本发明专利技术公开了一种基于双流卷积神经网络的图像篡改检测方法，涉及数字图像处理、计算机视觉、深度学习等技术领域。具体步骤为：1)搜集并整理公开的篡改图像样本；2)对篡改图像样本进行标注获得这些篡改图像样本的标签以完成图像篡改数据集的构建；3)利用搜集到的图像篡改数据集对双流的卷积神经网络进行训练；4)利用训练得到的模型对其他的篡改图像进行测试，得到最终效果。本方法利用双流的卷积神经网络训练得到的模型可以对现实中的篡改图像进行检测，具有实际意义，并且取得较好的检测精度。精度。精度。
【技术实现步骤摘要】
一种基于双流卷积神经网络的图像篡改检测方法
[0001]本专利技术涉及基于双流卷积神经网络的图像篡改检测方法，属于数字图像处理、计算机视觉、深度学习等
技术介绍
[0002]图像是人类社会中常用的信息载体。研究表明，人类获取的视觉图像信息在人类接受的信息中比重近80％。自从摄影技术出现以来，提供摄影证据一直是加强或反驳主张并减轻歧义的有效方法。当在法庭上处理一件事、一篇报道或一项指控时，可以使用图像来增强或反驳某项主张，从而分别向公众提供信息、谴责或无罪释放某个人。但所有这些都只适用于这样一个条件，即图像中所描绘的内容是真实可信的而获得图像后修改图像的内容可以追溯到摄影的第一天。如今，随着数字图像获取设备的普及和对用户非常友好的图像处理软件已使更改图像内容对于专业人员和非专业人员而言都是一件容易的事。也因此图像篡改的检测变得越来越困难，因为篡改后的图像往往在视觉上与真实图像无法区分。无法准确区分的篡改图像则会传递大量的虚假信息，对个人和社会都会产生巨大的危害。
[0003]深度学习是在近十年间迅猛发展，而卷积神经网络则是很有代表性的一种深度学习方法。卷积神经网络通过一系列的卷积，归一化，激活，池化等操作可以有效地从杂乱的样本中学习到任务所需要的特征。由于卷积神经网络拥有强大的特征学习能力，越来越多的任务都在使用卷积神经网络方法后取得了重大突破(如分类任务、语义分割、目标检测等)，因此探究其能否在图像篡改检测领域有所突破也是一个必然的过程。但是目前基于卷积神经网络的篡改检测方法还存在以下问题：(1)图像篡改后，如果相应又做了一些后处理的隐藏措施(例如：整体模糊操作或加入噪声)，检测方法就会失效；(2)只适用于某一类型的篡改，泛化能力差；(3)轻微的篡改不容易被检测到；(4)一般是多个阶段的混合操作，时间复杂度较高。
技术实现思路
[0004]针对上述问题，本实专利技术的目的在于解决现有的基于卷积神经网络的篡改检测方法中存在的问题。本专利技术提出的一种基于双流卷积神经网络的图像篡改检测方法就是基于卷积神经网络而产生的一种可适用于图像篡改检测的有效方法。该方法基本解决了之前基于卷积神经网络的篡改检测方法的问题，在较低时间复杂度的情况下，可以有效且精确地检测篡改图像。
[0005]为了实现上述目的本专利技术采用的技术方案是：一种基于双流卷积神经网络的图像篡改检测方法，包括以下步骤：
[0006](1)搜集并整理公开的篡改图像数样本。
[0007](2)对搜集到的篡改图像样本使用Photoshop进行标注，获得这些篡改图像样本篡改区域的标签并完成篡改图像数据集的构建。
[0008](3)利用步骤(2)处理后得到的篡改图像数据集对双流卷积神经网络进行模型训
练，所述包括双流卷积神经网络包括设备指纹流模块、操作链指纹流模块和全局特征提取模块；所述设备指纹流模块使用U
‑
Net网络的解码器提取输入图像的设备指纹特征向量；所述操作链指纹流模块使用三阶离散小波变换提取输入图像的操作链指纹特征向量；所述全局特征提取模块分别用三个卷积核分支处理获得全局特征向量。
[0009](4)利用步骤(3)训练得到的模型对输入的图像进行测试，得到最终的检测结果。
[0010]进一步地，所述设备指纹流模块在输入图像上进行两次卷积核大小为3
×
3，步长为1的卷积操作，然后再进行一次卷积核大小为3
×
3，步长为2的卷积操作来下采样特征图；重复四次，最终得到具有512幅特征图的设备指纹特征向量。
[0011]进一步地，所述操作链指纹流模块在输入图像的每个颜色通道上执行三阶Haar离散小波变换，通过三阶小波分解得到具有36幅特征图的操作链指纹特征向量。
[0012]进一步地，所述全局特征提取模块的三个分支，每个分支的卷积核大小分别为3
×
3，5
×
5和7
×
7，步长均为1，分别进行卷积操作，把三个分支得到的特征图拼接起来并通过1
×
1的卷积操作得到具有512幅特征图的特征向量。
[0013]本专利技术采用以上方案具有的优点及有益效果如下：
[0014]本专利技术利用数字图像处理、计算机视觉、深度学习等技术，实现了篡改图像检测任务。本专利技术是一个端到端方法，输入一幅篡改图像即可得到篡改的区域，无需任何预处理和后处理操作。本专利技术具有以下优点：
[0015](1)利用PyCharm平台进行训练和测试，成本低廉；
[0016](2)是一个端到端的网络，输入一幅篡改图像即可得到篡改的区域而无需其他任何操作；
[0017](3)本专利技术既提取了设备指纹也提取了操作链指纹，这两种特征向量协同作用，因此对一些经过后处理的篡改图像(例如：整体模糊操作或加入噪声)也能有较好的检测效果。
[0018](4)本专利技术提出了一个全局特征提取模块来增强网络的全局视野，使网络可以在全局视野上做决策，因此对于一些轻微的篡改或有多个篡改区域的篡改图像也能有效。
[0019](5)较高的准确率，测试准确率在86％左右；
[0020](6)可以辅助相关的图像取证或图像安全工作，进而降低篡改图像对个人和社会带来的不利影响，具有实际意义，并且取得较好效果。
附图说明
[0021]图1是本专利技术的系统流程图；
[0022]图2是篡改图像1和其标签；
[0023]图3是图2经过双流卷积神经网络得到的预测结果图像；
[0024]图4是篡改图像2和其标签；
[0025]图5是图4经过双流卷积神经网络得到的预测结果图像。
具体实施方式
[0026]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、详细地描述。所描述的实施例仅仅是本专利技术的一部分实施例。
[0027]下面结合附图对本专利技术的技术方案进行详细说明：
[0028]系统流程图如图1所示，一种基于双流卷积神经网络的篡改检测方法，包括以下步骤：
[0029]第一步：搜集并整理公开的篡改图像数样本；
[0030]第二步：对搜集到的篡改图像样本使用Photoshop进行标注，获得这些篡改图像样本篡改区域的标签并完成篡改图像数据集的构建，从而用以对双流卷积神经网络进行训练；
[0031]第三步：利用构建的数据集对双流卷积神经进行训练；此网络主要由三个部分组成：设备指纹流、操作链指纹流和全局特征提取模块。
[0032]在设备指纹流中，本专利技术使用U
‑
Net网络的解码器部分提取输入图像的设备指纹特征向量F
s
，F
s
为U
‑
Net网络解码器部分输出的512幅特征图。具体来说，在输入图像上进行两次卷积核大小为3
×
3，步长为1的卷积操作，然后再进行一次卷积核大小为3
×
3，步长为2的卷积操作来下采样特征图。重复上本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于双流卷积神经网络的图像篡改检测方法，其特征在于，包括以下步骤：(1)搜集并整理公开的篡改图像数样本；(2)对搜集到的篡改图像样本使用Photoshop进行标注，获得这些篡改图像样本篡改区域的标签并完成篡改图像数据集的构建；(3)利用步骤(2)处理后得到的篡改图像数据集对双流卷积神经网络进行模型训练，所述包括双流卷积神经网络包括设备指纹流模块、操作链指纹流模块和全局特征提取模块；(4)利用步骤(3)训练得到的模型对输入的图像进行测试，得到最终的检测结果。2.根据权利要求1所述一种基于双流卷积神经网络的图像篡改检测方法，其特征在于：所述设备指纹流模块使用U
‑
Net网络的解码器提取输入图像的设备指纹特征向量；所述操作链指纹流模块使用三阶离散小波变换提取输入图像的操作链指纹特征向量；所述全局特征提取模块分别用三个卷积核分支处理获得全局特征向量。3.根据权利要求2所述一种基于双流卷积神经网络的图像篡改检测方法，其特征在于：所述设备指纹流模块在输入图像上进行两次卷积核大小为3
×
3，步长为1的卷积操作，然后再进行一次卷积核大小为3
×
3，步长为2的卷积操作来下采样特征图；重复四次，最终得到具有512幅特征图的设备指纹特征向量。4.根据权利要求2所述一种基于双流卷积神经网络的图像篡改检测方法，其特征在于：所述操作链指纹流模块在输入图像的每个颜色通道上执行三阶Haar离散小波变换，通过三阶小波分解得到具有36幅特征图的操作链指纹特征向量。5.根据权利要求2所述一种基于双流卷积神经网络的图像篡改检测方法，其特征在于：所述全局特征提取模块的三个分支，每个分支的卷积核大小分别为3
×
3，5
×
5和7
×
7，步长均为1，分别进行卷积操作，把三个分支得到的特征图拼接起来并通过1
×
1的卷积操作得到具有512幅特征图的特征向量。6.根据权利要求1
‑
5任一项所述一种基于双流卷积神经网络的图像篡改检测方法，其特征在于：步骤(3)所述对双流卷积神经网络进行模型训练包括：1)将训练数据集作为输入送入到双流卷积神经网络中；2)对于设备指纹流，输入图像经过多个由卷积层、归一化层和激活层所构成的组件最终得到具有512幅特征图的设备指纹特征向量F
s
；3)对于操作链指纹流，输入图像的每个颜色通道经过三阶Haar离散小波变换得到具有36幅特征图的操作链指纹特征向量F
c
；4)将设备指纹特征向量F
【专利技术属性】
技术研发人员：毕秀丽，刘延彬，肖斌，
申请(专利权)人：重庆邮电大学，
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。