in ly calculate s  error  rate s  and mi sju d g m ent rate  of  detectio n  a c cura cy in  e a ch   tampered  alg o rithm, fu rthe r results sho w  the  e ffe ctivene ss of th e  algo rithm  an d the  alg o rith m  has go od  performan ce. A c cording  to th e expe rime nt, the alg o rith m for  Gau s si an n o ise, JP EG  comp re ssion  and othe r po st-p ro ce ssi ng  to tamper  with the image  of the opera t ion have very  stron g  rob u st ness, esp e ci ally for rotating post - processing tamp ering, it  has  stron g  dete c tion   ac cur a cy .       6. Conclusio n    In the study, it firstly introd uce s  the  cop y -and -pa s te t a mpe r  with t he mod e l, co mbined   with the m o d e l, a ra dial Krawtchou k  co py-and -p as te  tamperi ng  wi th blind fo ren s ics al go rith m of  Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     Re sea r ch of Blind Fore nsi cs Algo rithm  on Digital Im age Tam perin g (Jin  Hon g yi ng)  5407 invariant mo ments i s  pro posed.  Experiments sho w  that  the  prop os e d  algo rith m can effe ctively  locate the ta mperi ng of copy-an d -pa s te area,  an d solve the pro b lem of the simila r ope ra ting   algorith m   whi c h i s  un able   for resi st  rot a tion, an d it  also  ha s very stro ng  ro b u stne ss  with  the   JPEG lossy compressio n a nd Gau s sian  noise and  so  on.      Referen ces   [1]  Z hu BB, S w a n s on MD, T e w f i k  AH. W hen seei ng is n' t beli e vin g .  IEEE SignalProcess ing Maga z i ne,   200 4; 21(2): 40 -49.  [2]  W u  Qong. F a cing the truth  detectio n  bl ind  digita l ima ge  forensics meth od rese arch.  Univers i t y   o f   defens e techn o lo g y   20 08.   [3]  NT  Chang SF , Lin CY, et al.  Passive-b lin d  Image F o re nsi cs.  Multimedi a  Security T e ch nol ogi es for   Digita l  Ri ghts,  W Z eng, Yu H, Lin C Y(e d s.), Elsvier. 20 06.   [4]  Lan h T V , Cho ng KS, Emm a nue l S,  et al.  A Survey  o n   Digita l   Ca mer a  Imag e F o r e nsic M e thods .   Procee din g s of  IEEE Internationa l Conf erenc e on  Multim edi a and E x p o , Beiji ng, Ch ina. 2 007: 16- 19.   [5]  Z hou  Lin na, M r  W ang. D i gita l ima ge for ens ics tech n o l o g y ,  Beij in g: Bei jin g un iversit y   of posts a n d   telecomm unic a tions press. 20 08.   [6]  Yao Z u o l i ang,  W u  Qiong,  Li  Guohu i, T u  Dan.  A recov e rab l e a nd  active  d i gital  sig natur e  appr oac h fo r   imag e: RADS.  In Proceedings  of IEEE  conference. Beijing, Ch ina. 2004:  541-546.   [7]  Z hong  Hu a, j i ao  li c hen g.  A di gital  sig n a t ure sch eme f o r ima g e  cont ent ver i ficatio n .   Journ a l of   computers,  20 03: 26(6): 7 08- 708.   [8]  Yang Y i xia n  Ni u Xin  Xi n. Dig ital  w a term arkin g   theor y a nd te chno log y . Be iji ng: hi gher  edu cation  pres s .   200 6.  [9]  Re y C, Du gel a y  J. A surve y   o f  W a termark ing  Algorithms for  Image Auth enti c ation. Eur a sip   Journ a l o n   Appl ied Si gn al  Processi ng,  20 02; 6:61 3-62 1.  [10]  Yeun g MM, Mintzerf.  An Invisib l e W a ter m ark i ng T e c h niq ue for Ima ge Verific a tion .  International  Confer ence  on  Image proces sing. Santa B a rbara, CA, US A. 1997; (2): 680-6 83.   [11] Fridrich  J.  Se curity of F r agi le Auth entic ati on W a ter m ark s  w i th Local i z ation.  4t h Co nferenc e o n   Securit y   an d W a termarki ng of Multimed ia C o ntents. San Jo se, CA, USA. 2002: 69 1-7 00.   [12]  F r idrich J. Methords for D e te cting Ch an ges  in Dig ital Ima ges.  Multi m e d i a  and S e curity  W o rkshop a t   ACM Multim edia.  Orlando, F l o r ida, USA. 199 9: 29-33.   [13]  Lin  C, C h a ng  S. Semi-F ra gile Watermarking fo r A u the n tic a ting  JPEG Vi sual  Co ntent.  Security and  W a termark i n g  of Multimed ia  Conte n s . San  Jose, CA, USA. 2000: 40- 51.   [14]  Van Sch y n d e l  RG,  T i rkel AZ ,  Osborne C F . A digital w a termark.  Proc. Int.Conference in Image  process i ng. 1 9 94; (2): 86-90.   [15]  Che ng E n , Z h ang  Ro ng- Xi n, Yua n  F e i. A u toma tic D e te ction a n d  Ass e ssment S y st em of W a ter   T u rbidit y  b a se d on Imag e Processi ng.  T E L K OMNIKA Indones ian J ourn a l of  Electrica l  Engin eeri n g .   201 3; 11(3): 15 06-1 513.    [16]  Xi on g Ji e. D i gi tal Me dica l Im age  En hanc ed  b y   w a ve let Il l u min a tion- Refl ection  Mod e l.  TEL K OMNIKA  Indon esi an Jou r nal of Electric al Eng i ne eri ng.  2013; 1 1 (1): 1 9 -27.   [17]  Ye T i an, Chan ge Z h e ng, Qiu hon g Ke. A Bu bbl e  Detecti on  Algorit hm Base d on Sp arse a n d  Red u n d a n t   Image Proces sing.  T E LKOMNIKA Indon esi an Jour na l  of Electrical E ngi neer ing.  2 013;  11(6): 29 83 - 299 0.               Evaluation Warning : The document was created with Spire.PDF for Python.