一种基于频率聚类先验知识的彩色图像量化步长估计方法技术

本发明专利技术公开了一种基于频率聚类先验知识的彩色图像量化步长估计方法，首先，将预先获取的彩色图像进行预处理，将图像从空间域转换到频率域；其次，构建改进的Res2Net

【技术实现步骤摘要】
一种基于频率聚类先验知识的彩色图像量化步长估计方法


[0001]本专利技术属于信息安全领域，具体涉及一种基于频率聚类先验知识的彩色图像量化步长估计方法。

技术介绍

[0002]随着5G时代的到来，数字图像的传输速度更快，通过更广泛的媒体传播。然而，随着软件技术的成熟，Photoshop和GIMP等图像编辑软件的功能也越来越强大。数字图像经常被篡改而不留下任何可见的痕迹。篡改者往往利用被篡改的图像使人们对某一事件产生误判。这种行为导致了在线图像的不可靠。为了重建数字图像的可信度，图像取证技术在政府和司法部门的关注下出现了。
[0003]由于JPEG格式具有传输速度快、存储空间小等优点，已经成为最常用的图像存储格式。因此，与JPEG图像相关的取证问题受到了更多的关注。例如，JPEG隐写术，重JPEG压缩取证，JPEG重采样取证，JPEG图像的量化步长估计。
[0004]对于JPEG取证来说，篡改者通常对JPEG格式的图像进行篡改，在篡改完成后，图像通常以位图格式或JPEG格式保存。如果JPEG压缩图像被保存为位图格式(即，在解压缩JPEG流后保存)关于JPEG压缩的量化步骤的信息会丢失。即使图像被保存为JPEG格式(即JPEG流被再次编码)，也只有最后的压缩信息被保留在JPEG头文件中。如果不能准确地估计量化步长，JPEG图像就不能被充分地分析。因此，量化步长的估计已经在数字图像取证中变得很流行。在以前的研究中，量化步骤可以分为两个研究方向，包括单压缩图像的量化步骤估计，以及重压缩图像的首次量化步长估计。
[0005]对于单压缩图像，经过反量化后的DCT系数会分布在量化步长的整数倍附近。基于上述特点，大多数研究人员根据DCT系数的直方图特征来估计量化步长。此外，也有部分学者根据JPEG量化噪声特性来估计量化步长。
[0006]对于重压缩图像，第二次压缩将覆盖第一次压缩留下的痕迹，这给估计第一个量化步骤带来困难。二次压缩的严重程度将影响估计量化步骤的准确性。假如两次压缩的网格对齐，一些研究人员通过估计第一次压缩的质量系数(QF)来间接估计量化步长。然而，有些软件并不使用标准量化表进行压缩，例如Photoshop，所以这些方法的通用性很差。为了增强算法的通用性，研究者将研究目标从估计QF改为估计不同频率的量化步长。
[0007]由于大多数传统算法是通过DCT系数估计量化步长当这些算法应用于小尺寸图像时，DCT系数的数量较少，导致估计量化步骤的准确性低。随着深度学习的发展，它在解决一些任务方面起到了很大的作用。一些基于CNN的方法被设计用来估计量化步长。然而，这些算法存在高耗时和低准确性等问题。为了解决上述问题，本专利技术设计了一种预处理操作，通过DCT变换将空间域图像改变为频率域。此外，由于网络输入是频域信息，那些基于空间域信息设计的网络很难应用于频域信息。因此，需要设计一个网络模型来应用频域的信息。
[0008]本专利技术通过对已有的传统或者深度学习的算法存在的缺陷进行分析，重点解决了在小尺寸图像上的量化步长估计的问题，同时还首次利用多通道卷积估计出色度通道的量
化步长。

技术实现思路

[0009]专利技术目的：针对以上问题，本专利技术提出了一种准确率更高的基于频率聚类先验知识的彩色图像量化步长估计方法。
[0010]技术方案：本专利技术所述的一种基于频率聚类先验知识的彩色图像量化步长估计方法，具体包括以下步骤：
[0011](1)将预先获取的彩色图像进行预处理，将图像从空间域转换到频率域；
[0012](2)构建改进的Res2Net
‑
C网络结构，获取频域中的量化步长信息；
[0013](3)引入了多通道卷积辅助估计色度通道的量化步长。
[0014]进一步地，所述步骤(1)实现过程如下：
[0015]对图像进行DCT变换，每个8
×
8块中的相同位置构成列向量L
i
，将列向量按照zig
‑
zag的顺序组成C
×
64的矩阵X＝(L1,L2,L3,
…
,L
i
,
…
,L
64
)；再将列向量L
i
里面的元素从小到大进行排序得到得到矩阵
[0016]进一步地，所述步骤(2)实现过程如下：
[0017]将ResNet
‑
C结构合并到Res2Net中，形成Res2Net
‑
C的网络结构；ResNet由一个输入干、四个卷积组和一个最终输出层组成；输入干使用ResNet
‑
C的结构；对于四个卷积组使用Res2Net的结构；
[0018]通过使用分组滤波使网络通过使用多个3
×
3卷积扩大感受野，假设h(.)代表3
×
3的卷积操作，则：
[0019]y1＝x1ꢀꢀ
(1)
[0020]y2＝h(x2)
ꢀꢀ
(2)
[0021]y3＝h(x3)+h(h(x2))
ꢀꢀ
(3)
[0022]y4＝h(x4)+h(hx3))+h(h(h(x2))
ꢀꢀ
(4)
[0023]其中，h(h(.))代表使用两次3
×
3的卷积，即可获得5
×
5的感受野，h(h(h(.)))代表使用3次3
×
3的卷积，即可获得7
×
7的感受野。
[0024]进一步地，所述步骤(3)实现过程如下：
[0025]输入是一个包含三个YCbCr通道的图像，多通道卷积使用多个滤波器来卷积多通道图像；每个滤波器中的通道数必须与输入通道数相同；每个通道的卷积结果按元素相加，得到最终的特征图；在多通道卷积之后，输出通道的数量等于滤波器的数量。
[0026]进一步地，所述四个卷积组每层的卷积残差块分别为3、4、6、3。
[0027]有益效果：与现有技术相比，本专利技术的有益效果：本专利技术通过使用预处理操作将图像由空间域转化到频率域，方便了网络发掘JPEG图像中关于量化步长的痕迹，显著提高估计量化步长的准确率；本专利技术提出的新的Res2Net
‑
C网络结构可以发掘图像的多尺度信息，从而提高估计量化步长的准确率；本专利技术在增大感受野的同时大大减少了参数的数量和计算量，相比于对应的传统的估计量化步长的方法，准确率高，且更容易训练。
附图说明
[0028]图1为本专利技术的流程图；
[0029]图2为图像预处理流程图；
[0030]图3为Res2Net
‑
C网络结构示意图；
[0031]图4为Bottleneck块与Res2Net的结构示意图；其中，(a)为Bottleneck块结构示意图；(b)为Res2Net结构示意图；
[0032]图5为ResNet与ResNet
‑本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于频率聚类先验知识的彩色图像量化步长估计方法，其特征在于，包括以下步骤：(1)将预先获取的彩色图像进行预处理，将图像从空间域转换到频率域；(2)构建改进的Res2Net
‑
C网络结构，获取频域中的量化步长信息；(3)引入了多通道卷积辅助估计色度通道的量化步长。2.根据权利要求1所述的一种基于频率聚类先验知识的彩色图像量化步长估计方法，其特征在于，所述步骤(1)实现过程如下：对图像进行DCT变换，每个8
×
8块中的相同位置构成列向量L
i
，将列向量按照zig
‑
zag的顺序组成C
×
64的矩阵X＝(L1,L2,L3,
…
,L
i
,
…
,L
64
)；再将列向量L
i
里面的元素从小到大进行排序得到得到矩阵3.根据权利要求1所述的一种基于频率聚类先验知识的彩色图像量化步长估计方法，其特征在于，所述步骤(2)实现过程如下：将ResNet
‑
C结构合并到Res2Net中，形成Res2Net
‑
C的网络结构；ResNet由一个输入干、四个卷积组和一个最终输出层组成；输入干使用ResNet
‑
C的...

【专利技术属性】
技术研发人员：程鑫，王金伟，
申请(专利权)人：南京信息工程大学，
类型：发明
国别省市：