copy_move op• データ種: image2d → table
• 呼び出し: import imgforensics; imgforensics.copy_move_regions(image, method: 'str' = 'keypoint', min_matches: 'int' = 4, min_offset: 'float' = 16.0, offset_tol: 'float' = 2.0, ratio: 'float' = 0.6, patch: 'int' = 11, block: 'int' = 8, step: 'int' = 1, n_dct: 'int' = 10, min_variance: 'float' = 0.0001, max_feature_dist: 'float' = 0.02, neighbours: 'int' = 2, ransac_thresh: 'float' = 3.0, ransac_iters: 'int' = 300, seed: 'int' = 0) -> 'list' (または opsimgforensics.get("copy_move_regions"))
1 枚の画像の中の コピー&ムーブ(自己複製)領域の対を返す。`table`。
`method="keypoint"`(既定)
:func:features.harris_corners でコーナーを取り、
:func:features.describe_patches で正規化パッチ記述子を作り、
**自分から `min_offset` px 以上離れた**最近傍と Lowe の比率検定で対応を作る
(:func:_self_match)。対応をシフトベクトルで束ね、群ごとに
:func:mosaic.proj_match_points_ransac で幾何整合を確認する。
相似変換は :func:fit_transform.vector_to_similarity(Umeyama)で当てて
`similarity` に入れる。
`method="block"`
Fridrich, Soukal & Lukáš 2003。`block 角の重なりブロックを step` px
刻みで取り(既定 `step=1` —— これは飾りではない。下の「歩幅」参照)、
各ブロックの DCT 低周波 `n_dct` 係数を特徴にして辞書順に並べ、
辞書順で近い `neighbours` 件までを候補にし、特徴距離が
`max_feature_dist` 以下のものだけをシフトベクトルで数える。
回転・拡大には効かないが、角の少ない画像で keypoint 法より拾える。
分散が `min_variance` 未満のブロックは捨てる(**一様な空を空にコピーしても
同じ特徴になる** = 検出器が必ず作る偽陽性の主因)。
**歩幅 (`step`) を 1 にしてある理由(実測で決めた)**: ブロック法が「同じ特徴」を
見つけられるのは、複製元と複製先が 同じ格子に乗ったときだけである。
`step=4 にすると、シフトが 4 の倍数でない複製(たとえば (110, 128)`)は
原理的に一度も一致しない。実測で `step=4` は真のシフトを 1 件も返さず、
代わりに偽の群を 60 件返した。`step=1` なら真のシフトが第 1 群に来る。
大きい画像で重いときは `step` を上げてよいが、**上げた歩幅の倍数のシフト
しか見つからなくなる**ことを承知の上で上げること。
返りは領域対の list(対応数の多い順)。各要素:
`offset シフト (dy, dx)`(row, col)。向きは 位置で正規化してある
(辞書順で正になる向き)—— 添字で決めると同じ複製が
`(110, 128) にも (-110, -128)` にもなる(実測して直した)
`n_matches` その群の対応数
`n_inliers RANSAC の内点数(method="block" では n_matches` と同じ)
`inlier_ratio` 内点率
`src_bbox / dst_bbox (r0, c0, r1, c1)`
`src_points / dst_points (N, 2)` の (row, col)
`similarity Umeyama で当てた 3x3(method="keypoint" のみ、なければ None`)
`method` 使った方法
`caveats` この結果が言えないこと
正解が手元にあるので当てられることを数で固定してある
(`tests/test_imgforensics.py::test_copy_move_finds_the_known_offset`、
256x256 のテクスチャ画像の `(40, 32) にある 64x64 を (150, 160)` へ複製 =
真のシフト `(110, 128)`):
============ ================= ============ ========= ==============
method 第 1 群の offset n_matches 群の数 誤差
============ ================= ============ ========= ==============
keypoint (110.0, 128.0) 15 1 0 px
block (110.0, 128.0) 3249 1 0 px
============ ================= ============ ========= ==============
偽陽性も測ってある: 改竄していない同じ種類の画像 3 枚では、
keypoint 法・block 法とも群 0 件(seed 4/5/6)。
言えないこと(すべて同じテストで測ってある):
• 一様な領域(空・壁)は複製しなくても同じ特徴になる。上半分を一様な「空」に
した(改竄していない)画像で、`min_variance=1e-4 と 1e-6` はどちらも
0 件だが、`min_variance=0` にすると 264 対の偽の群が 1 件出る
(シフト `(1, -247)` = 空の中の適当な対応)。
• `method="keypoint"` は正規化パッチ記述子なので 回転に効かない。
複製を回して貼ると群の数は 0 度 1 件 → 5 度 0 件 → 15 度 0 件 → 30 度 0 件。
`similarity` に回転が入って返ることは実質ない。
• `method="block"` も 回転にまったく効かない(5 度で 0 件)。
• 検出ゼロ = 複製が無い、ではない。再圧縮を挟んだ複製は特徴距離が伸びて
`max_feature_dist` を超える。実測(同じ複製画像を JPEG に通してから検出):
========== ============================ ==========================
品質 keypoint 第 1 群の n_matches block 第 1 群の n_matches
========== ============================ ==========================
無圧縮 15 3249
95 10 138
85 7 10
75 7 0 件(群なし)
========== ============================ ==========================
シフトはどの品質でも `(110.0, 128.0)` のまま正しい。**壊れるのは
「見つかるかどうか」で、見つかったときの答えではない**。
• サンプルデータ カタログ(DL URL / ライセンス) — 2-D は skimage.data(BSD/public)+ 合成、3-D は実データ源(Stanford/PDS 等)の DL URL。
• 演算子の来歴・参考文献 — この op 族の元になった研究/手法の出典。
• アルゴリズムの正典(著者・年)と用途は上記ファミリ使い方ガイドに記載。
• image_forensics_audit — py -3.11 examples/image_forensics_audit.py
table を入力に取れる)copy_move)—
*Provenance: imgforensics.py — IMGFORENSICS operator registry. この per-op ノートは tools/opdocs.py md が自動生成(手編集しない)。*
© 2026 Kazufumi Furuse — Fullseye operator documentation. Licensed under Apache-2.0.