一种基于多尺度生成对抗网络的篡改图像检测方法技术

本发明专利技术涉及一种基于多尺度生成对抗网络的篡改图像检测方法，包括：从标准的图像数据集中合成基本的复制粘贴图像，并得到对应的xml文件，以构建初步篡改图像数据集；构建基于多尺度生成对抗式网络的模型，并设置模型相关参数；优化多尺度生成对抗网络的生成器，以学习图像中篡改区域的边缘特征；交替训练生成器和判别器，输出不同尺度下的篡改图像，构建多层次篡改图像数据集；利用多层次篡改图像数据集训练卷积神经网络；将待检测的篡改图像输入训练好的卷积神经网络，得到对应的检测结果。与现有技术相比，本发明专利技术能够生成多尺度、多层次的篡改图像数据集，以提高篡改图像的数量及质量，从而保证后续卷积神经网络的可靠训练、提高检测性能。

【技术实现步骤摘要】
一种基于多尺度生成对抗网络的篡改图像检测方法
本专利技术涉及图像信息安全
，尤其是涉及一种基于多尺度生成对抗网络的篡改图像检测方法。
技术介绍
随着图像处理和图像编辑技术的发展，产生了越来越多的恶意篡改图片，这对社会造成了极大的负面影响，同时也激发了大量学者对图像篡改检测的研究。常见的图像篡改包括三种类型：拼接、复制移动和移除。图像拼接可以从一幅图像中复制部分区域，并将其粘贴到其它图像中，复制移动是复制并粘贴同一幅图像中的区域，移除则会从图像中消除部分区域，然后进行修补。而且为了加大篡改图片的检测识别难度，通常会在图片篡改后再进行平滑、模糊等后处理操作。当前基于深度学习的被动图像篡改检测，能够自动地寻找和学习抽象的图像特征，模型的鲁棒性与检测效率都有了一定的提高，但仍存在以下问题：缺乏高质量、丰富的训练数据，而低质量、少量的训练数据会影响模型的检测性能，容易发生模型过拟合现象，降低检测准确性。目前训练数据的来源通常有三种：第一，获取标准的篡改图像数据集，但其数量较少；第二，利用目标检测数据集中的信息自动地合成图片，该方法没有对图像进行后处理，会降低篡改图像的质量；第三，聘请专业的标注人员创建篡改图像，但是这样做的成本很大。所以，对于提高图像篡改的检测性能而言，如何方便地获得高质量、丰富的训练数据是至关重要的。
技术实现思路
本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种基于多尺度生成对抗网络的篡改图像检测方法，通过生成高质量、丰富的篡改图像数据集，以提高篡改图像的检测性能。本专利技术的目的可以通过以下技术方案来实现：一种基于多尺度生成对抗网络的篡改图像检测方法，包括以下步骤：S1、从标准的图像数据集中合成基本的复制粘贴图像，并得到合成图像对应的xml文件，以构建初步篡改图像数据集；S2、构建基于多尺度生成对抗式网络的模型，以初步篡改图像数据集作为模型的输入，以设置模型相关参数；S3、对多尺度生成对抗网络的生成器进行优化，以学习图像中篡改区域的边缘特征；S4、交替训练生成器和判别器，输出不同尺度下的篡改图像，以构建多层次篡改图像数据集；S5、利用多层次篡改图像数据集训练卷积神经网络；S6、将待检测的篡改图像输入训练好的卷积神经网络，得到对应的检测结果。进一步地，所述步骤S1具体包括以下步骤：S11、从标准的图像数据集中选取目标图像和待处理图片；S12、以目标图像作为背景，将待处理图片中篡改区域掩膜对应的部分粘贴到目标图像的随机位置上，合成得到基本的复制粘贴图像；S13、从标准的图像数据集中读取待处理图片对应的xml文件，以读出篡改区域掩膜对应的边界框位置信息，之后对目标图像对应的xml文件进行修改，将修改后的xml文件作为复制粘贴图像对应的xml文件；S14、按照标准的图像数据集中图像的排序，依次重复步骤S11～S13，合成得到多个基本的复制粘贴图像，并得到对应的xml文件，以构建初步篡改图像数据集。进一步地，所述步骤S12具体包括以下步骤：S121、读取待处理图片对应的掩膜图片，并将掩膜图片中所有物体的区域掩膜读出；S122、随机选取一类物体的区域掩膜，作为篡改区域掩膜；S123、找出待处理图片中对应篡改区域掩膜的区域，将该区域从待处理图片中截取，作为篡改源图片；S124、将篡改源图片粘贴到目标图像的随机位置上，合成得到基本的复制粘贴图像。进一步地，所述步骤S13的具体过程为：从标准的图像数据集的注释文件夹中读取待处理图片对应的xml文件，将步骤S122中选取的篡改区域掩膜所对应的边界框位置信息读出；根据读出的边界框位置信息以及复制粘贴图像中粘贴区域的位置，对目标图像对应的xml文件进行修改，将检测类别修改为“tamper”，将目标图像中的边界框位置信息改为复制粘贴图像中粘贴区域的位置信息，并将修改后的xml文件作为复制粘贴图像对应的xml文件。进一步地，所述步骤S2具体包括以下步骤：S21、构建包含判别器网络和生成器网络的多尺度生成对抗式网络模型；S22、根据初步篡改图像数据集，设置模型的相关参数。进一步地，所述步骤S21中生成器网络包括多个对应于不同尺度的生成器，多个生成器呈金字塔结构，对于顶层最小尺度的生成器，其输入仅包含空间高斯噪声；对于顶层以下各大尺度的生成器，其输入包含空间高斯噪声以及上一尺度生成器生成图像的上采样；对于顶层以下各大尺度的生成器，其输出结果具体为：上一尺度生成器生成图像的上采样加上空间高斯噪声图像，经过卷积操作后输出一副残差图像，将该残差图像再加上上一尺度生成器生成图像的上采样，即为该生成器的输出。进一步地，所述步骤S3具体是对生成器的损失函数进行优化，包括以下步骤：S31、定义重建背景损失以加快训练速度；S32、定义边缘损失以约束篡改区域形状。进一步地，所述步骤S31中重建背景损失函数具体为：其中，Nbg为背景中的像素总数，mi为M中的第i个像素，M为复制粘贴图像，maski为位置i处的篡改区域掩膜Mmask中的像素值，tari为Mtar中的第i个像素，Mtar为目标图像；边缘损失函数具体为：其中，Nedge为边缘像素的数目，ei是位置i处的边缘掩膜的值，tami为Mtam中的第i个像素，Mtam为篡改源图片。进一步地，所述步骤S4具体包括以下步骤：S41、从最小尺度到最大尺度按顺序对模型进行训练，其中，每个生成器的训练损失均包括对抗损失和梯度损失，每个生成器分别有一个对应的马尔可夫判别器，判别器的损失仅包括对抗损失，整个生成器网络的总体损失由对抗损失与梯度损失复合而成；S42、按照预设的迭代次数进行训练，将不同迭代次数下的生成图像共同构建成多层次篡改图像数据集。进一步地，所述步骤S41中整个生成器网络的总体损失具体为：LG＝λadvLadv+λgradLgrad其中，Ladv为对抗损失，Lgrad为梯度损失，λadv和λgrad分别为Ladv和Lgrad的超参数，Gx(M)为复制粘贴图像M在水平方向上的梯度图像，Gy(M)为复制粘贴图像M在垂直方向上的梯度图像，f(M)为复制粘贴图像M与多尺度生成对抗网络f输出的融合图像。与现有技术相比，本专利技术具有以下优点：一、本专利技术基于多尺度生成对抗式网络结构，能够从不同大小的图像中学习到丰富的特征，由于生成篡改图像的尺度不同，表明篡改痕迹的呈现度不同，多尺度的网络结构能够学习到不同尺度层次的特征，以此增强模型的泛化能力，不再依赖于大规模数据集，基于单幅图像即可生成高质量的篡改图片，同时能扩充生成图像的数量，有利于后续对卷积神经网络进行高质量的训练，从而提高篡改图像的检测性能。二、本专利技术通过对生成器的损失函数进行优化，使生成器能够学习到篡改边缘的特征、同时加快训练速度，从而保证生成对抗网络模型生成图像本文档来自技高网...

【技术保护点】
1.一种基于多尺度生成对抗网络的篡改图像检测方法，其特征在于，包括以下步骤：/nS1、从标准的图像数据集中合成基本的复制粘贴图像，并得到合成图像对应的xml文件，以构建初步篡改图像数据集；/nS2、构建基于多尺度生成对抗式网络的模型，以初步篡改图像数据集作为模型的输入，以设置模型相关参数；/nS3、对多尺度生成对抗网络的生成器进行优化，以学习图像中篡改区域的边缘特征；/nS4、交替训练生成器和判别器，输出不同尺度下的篡改图像，以构建多层次篡改图像数据集；/nS5、利用多层次篡改图像数据集训练卷积神经网络；/nS6、将待检测的篡改图像输入训练好的卷积神经网络，得到对应的检测结果。/n

【技术特征摘要】
1.一种基于多尺度生成对抗网络的篡改图像检测方法，其特征在于，包括以下步骤：
S1、从标准的图像数据集中合成基本的复制粘贴图像，并得到合成图像对应的xml文件，以构建初步篡改图像数据集；
S2、构建基于多尺度生成对抗式网络的模型，以初步篡改图像数据集作为模型的输入，以设置模型相关参数；
S3、对多尺度生成对抗网络的生成器进行优化，以学习图像中篡改区域的边缘特征；
S4、交替训练生成器和判别器，输出不同尺度下的篡改图像，以构建多层次篡改图像数据集；
S5、利用多层次篡改图像数据集训练卷积神经网络；
S6、将待检测的篡改图像输入训练好的卷积神经网络，得到对应的检测结果。


2.根据权利要求1所述的一种基于多尺度生成对抗网络的篡改图像检测方法，其特征在于，所述步骤S1具体包括以下步骤：
S11、从标准的图像数据集中选取目标图像和待处理图片；
S12、以目标图像作为背景，将待处理图片中篡改区域掩膜对应的部分粘贴到目标图像的随机位置上，合成得到基本的复制粘贴图像；
S13、从标准的图像数据集中读取待处理图片对应的xml文件，以读出篡改区域掩膜对应的边界框位置信息，之后对目标图像对应的xml文件进行修改，将修改后的xml文件作为复制粘贴图像对应的xml文件；
S14、按照标准的图像数据集中图像的排序，依次重复步骤S11～S13，合成得到多个基本的复制粘贴图像，并得到对应的xml文件，以构建初步篡改图像数据集。


3.根据权利要求2所述的一种基于多尺度生成对抗网络的篡改图像检测方法，其特征在于，所述步骤S12具体包括以下步骤：
S121、读取待处理图片对应的掩膜图片，并将掩膜图片中所有物体的区域掩膜读出；
S122、随机选取一类物体的区域掩膜，作为篡改区域掩膜；
S123、找出待处理图片中对应篡改区域掩膜的区域，将该区域从待处理图片中截取，作为篡改源图片；
S124、将篡改源图片粘贴到目标图像的随机位置上，合成得到基本的复制粘贴图像。


4.根据权利要求3所述的一种基于多尺度生成对抗网络的篡改图像检测方法，其特征在于，所述步骤S13的具体过程为：从标准的图像数据集的注释文件夹中读取待处理图片对应的xml文件，将步骤S122中选取的篡改区域掩膜所对应的边界框位置信息读出；
根据读出的边界框位置信息以及复制粘贴图像中粘贴区域的位置，对目标图像对应的xml文件进行修改，将检测类别修改为“tamper”，将目标图像中的边界框位置信息改为复制粘贴图像中粘贴区域的位置信息，并将修改后的xml文件作为复制粘贴图像对应的xml文件。


5.根据权利要求1所述的一种基于多尺度生成对抗网络的篡改图像检测方法，其特征在于，所述步骤S2具体包括以下步骤：
S21、构...

【专利技术属性】
技术研发人员：白万荣，朱小琴，张蕾，刘吉祥，赵博，杨凡，田秀霞，刘正，李华强，
申请(专利权)人：国网甘肃省电力公司电力科学研究院，国网甘肃省电力公司，上海电力大学，
类型：发明
国别省市：甘肃;62