【技术实现步骤摘要】
一种基于深度学习的单幅图像相机溯源方法
本专利技术涉及信息安全领域，具体涉及由单幅图像溯源拍摄该图像相机的方法。
技术介绍
在飞速发展的信息时代，数字图像已经渗透到社会生活的每一个角落，人们随时可以使用相机或者手机记录身边的点点滴滴。数字图像的广泛使用也促进了数字图像编辑软件的开发与应用，例如AdobePhotoshop、VSCO、Snapseed等图像处理软件。利用这些编辑工具，用户可以随意对图像进行修改以达到更好的视觉效果。然而方便了用户的同时，也给一些不法分子以可乘之机,不法分子可拍摄一些非法图片并进行传播，更有甚者在未经授权的情况下，对他人拍摄的图像内容进行违规编辑、合成虚假图像等，从而导致篡改图像和盗版行为在社会生活中泛滥成灾。数字图像获取过程中，来自真实场景的光线利用色彩滤波阵列选择性的通过部分光线进入照相机传感器上的光学镜头，进而生成数字图像信；然后通过色彩插值算法、白平衡矫正、图像锐化、对比度增强、伽马校正等色彩处理算法提高图像质量；最后通过编码算法，将处理后的数字信号存储在相机存储器中[1,2]。而不同相机在硬件设备[3]，色彩插值算法[4,5,...
【技术保护点】
1.一种基于深度学习的单幅图像相机溯源方法，其特征在于：步骤1、将原图送到多尺度拉普拉斯滤波器提取不同尺度的高频图像，将不同尺度的高频图像和原图分组进行初步特征提取，将提取的初步特征进行拼接合并；步骤2、构造基于信噪比增强的特征抽取器，将步骤1中拼接合并后的特征送入基于信噪比增强的特征抽取器进一步进行特征提取；步骤3、根据相机品牌、相机型号和个体相机设备构成的层次关系，构造基于层级结构的串联型多任务分类模块，将步骤2中进一步提取的特征送入分类器，实现对相机品牌、相机型号和个体相机设备的识别。
【技术特征摘要】
1.一种基于深度学习的单幅图像相机溯源方法，其特征在于：步骤1、将原图送到多尺度拉普拉斯滤波器提取不同尺度的高频图像，将不同尺度的高频图像和原图分组进行初步特征提取，将提取的初步特征进行拼接合并；步骤2、构造基于信噪比增强的特征抽取器，将步骤1中拼接合并后的特征送入基于信噪比增强的特征抽取器进一步进行特征提取；步骤3、根据相机品牌、相机型号和个体相机设备构成的层次关系，构造基于层级结构的串联型多任务分类模块，将步骤2中进一步提取的特征送入分类器，实现对相机品牌、相机型号和个体相机设备的识别。2.如权利要求1所述的一种基于深度学习的单幅图像相机溯源方法，其特征在于：步骤1中，包括以下步骤：步骤1.1、将原图送入到多尺度拉普拉斯滤波器提取三种不同尺度的高频图像,获得不同尺度的高频图像H1,H2,H3；多尺度拉普拉斯滤波器按以下表达式确定：I＝I-GF1(I)+GF1(I)＝H1+GF1(I)-GF2(GF1(I))+GF2(GF1(I))＝H1+H2+GF2(GF1(I))-GF3(GF2(GF1(I)))+GF3(GF2(GF1(I)))＝H1+H2+H3+GF3(GF2(GF1(I)))其中,GFi(·)为高斯滤波器，获得的是经过模糊的低频图像，Hi为高频残差图像,I为原图，利用不同尺度的高斯滤波器进行层层滤波，获得不同分辨率的高频图像。3.如权利要求2所述的一种基于深度学习的单幅图像相机溯源方法，其特征在于：步骤1中，包括以下步骤：步骤1.2、提取H1,H2,H3和原图I四种模式图像下的初步特征，将三种不同尺度的高频图像和原图称为不同模式的图像，每种模式均包括R、G、B三个通道，将不同模式的图像并行送入各自的卷积模块和残差网络模块，分组进行初步特征提取，学习不同模式下图像中蕴藏的相机指纹特征。4.如权利要求3所述的一种基于深度学习的单幅图像相机溯源方法，其特征在于：步骤1中，包括以下步骤：步骤1.3、将步骤1.2中提取的初步特征送入残差网络模块进行拼接合并。5.如权利要求1所述的一种基于深度学习的单幅图像相机溯源方法，其特征在于：基于信噪比增强的特征抽取器包括2个双路神经网络模块、2个残差网络模块、1个信噪比增强层；2个双路神经网络模块均由两个卷积层组成，卷积层的输入特征和输出特征按一定规则分别划分为两个部分，一部分输入特征和输出特征进行逐点相加形成残差旁支通路，用于对特征的再利用，另一部分输入特征与输出特征进行逐通道串联形成串联连通支路，用于探索新特征；信噪比增强层由串联拼接层和卷积层构成。6.如权利要求5所述的一种基于深...
【专利技术属性】
技术研发人员：丁兴号，陈云舒，唐圳，黄悦，
申请(专利权)人：厦门大学，
类型：发明
国别省市：福建,35
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。