نموذج هجين لاكتشاف تزوير الصور باستخدام التعلم العميق مع طرق الكتل ونقاط المفتاح

لماذا تهم التعديلات الخفية في الصور

تشكل الصور ما نصدقه عن العالم، من الأخبار والسياسة إلى الأدلة الطبية وقرارات المحاكم. ومع ذلك، يمكن لأدوات التحرير الحديثة أن تغير الصورة إقناعياً لدرجة أن العين المدربة قد لا تلاحظ ذلك. تقدم هذه الورقة طريقة جديدة، تسمى HDBK، تكشف نوعاً شائعاً من الخداع يعرف بتزوير النسخ–واللصق—حيث يُنسخ جزء من الصورة ويُلصق في مكان آخر ضمن نفس الصورة لإخفاء أو تكرار كائنات. الهدف هو تزويد المحققين بأداة تكون دقيقة وسريعة بما يكفي لتكون مفيدة في العمل الجنائي الواقعي.

مشكلة متنامية في ثقة الصور الرقمية

كل عام تُلتقط وتُشارك مليارات الصور عبر الهواتف ووسائل التواصل ونظم العمل المهنية. وفي الوقت نفسه، تتيح تطبيقات التحرير سهلة الاستخدام لأي شخص تقريباً إزالة أشخاص من مشهد، استنساخ كائنات، أو تغيير تفاصيل مهمة بشكل طفيف. في تزوير النسخ–واللصق، قد يحجب شخص مشبوه دليلاً عبر نسخ رقعة نظيفة من الطريق فوق آثار انزلاق، أو يكرر حشدًا لجعل حدث يبدو أكبر. وبما أن هذه المناطق المنسوخة تأتي من نفس الصورة، فهي تتطابق طبيعياً في الإضاءة واللون والملمس، مما يجعل اكتشافها صعباً بالعين أو بفحوصات برامج بسيطة.

الأدوات القديمة ونقاط ضعفها

تبحث طرق الكشف الحالية عن دلائل بطرق مختلفة. تقسم طرق الكتل الصورة إلى رقع صغيرة وتقارنها للعثور على مناطق متشابهة بشكل مريب. قد ينجح هذا، لكن فحص كل زوج محتمل من الرقع بطيء ويواجه صعوبة عندما يدور المتزورون أو يغيرون حجم الأجزاء المنسوخة، أو عند تطبيق طمس أو ضغط على الصورة لاحقاً. بدلاً من ذلك، تبحث طرق نقاط المفتاح عن نقاط مميزة—مثل الزوايا أو البقع المحبوكة—وتقارنها، وهو أسرع وأكثر تحملًا للتغيرات الهندسية. ومع ذلك، تفشل هذه الطرق غالباً مع المناطق المزورة الملساء أو الصغيرة التي تحتوي على نقاط مميزة قليلة. يمكن للتعلم العميق، حيث تتعلم الشبكات العصبية ميزاتها من البيانات نفسها، أن يكتشف التزوير على مستوى الصورة أو البكسل، لكنه عادةً ما يتطلب مجموعات بيانات كبيرة وموسومة بعناية مكلفة الإنشاء لأغراض الطب الشرعي.

استراتيجية هجينة من ثلاثة خطوات

يقترح المؤلفون HDBK، نظاماً هجيناً يمزج بين نقاط قوة التعلم العميق، وتحليل الكتل، ومطابقة نقاط المفتاح مع تقليل نقاط ضعف كل منها. في الخطوة الأولى، تُدمج ثلاث شبكات عصبية معروفة—VGG16 وMobileNet وEfficientNetB0—في نموذج ثلاثي الفروع واحد. مدرَّب على مجموعة معيارية من الصور الأصلية والمزورة، يقرر هذا التجميع بسرعة ما إذا كانت الصورة مشبوهة وينتج خريطة حرارية: طبقة لونية تُبرز المناطق التي تعتبرها الشبكة مريبة. بدلاً من الاعتماد على أقنعة مرسومة يدوياً أثناء التدريب، يتعلم النظام من تسميات على مستوى الصورة فقط، ثم يستخدم خرائط الميزات الداخلية لتحديد مواقع المناطق التي يحتمل أن تكون معدلة.

تكبير لتحديد التزوير بدقة

بمجرد أن تعزل الخريطة الحرارية منطقة مريبة، يضيّق HDBK نطاق البحث. يُختار كتلة حول المنطقة المشتبه بها، وتُزال من الصورة، ثم تُطلق عملية بحث أذكى باستخدام طريقة قائمة على الكتل لإيجاد المصدر الذي نُسخت منه تلك المحتويات. بدل مقارنة كل كتلة ممكنة على نحو جشع، يستخدم الأسلوب خوارزمية جينية—تقنية تحسين مستوحاة من التطور—لاستكشاف مواقع وحجوم الكتل الأكثر وعداً فقط. تُقاس جودة كل مرشح بعدد نقاط الميزات المتطابقة التي يشترك بها مع الكتلة المشكوك فيها، مستخدماً ثلاثة كاشفات لنقاط المفتاح (SIFT وSURF وFAST) معاً. بعد إيجاد أفضل تطابق، يربط النظام نقاط المفتاح المقابلة ويرسم مضلعاً محكماً حول كل من المنطقتين المصدر والملصوقة، ثم يُحسّن الأشكال بمرشحات مورفولوجية لإنتاج قناع ثنائي نظيف للمنطقة المعدلة.

مدى أداء الطريقة

لاختبار HDBK، استخدم المؤلفون مجموعة CoMoFoD، وهي مجموعة شائعة من حالات تزوير النسخ–واللصق تتضمن حالات تحدٍ: مناطق منسوخة صغيرة وملساء، دورانات، تغيير مقاسات، طمس، إضافة ضوضاء، تغييرات سطوع، وضغط JPEG شديد. على مستوى الصورة، صنف الشبكة الهجينة الصور المزورة مقابل الأصلية بدقة تقارب 99%، متجاوزة عدة نماذج حديثة أخرى. على مستوى البكسل، حيث يُحكم على كل بكسل كأصلي أو مزور، حقق HDBK دقة إجمالية عالية وتداخل قوي مع الأقنعة الحقيقية، مع معدل إنذارات كاذبة منخفض جداً. حتى في ظروف صعبة مثل الطمس الشديد والضوضاء والضغط، حافظ النظام على أداء قوي، كاشفاً كل من موقع وشكل المناطق المزيفة.

ماذا يعني هذا لثقةنا اليومية في الصور

بعبارة بسيطة، يقدم هذا البحث محققاً أذكى للصور الرقمية. من خلال استخدام الشبكات العميقة أولاً لإبراز المناطق المشكوكة بشكل تقريبي، ثم استخدام بحث كتل محسّن ومطابقة نقاط المفتاح لتعقب ما نُسخ بالضبط ومن أين أُخذ، يمكن لـ HDBK كشف التعديلات الخفية التي قد تؤثر على أحكام قانونية أو تقارير إخبارية أو تشخيصات طبية بثقة. رغم أن المناطق المزورة الصغيرة جداً أو عديمة النسيج لا تزال تشكل تحدياً، وأن هناك حاجة لمزيد من العمل لتوسيع الطريقة لتشمل أنواع تلاعب أخرى غير النسخ–واللصق، فإن هذا النهج الهجين يمثل خطوة مهمة نحو استعادة الثقة فيما نراه على شاشاتنا.

الاستشهاد: Mehrjardi, F.Z., Zarchi, M.S. A hybrid model for image forgery detection using deep learning with block and keypoint methods. Sci Rep 16, 11169 (2026). https://doi.org/10.1038/s41598-026-41473-8

الكلمات المفتاحية: كشف تزوير الصور, تلاعب النسخ-واللصق, التعلم العميق, التحقيق الرقمي الجنائي, أصالة الصورة