基于统计深度特征的染色伪造图像检测方法及电子装置制造方法及图纸

本发明专利技术提供一种基于统计深度特征的染色伪造图像检测方法及电子装置，该方法包括：将图像从RGB颜色空间变换到可将亮度信息与色度信息解耦合的颜色空间，分别获取每个颜色通道的直方图统计分布信息，将所获得的直方图统计分布信息串联得到颜色统计分布向量；提取颜色统计分布向量的统计深度特征，并对统计深度特征进行特征抽象任务，得到池化特征；对池化特征进行分类，根据正负样本的概率值，判定染色伪造图像。本发明专利技术利用端到端的深度学习技术对染色伪造图像和自然图像的统计分布差异进行深度特征提取并完成分类任务，染色伪造图像检测模型的性能得到大大提升。

【技术实现步骤摘要】
基于统计深度特征的染色伪造图像检测方法及电子装置
本专利技术属于图像取证领域，具体涉及一种基于统计深度特征的染色伪造图像检测方法及电子装置。
技术介绍
随着图像处理技术的提高，各类图像、视频编辑软件越来越多的出现在人们的日常生活中。根据2019年互联网趋势报告中数据，一半以上的推文与图像、视频等媒介有关，图像社交在互联网行业中占据着举足轻重的地位。以图像染色技术为例，随着深度学习技术在计算机视觉领域的兴起，基于深度学习的图像染色技术也取得了极大的进步，截止到目前，人为生成的染色图像可以轻而易举的骗过大部分非专业人士和机器设备。染色技术的发展为人们带来便利的同时，其带来的安全问题同样不容小觑。在新闻、证物和科学研究等方向，染色伪造图像的恶意使用严重威胁网络空间安全，为社会公平与发展带来巨大的损害。因此，有效的染色伪造图像检测方法的提出迫在眉睫。图像染色技术是指通过一定的技术手段根据图像纹理信息将灰度图像转化为相同图像内容的彩色图像的过程，理想的染色伪造图像亮度信息与源图像相同，颜色分布符合人类认知习惯，视觉效果足以以假乱真。染色伪造图像检测技术则是指根据自然图像和染色伪造图像在颜色分布上的不同对二者作出正确的区分，防止现实世界中染色伪造图像引起的诈骗欺瞒事件。染色伪造图像检测技术起步较晚，于2016年首次在图像取证研究领域提出。目前已有的染色伪造图像检测技术分为两类，第一类是基于传统方法，分为特征提取和分类两个步骤，这一类方法输入待检测图像，首先进行人工特征提取，再利用传统分类器，比如支持向量机，输出该图像的真假信息。第二类是基于深度学习的端到端的方法，这类方法避免了复杂特征的设计和计算，将特征提取与分类任务同时融合到卷积神经网络设计之中，通过梯度反向传播学习各网络层最优参数，直接输出检测结果。现有的染色伪造图像检测技术针对的染色方法种类有限，所针对的染色方法提出时间相对久远，没有因为染色技术的发展而进行扩充和更新。然而在自然场景下染色伪造图像的检测存在多变性，自然图像的图像内容千变万化，用于伪造染色图像的染色方法种类也可能各不相同，这就使得伪造图像检测任务的难度大大增加。另外，已有的基于深度学习的染色伪造图像检测方法用简单的二分类模型进行染色伪造图像的鉴别，没有针对染色伪造图像与自然图像在颜色统计分布上的差异提出创新性方法。针对染色伪造图像与自然图像的颜色统计分布进行深度特征提取有助于模型对二者的本质差别进行较好的学习，对于提高染色伪造图像检测的精度和鲁棒性至关重要。中国专利申请CN201710382747.1公开了一种基于颜色统计差异的染色伪造图像检测方法，对染色伪造图像和自然图像的颜色统计差异人工进行特征编码，并利用传统分类器支持向量机得到检测结果。这种染色伪造图像检测方法属于传统方法，分类结果的好坏很大程度上取决于手工特征设计的好坏，虽然在当前的染色伪造图像数据集上取得了正确率为78.5％的检测结果，但是染色伪造图像检测模型的准确率仍有较大提升空间。
技术实现思路
针对上述问题，本专利技术提出一种基于统计深度特征的染色伪造图像检测方法及电子装置，从而完成现实场景下的染色伪造图像检测任务。本专利技术所采用的技术方案为：一种基于统计深度特征的染色伪造图像检测方法，其步骤包括：1)将图像从RGB颜色空间变换到可将亮度信息与色度信息解耦合的颜色空间，分别获取每个颜色通道的直方图统计分布信息，将所获得的直方图统计分布信息串联得到颜色统计分布向量；2)提取颜色统计分布向量的统计深度特征，并对统计深度特征进行特征抽象任务，得到池化特征；3)对池化特征进行分类，根据正负样本的概率值，判定染色伪造图像。进一步地，可将亮度信息与色度信息解耦合的颜色空间包括Lab颜色空间和/或HSV颜色空间。进一步地，使用归一化方法，对得到的颜色统计分布向量进行预处理。进一步地，通过一维卷积神经网络完成提取颜色统计分布向量的统计深度特征，对统计深度特征进行特征抽象任务，得到池化特征，并对池化特征进行分类，计算正负样本的概率值。进一步地，一维卷积神经网络包括一卷积层、一池化层和若干全连接层。进一步地，卷积层使用线性修正单元(Relu)激活，前若干全连接层使用归一化指数函数(Softmax)激活，最后的全连接层使用S型函数(Sigmoid)激活。进一步地，通过若干带有标签向量的染色伪造图像及对应的真实图像，基于分类损失函数，训练一维卷积神经网络。进一步地，使用优化器自动计算训练一维卷积神经网络的学习率；所述优化器包括自适应矩估计(Adam)优化器。一种存储介质，所述存储介质中存储有计算机程序，其中，所述计算机程序执行上述方法。一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述方法。与现有技术相比，本专利技术具有以下优点：1)本专利技术利用端到端的深度学习技术对染色伪造图像和自然图像的统计分布差异进行深度特征提取并完成分类任务，染色伪造图像检测模型的性能得到大大提升，相比中国专利申请CN201710382747.1中提出的染色伪造图像检测方法准确率提升了14.91个百分点，取得了93.41％的高性能；2)染色伪造图像检测模型速度较快，在图形处理器(GPU)平台下10000张图像的处理时间为972.42秒，其中数据读取时间为966.97秒，模型处理时间为5.45秒；3)染色伪造图像检测模型鲁棒性较强。附图说明图1是本专利技术的方法流程图。图2是颜色统计分布向量提取流程图。图3是一维卷积神经网络结构图。具体实施方式为使本专利技术的上述特征和优点能更明显易懂，下文特举实施例，并配合所附图作详细说明如下。本专利技术的一种基于统计深度特征的染色伪造图像检测方法，包括训练阶段和检测阶段，如图1所示，所述训练阶段包括以下步骤：1)将训练图像集(包括染色伪造图像和其对应的自然图像)中的每张图像从RGB颜色空间变换到可将亮度信息与色度信息解耦合的颜色空间，分别获取每个颜色通道的直方图统计分布信息，将所获得的统计分布信息串联得到颜色统计分布向量；其中所述的可将亮度信息与色度信息解耦合的颜色空间包括Lab颜色空间、HSV颜色空间等。2)构建一个一维卷积神经网络，对每张训练图像的颜色统计分布向量进行预处理操作，以使得颜色统计分布向量适合输入神经网络进行训练处理；其中所述的预处理操作包括归一化等。3)基于分类损失函数，将每张训练图像的颜色统计分布向量输入所构建的一维卷积神经网络进行深度特征提取，并最终训练得到染色伪造图像深度检测模型。所述构建的一维卷积神经网络包括卷积层、池化层和全连接层处理，具体对网络输入数据的处理过程为：3-1)将归一化的颜色统计分布向量输入卷积层学习图像的统计深度特征；3-2)将统计深度特征输入池化层，该池化层进行最大值池化操作，对统计深度特征进行特征抽象任务本文档来自技高网...

【技术保护点】
1.一种基于统计深度特征的染色伪造图像检测方法，其步骤包括：/n1)将图像从RGB颜色空间变换到可将亮度信息与色度信息解耦合的颜色空间，分别获取每个颜色通道的直方图统计分布信息，将所获得的直方图统计分布信息串联得到颜色统计分布向量；/n2)提取颜色统计分布向量的统计深度特征，并对统计深度特征进行特征抽象任务，得到池化特征；/n3)对池化特征进行分类，根据正负样本的概率值，判定染色伪造图像。/n

【技术特征摘要】
20200427 CN 20201034396411.一种基于统计深度特征的染色伪造图像检测方法，其步骤包括：
1)将图像从RGB颜色空间变换到可将亮度信息与色度信息解耦合的颜色空间，分别获取每个颜色通道的直方图统计分布信息，将所获得的直方图统计分布信息串联得到颜色统计分布向量；
2)提取颜色统计分布向量的统计深度特征，并对统计深度特征进行特征抽象任务，得到池化特征；
3)对池化特征进行分类，根据正负样本的概率值，判定染色伪造图像。


2.如权利要求1所述的方法，其特征在于，可将亮度信息与色度信息解耦合的颜色空间包括Lab颜色空间和/或HSV颜色空间。


3.如权利要求1所述的方法，其特征在于，使用归一化方法，对得到的颜色统计分布向量进行预处理。


4.如权利要求1所述的方法，其特征在于，通过一维卷积神经网络完成提取颜色统计分布向量的统计深度特征，对统计深度特征进行特征抽象任务，得到池化特征，...

【专利技术属性】
技术研发人员：孙迪，郭园方，操晓春，黄震宇，王蕊，
申请(专利权)人：中国科学院信息工程研究所，
类型：发明
国别省市：北京;11