我们可以用ELA技术来非常方便的检测图片是否经过特殊处理。
使用ELA,每个未针对质量级别进行优化的网格将显示在重新保存期间更改的网格正方形。例如,数码相机不会针对指定的相机质量级别(高、中、低等)优化图像。数码相机的原始图片在任何重新保存期间都应具有高度的变化(高ELA值)。随后的每次重新保存都会降低错误级别的可能性,从而产生更暗的ELA结果。有了足够的重采样,栅格平方将最终达到其最小误差水平,在那里它将不再变化。
请看ELA官网的示例:首先我们使用ELA把一张图片导入。
下图就是ELA结果了。原始数码照片(来源:Hacker Factor)具有较高的ELA值,在ELA中用白色表示。黑色部分对应于原始图像中的实心白皮书和黑色8x8正方形。纯色的压缩效果非常好,因此这些颜色已经处于最小的错误级别
原始图像被重新保存了一次。对于人眼来说,原始图像和重新保存的图像之间没有明显的区别。然而,ELA显示出更多的黑色和更暗的颜色。如果再次保存此图像,它的ELA值将更低(更暗)。
重头戏来了:我们把重新保存的图片进行ps,复制了书籍,并添加了一个玩具恐龙。
ELA清楚地显示出修改区域具有更高的ELA值。(重要的是要认识到高频区域,如沿物体的边缘,通常具有比图片其余部分更高的ELA值。例如,书上的文字之所以突出,是因为明暗对比产生了高频边缘。通常,应将边与边进行比较、曲面与曲面进行比较。如果除一个曲面外的所有曲面都具有相似的ELA值,则应怀疑异常值。)
这样,无论是地平论者还是地球论者想要验证某个图片是不是ps的,就方便至极了。这就是科技改变生活啊(笑)
使用ELA,每个未针对质量级别进行优化的网格将显示在重新保存期间更改的网格正方形。例如,数码相机不会针对指定的相机质量级别(高、中、低等)优化图像。数码相机的原始图片在任何重新保存期间都应具有高度的变化(高ELA值)。随后的每次重新保存都会降低错误级别的可能性,从而产生更暗的ELA结果。有了足够的重采样,栅格平方将最终达到其最小误差水平,在那里它将不再变化。
请看ELA官网的示例:首先我们使用ELA把一张图片导入。
下图就是ELA结果了。原始数码照片(来源:Hacker Factor)具有较高的ELA值,在ELA中用白色表示。黑色部分对应于原始图像中的实心白皮书和黑色8x8正方形。纯色的压缩效果非常好,因此这些颜色已经处于最小的错误级别
原始图像被重新保存了一次。对于人眼来说,原始图像和重新保存的图像之间没有明显的区别。然而,ELA显示出更多的黑色和更暗的颜色。如果再次保存此图像,它的ELA值将更低(更暗)。
重头戏来了:我们把重新保存的图片进行ps,复制了书籍,并添加了一个玩具恐龙。
ELA清楚地显示出修改区域具有更高的ELA值。(重要的是要认识到高频区域,如沿物体的边缘,通常具有比图片其余部分更高的ELA值。例如,书上的文字之所以突出,是因为明暗对比产生了高频边缘。通常,应将边与边进行比较、曲面与曲面进行比较。如果除一个曲面外的所有曲面都具有相似的ELA值,则应怀疑异常值。)
这样,无论是地平论者还是地球论者想要验证某个图片是不是ps的,就方便至极了。这就是科技改变生活啊(笑)