数字图像拼接检测方法及装置制造方法及图纸

本发明专利技术实施例提供一种数字图像拼接检测方法及装置，该方法包括：以预设大小的滑动窗口和步长，遍历待检测图像，得到多个图像块；将所述多个图像块，分别输入预设的第一卷积神经网络模型，得到每个图像块的拼接检测结果；若第一卷积神经网络模型判为拼接的图像块数量，占总图像块数量的比例大于预设阈值，则待检测图像为拼接图像；其中，第一卷积神经网络模型，根据已知拼接结果作为标签的图像块，进行训练后得到。该方法通过预设大小的滑动窗口和步长，遍历待检测图像，得到多个图像块，可以使用相对简单的策略进行训练，提高了模型的计算效率。此外，利用深度学习的特征提取及学习方式，大大提高在复杂彩色图像上的检测准确率，泛化能力较强。

【技术实现步骤摘要】
数字图像拼接检测方法及装置
本专利技术涉及图像处理
，尤其涉及一种数字图像拼接检测方法及装置。
技术介绍
图像拼接操作主要以来自其它图像或图像自身的其他部分，替换图像中的一部分。其中，还可能包含对替换部分的缩放、旋转、切变，对拼接边缘的不规则化、模糊化处理等操作。数字图像拼接检测是指，利用算法，对数字图像是否经过拼接篡改进行判断。相应的，数字图像拼接定位是指对数字图像的拼接篡改区域进行定位。目前，数字图像拼接检测及定位算法，主要为基于图像获取源引入特征的数字图像拼接检测及定位算法，该方法基于数字图像在获取、存储、传输等过程中引入的模式化的噪声或者像素之间存在的周期性的相互关系，通过对图像局部和整体图像特征计算，进而判断局部特征和整体特征的一致性，可以做到图像拼接篡改操作的检测与定位。基于获取源的拼接检测及定位算法，虽然对多种篡改操作同样有效。但是，该类算法对数字图像获取设备存在一定的依赖。鉴于时下数字图像获取设备种类繁多、标准不一等特点，建立较为全面的设备模式库是十分困难的。因此该类算法泛化能力相对较差。
技术实现思路
本专利技术实施例提供一种数字图像拼接检测方法及装置，用以解决现有技术中的问题。本专利技术实施例提供一种数字图像拼接检测方法，包括：以预设大小的滑动窗口和步长，遍历待检测图像，得到多个图像块；将所述多个图像块，分别输入预设的第一卷积神经网络模型，得到每个图像块的拼接检测结果；若所述第一卷积神经网络模型判为拼接的图像块数量，占总图像块数量的比例大于预设阈值，则所述待检测图像为拼接图像；其中，所述第一卷积神经网络模型，根据已知拼接结果作为标签的图像块，进行训练后得到。根据本专利技术一个实施例的数字图像拼接检测方法，判断获知所述待检测图像为拼接图像之后，还包括：对所述待检测图像进行边缘检测，得到图像边缘；使用预设大小的滑动窗口，遍历图像边缘区域，得到多个边缘图像块；将所述边缘图像块，分别输入预设的第二卷积神经网络模型，得到每个边缘图像块是否为拼接区域边缘的检测结果；根据所有判为拼接区域边缘的图像块，得到图像拼接区域；其中，所述第二卷积神经网络模型，根据已知拼接结果作为标签的边缘图像块，进行训练后得到。根据本专利技术一个实施例的数字图像拼接检测方法，所述将所述多个图像块，分别输入预设的第一卷积神经网络模型之前，还包括：对已知拼接结果的样本图像，以所述滑动窗口的大小进行随机裁剪；根据裁剪得到的图像块的实际拼接结果，进行标签标识，得到第一训练样本；利用所述第一训练样本中的图像块，对构建的初始卷积神经网络模型进行训练，得到所述第一卷积神经网络模型。根据本专利技术一个实施例的数字图像拼接检测方法，所述利用所述第一训练样本中的图像块，对构建的初始卷积神经网络模型进行训练，得到所述第一卷积神经网络模型，包括：将所述第一训练样本中，预设比例的样本作为训练集，其余为验证集；利用所述训练集对构建的卷积神经网络模型进行迭代训练；在每轮次训练后的模型中，根据模型在验证集上的平均损失，选择损失最小的模型作为所述第一卷积神经网络模型。根据本专利技术一个实施例的数字图像拼接检测方法，所述将所述边缘图像块，分别输入预设的第二卷积神经网络模型之前，还包括：沿样本图像边缘以固定的大小裁剪图像块，得到多个边缘图像块；根据裁剪得到的边缘图像块的实际拼接结果，进行标签标识，得到有拼接区域和无拼接区域边缘图像块的第二训练样本；利用所述第二训练样本中的边缘图像块，对构建的初始卷积神经网络模型进行训练，得到第二卷积神经网络模型。根据本专利技术一个实施例的数字图像拼接检测方法，所述利用所述第二训练样本中的边缘图像块，对构建的初始卷积神经网络模型进行训练之前，还包括：使用Spam初始化方法对第一层卷积层的参数进行初始化。根据本专利技术一个实施例的数字图像拼接检测方法，所述使用Spam初始化方法对第一层卷积层的参数进行初始化，包括：根据用于图像隐写分析的五种高通滤波器1st，2nd，3rd，SQUARE3x3，SQUARE5x5，EDGE3x3以及EDGE5x5高通滤波器，通过周围补零法，得到30个5*5的权重系数矩阵；根据所述权重系数矩阵，确定第一层卷积层的卷积核权重系数。本专利技术实施例还提供一种数字图像拼接检测装置，包括：滑窗处理模块，用于以预设大小的滑动窗口和步长，遍历待检测图像，得到多个图像块；拼接分析模块，用于将所述多个图像块，分别输入预设的第一卷积神经网络模型，得到每个图像块的拼接检测结果；拼接判断模块，用于若所述第一卷积神经网络模型判为拼接的图像块数量，占总图像块数量的比例大于预设阈值，则所述待检测图像为拼接图像；其中，所述第一卷积神经网络模型，根据已知拼接结果作为标签的图像块，进行训练后得到。本专利技术实施例还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述数字图像拼接检测方法的步骤。本专利技术实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述数字图像拼接检测方法的步骤。本专利技术实施例提供的数字图像拼接检测方法及装置，通过预设大小的滑动窗口和步长，遍历待检测图像，得到多个图像块，可以使用相对简单的策略进行训练，提高了模型的计算效率。此外，利用深度学习的特征提取及学习方式，大大提高在复杂彩色图像上的检测准确率，泛化能力较强。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1是本专利技术实施例提供的一种数字图像拼接检测方法的流程示意图；图2是本专利技术实施例提供的一种数字图像拼接检测装置的结构示意图；图3是本专利技术实施例提供的一种电子设备的结构示意图。具体实施方式为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。下面结合图1-图3描述本专利技术实施例的数字图像拼接检测方法及装置。图1是本专利技术实施例提供的一种数字图像拼接检测方法的流程示意图，如图1所示，本专利技术实施例提供一种数字图像拼接检测方法，包括：101、以预设大小的滑动窗口和步长，遍历待检测图像，得到多个图像块。例如，以预设大小为40*40，步长为20的滑动窗口，遍历图片中心位置，即不考虑滑动窗口滑动外范围外的区域，得到多个40*40的图像块。102、将所述多个图像块，分别输入预设的第一卷积神经网络模型，得到每个图像块的拼接检测结果。将滑动窗口获得的图像本文档来自技高网...

【技术保护点】
1.一种数字图像拼接检测方法，其特征在于，包括：/n以预设大小的滑动窗口和步长，遍历待检测图像，得到多个图像块；/n将所述多个图像块，分别输入预设的第一卷积神经网络模型，得到每个图像块的拼接检测结果；/n若所述第一卷积神经网络模型判为拼接的图像块数量，占总图像块数量的比例大于预设阈值，则所述待检测图像为拼接图像；/n其中，所述第一卷积神经网络模型，根据已知拼接结果作为标签的图像块，进行训练后得到。/n

【技术特征摘要】
1.一种数字图像拼接检测方法，其特征在于，包括：
以预设大小的滑动窗口和步长，遍历待检测图像，得到多个图像块；
将所述多个图像块，分别输入预设的第一卷积神经网络模型，得到每个图像块的拼接检测结果；
若所述第一卷积神经网络模型判为拼接的图像块数量，占总图像块数量的比例大于预设阈值，则所述待检测图像为拼接图像；
其中，所述第一卷积神经网络模型，根据已知拼接结果作为标签的图像块，进行训练后得到。


2.根据权利要求1所述的数字图像拼接检测方法，其特征在于，判断获知所述待检测图像为拼接图像之后，还包括：
对所述待检测图像进行边缘检测，得到图像边缘；
使用预设大小的滑动窗口，遍历图像边缘区域，得到多个边缘图像块；
将所述边缘图像块，分别输入预设的第二卷积神经网络模型，得到每个边缘图像块是否为拼接区域边缘的检测结果；
根据所有判为拼接区域边缘的图像块，得到图像拼接区域；
其中，所述第二卷积神经网络模型，根据已知拼接结果作为标签的边缘图像块，进行训练后得到。


3.根据权利要求1所述的数字图像拼接检测方法，其特征在于，所述将所述多个图像块，分别输入预设的第一卷积神经网络模型之前，还包括：
对已知拼接结果的样本图像，以所述滑动窗口的大小进行随机裁剪；
根据裁剪得到的图像块的实际拼接结果，进行标签标识，得到第一训练样本；
利用所述第一训练样本中的图像块，对构建的初始卷积神经网络模型进行训练，得到所述第一卷积神经网络模型。


4.根据权利要求3所述的数字图像拼接检测方法，其特征在于，所述利用所述第一训练样本中的图像块，对构建的初始卷积神经网络模型进行训练，得到所述第一卷积神经网络模型，包括：
将所述第一训练样本中，预设比例的样本作为训练集，其余为验证集；
利用所述第一训练集对构建的卷积神经网络模型进行迭代训练；
在每轮次训练后的模型中，根据模型在验证集上的平均损失，选择损失最小的模型作为所述第一卷积神经网络模型。


5.根据权利要求2所述的数字图像拼接检测方法，其特征在于，所述将所述边...

【专利技术属性】
技术研发人员：喻民，姜建国，魏宝乐，刘超，吕志强，李敏，黄伟庆，
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