一种改进的多尺度图像篡改区域定位模型及方法技术

本发明专利技术公开了一种改进的多尺度图像篡改区域定位模型及方法，为了解决现有技术的不足，通过特征采集模块利用级联的卷积神经网络对输入的高频特征分量采集浅层篡改特征分量，并将采集的最小尺度的浅层篡改特征分量送入空洞卷积网络，输出深层篡改特征分量；将深层篡改特征分量送入注意力机制融合模块，分别计算出通道注意力权值图和空间注意力权值图，并利用矩阵乘法分别与深层篡改特征分量在空间和通道维度上进行权重分配后，利用特征融合模块进行特征融合输出得到融合篡改特征分量；融合篡改特征分量和浅层篡改特征分量通过三级反卷积网络进行相同尺度的跨层融合，以此逐步重建出篡改区域定位效果图。重建出篡改区域定位效果图。重建出篡改区域定位效果图。

【技术实现步骤摘要】
一种改进的多尺度图像篡改区域定位模型及方法


[0001]本专利技术涉及图像篡改、区域定位等
，具体的说，是一种改进的多尺度图像篡改区域定位模型及方法。

技术介绍

[0002]相较于文本信息，图像在表达内容方面具有直观简洁的优势，在现代社会中是一种重要的信息传播载体。而随着计算机技术的不断发展，市场上涌现了一批如Photoshop、美图秀秀等数字图像编辑工具。借助这些工具，人们无需专业知识即可根据自己的喜好修改图像，在社交平台进行分享和传播。然而，图像编辑变得容易的同时也让图像内容的真实性饱受质疑。一些图像在被伪造者巧妙加工后，能够达到以假乱真的效果，使得人眼很难直接判断所见图像是否被修改过。常见的图像篡改操作有复制
‑
粘贴、拼接和擦除
‑
填充这三种。复制
‑
粘贴是一种将拷贝的原始图像部分区域粘贴至与其空间位置相邻或不相邻区域的篡改行为；拼接是一种拷贝一张图像的区域，去覆盖另一张图像某个区域的篡改行为；擦除
‑
填充是一种利用相邻纹理的像素值替换选中图像区域像素值的篡改行本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种改进的多尺度图像篡改区域定位模型，其特征在于：包括用于实现多尺度篡改特征采集的特征采集模块、具有双分支结构的注意力机制融合模块及跨层特征连接重建模块；所述特征采集模块，利用级联的卷积神经网络采集包含全局篡改特征信息且尺度不同的浅层篡改特征分量，并将采集的最小尺度的浅层篡改特征分量送入空洞卷积网络，输出得到深层篡改特征分量；所述注意力机制融合模块，基于空间注意力机制和通道注意力机制相结合技术，用于抑制模型结构对篡改区域语义内容的偏好，最终输出融合篡改特征分量；所述跨层特征连接重建模块，利用特征采集模块采集的浅层篡改特征分量和融合篡改特征分量进行相同尺度的跨层融合，逐步重建出篡改区域定位效果图。2.根据权利要求1所述的一种改进的多尺度图像篡改区域定位模型，其特征在于：还包括用于将经过归一化处理后的篡改图数据进行高频特征分量提取的高通滤波层，提取后的高频特征分量将输送至特征采集模块内做后续处理。3.根据权利要求1或2所述的一种改进的多尺度图像篡改区域定位模型，其特征在于：所述特征采集模块设置有三级卷积神经网络和两级空洞卷积网络，每一个卷积神经网络皆设置有实现连续操作的卷积层、平均池化层和激活函数；每一个空洞卷积网络皆设置有实现连续操作的空洞卷积层和激活函数。4.根据权利要求1或2所述的一种改进的多尺度图像篡改区域定位模型，其特征在于：所述注意力机制融合模块设置有通道注意力机制模块、空间注意力机制模块、两个矩阵乘法及特征融合模块，所述通道注意力机制模块用于实现通道注意力权值图的计算，所述空间注意力机制模块用于实现空间注意力权值图的计算，计算得到的通道注意力权值图和空间注意力权值图利用矩阵乘法分别与深层篡改特征分量进行权重分配后再通过特征融合模块进行特征融合，输出得到篡改痕迹表达更加突出的融合篡改特征分量。5.根据权利要求1或2所述的一种改进的多尺度图像篡改区域定位模型，其特征在于：所述跨层特征连接重建模块设置有三级反卷积网络及Sigmoid函数，融合篡改特征分量和浅层篡改特征分量通过三级反卷积网络进行相同尺度的跨层融合，而后通过Sigmoid函数，最终重建出篡改区域定位效果图。6.一种改进的多尺度图像篡改区域定位方法，其特征在于：基于如权利要求1～5任一项所述的一种改进的多尺度图像篡改区域定位模型实现，包括述步骤：1)特征采集模块利用级联的卷积神经网络对输入的高频特征分量f0采集包含全局篡改特征信息且尺度不同的浅层篡改特征分量，并将采集的最小尺度的浅层篡改特征分量送入空洞卷积网络，输出得到深层篡改特征分量f5；2)将深层篡改特征分量f5送入包含通道注意力机制模块和空间注意力机制模块的注意力机制融合模块，分别计算出通道注意力权值图M
C
(f5)和空间注意力权值图M
S
(f5)，并利用矩阵乘法分别与深层篡改特征分量f5在空间和通道维度上进行权重分配后，利用特征融合模块进行特征融合输出得到篡改痕迹表达更加突出的融合篡改特征分量f6；3)融合篡改特征分量f6和浅层篡改特征分量通过三级反卷积网络进行相同尺度的跨层融合，以此逐步重建出篡改区域定位效果图；4)将篡改区域定位效果图与输入图像真实标注的篡改区域使用像素级的自适应权重
的二元交叉熵损失函数计算误差，以指导整个网络朝最佳方向进行参数优化。7.根据权利要求6所述的一种改进的多尺度图像篡改区域定位方法，其特征在于：还包括收集篡改图像数据集，对篡改图像数据做归一化处理后使用高通滤波层过滤出尺度为w
×
h
×
3高频特征分量f0，其中，w代表宽度，h代表高度，3代表高频特征分量f0通道数；在进行归一化处理时，通过下述公式实现：P
′
v
＝P
v
÷
255，其中P
v
代表原始像素值，P
’
v
...

【专利技术属性】
技术研发人员：梁刚，朱春宇，杨进，赵奎，许春，杨鑫岩，陈良银，
申请(专利权)人：四川大学，
类型：发明
国别省市：