如下介绍DCT、灰度图及DWT分别对正常及翻拍的特征提取，并将其用于SVM训练模型及对新数据的预测。根据不同方式数据的翻拍检测实验结果可得出鲁棒性DWT>DCT>灰度图。
一、DCT特征：
1、 从DCT特征图发现特征
对JPG的二次压缩存在明显的特征（二次压缩导致在左上角的连续区域外出现非0即非黑的像素点）
正常：
翻拍：
2、 提取DCT分类的特征
从DCT特征图里分别从横向纵向分相同区域提取分类特征（对区域里存在非0像素点的设为1不存在的设为0）
3、 实验结果
改变图片尺寸及降低图片质量对识别率有一定的影响，降低影响可根据实际的图片数据重新训练分类模型。对不同手机（拍照机器）有很大的影响，若训练数据里未出现过相应型号的手机数据，会存在识别率低的情况。
A、 原图，识别速度很慢（训练一样）
B、 降低图片质量，尺寸不变（训练数据为此种类型的数据），识别效果很好
C、仅改变图片尺寸后，识别率下降（训练数据片尺寸没有修改）
二、灰度图特征
1、描述
将图片进行灰度化，再按照DCT特征提取的区域划分的方式，对存在255像素点的区域设置为1否则为0的方式进行特征提取
2、实验结果
对固定手机固定拍照方式的分类准确，但对不同的拍照手机及障碍物有很大的影响，建议不采用此种特征方式。
三、DWT特征
1、获取噪音
噪音与拍照的环境有很大关系，同样的环境会留下一些特定的噪音。屏幕存在刷新频率对着拍照会留下特定规律的噪音。将图片进行灰度化，通过小波变换对灰度图去噪，再将两者相减即可得到噪音
原灰度图：
去噪：
噪音：
2、 将多种噪音特征加入分类特征
分别用3种不同的小波方法“wavedec2-waverec2”、 “wavedec-waverec”及“dwt2-idwt2”提取噪音，并获取各噪音的均值、方差、斜度及峰值共12个特征值当作分类的特征。
3、实验结果
调整图片尺寸不影响检测准确率，因而识别速度很快。对不同的拍摄方式及拍照手机的适用性很好。
四、SVM分类
1、 训练模型
获取实际的900张E+或SFA数据，不同型号手机分三类（对电脑、手机、电视屏）各300张分别翻拍。对900张原图、900张翻拍图片分别用以上DCT特征提取方式形成一个特征矩阵（1800 row * 区域数 cols，同时生成一个行数为1800列数为1的标签矩阵（用1代代表原图、2代表翻拍），SVM根据数据及数据标签训练得到模型
2、 识别
用“训练模型”的方式去提取待识别图片或图片集的特征，再根据已训练的模型预测图片或图片集的标签类别