【技术实现步骤摘要】
基于图像块多样性选择和残差预测模块的源相机识别方法
本公开属于源相机识别
，涉及一种基于图像块多样性选择和残差预测模块的源相机识别方法。
技术介绍
本部分的陈述仅仅是提供了与本公开相关的
技术介绍
信息，不必然构成在先技术。在图像取证任务中，源相机识别一直是备受关注的重点问题。源相机识别的目的是确定用于获取未知来源的数字图像的源相机。对于某一特定的相机，所拍摄的图像在成像时会受到设备所特有的成像特征的影响，如相机模式噪声、镜头像差等。此外，相机内部的芯片对采集到的图像信息采用一定的处理方法，如白平衡、对比度饱和度设置等，也会对最终的成像有所影响。以上两类特征随相机种类的不同而不同，都会在最终的图像中留下微弱的痕迹，这是源相机识别的重要依据。由于相机内部的操作是不可逆的，并且相机留下的痕迹相对稳定，因此可以利用图像中留下的痕迹进行源相机识别。LucaBondi等人首次将卷积神经网络(CNN)应用于源相机识别领域。他们通过卷积神经网络提取相机模型特征并用支持向量机进行分类，可以预测整幅图像的相机模型类别，然而该...
【技术保护点】
1.一种基于图像块多样性选择和残差预测模块的源相机识别方法，包括以下步骤：/n将选择的数据库图像划分为训练集、验证集和测试集；/n将原始图像分割成大小一定的图像块，从每张训练图像中分割得到的所有图像块中选取部分有代表性的小图像块作为训练数据；/n构建残差预测模块，并利用其降低训练数据中图像内容的影响；/n对卷积神经网络模型进行改进，去掉两个全连接层，使用一个全局平均池化层和一个全连接层，形成改进后的卷积神经网络模型；/n将处理后的残差图像输入至改进的卷积神经网络模型中，进行训练；/n利用验证集对训练结果进行验证，不断训练，直到满足验证标准；/n利用最终的卷积神经网络模型对测...
【技术特征摘要】
1.一种基于图像块多样性选择和残差预测模块的源相机识别方法，包括以下步骤：
将选择的数据库图像划分为训练集、验证集和测试集；
将原始图像分割成大小一定的图像块，从每张训练图像中分割得到的所有图像块中选取部分有代表性的小图像块作为训练数据；
构建残差预测模块，并利用其降低训练数据中图像内容的影响；
对卷积神经网络模型进行改进，去掉两个全连接层，使用一个全局平均池化层和一个全连接层，形成改进后的卷积神经网络模型；
将处理后的残差图像输入至改进的卷积神经网络模型中，进行训练；
利用验证集对训练结果进行验证，不断训练，直到满足验证标准；
利用最终的卷积神经网络模型对测试集的图像进行源相机识别。
2.如权利要求1所述的一种基于图像块多样性选择和残差预测模块的源相机识别方法，其特征是：在源相机模型数据集划分中，剔除只有一部相机设备的相机模型，以保证测试集中出现的相机设备没有在训练集和验证集中出现；通过图像的场景内容划分为训练集、验证集和测试集，保证训练集、验证集和测试集中的场景不一致；
或，进行数据库图像划分时，在源相机品牌数据集划分中，首先，剔除只有一种相机模型的相机品牌，然后通过图像的场景内容划分为训练集、验证集和测试集；在源相机设备数据集划分中，使用了数据库中所有的相机设备；然后通过图像的场景内容划分为训练集、验证集和测试集，保证训练集、验证集和测试集中的场景不一致。
3.如权利要求1所述的一种基于图像块多样性选择和残差预测模块的源相机识别方法，其特征是：将原始图像分割成64×64的图像块，并忽略小于64×64的图像块。
4.如权利要求1所述的一种基于图像块多样性选择和残差预测模块的源相机识别方法，其特征是：对分割得到的图像块进行选择的过程中，采用不同的选取图像块的方法来丰富图像特征；
一种方法为根据均值方差公式，为同一张图像中分割得到的每个图像块计算得分，对图像块的得分进行排名，选择排名靠前的m个图像块；
另一种为利用K-means聚类算法选择图像块，根据每个图像块的均值和方差将每张原始图像中分割得到的所有图像块进行K-means聚类，聚成k个不同的类别，从每个类别中，选取距离聚类中心最近的n个图像块作为此类别的代表；
当选择的图像块与基于均值方差的方法有重叠时，保留K-means方法选择的图像块，选择均值方差公式得分排名顺延一个位置的图...
【专利技术属性】
技术研发人员：刘云霞，邹泽宇，张文娜，陈月辉，杨阳，
申请(专利权)人：济南大学，
类型：发明
国别省市：山东;37
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。