本发明专利技术请求保护一种基于JPEG指纹的深度特征融合图像篡改检测方法，涉及数字图像处理、计算机视觉、深度学习等技术领域。具体步骤为：1)搜集并整理公开的未压缩的图像样本；2)对图像样本进行两种方式篡改并标注获得篡改图像样本以及标签以完成图像篡改数据集的构建；3)利用制作的图像篡改数据集对深度特征融合网络进行训练；4)利用训练得到的模型对两种篡改图像进行测试，得到最终效果。本方法利用特征融合卷积神经网络训练得到的模型可以对现实中的篡改图像进行检测，具有实际意义，并且取得较好的检测精度。且取得较好的检测精度。且取得较好的检测精度。
【技术实现步骤摘要】
一种基于JPEG指纹的深度特征融合图像篡改检测方法
[0001]本专利技术涉及基于深度特征融合卷积神经网络的图像篡改检测方法，属于数字图像处理、计算机视觉、深度学习等
技术介绍
[0002]在过去，人们相信所有发布在网上的数字图像都是真实的。但是，随着数字软件和智能手机应用程序的发展，图像很容易被操作或篡改。这些伪造的照片传播了歪曲的信息，可能会造成各种社会影响。根据图像的语义内容是否发生变化，图像伪造大致可分为全局伪造和局部伪造两大类。全局伪造被认为危害较小，因为它只改变图像的视觉效果(通过图像压缩、图像模糊和图像对比度增强等技术)，而不改变语义内容。相反，局部伪造会改变图像的语义内容。因为它可以通过篡改的内容传播虚假或误导性的信息，所以它比全局伪造更有害。
[0003]受卷积神经网络在计算机视觉中的巨大成功的启发，卷积神经网络在图像伪造检测中的应用变得越来越广泛。卷积神经网络强大的自适应特征学习能力弥补了传统基于特征提取的图像伪造检测技术适用性差的不足。在卷积神经网络的帮助下，各种图像伪造的检测得到了很大的提高。然而，这些检测方法还存在以下问题：(1)图像篡改后，如果相应又做了一些JPEG压缩后处理检测方法就会失效；(2)只适用于某一类型的篡改，泛化能力差。
[0004]经过检索，申请公开号CN110349136A，一种基于深度学习的篡改图像检测方法，涉及图像被动取证领域。该方法为一个多阶段的方法，方法借鉴了目标检测的思想，通过三个网络分别提取图像特征、生成候选框和分割出篡改区域，检测流程较复杂。本专利技术为一种端到端的单阶段方法，只需要一个网络就能从输入图像分割出篡改区域，且保证了很好的准确率和泛化能力。
技术实现思路
[0005]本专利技术旨在解决以上现有技术的问题。提出了一种基于JPEG指纹的深度特征融合图像篡改检测方法。本专利技术的技术方案如下：
[0006]一种基于JPEG指纹的深度特征融合图像篡改检测方法，其包括以下步骤：
[0007](1)获取公开的未压缩图像数样本；
[0008](2)对搜集到的篡改图像样本使用Photoshop进行拼接和复制移动两种方式的篡改并标注篡改区域，获得篡改图像样本以及篡改区域的标签，完成篡改图像数据集的构建；
[0009](3)利用步骤(2)处理后得到的篡改图像数据集对特征融合网络进行模型训练，所述特征融合卷积神经网络包括图像噪声流模块、图像梯度流模块和密集连接模块；所述图像噪声流模块使用空间富模型提取输入图像的噪声特征向量；所述图像梯度流模块使用离散小波变换提取输入图像的梯度特征向量；所述密集连接模块中的卷积采用密集连接方式增加特征的复用率；
[0010](4)利用步骤(3)训练得到的模型对输入的图像进行测试，得到最终的检测结果。
[0011]进一步的，所述图像噪声流模块使用空间富模型高通滤波器提取输入图像的噪声特征向量，具体包括：所述图像噪声流模块在输入图像上利用空间富模型高通滤波器提取JPEG指纹，然后进行卷积核大小为1
×
1的卷积操作，然后再进行一次大小为2
×
2，步长为2的最大池化操作，最终得到具有30幅特征图的JPEG指纹特征向量。
[0012]进一步的，所述图像梯度流模块使用离散小波变换提取输入图像的梯度特征向量，具体包括：所述图像梯度流模块在输入图像的每个颜色通道上执行三阶Haar离散小波变换，每阶小波分解分别得到12幅的梯度特征向量。
[0013]进一步的，所述密集连接模块，在第一个密集连接模块中会将图噪声流的30幅特征图和图像梯度流的每阶12幅特征图融合为42幅JPEG指纹特征，然后进行3次卷积核大小为3
×
3卷积操作，卷积的连接方式为密集连接；之后会重复2次这样的操作，最后得到最终的30幅JPEG指纹特征图。
[0014]进一步的，所述步骤(3)对深度特征融合卷积神经网络进行模型训练具体包括：
[0015]1)将训练数据集作为输入送入到深度特征融合卷积神经网络中；
[0016]2)对于图像噪声流，输入图像经过一个由空间富模型高通滤波器组成的卷积得到5幅噪声特征图，然后经过一层1
×
1的卷积和一层2
×
2的最大池化层，最终得到具有30幅特征图的噪声特征向量F
n
；
[0017]3)对于图像梯度流，输入图像的每个颜色通道经过三阶Haar离散小波变换得到3个具有12幅特征图的梯度特征向量F
g1
,F
g2
,F
g3
；
[0018]4)将噪声特征向量F
n
和梯度特征向量F
g1
沿通道方向拼接为具有42幅特征图的特征向量F
n+g1
，然后将F
n+g1
输入到一个密集连接模块得到具有30幅特征图的特征向量F
j2
；然后把F
j2
经过2
×
2的最大池化操作后与F
g2
沿通道方向进行拼接得到42幅具有全局特征的特征向量F
j2+g2
，然后将F
j2+g2
输入到一个密集连接模块得到具有30幅特征图的特征向量F
j3
；然后把F
j3
经过2
×
2的最大池化操作后与F
g3
沿通道方向进行拼接得到42幅具有全局特征的特征向量F
j3+g3
，最后将F
j3+g3
输入到一个密集连接模块得到具有30幅特征图的JPEG指纹特征向量F
j4
[0019]6)把F
j4
通过SegNet网络的解码器解码，得到最终的预测结果。
[0020]进一步的，所述步骤2)的噪声流和步骤3)的梯度流的特征提取是同步进行训练的。
[0021]进一步的，整个深度特征融合卷积神经网络通过最小化交叉熵损失函数来对预测的结果进行优化，交叉熵损失函数如下所示：
[0022][0023]其中p
i
和m
i
分别是网络第i个输入图像的预测结果和实际的标签，N代表总样本数。
[0024]本专利技术的优点及有益效果如下：
[0025]本专利技术利用数字图像处理、计算机视觉、深度学习等技术，实现了篡改图像检测任务。本专利技术是一个端到端方法，输入一幅篡改图像即可得到篡改的区域，无需任何预处理和后处理操作。本专利技术具有以下优点：
[0026](1)本专利技术是一个端到端的网络，从输入图像到得到结果只经过一个网络，无需其他操作；
[0027](2)本专利技术基于JPEG指纹这种JPEG图像的共性进行篡改检测，只要是JPEG格式的篡改图像就可以检测，无论何种篡改方式。
[0028](3)本专利技术利用空间富模型高通滤波器提取了图像噪声特征并利用小波变化提取图像梯度特征，这两种特征向量协同本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于JPEG指纹的深度特征融合图像篡改检测方法，其特征在于，包括以下步骤：(1)获取公开的未压缩且未篡改图像数样本；(2)对搜集到的篡改图像样本使用Photoshop进行拼接和复制移动两种方式的篡改并标注篡改区域，获得篡改图像样本以及篡改区域的标签，完成篡改图像数据集的构建；(3)利用步骤(2)处理后得到的篡改图像数据集对特征融合网络进行模型训练，所述特征融合卷积神经网络包括图像噪声流模块、图像梯度流模块和密集连接模块；所述图像噪声流模块使用空间富模型提取输入图像的噪声特征向量；所述图像梯度流模块使用离散小波变换提取输入图像的梯度特征向量；所述密集连接模块中的卷积采用密集连接方式增加特征的复用率；(4)利用步骤(3)训练得到的模型对输入的图像进行测试，得到最终的检测结果。2.根据权利要求1所述的一种基于JPEG指纹的深度特征融合图像篡改检测方法，其特征在于，所述图像噪声流模块使用空间富模型高通滤波器提取输入图像的噪声特征向量，具体包括：所述图像噪声流模块在输入图像上利用空间富模型高通滤波器提取JPEG指纹，然后进行卷积核大小为1
×
1的卷积操作，然后再进行一次大小为2
×
2，步长为2的最大池化操作，最终得到具有30幅特征图的JPEG指纹特征向量。3.根据权利要求1所述的一种基于JPEG指纹的深度特征融合图像篡改检测方法，其特征在于，所述图像梯度流模块使用离散小波变换提取输入图像的梯度特征向量，具体包括：所述图像梯度流模块在输入图像的每个颜色通道上执行三阶Haar离散小波变换，每阶小波分解分别得到12幅的梯度特征向量。4.根据权利要求1所述的一种基于JPEG指纹的深度特征融合图像篡改检测方法，其特征在于，所述密集连接模块有三个，在第一个密集连接模块中会将图噪声流的30幅特征图和图像梯度流的每阶12幅特征图融合为42幅JPEG指纹特征，然后进行3次卷积核大小为3
×
3卷积操作，卷积的连接方式为密集连接；之后会重复2次这样的操作，最后得到最终的30幅JPEG指纹特征图。5.根据权利要求1所述的一种基于JPEG指纹的深度特征融合图像篡改检测方法，其特征在于，所述步骤(3)对深度特征融合卷积神经网络进行模型训练具体包括：1)将训练数据集作为输入送入到深度特征融合卷积神经网络中；2)对于图像噪声流，输入图像经过一个由空间富模型高通滤波...
【专利技术属性】
技术研发人员：毕秀丽，吴让磊，肖斌，刘波，
申请(专利权)人：重庆邮电大学，
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。