一种基于多预处理特征融合的篡改图像鉴别方法与流程

1.本发明涉及图像识别领域，具体地涉及一种基于多预处理特征融合的篡改图像鉴别方法。


背景技术：

2.篡改图像鉴别技术也被称为图像盲取证技术，主要可分为传统鉴别方法和基于深度学习技术的鉴别方法。
3.传统鉴别方法集中于研究图像经过篡改后产生的独特特征和篡改痕迹。例如多尺度小波分解、多尺度离散余弦变换(mbdct)方法等，便是通过分析图像内在统计特征的连续性和完整性，从而判断是否为篡改图像的。而如尺度不变特征变换技术(sift)、重采样分析技术等，则是通过对篡改痕迹的特征分析来判断图像是否经过篡改。
4.随着深度学习技术在图像处理领域的快速发展，越来越多的研究人员试图将深度学习应用于篡改图像鉴别中，通过神经网络提取特征对篡改图像进行判断分类，例如基于边缘强化的多任务图像篡改区域分割算法(mfcn)、基于生成对抗网络结构的拼接检测算法(gsr
‑
net)等。
5.传统的篡改图像鉴别方法通常采用人工设计的方式进行特征提取，这些特征往往存在严重的局限性，不同篡改方式之间的特征难以泛化，使得传统的鉴定方法只能针对具体的一种篡改技术进行判别，对于复杂的篡改方法例如计算机直接生成图像难以进行鉴别。
6.尽管基于深度学习的鉴别技术理论上可以通过构造覆盖各种篡改方式的大规模训练集，以及有足够学习能力的模型来解决上述问题，但是在实际中，想要训练这样的模型十分困难。并且与大部分深度学习任务不同，篡改图像鉴别识别的目标并非是图像中的语义内容，而是实际篡改区域，特征上的差异使得大部分应用在其他图像处理领域的算法在篡改图像鉴别领域并没有体现出很好的性能。


技术实现要素：

7.本发明旨在提供一种基于多预处理特征融合的篡改图像鉴别方法，以解决上述问题。为此，本发明采用的具体技术方案如下：
8.一种基于多预处理特征融合的篡改图像鉴别方法，其可包括以下步骤：
9.s1、收集样本，构建训练集与验证集；
10.s2、搭建多预处理特征提取模块；
11.s3、将训练集中的每一张图像通过多预处理特征提取模块处理得到相应特征，并对同一张图像获取到的特征以通道维度合并，形成该图像的特征张量；
12.s4、将特征张量输入神经网络模型进行训练直到损失收敛；
13.s5、将验证集输入训练好的神经网络模型，获取输出结果，若输出结果大于预设阈值，则判定该图像为篡改图像。
14.进一步地，s1中，样本包括经过不同方式篡改后的图像和未经篡改的原始图像，其数量比例为1:1。
15.进一步地，训练集与验证集的图像数量比例为10:1。
16.进一步地，多预处理特征提取模块包括srm滤波器、快速傅里叶变换、拉普拉斯变换、lbp和白平衡。
17.进一步地，s3中的特征张量的通道数为12。
18.进一步地，神经网络模型为包括通道注意力模块的二分类卷积神经网络模型。
19.进一步地，神经网络模型的损失函数采用交叉熵损失函数。
20.进一步地，s5中的预设阈值为0.5。
21.本发明采用上述技术方案，具有的有益效果是：本发明通过提前提取先验特征的方式，使得模型更容易拟合到相关特征，更易于训练，能够实现对以传统篡改方法为主，包括copy
‑
move(复制粘贴)、splicing(拼接)等多种篡改方式进行同时鉴别。
附图说明
22.为进一步说明各实施例，本发明提供有附图。这些附图为本发明揭露内容的一部分，其主要用以说明实施例，并可配合说明书的相关描述来解释实施例的运作原理。配合参考这些内容，本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点。图中的组件并未按比例绘制，而类似的组件符号通常用来表示类似的组件。
23.图1是本发明的流程图；
24.图2a
‑
2f分别是原始图像和经过srm滤波器、快速傅里叶变换、拉普拉斯变换、lbp和白平衡处理后的图像。
25.图3是通道注意力结构示意图。
具体实施方式
26.现结合附图和具体实施方式对本发明进一步说明。
27.如图1所示，一种基于多预处理特征融合的篡改图像鉴别方法可包括以下步骤：
28.s1、收集样本，构建训练集与验证集。收集各类经过不同方式篡改后的图像以及未经篡改的原始图像按1：1比例构建数据集，所有图像按一定比例构建训练集与验证集，本文使用比例为10：1。
29.s2、搭建多预处理特征提取模块。模块算法包括但不限于srm(steganalysis rich model)滤波器、快速傅里叶变换(fast fourier transform)、拉普拉斯(laplace)变换、lbp(local binary pattern)和白平衡(white balance)。各算法处理方式分别如下：
30.1)srm滤波器
31.将rgb图像(参见图2a)经过srm滤波器，通过卷积计算得到对应特征。本实施例中使用以下三个滤波器：
32.33.算法处理结果参见图2b。
34.2)快速傅里叶变换
35.将rgb图像(参见图2a)转换为灰度图，经过快速傅里叶变换后得到傅里叶频谱图。傅里叶变换公式如下：
[0036][0037]
其中x(m)为第m个离散傅里叶变化的输出，x(n)为第n个输入序列，i为复数虚轴，n为输入序列的个数。
[0038]
算法处理结果参见图2c。
[0039]
3)拉普拉斯变换
[0040]
将rgb图像(参见图2a)转换为灰度图，并经过拉普拉斯变换，拉普拉斯算子定义为：
[0041][0042]
算法处理结果参见图2d。
[0043]
4)lbp算子
[0044]
将rgb图像(参见图2a)转换为灰度图，经过lbp算子提取lbp特征。公式如下：
[0045][0046]
其中(x
c
,y
c
)为像素中心，i
c
为像素中心灰度值，i
p
为相邻像素灰度值，s满足：
[0047][0048]
算法处理结果参见图2e。
[0049]
5)白平衡
[0050]
将rgb图像(参见图2a)经过白平衡处理，白平衡算法过程如下：
[0051]
a)计算每个像素的r、g、b之和：p
x,y
＝r
x,y
+g
x,y
+b
x,y
；
[0052]
b)按p
x,y
大小计算前10％的白色参考点的阈值t；
[0053]
c)遍历图像中每个满足p
x,y
>t的点，并计算其r
x,y
、g
x,y
、b
x,y
的累计和的平均值r
avg
、g
avg
、b
avg
；
[0054]
d)以r
avg
、g
avg
、b
avg
为量化标准，将所有点像素量化到区间[0,255]算法处理结果参见图2e。
[0055]
s3、通过多预处理特征提取模块获取图像特征张量，具体地，将s1中获取的训练集中的每一张图像经过s2中的多预处理特征提取模块得到相应特征，对同一张图像获取到的特征以通道维度合并，形成通道数为12的特征张量(这里，通道数由s2中提取出的特征通道总量决定)。
[0056]
s4、将特征张量输入神经网络模型进行训练直到损失收敛。本实施例中，神经网络模型采用二分类卷积网络，该网络包含通道注意力模块(squeeze and excitation blocks)，其结构见图3。其中：h代表特征张量高度，w代表特征张量宽度，c为特征张量通道，
f
sq
、f
ex
、f
scale
分别通道注意力中的挤压(squeeze)函数、激励(excitation)函数、以及尺度(scale)函数。神经网络的损失函数采用交叉熵损失函数：
[0057][0058]
其中，为模型输出的预测标签，y为真实标签，若图像为伪造图像，则真实标签为1，否则真实标签为0。
[0059]
s5、将验证集输入训练好的神经网络模型，获取输出结果若满足则判定该图像为篡改图像，其中θ为可调整的阈值，本实施例中，θ设定为0.5。
[0060]
本发明通过结合传统篡改鉴别技术和深度神经网络技术，可以对经过篡改的图像进行快速的鉴别，同时弱化了鉴别篡改图像时对手工设计特征的高度依赖，对多种篡改方式均有良好的泛化性能，能够有效的防止出现利用不同的篡改技术使鉴别技术失效的问题。
[0061]
尽管结合优选实施方案具体展示和介绍了本发明，但所属领域的技术人员应该明白，在不脱离所附权利要求书所限定的本发明的精神和范围内，在形式上和细节上可以对本发明做出各种变化，均为本发明的保护范围。