【技术实现步骤摘要】
一种基于深度学习的篡改图像检测方法
本专利技术涉及图像被动取证领域，尤其是涉及一种基于深度学习的篡改图像检测方法。
技术介绍
随着信息科学技术的飞速发展，数字图像已经渗透到社会生活的每一个角落。数字图像的广泛应用也促进了数字图像编辑软件的快速发展，图像处理软件的出现使得数字图像的润饰修改变得较为容易。然而，这在方便了普通用户的同时，也给予一些不法分子可乘之机。不法分子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和传播；抑或是为了伪造事实而恶意合成虚假图像。篡改图像虽能在一定程度上对图像起到美化作用，但本质上仍是具有欺骗性质，如果不加限制地非法使用和传播，会造成混淆视听、愚弄大众的不良后果，更可能影响社会秩序和司法公正，对社会稳定、政治发展、文化进步和科学真实性等方面带来恶劣的负面影响。因此，如何快速有效地判断图像是否被篡改并检测出篡改区域，对图像取证任务具有重要意义。数字图像篡改过程中，即使可获得肉眼上足以以假乱真的结果，但图像本身的连续特征却已遭到破坏，而不同图像自身携带的指纹信息亦不同，故可通过比较图像中特定指纹信息的不一致性或分析该图像中的某种统计特...
【技术保护点】
1.一种基于深度学习的篡改图像检测方法，其特征在于包括以下步骤：1)构造基于多尺度噪声约束的卷积层，用以获得图像中的高频噪声残差；2)使用双流网络进行篡改图像检测；所述双流网络由两条支路组成，一条支路在原始RGB图像上进行提取特征，并针对该特征估计图像中的疑似篡改区域，再将提取到的特征映射到疑似篡改区域上，进行ROI池化，用于篡改区域的检测和分割；另一条支路基于步骤1)中获得的噪声图像进行特征提取，并与RGB通道特征融合，用以进行图像区域是否篡改的分类；3)使用多任务学习方法，同时实现图像区域是否篡改的分类，以及篡改区域的检测和分割任务；在网络优化时，提取感兴趣区域提取网络...
【技术特征摘要】
1.一种基于深度学习的篡改图像检测方法，其特征在于包括以下步骤：1)构造基于多尺度噪声约束的卷积层，用以获得图像中的高频噪声残差；2)使用双流网络进行篡改图像检测；所述双流网络由两条支路组成，一条支路在原始RGB图像上进行提取特征，并针对该特征估计图像中的疑似篡改区域，再将提取到的特征映射到疑似篡改区域上，进行ROI池化，用于篡改区域的检测和分割；另一条支路基于步骤1)中获得的噪声图像进行特征提取，并与RGB通道特征融合，用以进行图像区域是否篡改的分类；3)使用多任务学习方法，同时实现图像区域是否篡改的分类，以及篡改区域的检测和分割任务；在网络优化时，提取感兴趣区域提取网络、篡改分类支路、篡改区域的检测支路以及分割支路这四部分的输出特征，计算网络的误差进行反向传播，进一步调整网络参数，使网络达到最优解。2.如权利要求1所述一种基于深度学习的篡改图像检测方法，其特征在于在步骤1)中，所述构造基于多尺度噪声约束的卷积层，用以获得图像中的高频噪声残差的具体步骤为：(1)对神经网络第一层卷积核进行随机初始化，并基于下式对卷积核进行约束，获得约束性卷积核：其中，w(l,m)是卷积核中像素点(l,m)位置的权重，w(0,0)为卷积核中心像素点的值；该约束即使得卷积核中心像素点权重值为-1，周围像素点权重之和为1，使得滤波结果满足高频约束；(2)使用3种不同尺度的孔洞卷积对约束性卷积核做扩张，并分别对输入的3通道RGB图像进行处理，获得3种不同尺度下的高频噪声残差输出，每种尺度的卷积核输出仍为3通道。3.如权利要求1所述一种基于深度学习的篡改图像检测方法，其特征在于在步骤2)中，所述双流网络利用RGB通道捕获图像中篡改区域和非篡改区域的强对比度差异、非自然边界过度等特征，利用噪声通道捕获篡改区域和非篡改区域在噪声层面的不一致特征，两个通道的特征互补融合；双流网络的主干网络选择双阶段的目标检测网络；其中，RGB通道是一个完整的目标检测网络，所提取特征可同时进行篡改类别的分类，以及篡改区域的检测和分割，而噪声通道的输入则是高频噪声残差，所提取特征用于图像区域是否篡改的分类。4.如权利要求1所述一种基于深度学习的篡改图像检测方法，其特征在于在步骤2)中，使用双流网络进行篡改图像检测的具体方...
【专利技术属性】
技术研发人员：丁兴号，黄悦，陈云舒，潘婕，
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。