A Review Paper: Image Manipulation Passive Detection in Digital Image Processing
Keywords:
deteksi aktif, deteksi pasif, manipulasi gambar, tampering operationAbstract
Penggunaan gambar dalam komunikasi elektronik banyak digunakan saat ini, konon gambar dapat menyampaikan pesan lebih jelas dari ribuan kata. Tetapi gambar dapat dimanipulasi sehingga memberikan pesan yang salah dan hal tersebut dapat mengakibatkan kekacauan. Untuk itu diperlukan metode untuk mengkonfirmasi bahwa gambar yang diterima dalam kondisi asli dan belum dimanipulasi. Ada dua klasifikasi dalam deteksi manipulasi gambar, yang pertama adalah deteksi aktif yaitu keaslian gambar ditentukan oleh informasi yang tertanam dalam gambar seperti tanda tangan digital atau watermarking. Yang kedua adalah pendeteksian pasif dimana orisinalitas gambar ditentukan tanpa adanya pengetahuan sebelumnya yang tertanam didalam gambar sehingga deteksinya melalui operasi manipulasi yang dilakukan terhadap gambar ataupun melalui identifikasi sumber gambar. Deteksi aktif tentu akan memberikan hasil terbaik, tetapi karena banyak gambar tidak memiliki persyaratan data tertanam sebelumnya maka penggunaan metode deteksi pasif meningkat popularitasnya. Makalah ini akan meninjau metode deteksi pasif, khususnya dalam tampering operation yang digunakan dalam pemrosesan gambar digital untuk mendeteksi gambar yang dimanipulasi dan membandingkannya.
References
K. B. Meena and V. Tyagi, Image Forgery Detection: Survey and Future Directions, no. September. 2019.
B. Santhosh Kumar, S. Karthi, K. Karthika, and R. Cristin, “A systematic study of image forgery detection,” J. Comput. Theor. Nanosci., vol. 15, no. 8, pp. 2560–2564, 2018, doi: 10.1166/jctn.2018.7498.
M. Huh, A. Liu, A. Owens, and A. A. Efros, “Fighting Fake News: Image Splice Detection via Learned Self-Consistency,” in Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), 2018, doi: 10.1007/978-3-030-01252-6_7.
Y. Guo, X. Cao, W. Zhang, and R. Wang, “Fake Colorized Image Detection,” IEEE Trans. Inf. Forensics Secur., pp. 1–13, 2018, doi: 10.1109/TIFS.2018.2806926.
Y. Wu, W. Abd-Almageed, and P. Natarajan, “BusterNet: Detecting copy-move image forgery with source/target localization,” in Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), 2018, doi: 10.1007/978-3-030-01231-1_11.
P. Zhou, X. Han, V. I. Morariu, and L. S. Davis, “Learning Rich Features for Image Manipulation Detection,” in Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition, 2018, doi: 10.1109/CVPR.2018.00116.
A. Mazumdar, J. Singh, Y. S. Tomar, and P. K. Bora, “Universal Image Manipulation Detection using Deep Siamese Convolutional Neural Network,” arXiv, no. August 2018, pp. 1–6, 2018.
A. T. Gaikwad, “Analysis of Copy
Vol. 6 No. 10 (2020): Informatics - Digital Image Processing 118
Move Image Forgery Detection Using Histogram of Orientated Gradient,” Int. J. Res. Eng. Appl. Manag., vol. 04, no. 06, pp. 33–36, 2018, doi: 10.18231/2454-9150.2018.0687.
A. V. Malviya and S. A. Ladhake, “Pixel Based Image Forensic Technique for Copy-move Forgery Detection Using Auto Color Correlogram,” Procedia Comput. Sci., vol. 79, pp. 383–390, 2016, doi: 10.1016/j.procs.2016.03.050.
R. Kaur and A. Kaur, “Copy-Move Forgery Detection Using ORB and SIFT Detector,” Int. J. Eng. Dev. Res., vol. 4, no. 4, pp. 804–813, 2016.
B. R. M and R. Poovendran, “Segmentation Based On Image Copy Move Forgery Detection by Using Image Feature Matching,” Int. J. Innov. Res. Sci. Eng. Technol., vol. 5, no. 2, pp. 8–11, 2016.
D. Cozzolino, G. Poggi, and L. Verdoliva, “Efficient Dense-Field Copy-Move Forgery Detection,” IEEE Trans. Inf. Forensics Secur., vol. 10, no. 11, pp. 2284–2297, 2015, doi: 10.1109/TIFS.2015.2455334.
