Efficient Dense-Field Copy-Move Forgery Detection----CMFD论文笔记

一、idea从何而来

1）相对于sparse-field方法来说，dense-field的准确率好多了。

2）之前的dense-field方法虽然比sparse-field的方法性能好，但是它在特征匹配阶段的处理时间太高，所以作者在特征匹配阶段以PatchMatch方法代替，大大加快了处理速度，还可以保持一定的平移、旋转、尺度不变性。总之，与同类dense-field算法相比，它准确率不差、更鲁棒、更快。

二、CMFD算法框架

检测算法的一般步骤

• 特征提取：在感兴趣像素点及其邻域计算合适的特征，还表达图像属性。
• 特征匹配：基于相关特征，计算每个像素点的最佳匹配。
• 后处理：过滤和处理偏移域（offset field，连接像素点和它们的最近邻点），来减少虚报（false alarm)。

注：sparse-field只有稀疏的关键像素点，而dense-field对所有像素点都经历上面三个阶段。所以为加快匹配速度，提取的特征应该尽可能短。

特征提取

1）RGB值。特征向量长，且受JPEG压缩、噪声、常见形变的影响。

2）DCT, Wavelet, PCA, SVD。虽然特征向量不长，但不具有尺度和旋转不变性。

3）圆谐变换：Zernick Moments（ZM）， Polar Cosine Transforms（PCT），具有旋转不变性。 Fourier-Mellin Transform（FMT）的变体，具有尺度不变性。注：本文采用！

特征匹配

1）详尽搜索最近邻（exhaustive search for nearest neighbor)，计算量太大，不可行。

2）搜索近似最近邻（approximate nearest neighbor ）：

• 词典排序（lexicographic sorting），对噪声和其它形式的破坏敏感。
• kd-tree，sensitive hashing，虽然鲁棒性更好，速度也不错，但是它们适合一般情况，没有考虑此文中的具体情况，即。评：是不是可以改进到适合此文中的情况？
• 改进的PatchMatch，专门寻找图像中的最近邻像素点，可大幅降低处理时间，同时还能生成准确而规则的偏移域。注：本文采用！

后处理

• 基于密集线性拟合（Dense Linear Fitting, DLF）

三、特征匹配之PatchMatch方法

铺垫

​ $I=\{I(s){\in}R^K,s{\in}{\Omega}\}$ (1)

$I$是图像，定义在矩形网格$\Omega$上。$s$是二维向量，表示像素点所在的下标; $K$指的是图像的通道数（如灰度图$K=1$），$f(s)$是定义在中心为$s$的$P$像素矩形邻域的特征向量（如把块中$P$个像素组成一个特征向量），不过通常$f(s)$精简多了。

定义$D(f(s1),f(s2))$为合适的特征间的距离度量。

定义偏移域$\{{\delta}(s),s{\in}{\Omega}\}$，且满足

​ $\delta(s)=\arg\min_{\phi:s+\phi\in\Omega,\phi\neq0}D(f(s),f(s+\phi))$ (2)

当然最近邻$s'=s+\delta(s)$。

这个式子的含义是，找到一个偏移量$\phi$使$s$和