一種小目標復制-粘貼篡改圖像的盲取證方法技術

本發明專利技術為一種小目標復制

【技術實現步驟摘要】
一種小目標復制
?
粘貼篡改圖像的盲取證方法


[0001]本專利技術的技術方案屬于深度學習圖像處理和模式識別
，具體地說是一種小目標復制
?
粘貼篡改圖像的盲取證方法。

技術介紹

[0002]圖像篡改取證的目的是檢測出一幅圖像中被人為修改的部分，圖像篡改手段包含拼接篡改、復制粘貼篡改和移除篡改。復制粘貼篡改是一種典型的數字圖像處理技術，即復制同幅圖像中某一區域(復制源區域)，然后粘貼到該圖的其他區域(篡改區域)，從而加強或者隱藏圖像的部分內容。由于同一幅圖像的亮度和色彩等信息十分相似，因此圖像在經歷復制粘貼篡改操作后，難以產生明顯的視覺差異。
[0003]圖像篡改檢測技術是檢測數字圖像是否經過偽造等額外操作的取證技術，包含需要額外驗證信息的主動取證技術和不需要額外驗證信息的被動取證技術，這兩類技術都能檢測圖像真偽，但用于不同領域。實際生活中，大多數圖像并沒有預先嵌入數字簽名、數字水印等先驗信息，無法利用主動取證技術進行檢測，因此需要被動取證技術，即盲取證技術。盲取證技術指無需在圖像中嵌入先驗信息的情況下，鑒定圖像的真實性和完整性的技術。圖像篡改盲取證技術涉及了計算機視覺、圖像處理和模式識別等多個研究鄰域。
[0004]目前復制
?
粘貼圖像篡改盲取證技術的研究方法包括傳統方法和基于深度學習的復制
?
粘貼圖像篡改盲取證方法。基于傳統方法的盲取證技術又包括基于分塊和基于關鍵點的方法。基于分塊的方法將宿主圖像劃分為不同的塊，先提取方塊特征進行特征相似性匹配，根據匹配的結果定位圖像中的篡改區域。主成分分析(Principal Component Analysis，PCA)算法可以提取對噪聲和壓縮具有魯棒性的特征。Popescu等人在“Exposing digital forgeries by detecting duplicated image regions”中使用該算法，通過對這些特征進行字典排序檢測重復區域。然而，基于圖像塊的取證算法計算復雜度較高，對幾何變換的魯棒性較差。基于關鍵點的方法采用SIFT或SURF搜索高熵區域，尋找局部極值點后提取鄰域特征進行特征匹配，從而定位偽造區域。Ardizzone在“Copy
–
move forgery detection by matching triangles of keypoints”引入三角形特征，從圖像中提取興趣點，并在這些點的基礎上使用聯通三角形模擬圖像中的目標，然后進行匹配，但是難以解決平滑區域關鍵點提取問題。隨著近年來深度學習尤其是卷積神經網絡的發展，深度學習方法也被應用于篡改盲取證中。Rao在“A deep learning approach to detection of splicing and copy
?
move forgeries in images”中提出使用RGB彩色圖像作為輸入來學習層次化的特征表達，但是網絡結構過于簡單，導致檢測精度不佳。Wu在“BusterNet:Detecting Copy
?
Move Image Forgery with Source/Target Localization”中提出基于融合邊界偽影和區域相似度計算的方法，提出了區分源目標和偽造目標的BusterNet模型，該方法的缺點是必須確保兩個分支都正確定位偽造區域。
[0005]CN113450330A公開了一種基于分割和卷積神經網絡的圖像復制
?
粘貼檢測方法，該方法首先獲取待檢測圖像，搭建圖像分割模型；然后對所述檢測圖像進行訓練和分割處
理，得到分割權重參數和圖像邊界像素方向信息，獲取分割圖像；并且結合分割圖像和分割圖像特征，進行自相關匹配，得到圖像匹配特征；最后將圖像匹配特征送入分類模型，得到篡改區域檢測圖像。該方法的缺陷在于，雖然采用注意力來獲取到篡改圖像高頻邊緣特征，但是僅僅是在空域進行處理，無法捕捉篡改偽影特征。并且難以解決篡改圖像中的小目標難以檢測的問題。
[0006]CN103345758A公開了一種基于DCT統計特征的JPEG圖像區域復制盲檢測方法。該方法是在不依靠圖像水印等信息的條件下，僅根據圖像內容提取圖像的DCT統計特征。該方法首先對圖像分為多個可重疊的子塊，然后提取每一個子塊的DCT統計特征，按照順序對每一個子塊進行DCT變換，之后通過特征降維和特征排序將具有相匹配特征的圖像子塊定為可疑塊，最后選定位移矢量計數大于門限值的進行標識，即定為篡改區域。該方法的缺點在于計算復雜度較高，并且對幾何變換的魯棒性較差。同時，該方法采用的DCT變換不具有自適應學習的能力，僅僅是對某些特定類型的圖片有較好的效果，應用場景有所局限。

技術實現思路

[0007]針對現有技術的不足，本專利技術所要解決的技術問題是，提供一種小目標復制
?
粘貼篡改圖像的盲取證方法，該方法利用了篡改圖像中的頻域信息，通過捕捉頻域信息來獲取清晰的篡改偽影，從而提高了網絡檢測篡改區域的能力；針對篡改小目標難以檢測的問題，利用亞像素卷積將原始輸入的低分辨率圖像超分為高分辨率圖像，在一定程度上擴大了小尺寸目標的尺度，增強了網絡對于篡改小目標的識別能力。
[0008]本專利技術解決所述技術問題所采用的技術方案如下：
[0009]一種小目標復制
?
粘貼篡改圖像的盲取證方法，其特征在于，該方法分為兩個階段，具體包括以下內容：
[0010]階段一，對輸入圖像進行預處理，利用殘差超分網絡提取預處理的輸入圖像的殘差特征，并將殘差特征進行超分，得到超分圖像；
[0011]殘差超分網絡包含特征激活單元模塊、殘差特征提取模塊和特征像素重排模塊；特征激活單元模塊包括卷積操作和激活函數，利用特征激活單元模塊對預處理的輸入圖像進行激活，得到激活特征；利用殘差特征提取模塊提取激活特征的殘差特征，殘差特征提取模塊由多個殘差塊堆疊而成，上一個殘差塊的輸出作為下一個殘差塊的輸入，并與下一個殘差塊的計算結果逐點相加，得到下一個殘差塊的輸出；每個殘差塊均由多個串行的卷積結構和激活函數構成；利用特征像素重排模塊對殘差特征進行像素重排，得到超分圖像；特征像素重排模塊包含卷積操作和亞像素卷積操作；
[0012]階段二，對篡改圖像進行預處理，將預處理的篡改圖像輸入到訓練后的殘差超分網絡中，得到殘差特征和超分圖像；利用基于離散余弦變換的頻域信息提取網絡提取超分圖像的頻域特征；基于離散余弦變換的頻域信息提取網絡包含離散余弦變換、自適應濾波器和逆離散余弦變換；跨模態融合網絡通過位置注意力對頻域特征與殘差特征進行融合，得到跨域特征；利用特征提取網絡從跨域特征中提取多尺度特征，特征提取網絡包括特征金字塔和Transformer模塊，特征金字塔的每個特征提取模塊均連接一個Transformer模塊，通過Transformer模塊獲得特征中像素間的依賴關系；利用多尺度融合模塊對多尺度特征進行融合，多尺度融合模塊通過卷積操作和本文檔來自技高網...

【技術保護點】

【技術特征摘要】
1.一種小目標復制
?
粘貼篡改圖像的盲取證方法，其特征在于，該方法分為兩個階段，具體包括以下內容：階段一，對輸入圖像進行預處理，利用殘差超分網絡提取預處理的輸入圖像的殘差特征，并將殘差特征進行超分，得到超分圖像；殘差超分網絡包含特征激活單元模塊、殘差特征提取模塊和特征像素重排模塊；特征激活單元模塊包括卷積操作和激活函數，利用特征激活單元模塊對預處理的輸入圖像進行激活，得到激活特征；利用殘差特征提取模塊提取激活特征的殘差特征，殘差特征提取模塊由多個殘差塊堆疊而成，上一個殘差塊的輸出作為下一個殘差塊的輸入，并與下一個殘差塊的計算結果逐點相加，得到下一個殘差塊的輸出；每個殘差塊均由多個串行的卷積結構和激活函數構成；利用特征像素重排模塊對殘差特征進行像素重排，得到超分圖像；特征像素重排模塊包含卷積操作和亞像素卷積操作；階段二，對篡改圖像進行預處理，將預處理的篡改圖像輸入到訓練后的殘差超分網絡中，得到殘差特征和超分圖像；利用基于離散余弦變換的頻域信息提取網絡提取超分圖像的頻域特征；基于離散余弦變換的頻域信息提取網絡包含離散余弦變換、自適應濾波器和逆離散余弦變換；跨模態融合網絡通過位置注意力對頻域特征與殘差特征進行融合，得到跨域特征；利用特征提取網絡從跨域特征中提取多尺度特征，特征提取網絡包括特征金字塔和Transformer模塊，特征金字塔的每個特征提取模塊均連接一個Transformer模塊，通過Transformer模塊獲得特征中像素間的依賴關系；利用多尺度融合模塊對多尺度特征進行融合，多尺度融合模塊通過卷積操作和上采樣操作得到多尺度特征的預測掩膜，各個預測掩膜分別經過卷積操作變為同一維度后再逐點相加，得到預測分割圖；至此完成小目標復制
?
粘貼篡改圖像的盲取證。2.根據權利要求1所述的小目標復制
?
粘貼篡改圖像的盲取證方法，其特征在于，所述特征像素重排模塊包含兩次卷積操作和兩次亞像素卷積操作，表達式為：O
H
＝PixelShuffle2(f
Conv2D_1
(PixelShuffle2(f
Conv2D_2
(X
F
))...

【專利技術屬性】
技術研發人員：朱葉，上官彥君，閻剛，郭迎春，郝小可，師碩，劉依，于洋，
申請(專利權)人：河北工業大學，
類型：發明
國別省市：