基于内容安全的图像识别方法、装置、设备和存储介质与流程

1.本发明涉及计算机视觉技术领域，尤其涉及一种基于内容安全的图像识别方法、装置、设备和存储介质。


背景技术：

2.图像以其较好的传播便携性和信息表达高效性，成为传播信息非常强大且有效的工具。随着计算机生成技术和生成对抗网络的快速发展，计算机生成图像(cg)与通过相机拍摄获取的真实图像(pg) 之间的区别越来越小，使得高质量计算机生成图像被恶意用于损害信息安全以及造成内容安全的风险增加，例如，利用计算机生成图像制造的虚假新闻可能会引起群众恐慌。
3.现有技术中，计算机生成图像的鉴别技术包括如下两类：
4.(1)、基于手工设计特征的方法，该类型方法需要基于图像鉴伪领域专业的知识，对具体任务设计专门的特征提取算子，专业度要求较高；同时，该类方法往往是在小规模数据集上进行训练和学习的，难以适应大规模图像数据集，且模型的鲁棒性和泛化性较差。
5.(2)、基于深度学习的方法，大多数方法直接将神经网络的最后一层输出的全局视觉特征用于分类，缺少对特征细节差异的考虑。


技术实现要素：

6.本发明提供一种基于内容安全的图像识别方法、装置、设备和存储介质，用以解决现有技术中缺乏考虑特征细节差异的缺陷，结合多尺度纹理特征以及各特征不同通道之间的细微差异，以提高图像种类识别精准度，且提高鲁棒性和泛化性。
7.本发明提供一种基于内容安全的图像识别方法，包括：
8.获取待识别图像；
9.将所述待识别图像输入至多尺度纹理感知模型，输出用于表征图像是否伪造的图像种类识别结果；
10.其中，所述多尺度纹理感知模型是基于图像样本数据以及对应的图像种类标签进行训练后得到的，所述多尺度纹理感知模型用于基于所述待识别图像的多尺度纹理特征任意两通道之间的相关性，对所述待识别图像进行种类识别。
11.根据本发明提供的基于内容安全的图像识别方法，所述将所述待识别图像输入至多尺度纹理感知模型，输出用于表征图像是否伪造的图像种类识别结果，包括：
12.将所述待识别图像输入至所述多尺度纹理感知模型中，获取所述待识别图像的多尺度纹理特征；
13.基于至少两个纹理提取网络，确定各尺度纹理特征的视觉纹理特征，所述视觉纹理特征用于表征所述各尺度纹理特征任意两通道之间的相关性；
14.根据所述各尺度纹理特征的视觉纹理特征，输出用于表征图像是否伪造的图像种类识别结果。
15.根据本发明提供的基于内容安全的图像识别方法，所述基于所述多尺度纹理感知模型中的至少两个所述纹理提取网络，确定各尺度纹理特征的视觉纹理特征，包括：
16.将所述各尺度纹理特征输入对应的纹理提取网络，得到所述各尺度纹理特征的纹理增强特征；
17.将所述纹理增强特征输入所述多尺度纹理感知模型中的gram 矩阵，确定所述纹理增强特征任意两通道之间的纹理相关性值；
18.基于所述纹理相关性值，确定所述各尺度纹理特征的视觉纹理特征，其中，所述各尺度纹理特征的视觉纹理特征通道相同。
19.根据本发明提供的基于内容安全的图像识别方法，所述将所述各尺度纹理特征输入对应的纹理提取网络，得到所述各尺度纹理特征的纹理增强特征，包括：
20.确定所述各尺度纹理特征的主干网络特征；
21.确定所述各尺度纹理特征的纹理掩码特征，所述纹理掩码特征用于表征所述各尺度纹理特征的增强幅度；
22.将所述主干网络特征与所述纹理掩码特征进行加权融合，得到纹理增强特征。
23.根据本发明提供的基于内容安全的图像识别方法，所述根据所述各尺度纹理特征的视觉纹理特征，输出用于表征图像是否伪造的图像种类识别结果，包括：
24.将各所述视觉纹理特征进行特征融合，得到融合特征；
25.基于所述融合特征，输出所述图像种类识别结果。
26.根据本发明提供的基于内容安全的图像识别方法，所述将各所述视觉纹理特征进行特征融合，得到融合特征，包括：
27.将各所述视觉纹理特征在通道方向上进行串联融合，得到所述融合特征。
28.本发明还提供一种基于内容安全的图像识别装置，包括：
29.获取模块，用于获取待识别图像；
30.输出模块，用于将所述待识别图像输入至多尺度纹理感知模型，输出用于表征图像是否伪造的图像种类识别结果；
31.其中，所述多尺度纹理感知模型是基于图像样本数据以及对应的图像种类标签进行训练后得到的，所述多尺度纹理感知模型用于基于所述待识别图像的多尺度纹理特征任意两通道之间的相关性，对所述待识别图像进行种类识别。
32.本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述基于内容安全的图像识别方法。
33.本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述基于内容安全的图像识别方法。
34.本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述基于内容安全的图像识别方法。
35.本发明提供的基于内容安全的图像识别方法、装置、设备和存储介质，通过提取待识别图像的多尺度纹理特征，可满足不同鉴伪场景的尺度要求，此外，基于各尺度纹理特征，确定该特征任意两个通道之间的纹理相关性，在纹理相关性的基础上对待识别图像进行种类识别，基于图像底层纹理特征，进一步确定待识别图像的细节信息，确保多尺度纹理
感知模型进行图像识别的合理性和准确性，进一步提高鲁棒性和泛化性。
附图说明
36.为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
37.图1是本发明提供的基于内容安全的图像识别方法的流程示意图之一；
38.图2是本发明提供的基于内容安全的图像识别方法的流程示意图之二；
39.图3是本发明提供的基于内容安全的图像识别方法的流程示意图之三；
40.图4是本发明提供的基于内容安全的图像识别装置的结构示意图；
41.图5是本发明提供的电子设备的结构示意图。
具体实施方式
42.为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
43.图像以其较好的传播便携性和信息表达高效性，成为传播信息非常强大且有效的工具。随着计算机生成技术和生成对抗网络的快速发展，计算机生成图像(cg)与通过相机拍摄获取的真实图像(pg) 之间的区别越来越小，使得高质量计算机生成图像被恶意用于损害信息安全以及造成内容安全的风险增加，例如，利用计算机生成图像制造的虚假新闻可能会引起群众恐慌。
44.现有技术中，计算机生成图像的鉴别技术包括如下两类：
45.(1)、基于手工设计特征的方法，例如：基于一阶和高阶小波特征对cg图像进行特征提取后通过svm进行分类；使用从小波滤波后数据的直方图生成的特征进行分类；基于二阶差异统计信息对cg 和pg图像进行分类；提取hsv颜色空间中的特征后，使用fisher 线性判别器(fisher linear discriminant，fld)进行分类；基于几何、小波和卡通特征的融合系统进行分类；基于真实图像在摄影过程中存在的残留图案进行分类等等。该类型方法需要基于图像鉴伪领域专业的知识，对具体任务设计专门的特征提取算子，专业度要求较高；同时，该类方法往往是在小规模数据集上进行训练和学习的，难以适应大规模图像数据集，且模型的鲁棒性和泛化性较差。
46.(2)、基于深度学习的方法，例如：使用浅层网络过滤图像并提取统计特征，并基于加权投票机制对cg和pg图像进行分类；利用预测误差过滤器作为主要过滤器，并基于cg图像取证的深度卷积网络进行分类；通过建立六层神经网络，采用从局部到全局的策略进行分类；使用定制的vgg-19网络作为特征提取器，并通过统计特征信息进行分类；通过多个高通滤波器对输入图像去除低频信号，并通过五层cnn对cg和pg图像进行分类；通过设计七层卷积神经网络并利用多数投票机制进行分类；设计自编码模块对图像进行预处理，并使用基于cnn的模型来区分cg图像和pg图像。上述方法中，大多数方法直接将神经网络的最后一
层输出的全局视觉特征用于分类，缺少对特征细节差异的考虑。
47.下面结合图1-图3描述本发明的基于内容安全的图像识别方法。
48.图1是本发明提供的基于内容安全的图像识别方法的流程示意图之一，如图1所示，该方法包括：
49.步骤110、获取待识别图像。
50.具体地，待识别图像可以为网络社交媒体中的需要进行识别的图像，待识别图像的类别可以为计算机生成图像，也可以为真实图像。
51.步骤120、将所述待识别图像输入至多尺度纹理感知模型，输出用于表征图像是否伪造的图像种类识别结果；
52.其中，所述多尺度纹理感知模型是基于图像样本数据以及对应的图像种类标签进行训练后得到的，所述多尺度纹理感知模型用于基于所述待识别图像的多尺度纹理特征任意两通道之间的相关性，对所述待识别图像进行种类识别。
53.具体地，基于深度学习的方法中，大多数方法直接将神经网络的最后一层输出的全局视觉特征用于分类，缺少对特征细节差异的考虑，因此，本发明实施例中，将待识别图像输入多尺度纹理感知模型后，从待识别图像底层纹理特征出发，在不同的感受野下，提取多尺度纹理特征，得到待识别图像的多种细节信息，并基于各尺度纹理特征，确定任意两通道之间的纹理相关性，将不同像素空间范围内的纹理特征进行融合，得到融合特征，基于融合特征对待识别图像的种类进行区分，增加特征的多样性，提高图像识别准确率和鲁棒性。
54.可选地，在执行步骤120之前，可以预先构建数据集，对预先构建的初始多尺度纹理感知模型进行训练。根据数据用途，可将数据集分为训练集、验证集和测试集，且训练集、验证集和测试集的比例可以为7:1:2，通过训练集对初始多尺度纹理感知模型进行训练，训练完成后，将测试集输入多尺度纹理感知模型进行测试，并通过验证集对多尺度纹理感知模型输出的图像种类识别结果进行验证。其中，训练集包括：计算机生成图像、真实图像及其对应的图像种类标签，计算机生成图像的图像种类标签可以为1，则真实图像的图像种类标签可以为0；或者计算机生成图像的图像种类标签可以为1，则真实图像的图像种类标签可以为-1，本发明实施例对此不作限制。
55.需要说明的是，训练集中，计算机生成图像和真实图像的数量比例尽可能地接近于1:1，使得训练集中样本比例均衡，尽可能地避免因其中一种类别图像的比例过高而导致的图像种类识别结果发生偏移，进一步确保多尺度纹理感知模型预测的合理性和准确性。
56.可选地，在构建训练集后，构建初始多尺度纹理感知模型，初始多尺度纹理感知模型包括输入层、多尺度特征提取层、视觉纹理特征提取层、特征融合层、预测层和输出层，其中，训练集由输入层传输至多尺度特征提取层，通过不同深度的卷积运算，提取多个尺度下的纹理特征，多尺度特征提取层可以为vgg-19卷积神经网络，还可以为vgg-16卷积神经网络，本发明实施例对此不作限制。
57.示例地，以vgg-19为例，vgg-19的网络结构为：第一个卷积块包含两个3*3conv 64、第二个卷积块包含两个3*3conv 128、第三个卷积块包含四个3*3conv 256、第四个卷积块包含四个3*3conv 512、第五个卷积块包含四个3*3conv 512以及三个全连接层，可以从第三个卷积块提取低阶纹理特征，从第四个卷积块提取中阶纹理特征，从第五个卷积块提取高阶纹理特征，对着网络深度加深，纹理特征更加抽象、细节化，进一步丰富训练集，提高
预测精度。
58.可选地，视觉纹理特征提取层包括至少两个纹理提取网络，至少两个纹理提取网络的结构均相同，各尺度纹理特征输入纹理提取网络后，分为两路进行计算，一路为通过3*3conv 64的卷积运算，输出为64通道的主干网络特征，一路为基于图像各区域的相似度，确定纹理掩码特征，用于表示各尺度纹理特征的增强幅度，纹理掩码特征的计算公式如式(1)所示，式(1)为：
[0059][0060]
其中，xi表示特征x在位置i上的特征向量，xj表示特征x在位置 j上的特征向量，f表示内积函数，用于计算两个特征向量之间的相似性，相关程度经过归一化和softmax函数后，得到对应的纹理掩码特征。
[0061]
需要说明的是，纹理提取网络的数量与多尺度纹理特征的尺度数量相同。
[0062]
为避免特征损失，上述纹理掩码特征与主干网络特征进行加权融合，融合为纹理增强特征，并输入gram矩阵进行特征通道之间的相关性计算，特征任意两通道之间的相关性计算如式(2)所示，并基于特征任意两通道之间的相关性计算，获得跨越不同特征通道的全局相关性矩阵，全局相关性矩阵如式(3)所示。
[0063]
式(2)为：
[0064][0065]
式(3)为：
[0066][0067]
其中，表示在图像特征f的第q个通道的(q,r)位置上的特征值， c
q,r
是全局相关性矩阵中的一个特征值，反映的是第q个通道和第r个通道之间的相关程度，n表示通道总数。在全局相关性矩阵中，对角线项表示不同通道特征的强度，非对角项表示不同特征通道之间的相关程度，通过全局相关性矩阵，可以有效地表示图像全局的纹理特征。
[0068]
可选地，通过上述全局相关性矩阵，可获得纹理增强特征任意两通道之间的纹理相关性值，可以通过卷积运算获取通道数相同的视觉纹理特征，便于后续进行特征融合。例如，卷积运算可以为两层卷积运算，第一层为3*3conv 32的卷积运算，第二层为3*3conv 64的卷积运算，最终输出通道数为64的视觉纹理特征。
[0069]
可选地，将多个纹理提取网络输出的视觉纹理特征在通道方向上进行串联融合，得到融合特征，将融合特征与样本图像对应的图像类别标签输入预测层进行学习，预测层可以为两层卷积层和一层全连接层，基于预测值和真实输出值的差异获取损失函数，并经反向传播，对初始多尺度纹理感知模型的参数进行更新，继续输入下个训练样本进行训练，直至损失函数最小时，得到训练完成的多尺度纹理感知模型。
[0070]
可选地，损失函数可以为交叉熵函数，可以表示样本标签分布与输出的图像种类识别结果分布之间的差异程度。
[0071]
可选地，图2是本发明提供的基于内容安全的图像识别方法的流程示意图之二，如图2所示，所述将所述待识别图像输入至多尺度纹理感知模型，输出用于表征图像是否伪造的图像种类识别结果，具体包括：
[0072]
将所述待识别图像输入至所述多尺度纹理感知模型中，获取所述待识别图像的多尺度纹理特征；
[0073]
基于所述多尺度纹理感知模型中的至少两个所述纹理提取网络，确定各尺度纹理特征的视觉纹理特征，所述视觉纹理特征用于表征所述各尺度纹理特征任意两通道之间的相关性；
[0074]
根据所述各尺度纹理特征的视觉纹理特征，输出用于表征图像是否伪造的图像种类识别结果。
[0075]
具体地，在多尺度纹理感知模型训练完成后，将待识别图像输入为多尺度纹理感知模型进行图像种类识别，为获得细节信息，本发明实施例中获取不同像素空间范围内的纹理特征，即，多尺度纹理特征，并将各尺度纹理特征分别输入对应的纹理提取网络(ten)，得到纹理提取网络输出的不同尺度下的视觉纹理特征，并基于视觉纹理特征进行图像种类识别，提高识别准确率。
[0076]
可选地，图3是本发明提供的基于内容安全的图像识别方法的流程示意图之三，如图3所示，所述基于所述多尺度纹理感知模型中的至少两个纹理提取网络，确定各尺度纹理特征的视觉纹理特征，包括：
[0077]
将所述各尺度纹理特征输入对应的纹理提取网络，得到所述各尺度纹理特征的纹理增强特征；
[0078]
将所述纹理增强特征输入所述多尺度纹理感知模型中的gram 矩阵，确定所述纹理增强特征任意两通道之间的纹理相关性值；
[0079]
基于所述纹理相关性值，确定所述各尺度纹理特征的视觉纹理特征，其中，所述各尺度纹理特征的视觉纹理特征通道相同。
[0080]
具体地，为进一步构建融合特征，需先通过纹理提取网络确定各尺度纹理特征的视觉纹理特征，本发明实施例中，首先基于待识别图像各区域的相似度，确定各尺度纹理特征的纹理增强特征，并如式(2)
ꢀ‑
式(3)所示，经gram矩阵计算任意两通道之间的纹理相关性值，经卷积运算后，输出通道相同的视觉纹理特征，便于后续进行特征融合。
[0081]
可选地，如图3所示，所述将所述各尺度纹理特征输入对应的纹理提取网络，得到所述各尺度纹理特征的纹理增强特征，包括：
[0082]
确定所述各尺度纹理特征的主干网络特征；
[0083]
确定所述各尺度纹理特征的纹理掩码特征，所述纹理掩码特征用于表征所述各尺度纹理特征的增强幅度；
[0084]
将所述主干网络特征与所述纹理掩码特征进行加权融合，得到纹理增强特征。
[0085]
具体地，本发明实施例中，各尺度纹理特征输入纹理提取网络 (ten)后，分为两路并行计算，一路通过3*3conv 64卷积计算，将不同像素范围的纹理特征转换为64通道的主干网络特征，一路基于待识别图像各区域的相似度，通过式(1)计算纹理掩码特征，并与主干网络特征进行加权融合后，得到纹理增强特征。
[0086]
可选地，所述根据所述各尺度纹理特征的视觉纹理特征，输出用于表征图像是否
伪造的图像种类识别结果，包括：
[0087]
将各所述视觉纹理特征进行特征融合，得到融合特征；
[0088]
基于所述融合特征，输出所述图像种类识别结果。
[0089]
具体地，为进一步提高识别效率，可将各个视觉纹理特征进行融合，得到融合特征，并基于融合特征进行种类识别，同时，各视觉纹理特征的通道数量相同，便于进行特征融合。
[0090]
可选地，所述将各所述视觉纹理特征进行特征融合，得到融合特征，包括：
[0091]
将各所述视觉纹理特征在通道方向上进行串联融合，得到所述融合特征。
[0092]
具体地，多尺度纹理特征经纹理提取网络计算后，均转换为64 通道且包含不同细节信息的视觉纹理特征，将上述视觉纹理特征在通道方向进行拼接，即可得到融合特征，便于后续基于融合特征对图像种类进行预测。此外，本发明实施例还可以将融合特征的构建模块与其他分类器进行结合，即，本发明实施例中融合特征的构建模块具有较好的可移植性，可广泛地应用于不同的分类模型。
[0093]
可选地，所述待识别图像的多尺度纹理特征是基于卷积神经网络确定的。
[0094]
具体地，卷积神经网络可以为vgg-19，也可以为vgg-16，便于从卷积神经网络不同卷积块提取多尺度纹理特征，对于卷积神经网络具体结构，本发明实施例对此不作限制。
[0095]
本发明提供的基于内容安全的图像识别方法，通过提取待识别图像的多尺度纹理特征，可满足不同鉴伪场景的尺度要求，此外，对多尺度纹理特征增强后，确定该特征任意两个通道之间的纹理相关性，在纹理相关性的基础上融合得到融合特征，并基于融合特征对待识别图像进行识别，基于图像底层纹理特征，进一步确定待识别图像的细节信息，确保多尺度纹理感知模型进行图像识别的合理性和准确性，进一步提高鲁棒性和泛化性，基于图像种类识别结果，过滤网络中的虚假图像，进而降低损害信息安全的风险；同时，本发明提供的基于内容安全的图像识别方法，模型使用专业度要求低，可进一步扩大使用范围。
[0096]
下面对本发明提供的基于内容安全的图像识别装置进行描述，下文描述的基于内容安全的图像识别装置与上文描述的基于内容安全的图像识别方法可相互对应参照。
[0097]
图4是本发明提供的基于内容安全的图像识别装置的结构示意图，如图4所示，该基于内容安全的图像识别装置200包括：获取模块201和输出模块202，其中：
[0098]
获取模块201，用于获取待识别图像；
[0099]
输出模块202，用于将所述待识别图像输入至多尺度纹理感知模型，输出用于表征图像是否伪造的图像种类识别结果；
[0100]
其中，所述多尺度纹理感知模型是基于图像样本数据以及对应的图像种类标签进行训练后得到的，所述多尺度纹理感知模型用于基于所述待识别图像的多尺度纹理特征任意两通道之间的相关性，对所述待识别图像进行种类识别。
[0101]
本发明提供的基于内容安全的图像识别方法、装置、设备和存储介质，通过提取待识别图像的多尺度纹理特征，可满足不同鉴伪场景的尺度要求，此外，基于各尺度纹理特征，确定该特征任意两个通道之间的纹理相关性，在纹理相关性的基础上对待识别图像进行种类识别，基于图像底层纹理特征，进一步确定待识别图像的细节信息，确保多尺度纹理感知模型进行图像识别的合理性和准确性，进一步提高鲁棒性和泛化性。
[0102]
可选地，输出模块202，具体用于：
[0103]
将所述待识别图像输入至所述多尺度纹理感知模型中，获取所述待识别图像的多尺度纹理特征；
[0104]
基于所述多尺度纹理感知模型中的至少两个纹理提取网络，确定各尺度纹理特征的视觉纹理特征，所述视觉纹理特征用于表征所述各尺度纹理特征任意两通道之间的相关性；
[0105]
根据所述各尺度纹理特征的视觉纹理特征，输出用于表征图像是否伪造的图像种类识别结果。
[0106]
可选地，输出模块202，具体用于：
[0107]
将所述各尺度纹理特征输入对应的纹理提取网络，得到所述各尺度纹理特征的纹理增强特征；
[0108]
将所述纹理增强特征输入所述多尺度纹理感知模型中的gram 矩阵，确定所述纹理增强特征任意两通道之间的纹理相关性值；
[0109]
基于所述纹理相关性值，确定所述各尺度纹理特征的视觉纹理特征，其中，所述各尺度纹理特征的视觉纹理特征通道相同。
[0110]
可选地，输出模块202，具体用于：
[0111]
确定所述各尺度纹理特征的主干网络特征；
[0112]
确定所述各尺度纹理特征的纹理掩码特征，所述纹理掩码特征用于表征所述各尺度纹理特征的增强幅度；
[0113]
将所述主干网络特征与所述纹理掩码特征进行加权融合，得到纹理增强特征。
[0114]
可选地，输出模块202，具体用于：
[0115]
将各所述视觉纹理特征进行特征融合，得到融合特征；
[0116]
基于所述融合特征，输出所述图像种类识别结果。
[0117]
可选地，输出模块202，具体用于：
[0118]
将各所述视觉纹理特征在通道方向上进行串联融合，得到所述融合特征。
[0119]
图5示例了一种电子设备的实体结构示意图，如图5所示，该电子设备300可以包括：处理器(processor)310、通信接口 (communications interface)320、存储器(memory)330和通信总线340，其中，处理器310，通信接口320，存储器330通过通信总线340完成相互间的通信。处理器310可以调用存储器330中的逻辑指令，以执行基于内容安全的图像识别方法，该方法包括：
[0120]
获取待识别图像；
[0121]
将所述待识别图像输入至多尺度纹理感知模型，输出用于表征图像是否伪造的图像种类识别结果；
[0122]
其中，所述多尺度纹理感知模型是基于图像样本数据以及对应的图像种类标签进行训练后得到的，所述多尺度纹理感知模型用于基于所述待识别图像的多尺度纹理特征任意两通道之间的相关性，对所述待识别图像进行种类识别。
[0123]
此外，上述的存储器330中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以
使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0124]
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的基于内容安全的图像识别方法，该方法包括：
[0125]
获取待识别图像；
[0126]
将所述待识别图像输入至多尺度纹理感知模型，输出用于表征图像是否伪造的图像种类识别结果；
[0127]
其中，所述多尺度纹理感知模型是基于图像样本数据以及对应的图像种类标签进行训练后得到的，所述多尺度纹理感知模型用于基于所述待识别图像的多尺度纹理特征任意两通道之间的相关性，对所述待识别图像进行种类识别。
[0128]
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的基于内容安全的图像识别方法，该方法包括：
[0129]
获取待识别图像；
[0130]
将所述待识别图像输入至多尺度纹理感知模型，输出用于表征图像是否伪造的图像种类识别结果；
[0131]
其中，所述多尺度纹理感知模型是基于图像样本数据以及对应的图像种类标签进行训练后得到的，所述多尺度纹理感知模型用于基于所述待识别图像的多尺度纹理特征任意两通道之间的相关性，对所述待识别图像进行种类识别。
[0132]
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
[0133]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
[0134]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。