图像篡改检测：如何判断一张图片是否被PS过？

如何判断一张图片有没有被PS过？社媒上的美颜照片尚属小事，但如果身份证、护照、学历证明这些重要文件和图片也能通过PS神技篡改，问题就大了。于是，江湖流传几款“鉴P技巧”，其中受到广泛肯定的主要有两种：

1.检查图片中的异常区域

如果一张图片被PS修改过，那么图片中可能会存在一些异常区域，如颜色、光线、透视关系等方面的不自然。检查这些异常区域可以帮助我们判断图片是否被PS修改过。

2. 检查图片的元数据

许多数字图片都包含元数据，这些数据记录了图片的创建和修改历史。如果一张图片被PS修改过，那么元数据中通常会记录下修改的痕迹。因此，检查图片的元数据也是判断图片是否被PS修改过的一种方法。

方案一：右键图片 > 点击“属性/显示简介” > 点击选项“详细信息”，下拉找到“程序名称”如果显示Photoshop，说明这个图片被PS修改过。

方案二：右键图片 > 点击“重命名” > 后缀名改为“.txt”，打开这个txt文件，通过查找如果看到有显示Photoshop信息，说明这个图片被PS修改过。

其中，第二种方法随着图片编辑技术的日新月异已经逐渐隐退，除了Photoshop以外，PC端、移动端各类P图软件层出不穷，而且经过社交软件的上传下载，图片元数据很难留下痕迹。

第一种方法依靠肉眼鉴别，一方面，可靠性因眼力而异，较为参差；另一方面，如果鉴定篡改是工作中的常规需求，也需要消耗大量时间精力，人工成本极高。

举例来讲，在企业报销流程中，财务部门需要核验大量截图、凭证的真实性，以保证财务流程的安全性。在审核环节中，可靠的篡改检测方式能提供相当大的助力。

深度学习的方法为图像篡改检测提供了新的技术支持。采用神经网络模型，TextIn的检测技术能够捕捉图像在篡改过程中留下的细微痕迹，基于海量数据学习图像被篡改后统计特征的变化，智能判断图片是否被篡改。检测覆盖了复制粘贴、拼接、擦除等多种篡改形式与混合篡改，还能够定位修改区域，以热力图形式展示图像区域篡改置信度。

篡改检测技术已在众多场景中发挥重要作用。

01 银行业务

在银行移动开户、信用卡申办、保险理赔，以及商业消费场景中，每年都会因欺诈带来巨大的资金损失与潜在风险。其中，身份信息核查是银行、保险等业务场景中的首要项。

对身份证等卡证文件，TextIn图像篡改检测能够实现稳定的高检出率，并显示篡改区域与篡改置信度，助力反欺诈审查。

02 财务审核

上文已经提到，在财务审批过程中，对网约车订单、付款截图、航空行程单、酒店流水等各类报销佐证单据的真实性检验是一项重要任务。

手机P图工具的普及和肉眼难以分辨的P图效果对企业的财务安全性造成了严重挑战。当截图单据能被轻而易举地篡改，审核人员除非练就“火眼金睛”，否则便难以保证手中批准的流程项目是真实可靠的，而事实上，“对图捉虫”也并不是财务人员应该额外负担的工作。

以网约车订单截图为例，交通费发生时间、金额都是财务审核的重点，TextIn图像篡改检测能够协助财务人员辨识截图中经过P图篡改的时间、金额数字，提升工作便利性与安全性。

03 汽车行业

在汽车交易、运输等业务中，涉及大量驾驶证、行驶证真实性核查，存在迫切需求。

以二手车交易为例，行驶证涉及到车辆买卖合法性，行驶证造假与核查难题给相关企业造成了相当高的经济损失风险。

如图中案例所示，TextIn卡证篡改检测在驾驶证、行驶证检测中能实现良好效果，为企业规避人力消耗与经济风险。

04 人事审核

企业社会招聘中，HR需要对大量候选人进行背景调查及审核。其中，纳税、社保缴纳、绩效考核等过往信息，往往需要候选人以截图形式提供，由HR完成审核。

截图篡改成为背景造假的常见手段之一。

如下图（个人所得税APP截图）可见，TextIn图像篡改检测能够作为辅助手段，协助人事在背调、审核过程中查实相关候选人信息，提高业务效率，使调查更为可靠。

05 商场小票

商场小票是消费者经手的常见票据之一。大量商场都设有以消费金额换取积分，并兑换抵扣券、停车时限或是价值较高的礼品等福利，尤其部分大型集团连锁商场常以活动丰富知名。

目前，小票兑换积分一半通过小程序、APP等渠道，以线上方式进行，但在便利消费者的同时，伪造者也能借此用“以假乱真”的篡改图片牟取利益，造成商场经济损失。

金额与日期数字都是篡改“重灾区”，部分伪造者会通过PS日期来重复兑换。由于小票大多数为手机拍摄，并非规整的扫描文件，更为识别增加了难度。Textin篡改检测能够帮助检出肉眼难以辨别的P图痕迹，保护正当交易活动。

▶深度学习方法，“火眼金睛”看穿伪造

由于篡改手段的多样性、篡改文本的隐蔽性，文本篡改检测目前存在着众多难点，如篡改痕迹微弱、篡改文本与邻近文本高度相似等，种种难点对检测方法的精度和泛化性提出了挑战。

TextIn AI图像篡改检测方案在篡改区域定位、防止误判等方面表现优异，适配多种真实场景，能够在保持极低误检率的同时，准确识别并定位图片中文本的篡改行为，从而有效保障文本信息的真实性。

技术方案基于数据驱动的神经网络模型与分割模型，Backbone使用ConvNeXt作为编码器，LightHam和EANet两个网络并行作为解码器，提取篡改留下的细微痕迹。

模型具有以下特点：

• 强大的特征学习能力
• 可同时支持检测复制-移动、拼接、擦除多种篡改，以及混合篡改
• 检测准确率高、模型泛化能力强