• 전자공학회논문지
• /
• 제52권6호
• /
• pp.79-84
• /
• 2015

디지털 영상의 배포에서, 위 변조자에 의해 영상이 변조되는 심각한 문제가 있다. 이러한 문제를 해결하기 위하여, 본 논문에서는 영상의 픽셀값 경사도에 따른 특징벡터를 이용한 미디언 필터링 영상 포렌식 판정 알고리즘을 제안한다. 제안된 알고리즘에서, 원영상의 픽셀값 경사도로부터 자기회귀 계수를 1~6차까지의 6 Dim.을 계산한다. 그리고 경사도를 Poisson 방정식의 해에 의한 재구성 영상과 원영상과의 차영상으로 부터, 4 Dim. (평균값, 최대값 그리고 최대값의 좌표 i,j)의 특징벡터를 추출한다. 2 종류의 특징벡터는 10 Dim.으로 조합되어 변조된 영상의 미디언 필터링 (Median Filtering: MF) 검출기의 SVM (Support Vector Machine) 분류를 위한 학습에 사용된다. 제안된 미디언 필터링 검출 알고리즘은 동일 10 Dim. 특징벡터의 MFR (Median Filter Residual) 스킴과 비교하여 원영상, 평균필터링 ($3{\times}3$) 영상 그리고 JPEG (QF=90) 영상에서는 성능이 우수하며, Gaussian 필터링 ($3{\times}3$) 영상에서는 성능이 다소 낮지만, 성능평가 전체항목에서 민감도 (Sensitivity; TP: True Positive rate)와 1-특이도 (1-Specificity; FP: False Positive rate)의 AUC (Area Under Curve)가 모두 1에 수렴하여 'Excellent (A)' 등급임을 확인하였다.

• 전자공학회논문지
• /
• 제54권5호
• /
• pp.42-47
• /
• 2017

본 논문에서는 디지털 영상의 배포에서, 위 변조에 사용되는 미디언 필터링 (Median Filtering : MF)을 분류하는 포렌식 검출 알고리즘을 제안한다. 이러한 문제를 해결하기 위한 특징벡터는 영상의 에지 검출량 정보 32, 64, 128에 대한 허프변환(Hough Transform)에 의하여, 각 허프라인 (Hough Line)의 양끝 좌표값과 Angle-Distance 좌표상의 허프픽크치 (Hough Peaks)를 조합하여 42-Dim.으로 구성하였다. 변조된 영상들 중에서 미디언 필터링을 분류하는 검출기는 SVM (Support Vector Machine)에서 특징벡터를 학습하여 구현되었다. 제안된 미디언 필터링 검출 알고리즘은 특징벡터의 길이가 10-Dim.의 MFR (Median Filtering Residual) 스킴 및 686-Dim.의 SPAM (Subtractive Pixel Adjacency Matrix) 스킴과 비교하여 원영상, 평균필터링 ($3{\times}3$), JPEG (QF=90, 70) 압축, 가우시안 필터링 ($3{\times}3$, $5{\times}5$) 영상 모두에서 미디언 필터링의 포렌식 분류율이 99% 이상의 성능을 확인하였다.

• 전자공학회논문지
• /
• 제52권8호
• /
• pp.67-73
• /
• 2015

디지털 영상의 배포에서, 위 변조자에 의해 영상이 변조되는 심각한 문제가 있다. 이러한 문제를 해결하기 위하여, 본 논문에서는 영상의 Fourier 변환 변이계수를 이용한 미디언 필터링 (Median Filtering: MF) 영상의 포렌식 판정 알고리즘을 제안한다. 제안된 알고리즘에서, 영상의 각 수평, 수직라인의 Fourier 변환 (Fourier Transform: FT)을 하고, 이웃 라인과의 변이계수를 기반으로 하여 MF 검출 (Median Filtering Detection: MFD)을 위한 10 Dim. 특징벡터를 정의한다. 이는 MF 검출기의 SVM (Support Vector Machine) 학습에 사용된다. 제안된 미디언 필터링 검출 스킴은 동일 10 Dim. 특징벡터의 MFR (Median Filter Residual)과 Rhee의 MF 검출 스킴과 비교하여 원영상, JPEG (QF=90), Down 스케일링 (0.9) 그리고 Up 스케일링 (1.1) 영상에서는 성능이 우수하며, Gaussian 필터링($3{\times}3$) 영상에서는 성능이 일부 높았다. 제안된 알고리즘은 성능평가 전체항목에서 민감도 (Sensitivity; TP: True Positive rate)와 1-특이도 (1-Specificity; FP: False Positive rate)에 의한 AUC (Area Under ROC (Receiver Operating Characteristic) Curve)가 모두 1에 수렴하여 'Excellent (A)' 등급임을 확인하였다.

• 정보보호학회논문지
• /
• 제31권6호
• /
• pp.1171-1179
• /
• 2021

본 논문에서는 저품질 이미지에 적용된 미디언 필터링를 검출하는 기법을 제안하고자 한다. 이러한 미디언 필터링검출은 이미지 포렌식 기법에 사용되고 있는 것으로 제안된 방법에서는 원본 이미지와 미디언 필터링된 이미지를 구분하기 위하여 공간 영역에서 통계적 특징 정보를 추출하고 확장시킨다. 확장된 특징 정보는 마르코프 모델을 사용하고 강인한 특징 집합을 생성하기 위하여 다중 방향 배열을 사용한다. 제안된 방법에서는 검출 정확도를 높이기 위하여 텍스처 연산자를 사용하고 SVM 분류기를 통하여 분류 모델을 훈련시킨다. 실험 결과에서는 JPEG 압축을 사용한 저품질 이미지에서 제안한 방법의 우수함을 보인다.

• IEIE Transactions on Smart Processing and Computing
• /
• 제4권4호
• /
• pp.195-201
• /
• 2015

For median filtering (MF) detection in altered digital images, this paper presents a new feature vector that is formed from autoregressive (AR) coefficients via an AR model of the gradients between the neighboring row and column lines in an image. Subsequently, the defined 10-D feature vector is trained in a support vector machine (SVM) for MF detection among forged images. The MF classification is compared to the median filter residual (MFR) scheme that had the same 10-D feature vector. In the experiment, three kinds of test items are area under receiver operating characteristic (ROC) curve (AUC), classification ratio, and minimal average decision error. The performance is excellent for unaltered (ORI) or once-altered images, such as $3{\times}3$ average filtering (AVE3), QF=90 JPEG (JPG90), 90% down, and 110% up to scale (DN0.9 and Up1.1) images, versus $3{\times}3$ and $5{\times}5$ median filtering (MF3 and MF5, respectively) and MF3 and MF5 composite images (MF35). When the forged image was post-altered with AVE3, DN0.9, UP1.1 and JPG70 after MF3, MF5 and MF35, the performance of the proposed scheme is lower than the MFR scheme. In particular, the feature vector in this paper has a superior classification ratio compared to AVE3. However, in the measured performances with unaltered, once-altered and post-altered images versus MF3, MF5 and MF35, the resultant AUC by 'sensitivity' (TP: true positive rate) and '1-specificity' (FN: false negative rate) is achieved closer to 1. Thus, it is confirmed that the grade evaluation of the proposed scheme can be rated as 'Excellent (A)'.

• 전자공학회논문지
• /
• 제52권1호
• /
• pp.61-68
• /
• 2015

최근에 위,변조 영상의 처리이력 복구를 위한 포렌식 툴로서 미디언 필터링 (MF: Median Filtering) 검출기가 크게 고려되고 있다. 미디언 필터링의 분류를 위한 미디언 검출기는 적은 양의 특징 셋과 높은 검출율을 갖도록 설계되어야 한다. 본 논문은 변조된 영상의 미디언 필터링 검출을 위한 새로운 방법을 제안한다. BMP를 미디언 윈도우 사이즈에 의하여 여러 미디언 필터링 영상으로 변환하고, 윈도우 사이즈에 따른 차분포 값을 계산하여 그 값으로 미디언 필터링 윈도우 사이즈와 같은 특징 셋을 만든다. 미디언 필터링 검출기에서, 특징 셋은 잠재성장 모델링 (LFM: Latent Growth Modeling)을 사용하는 모델 특성으로 변환된다. 실험에서, 테스트 영상은 TP (True Positive)와 FN (False Negative) 두 분류로 판별된다. 제안된 알고리즘은 분류 효율성이 TP와 FN의 혼동에서 최소거리 평균이 0.119로서 훌륭한 성능임이 확인 되었다.

• 전자공학회논문지
• /
• 제53권2호
• /
• pp.47-52
• /
• 2016

스마트 기기와 소형 디스플레이에 사용되는 디지털 영상은 다운스케일링 (Downscaling)된 영상이 사용된다. 본 논문에서는 영상 픽셀값의 경사도에 따른 특징벡터를 이용한 다운스케일링 포저리 (Forgery) 영상 검출 알고리즘을 제안한다. 제안된 알고리즘에서, 원영상의 픽셀값 경사도로부터 자기회귀 (AR: Autoregressive) 계수를 계산한다. 이는 다운스케일링 포저리 영상 검출기의 SVM (Support Vector Machine) 분류를 위한 학습에 사용된다. 제안된 다운스케일링 검출 알고리즘은 동일 10-Dim. 특징벡터의 MFR (Median Filter Residual) 스킴과 686-Dim.의 SPAM (Subtractive Pixel Adjacency Matrix) 스킴과 비교하여 다운스케일링 90% 영상 포저리에서 성능이 우수하며, 평균필터링 ($3{\times}3$) 영상과 미디언필터링 ($3{\times}3$) 영상에서 높은 검출율을 보여 주었다. 특히, 평균필터링과 미디언필터링 영상에서는 성능평가 전체 항목에서 민감도 (Sensitivity; TP: True Positive rate)와 1-특이도 (1-Specificity; FP: False Positive rate)의 AUC (Area Under Curve)가 모두 1에 수렴하여 'Excellent (A)' 등급임을 확인하였다.