CN108230227B - 一种图像篡改的识别方法、装置及电子设备 - Google Patents
一种图像篡改的识别方法、装置及电子设备 Download PDFInfo
- Publication number
- CN108230227B CN108230227B CN201810116677.XA CN201810116677A CN108230227B CN 108230227 B CN108230227 B CN 108230227B CN 201810116677 A CN201810116677 A CN 201810116677A CN 108230227 B CN108230227 B CN 108230227B
- Authority
- CN
- China
- Prior art keywords
- picture
- neural network
- tampered
- network model
- rgb
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T1/00—General purpose image data processing
- G06T1/0021—Image watermarking
- G06T1/0042—Fragile watermarking, e.g. so as to detect tampering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Compression Or Coding Systems Of Tv Signals (AREA)
Abstract
本发明提供一种图像篡改的识别方法、装置及电子设备,获取待分析的第一图片,调整所述第一图片的分辨率为预设分辨率以及所述第一图片的编码方式为预设编码方式后,得到第二图片,获取所述第二图片的RGB值,基于所述RGB值,确定所述第一图片是否被篡改。本发明中能够自动根据第二图片的RGB值确定是否被篡改,不需要人工依据经验去判断是否被篡改,提高了篡改识别结果的准确度。
Description
技术领域
本发明涉及图像处理领域,更具体的说,涉及一种图像篡改的识别方法、 装置及电子设备。
背景技术
目前移动互联网和手机拍照让我们可以随时随地的拍摄照片,美图等编 辑工具又可以让我们对拍摄的图片进行美化,以分享美图。
但与此同时,很多经过编辑后的图片混淆视听,移花接木。
现有技术中,判断照片是否被篡改是通过人工观察照片对光照反射和吸 收情况,来确认图片是否被篡改。这样一来,使得图片篡改识别过程依赖人 工经验,进而使得篡改识别结果不准确。
发明内容
有鉴于此,本发明提供一种图像篡改的识别方法、装置及电子设备,以 解决图片篡改识别过程依赖人工经验,进而使得篡改识别结果不准确的问题。
为解决上述技术问题,本发明采用了如下技术方案:
一种图像篡改的识别方法,包括:
获取待分析的第一图片;
调整所述第一图片的分辨率为预设分辨率以及所述第一图片的编码方式 为预设编码方式后,得到第二图片;
获取所述第二图片的RGB值;
基于所述RGB值,确定所述第一图片是否被篡改。
优选地,基于所述RGB值,确定所述第一图片是否被篡改,包括:
基于所述RGB值以及神经网络模型,确定所述第一图片被篡改的概率;
当所述概率大于预设数值时,确定所述第一图片被篡改过;
当所述概率不大于预设数值时,确定所述第一图片未被篡改过。
优选地,所述神经网络模型的生成过程包括:
获取多个图片样本以及每个所述图片样本是否被篡改的结果;其中,每 个所述图片样本的分辨率为所述预设分辨率以及每个所述图片样本的编码方 式为所述预设编码方式;
获取初始神经网络模型;
获取每个所述图片样本的RGB值;
基于每个所述图片样本的RGB值以及每个所述图片样本是否被篡改的结 果,对所述初始神经网络模型进行训练,得到所述神经网络模型。
优选地,基于每个所述图片样本的RGB值以及每个所述图片样本是否被 篡改的结果,对所述初始神经网络模型进行训练,得到所述神经网络模型, 包括:
基于每个所述图片样本的RGB值以及每个所述图片样本是否被篡改的结 果,使用BP神经网络算法,计算所述初始神经网络模型中的每一层的特征值;
基于计算出的初始神经网络模型中的每一层的特征值,得到所述神经网 络模型。
一种图像篡改的识别装置,包括:
图片获取模块,用于获取待分析的第一图片;
调整模块,用于调整所述第一图片的分辨率为预设分辨率以及所述第一 图片的编码方式为预设编码方式后,得到第二图片;
数值获取模块,用于获取所述第二图片的RGB值;
篡改确定模块,用于基于所述RGB值,确定所述第一图片是否被篡改。
优选地,所述篡改确定模块包括:
概率计算子模块,用于基于所述RGB值以及神经网络模型,确定所述第 一图片被篡改的概率;
第一确定子模块,用于当所述概率大于预设数值时,确定所述第一图片 被篡改过;
第二确定子模块,用于当所述概率不大于预设数值时,确定所述第一图 片未被篡改过。
优选地,还包括:
第一获取模块,用于获取多个图片样本以及每个所述图片样本是否被篡 改的结果;其中,每个所述图片样本的分辨率为所述预设分辨率以及每个所 述图片样本的编码方式为所述预设编码方式;
第二获取模块,用于获取初始神经网络模型;
第三获取模块,用于获取每个所述图片样本的RGB值;
训练模块,用于基于每个所述图片样本的RGB值以及每个所述图片样本 是否被篡改的结果,对所述初始神经网络模型进行训练,得到所述神经网络 模型。
优选地,所述训练模块包括:
计算子模块,用于基于每个所述图片样本的RGB值以及每个所述图片样 本是否被篡改的结果,使用BP神经网络算法,计算所述初始神经网络模型中 的每一层的特征值;
模型确定子模块,用于基于计算出的初始神经网络模型中的每一层的特 征值,得到所述神经网络模型。
一种电子设备,包括:存储器和处理器;
其中,所述存储器用于存储程序;
处理器用于调用程序,其中,所述程序用于:
获取待分析的第一图片;
调整所述第一图片的分辨率为预设分辨率以及所述第一图片的编码方式 为预设编码方式后,得到第二图片;
获取所述第二图片的RGB值;
基于所述RGB值,确定所述第一图片是否被篡改。
相较于现有技术,本发明具有以下有益效果:
本发明提供一种图像篡改的识别方法、装置及电子设备,获取待分析的 第一图片,调整所述第一图片的分辨率为预设分辨率以及所述第一图片的编 码方式为预设编码方式后,得到第二图片,获取所述第二图片的RGB值,基 于所述RGB值,确定所述第一图片是否被篡改。本发明中能够自动根据第二 图片的RGB值确定是否被篡改,不需要人工依据经验去判断是否被篡改,提 高了篡改识别结果的准确度。
附图说明
为了更清楚地说明本发明实施例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简单地介绍,显而易见地,下面 描述中的附图仅仅是本发明的实施例,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,还可以根据提供的附图获得其他的附图。
图1为本发明提供的一种图像篡改的识别方法的方法流程图;
图2为本发明提供的另一种图像篡改的识别方法的方法流程图;
图3为本发明提供的再一种图像篡改的识别方法的方法流程图;
图4为本发明提供的一种神经网络模型的结构示意图;
图5为本发明提供的一种图像篡改的识别装置的结构示意图;
图6为本发明提供的另一种图像篡改的识别装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行 清楚、完整地描述,显然,所描述的实施例仅仅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做 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。
本发明实施例提供了一种图像篡改的识别方法,参照图1,可以包括:
S11、获取待分析的第一图片;
其中,待分析的第一图片是需要进行分析是否被篡改的图片,第一图片 的分辨率以及编码格式可以任意。
S12、调整所述第一图片的分辨率为预设分辨率以及所述第一图片的编码 方式为预设编码方式后,得到第二图片;
具体的,第一图片的分辨率以及编码方式任意,但是神经网络模型中规 定了第一图片的分辨率和编码方式,此时应该将第一图片的分辨率以及编码 格式进行设定。
其中,预设分辨率可以为256*256,预设编码方式可以为JPJ或PNG等。
S13、获取所述第二图片的RGB值;
其中,RGB即是代表红、绿、蓝三个通道的颜色。
S14、基于所述RGB值,确定所述第一图片是否被篡改。
可选的,在本实施例的基础上,参照图2,步骤S14可以包括:
S21、基于所述RGB值以及神经网络模型,确定所述第一图片被篡改的概 率;
其中,神经网络模型是预先建立的,将RGB值输入到神经网络模型中,就 可以得到第一图片被篡改的概率。
S22、当所述概率大于预设数值时,确定所述第一图片被篡改过;
具体的,预设数值可以为50%,当所述第一图片被篡改的概率大于50时, 说明第一图片被篡改的概率较大,第一照片极有可能是被篡改过。
S23、当所述概率不大于预设数值时,确定所述第一图片未被篡改过。
当所述第一图片被篡改的概率不大于50时,说明第一图片被篡改的概率 较小,第一照片未被篡改过。
需要说明的是,本实施例中使用RGB值,是由于数字图片的所有信息包含 在组成图片像素点的RGB值中,如果使用软件对图片进行修改,图片中原有物 体的自然线条也会被修改,这些图片特征的改变会反映到图片RGB值的排列 中,导致修改后的RGB数据矩阵不符合自然线条的数据矩阵排列,这些被修改 过的数据输入神经网络模型中,神经网络算法会捕捉到被修改的特征。
本实施例中,获取待分析的第一图片,调整所述第一图片的分辨率为预 设分辨率以及所述第一图片的编码方式为预设编码方式后,得到第二图片, 获取所述第二图片的RGB值,基于所述RGB值,确定所述第一图片是否被篡 改。本发明中能够自动根据第二图片的RGB值确定是否被篡改,不需要人工 依据经验去判断是否被篡改,提高了篡改识别结果的准确度。
可选的,在上述图2对应的实施例的基础上,参照图3,所述神经网络模 型的生成过程可以包括:
S31、获取多个图片样本以及每个所述图片样本是否被篡改的结果;
其中,每个所述图片样本的分辨率为所述预设分辨率以及每个所述图片 样本的编码方式为所述预设编码方式。每个所述图片样本是否被篡改的结果 是人工进行标定的。
其中,预设分辨率以及预设编码方式见上述解释。本实施例中,设定图 片样本的分辨率是为了确定图片样本的像素值的数量是相同的,因为,不同 的分辨率对应的像素值的数量是不同的。
设定编码方式,是为了保证像素值的编码方式相同,如果像素值的编码 方式不同,则最终像素值的值不同的,总体来说,设定编码方式以及像素值, 是为了保证最终每个图片样本的像素值的格式以及数量相同。
需要说明的是,图片样本越多,神经网络模型识别图片的精确度越高。
S32、获取初始神经网络模型;
其中,初始神经网络模型中的各个参数是技术人员随机设定的。
S33、获取每个所述图片样本的RGB值;
S34、基于每个所述图片样本的RGB值以及每个所述图片样本是否被篡改 的结果,对所述初始神经网络模型进行训练,得到所述神经网络模型。
可选的,在本实施例的基础上,步骤S34可以包括:
1)基于每个所述图片样本的RGB值以及每个所述图片样本是否被篡改的 结果,使用BP神经网络算法,计算所述初始神经网络模型中的每一层的特征 值;
具体的,初始神经网络模型中包括多个隐藏层,每个隐藏层中包括多个 节点,每个节点都有相应的特征值,如权重、偏置、激活函数和阈值等。
将大量的图片样本的RGB值以及每个所述图片样本是否被篡改的结果, 输入到初始神经网络模型中,使用BP神经网络算法,就会训练得到每个节点 的特征值。
2)基于计算出的初始神经网络模型中的每一层的特征值,得到所述神经 网络模型。
当每个节点的特征值确定后,将初始神经网络模型中的特征值更换为计 算的到特征值,就可以得到神经网络模型。
参照图4,神经网络模型中包括输入层、隐藏层和输出层,输入层输入的 数据为每个所述图片样本的RGB值以及每个所述图片样本是否被篡改的结果, 输出层为P1和P2,其中,P1为被修改过的概率,也可以称为被篡改过的概 率,P2为未被修改过的概率,也可以称为未被篡改过的概率。经过大量的样 本图片的训练,可以确定隐藏的特征值,进而确定得到神经网络模型。
当需要对一张图片进行是否被篡改的分析时,将该图片的分辨率以及编 码方式修改后,获取修改后的图片的RGB值,输入到神经网络模型中,即可 以得到该图片是否被篡改的概率。
本实施例中,采用BP神经网络算法,训练得到神经网络模型,此后可以 快速使用神经网络模型分析得到待分析的图片是否被篡改的结果,提高识别 速度。
可选的,在上述图像篡改的识别方法的实施例的基础上,本发明的另一 实施例提供了一种图像篡改的识别装置,参照图5,可以包括:
图片获取模块101,用于获取待分析的第一图片;
调整模块102,用于调整所述第一图片的分辨率为预设分辨率以及所述第 一图片的编码方式为预设编码方式后,得到第二图片;
数值获取模块103,用于获取所述第二图片的RGB值;
篡改确定模块104,用于基于所述RGB值,确定所述第一图片是否被篡改。
进一步,参照图6,所述篡改确定模块104可以包括:
概率计算子模块1041,用于基于所述RGB值以及神经网络模型,确定所 述第一图片被篡改的概率;
第一确定子模块1042,用于当所述概率大于预设数值时,确定所述第一 图片被篡改过;
第二确定子模块1043,用于当所述概率不大于预设数值时,确定所述第 一图片未被篡改过。
本实施例中,获取待分析的第一图片,调整所述第一图片的分辨率为预 设分辨率以及所述第一图片的编码方式为预设编码方式后,得到第二图片, 获取所述第二图片的RGB值,基于所述RGB值,确定所述第一图片是否被篡 改。本发明中能够自动根据第二图片的RGB值确定是否被篡改,不需要人工 依据经验去判断是否被篡改,提高了篡改识别结果的准确度。
需要说明的是,本实施例中的各个模块和子模块的工作过程,请参照上 述实施例中的相应说明,在此不再赘述。
可选的,在上述图5对应的实施例的基础上,还包括:
第一获取模块,用于获取多个图片样本以及每个所述图片样本是否被篡 改的结果;其中,每个所述图片样本的分辨率为所述预设分辨率以及每个所 述图片样本的编码方式为所述预设编码方式;
第二获取模块,用于获取初始神经网络模型;
第三获取模块,用于获取每个所述图片样本的RGB值;
训练模块,用于基于每个所述图片样本的RGB值以及每个所述图片样本 是否被篡改的结果,对所述初始神经网络模型进行训练,得到所述神经网络 模型。
进一步,所述训练模块包括:
计算子模块,用于基于每个所述图片样本的RGB值以及每个所述图片样 本是否被篡改的结果,使用BP神经网络算法,计算所述初始神经网络模型中 的每一层的特征值;
模型确定子模块,用于基于计算出的初始神经网络模型中的每一层的特 征值,得到所述神经网络模型。
所述训练模块包括:
计算子模块,用于基于每个所述图片样本的RGB值以及每个所述图片样 本是否被篡改的结果,使用BP神经网络算法,计算所述初始神经网络模型中 的每一层的特征值;
模型确定子模块,用于基于计算出的初始神经网络模型中的每一层的特 征值,得到所述神经网络模型。
需要说明的是,本实施例中的各个模块和子模块的工作过程,请参照上 述实施例中的相应说明,在此不再赘述。
可选的,在上述图像篡改的识别方法及装置的实施例的基础上,本发明 的另一实施例中提供了一种电子设备,包括:存储器和处理器;
其中,所述存储器用于存储程序;
处理器用于调用程序,其中,所述程序用于:
获取待分析的第一图片;
调整所述第一图片的分辨率为预设分辨率以及所述第一图片的编码方式 为预设编码方式后,得到第二图片;
获取所述第二图片的RGB值;
基于所述RGB值,确定所述第一图片是否被篡改。
进一步,处理器用于基于所述RGB值,确定所述第一图片是否被篡改时, 具体用于:
基于所述RGB值以及神经网络模型,确定所述第一图片被篡改的概率;
当所述概率大于预设数值时,确定所述第一图片被篡改过;
当所述概率不大于预设数值时,确定所述第一图片未被篡改过。
进一步,处理器还用于:
获取多个图片样本以及每个所述图片样本是否被篡改的结果;其中,每 个所述图片样本的分辨率为所述预设分辨率以及每个所述图片样本的编码方 式为所述预设编码方式;
获取初始神经网络模型;
获取每个所述图片样本的RGB值;
基于每个所述图片样本的RGB值以及每个所述图片样本是否被篡改的结 果,对所述初始神经网络模型进行训练,得到所述神经网络模型。
进一步,处理器用于基于每个所述图片样本的RGB值以及每个所述图片 样本是否被篡改的结果,对所述初始神经网络模型进行训练,得到所述神经 网络模型时,具体用于:
基于每个所述图片样本的RGB值以及每个所述图片样本是否被篡改的结 果,使用BP神经网络算法,计算所述初始神经网络模型中的每一层的特征值;
基于计算出的初始神经网络模型中的每一层的特征值,得到所述神经网 络模型。
本实施例中,获取待分析的第一图片,调整所述第一图片的分辨率为预 设分辨率以及所述第一图片的编码方式为预设编码方式后,得到第二图片, 获取所述第二图片的RGB值,基于所述RGB值,确定所述第一图片是否被篡 改。本发明中能够自动根据第二图片的RGB值确定是否被篡改,不需要人工 依据经验去判断是否被篡改,提高了篡改识别结果的准确度。
需要说明的是,本实施例中的各个步骤的解释说明,请参照上述实施例 中的相应说明,在此不再赘述。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或 计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、 或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个 其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘 存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产 品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图 和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程 和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、 嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通 过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流 程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的 装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设 备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器 中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或 多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上, 使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的 处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图 一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步 骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输 出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器 (RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。 存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由 任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、 程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存 (PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其 他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读 存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器 (CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁 磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计 算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可 读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排 他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包 括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过 程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包 括一个……”限定的要素,并不排除在包括要素的过程、方法、商品或者设备 中还存在另外的相同要素。
本领域技术人员应明白,本申请的实施例可提供为方法、系统或计算机 程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例或结合软 件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含 有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、 CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用 本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易 见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下, 在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例, 而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (7)
1.一种图像篡改的识别方法,其特征在于,包括:
获取待分析的第一图片;
调整所述第一图片的分辨率为预设分辨率以及所述第一图片的编码方式为预设编码方式后,得到第二图片;
获取所述第二图片的RGB值;
基于所述RGB值,确定所述第一图片是否被篡改;
其中,基于所述RGB值,确定所述第一图片是否被篡改,包括:
将所述RGB值输入到神经网络模型中,神经网络算法捕捉被修改的特征,确定所述第一图片被篡改的概率,所述被修改的特征反映到图片RGB值的排列中导致修改后的RGB数据矩阵不符合自然线条的数据矩阵排列;
当所述概率大于预设数值时,确定所述第一图片被篡改过;
当所述概率不大于预设数值时,确定所述第一图片未被篡改过。
2.根据权利要求1所述的识别方法,其特征在于,所述神经网络模型的生成过程包括:
获取多个图片样本以及每个所述图片样本是否被篡改的结果;其中,每个所述图片样本的分辨率为所述预设分辨率以及每个所述图片样本的编码方式为所述预设编码方式;
获取初始神经网络模型;
获取每个所述图片样本的RGB值;
基于每个所述图片样本的RGB值以及每个所述图片样本是否被篡改的结果,对所述初始神经网络模型进行训练,得到所述神经网络模型。
3.根据权利要求2所述的识别方法,其特征在于,基于每个所述图片样本的RGB值以及每个所述图片样本是否被篡改的结果,对所述初始神经网络模型进行训练,得到所述神经网络模型,包括:
基于每个所述图片样本的RGB值以及每个所述图片样本是否被篡改的结果,使用BP神经网络算法,计算所述初始神经网络模型中的每一层的特征值;
基于计算出的初始神经网络模型中的每一层的特征值,得到所述神经网络模型。
4.一种图像篡改的识别装置,其特征在于,包括:
图片获取模块,用于获取待分析的第一图片;
调整模块,用于调整所述第一图片的分辨率为预设分辨率以及所述第一图片的编码方式为预设编码方式后,得到第二图片;
数值获取模块,用于获取所述第二图片的RGB值;
篡改确定模块,用于基于所述RGB值,确定所述第一图片是否被篡改;其中,所述篡改确定模块包括:
概率计算子模块,用于将所述RGB值输入到神经网络模型中,神经网络算法捕捉被修改的特征,确定所述第一图片被篡改的概率,所述被修改的特征反映到图片RGB值的排列中导致修改后的RGB数据矩阵不符合自然线条的数据矩阵排列;
第一确定子模块,用于当所述概率大于预设数值时,确定所述第一图片被篡改过;
第二确定子模块,用于当所述概率不大于预设数值时,确定所述第一图片未被篡改过。
5.根据权利要求4所述的识别装置,其特征在于,还包括:
第一获取模块,用于获取多个图片样本以及每个所述图片样本是否被篡改的结果;其中,每个所述图片样本的分辨率为所述预设分辨率以及每个所述图片样本的编码方式为所述预设编码方式;
第二获取模块,用于获取初始神经网络模型;
第三获取模块,用于获取每个所述图片样本的RGB值;
训练模块,用于基于每个所述图片样本的RGB值以及每个所述图片样本是否被篡改的结果,对所述初始神经网络模型进行训练,得到所述神经网络模型。
6.根据权利要求5所述的识别装置,其特征在于,所述训练模块包括:
计算子模块,用于基于每个所述图片样本的RGB值以及每个所述图片样本是否被篡改的结果,使用BP神经网络算法,计算所述初始神经网络模型中的每一层的特征值;
模型确定子模块,用于基于计算出的初始神经网络模型中的每一层的特征值,得到所述神经网络模型。
7.一种电子设备,其特征在于,包括:存储器和处理器;
其中,所述存储器用于存储程序;
处理器用于调用程序,其中,所述程序用于:
获取待分析的第一图片;
调整所述第一图片的分辨率为预设分辨率以及所述第一图片的编码方式为预设编码方式后,得到第二图片;
获取所述第二图片的RGB值;
基于所述RGB值,确定所述第一图片是否被篡改;
其中,基于所述RGB值,确定所述第一图片是否被篡改,包括:
将所述RGB值输入到神经网络模型中,神经网络算法捕捉被修改的特征,确定所述第一图片被篡改的概率,所述被修改的特征反映到图片RGB值的排列中导致修改后的RGB数据矩阵不符合自然线条的数据矩阵排列;
当所述概率大于预设数值时,确定所述第一图片被篡改过;
当所述概率不大于预设数值时,确定所述第一图片未被篡改过。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810116677.XA CN108230227B (zh) | 2018-02-06 | 2018-02-06 | 一种图像篡改的识别方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810116677.XA CN108230227B (zh) | 2018-02-06 | 2018-02-06 | 一种图像篡改的识别方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108230227A CN108230227A (zh) | 2018-06-29 |
CN108230227B true CN108230227B (zh) | 2021-09-03 |
Family
ID=62669617
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810116677.XA Active CN108230227B (zh) | 2018-02-06 | 2018-02-06 | 一种图像篡改的识别方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108230227B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108920700B (zh) * | 2018-07-17 | 2021-04-27 | 中国联合网络通信集团有限公司 | 一种虚假图片识别方法及装置 |
CN109754393A (zh) * | 2018-12-19 | 2019-05-14 | 众安信息技术服务有限公司 | 一种基于深度学习的篡改图像鉴定方法及装置 |
CN111355993B (zh) * | 2018-12-20 | 2021-12-21 | 中国电信股份有限公司 | 图片显示方法、装置、机顶盒及计算机可读存储介质 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN100481872C (zh) * | 2007-04-20 | 2009-04-22 | 大连理工大学 | 基于色调模式的检测多种篡改的数字图像取证方法 |
CN102959588A (zh) * | 2011-04-28 | 2013-03-06 | 中国科学院自动化研究所 | 基于图像色度的彩色数字图像篡改检测方法 |
CN103914839B (zh) * | 2014-03-27 | 2017-02-15 | 中山大学 | 一种基于隐写分析的图像拼接篡改检测方法及装置 |
CN104021567B (zh) * | 2014-06-26 | 2016-06-01 | 福州大学 | 基于首数字定律的图像高斯模糊篡改检测方法 |
CN106846303A (zh) * | 2016-12-30 | 2017-06-13 | 平安科技(深圳)有限公司 | 图像篡改检测方法及装置 |
CN107464237A (zh) * | 2017-08-04 | 2017-12-12 | 平安科技(深圳)有限公司 | 图像篡改检测方法、电子装置及可读存储介质 |
CN107657259A (zh) * | 2017-09-30 | 2018-02-02 | 平安科技(深圳)有限公司 | 图像篡改检测方法、电子装置及可读存储介质 |
-
2018
- 2018-02-06 CN CN201810116677.XA patent/CN108230227B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN108230227A (zh) | 2018-06-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109740670B (zh) | 视频分类的方法及装置 | |
Wang et al. | Practical deep raw image denoising on mobile devices | |
CN109325954B (zh) | 图像分割方法、装置及电子设备 | |
CN108230227B (zh) | 一种图像篡改的识别方法、装置及电子设备 | |
CN110348393B (zh) | 车辆特征提取模型训练方法、车辆识别方法及设备 | |
CN105430247A (zh) | 一种利用摄像设备拍摄照片的方法与设备 | |
US10389936B2 (en) | Focus stacking of captured images | |
CN111767828A (zh) | 证件图像翻拍识别方法、装置、电子设备和存储介质 | |
CN111432134A (zh) | 图像采集设备的曝光时间的确定方法、确定装置与处理器 | |
CN112767312A (zh) | 一种图像处理方法、装置、存储介质及处理器 | |
CN110569379A (zh) | 一种汽车配件图片数据集制作方法 | |
CN112511767A (zh) | 一种视频拼接方法及设备、存储介质 | |
CN109242877B (zh) | 图像分割方法及装置 | |
US8218823B2 (en) | Determining main objects using range information | |
CN113011432A (zh) | 一种二维码的分层显示及识别的方法及设备 | |
US20200029062A1 (en) | Color temperature adjustment method and device, display apparatus, computer readable storage medium and computer program product | |
CN111369557B (zh) | 图像处理方法、装置、计算设备和存储介质 | |
US11113780B2 (en) | Watermarking digital content | |
CN113938750A (zh) | 视频处理方法、装置、电子设备和存储介质 | |
CN109587396A (zh) | 拍摄方法和拍摄装置 | |
CN110969602B (zh) | 一种图像清晰程度检测方法及装置 | |
CN108419092B (zh) | 一种确定相同视频的方法及装置 | |
CN114554268A (zh) | 音视频数据的处理方法及装置、电子设备、存储介质 | |
CN111242116B (zh) | 屏幕定位方法及装置 | |
Korus et al. | Neural imaging pipelines-the scourge or hope of forensics? |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |