【技术实现步骤摘要】
基于机器学习的伪造图像检测识别方法
本专利技术涉及应用电子设备进行识别的方法或装置领域，特别是涉及一种基于机器学习的伪造图像检测识别方法。
技术介绍
在这个科技发达的时代中，数码图像已成为人们生命中一个重要的部分，不论从个人娱乐用途或医学上都会使用到数码图像。在庞大的数码图像中，如何确认一个图像的真实性已成为很重要的问题之一。从医学的角度来说，伪造医用图像可以导致医生误诊一个病人的情况；而在政治方面上伪造图像可以使错误的信息被传播，由此可见检测伪造数码图像极其重要。伪造图像基本上可以分成三大类型：1)异常图像，即某个图像与其他大部分的图像的差异非常大；2)合成图像，即由电脑合成的图像；3)篡改图像，即把原本不存在的东西添加在某张图像中。现有检测伪造图像的技术包含两大方法，主动方法和被动方法。主动方法指的是在图像中加入一种数码水印，只要检测这个水印没有被干预或损坏就代表这个图像没有被修改过。这种基于主动方法的检测需要先对图像进行水印置入，而且需要确保原有的图像是没有被篡改过的，因此这种方法只能在完全确认图像的真
【技术保护点】
1.一种基于机器学习的伪造图像检测识别方法，其特征在于，包括：/n获取待检图像；/n提取所述待检图像的图像特征，构建特征向量；/n根据特征向量，分别采用三种不同的机器学习算法检测所述待检图像，三种所述机器学习算法分别用于检测异常图像、合成图像和篡改图像。/n
【技术特征摘要】
1.一种基于机器学习的伪造图像检测识别方法，其特征在于，包括：
获取待检图像；
提取所述待检图像的图像特征，构建特征向量；
根据特征向量，分别采用三种不同的机器学习算法检测所述待检图像，三种所述机器学习算法分别用于检测异常图像、合成图像和篡改图像。
2.根据权利要求1所述的基于机器学习的伪造图像检测识别方法，其特征在于，提取的图像特征包括所述待检图像的均值、标准差、偏度、峰度、能量、熵、光滑度。
3.根据权利要求2所述的基于机器学习的伪造图像检测识别方法，其特征在于，所述图像特征还包括：将所述待检图像划分成多个子图像后，每个子图像的均值、标准差、偏度、峰度、能量、熵、光滑度。
4.根据权利要求2或3所述的基于机器学习的伪造图像检测识别方法，其特征在于，所述图像特征还包括：所述待检图像经过Gabor过滤器处理后，提取的均值、标准差、偏度、峰度。
5.根据权利要求1-4任一所述的基于机器学习的伪造图像检测识别方法，其特征在于，采用鲁棒主成分分析算法检测所述异常图像。
6.根据权利要求1-5任一所述的基于机...
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。