一种基于源相机识别的图像拼接篡改检测与定位方法技术

本发明专利技术公开了一种基于源相机识别的图像拼接篡改检测与定位方法，包括以下步骤：基于卷积神经网络构建用于提取源相机噪声特征的特征提取器；将待测图像划分为满足卷积神经网络输入尺寸的图像块并预处理后，利用所述特征提取器提取图像块的源相机噪声特征；基于源相机噪声特征对所有图像块进行聚类，以确定源图像类和篡改区域类，并对篡改区域类中的图像块进行干扰图像剔除后，依据篡改区域类中的图像块占待测图像的比例来判断待测图像是否为篡改图像，对应的篡改区域类中的图像块为篡改区域。该方法能够快速准确地实现图像拼接篡改检测与定位。

【技术实现步骤摘要】
一种基于源相机识别的图像拼接篡改检测与定位方法
本专利技术属于图像检测领域，具体涉及一种基于源相机识别的图像拼接篡改检测与定位方法。
技术介绍
随着互联网和多媒体工具在世界范围内的广泛应用，图像已经成为人们日常信息获取的重要来源。同时，由于图像处理技术和图像编辑软件的不断发展，在个人电脑和移动设备上编辑图像内容变得越来越简单易行，即使是未经专业训练的人士也可以轻易使用图像编辑软件来篡改、伪造图像。在当前的时代背景下，通过社交网络和媒体等途径发布、传播篡改图像十分容易，这些经过细心编辑的篡改图像难以靠肉眼辨别真假，极易对人产生误导。在一些外交、商务等重要的场合，恶意的图像篡改可能会造成严重后果。正是由于篡改图像的出现与传播在日常生活变得越来越普遍，人们对鉴别图像真实性的需求越来越多，图像篡改检测技术已经成为图像取证领域的重要内容。尽管近些年来图像篡改检测技术已经取得了长足的发展，但是相关技术仍然存在着诸如检测准确率不够高，技术方案本身的适用范围不够广等问题，这一领域的许多内容仍然亟待研究。图像篡改主要可以分为图像拼接、复制-移动和消除这三个类型。图像拼接和复制-移动的主要区别在于，复制-移动是在同一张图像上将部分内容复制，并粘贴在该图像上的另一位置，而图像拼接则是发生在两张或多张图像之间，将一张或多张的图像内容拼接在另一图像上。图像篡改类型不同，要检测该篡改所需的方法和证据往往也不一样。例如，复制-移动类型的篡改通常检测一张图像中是否有重复的区域，而图像拼接检测通常检测一张图像中的不一致性，例如光照效果的不一致性、源相机的不一致性等。源相机识别是图像取证领域的重要内容，其主要工作是通过图像上的证据来追溯拍摄该图像的相机。识别源相机所需的依据往往是相机在图像拍摄流程中遗留在图像上的一些痕迹，例如传感器模式噪声。以传感器模式噪声为主要证据的一类源相机识别技术，其具体技术路线也有较大的差异。一类现有技术是通过提取同一相机拍摄的大量图像上的噪声来建立对应相机的噪声特征模型，通过比对图像上的噪声和已建立的相机模型来判断对应相机是否该图像的源相机。这种方法针对噪声特征模型未知的相机并不适用，普适性不强。
技术实现思路
本专利技术的目的是提供一种基于源相机识别的图像拼接篡改检测与定位方法，通过利用CNN提取源相机噪声特征统计源相机噪声特征的分布情况来实现图像拼接篡改检测与定位。为实现上述专利技术目的，本专利技术提供的技术方案为：一种基于源相机识别的图像拼接篡改检测与定位方法，包括以下步骤：基于卷积神经网络(ConventionalNeuralNetwork，CNN)构建用于提取源相机噪声特征的特征提取器；将待测图像划分为满足卷积神经网络输入尺寸的图像块并预处理后，利用所述特征提取器提取图像块的源相机噪声特征；基于源相机噪声特征对所有图像块进行聚类，以确定源图像类和篡改区域类，并对篡改区域类中的图像块进行干扰图像剔除后，依据篡改区域类中的图像块占待测图像的比例来判断待测图像是否为篡改图像，对应的篡改区域类中的图像块为篡改区域。优选地，构建特征提取器时，获取带有相机标签的训练图像，将训练图像划分为满足卷积神经网络输入尺寸的图像块，并依据图像块的置信度筛选获取置信度满足需求的图像块作为训练样本，并采用SRM滤波器对训练样本提取残差噪声后，将提取的残差噪声输入至卷积神经网络，对由卷积层、全连接层以及softmax层组成的卷积神经网络进行训练，训练结束后，提取卷积层、全连接层组成用于提取源相机噪声特征的特征提取器。优选地，在训练卷积神经网络之前，每层神经网络的权重W的初始化分布如下所示：其中，nin和nout分别代表每层神经网络的输入数据个数和输出数据个数，表示在区间到上的均匀分布。其中，所述图像块的尺寸为32*32，训练卷积神经网络时，损失函数Ltotal为：Ltotal＝Lcross_entropy+L2其中，Lcross_entropy为训练样本对应的预测值与相机标签的交叉熵，L2为对全连接层参数所作的L2正则化产生的损失。优选地，基于源相机噪声特征对所有图像块进行K-means聚类，将数量最大的一类确定为源图像类，其余类确定为篡改区域类。优选地，所述对篡改区域类中的图像块进行干扰图像剔除包括：针对篡改区域类中的每个图像块，计算每个图像块与源图像类中所有图像块的质心之间的相异度，并将相异度小于相异度阈值的图像块从篡改区域类剔除，并增加到源图像类中。优选地，所述对篡改区域类中的图像块进行干扰图像剔除包括：针对篡改区域类中的每个图像块，将置信度低于置信度阈值的图像块从篡改区域类剔除，并增加到源图像类中。优选地，所述对篡改区域类中的图像块进行干扰图像剔除包括：针对篡改区域类中的每个图像块，若与图像块相邻的其他图像块不存在于篡改区域类中，也就是图像块单独存在于篡改区域类中，则将该图像块从篡改区域类剔除，并增加到源图像类中。优选地，针对干扰图像剔除后的篡改区域类，计算篡改区域类中的图像块占待测图像的比例，当该比例大于比例阈值时，则判断该待测图像是为篡改图像，该篡改图像对应的篡改区域类中的图像块为篡改区域。优选地，构建篡改图像集，具体过程为：读取来源于两个相机型号的图像分别作为源图像和目标图像，从目标图像上截取一块矩形内的某个物体作为篡改内容，并将该篡改内容移动到源图像的某个位置，得到的新图像为篡改图像，同时记录篡改图像的篡改区域，并保存篡改信息；利用篡改图像集测试上述基于源相机识别的图像拼接篡改检测与定位方法的篡改检测与定位效果。与现有技术相比，本专利技术具有的有益效果至少包括：本专利技术提供的基于源相机识别的图像拼接篡改检测与定位方法中，利用SRM滤波器提取图像块的残差噪声，同时将图像块的尺寸缩小至32*32，利用残差噪声来训练卷积神经网络，提升卷积神经网络提取源相机噪声特征的能力和准确度，基于提取的源相机噪声特征对图像块进行聚类和干扰数据剔除，依据篡改区域类中的图像块占待测图像的比例来确定篡改图像和篡改区域，提升了图像拼接篡改检测准确率、效率以及普适性。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做简单地介绍，显而易见地，下面描述中的附图仅仅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前提下，还可以根据这些附图获得其他附图。图1是本专利技术实施例提供的基于源相机识别的图像拼接篡改检测与定位方法的流程图；图2本专利技术实施例提供的篡改检测与定位比对效果图，其中，(a)为篡改图像，(b)为人工标记的篡改定位结果，(c)为采用本专利技术提供的基于源相机识别的图像拼接篡改检测与定位方法的检测效果图。具体实施方式为使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例对本专利技术进行进一步的详细说明。应当理解，此处所描述的具体本文档来自技高网...

【技术保护点】
1.一种基于源相机识别的图像拼接篡改检测与定位方法，其特征在于，包括以下步骤：/n基于卷积神经网络构建用于提取源相机噪声特征的特征提取器；/n将待测图像划分为满足卷积神经网络输入尺寸的图像块并预处理后，利用所述特征提取器提取图像块的源相机噪声特征；/n基于源相机噪声特征对所有图像块进行聚类，以确定源图像类和篡改区域类，并对篡改区域类中的图像块进行干扰图像剔除后，依据篡改区域类中的图像块占待测图像的比例来判断待测图像是否为篡改图像，对应的篡改区域类中的图像块为篡改区域。/n

【技术特征摘要】
1.一种基于源相机识别的图像拼接篡改检测与定位方法，其特征在于，包括以下步骤：
基于卷积神经网络构建用于提取源相机噪声特征的特征提取器；
将待测图像划分为满足卷积神经网络输入尺寸的图像块并预处理后，利用所述特征提取器提取图像块的源相机噪声特征；
基于源相机噪声特征对所有图像块进行聚类，以确定源图像类和篡改区域类，并对篡改区域类中的图像块进行干扰图像剔除后，依据篡改区域类中的图像块占待测图像的比例来判断待测图像是否为篡改图像，对应的篡改区域类中的图像块为篡改区域。


2.如权利要求1所述的基于源相机识别的图像拼接篡改检测与定位方法，其特征在于，构建特征提取器时，获取带有相机标签的训练图像，将训练图像划分为满足卷积神经网络输入尺寸的图像块，并依据图像块的置信度筛选获取置信度满足需求的图像块作为训练样本，并采用SRM滤波器对训练样本提取残差噪声后，将提取的残差噪声输入至卷积神经网络，对由卷积层、全连接层以及softmax层组成的卷积神经网络进行训练，训练结束后，提取卷积层、全连接层组成用于提取源相机噪声特征的特征提取器。


3.如权利要求1所述的基于源相机识别的图像拼接篡改检测与定位方法，其特征在于，在训练卷积神经网络之前，每层神经网络的权重W的初始化分布如下所示：



其中，nin和nout分别代表每层神经网络的输入数据个数和输出数据个数，表示在区间到上的均匀分布。


4.如权利要求1～3任一项所述的基于源相机识别的图像拼接篡改检测与定位方法，其特征在于，所述图像块的尺寸为32*32，训练卷积神经网络时，损失函数Ltotal为：
Ltotal＝Lcross_entropy+L2
其中，Lcross_entropy为训练样本对应的预测值与相机标签的交叉熵，L2为对全连接层参数所作的L2正则化产生的损失。


5.如权利要求1所述的基于源相机识别的图像拼接篡改检测与定位方法，其特征在于，基于源相机噪...

【专利技术属性】
技术研发人员：王总辉，段宇萱，陈清源，虞楚尔，
申请(专利权)人：浙江大学，
类型：发明
国别省市：浙江;33