一种基于双通道U-Net模型的图像篡改检测方法及装置制造方法及图纸

本发明专利技术提出了一种基于双通道U‑Net模型的图像篡改检测方法和装置，以克服现有技术不能有效识别篡改区域、不能识别篡改类型和篡改检测技术单一的问题。本发明专利技术提出的U‑Net模型是经过改进后的U‑Net模型，改进后的模型增加了Res‑Block结构模块、特征融合模块和Res‑Dilated模块，以提高特征的使用效率和降低信息损失，同时解决编码器中的低维特征和解码器中高维特征间存在的语义鸿沟。本发明专利技术解决了传统人工提取特征单一性和主观性的缺陷，通过深层网络提取的特征具有更强的鲁棒性和泛化能力，不仅可以有效的检测图像的篡改类型，还能有效的定位篡改区域。

【技术实现步骤摘要】
一种基于双通道U-Net模型的图像篡改检测方法及装置
本专利技术涉及计算机应用
，特别涉及一种安全的主动式图像篡改检测方法及装置。
技术介绍
多媒体信息，如数字图像，经常用于许多重要场合，如刑事调查和军事场景中的证据。然而，随着数字图像编辑工具的可用性和普及性，这些信息很容易被修改或篡改，不会留下任何修改的视觉痕迹。在篡改技术中，剪接、拷贝移动和删除是最常见的操作。图像拼接是将真实图像中的区域复制并粘贴到其他图像中，复制移动是复制并粘贴同一图像中的区域，删除是将真实图像中的区域擦除并进行修补。高效的篡改技术，即使仔细检查也很难识别被篡改的区域。因此，在多媒体取证中，由于伪造图像与原始图像具有很强的相似性，图像操纵检测成为一项非常重要且具有挑战性的任务。为了确定数字图像的真实性，大多数最先进的图像处理检测方法都利用了三个主要类别的检测器，这些检测器分别为：基于特征描述符或频域特征、基于不一致的伪影或噪声和基于双重JPEG压缩。然而，这些方法大多集中在单一的篡改技术上。由于每种检测算法只针对一种特定的图像属性，当这种属性不明显或不存在本文档来自技高网...

【技术保护点】
1.一种基于双通道U-Net模型的图像篡改检测方法，其特征在于，包括如下步骤：/n步骤S1，选取若干未经处理过的图像作为原始图像，进行图像篡改操作处理，从而得到篡改后的图像；/n步骤S2，对于步骤S1中的每个篡改图像进行金标准Ground truth图像绘制；/n步骤S3，对篡改图像使用空域富模型SRM方法提取噪声图像；/n步骤S4，构建双通道U-Net模型，所述双通道U-Net模型包括两个通道，通道1为U-Net模型，包括编码器和解码器结构，输入为篡改图像，通过编码器提取篡改图像的RGB特征，然后通过解码器的二分类输出定位篡改图像区域；通道2是一个卷积神经网络模型，输入为噪声图像，前面是卷积...

【技术特征摘要】
1.一种基于双通道U-Net模型的图像篡改检测方法，其特征在于，包括如下步骤：
步骤S1，选取若干未经处理过的图像作为原始图像，进行图像篡改操作处理，从而得到篡改后的图像；
步骤S2，对于步骤S1中的每个篡改图像进行金标准Groundtruth图像绘制；
步骤S3，对篡改图像使用空域富模型SRM方法提取噪声图像；
步骤S4，构建双通道U-Net模型，所述双通道U-Net模型包括两个通道，通道1为U-Net模型，包括编码器和解码器结构，输入为篡改图像，通过编码器提取篡改图像的RGB特征，然后通过解码器的二分类输出定位篡改图像区域；通道2是一个卷积神经网络模型，输入为噪声图像，前面是卷积层和池化层，用于篡改噪声特征的提取，后面连接全连接层和分类预测层，用于预测被篡改的种类；其中，解码器的输入为噪声特征与编码器输出特征的结合；
步骤S5，将篡改图像和噪声图像作为双通道U-Net模型的输入，GroundTruth和篡改类型的One-hot作为通道1和通道2的标签，训练双通道U-Net模型，从而精准定位被篡改区域和篡改的种类；
步骤S6，对训练完成的双通道U-Net网络模型，使用测试数据进行双通道U-Net模型性能的测试。


2.如权利要求1所述的一种基于双通道U-Net模型的图像篡改检测方法，其特征在于：步骤S1中使用复制移动、剪切拼接和删除填充三种图像篡改操作处理。


3.如权利要求1所述的一种基于双通道U-Net模型的图像篡改检测方法，其特征在于：步骤S2中使用三个SRM滤波器核提取噪声图像，定义SRM的核大小为5×5×3，SRM的输出通道大小是3，3个核的权重如下所示：





4.如权利要求1所述的一种基于双通道U-Net模型的图像篡改检测方法，其特征在于：步骤S4的通道1中，编码器和解码器由多个残差单元Res-Block结构组成，Res-Block结构包含两个卷积结构，即两次Conv3×3的卷积操作，其中每个卷积操作之后都会加入Dropout和BN方法，将第一次卷积之后的结果加入第二次卷积结果中有助于防止卷积过程中的信息损失；
编码器和解码器间的过渡阶段加入多尺度特征融合模块，首先，利用三个不同扩张率的扩张卷积对编码器的输出进行处理，扩张卷积中的扩张率分别设置为1、2、3来扩大感受野，从而提取编码器中不同尺度的特征信息；然后，将不同扩张率提取到的图像语义特征进行组合；最后为了减小参数和降低计算复杂度，采用Conv(1×1)的卷积操作进行卷积，将特征图的通道维度减小为原始维度的1/3，进行多尺度特征融合后，将融合后的特征与噪声特征相结合作为解码器的输入，用于更精准的篡改定位；
编码器和解码器间的跳连接中加入特征平衡模块，即残差网络和扩张卷积相结合的Res-Dilated模块，所述Res-Dilated模块是在传统的Resnet中加入了扩张卷积，即将传统的卷积用扩张卷积替代，并加入了BN方法，其中的激活函数使用的Relu函数。


5.如权利要求1所述的一种基于双通道U-Net模型的图像篡改检测方法，其特征在于：双通道U-Net模型的损失函数设计如下，



其中，n为训练样本个数；为期望输出，即真实数据标签，取值为yi为实际输出，取值为yi∈[0,1]。


6.一种基于双通道U-Net...

【专利技术属性】
技术研发人员：崔晓晖，丁红卫，朴杨鹤然，陶启，赵坤，
申请(专利权)人：武汉大学，
类型：发明
国别省市：湖北;42