【技术实现步骤摘要】
基于频域信息与生成对抗网络的伪造图像检测方法及系统
[0001]本专利技术涉及图像处理及深度学习
,特别是涉及一种基于频域信息与生成对抗网络的伪造图像检测方法及系统。
技术介绍
[0002]随着图像处理技术与深度学习技术的发展,伪造图像的质量越来越高且成本越来越低,对社会生活和生产活动产生的威胁日益显著。
[0003]近年来,随着多媒体采集工具的普及,特别是photoshop、美图秀秀等图像编辑软件的推广,数字图像的制作和传播进入了大爆发时代。现有的伪造图像检测方法大致可以分为两类:一类是利用图像中特定的线索,比如像素级别的不一致性,进行伪造图像检测;另一类是基于深度学习模型来捕捉图像中的伪造特征,从而提高检测性能。特别的是,随着深度学习不断的深入研究,深度卷积神经网络(DeepCNNs,DCNNs)逐渐应用于伪造图像检测领域,并展现出强大的发展潜力。然而,现有的伪造图像检测技术大多局限于伪造人脸图像的检测,却鲜有针对于伪造自然图像检测的方法。事实上,自然场景伪造图像的检测同样至关重要,比如在军事侦察领域,在规划行军路线时,如果在原本没有河流或者没有山脉的地形图上”造出”河流和山脉,这一做法将很大程度上影响到行军路线的规划,进而产生严重的后果。因此,亟需研究一种针对伪造自然图像的检测方法。
技术实现思路
[0004]本专利技术的目的是提供一种基于频域信息与生成对抗网络的伪造图像检测方法及系统,不仅能够对伪造人脸图像进行检测,而且还可以对自然场景伪造图像进行检测。
[0005]为实 ...
【技术保护点】
【技术特征摘要】
1.一种基于频域信息与生成对抗网络的伪造图像检测方法,其特征在于,包括:获取目标图像;所述目标图像为人脸图像或者自然场景图像;将所述目标图像从图像空间转换到频域空间,以得到目标频谱图;将所述目标频谱图输入到伪造图像检测模型中,以确定所述目标图像的判别结果;所述判别结果包括真实图像和伪造图像;其中,所述伪造图像检测模型的网络结构为生成对抗网络;所述生成对抗网络包括生成器和鉴别器;所述鉴别器采用U
‑
Net结构。2.根据权利要求1所述的一种基于频域信息与生成对抗网络的伪造图像检测方法,其特征在于,所述将所述目标图像从图像空间转换到频域空间,以得到目标频谱图,具体包括:对所述目标图像进行离散傅里叶变换,得到初始频谱图;对所述初始频谱图进行中心化处理,得到目标频谱图。3.根据权利要求1所述的一种基于频域信息与生成对抗网络的伪造图像检测方法,其特征在于,所述生成器包括第一编码器和第一解码器;所述鉴别器包括第二编码器和第二解码器;所述第一编码器的输出端连接所述第一解码器的输入端;所述第一解码器的输出端连接所述第二编码器的输入端;所述第二编码器的第一输出端用于在模型训练过程中输出样本图像类别;所述第二编码器的第二输出端连接所述第二解码器的输入端。4.根据权利要求3所述的一种基于频域信息与生成对抗网络的伪造图像检测方法,其特征在于,所述第一编码器用于提取所述目标频谱图的潜在编码;所述第一解码器用于基于所述目标频谱图的潜在编码,重构所述目标频谱图,以得到重构图像;所述第一编码器包括五个第一卷积模块,其中,前四个所述第一卷积模块包括一个卷积层、一个批处理层和一个LReLU激活层,最后一个所述第一卷积模块包括一个卷积层、一个批处理层和一个ReLU激活层;所述第一解码器包括五个且相同的第一反卷积模块;所述第一反卷积模块包括一个反卷积层和一个ReLU激活层。5.根据权利要求4所述的一种基于频域信息与生成对抗网络的伪造图像检测方法,其特征在于,所述第二编码器的第二输出端用于输出所述重构图像的潜在编码;所述第二解码器的输出端用于输出图像逐像素判别结果值;所述图像逐像素判别结果值为所述目标图像的判别结果;其中,所述第二编码器至少包括五个第二卷积模块,其中,第一个所述第二卷积模块包括一个二维卷积层和一个谱归一化层,后四个所述第二卷积模块包括一个二维卷积层、一个谱归一化层和一个ReLU激活层;所述第二解码器至少包括五个且相同的第二反卷积模块;所述第二反卷积模块包括一个反卷积层和一个ReLU激活层。6.根据权利要求5所述的一种基于频域信息与生成对抗网络的伪造图像检测方法,其特征在于,所述伪造图像检测模型的损失函数为复合损失函数;所述复合损失函数包括对抗损失子函数、第一标签损失子函数、第二标签损失子函数
和重构子函数;所述对抗损失子函数为交叉熵损失函数;所述第一标签损失子函数用于表示样本频谱图的潜在编码与样本图像真实...
【专利技术属性】
技术研发人员:江倩,黄珊珊,刘玲,金鑫,董云云,吴楠,姚绍文,何德芬,程子恩,
申请(专利权)人:云南大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。