一种鲁棒性图像篡改定位方法及相关设备技术

本发明专利技术公开了一种鲁棒性图像篡改定位方法及相关设备，包括步骤：获取待测图像，提取待测图像的多维度特征；将待测图像的多维度特征划分成多个特征块，记录各个特征块对应待测图像的位置；将各个特征块输入异常检测网络进行重构；根据重构前后的各个特征块计算每个特征块的重构误差；根据各个特征块的重构误差和各个特征块对应待测图像的位置对待测图像的异常位置进行定位。可以看出，本发明专利技术通过采用待测图像的多维度特征作为异常检测网络的输入，多维度特征与现有技术所使用的噪声信号相比蕴含有较多的篡改痕迹，有利于提高图像篡改定位的精度和鲁棒性，因此本发明专利技术的技术方案检测的精度和鲁棒性相较现有技术更高。的精度和鲁棒性相较现有技术更高。的精度和鲁棒性相较现有技术更高。

【技术实现步骤摘要】
一种鲁棒性图像篡改定位方法及相关设备


[0001]本专利技术涉及图像检测应用领域，尤其涉及的是一种鲁棒性图像篡改定位方法及相关设备。

技术介绍

[0002]在现代人所身处的信息时代，每天都需要从传播信息媒介图像、文字、视频中获得各类所需信息，然而这些信息中不乏由人为伪造的信息存在，同时仅凭人类感官无法判读信息的真实性。
[0003]最近一些研究者在有关图像篡改定位的综述中表明，由于软件开发及应用技术的快速发展，现如今市面上出现了许多图像修改软件，尽管这些软件能够帮助人们进行图像修饰、美化、调整等工作给现代人的工作及生活带来了诸多便利，但是这些工具难免会被少数用户应用于危害社会的非法用途从而产生潜在的安全隐患。在现实生活中存在一些不法分子通过篡改软件制造虚假照片来在法庭上帮助自己辩护，也有投机者通过篡改出竞争者丑闻照片或者自己的亲民照片以此实现自己有利的竞争地位，少数网友通过篡改公共场所标语的图片以达到寻衅滋事的目的。这些事件每天都会发生，为了防止图像修改工具被用于非法用途，同时守住信息安全的红线，信息安全领域的科研人员愈发重视数字图像的安全问题。
[0004]如何对图像篡改进行定位识别，就成了问题的关键，对图像篡改进行定位识别的精度和鲁棒性，直接影响到数字图像的安全性。

技术实现思路

[0005]本专利技术的目的在于提供一种鲁棒性图像篡改定位方法及相关设备，旨在解决现有技术的图像篡改定位方法的识别精度和鲁棒性不足的问题。
[0006]本专利技术解决技术问题所采用的技术方案如下：
[0007]本专利技术提供一种鲁棒性图像篡改定位方法，包括步骤：
[0008]获取待测图像，提取待测图像的多维度特征；
[0009]将待测图像的多维度特征划分成多个特征块，记录各个特征块对应待测图像的位置；
[0010]将各个特征块输入异常检测网络进行重构；
[0011]根据重构前后的各个特征块计算每个特征块的重构误差；
[0012]根据各个特征块的重构误差和各个特征块对应待测图像的位置对待测图像的异常位置进行定位。
[0013]可选地，所述异常检测网络包括编码器和解码器；
[0014]所述将各个特征块输入异常检测网络进行重构，具体包括：
[0015]特征块f经过编码器得到的特征经过自适应平均池化层将特征的空间尺寸降为1，并保持特征的通道维度不变，将特征展平为一维向量，一维向量转变为由均值向量u
i
和标
准差向量表示的高斯分布从高斯分布中采样出特征送入解码器。
[0016]可选地，所述编码器包括五层依次连接的编码层，每个编码层均包括依次连接的卷积层、批正则化层和LeakyReLU激活函数，每层卷积层的核大小均为3、步长为2、填充为1，由前到后各层卷积层的输出通道分别为32、64、128、256、512；
[0017]所述解码器包括五个依次连接的反卷积层，前四个反卷积层的输出通道数从前往后分别为256、128、64、32，最后一个反卷积层的输出通道数与F通道数一致。
[0018]可选地，所述根据重构前后的各个特征块计算每个特征块的重构误差，具体是根据下式计算各个特征块的重构误差：
[0019][0020]式中，Anomaly Score为重构误差，f为重构前的特征块，f'为重构后的特征块。
[0021]可选地，根据各个特征块的重构误差和各个特征块对应待测图像的位置对待测图像的异常位置进行定位，具体包括：
[0022]对每个像素均计算包含该像素的所有特征块的重构误差的平均值作为该像素的异常分数，以得到所有像素的异常分数；
[0023]将异常分数大于设定阈值的像素定位为异常位置。
[0024]可选地，所述将待测图像的多维度特征划分成多个特征块具体是通过设定大小的滑动窗口将待测图像的多维度特征划分成多个设定大小的特征块。
[0025]可选地，若待测图像尺寸大于设定阈值，则将滑动窗口的步长设为第一步长，否则将滑动窗口的步长设为第二步长，所述第一步长大于第二步长。
[0026]可选地，所述提取待测图像的多维度特征，具体是将待测图像输入训练好的SE
‑
U
‑
Net网络，获取SE
‑
U
‑
Net网络倒数第二个卷积层的输出作为多维度特征。
[0027]此外，为实现上述目的，本专利技术还提供一种终端，所述终端包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的图像篡改定位程序，所述图像篡改定位程序被所述处理器执行时实现如上所述的图像篡改定位方法的步骤。
[0028]此外，为实现上述目的，本专利技术还提供一种计算机可读存储介质，所述计算机可读存储介质存储有图像篡改定位程序，所述图像篡改定位程序被处理器执行时实现如上所述的图像篡改定位方法的步骤。
[0029]本专利技术采用上述技术方案具有以下效果：
[0030]本专利技术通过提取待测图像的多维度特征作为异常检测网络的输入，异常检测网络对多维度特征进行重构，并根据重构误差对待测图像的异常区域进行定位识别，实现对于待测图像的篡改位置进行定位，多维度特征与现有技术所使用的噪声信号相比蕴含有较多的篡改痕迹，有利于提高图像篡改定位的精度和鲁棒性，因此本专利技术的技术方案检测的精度和鲁棒性相较现有技术更高。
附图说明
[0031]图1是本专利技术较佳实施例中图像篡改定位方法的步骤流程图；
[0032]图2是本专利技术较佳实施例中所用网络的结构示意图；
[0033]图3是现有技术空间和通道挤压及激励模块的结构示意图；
[0034]图4是本专利技术测试例不同篡改定位方法的可视化结果图；
[0035]图5是本专利技术测试例不同传输媒介下CASIA数据集的可视化结果图；
[0036]图6是本专利技术较佳实施例的图像篡改定位程序的输入图像选择界面示意图；
[0037]图7是本专利技术较佳实施例的图像篡改定位程序的图像篡改定位结果界面示意图
[0038]图8是本专利技术终端的较佳实施例的运行环境示意图。
具体实施方式
[0039]为使本专利技术的目的、技术方案及优点更加清楚、明确，以下参照附图并举实施例对本专利技术进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。
[0040]实施例一
[0041]由于深度学习技术的快速发展及计算机运行速度的大幅提高，现如今已经有许多研究致力于结局图像篡改定位问题，例如在DFCN(dense fully convolutional network，稠密全卷积网络)中，作者针对于Photoshop篡改软件开发了一种图像篡改定位方案，该方案需要大量篡改图像及对应的篡改标签来训练网络。
[0042]为了使得篡改定位方案脱离需要大量图像篡改标签的限制，例如引入盲篡改定位的概念的一类方法，该类方法不需要特定的数据集用于训练或微调，也不使用关于本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种鲁棒性图像篡改定位方法，其特征在于，包括步骤：获取待测图像，提取待测图像的多维度特征；将待测图像的多维度特征划分成多个特征块，记录各个特征块对应待测图像的位置；将各个特征块输入异常检测网络进行重构；根据重构前后的各个特征块计算每个特征块的重构误差；根据各个特征块的重构误差和各个特征块对应待测图像的位置对待测图像的异常位置进行定位。2.根据权利要求1所述的一种鲁棒性图像篡改定位方法，其特征在于，所述异常检测网络包括编码器和解码器；所述将各个特征块输入异常检测网络进行重构，具体包括：特征块f经过编码器得到的特征经过自适应平均池化层将特征的空间尺寸降为1，并保持特征的通道维度不变，将特征展平为一维向量，一维向量转变为由均值向量u
i
和标准差向量表示的高斯分布从高斯分布中采样出特征送入解码器。3.根据权利要求2所述的一种鲁棒性图像篡改定位方法，其特征在于，所述编码器包括五层依次连接的编码层，每个编码层均包括依次连接的卷积层、批正则化层和LeakyReLU激活函数，每层卷积层的核大小均为3、步长为2、填充为1，由前到后各层卷积层的输出通道分别为32、64、128、256、512；所述解码器包括五个依次连接的反卷积层，前四个反卷积层的输出通道数从前往后分别为256、128、64、32，最后一个反卷积层的输出通道数与F通道数一致。4.根据权利要求1所述的一种鲁棒性图像篡改定位方法，其特征在于，所述根据重构前后的各个特征块计算每个特征块的重构误差，具体是根据下式计算各个特征块的重构误差：式中，Anomaly Score为重构误差，f为重构前的特征块，f'为重构后的特征块。5.根据权利要求1所述的一...

【专利技术属性】
技术研发人员：李斌，陈童，
申请(专利权)人：深圳大学，
类型：发明
国别省市：