利用卷积神经网络集成的数字图像局部滤波取证方法技术

本发明专利技术涉及一种利用卷积神经网络集成的数字图像局部滤波取证方法。步骤为：一、先对图像集中图像进行预处理，包括裁剪和滤波；二、将预处理后的图片划分类别并划分训练集和测试集；三、由基础的卷积核互相卷积生成大量新卷积核，对每个卷积核的性能进行评估，筛选出最优的40个卷积核；四、构建特定的有滤波层的VGG网络；五、将训练集数据输入到构建好的网络中，进行神经网络训练，重复多次，每次都在筛选出的卷积核中随机选择组成不同的滤波层以产生多组差异性结果；六、将多组差异性结果输入集成分类器得到小尺寸图像分类结果，实际检测时将小尺寸图像的分类结果整合作为原图最终检测结果；本发明专利技术可以有效地方便地解决检测局部滤波图像的问题。

【技术实现步骤摘要】
利用卷积神经网络集成的数字图像局部滤波取证方法
本专利技术涉及一种利用卷积神经网络集成的数字图像局部滤波取证方法，属于盲取证

技术介绍
手机、电脑等科技产品的普及使得人们对图片进行修改越来越容易。在一些专业领域，针对图片的恶意篡改对个人和国家都造成了巨大的损失。在恶意篡改图片的众多手段中，滤波操作是最为广泛使用的一种技术。鉴定图像是否经历过滤波可以为判断图像是否被篡改提供重要评判依据。这也使得针对滤波操作的盲检测十分必要。传统的滤波检测技术主要是基于图像频域上的分布规律提出合适的特征计算方法，并使用支持向量机进行分类。这些传统技术在中值滤波、均值滤波等操作的鉴别上有非常优秀的表现。然而在不同的方案中往往需要不同的特征值计算方法，没有针对多种滤波方式都有良好表达效果的计算方法。在图片尺寸较小时，传统的方法检测准确率也很低。此外，在实际情况中，更多的篡改者对图像只是进行了局部滤波或不同部位滤波操作不同。这些问题对检测方法的性能提出了更高的要求。CNN(卷积神经网络)的特点是可以利用神经网络自动化提取特征，无需人工参与，恰好适用于这一问题。在众多网络结构中，VGG网络有不错的性能且结构简洁。集成分类器的实质是一种结合多个“个体分类器”的策略，可以提升网络准确率。这里我们提出：在VGG网络前端加入滤波层，滤波层由8个基础的卷积核和8个随机选择出的卷积核组合而成。通过不同的卷积核的组合使得神经网络的输出结果产生差异性，最后将有差异的结果输入集成分类器。有差异的结果可以提高集成的效果。这样的方式与初始VGG网络相比可以提高分类的准确率，使得针对小尺寸图像的检测性能达到要求。这一新方案与传统的方案对比适用范围更广，准确率更高。
技术实现思路
本专利技术目的是针对现存的检测方法需要利用先验模型提取特征且在小尺寸图片上性能不佳的特性，提供一种利用卷积神经网络集成的数字图像局部滤波取证方法。为达到上述目的，本专利技术采用的技术方案如下：一种利用卷积神经网络集成的数字图像局部滤波取证方法，具体操作步骤如下：(1)、先对图像集中图像进行预处理，包括裁剪和滤波两个步骤；(2)、将预处理后的图片划分类别并划分训练集和测试集；(3)、由基础的卷积核互相卷积生成大量新卷积核，对每个卷积核的性能进行评估，筛选出最优的40个卷积核；(4)、构建特定的有滤波层的VGG网络；(5)、将训练集数据输入到构建好的网络中，进行神经网络训练，重复多次，每次都在筛选出的卷积核中随机选择组成不同的滤波层以产生多组差异性结果；(6)、将多组差异性结果输入集成分类器得到小尺寸图像分类结果，实际检测时将小尺寸图像的分类结果整合作为原图最终检测结果。所述步骤(1)中的对图像集中图像进行预处理，包括裁剪和滤波两个步骤：剪裁步骤将原图像集每一张图像裁剪为32*32大小的小尺寸图片；滤波步骤将每一张小尺寸图像通过中值滤波、均值滤波、高斯滤波、拉普拉斯滤波和非锐化滤波处理，共得到包括原图在内的六类图像。所述步骤(2)中的将预处理后的图片划分类别并划分训练集和测试集：包括原图在内的六类图片所构成的数据集D被随机划分两个相互排斥的集合，其中一个被设置为训练集S(占图像总数的92％)，另一个被设置为测试集T(占图像总数的8％)。在S上训练模型后，在T上对模型的准确率进行估计。我们只从S中随机挑选90％的图像作为训练集，S的其余图像作为验证集来估计模型的性能。所述步骤(3)中的由基础的卷积核互相卷积生成大量新卷积核，对每个卷积核的性能进行评估，筛选出最优的40个卷积核：基础的卷积核共八个，基本结构及初始值如附图2所示。1*4、2*3等尺寸的卷积核可以对网络的性能有进一步的拓展。基础的卷积核互相卷积三次去除重复的卷积核后共有270个新卷积核，生成的新卷积核尺寸也各不相同，因此处理图片的效果也各不相同。由于数量较大，我们对卷积核进行筛选，筛选原则是：同一卷积核处理不同类图像产生的差别越大越好。因此采用以下的计算方法对这270个卷积核进行筛选：令i,j分别表示图像类别(0≤i＜j≤5),为第i类图片中第k张图像经卷积核p处理后与未处理图像的差值，定义筛选指标为F：F值越大的卷积核越能表达不同滤波方式间的差异，选出F值最大的40个卷积核。所述步骤(4)中构建特定的有滤波层的VGG网络：网络的整体结构如附图3所示。滤波层位于VGG网络之前，并参与训练过程，有特征提取的作用，对网络的输出结果有决定性的影响。我们对原始VGG网络的结构进行了一些细微的改变以适应我们32*32尺寸的输入图像，基本结构包括13个卷积层，5个池化层以及3个全连接层。所述步骤(5)中将训练集数据输入到构建好的网络中，进行神经网络训练，重复多次，每次都在筛选出的卷积核中随机选择组成不同的滤波层以产生多组差异性结果：将由步骤(2)中划分出的训练集数据S输入到神经网络中，进行训练和迭代，直到结果收敛；重复训练多次，每次网络的滤波层都由8个基础的卷积核和8个随机选择的卷积核组成，不同的卷积核有不同的处理效果，提取的特征也就也不相同。不同的卷积核的组合使得每次神经网络的分类结果有所不同，产生多组有差异的结果。所述步骤(6)中将多组差异性结果输入集成分类器得到小尺寸图像分类结果，实际检测时将小尺寸图像的分类结果整合作为原图最终检测结果：将由步骤(5)中因滤波层不同而产生多组差异性结果输入到集成分类器中。集成分类器实质上是使用一定的策略将“个体学习器”结合起来，对网络性能的提升有一定的作用。它会自动对差异结果进行投票，得到小尺寸图片的最终分类结果。与现有技术相比，本专利技术具有如下的优点：本专利技术方法只需要将待检测图像分割成小尺寸图像后输入到神经网络和集成分类器中，就可以输出小尺寸图像分类结果，将小尺寸图像检测结果整合就可以得到原图像是否为滤波后图像，经历过哪种滤波操作。本方法适用范围更广，准确率更高。附图说明图1利用卷积神经网络集成的局部滤波图像盲取证检测新方法的操作程序框图。图2基本卷积核的结构与初始值。图3整体神经网络结构图。具体实施方式下面结合附图对本专利技术具体实施例做进一步详细说明。如图1所示，一种利用卷积神经网络集成的数字图像局部滤波取证方法，具体操作步骤如下：(1)、先对图像集中图像进行预处理，包括裁剪和滤波两个步骤；(2)、将预处理后的图片划分类别并划分训练集和测试集；(3)、由基础的卷积核互相卷积生成大量新卷积核，对每个卷积核的性能进行评估，筛选出最优的40个卷积核；(4)、构建特定的有滤波层的VGG网络；(5)、将训练集数据输入到构建好的网络中，进行神经网络训练，重复多次，每次都在筛选出的卷积核中随机选择组成不同的滤波层以产生多组差异性结果；(6)、将多组差异性结果输入集成分类器得到小尺寸图像分类结果，实际检测时将小尺寸图像的分类结果整合作为原图最终检测结果。所述本文档来自技高网...

【技术保护点】
1.一种利用卷积神经网络集成的数字图像局部滤波取证方法，其特征在于，具体操作步骤如下：/n(1)、先对图像集中图像进行预处理，包括裁剪和滤波两个步骤；/n(2)、将预处理后的图片划分类别并划分训练集和测试集；/n(3)、由基础的卷积核互相卷积生成大量新卷积核，对每个卷积核的性能进行评估，筛选出最优的40个卷积核；/n(4)、构建特定的有滤波层的VGG网络；/n(5)、将训练集数据输入到构建好的网络中，进行神经网络训练，重复多次，每次都在筛选出的卷积核中随机选择组成不同的滤波层以产生多组差异性结果；/n(6)、将多组差异性结果输入集成分类器得到小尺寸图像分类结果，实际检测时将小尺寸图像的分类结果整合作为原图最终检测结果。/n

【技术特征摘要】
1.一种利用卷积神经网络集成的数字图像局部滤波取证方法，其特征在于，具体操作步骤如下：
(1)、先对图像集中图像进行预处理，包括裁剪和滤波两个步骤；
(2)、将预处理后的图片划分类别并划分训练集和测试集；
(3)、由基础的卷积核互相卷积生成大量新卷积核，对每个卷积核的性能进行评估，筛选出最优的40个卷积核；
(4)、构建特定的有滤波层的VGG网络；
(5)、将训练集数据输入到构建好的网络中，进行神经网络训练，重复多次，每次都在筛选出的卷积核中随机选择组成不同的滤波层以产生多组差异性结果；
(6)、将多组差异性结果输入集成分类器得到小尺寸图像分类结果，实际检测时将小尺寸图像的分类结果整合作为原图最终检测结果。


2.根据权利要求1所述的利用卷积神经网络集成的数字图像局部滤波取证方法，其特征在于，所述步骤(1)中：
1-1)剪裁步骤将每一张原图像划分为若干张32*32大小的小尺寸图像；
1-2)滤波步骤将每一张小尺寸图像通过中值滤波、均值滤波、高斯滤波、拉普拉斯滤波和非锐化滤波处理，共得到包括原图在内的六类图像。


3.根据权利要求1所述的利用卷积神经网络集成的数字图像局部滤波取证方法，其特征在于，所述步骤(2)中六类图片所构成的数据集D被随机划分两个相互排斥的集合，其中一个被设置为训练集S，另一个被设置为测试集T；在S上训练模型后，在T上对模型的准确率进行估计；我们只从S中随机挑选90％的图像作为训练集，S的其余图像作为验证集来估计模型的性能。


4.根据权利要求1所述的利用卷积神经网络集成的数字图像局部滤波取证方法，其特征在于，所述步骤(3)中：
3-1)基础的卷积核...

【专利技术属性】
技术研发人员：冯国瑞，李雪梅，
申请(专利权)人：上海大学，
类型：发明
国别省市：上海;31