一种基于DAUnet网络的图像篡改区域定位方法、存储介质技术

本发明专利技术涉及图像处理技术领域，具体涉及一种基于DAUnet网络的图像篡改区域定位方法、存储介质，图像篡改区域定位方法包括以下步骤，S1.将目标图像经过First Block层进行特征提取和通道提升，随后经过Dense Block模块进行特征提取，提取的图像特征经过Transition层下采样压缩；S2.将压缩特征图像经空洞空间池化金字塔ASPP模块进行细节提取；S3.将细节提取的特征图像经过反卷积模块进行图像上采样，使下采样中低层的图像语义信息参与反卷积模块处理，最后经过Last Block层进行降维处理，得到二值图像，该方法能有效地提高图像篡改区域的定位精度，继而提高鉴别数字图像真伪的速度和准确度。和准确度。和准确度。

【技术实现步骤摘要】
一种基于DAUnet网络的图像篡改区域定位方法、存储介质


[0001]本专利技术涉及图像处理
，具体涉及一种基于DAUnet网络的图像篡改区域定位方法、存储介质。

技术介绍

[0002]随着数码相机、手机等摄像设备的快速发展，互联网用户每天都在分享着大量的图片，记录着眼前的“真实”。但随着Photoshop等一系列的图像编辑软件的功能性显著增强和使用门槛越来越低，一些不法分子利用这些软件轻易制作一些恶意的篡改图像，图像在经过篡改者“精心”处理后，人们很难区分图像的真假。在如今这个信息社会，人们的交流极其方便，一张被恶意篡改的图像能很快传播开来，造成不可估量的后果。因此，大力发展数字图像的取证技术，准确的鉴定图像的真实性，将是信息安全领域未来的研究热点和方向。传统的图像拼接定位算法主要通过人工手动选取某种特征来区分篡改区域和真实区域，不仅泛化性能不足，而且定位性能较差。现有技术也出现了用Unet模型在下采样的每一阶段只通过连续的3x3卷积提取特征，当面对同一类别内容的简单语义信息时，Unet模型才能取得不错的效果，而对于图像的拼接篡改定位问题，篡改区域往往来自不同的类别信息，会有不同的语义信息干扰，可见，现有技术的Unet模型下采样环节提取特征的能力有限，不能较好地进行定位。

技术实现思路

[0003]本专利技术的目的之一在于避免现有技术中的不足之处而提供一种基于DAUnet网络的图像篡改区域定位方法，该方法能有效地提高图像篡改区域的定位精度，继而提高鉴别数字图像真伪的速度和准确度。
[0004]本专利技术的目的之二在于提供一种存储介质。
[0005]为实现上述目的之一，本专利技术提供以下技术方案：
[0006]提供一种基于DAUnet网络的图像篡改区域定位方法，包括以下步骤，
[0007]S1.将目标图像经过First Block层进行特征提取和通道提升，随后经过DenseNet中的Dense Block模块进行特征提取，提取的图像特征再经过Transition层进行下采样压缩，得到压缩特征图像；
[0008]S2.将压缩特征图像经空洞空间池化金字塔ASPP模块进行细节提取；
[0009]S3.将细节提取的特征图像经过反卷积模块进行图像上采样，同时在特征图像进入反卷积模块之前，使特征图像与下采样的对应特征图像进行通道拼接，使下采样中低层的图像语义信息参与反卷积模块处理，最后经过Last Block层进行降维处理，得到二值图像，该二值图像显示篡改区域的图像。
[0010]在一些实施方式中，所述First Block层包含Convolution层、Batch Normalization层和ReLU层。
[0011]在一些实施方式中，步骤S1中，设置四个Dense Block模块，相邻Dense Block模块
之间设置一个Transition层，图像特征沿Dense Block模块和Transition层的排列顺序传输并处理。
[0012]在一些实施方式中，所述Dense Block模块由Batch Normalization层、ReLU层和3x3卷积层组成。
[0013]在一些实施方式中，按数据传输方向，所述四个Dense Block模块采用的层数分别为6、12、16、12。
[0014]在一些实施方式中，所述Transition层由Batch Normalization层、ReLU激活层、1x1卷积层和3x3的平均池化层组成。
[0015]在一些实施方式中，所述ASPP模块采用四种膨胀率，其分别为1、6、12和18，所述ASPP模块同时使用填充加池化的操作。
[0016]在一些实施方式中，步骤S3中，特征图像依次经过三个反卷积模块进行图像上采样，每个Transition层的下采样压缩处理对应拼接至相邻的反卷积模块之间。
[0017]在一些实施方式中，每个反卷积模块包含三层反卷积层。
[0018]本专利技术一种基于DAUnet网络的图像篡改区域定位方法的有益效果：
[0019](1)本专利技术的基于DAUnet网络的图像篡改区域定位方法，其First Block层先进行特征提取和通道提升，提取后的特征再融入了DenseNet中的DenseBlock进行特征提取，有效增强了特征重用和特征提取能力，即，该DenseBlock模块替换了现有技术Une模型上采样的3x3卷积层，该DenseBlock模块密集的跳跃连接特性，增强了特征重用和传播，解决了特征提取不足的问题。
[0020](2)本专利技术的基于DAUnet网络的图像篡改区域定位方法，每经过DenseBlock模型处理的特征图像均通过Transition层(过渡层)对图像大小进行下采样压缩，减小通道数，继而减少模型的参数量。
[0021](3)本专利技术的基于DAUnet网络的图像篡改区域定位方法，压缩后的图像经空洞空间池化金字塔模块ASPP模块处理，其克服了Unet模型的下采样环节导致细节信息丢失的问题，ASPP模块在扩大网络感受野的同时，还提取到多尺度的信息，减少细节信息的丢失，有助于提高分割的精度。
[0022](4)本专利技术的基于DAUnet网络的图像篡改区域定位方法，其对现有技术的Unet模型进行改进，有效地提升了特征提取能力。
[0023]还提供一种存储介质，所述存储介质上存储有程序代码，所述程序代码被处理器执行时，实现上述的基于DAUnet网络的图像篡改区域定位方法。
附图说明
[0024]图1是实施例的基于DAUnet网络的图像篡改区域定位方法的算法框架。
[0025]图2是实施例的Dense Block模块的图示。
[0026]图3是实施例的Transition层的图示。
[0027]图4是实施例的空洞空间池化金字塔ASPP模块的图示。
具体实施方式
[0028]下面将参照附图更详细地描述本专利技术的优选实施方式。虽然附图中显示了本专利技术
的优选实施方式，然而应该理解，可以以各种形式实现本专利技术而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了使本专利技术更加透彻和完整，并且能够将本专利技术的范围完整地传达给本领域的技术人员。
[0029]在本专利技术使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本专利技术。在本专利技术和所附权利要求书中所使用的单数形式的“一种”、“该”旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
[0030]应当理解，尽管在本专利技术可能采用术语“第一”、“第二”、“第三”等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本专利技术范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于DAUnet网络的图像篡改区域定位方法，其特征是：包括以下步骤，S1.将目标图像经过First Block层进行特征提取和通道提升，随后经过DenseNet中的Dense Block模块再进行特征提取，提取的图像特征再经过Transition层进行下采样压缩，得到压缩特征图像；S2.将压缩特征图像经空洞空间池化金字塔ASPP模块进行细节提取；S3.将细节提取的特征图像经过反卷积模块进行图像上采样，同时在特征图像进入反卷积模块之前，使特征图像与下采样的对应特征图像进行通道拼接，使下采样中低层的图像语义信息参与反卷积模块处理，最后经过Last Block层进行降维处理，得到二值图像，该二值图像显示篡改区域的图像。2.根据权利要求1所述的基于DAUnet网络的图像篡改区域定位方法，其特征是：所述First Block层包含Convolution层、Batch Normalization层和ReLU层。3.根据权利要求1所述的基于DAUnet网络的图像篡改区域定位方法，其特征是：步骤S1中，设置四个Dense Block模块，相邻Dense Block模块之间设置一个Transition层，图像特征沿Dense Block模块和Transition层的排列顺序传输并处理。4.根据权利要求3所述的基于DAUnet网络的图像篡改区域定位方法，其特征是：所...

【专利技术属性】
技术研发人员：刘志昌，郭琛，
申请(专利权)人：珠海格力电器股份有限公司，
类型：发明
国别省市：