【技术实现步骤摘要】
本专利技术涉及图像篡改检测，具体涉及一种基于多层次特征学习的图像篡改检测与定位方法及系统。
技术介绍
1、数字图像已经涉及到我们生活的各个角落，从我们日常生活中的社交网络到学术科研，图像的数量都十分庞大，在现代社会生活中起着不可忽视的作用，并扮演着越来越重要的角色；随着一些图像处理工具的普及，使得修改和创建虚假的图像变得极其容易和快速，让我们对数字图像的信任大大降低，面向真实性检测的数字图像取证技术是迫切需要的一种技术，潜在的应用领域广泛，涉及新闻媒体、电子票据、文档签名、法庭取证、保险事故调查等领域，有着广泛的应用前景。
2、目前数字图像取证研究效果较好的方法主要是基于深度学习技术，但这些网络学习特征时大多关注于所有区域，然而用于图像篡改定位的方法只需要关注可能被篡改的区域，且在篡改定位任务中，大多数图像非篡改区域像素点数量远大于篡改区域像素点数量，样本数量不平衡，现有图像篡改定位网络大多精度不高、误检率和漏检率较高、有些小目标因像素点过少很难被捕捉到且很容易在多次卷积后消失，对于语义信息类似的目标其边缘定位结构往往较为模糊。
技术实现思路
1、为了解决现有问题中图像篡改定位网络大多精度不高、误检率和漏检率较高、有些小目标因像素点过少很难被捕捉到且很容易在多次卷积后消失，对于语义信息类似的目标其边缘定位结构往往较为模糊的问题，本专利技术提供一种基于多层次特征学习的图像篡改检测与定位方法及系统，该方案包括：获取样本图像并进行多阶段特征提取；获取倒数第一个特征提取阶段的最
2、本专利技术采用如下技术方案：基于多层次特征学习的图像篡改检测与定位方法，包括：
3、读取目标图像并进行预处理，得到样本图像；
4、将样本图像输入基于mobilenetv2模型的双通道卷积神经网络进行多个阶段的特征提取，输出每个阶段的特征图；其中，双通道卷积神经网络包括canny流和ela流两个分支；
5、提取每个分支对应的倒数第一个特征提取阶段的最后一层特征图作为第一特征图，将两个分支对应的第一特征图融合，得到第一融合特征图；
6、提取每个分支对应的倒数第二个特征提取阶段的最后一层特征图作为第二特征图，依次获取第二融合特征图和第三融合特征图；
7、对第二融合特征图进行二分类，得到目标图像的真伪预测结果；
8、对第一融合特征图进行金字塔多尺度平均池化，将多尺度池化后的第一融合特征图与第二融合特征图进行融合，得到第一全局特征图；
9、对第一全局特征图进行金字塔多尺度平均池化，将多尺度平均池化后的第一全局特征图与第三融合特征图进行融合，得到第二全局特征图；
10、基于第二融合特征图进行二分类得到目标图像的真伪预测结果；基于第二全局特征图进行二分类，得到目标图像的篡改定位结果图。
11、进一步的，将样本图像输入基于mobilenetv2模型的双通道卷积神经网络进行多个阶段的特征提取的方法包括：
12、将经过canny算法处理后得到的样本图像输入双通道卷积神经网络，经过卷积模块输出canny分支的每个阶段对应的特征图；
13、将经过ela算法处理后得到的样本图像数据输入双通道卷积神经网络，经过卷积模块输出ela分支的每个阶段对应的特征图。
14、进一步的，所述卷积模块包括三个卷积层，每个卷积层的卷积核大小分别为1×1，3×3和1×1。
15、进一步的，将两个分支对应的第一特征图融合的步骤包括：
16、采用add操作对canny流对应的第一特征图和ela流对应的第一特征图进行融合，融合后的第一融合特征图大小不变；
17、同理，采用add操作对canny流对应的第二特征图和ela流对应的第二特征图进行融合，得到第二融合特征图；
18、同理，得到第三融合特征图。
19、进一步的，对第一融合特征图进行金字塔多尺度平均池化的方法包括：
20、将第一融合特征图以设定的多个层级进行金字塔平均池化，得到每个层级对应的输出特征图；
21、对每个层级对应的输出特征图分别进行卷积，并通过双线性差值将每个层级对应的输出特征图的尺寸进行还原；
22、对每个层级还原后的输出特征图进行concat操作。
23、进一步的，采用concat操作将多尺度池化后的第一融合特征图与第二融合特征图进行融合。
24、进一步的，将第二全局特征图的尺寸还原的方法为：
25、对第二全局特征图进行1×1卷积，利用resize_image操作将卷积后的第二全局特征图还原至与样本图像相同的尺寸。
26、进一步的，所述样本图像包括压缩差异图像和边缘检测图像；
27、利用ela算法对目标图像进行预处理得到压缩差异图像；
28、利用canny算法对目标图像进行预处理得到边缘检测图像。
29、进一步的，得到样本图像之后，还包括：对样本图像进行灰条处理。
30、进一步的，本专利技术还提出了一种基于多层次特征学习的图像篡改检测与定位系统，包括图像处理模块、浅层特征提取模块、深层特征提取模块以及篡改检测模块；
31、图像处理模块；读取目标图像并进行预处理，得到样本图像；
32、浅层特征提取模块；将样本图像输入基于mobilenetv2模型的双通道卷积神经网络进行多个阶段的特征提取，输出每个阶段的特征图；其中，双通道卷积神经网络包括canny流和ela流两个分支；提取每个分支对应的倒数第一个特征提取阶段的最后一层特征图作为第一特征图，将两个分支对应的第一特征图融合，得到第一融合特征图；提取每个分支对应的倒数第二个特征提取阶段的最后一层特征图作为第二特征图，依次获取第二融合特征图和第三融合特征图；
33、深层特征提取模块；对第一融合特征图进行金字塔多尺度平均池化，将多尺度池化后的第一融合特征图与第二融合特征图进行融合，得到第一全局特征图；对第一全局特征图进行金字塔多尺度平均池化，将多尺度平均池化后的第一全局特征图与第三融合特征图进行融合，得到第二全局特征图；
34、篡改检测模块包括真伪判别单元和篡改定位单元；
35、真伪判别单元，基于第二融合特征图进行二分类，得到目标图像的真伪预测结果；
36、篡改定位单元，基于第二全局特征图进行二分类，得到目标图像的篡改定位结果图。
37、本专利技术的有益效果是：本专利技术通过引入双通道本文档来自技高网...
【技术保护点】
1.基于多层次特征学习的图像篡改检测与定位方法，其特征在于，包括：
2.根据权利要求1所述的基于多层次特征学习的图像篡改检测与定位方法，其特征在于，将样本图像输入基于MobileNetV2模型的双通道卷积神经网络进行多个阶段的特征提取的方法包括：
3.根据权利要求2所述的基于多层次特征学习的图像篡改检测与定位方法，其特征在于，所述卷积模块包括三个卷积层，每个卷积层的卷积核大小分别为1×1，3×3和1×1。
4.根据权利要求1所述的基于多层次特征学习的图像篡改检测与定位方法，其特征在于，将两个分支对应的第一特征图融合的步骤包括：
5.根据权利要求1所述的基于多层次特征学习的图像篡改检测与定位方法，其特征在于，对第一融合特征图进行金字塔多尺度平均池化的方法包括：
6.根据权利要求1所述的基于多层次特征学习的图像篡改检测与定位方法，其特征在于，采用CONCAT操作将多尺度池化后的第一融合特征图与第二融合特征图进行融合。
7.根据权利要求1所述的基于多层次特征学习的图像篡改检测与定位方法，其特征在于，将第二全局特征图
8.根据权利要求1所述的基于多层次特征学习的图像篡改检测与定位方法，其特征在于，所述样本图像包括压缩差异图像和边缘检测图像；
9.根据权利要求1所述的基于多层次特征学习的图像篡改检测与定位方法，其特征在于，得到样本图像之后，还包括：对样本图像进行灰条处理。
10.基于多层次特征学习的图像篡改检测与定位系统，其特征在于，包括图像处理模块、浅层特征提取模块、深层特征提取模块以及篡改检测模块；
...【技术特征摘要】
1.基于多层次特征学习的图像篡改检测与定位方法，其特征在于，包括：
2.根据权利要求1所述的基于多层次特征学习的图像篡改检测与定位方法，其特征在于，将样本图像输入基于mobilenetv2模型的双通道卷积神经网络进行多个阶段的特征提取的方法包括：
3.根据权利要求2所述的基于多层次特征学习的图像篡改检测与定位方法，其特征在于，所述卷积模块包括三个卷积层，每个卷积层的卷积核大小分别为1×1，3×3和1×1。
4.根据权利要求1所述的基于多层次特征学习的图像篡改检测与定位方法，其特征在于，将两个分支对应的第一特征图融合的步骤包括：
5.根据权利要求1所述的基于多层次特征学习的图像篡改检测与定位方法，其特征在于，对第一融合特征图进行金字塔多尺度平均池化的方法包括：
...
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。