روش‌های کلاسیک تشخیص جعل تصاویر

روش‌های کلاسیک تشخیص جعل تصاویر عمدتاً مبتنی بر پردازش تصویر و یادگیری ماشین هستند. این روش‌ها قبل از ظهور یادگیری عمیق به طور گسترده استفاده می‌شدند و هنوز در برخی کاربردها به کار می‌روند. این روش‌ها معمولاً شامل تحلیل ویژگی‌های تصویری و استفاده از مدل‌های سنتی یادگیری ماشین برای طبقه‌بندی تصاویر به عنوان واقعی یا جعلی هستند.

  

1.  تحلیل ویژگی‌های بافتی و آماری (Texture & Statistical Analysis)

این روش‌ها ویژگی‌های تصویری مانند بافت، شدت نور، رنگ و تغییرات جزئی را تحلیل می‌کنند. جعل‌های تصویری، به دلیل فرآیندهای تغییر و ترکیب، معمولاً ویژگی‌های تصویری خاصی را تغییر می‌دهند که می‌توان از آن‌ها برای تشخیص جعل استفاده کرد.

الف) تکنیک‌های تحلیل بافتی و آماری

الگوی باینری محلی (Local Binary Patterns - LBP)

• این روش به بررسی تغییرات شدت نور در پیکسل‌های مجاور می‌پردازد.
• LBP برای تحلیل بافت پوست در تصاویر چهره کاربرد زیادی دارد.
• در تصاویر جعل‌شده، الگوهای باینری محلی ممکن است ناهنجاری‌هایی را نشان دهند که در تصاویر واقعی دیده نمی‌شوند.

هیستوگرام گرادیان‌های جهت‌دار (Histogram of Oriented Gradients - HOG)

• این روش ویژگی‌های لبه‌ای تصویر را بررسی می‌کند.
• در فرآیند جعل، لبه‌های تصویر ممکن است دچار تغییرات نامنظم شوند که HOG می‌تواند آن‌ها را تشخیص دهد.

تبدیل ویژگی مقیاس‌ناپذیر (Scale-Invariant Feature Transform - SIFT)

• این روش ویژگی‌های محلی مقاوم در برابر تغییرات مقیاس و چرخش را استخراج می‌کند.
• اگر در یک تصویر جعلی قسمت‌هایی از تصویر تغییر کرده باشند، SIFT می‌تواند این تغییرات را شناسایی کند.

مثال کاربردی:

• در تصاویر DeepFake، تغییرات جزئی در بافت پوست باعث می‌شود که بخش‌هایی از چهره نرم‌تر یا غیرطبیعی به نظر برسند. استفاده از LBP می‌تواند این تغییرات را آشکار کند.

محدودیت‌ها:
 دقت پایین در تشخیص جعل‌های پیچیده مانند DeepFake
 حساسیت بالا به نویز و تغییرات نوری

---

2. مدل‌های سنتی یادگیری ماشین (Traditional Machine Learning Models)

پس از استخراج ویژگی‌های تصویری با استفاده از روش‌های فوق، مدل‌های سنتی یادگیری ماشین برای طبقه‌بندی تصاویر به عنوان واقعی یا جعلی استفاده می‌شوند. این مدل‌ها شامل موارد زیر هستند:

الف) ماشین بردار پشتیبان (Support Vector Machine - SVM)

• مدل SVM داده‌های تصویری را در فضای چندبعدی نمایش داده و یک مرز تصمیم برای تفکیک تصاویر واقعی و جعلی ایجاد می‌کند.
• با ترکیب SVM با ویژگی‌های استخراج‌شده از روش‌های LBP و HOG، می‌توان تصاویر جعل‌شده را تشخیص داد.
  مثال:
• تشخیص جعل امضاها در اسناد دیجیتالی با استفاده از ویژگی‌های لبه‌ای و بافتی.

ب) جنگل تصادفی (Random Forest)

• مجموعه‌ای از درخت‌های تصمیم‌گیری است که برای طبقه‌بندی استفاده می‌شود.
• از این روش برای تشخیص جعل تصاویر بر اساس ترکیب ویژگی‌های رنگ، روشنایی و بافت استفاده می‌شود.
  مثال:
• بررسی اسناد دیجیتال برای شناسایی امضاهای جعلی.

ج) نزدیک‌ترین همسایگان (K-Nearest Neighbors - KNN)

• این روش بر اساس مقایسه ویژگی‌های تصویر ورودی با تصاویر موجود در پایگاه داده، دسته‌بندی انجام می‌دهد.
  مثال:
• تشخیص جعل در تصاویر پزشکی، جایی که نمونه‌های واقعی و جعلی با مقایسه ویژگی‌های بافتی تحلیل می‌شوند.

محدودیت‌ها:
 نیاز به تنظیم دقیق ویژگی‌های ورودی برای مدل‌های یادگیری ماشین
 عملکرد ضعیف در برابر جعل‌های پیچیده که ویژگی‌های سطح بالا را تغییر می‌دهند

جمع‌بندی روش‌های کلاسیک تشخیص جعل تصاویر

روش	تکنیک‌های اصلی	مزایا	محدودیت‌ها
تحلیل ویژگی‌های بافتی و آماری	LBP, HOG, SIFT	پردازش سریع، مناسب برای تصاویر ساده	دقت پایین در DeepFake
مدل‌های سنتی یادگیری ماشین	SVM, Random Forest, KNN	نیاز به داده کمتر نسبت به یادگیری عمیق	توانایی محدود در تحلیل جعل‌های پیچیده