CN109948692A - 基于多颜色空间卷积神经网络及随机森林的计算机生成图片检测方法 - Google Patents
基于多颜色空间卷积神经网络及随机森林的计算机生成图片检测方法 Download PDFInfo
- Publication number
- CN109948692A CN109948692A CN201910200371.7A CN201910200371A CN109948692A CN 109948692 A CN109948692 A CN 109948692A CN 201910200371 A CN201910200371 A CN 201910200371A CN 109948692 A CN109948692 A CN 109948692A
- Authority
- CN
- China
- Prior art keywords
- neural networks
- picture
- convolutional neural
- random forest
- image block
- 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.)
- Granted
Links
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 43
- 238000007637 random forest analysis Methods 0.000 title claims abstract description 39
- 238000001514 detection method Methods 0.000 title claims abstract description 31
- 238000000034 method Methods 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 24
- 238000006243 chemical reaction Methods 0.000 claims abstract description 11
- 230000008569 process Effects 0.000 claims abstract description 11
- 238000005070 sampling Methods 0.000 claims abstract description 10
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 9
- 238000003066 decision tree Methods 0.000 claims description 15
- 238000012952 Resampling Methods 0.000 claims description 13
- 239000013598 vector Substances 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 3
- 235000013399 edible fruits Nutrition 0.000 claims 2
- 239000011248 coating agent Substances 0.000 claims 1
- 238000000576 coating method Methods 0.000 claims 1
- 238000013528 artificial neural network Methods 0.000 abstract description 4
- 238000012805 post-processing Methods 0.000 abstract description 3
- 238000001914 filtration Methods 0.000 abstract description 2
- 239000000463 material Substances 0.000 abstract description 2
- 238000012360 testing method Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 7
- 230000001537 neural effect Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于多颜色空间卷积神经网络及随机森林的计算机生成图片检测方法。包括如下步骤:1:将输入图像进行重采样操作,划分为不交叠的图像块;2:对图像块进行不同的颜色空间变换;3:将从不同颜色空间提取的颜色分量输入到完成训练的三通道卷积神经网络中,将卷积神经网络第一个全连接层的输出作为高维特征表达;4:将高维特征表达输入完成训练的随机森林分类器,得到每个图像块的分类结果;5:将分类结果使用多数投票法判断输入图像是否为计算机生成图像。本发明方法避免了神经网络对于图像内容的过拟合问题,有效提升检测算法对添加高斯噪声或平滑滤波等后处理操作的鲁棒性。此外,随机森林分类器显著增强了算法对于不同测试样本的泛化能力。
Description
技术领域
本发明涉及图像篡改检测方法技术领域,具体地,涉及一种基于多颜色空间卷积神经网络及随机森林的计算机生成图片检测方法。
背景技术
随着信息技术的高速发展,数字图像等多媒体信息载体已经在人们日常生活中得到广泛应用,包括金融,教育和医疗等领域。然而,近年来计算机生成图片技术取得空前发展,已经能够自动生成高清晰度的数字图像,并且效果逼真难以通过肉眼区分。与传统基于计算机图形图像学的图像生成算法不同,最新的计算机图片生成算法采用生成对抗网络技术(Generative Adversarial Network,简称GAN)从大量图像样本中学习自然图像的局部模式,能够生成更加逼真的图像。如果上述计算机生成图片被用于非法用途,将对社会造成巨大的经济损失和安全隐患,例如将计算机生成图片用于伪造电子证据。因此,判断数字图像是否由计算机生成具有重要的实际应用价值。计算机生成图片检测方法已经受到了国内外学者的重视。
现有的计算机生成图片检测手段大致分为基于手工特征和基于神经网络两个方面。基于手工特征的检测手段一般需要根据计算机生成图片在颜色和纹理等方面表现的异常特性设计分类特征,再将分类特征结合分类器(例如支持向量机分类器)完成检测。然而,GAN的结构种类繁多,不同的网络结构对生成图像造成的影响也截然不同。因此,仅依靠手工设计的特征进行检测,难以取得较好的检测鲁棒性。本发明所采用的是基于神经网络的检测算法,此类方法从训练样本中自动学习计算机生成图片的异常模式进行检测。由于计算机生成图片的过程可以视为图像篡改的一种方式,目前公开发表的专利中,有下列专利与本发明方法具有一定相似性;公开号为CN108510483A,题为《一种采用VLAD编码和SVM的计算生成彩色图像篡改检测方法》的专利采用ResNet网络生成颜色特征,再对特征进行VLAD编码,最后利用SVM分类器判断图像是否经历篡改操作。该方法采用的ResNet具有较深的网络层数,包含大量需要训练优化的网络参数。因此该方法在训练集样本数量有限的情况下检测性能会出现明显下降,并且没有考虑恶意后处理操作带来的影响。本发明方法采用多颜色空间卷积神经网络结合随机森林的检测方法对于计算机生成图片具有良好的特征表达能力。随机森林分类器采用集成学习的思想能够有效克服样本数量有限和恶意后处理操作等因素的影响。
发明内容
针对现有技术中的缺陷,本发明的目的是提供一种基于多颜色空间卷积神经网络及随机森林的计算机生成图片检测方法。
一种基于多颜色空间卷积神经网络及随机森林的计算机生成图片检测方法,包括如下步骤:
步骤1:将输入图像进行重采样操作,然后划分为不交叠的图像块;
步骤2:对图像块进行不同的颜色空间变换,保留对应的颜色分量;
步骤3:将从不同颜色空间提取的颜色分量输入到完成训练的三通道卷积神经网络中,将卷积神经网络第一个全连接层的输出作为高维特征表达;
步骤4:将高维特征表达输入完成训练的随机森林分类器,得到每个图像块的分类结果。
步骤5:将输入图像所有图像块的分类结果使用多数投票法,判断输入图像是否为计算机生成图像。
优选的,步骤1包括如下步骤:
步骤1.1:对输入彩色图片I={Ir,Ig,Ib}在RGB颜色空间中对每一个颜色通道进行重采样,空间尺寸重采样为N×N。重采样结果记为重采样方法可采用双线性插值算法等,但不限于此。
步骤1.2:将重采样后的图像划分为不交叠的图像块,每个图像块Bv的空间尺寸为b×b,一共获得个图像块。其中v是图像块序号,取值范围是v={1,2,...,V}。
优选的,步骤2包括如下步骤:
步骤2.1:将每个图像块Bv进行不同的颜色空间变换,包括RGB空间到HSV空间,RGB空间到YCbCr空间,以及RGB空间到La*b*空间。
步骤2.2:图像块Bv经过HSV颜色空间变换,YCbCr颜色空间变换和La*b*颜色空间变换后分别得到:保留其色度分量 保留其色度分量和保留其色度分量
优选的,步骤3包括如下步骤:
步骤3.1:构造三通道卷积神经网络。该网络包含三个输入通道,分别对应HSV,YCbCr和La*b*的颜色分量。每个通道的网络结构相同,均由dL个卷积模块级联构成。每个卷积模块中依次连接一个卷积层,一个非线性激活层和一个池化层。三个输入通道的输出向量进行拼接后输入全连接层。在卷积模块之后。该网络级联dF个全连接层。全连接层之间均包含非线性激活层,采用Rectified Linear Unit函数,简称ReLU函数,其形式为f(x)=max(x,0)。在最后一个全连接层之后级联一个softmax层,其形式为其中i′∈{1,2}。[x1,x2]表示最后一个全连接层的输出向量。softmax层用于将最后一个全连接层输出的二维向量归一化到[0,1]之间,分别作为输入样本属于计算机生成图片和自然图片的概率。
在使用上述网络模型之前,需要对网络模型进行训练。具体地,将计算机生成图片和自然图片中图像块对应的颜色分量分别作为正样本和负样本输入到三通道卷积神经网络中。三通道卷积神经网络利用交叉熵损失函数指导网络进行训练,采用随机梯度下降算法优化网络参数,直到网络模型收敛,停止训练。
步骤3.2:将步骤2.2中图像块Bv提取的颜色分量和输入完成训练的三通道卷积神经网络中。将卷积神经网络第一个全连接层的dz维输出向量z作为图像块Bv的特征表达。
优选的,步骤4包括如下步骤:
步骤4.1:对三通道卷积神经网络的输出特征表达构造随机森林(Random Forest,简称RF)分类器。RF分类器将CART决策树作为基础分类器。假设训练集样本为Dori={(z1,y1),(z2,y2),...,(zM,yM)},其中zi表示第i个图像块通过三通道卷积神经网络的输出特征表达,yi表示第i个图像块对应的分类标签,取值为1或0。M表示训练集样本数量;基础分类器数量设置为K。具体的,RF分类器的生成过程如下:
步骤4.1.1:对训练集Dori进行随机采样。在采样过程中,使用有放回的采样方式。直到采集M次。最后,可以得到一个包含M个样本的数据集D。
步骤4.1.2:用数据集D训练CART决策树模型F(x)。具体的,CART决策树的生成过程如下:
步骤4.1.2.1:使用数据集D,随机选择特征表达z中的d个属性构成子集zsub(d<dz),其中特征表达z的每一个维度表示一个属性。
步骤4.1.2.2:对于zsub中的每个元素,将数据集D中该元素所有可能的取值组成集合A。对集合A中所有取值进行从大到小的排序。排序后相邻两个取值at和at+1的平均值作为划分值根据大于和小于等于将集合D划分为和依次计算每个划分值的Gini_index系数,Gini_index系数的定义如下:
其中|·|表示计算集合中元素的个数,pn表示在数据集D中第n类样本所占的比例,Nc表示样本类别的总数。
步骤4.1.2.3:在属性集合zsub中,选择使划分后Gini_index系数最小的属性作为最优划分属性zsub,*。若数据集D第一次进行划分,则将zsub,*作为CART决策树模型F(x)的根节点,并得到划分后的样本集合。
步骤4.1.2.4:对步骤4.1.2.3获得划分后的样本集合,重复步骤4.1.2.1到4.1.2.3继续划分分支节点。直到满足下列条件则不再划分并令当前分支节点为叶子节点:(1)当前分支节点的样本属于同一类别;(2)当前分支点的属性集为空或所有样本在所有属性上取值相同;(3)当前分支节点包含的样本集为空。如果节点层数达到预设值L,则该节点不再划分并设为叶子结点。
步骤4.1.3:重复步骤4.1.1和步骤4.1.2,直到基础分类器数目达到预设最大值K。
步骤4.2:得到由K个决策树构成的随机森林分类器fr(x)。随机森林分类器的分类结果由基础分类器通过多数投票确定。
优选的,步骤5包括如下步骤:
步骤5.1:将输入图像的所有图像分块对应的特征表达输入随机森林分类器fr(x)得到分类结果的集合C={c1,...,cV},如果分类器判断输入图片为计算机生成图片,则分类结果取值是1,反之为0。
步骤5.2:对C采用多数投票的决策方法检测输入图片是计算机合成图片还是自然图片。投票分数如果大于阈值则判断输入图片为计算机合成图片,反之为自然图片。阈值设置为
与现有技术相比,本发明具有如下的有益效果:
1、本发明提出的三通道卷积神经网络模型首先对输入图像块提取HSV,YCbCr和La*b*空间的颜色分量,然后通过三通道结构学习特征表达用于检测计算机生成图片,而不是直接将原始图像作为卷积神经网络的输入。通过引入领域知识,预先提取不同颜色空间的色度信息,避免了网络对于图像内容的过拟合问题,并且有效提升检测算法添加高斯噪声或平滑滤波等后处理操作的鲁棒性。
2、本发明考虑采用随机森林分类器对卷积神经网络的特征表达进行集成学习。在随机森林分类器构建的过程中,分类器能够引入样本选取和特征选择两方面的随机性,显著增强了随机森林分类器对于不同测试样本的泛化性能。因此,相比于现有方法,即使在训练集规模较小的情况下,本发明仍然能够取得较好的检测性能。
附图说明如下:
图1为本发明一种基于多颜色空间卷积神经网络及随机森林的计算机生成图片检测方法的流程图;
图2为三通道卷积神经网络的结构示意图;
图3为卷积模块的结构示意图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进。这些都属于本发明的保护范围。
如图1所示,根据本发明提供的基于多颜色空间卷积神经网络及随机森林的计算机生成图片检测方法,包括如下步骤:
步骤1:将输入图像进行重采样操作,然后划分为不交叠的图像块;
步骤2:对图像块进行不同的颜色空间变换,保留对应的颜色分量;
步骤3:将从不同颜色空间提取的颜色分量输入到完成训练的三通道卷积神经网络中,将卷积神经网络第一个全连接层的输出作为高维特征表达;
步骤4:将高维特征表达输入完成训练的随机森林分类器,得到每个图像块的分类结果。
步骤5:将输入图像所有图像块的分类结果使用多数投票法,判断输入图像是否为计算机生成图片。
优选的,所述步骤1包括如下步骤:
步骤1.1:对输入彩色图片I={Ir,Ig,Ib}在RGB颜色空间中对每一个颜色通道利用双线性插值算法进行重采样,空间尺寸重采样为512×512。重采样结果记为
步骤1.2:将重采样后的图像划分为不交叠的图像块,每个图像块Bv的空间尺寸为128×128,一共获得V=16个图像块。其中v是图像块序号,取值范围是v={1,2,...,V}。
优选的,所述步骤2包括如下步骤:
步骤2.1:将每个图像块Bv进行不同的颜色空间变换,包括RGB空间到HSV空间,RGB空间到YCbCr空间,以及RGB空间到La*b*空间。
步骤2.2:图像块Bv经过HSV颜色空间变换,YCbCr颜色空间变换和La*b*颜色空间变换后分别得到:保留其色度分量 保留其色度分量和保留其色度分量
具体地,图2为卷积神经网络的结构图,所述步骤3包括如下步骤:
步骤3.1:构造三通道卷积神经网络。该网络包含三个输入通道,分别对应HSV,YCbCr和La*b*空间的颜色分量。每个通道的网络结构相同,综合考虑检测性能和运算效率,使用4个卷积模块级联构成。每个卷积模块中依次连接一个卷积层,一个非线性激活层和一个池化层,如图3所示。其中,为了使卷积神经网络具有良好的泛化能力,卷积层的卷积核尺寸均设置为3×3,卷积步长均设置为1×1。4个卷积模块中卷积层的输出特征图数量分别设置为32,32,64和64。非线性激活层均采用Rectified Linear Unit函数,简称ReLU函数,其形式为max(x,0),x表示输入数据。池化层均采用最大值池化操作,池化操作窗口尺寸为2×2,池化操作步长为2×2。三个输入通道的输出向量进行拼接后输入全连接层。在最后一个卷积模块之后。该网络级联2个全连接层,全连接层的节点个数分别为256和2。全连接层之间包含非线性激活层,采用ReLU函数。在第二个全连接层之后级联一个softmax层,其形式为其中i′∈{1,2}。[x1,x2]表示最后一个全连接层的输出向量。softmax层用于将第二个全连接层输出的二维向量归一化到[0,1]之间,分别作为输入样本属于计算机生成图片和自然图片的概率。
在使用上述网络模型之前,需要对网络模型进行训练。具体地,将计算机生成图片和自然图片中图像块对应的颜色分量分别作为正样本和负样本输入到三通道卷积神经网络中。三通道卷积神经网络利用交叉熵损失函数指导网络进行训练,采用随机梯度下降算法优化网络参数,直到网络模型收敛,停止训练。
步骤3.2:将步骤2.2中图像块Bv提取的颜色分量和输入完成训练的三通道卷积神经网络中。将卷积神经网络第一个全连接层的256维输出向量zv作为图像块Bv的高维特征表达。
所述步骤4包括如下步骤:
步骤4.1:对三通道卷积神经网络的输出特征表达构造随机森林(Random Forest,简称RF)分类器。RF分类器将CART决策树作为基础分类器。假设训练集样本为Dori={(z1,y1),(z2,y2),...,(zM,yM)},其中zi表示第i个图像块通过三通道卷积神经网络的输出特征表达,yi表示第i个图像块对应的分类标签,取值为1或0。M表示训练样本总数。具体的,RF分类器的生成过程如下。综合考虑检测性能和运算效率,基础分类器数量建议设置为K=100:
步骤4.1.1:对训练集Dori进行随机采样。在采样过程中,使用有放回的采样方式。直到采集M次。最后,可以得到一个包含M个样本的数据集D。
步骤4.1.2:用数据集D训练CART决策树模型F(x)。具体的,CART决策树的生成过程如下:
步骤4.1.2.1:使用数据集D,随机选择特征表达z中的d个属性构成子集zsub,其中特征表达z的每一个维度表示一个属性,一般设置d=log2 256=16。
步骤4.1.2.2:对于zsub中的每个元素,将数据集D中该元素所有可能的取值组成集合A。对集合A中所有取值进行从大到小的排序。排序后相邻两个取值at和at+1的平均值作为划分值根据大于和小于等于将集合D划分为和依次计算每个划分值的Gini_index系数,Gini_index系数的定义如下:
其中|·|表示计算集合中元素的个数,pn表示在数据集D中第n类样本所占的比例,Nc表示样本类别的总数,本实施例中Nc=2。
步骤4.1.2.3:在属性集合zsub中,选择使划分后Gini_index系数最小的属性作为最优划分属性zsub,*。若数据集D第一次进行划分,则将zsub,*作为CART决策树模型F(x)的根节点,并得到划分后的样本集合。
步骤4.1.2.4:对步骤4.1.2.3获得划分后的样本集合,重复步骤4.1.2.1到4.1.2.3继续划分分支节点。直到下列条件则不再划分并令当前分支节点为叶子节点:(1)当前分支节点的样本属于同一类别;(2)当前分支点的属性集为空或所有样本在所有属性上取值相同;(3)当前分支节点包含的样本集为空。如果节点层数达到预设值L,则该节点不再划分并设为叶子结点。综合考虑检测性能和运算效率等因素,建议设置L=8。
步骤4.1.3:重复步骤4.1.1和步骤4.1.2,直到基础分类器数目达到预设最大值K。
步骤4.2:得到由K个决策树构成的随机森林分类器fr(x)。随机森林分类器的分类结果由基础分类器通过多数投票确定。
优选的,所述步骤5包括如下步骤:
步骤5.1:将输入图像的所有图像分块输入随机森林分类器fr(x)得到分类结果的集合C={c1,...,cV},如果分类器判断输入图片为计算机生成图片,则分类结果取值是1,反之为0。
步骤5.2:对C采用多数投票的决策方法检测输入图片是计算机合成图片还是自然图片。投票分数如果大于阈值则判断输入图片为计算机生成图片,反之为自然图片。阈值设置为
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变形或修改,这并不影响本发明的实质内容。
Claims (6)
1.一种基于多颜色空间卷积神经网络及随机森林的计算机生成图片检测方法,其特征在于,包括如下步骤:
步骤1:将输入图像进行重采样操作,然后划分为不交叠的图像块;
步骤2:对图像块进行不同的颜色空间变换,保留对应的颜色分量;
步骤3:将从不同颜色空间提取的颜色分量输入到完成训练的三通道卷积神经网络中,将卷积神经网络第一个全连接层的输出作为高维特征表达;
步骤4:将高维特征表达输入完成训练的随机森林分类器,得到每个图像块的分类结果;
步骤5:将输入图像所有图像块的分类结果使用多数投票法,判断输入图像是否为计算机生成图像。
2.根据权利要求1所述的基于多颜色空间卷积神经网络及随机森林的计算机生成图片检测方法,其特征在于,所述步骤1包括如下步骤:
步骤1.1:对输入彩色图片I={Ir,Ig,Ib}在RGB颜色空间中对每一个颜色通道进行重采样,空间尺寸重采样为N×N,重采样结果记为重采样方法可采用双线性插值算法,但不限于此;
步骤1.2:将重采样后的图像划分为不交叠的图像块,每个图像块Bv的空间尺寸为b×b,一共获得个图像块;其中v是图像块序号,取值范围是v={1,2,...,V}。
3.根据权利要求1所述的基于多颜色空间卷积神经网络及随机森林的计算机生成图片检测方法,其特征在于,所述步骤2包括如下步骤:
步骤2.1:将每个图像块Bv进行不同的颜色空间变换,包括RGB空间到HSV空间,RGB空间到YCbCr空间,以及RGB空间到La*b*空间;
步骤2.2:图像块Bv经过HSV颜色空间变换,YCbCr颜色空间变换和La*b*颜色空间变换后分别得到:保留其色度分量 保留其色度分量和保留其色度分量
4.根据权利要求1所述的基于多颜色空间卷积神经网络及随机森林的计算机生成图片检测方法,其特征在于,所述步骤3包括如下步骤:
步骤3.1:构造三通道卷积神经网络,该网络包含三个输入通道,分别对应HSV,YCbCr和La*b*的颜色分量;每个通道的网络结构相同,均由dL个卷积模块级联构成;每个卷积模块中依次连接一个卷积层,一个非线性激活层和一个池化层;三个输入通道的输出向量进行拼接后输入全连接层;在卷积模块之后,该网络级联dF个全连接层;全连接层之间均包含非线性激活层,采用Rectified Linear Unit函数,简称ReLU函数,其形式为f(x)=max(x,0);在最后一个全连接层之后级联一个softmax层,其形式为其中i′∈{1,2};[x1,x2]表示最后一个全连接层的输出向量;softmax层用于将最后一个全连接层输出的二维向量归一化到[0,1]之间,分别作为输入样本属于计算机生成图片和自然图片的概率;
步骤3.2:将步骤2.2中图像块Bv提取的颜色分量和输入完成训练的三通道卷积神经网络中;将卷积神经网络第一个全连接层的dz维输出向量z作为图像块Bv的特征表达。
5.根据权利要求1所述的基于多颜色空间卷积神经网络及随机森林的计算机生成图片检测方法,其特征在于,所述步骤4包括如下步骤:
步骤4.1:对三通道卷积神经网络的输出特征表达构造随机森林(Random Forest,简称RF)分类器;RF分类器将CART决策树作为基础分类器;假设训练集样本为Dori={(z1,y1),(z2,y2),...,(zM,yM)},其中zi表示第i个图像块通过三通道卷积神经网络的输出特征表达,yi表示第i个图像块对应的分类标签,取值为1或0;M表示训练集样本数量;基础分类器数量设置为K;具体的,RF分类器的生成过程如下:
步骤4.1.1:对训练集Dori进行随机采样,在采样过程中,使用有放回的采样方式,直到采集M次,最后,可以得到一个包含M个样本的数据集D;
步骤4.1.2:用数据集D训练CART决策树模型F(x),具体的,CART决策树的生成过程如下:
步骤4.1.2.1:使用数据集D,随机选择特征表达z中的d个属性构成子集zsub(d<dz),其中特征表达z的每一个维度表示一个属性;
步骤4.1.2.2:对于zsub中的每个元素,将数据集D中该元素所有可能的取值组成集合A,对集合A中所有取值进行从大到小的排序,排序后相邻两个取值at和at+1的平均值作为划分值根据大于和小于等于将集合D划分为和依次计算每个划分值的Gini_index系数,Gini_index系数的定义如下:
其中|·|表示计算集合中元素的个数,pn表示在数据集D中第n类样本所占的比例,Nc表示样本类别的总数;
步骤4.1.2.3:在属性集合zsub中,选择使划分后Gini_index系数最小的属性作为最优划分属性zsub,*,若数据集D第一次进行划分,则将zsub,*作为CART决策树模型F(x)的根节点,并得到划分后的样本集合;
步骤4.1.2.4:对步骤4.1.2.3获得划分后的样本集合,重复步骤4.1.2.1到4.1.2.3继续划分分支节点,直到满足下列条件则不再划分并令当前分支节点为叶子节点:(1)当前分支节点的样本属于同一类别;(2)当前分支点的属性集为空或所有样本在所有属性上取值相同;(3)当前分支节点包含的样本集为空;如果节点层数达到预设值L,则该节点不再划分并设为叶子结点;
步骤4.1.3:重复步骤4.1.1和步骤4.1.2,直到基础分类器数目达到预设最大值K;
步骤4.2:得到由K个决策树构成的随机森林分类器fr(x),随机森林分类器的分类结果由基础分类器通过多数投票确定。
6.根据权利要求1所述的基于多颜色空间卷积神经网络及随机森林的计算机生成图片检测方法,其特征在于,所述步骤5包括如下步骤:
步骤5.1:将输入图像的所有图像分块对应的特征表达输入随机森林分类器fr(x)得到分类结果的集合C={c1,...,cV},如果分类器判断输入图像分块是由计算机生成,则分类结果取值为1,反之为0;
步骤5.2:对C采用多数投票的决策方法检测输入图片是计算机生成图片还是自然图片;投票分数如果大于阈值则判断输入图片为计算机生成图片,反之为自然图片;阈值设置为
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910200371.7A CN109948692B (zh) | 2019-03-16 | 2019-03-16 | 基于多颜色空间卷积神经网络及随机森林的计算机生成图片检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910200371.7A CN109948692B (zh) | 2019-03-16 | 2019-03-16 | 基于多颜色空间卷积神经网络及随机森林的计算机生成图片检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109948692A true CN109948692A (zh) | 2019-06-28 |
CN109948692B CN109948692B (zh) | 2020-12-15 |
Family
ID=67008970
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910200371.7A Expired - Fee Related CN109948692B (zh) | 2019-03-16 | 2019-03-16 | 基于多颜色空间卷积神经网络及随机森林的计算机生成图片检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109948692B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110348396A (zh) * | 2019-07-15 | 2019-10-18 | 南京信息工程大学 | 一种基于深度学习的道路上方文字交通标志识别方法及装置 |
CN110874617A (zh) * | 2019-11-26 | 2020-03-10 | 南京农业大学 | 一种冬小麦叶片氮含量估算模型的建立方法 |
CN111474186A (zh) * | 2020-03-31 | 2020-07-31 | 安徽理工大学 | 一种x光成像和cnn的快递包裹违禁品检测方法 |
CN111524140A (zh) * | 2020-04-21 | 2020-08-11 | 广东职业技术学院 | 基于cnn和随机森林法的医学图像语义分割方法 |
CN112508039A (zh) * | 2020-12-08 | 2021-03-16 | 中国银联股份有限公司 | 一种图像检测方法及装置 |
TWI739401B (zh) * | 2020-04-22 | 2021-09-11 | 國立中央大學 | 物件分類方法及物件分類裝置 |
CN117036267A (zh) * | 2023-08-01 | 2023-11-10 | 广州伊索自动化科技有限公司 | 一种曲面印刷检测方法、系统及存储介质 |
US11930307B2 (en) | 2020-04-17 | 2024-03-12 | Beijing Baidu Netcom Science Technology Co., Ltd. | Image processing method and apparatus, electronic device and computer-readable storage medium |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106991374A (zh) * | 2017-03-07 | 2017-07-28 | 中国矿业大学 | 基于卷积神经网络和随机森林的手写数字识别方法 |
CN107330432A (zh) * | 2017-07-07 | 2017-11-07 | 郑州禅图智能科技有限公司 | 一种基于加权霍夫投票的多视角车辆检测方法 |
CN107977671A (zh) * | 2017-10-27 | 2018-05-01 | 浙江工业大学 | 一种基于多任务卷积神经网络的舌象分类方法 |
US20180260665A1 (en) * | 2017-03-07 | 2018-09-13 | Board Of Trustees Of Michigan State University | Deep learning system for recognizing pills in images |
CN108596141A (zh) * | 2018-05-08 | 2018-09-28 | 深圳大学 | 一种深度网络生成人脸图像的检测方法及系统 |
CN108985165A (zh) * | 2018-06-12 | 2018-12-11 | 东南大学 | 一种基于卷积及循环神经网络的视频拷贝检测系统及方法 |
CN109285112A (zh) * | 2018-09-25 | 2019-01-29 | 京东方科技集团股份有限公司 | 基于神经网络的图像处理方法、图像处理装置 |
-
2019
- 2019-03-16 CN CN201910200371.7A patent/CN109948692B/zh not_active Expired - Fee Related
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106991374A (zh) * | 2017-03-07 | 2017-07-28 | 中国矿业大学 | 基于卷积神经网络和随机森林的手写数字识别方法 |
US20180260665A1 (en) * | 2017-03-07 | 2018-09-13 | Board Of Trustees Of Michigan State University | Deep learning system for recognizing pills in images |
CN107330432A (zh) * | 2017-07-07 | 2017-11-07 | 郑州禅图智能科技有限公司 | 一种基于加权霍夫投票的多视角车辆检测方法 |
CN107977671A (zh) * | 2017-10-27 | 2018-05-01 | 浙江工业大学 | 一种基于多任务卷积神经网络的舌象分类方法 |
CN108596141A (zh) * | 2018-05-08 | 2018-09-28 | 深圳大学 | 一种深度网络生成人脸图像的检测方法及系统 |
CN108985165A (zh) * | 2018-06-12 | 2018-12-11 | 东南大学 | 一种基于卷积及循环神经网络的视频拷贝检测系统及方法 |
CN109285112A (zh) * | 2018-09-25 | 2019-01-29 | 京东方科技集团股份有限公司 | 基于神经网络的图像处理方法、图像处理装置 |
Non-Patent Citations (2)
Title |
---|
HUAXIAO MO等: "Fake Faces Identification via Convolutional Neural Network", 《SESSION: BIOMETRICS AND FORENSICS》 * |
于志鹏: "基于对抗神经网络的人脸图片属性识别与生成", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110348396A (zh) * | 2019-07-15 | 2019-10-18 | 南京信息工程大学 | 一种基于深度学习的道路上方文字交通标志识别方法及装置 |
CN110874617A (zh) * | 2019-11-26 | 2020-03-10 | 南京农业大学 | 一种冬小麦叶片氮含量估算模型的建立方法 |
CN111474186A (zh) * | 2020-03-31 | 2020-07-31 | 安徽理工大学 | 一种x光成像和cnn的快递包裹违禁品检测方法 |
US11930307B2 (en) | 2020-04-17 | 2024-03-12 | Beijing Baidu Netcom Science Technology Co., Ltd. | Image processing method and apparatus, electronic device and computer-readable storage medium |
CN111524140A (zh) * | 2020-04-21 | 2020-08-11 | 广东职业技术学院 | 基于cnn和随机森林法的医学图像语义分割方法 |
CN111524140B (zh) * | 2020-04-21 | 2023-05-12 | 广东职业技术学院 | 基于cnn和随机森林法的医学图像语义分割方法 |
TWI739401B (zh) * | 2020-04-22 | 2021-09-11 | 國立中央大學 | 物件分類方法及物件分類裝置 |
CN112508039A (zh) * | 2020-12-08 | 2021-03-16 | 中国银联股份有限公司 | 一种图像检测方法及装置 |
CN112508039B (zh) * | 2020-12-08 | 2024-04-02 | 中国银联股份有限公司 | 一种图像检测方法及装置 |
CN117036267A (zh) * | 2023-08-01 | 2023-11-10 | 广州伊索自动化科技有限公司 | 一种曲面印刷检测方法、系统及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109948692B (zh) | 2020-12-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109948692A (zh) | 基于多颜色空间卷积神经网络及随机森林的计算机生成图片检测方法 | |
CN109543606B (zh) | 一种加入注意力机制的人脸识别方法 | |
Andrearczyk et al. | Using filter banks in convolutional neural networks for texture classification | |
CN110349136A (zh) | 一种基于深度学习的篡改图像检测方法 | |
CN108921822A (zh) | 基于卷积神经网络的图像目标计数方法 | |
CN107704877A (zh) | 一种基于深度学习的图像隐私感知方法 | |
CN109492416A (zh) | 一种基于安全区域的大数据图像保护方法和系统 | |
CN108648197A (zh) | 一种基于图像背景掩膜的目标候选区域提取方法 | |
CN106529508A (zh) | 基于局部和非局部多特征语义高光谱图像分类方法 | |
CN106339998A (zh) | 基于对比度金字塔变换的多聚焦图像融合方法 | |
CN112884758B (zh) | 一种基于风格迁移方法的缺陷绝缘子样本生成方法及系统 | |
CN111627080B (zh) | 基于卷积神经与条件生成对抗性网络的灰度图像上色方法 | |
CN109977830A (zh) | 基于颜色纹理双通道卷积神经网络及循环神经网络的人脸融合检测方法 | |
CN112257741B (zh) | 一种基于复数神经网络的生成性对抗虚假图片的检测方法 | |
CN112818777B (zh) | 一种基于密集连接与特征增强的遥感图像目标检测方法 | |
CN109919921B (zh) | 基于生成对抗网络的环境影响程度建模方法 | |
CN110390673A (zh) | 一种监控场景下基于深度学习的香烟自动检测方法 | |
CN112561876A (zh) | 基于图像的池塘和水库的水质检测方法及系统 | |
CN109145971A (zh) | 基于改进匹配网络模型的单样本学习方法 | |
CN109859204A (zh) | 卷积神经网络模型检验方法及装置 | |
CN104182771A (zh) | 基于带丢包自动编码技术的时间序列数据图形化分析方法 | |
CN113642621A (zh) | 基于生成对抗网络的零样本图像分类方法 | |
CN111798530A (zh) | 一种遥感图像分类方法 | |
CN112257496A (zh) | 一种基于深度学习的输电通道周围环境分类方法及系统 | |
CN116309228A (zh) | 基于生成对抗网络的可见光图像转换红外图像方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20201215 |