【技术实现步骤摘要】
一种基于PID
‑
Net的图像篡改检测方法
[0001]本专利技术涉及图像处理
,具体涉及一种基于
PID
‑
Net
的图像篡改检测方法
。
技术介绍
[0002]近年来,美图秀秀,醒图,
Photoshop
各种软件的发展,使得图像的编辑随处可见
。
日常生活中人们对图像进行修改,是出于美化
、
娱乐的目的,并不会引起不良影响,但并不能避免有人恶意地对图像进行篡改以达到扭曲事实或谋取利益的目的,这将影响人们对客观事物的判断,对社会和国家带来严重的消极影响
。
图像篡改技术主要包含复制
‑
移动和拼接以及移除三种,复制
‑
移动是复制图像中某一部分副本并粘贴在同一图像中的某个区域;图像拼接是指将区域从一张真实图像复制并粘贴到其他图像中;图像移除是将图像里的某个区域抹掉并根据周围的像素进行修复,另外为了消除篡改后留下的痕迹,通常进行相关后处理操作来消除这些差异,比如压缩
。
[0003]在计算机视觉领域,利用深度学习方法进行图像篡改检测是一个新的研究方向
。
大多数学者通过利用图像检测与分割,出现了许多优秀的深度学习框架
。Rao
等人利用
SRM(steganalysis rich model)
模型中的高通滤波器对
CNN
网络进行初始化,对图像进行隐写分析,有效地抑制了复杂图
【技术保护点】
【技术特征摘要】
1.
一种基于
PID
‑
Net
的图像篡改检测方法,其特征是,包括以下步骤:
Step1、
数据集的准备与处理;
Step2、
篡改模型的构建,基于
PID
‑
Net
网络结构,将其应用到图像篡改中,在此基础之上加入
transformer
,以及约束卷积;
Step3、
篡改模型的训练;
Step4、
篡改模型测试与评估
。2.
使用权利要求1所述的一种基于
PID
‑
Net
的图像篡改检测方法,其特征在于,所述的
Step1
中数据集包括
CASIA
数据集
、NIST2016
数据集
、Columbia
数据集和
COVERAGE
数据集;图像的大小统一缩放为
256x256
,且对各个数据集的篡改掩码图进行统一格式
。3.
使用权利要求2所述的一种基于
PID
‑
Net
的图像篡改检测方法,其特征在于,所述的
Step2
中篡改模型的构建步骤为:
Step2.1、
构建基于
PID
‑
Net
的网络结构,
PID
‑
Net
网络是一个三分支的网络结构,三个分支的作用分别是获取细节信息,边界信息,以及上下文信息;
Step2.2、
融入
transformer
,采用
Multi
‑
Attention
,可以增强篡改信息,有利于模型学习篡改特征,忽略与篡改无关的语义信息;
Step2.3、
利用约束卷积,学习篡改相关的语义信息而抑制无关的语义信息,学习篡改特征,抑制关注图像语义信息
。4.
使用权利要求3所述的一种基于
PID
‑
Net
的图像篡改检测方法,其特征在于,所述的
Step2.1
中
PID
‑
Net
网络基于三分支搭建,一个分支获取图像特征图中的详细信息,一个分支获取上下文信息,最后一个分支预测边界区域,三个分支是并行的,需要将三个分支的特征图进行融合,一张图像输入之后,首先进行卷积操作,卷积核的大小为3×2,每个卷积后面都有一个
BatchNorm2d
和
ReLu
操作,接下来是三个分支,三个分支分别采用
K
p
e(t)、p,i,d
代表三个分支,
K
p
表示比例系数,
K
i
表示积分时间,
K
d
表示微分时间,
e(t)
表示输入与输出值的差值,三个分支分别进行比例,积分和微分三种运算;最后将三个分支的输出结果进行融合操作,三个分支的特性信息进行相互间的融合,得到一个较为全面的图像特征图信息
。5.
使用权利要求4所述的一种基于
PID
‑
Net
的图像篡改检测方法,其特征在于,所述的
Step2.2
中
Multi
‑
Attention
模块的多头注意力机制是由多个
self
‑
Attention
自注意力机制组成,多头注意力机制有多个
Query
,
Keys
,
Values
向量,再分别计算各自的
Z
矩阵,最后将
Z
矩阵进行拼接,多头注意力机制,可以防止模型的过拟合,可以学习多个方面不同的特征,便于模型学习篡改特征:
MultiHead(Q,K,V)
=...
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。