【技术实现步骤摘要】
本专利技术涉及数字图像取证，具体涉及基于双域融合的深度学习中值滤波取证方法。
技术介绍
1、数字图像因其直观传递信息的能力成为了不可或缺的信息媒介，数字图像编辑技术的普及也逐渐渗透到人们生活的方方面面。根据个人需求采用数字图像编辑软件进行个性化编辑，创造出满足期望的视觉效果图。图像篡改问题在时尚、新闻、社交媒体等领域普遍存在，使得数字图像的真实性受到威胁。
2、中值滤波法是一种非线性平滑技术，它将每个像素点的灰度值设置为其邻域窗口内所有像素点灰度值的中值，用于改变数字图像的外观或者隐藏特定信息。中值滤波操作可能被用于篡改、伪造或者隐藏图像中的关键信息，从而降低数字图像的可信度。中值滤波操作检测技术研究不仅能够识别虚假多媒体内容，还可以避免恶意信息的传播。传统的中值滤波取证研究方法依赖于人工特征提取，特征提取困难，分类器设计优化困难，导致取证性能受到限制。而现有的深度学习取证方法忽略了图像频域与空域的操作特征互补的性质，导致操作特征的信息丢失，进而使得取证结果可信度较低。
技术实现思路
1、为了解决现有方法对图像进行中值滤波取证处理时存在的可信度较低的问题，本专利技术的目的在于提供一种基于双域融合的深度学习中值滤波取证方法，所采用的技术方案具体如下：
2、本专利技术提供了一种基于双域融合的深度学习中值滤波取证方法，该方法包括以下步骤：
3、获取原始图像数据集和待处理图像，对原始图像数据集中的每张原始图像进行预处理，将预处理后的原始图像数据集划分为训
4、建立双流卷积神经网络取证模型，并确定双流卷积神经网络取证模型的取证算法以及评估指标；所述双流卷积神经网络取证模型引入了空域流，所述空域流由四个模块构成；
5、基于所述训练数据集对双流卷积神经网络取证模型进行训练，得到训练后的双流卷积神经网络取证模型的模型参数；基于所述测试数据集对双流卷积神经网络取证模型的性能进行分析，基于性能分析结果，调整训练后的双流卷积神经网络取证模型的模型参数，对训练后的双流卷积神经网络取证模型进行优化，获得目标双流卷积神经网络取证模型；
6、将所述待处理图像输入到目标双流卷积神经网络取证模型中获得中值滤波取证结果。
7、优选的，对原始图像数据集中的每张原始图像进行预处理，包括：
8、分别对原始图像数据集中的每张原始图像进行灰度化处理以及裁剪，获得预处理后的原始图像数据集。
9、优选的，所述将预处理后的原始图像数据集划分为训练数据集和测试数据集，包括：
10、将预处理后的原始图像数据集中的原始图像按照8：2的比例划分为训练数据集和测试数据集。
11、优选的，所述四个模块包括：
12、第一个模块仅包括一个卷积层，使用16组3×3的卷积核对输入的图像进行卷积处理，对卷积处理后的图像进行归一化处理，将归一化处理后的图像传递给relu激活函数，生成16个特征图，第一个模块的操作过程为：
13、
14、其中，表示第一个模块输出的第i个特征图，wi表示第i组权重矩阵，f(·)表示残差映射，f(·)表示激活函数；
15、第二个模块的操作过程具体为：
16、
17、其中，表示第二个模块输出的第i个特征图，w表示第二个模块的权重矩阵集合，x1表示第一个模块输出的所有特征图构成的集合；
18、第三个模块的操作过程具体为：
19、
20、其中，表示第三个模块输出的第i个特征图，x2表示第二个模块输出的所有特征图构成的集合；
21、第四个模块的操作过程具体为：
22、
23、其中，表示第四个模块输出的第i个特征图，avg(·)表示平均池化层，g(·)表示全局平均池化层，x3表示第三个模块输出的所有特征图构成的集合。
24、优选的，建立双流卷积神经网络取证模型，确定双流卷积神经网络取证模型的取证算法以及评估指标，还包括：
25、利用二维离散余弦变换将图像空域上的信息转换到频域中，二维离散余弦变换的具体公式为：
26、
27、其中，x(k1,k2)表示二维离散余弦变换结果，ki表示第i维的坐标，a表示原始图像，cos表示余弦函数，π表示圆周率，n1表示第1个维度的长度，n2表示第2个维度的长度，n1表示当前第1个维度坐标，n2当前第2个维度坐标，表示第1个维度上的基函数，表示第2个维度上的基函数，k1表示第1个维度的坐标，k2表示第2个维度的坐标；
28、k取k1或k2；当k的值为0时，对应的基函数值为当k的值不为0时，对应的基函数值为1。
29、优选的，所述建立双流卷积神经网络取证模型，并确定双流卷积神经网络取证模型的取证算法，包括：
30、双流卷积神经网络取证模型由空域流和频域流组成；空域流接收输入图像，通过卷积神经网络层提取中值滤波伪影特征；频域流通过二维离散余弦变换对输入图像进行预处理，利用卷积神经网络层提取频域特征；通过全连接层处理空域流的特征和空域流的特征获得输出特征，将输出的特征连接在一起；通过softmax层对输入图像进行分类。
31、优选的，将准确率和损失值作为评估指标。
32、优选的，基于所述训练数据集对双流卷积神经网络取证模型进行训练，得到训练后的双流卷积神经网络取证模型的模型参数，包括：
33、(1)随机初始化双流卷积神经网络取证模型的权重和偏差；
34、(2)将训练数据集输入双流卷积神经网络取证模型，依次经过每一层进行计算，得到双流卷积神经网络取证模型的预测输出；
35、(3)使用交叉熵损失函数计算双流卷积神经网络取证模型的预测输出与真实标签之间的损失；
36、(4)对每个参数的梯度使用反向传播算法，计算损失函数；
37、(5)使用随机梯度下降算法更新双流卷积神经网络取证模型的权重和偏差；
38、(6)重复进行(1)～(5)，直到损失收敛或达到预设的训练轮数。
39、优选的，所述基于性能分析结果，调整训练后的双流卷积神经网络取证模型的模型参数，对训练后的双流卷积神经网络取证模型进行优化，包括：
40、若训练后的双流卷积神经网络取证模型的准确率小于实验测试的准确率，则降低学习率重新对双流卷积神经网络取证模型进行训练；若训练后的双流卷积神经网络取证模型的准确率大于实验测试的准确率，则增大batch size的值重新对双流卷积神经网络取证模型进行训练。
41、优选的，对训练后的双流卷积神经网络取证模型进行优化之后，还包括：
42、计算训练后的双流卷积神经网络取证模型的准确率和损失值，比较双流卷积神经网络取证模型与其他模型的精确度。
43、本专利技术至少具有如下有益效果：
44、本专利技术首先建立了双流卷积神经网络模型，并确定了双本文档来自技高网...
【技术保护点】
1.一种基于双域融合的深度学习中值滤波取证方法，其特征在于，该方法包括以下步骤：
2.根据权利要求1所述的基于双域融合的深度学习中值滤波取证方法，其特征在于，对原始图像数据集中的每张原始图像进行预处理，包括：
3.根据权利要求1所述的基于双域融合的深度学习中值滤波取证方法，其特征在于，所述将预处理后的原始图像数据集划分为训练数据集和测试数据集，包括：
4.根据权利要求1所述的基于双域融合的深度学习中值滤波取证方法，其特征在于，所述四个模块包括：
5.根据权利要求1所述的基于双域融合的深度学习中值滤波取证方法，其特征在于，建立双流卷积神经网络取证模型，确定双流卷积神经网络取证模型的取证算法以及评估指标，还包括：
6.根据权利要求1所述的基于双域融合的深度学习中值滤波取证方法，其特征在于，所述建立双流卷积神经网络取证模型，并确定双流卷积神经网络取证模型的取证算法，包括：
7.根据权利要求1所述的基于双域融合的深度学习中值滤波取证方法，其特征在于，将准确率和损失值作为评估指标。
8.根据权利要求1所述的
9.根据权利要求1所述的基于双域融合的深度学习中值滤波取证方法，其特征在于，所述基于性能分析结果，调整训练后的双流卷积神经网络取证模型的模型参数，对训练后的双流卷积神经网络取证模型进行优化，包括：
10.根据权利要求1所述的基于双域融合的深度学习中值滤波取证方法，其特征在于，对训练后的双流卷积神经网络取证模型进行优化之后，还包括：
...【技术特征摘要】
1.一种基于双域融合的深度学习中值滤波取证方法，其特征在于，该方法包括以下步骤：
2.根据权利要求1所述的基于双域融合的深度学习中值滤波取证方法，其特征在于，对原始图像数据集中的每张原始图像进行预处理，包括：
3.根据权利要求1所述的基于双域融合的深度学习中值滤波取证方法，其特征在于，所述将预处理后的原始图像数据集划分为训练数据集和测试数据集，包括：
4.根据权利要求1所述的基于双域融合的深度学习中值滤波取证方法，其特征在于，所述四个模块包括：
5.根据权利要求1所述的基于双域融合的深度学习中值滤波取证方法，其特征在于，建立双流卷积神经网络取证模型，确定双流卷积神经网络取证模型的取证算法以及评估指标，还包括：
6.根据权利要求1所述的基于双域融合的深度学习中值滤波取证方法，其特征在于，所...
【专利技术属性】
技术研发人员：张磊，谈磊，牛亚坤，左宪禹，张延锋，
申请(专利权)人：河南大学，
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。