【技术实现步骤摘要】
基于改进U
‑
net网络的面向现实场景的图像篡改检测系统
[0001]本专利技术涉及计算机在识别篡改图像方面的应用,具体为基于改进
U
‑
net
网络的面向现实场景的图像篡改检测系统,本系统利用卷积神经网络从图像补丁中提取特征,通过迭代聚类技术对这些特征进行分析,以检测图像是否被伪造
。
技术介绍
[0002]现在所谓的“眼见为实”已经变得越来越不可信,当人们面对一张图像的时候,可能会对图像的真实性存在质疑性
。
日常生活中人们对图像进行修改,往往是出于美化
、
娱乐的目的,这并不会带来不良影响,但是在有些情况下,被恶意篡改的图像经过传播,就会影响人们对客观事物的判断
。
而现有的技术手段针对图像文件篡改技术大多只针对一种或几种格式的图像文件
,
存在普适性弱的缺点
。
技术实现思路
[0003]本专利技术为了系统的对面向现实场景中的图像进行检测,快速的检测图像是否被篡改
(
篡改:图片被拼接
、
复制
‑
粘贴
、
删除
)
,最终提出了基于改进
U
‑
net
网络的面向现实场景的图像篡改检测系统
。
本专利技术利用卷积神经网络从图像中提取相关特征,通过对图像滤波技术和深度学习进行融合分析,以解决传统技术手段泛用性弱的缺点
。 >此系统可以为图像的真实性保驾护航,使深度学习在取证领域得到更多的利用
。
[0004]基于改进
U
‑
net
网络的面向现实场景的图像篡改检测系统,该系统可搭载在移动端和
PC
端两种终端设备上
。
[0005]本专利技术所述的面向现实场景中基于深度学习的图像篡改检测系统,其使用方法包括以下步骤:
[0006]第一步:使用者利用移动端或
PC
端设备将待检测图像上传;
[0007]第二步:当使用者将待检测图像上传后,后台系统会对待检测图像数据进行预处理,再对预处理图像进行滤波得到空间域高通图像和频率域高通图像;
[0008]第三步:将原始的待检测图像
、
滤波后的空间域高通图像和频率域高通图像作为输入端数据,利用这3组滤波图像各经过一次
1*1
的卷积核,也就是对滤波图像进行降维处理,而后进行通道维度堆叠,再通过动态卷积技术将特征图压缩到单通道,得到融合后的
Feature Map∈R
H*W*1
,
最后利用得到的
Feature Map
输入至网络模型中
。
[0009]第四步:等待若干秒后,在完成对待检测图像的分析后,获得其检测结果并以可视化形式提交给使用者,系统每次的图像篡改检测将会输出图中的相关篡改区以及篡改区的大小
。
将网络模型部署至移动端或
Android
端后,将会完成对图像篡改检测系统的全部部署
。
这就实现了图像是否经过篡改的检测过程
。
该模型能够有效的捕捉图像篡改的痕迹,实现精准的检测
。
[0010]上述的基于改进
U
‑
net
网络的面向现实场景的图像篡改检测系统,第二步的具体过程为:当使用者利用终端设备将待检测图像上传后,后台系统会对待检测图像数据进行
预处理
。
预处理操作是对图像数据进行统一化操作:将数据通过缩放和对图像添加灰度条,从而使数据保持真实状态和达到图像的单位限制
。
再将预处理后的图像使用图像滤波技术,图像滤波技术采用了空间域高通滤波器和高斯高通滤波器分别对预处理后的图像进行滤波
。
[0011]空间域高通滤波器利用
Laplace
算子使预处理图像得到锐化处理,锐化算子针对图像边缘进一步梯度深度计算,增强图像的噪声,使图像的边界性特征显现
。Laplace
算子为利用二阶微分推导出的一种图像邻域增强算法
。
其简化式为
:g(i,j)
=
4f(i,j)
‑
f(i+1,j)
‑
f(i
‑
1,j)
‑
f(i,j+1)
‑
f(i,j
‑
1)。
[0012]在频率域中,利用高斯高通滤波器将图像整体的平滑特征显现,抑制图像噪声特征,增强图像篡改部位的细节信息,对微小图像篡改部位和细线条处进行有效的显现
。
高斯高通滤波器
(GHPF)
的传递函数为:
[0013][0014]最后将待检测图像的空间域和频率域特征图像输出
。
[0015]上述的基于改进
U
‑
net
网络的面向现实场景的图像篡改检测系统,第三步的具体为:将原始待检测图像
、
图像滤波后的空间域高通图像和频率域高通图像作为输入端数据,利用这3组滤波图像各经过一次
1*1
的卷积核,也就是对滤波图像进行降维处理,而后进行通道维度堆叠,再通过动态卷积技术将特征图压缩到单通道,得到融合后的
Feature Map∈R
H*W*1
,输出相应
Feature Map。
[0016]整个动态卷积过程可以表示为:
[0017][0018]此公式中:
X0∈R
H*W*3
为输入的3组滤波图像,
Fm
包括动态卷积计算和通道维度的堆叠操作
。
[0019]上述的基于改进
U
‑
net
网络的面向现实场景的图像篡改检测系统,该系统的网络模型搭载
U
‑
res
‑
net
网络模型
。
对原始
U
‑
net
网络模型进行了改进形成
U
‑
res
‑
net
网络模型
。
在原有
U
‑
net
网络模型中,将每一个压缩版块中利用
1*1conv
使原有网络中形成一个残差结构
。
在压缩版块和扩展版块间增加
CBAM
注意力机制,使在最深层的图像特征能够得到更好的提取
。
选用
PRelu
激活函数替代了原有的
Relu
激活函数
。
网络模型训练中,在保证图像篡改的检测率高的同时,实现高精度
、
高时效的图像篡改检测
...
【技术保护点】
【技术特征摘要】
1.
基于改进
U
‑
net
网络的面向现实场景的图像篡改检测系统,其特征在于:其使用方法包括以下步骤:第一步:使用者利用移动端或
PC
端设备将待检测图像上传;第二步:当使用者将待检测图像上传后,后台系统会对待检测图像数据进行预处理,再对预处理图像进行滤波得到空间域高通图像和频率域高通图像;第三步:将原始待检测图像
、
图像滤波后的空间域高通图像和频率域高通图像各自经过
1*1
卷积处理,后进行动态卷积处理,输出后作为输入端数据,输入至网络模型中;第四步:等待若干秒后,在完成对待检测图像的分析后,获得其检测结果并以可视化形式提交给使用者,系统每次的图像篡改检测将会输出图中的相关篡改区以及篡改区的大小
。2.
根据权利要求1所述的基于改进
U
‑
net
网络的面向现实场景的图像篡改检测系统,其特征在于:第二步中预处理操作是对图像进行统一化操作:将图像通过缩放和对图像添加灰度条,从而使图像保持真实状态和达到图像的单位限制;再将预处理后的图像使用图像滤波技术,图像滤波技术采用了空间域高通滤波器和高斯高通滤波器分别对预处理后的图像进行滤波
。3.
根据权利要求2所述的基于改进
U
‑
net
网络的面向现实场景的图像篡改检测系统,其特征在于:该系统的网络模型选用
...
【专利技术属性】
技术研发人员:朱飑凯,曾倩倩,鲍玉奥,张照杰,李峰,卫坤泽,刘智慧,裴鑫,王彦晞,刘蔚,秦丽娜,刘三满,
申请(专利权)人:山西警察学院,
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。