Журнал: Том 31, № 2, 2026
Сторінки: 11 – 26
DOI: https://doi.org/10.62660/bcstu/2.2026.11
190 Переглядів

Метод виявлення результатів клонування цифрових зображень в умовах постобробки

Світлана Григоренко, Олександр Євсеєв, Микола Воронов
Отримано 11.12.2025
Доопрацьовано 20.03.2026
Прийнято 18.05.2026
Опубліковано 26.06.2026

Анотація

Актуальність цього дослідження обумовлена зростанням кількості випадків фальсифікації цифрових зображень та поширеним використанням клонування фрагментів як поширеної техніки маніпуляції, що створює серйозні виклики для інформаційної безпеки. Метою цього дослідження було розроблення та експериментальне підтвердження надійного методу виявлення клонування цифрових зображень в умовах постобробки на основі аналізу матриці мінімальної середньої різниці блоків, що дозволяє надійно ідентифікувати та просторово локалізувати клоновані області та їхні оригінальні прототипи. Запропонований метод базувався на ітеративному бісекційному інтервалі в поєднанні з бінарним перехресним аналізом різниць блоків і був реалізований в середовищі Matlab. Експериментальна структура включала моделювання адитивного гаусового, мультиплікативного та імпульсного шуму, стиснення JPEG, просторове фільтрування та комбіновані спотворення. Візуальна точність була кількісно оцінена за допомогою пікового відношення сигнал/шум із пороговим значенням відношення сигналу до шуму > 37 дБ. Обчислювальні експерименти проводилися на центральних областях цифрових зображень з роздільною здатністю 512×512 пікселів. Клоновані області займали менше 0,85 % площі зображення, зазвичай від 0,098 % до 0,39 %, при цьому також враховувалися менші клоновані області, менше 0,098 %. Аналіз проводився на випадково обраному одноколірному каналі з використанням блокової обробки. За відсутності спотворень після обробки глобальний мінімум функції мінімальної середньої різниці блоків досягав нуля, що забезпечувало максимальну ефективність виявлення з істинною позитивною частотою 100 %. Оцінка рівня помилкових позитивних результатів на оригінальних зображеннях дала значення 11 %, 7,5 % і 3 % для розмірів блоків 16, 24 і 32 відповідно. Рекомендований підхід демонструє високу чутливість виявлення, результати вказують на обмеження в придушенні помилкових позитивних результатів у порівнянні з деякими найсучаснішими методами, що підкреслює необхідність подальшої оптимізації

Ключові слова

пікове співвідношення сигналу до шуму; «сіль і перець»; гаусівський шум; мультиплікативний шум; «перетин»; Matlab

Використані джерела

  1. Abir, N.A.M., Abd Warif, N. B., & Zainal, N. (2021) An evaluationofpatch match-based copy-move forgery detection (CMFD) onsocialmedia images. In 2021 IEEE international conference on artificial intelligence in engineering and technology (IICAIET) (pp. 1-6). Kota Kinabalu: IEEE. doi: 10.1109/IICAIET51634.2021.9573571.
  2. Akram, A., Arfan, M., Rashid, J., Mahmood, K., & Ghani, A. (2025) Advanced digital image forensics: A hybrid framework for copy-move forgery detection in multimedia security. Journal of Forensic Sciences, 70 (5), 1801-1823. doi: 10.1111/1556-4029.70076.
  3. Ali, S.S., Ganapathi, I.I., Vu, N.-S., Ali, S.D., Saxena, N., & Werghi, N. (2022) Image forgery detection using deep learning by recompressing images. Electronics, 11(3), article number 403. doi: 10.3390/electronics11030403.
  4. Aloraini, M., Sharifzadeh, M., & Schonfeld, D. (2021) Sequential and patch analyses for object removal video forgery detection and localization. IEEE Transactions on Circuits and Systems for Video Technology, 31(3), 917-930. doi: 10.1109/tcsvt.2020.2993004.
  5. Bertojo, L., Néraud, C., & Puech, W. (2022) A very fast copy-move forgery detection method for 4K ultra HD images. Frontiers in Signal Processing, 2, article number 906304. doi: 10.3389/frsip.2022.906304.
  6. Duszejko, P., Walczyna, T., & Piotrowski, Z, (2025) Detection of manipulations in digital images: A review of passive and active methods utilizing deep learning. Applied Sciences, 15(2), 881. doi: 10.3390/app15020881.
  7. Gani, G., & Qadir, F. (2020) A robust copy-move forgery detection technique based on discrete cosine transform and cellular automata. Journal of Information Security and Applications, 54, article number 102510. doi: 10.1016/j. jisa.2020.102510.
  8. Ghai, A., Kumar, P., & Gupta, S. (2024) A deep-learning-based image forgery detection framework for controlling the spread of misinformation. Information Technology & People, 37(2), 966-997. doi: 10.1108/ITP-10-20200699.
  9. Grygorenko, S.N. (2016) Development of a method for detecting cloning in digital images under conditions of additional disruptive actions. Legal, Regulatory and Metrological Support for the Information Protection System in Ukraine, 1(31), 85-98.
  10. Haiwei, W., Zhou, J., Tian, J., & Liu, J. (2022) Robust image forgery detection over online social network shared images. In IEEE/CVF conference on computer vision and pattern recognition (CVPR) (pp. 13430-13439). New Orleans: IEEE. doi: 10.1109/CVPR52688.2022.01308.
  11. Hamza, А. (2022) How to make salt pepper noise own code. Retrieved from https://surl.li/empafc.
  12. Hosny, K.M., Mortda, A.M., Lashin, N.A., & Fouda, M.M. (2023) A new method to detect splicing image forgery using convolutional neural network. Applied Sciences, 13(3), article number 1272. doi: 10.3390/app13031272.
  13. Jain, A. (2024) Salt and pepper noise and how to remove it in machine learning. Retrieved from https://surl.lu/ nezlap.
  14. Jaiswal, A.K., & Srivastava, R. (2022) Detection of copy-move forgery in digital image using multi-scale, multi-stage deep learning model. Neural Processing Letters, 54(1), 75-100. doi: 10.1007/s11063-021-10620-9.
  15. Jiao, L.-X., Ng, K.-W. & Tong, H.-L. (2025) A comprehensive review of keypoint-based copy-move forgery detection: Challenges and advances. IEEE Access, 13, 180941-180952. doi: 10.1109/ACCESS.2025.3618716.
  16. Kadam, K.D., Ahirrao, S., & Kotecha, K. (2022) Efficient approach towards detection and identification of copy move and image splicing forgeries using mask R-CNN with mobilenet V1. Computational Intelligence and Neuroscience, 1, article number 6845326. doi: 10.1155/2022/6845326.
  17. Khalil, A.H., Ghalwash, A.Z., Elsayed, H.A., Salama, G.I. & Ghalwash, H.A. (2023) Enhancing digital image forgery detection using transfer learning. IEEE Access, 11, 91583-91594. doi: 10.1109/ACCESS.2023.3307357.
  18. Koul, S., Kumar, M., Khurana, S.S., Mushtaq, F. ,& Kumar, K. (2022) An efficient approach for copy-move image forgery detection using convolution neural network. Multimedia Tools and Applications, 81(8), 11259-11277. doi: 10.1007/s11042-022-11974-5.
  19. Kundu, R. (2022) Image processing: Techniques, types & applications. Retrieved from https://www.v7labs.com/ blog/image-processing-guide.
  20. Li, F., Pei, Z., Wei, W., Li, J., & Qin, C. (2022) Image forgery detection using tamper-guided dual self-attention network with multiresolution hybrid feature. Security and Communication Networks, 1, article number 1090307. doi: 10.1155/2022/1090307.
  21. Lumenci. (2024) Digital image processing (DIP): A beginner’s guide. Retrieved from https://surli.cc/qwhewc.
  22. Mehrjardi, F.Z., Latif, A.M., Zarchi, M.S., & Sheikhpour, R. (2023) A survey on deep learning-based image forgery detection. Pattern Recognition, 144, article number 109778. doi: 10.1016/j.patcog.2023.109778.
  23. Shehin, A.U., & Sankar, D. (2024) Copy move forgery detection and localisation robust to rotation using block based discrete cosine transform and eigenvalues. Journal of Visual Communication and Image Representation, 99, article number 104075. doi: 10.1016/j.jvcir.2024.104075.
  24. Shi, C., Chen, L., Wang, C., Zhou, X., & Qin, Z. (2023). Review of image forensic techniques based on deep learning. Mathematics, 11(14), article number 3134. doi: 10.3390/math11143134.
  25. Suresh, G., & Rao, C.S. (2022) Detection and localization of copy-moveforgery in digital images: Review and challenges. International Journal of Image and Graphics, 23(4), article numer 2350025. doi: 10.1142/ S0219467823500250.
  26. Tahaoglu, G., Uluas, G., & Ustubioglu, B. (2021) A new approach for localization of copy-move forgery in digital images. In 44th international conference on telecommunications and signal processing (TSP) (pp. 183-186). Brno: IEEE. doi: 10.1109/TSP52935.2021.9522680.
  27. Taneja, M.E.N., Mishra, G.S., & Bhardwaj, D. (2025) Unmasking anti-forensic techniques: A DCNN-driven approach to uncover contrast enhancement and median filtering detection. Journal of Forensic Sciences, 70(6), 2324-2337. doi: 10.1111/1556-4029.70161.
  28. Xie, H., Ni, J., & Shi, Y.Q. (2022). Dual-domain generative adversarial network for digital image operation anti-forensics. IEEE Transactions on Circuits and Systems for Video Technology, 32(3), 1701-1706. doi: 10.1109/ TCSVT.2021.3068294.
  29. Yang, J., Liang, Z., Gan, Y., & Zhong, J. (2021). A novel copy-move forgery detection algorithm via two-stage filtering. Digital Signal Processing, 113, article number 103032. doi: 10.1016/j.dsp.2021.103032.

ЦИТУВАТИ

Hryhorenko, S., Yevseiev, O., & Voronov, M. (2026). Method for detecting the results of digital image cloning in post-processing. Bulletin of Cherkasy State Technological University, 31(2), 11-26. https://doi.org/10.62660/bcstu/2.2026.11