一种图像篡改检测方法、装置及设备制造方法及图纸

本申请公开了一种图像篡改检测方法、装置及设备，涉及图像处理技术领域，包括：将待检测图像输入至训练后的基于环形残差U型网络构建的卷积网络模型中得到第一特征图；计算所述第一特征图的注意力权重，并利用所述注意力权重对第一特征图进行加权处理得到第一加权特征图；对所述第一加权特征图进行池化操作得到池化加权特征图；对所述池化加权特征图进行反卷积操作，得到第二加权特征图；将所述第二加权特征图和所述第一加权特征图进行拼接，并经过全连接层和Softmax层，得到所述待检测图像的图像篡改检测结果。本申请在基于环形残差U型网络创建的卷积网络模型中加入了注意力机制，更加关注图像被篡改区域的信息，提高了图像篡改检测的效率和准确度。改检测的效率和准确度。改检测的效率和准确度。

【技术实现步骤摘要】
一种图像篡改检测方法、装置及设备


[0001]本申请涉及图像处理
，特别涉及一种图像篡改检测方法、装置及设备。

技术介绍

[0002]随着多媒体技术和网络通信技术的快速发展，数字图像的安全隐患日益严重，由此可带来信息安全问题以及社会安全问题。当前为了达到不正当目的而对图像信息进行恶意篡改已经成为信息数字化的一大安全隐患。因此，对数字图像篡改的取证研究是非常重要的。
[0003]图像篡改检测在军事防卫、司法鉴定、图像防伪等领域均具有十分重要的意义。目前常见的图像篡改技术包括：（1）拼接篡改技术；（2）复制
‑
粘贴篡改技术；（3）移除篡改技术。以上均是对图像内容进行修改，误导性较大。其他的篡改技术如模糊、压缩、增强、缩放、滤波等都没有对图像的内容进行修改，绝大多数是为了掩盖篡改痕迹进行的后处理操作。
[0004]目前基于传统的方法中还没有一种方法能识别出经过上述三种篡改技术篡改后的图像区域。传统的图像篡改检测通常是将图像分割成一定大小的重叠图像块，并提取图像块的特征，再计算图像块之间的离散余弦变换系数，组成特征向量，基于字典排序检测算法实现对所有特征向量进行排序，字典中位置相近的两个块就是复制
‑
粘贴的源区域和篡改区域。
[0005]基于深度学习的图像篡改方法在近几年成为热门方向。目前基于深度学习的图像篡改方法需要提取丰富的特征并进行学习，主要的提取特征包括RGB（Red Green Blue，即光学三原色）流特征获取强烈的对比度和不自然的篡改边界信息，另外就是噪声流特征，分析被篡改区域与真实图像区域噪声不一致特征，亦或同时使用上述两种特征信息进行分析。目前基于深度学习的图像篡改方法对拼接篡改的检测效果较好，但对复制
‑
粘贴的检测效果较差。
[0006]综上所述，当前图像篡改面临的问题有：（1）篡改复杂性提高。当前篡改技术越来越先进复杂，仅仅依赖区域边缘异常和图像颜色通道特征很难取得鲁棒性好的结果。（2）深度学习在图像篡改中的矛盾。当前生成对抗网络在图像修复中生成的图像，很难辨别真伪；深度学习网络基于真实区域与缺陷区域相关性预测出的虚假图像，目前还没有很好的检测方法。（3）模型复杂与篡改区域狭小的矛盾。现在有效的模型比较复杂，图像篡改的区域特征十分微小脆弱，深度学习需要细密捕获图像特征以及多种特征融合，导致模型参数很大，且训练与推理十分耗时。
[0007]因此，如何有效识别图像中的篡改区域及多种篡改类型，提高图像篡改检测的效率与准确度是目前还有待进一步解决的问题。

技术实现思路

[0008]有鉴于此，本申请的目的在于提供一种图像篡改检测方法、装置及设备，能够有效识别图像中的篡改区域及篡改类型，提高图像篡改检测的效率和准确度。其具体方案如下：
第一方面，本申请公开了一种图像篡改检测方法，包括：将待检测图像输入至训练后的卷积网络模型中，以便通过所述卷积网络模型对所述待检测图像进行特征提取，得到第一特征图；其中，所述卷积网络模型为利用图像篡改数据集对基于环形残差U型网络构建的初始网络模型进行训练后得到的模型；计算所述第一特征图的注意力权重，并利用所述注意力权重对所述第一特征图进行加权处理，以得到第一加权特征图；对所述第一加权特征图进行池化操作，得到池化加权特征图；对所述池化加权特征图进行反卷积操作，以得到第二加权特征图；将所述第二加权特征图和所述第一加权特征图进行拼接，并将拼接后得到的目标特征图经过全连接层和Softmax层，得到所述待检测图像的图像篡改检测结果。
[0009]可选的，所述计算所述第一特征图的注意力权重，并利用所述注意力权重对所述第一特征图进行加权处理，以得到第一加权特征图，包括：计算所述第一特征图的通道注意力权重，并利用所述通道注意力权重对所述第一特征图进行加权处理，得到通道加权特征图；计算所述通道加权特征图的空间注意力权重，并利用所述空间注意力权重对所述通道加权特征图进行加权处理，得到空间加权特征图；将所述空间加权特征图与所述第一特征图进行融合，得到第一加权特征图。
[0010]可选的，所述计算所述第一特征图的通道注意力权重，包括：对所述第一特征图进行平均池化操作，得到第一平均池化结果；对所述第一特征图进行最大池化操作，得到第一最大池化结果；将所述第一平均池化结果和所述第一最大池化结果经过全连接层，得到对应的第一通道注意力和第二通道注意力；将所述第一通道注意力和所述第二通道注意力进行融合，得到通道注意力权重。
[0011]可选的，所述计算所述通道加权特征图的空间注意力权重，包括：对所述通道加权特征图进行平均池化操作，得到第二平均池化结果；对所述通道加权特征图进行最大池化操作，得到第二最大池化结果；将所述第二平均池化结果和所述第二最大池化结果进行卷积运算，并通过全连接层得到空间注意力权重。
[0012]可选的，所述计算所述第一特征图的注意力权重，并利用所述注意力权重对所述第一特征图进行加权处理，以得到第一加权特征图之后，还包括：利用预设的激活函数将所述第一加权特征图反馈至所述卷积网络模型，以便通过所述第一加权特征图对所述卷积网络模型进行训练。
[0013]可选的，所述对所述第一加权特征图进行池化操作，得到池化加权特征图之后，还包括：按照预设的卷积次数，将所述池化加权特征图作为新的待检测图像输入至所述卷积网络模型得到第二特征图，并计算所述第二特征图的注意力权重；利用所述第二特征图的注意力权重对所述第二特征图进行加权处理，以得到第二加权特征图；对所述第二加权特征图进行池化操作，得到新池化加权特征图。
[0014]可选的，所述图像篡改检测方法，还包括：按照所述预设卷积次数并根据预设卷积核大小及步长对所述新池化加权特征图进行反卷积操作，得到对应的第三加权特征图；将所述第三加权特征图与所述新池化加权特征图进行拼接操作。
[0015]第二方面，本申请公开了一种图像篡改检测装置，包括：特征提取模块，用于将待检测图像输入至训练后的卷积网络模型中，以便通过所述卷积网络模型对所述待检测图像进行特征提取，得到第一特征图；其中，所述卷积网络模型为利用图像篡改数据集对基于环形残差U型网络构建的初始网络模型进行训练后得到的模型；注意力权重计算模块，用于计算所述第一特征图的注意力权重，并利用所述注意力权重对所述第一特征图进行加权处理，以得到第一加权特征图；池化模块，用于对所述第一加权特征图进行池化操作，得到池化加权特征图；反卷积模块，用于对所述池化加权特征图进行反卷积操作，以得到第二加权特征图；特征图拼接模块，用于将所述第二加权特征图和所述第一加权特征图进行拼接，并将拼接后得到的目标特征图经过全连接层和Softmax层，得到所述待检测图像的图像篡改检测结果。
[0016]第三方面，本申请公开了一种电子设备，包括处理器和存储器；其中，所述处理器执行所述存储器中保存的计算机程序时实现前述的图像篡改检测方法。
[0017]可见，本申请先将待检测图像输入至利用图像篡改数据集对基于环形残本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像篡改检测方法，其特征在于，包括：将待检测图像输入至训练后的卷积网络模型中，以便通过所述卷积网络模型对所述待检测图像进行特征提取，得到第一特征图；其中，所述卷积网络模型为利用图像篡改数据集对基于环形残差U型网络构建的初始网络模型进行训练后得到的模型；计算所述第一特征图的注意力权重，并利用所述注意力权重对所述第一特征图进行加权处理，以得到第一加权特征图；对所述第一加权特征图进行池化操作，得到池化加权特征图；对所述池化加权特征图进行反卷积操作，以得到第二加权特征图；将所述第二加权特征图和所述第一加权特征图进行拼接，并将拼接后得到的目标特征图经过全连接层和Softmax层，得到所述待检测图像的图像篡改检测结果。2.根据权利要求1所述的图像篡改检测方法，其特征在于，所述计算所述第一特征图的注意力权重，并利用所述注意力权重对所述第一特征图进行加权处理，以得到第一加权特征图，包括：计算所述第一特征图的通道注意力权重，并利用所述通道注意力权重对所述第一特征图进行加权处理，得到通道加权特征图；计算所述通道加权特征图的空间注意力权重，并利用所述空间注意力权重对所述通道加权特征图进行加权处理，得到空间加权特征图；将所述空间加权特征图与所述第一特征图进行融合，得到第一加权特征图。3.根据权利要求2所述的图像篡改检测方法，其特征在于，所述计算所述第一特征图的通道注意力权重，包括：对所述第一特征图进行平均池化操作，得到第一平均池化结果；对所述第一特征图进行最大池化操作，得到第一最大池化结果；将所述第一平均池化结果和所述第一最大池化结果经过全连接层，得到对应的第一通道注意力和第二通道注意力；将所述第一通道注意力和所述第二通道注意力进行融合，得到通道注意力权重。4.根据权利要求2所述的图像篡改检测方法，其特征在于，所述计算所述通道加权特征图的空间注意力权重，包括：对所述通道加权特征图进行平均池化操作，得到第二平均池化结果；对所述通道加权特征图进行最大池化操作，得到第二最大池化结果；将所述第二平均池化结果和所述第二最大池化结果进行卷积运算，并通过全连接层得到空间注意力权重。5.根据权...

【专利技术属性】
技术研发人员：朱利霞，伊文超，李明明，潘心冰，
申请(专利权)人：浪潮云信息技术股份公司，
类型：发明
国别省市：