Blok ve anahtar nokta yöntemleriyle derin öğrenme kullanan görüntü sahteciliği tespiti için hibrit bir model

Fotoğraflardaki Gizli Değişiklikler Neden Önemli

Fotoğraflar, haber ve siyasetten tıbbi kanıtlar ve mahkeme kararlarına kadar dünyayla ilgili inançlarımızı şekillendirir. Oysa modern düzenleme araçları bir görüntüyü o kadar inandırıcı şekilde değiştirebilir ki, eğitimli gözler bile fark etmeyebilir. Bu makale, HDBK adını taşıyan ve kopya–taşı sahteciliği olarak bilinen yaygın bir aldatmacayı tespit eden yeni bir yöntemi tanıtıyor—bir görüntünün bir bölümü aynı resim içinde kopyalanıp başka bir yere yapıştırılarak nesneleri gizleme veya çoğaltma işlemi. Amaç, soruşturmacılara hem doğru hem de gerçek dünya adli çalışmalarda işe yarayacak kadar hızlı bir araç sunmaktır.

Sayısal Fotoğraflara Dair Artan Güven Sorunu

Her yıl milyarlarca fotoğraf telefonlar, sosyal medya ve profesyonel sistemler aracılığıyla çekilip paylaşılıyor. Aynı zamanda, kolay kullanımlı düzenleme uygulamaları hemen hemen herkesin sahneden insanları kaldırmasına, nesneleri klonlamasına veya önemli ayrıntıları incelikle değiştirmesine izin veriyor. Kopya–taşı sahteciliğinde, kuşkulu bir kişi örneğin fren izi üzerine temiz bir yol yamacını kopyalayarak kanıtı kapatabilir veya bir kalabalığı çoğaltarak etkinliği daha büyük gösterebilir. Bu kopyalanan bölgeler aynı görüntüden geldiği için doğal olarak ışık, renk ve doku bakımından örtüşürler; bu da onları göze veya basit yazılım kontrollerine karşı özellikle zor fark edilir kılar.

Eski Araçlar ve Zayıf Yönleri

Mevcut tespit yöntemleri ipuçlarını farklı şekillerde arar. Blok tabanlı yöntemler görüntüyü birçok küçük yamaya böler ve şüpheli derecede benzer bölgeleri bulmak için karşılaştırır. Bu işe yarayabilir, fakat her olası yama çiftini kontrol etmek yavaştır ve kopyalanan parçalarda döndürme veya yeniden boyutlandırma yapıldığında ya da sonradan bulanıklaştırma ve sıkıştırma uygulandığında zorluk yaşar. Anahtar nokta tabanlı yöntemler ise köşe ya da dokulu noktalar gibi ayırt edici noktaları arayıp bunları karşılaştırır; bu daha hızlıdır ve geometrik değişikliklere karşı daha toleranslıdır. Ancak pürüzsüz veya çok küçük, az ayırt edici noktaya sahip sahte alanlarda genellikle başarısız olurlar. Derin öğrenme—sinir ağlarının veriden kendi özelliklerini öğrenmesi—hem bütün görüntü hem de piksel düzeyinde sahteciliği fark edebilir, fakat tipik olarak adli iş için pahalı olan büyük, dikkatle etiketlenmiş veri kümeleri gerektirir.

Üç Aşamalı Hibrit Strateji

Yazarlar HDBK adı verilen, derin öğrenme, blok analizi ve anahtar nokta eşleştirmenin güçlü yönlerini birleştirirken bunların bireysel zayıflıklarını azaltan hibrit bir sistem öneriyor. Birinci adımda, VGG16, MobileNet ve EfficientNetB0 adlı üç tanınmış sinir ağı tek bir üç kollu modele entegre ediliyor. Gerçek ve sahte görüntülerden oluşan bir benchmark üzerinde eğitilen bu ansambl, bir görüntünün sahte olup olmadığını hızla belirleyip şüpheli bölgeleri vurgulayan bir ısı haritası (heatmap) üretiyor. Eğitim sırasında el çizimi maske yerine yalnızca görüntü düzeyinde etiketlerden öğreniliyor ve iç özellik haritaları kullanılarak muhtemel müdahale alanları konumlandırılıyor.

Sahteyi Tam Yerinde Tespit Etmek İçin Yakınlaştırma

Isı haritası şüpheli bir bölgeyi izole ettikten sonra HDBK aramayı daraltıyor. Muhtemel sahte alanın çevresinde bir blok seçilip görüntüden çıkarılıyor ve içeriğin nereden kopyalandığını bulmak için daha akıllı bir blok tabanlı arama başlatılıyor. Her olası bloğun tükenene kadar karşılaştırılması yerine yöntem, evrimden esinlenen bir optimizasyon tekniği olan genetik algoritma kullanarak yalnızca en umut verici blok pozisyonlarını ve boyutlarını keşfediyor. Her adayın kalitesi, şüpheli blokla paylaştığı eşleşen özellik noktası sayısıyla ölçülüyor; bunun için SIFT, SURF ve FAST olmak üzere üç anahtar nokta algılayıcısı birlikte kullanılıyor. En iyi eşleşme bulunduktan sonra sistem karşılık gelen anahtar noktaları birbirine bağlıyor ve hem kaynak hem yapıştırılan bölgelerin etrafına sıkı bir çokgen çiziyor; şekilleri morfolojik filtrelerle iyileştirerek müdahale alanının temiz bir ikili maskesini üretiyor.

Yöntemin Performansı Ne Kadar İyi

HDBK’yi test etmek için yazarlar, küçük ve pürüzsüz kopyalanmış alanlar, döndürme, ölçeklendirme, bulanıklaştırma, eklenen gürültü, parlaklık değişiklikleri ve agresif JPEG sıkıştırma gibi zorlu durumları içeren yaygın kullanılan kopya–taşı sahtecilikleri koleksiyonu CoMoFoD veri setini kullandılar. Görüntü düzeyinde hibrit derin ağ sahte ve gerçek görüntüleri yaklaşık %99 doğrulukla doğru sınıflandırdı ve birkaç modern modeli geride bıraktı. Her pikselin gerçek veya sahte olarak değerlendirildiği piksel düzeyinde HDBK yüksek genel doğruluk ve gerçek maskelerle güçlü örtüşme elde etti; yanlış alarm oranlarını çok düşük tuttu. Ağır bulanıklaştırma, gürültü ve sıkıştırma gibi zor koşullar altında bile sistem sağlam performansını koruyarak sahte bölgenin hem yerini hem de şeklini ortaya koydu.

Günlük Fotoğraf Güvenliği İçin Ne Anlama Geliyor

Basitçe söylemek gerekirse, bu araştırma dijital görüntüler için daha akıllı bir dedektör sunuyor. Önce derin ağları kullanarak kusurlu görünen yerleri kabaca vurgulayıp, ardından optimize edilmiş blok araması ve anahtar nokta eşleştirmesiyle tam olarak neyin kopyalandığını ve nereden geldiğini izleyerek HDBK, hukuki kararları, haberleri veya tıbbi teşhisleri etkileyebilecek gizli düzenlemeleri güvenilir şekilde ortaya çıkarabiliyor. Çok küçük veya dokusuz sahteciliğin hâlâ bir zorluk olması ve yöntemin kopya–taşı dışındaki manipülasyon türlerine genişletilmesi için daha fazla çalışmaya ihtiyaç duyulmasıyla birlikte, bu hibrit yaklaşım ekranda gördüğümüze duyduğumuz güveni geri kazanmaya yönelik önemli bir adımı temsil ediyor.

Atıf: 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

Anahtar kelimeler: görüntü sahteciliği tespiti, kopya-taşı manipülasyonu, derin öğrenme, dijital adli tıp, görüntü doğruluğu