基于频域学习的图像缩放取证方法及系统,涉及图像取证技术领域,前述的方法包括建立取证网络模型,并使用足量的图像训练取证网络模型以提高其判断准确率,再将待取证图像输入经过训练后的取证网络模型中进行图像伪造判断,其中的取证网络模型的图像伪造判断方式包括对待取证图像进行离散傅里叶变换,提取待取证图像的相位谱以得到与待取证图像的尺寸一致的相位谱差异图;将待取证图像与相位谱差异图进行串联融合,使融合后的图像组成四通道图像;将四通道图像输入
【技术实现步骤摘要】
基于频域学习的图像缩放取证方法及系统
[0001]本专利技术涉及图像取证
,尤其指一种基于频域学习的图像缩放取证方法及系统
。
技术介绍
[0002]图像尺寸大小缩放通常是对长或宽进行调整
。
当仅调整图像的长或者仅调整图像的宽时,图像内容通常会发生变形,导致图像非常的不自然
。
基于此,专门有一种算法
(seam carving)
可以改变图像的尺寸或去除图像中某个物体,同时能够保持图像主题内容不发生形变,编辑后的图像看上去比较和谐,甚至难以察觉图像是被缩放操作过的
。
[0003]Seam carving
算法是一种图像缩放算法,它能够将图像缩放并且不影响图片的主要内容,保留图像内容中重要物体的尺寸,能够给图像的尺寸缩放调整带来非常大的便利
。
但是这种操作也具有较强的隐蔽性,当利用此技术进行图像缩放并发布到互联网时,大众难以察觉这些图像的原始性,容易给网民造成较大的误解
。
因此,对这种基于
seam carving
算法缩放过尺寸的图像进行取证具有非常现实的意义,对促进互联网的安全具有重要作用
。
[0004]为了减轻
seam carving
算法被恶意使用所带来的风险,现有技术中已经提出了不少方法,然而它们基本都严重依赖于一些特定的特征,往往导致鲁棒性较差
。
此外,在实际应用当中,图像的传输不可避免地面临
JPEG<br/>压缩,这会去除许多微妙的痕迹
。
因此,一些方法尝试使用深度学习来检测图像是否经过缩放操作
。
例如
Ye
等人提出了一种基于
CNN
网络的
YeNet
用于图像的检测
(Jingyu Ye,Yuxi Shi,Guanshuo Xu,and Yun
‑
Qing Shi,“A convolutional neural network based seam carving detection scheme for uncompressed digital images,”in International Workshop on Digital Watermarking,2018,pp.3
‑
13.)
,在将输入图像送入检测网络之前,使用高通滤波器对输入图像进行预处理,但最终检测结果的准确性仍不够理想
。
再如
Nam
等人提出的一种基于补丁的方法
ILFNet
用于检测图像的缩放
(Seung
‑
Hun Nam,Wonhyuk Ahn,In
‑
Jae Yu,MyungJoon Kwon,Minseok Son,and Heung
‑
Kyu Lee,“Deep convolutional neural network for identifying seamcarving forgery,”IEEE Transactions on Circuits and Systems for Video Technology,vol.31,no.8,pp.3308
‑
3326,2021.)
,当图像缩放的比例较小时,
ILFNet
表现不佳,因为在这种情况下,没有痕迹的补丁图像可能占总补丁图像的大部分比例
。
技术实现思路
[0005]本专利技术的目的之一在于提供一种基于频域学习的图像缩放取证方法,以用于判断图像是否经过了尺寸缩放操作的伪造,并提高取证结果的准确性
。
[0006]为了解决上述技术问题,本专利技术采用如下技术方案:一种基于频域学习的图像缩放取证方法,包括建立取证网络模型,并使用足量的图像训练取证网络模型以提高其判断
准确率,再将待取证图像输入经过训练后的取证网络模型中进行图像伪造判断,其中,所述取证网络模型的图像伪造判断步骤包括:
[0007]S1、
对输入图像进行离散傅里叶变换,提取输入图像的相位谱以得到与输入图像的尺寸一致的相位谱差异图;
[0008]S2、
将输入图像与相位谱差异图进行串联融合,使融合后的图像组成四通道图像;
[0009]S3、
将四通道图像输入
CNN
网络进行分类,以判断输入图像是否经过了缩放操作
。
[0010]优选地,使用足量的图像训练取证网络模型的方式包括:使用未经过缩放和经过缩放的图像作为输入图像,输入所述取证网络模型中,使取证网络模型进行判断,并进一步使取证网络模型获取其判断结果是否准确,以使取证网络能够学习并进行优化
。
[0011]更优选地,使取证网络模型获取其判断结果是否准确的方式包括:将未经过缩放的图像和经过缩放的图像分别设定区分标签,再作为输入图像输入所述取证网络模型中,当取证网络模型对图像进行判断之后,再使取证网络模型获取对应图像的区分标签,从而知悉本次的判断结果是否准确
。
[0012]更优选地,所述的
CNN
网络选用的是
Xception
网络
。
[0013]另外,本专利技术还提供一种基于频域学习的图像缩放取证系统,其包括:
[0014]取证网络模块,用于对输入图像进行离散傅里叶变换,提取输入图像的相位谱以得到与输入图像的尺寸一致的相位谱差异图,再将输入图像与相位谱差异图进行串联融合,使融合后的图像组成四通道图像,再将四通道图像输入
Xception
网络进行图像检测以取证;
[0015]模型训练模块,用于使用足量的图像训练取证网络模型以提高其判断准确率;
[0016]图像取证模块,用于将待取证图像送入经过训练后的取证网络模型中进行图像伪造判断
。
[0017]上述系统采用前述的基于频域学习的图像缩放取证方法来运行
。
[0018]与现有技术相比,本专利技术的取证方法具有较高的鲁棒性,这是由于相位谱在原始图像和经过尺寸缩放的图像之间的差异比较大,利用这种差异引入相位谱可以帮助捕捉由图像尺寸缩放操作引起的更多频率痕迹,从而使得本方法对图像缩放伪造的取证平均准确率上有了显著提升
。
附图说明
[0019]图1为本专利技术的方法流程原理图;
[0020]图2为原始图像和经过尺寸缩放后的图像的频域分析对比;
[0021]图3为不同缩放比例的图像之间的幅度谱和相位谱的差异
。
具体实施方式
[0022]为了便于本领域技术人员的理解,下面结合实施例与附图对本专利技术作进一步的说明,实施方式提及的内容并非对本专利技术的限定
。
[0023]如图1所示,一种基于频域学习的图像缩放取证方法,本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.
基于频域学习的图像缩放取证方法,其特征在于:建立取证网络模型,并使用足量的图像训练取证网络模型以提高其判断准确率,再将待取证图像输入经过训练后的取证网络模型中进行图像伪造判断,所述取证网络模型的图像伪造判断步骤包括:
S1、
对输入图像进行离散傅里叶变换,提取输入图像的相位谱以得到与输入图像的尺寸一致的相位谱差异图;
S2、
将输入图像与相位谱差异图进行串联融合,使融合后的图像组成四通道图像;
S3、
将四通道图像输入
CNN
网络进行分类,以判断输入图像是否经过了缩放操作
。2.
根据权利要求1所述的基于频域学习的图像缩放取证方法,其特征在于,使用足量的图像训练取证网络模型的方式包括:使用未经过缩放和经过缩放的图像作为输入图像,输入所述取证网络模型中,使取证网络模型进行判断,并进一步使取证网络模型获取其判断结果是否准确,以使取证网络能够学习并进行优化
。3.
根据权利要求2所述的基于频域学习的图像缩放取证方法,其特征在于,使取证网络模型获取其判断结果是否准确的方式包括:将未经过缩放的图像和经过缩放的图像分别设定区分标签,再作为输入图像输入所述取证网络模型中,当取证网络模型对...
【专利技术属性】
技术研发人员:陈纪友,刘洛琪,夏明,赵辉煌,张剑,刘青云,皮金晶,
申请(专利权)人:衡阳师范学院,
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。