CN110533632A - 图像模糊篡改检测方法、装置、计算机设备和存储介质 - Google Patents

图像模糊篡改检测方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN110533632A
CN110533632A CN201910649022.3A CN201910649022A CN110533632A CN 110533632 A CN110533632 A CN 110533632A CN 201910649022 A CN201910649022 A CN 201910649022A CN 110533632 A CN110533632 A CN 110533632A
Authority
CN
China
Prior art keywords
block
measured
feature
fuzzy
pixel
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
Application number
CN201910649022.3A
Other languages
English (en)
Other versions
CN110533632B (zh
Inventor
谭峻峰
侯全心
张小可
陈俊臣
杜海华
陈姝
陈默
常丹丹
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Digital Guangdong Network Construction Co Ltd
Original Assignee
Digital Guangdong Network Construction Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Digital Guangdong Network Construction Co Ltd filed Critical Digital Guangdong Network Construction Co Ltd
Priority to CN201910649022.3A priority Critical patent/CN110533632B/zh
Publication of CN110533632A publication Critical patent/CN110533632A/zh
Application granted granted Critical
Publication of CN110533632B publication Critical patent/CN110533632B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/513—Sparse representations

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Quality & Reliability (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本申请涉及一种图像模糊篡改检测方法、装置、计算机设备和存储介质。所述方法包括：获取待测输入图像；提取所述待测输入图像的奇异值特征，处理得到点特征模糊响应图，以及，提取所述待测输入图像的像素块特征，处理得到块特征模糊响应图；计算所述点特征模糊响应图与所述块特征模糊响应图的加权融合，得到点块融合模糊响应图；将所述点块融合模糊响应图进行均值聚类，确定所述待测输入图像的模糊篡改区域。采用本方法，通过结合图像点特征与块特征的全面分析，能够准确定位图像的模糊篡改区域，进而有效提高模糊篡改图像的检测准确率。

Description

图像模糊篡改检测方法、装置、计算机设备和存储介质
技术领域
本申请涉及图像处理领域，特别是涉及一种图像模糊篡改检测方法、装置、计算机设备和存储介质。
背景技术
目前，数字成像设备已成为现代生活不可或缺的物品，而随着各类编辑软件的快速发展，人们对数字图像的修改与编辑变的越来越便捷，这无疑会出现将图像篡改内容错认为重要信息的情况，极易误导人们，以致对社会造成不良影响。因此，图像检测取证技术作为当前研究热点之一，急需得到快速改进。
其中，人为使用编辑软件篡改原图信息的“人工模糊”是当前最为普遍的操作，而现有的图像模糊篡改检测方法主要包括两类：一是基于学习对模糊函数进行预测的方法，二是基于模糊特征提取的方法。针对基于学习预测的方法，需依赖于大量的数据集与机器学习，易产生过拟合，使得算法准确率不高；而基于特征提取的方法，主要针对不同的特征进行统计分析，虽可有效对抗平滑纹理清晰块以检测出篡改区域，但是，人工模糊区域与一些平滑纹理清晰块在多域下检测统计特性依然很难区分。
因此，现有的图像模糊篡改检测方法存在检测准确率低的问题。
发明内容
基于此，有必要针对上述图像模糊篡改检测方法，存在着检测准确率低的技术问题，提供一种能够合理解决上述技术问题的图像模糊篡改检测方法、装置、计算机设备和存储介质。
一种图像模糊篡改检测方法，包括如下步骤：
获取待测输入图像；
提取所述待测输入图像的奇异值特征，处理得到点特征模糊响应图，以及，提取所述待测输入图像的像素块特征，处理得到块特征模糊响应图；
计算所述点特征模糊响应图与所述块特征模糊响应图的加权融合，得到点块融合模糊响应图；
将所述点块融合模糊响应图进行均值聚类，确定所述待测输入图像的模糊篡改区域。
在其中一个实施例中，在所述提取所述待测输入图像的奇异值特征，得到点特征模糊响应图之前，还包括：
确定预设的高斯核方差尺度；
将所述待测输入图像按照所述高斯核方差尺度进行高斯滤波，得到高频噪声滤除的待测输入图像。
在其中一个实施例中，所述提取所述待测输入图像的奇异值特征，处理得到点特征模糊响应图，包括：
将所述待测输入图像进行灰度转换，得到待测灰度图像；
检测所述待测灰度图像的图像边界，获取待测梯度图像；
提取所述待测梯度图像的奇异值特征，并将所述奇异值特征进行L维子带分解，得到L个子带模糊响应图；L≥1；
将所述L个子带模糊响应图进行融合，得到所述点特征模糊响应图。
在其中一个实施例中，所述提取所述待测梯度图像的奇异值特征，并将所述奇异值特征进行L维子带分解，得到L个子带模糊响应图，包括：
确定预设的特征采集尺度；
根据所述特征采集尺度，提取所述待测梯度图像的奇异值特征，得到多个候选奇异值特征；所述多个候选奇异值特征的数量与所述特征采集尺度相等；
获取所述多个候选奇异值特征中的高频奇异值特征；
将所述高频奇异值特征进行L维子带分解，得到所述L个子带模糊响应图。
在其中一个实施例中，所述提取所述待测输入图像的像素块特征，处理得到块特征模糊响应图，包括：
将所述待测输入图像进行超像素分割，得到多个像素块；
获取所述多个像素块的局部空域特征，以及，获取所述多个像素块的色彩通道特征；
将所述多个像素块的局部空域特征与色彩通道特征进行融合，得到高维特征矩阵；
计算所述高维特征矩阵的最小二乘解，得到所述块特征模糊响应图。
在其中一个实施例中，所述获取所述多个像素块的局部空域特征，包括：
获取所述多个像素块的中心点坐标，以及，计算所述多个像素块的像素块面积；所述中心点坐标包括中心点横坐标和中心点纵坐标；
通过所述中心点横坐标、所述中心点纵坐标和所述像素块面积，构建像素块特征矩阵；
确定所述像素块特征矩阵，作为所述局部空域特征。
在其中一个实施例中，所述获取所述多个像素块的色彩通道特征，包括：
获取所述多个像素块的通道色彩信息；所述通道色彩信息为预设通道的色彩信息；
根据所述通道色彩信息，计算所述多个像素块的欧式距离和值；
当所述通道包括有多个通道时，统计所述多个通道下的欧式距离和值，作为所述色彩通道特征。
在其中一个实施例中，所述将所述点块融合模糊响应图进行均值聚类，确定所述待测输入图像的模糊篡改区域，包括：
确定所述点块融合模糊响应图中的像素点；
通过预设的权重函数，计算所述像素点与相邻像素点的偏移向量之和，得到像素点偏移向量；所述相邻像素点为所述像素点的相邻像素点；
计算所述像素点偏移向量的平均值，得到所述像素点的平均偏移向量；
根据所述平均偏移向量，确定所述待测输入图像的模糊篡改区域。
在其中一个实施例中，所述像素点包括多个像素点，所述根据所述平均偏移向量，确定所述待测输入图像的模糊篡改区域，包括：
将所述多个像素点的平均偏移向量进行匹配；
获取目标像素点集合；所述目标像素点集合包括多个平均偏移向量相匹配的像素点；
确定所述目标像素点集合，作为所述待测输入图像的模糊篡改区域。
一种图像模糊篡改检测装置，包括：
图像获取模块，用于获取待测输入图像；
特征提取模块，用于提取所述待测输入图像的奇异值特征，得到点特征模糊响应图，以及，提取所述待测输入图像的像素块特征，得到块特征模糊响应图；
加权融合模块，用于计算所述点特征模糊响应图与所述块特征模糊响应图的加权融合，得到点块融合模糊响应图；
均值聚类模块，用于将所述点块融合模糊响应图进行均值聚类，确定所述待测输入图像的模糊篡改区域。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取待测输入图像；
提取所述待测输入图像的奇异值特征，处理得到点特征模糊响应图，以及，提取所述待测输入图像的像素块特征，处理得到块特征模糊响应图；
计算所述点特征模糊响应图与所述块特征模糊响应图的加权融合，得到点块融合模糊响应图；
将所述点块融合模糊响应图进行均值聚类，确定所述待测输入图像的模糊篡改区域。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取待测输入图像；
提取所述待测输入图像的奇异值特征，处理得到点特征模糊响应图，以及，提取所述待测输入图像的像素块特征，处理得到块特征模糊响应图；
计算所述点特征模糊响应图与所述块特征模糊响应图的加权融合，得到点块融合模糊响应图；
将所述点块融合模糊响应图进行均值聚类，确定所述待测输入图像的模糊篡改区域。
上述图像模糊篡改检测方法、装置、计算机设备和存储介质，服务器通过获取待测输入图像得到处理对象，进而针对处理对象提取其奇异值特征和像素块特征，分别得到点特征模糊响应图和块特征模糊响应图，在计算两种模糊响应图的加权融合得到点块融合模糊响应图之后，再进行均值聚类，即可确定该待测输入图像的模糊篡改区域。采用本方案，结合图像点特征与块特征的全面分析，可有效提高模糊篡改图像的检测准确率。
附图说明
图1为一个实施例中图像模糊篡改检测方法的应用环境图；
图2为一个实施例中图像模糊篡改检测方法的流程示意图；
图3为一个实施例中待测输入图像的效果示意图；
图4为一个实施例中图像模糊篡改区域的检测效果图；
图5为一个实施例中图像模糊篡改检测装置的结构框图；
图6为一个具体实施例中图像模糊篡改检测方法的流程示意图；
图7为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本发明所提供的一种图像模糊篡改检测方法，可以应用于如图1所示的应用环境中。在一个图像模糊篡改检测系统中，可以包括有终端102和服务器104，其中，终端102与服务器104通过网络建立通信连接，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机和平板电脑，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种图像模糊篡改检测方法，以该方法应用于图1中的服务器104为例进行说明，包括如下步骤：
步骤S210，获取待测输入图像。
其中，待测输入图像可以是数字待测图片。
具体实现中，服务器104获取待测输入图像，可以是通过终端102获取，即当用户通过终端102上传待测输入图像后，终端102将接收到的待测输入图像发送至服务器104，以使服务器104接收待测输入图像，作为后续图像处理依据。
例如，可参阅图3，图3为一个实施例中待测输入图像的效果示意图，即用户上传以及服务器104获取到的待测输入图像可呈现为图3所示。
步骤S220，提取所述待测输入图像的奇异值特征，处理得到点特征模糊响应图，以及，提取所述待测输入图像的像素块特征，处理得到块特征模糊响应图。
其中，奇异值(Singular Value Decomposition，SVD)是矩阵里的概念，一般通过奇异值分解定理求得。奇异值分解是线性代数和矩阵论中一种重要的矩阵分解法，适用于信号处理和统计学等领域。
其中，奇异值特征可以是图像中计算奇异值SVD得到的点特征，即计算待测输入图像中各像素点的奇异值，作为奇异值特征。
其中，点特征模糊响应图可以是由奇异值特征矩阵化形成的模糊图片，该图片针对模糊特点的点特征提取所得。
其中，像素块特征可以是图像中的块特征，即以块作单位在待测输入图像中的局部特征。
其中，块特征模糊响应图可以是由像素块特征解析构建的模糊图片，该图片针对模糊特点的块特征提取所得。
具体实现中，服务器104将针对待测输入图像作奇异值特征和像素块特征提取，两种特征提取顺序可以是同步进行，也可以是根据实际需要设定先后顺序。首先，服务器104进行奇异值特征提取之前，可能存在待测输入图像噪声过高的情况，影响图像模糊篡改检测准确率，因此需对待测输入图像进行滤噪处理，即对输入图像进行高斯滤波，高斯核方差尺度可根据实际需要任意设定。
然后，针对滤波后的待测输入图像，服务器104将进行：
步骤S2201，梯度图像提取处理，即通过prewitt算子提取待测输入图像的边缘信息得到梯度图像；
步骤S2202，针对梯度图像中的单个像素点，按预设尺度进行奇异值分解，筛选出奇异值特征向量。例如，选取四个尺度，利用块逐点对梯度图像进行扫描，针对每个块进行奇异值分解，可分解成两个正交矩阵与一个降序的对角矩阵，提取对角矩阵上的非零值即可得到奇异值特征向量：
其中，是一个长为(n-k+1)的向量，表示不同尺度下单个像素点的模糊特征，k＝round(αn)代表第K个特征值，round表示取整操作，α＝0.2。奇异值特征向量计算得到之后，把这四个尺度下的特征进行融合排序，以从小到大的顺序进行重排得到多尺度下单个像素点的模糊特征：
完成上述对奇异值特征的提取操作后，服务器104还需利用该奇异值特征进行步骤S2203的子带划分，以及步骤S2204的子带融合处理，即可最终得到点特征模糊响应图。
进一步地，针对待测输入图像的像素块特征提取，服务器104无需进行梯度处理，仅需包括如下步骤：
步骤S2211，利用超像素分割算法(simple linear iterative clustering，SLIC)对图像进行分块；
步骤S2212，遍历计算每个分割图块的中心点横坐标、中心点纵坐标和超像素块面积，融合形成局部空域特征；
步骤S2213，统计每个分割图块内RGB、HSV、LAB 9等多个维度的色彩信息，并在每个颜色通道下，遍历单个超像素块对比全局像素块，得到色彩通道特征；
步骤S2214，融合局部空域特征与色彩通道特征，构成高维矩阵；
步骤S2215，对高维矩阵进行矩阵预测，给超像素块进行打分后使用多尺度自适应阈值进行前景与背景分割，最后利用优化最小二乘问题求解得到参数μ；
步骤S2216，利用参数μ，根据色彩通道重建模糊篡改响应，最终得到块特征模糊响应图。
步骤S230，计算所述点特征模糊响应图与所述块特征模糊响应图的加权融合，得到点块融合模糊响应图。
其中，点块融合模糊响应图可以是包括奇异值特征与像素块特征融合形成的图像。
具体实现中，通过上述步骤S2201-S2204计算得到的点特征模糊响应图，以及步骤S2211-S2216计算得到的块特征模糊响应图，将通过稀疏重建加权融合处理，得到点块融合模糊响应图，表示为：
Ji,j＝αSi,j+βHi,j
其中，根据大量计算所得，优选α＝0.8、β＝0.2。
步骤S240，将所述点块融合模糊响应图进行均值聚类，确定所述待测输入图像的模糊篡改区域。
其中，物理或抽象对象的集合分成由类似的对象组成的多个类的过程被称为聚类。
其中，均值聚类可以是指聚类对象为参数均值。
具体实现中，服务器104进行图像加权融合得到点块融合模糊响应图之后，可进一步通过计算点块融合模糊响应图中单个像素点与它周围像素点的偏移向量之和，并求其平均得到该像素点的平均偏移向量大小与方向。由此，根据偏移向量确定像素点的所述同类别，即可确定模糊篡改区域，图像的模糊篡改区域检测效果图可参阅图4。
上述图像模糊篡改检测方法，服务器通过获取待测输入图像得到处理对象，进而针对处理对象提取其奇异值特征和像素块特征，分别得到点特征模糊响应图和块特征模糊响应图，在计算两种模糊响应图的加权融合得到点块融合模糊响应图之后，再进行均值聚类，即可确定该待测输入图像的模糊篡改区域。采用本方案，结合图像点特征与块特征的全面分析，可有效提高模糊篡改图像的检测准确率。
在一个实施例中，在所述步骤S220之前，还包括：
确定预设的高斯核方差尺度；将所述待测输入图像按照所述高斯核方差尺度进行高斯滤波，得到高频噪声滤除的待测输入图像。
其中，高斯核方差尺度可以是高斯核函数方差度量，例如，0.2、0.5等。
具体实现中，服务器104得到终端102发送的待测输入图像之后，为避免图像中的噪声干扰，首先需去除图像中的高频噪声，即利用预设的高斯核方差尺度进行高斯滤波，得到高频噪声滤除的待测输入图像后再分别进行点特征与块特征提取。本实施例及上述实施例中，可优选高斯核方差尺度设定为0.5进行滤波处理。
在一个实施例中，所述步骤S220包括：
将所述待测输入图像进行灰度转换，得到待测灰度图像；检测所述待测灰度图像的图像边界，获取待测梯度图像；提取所述待测梯度图像的奇异值特征，并将所述奇异值特征进行L维子带分解，得到L个子带模糊响应图；L≥1；将所述L个子带模糊响应图进行融合，得到所述点特征模糊响应图。
其中，子带可以是指在某一频带中有特定特性的一部分。
其中，L维可以是指子带数量的维度为L。
其中，L个子带模糊响应图可以是指子带模糊响应图为L个，L≥1。
具体实现中，服务器104利用待测输入图像进行高斯滤波后，首先将彩色的测输入图像进行灰度转换，得到待测灰度图像，然后利用prewitt算子检测待测输入图像的图像边缘，提取得到待测梯度图像。针对待测梯度图像的奇异值特征提取，可参照上述实施例中步骤S2202的过程计算。而针对奇异值特征进行L维子带分解，以及L个子带模糊响应图进行融合的步骤可以是：
步骤S2203，由上述实施例所述步骤S2202得到的高维模糊特征向量Si,j，将其分成不同的子带函数，定义为Si,j(t)，t∈[1,2,...,L]，表达式如下所示：
Si,j(t)＝[S(T-1)η+1,S(T-1)η+2,…STη]
其中，L＝4。单个像素点在第t个子带函数的特性向量可以表示为Si,j(t)与阶跃函数u(t)的卷积：
计算出单个像素点在t子带的特征，收集在第t个子带的所有像素点的模糊度，其第t个模糊响应图的计算如下所示：
St＝{Pi,j(t),0＜i≤m,0＜j≤c}
其中m和c分别代表图像的尺度大小，为了消除不同模糊子带响应图之间的量纲，利用离差标准化将每个子带的模糊响应图统一映射到区间[0，1]上。
步骤S2204，根据步骤S2203，可以计算出L个子带模糊响应图，进而利用能量公式求其最后的融合结果：
其中，α＝0.5、β＝0.5，表示最终需求的模糊响应图。具体包括：首先计算根据子带响应的尺寸与子带数计算图像节点模型g＝L×m×c，然后将归一化的特征通过节点马尔可夫迭代传播利用，直到等式收敛，即为最后的点特征模糊响应图。
在一个实施例中，所述提取所述待测梯度图像的奇异值特征，并将所述奇异值特征进行L维子带分解，得到L个子带模糊响应图，包括：
确定预设的特征采集尺度；根据所述特征采集尺度，提取所述待测梯度图像的奇异值特征，得到多个候选奇异值特征；所述多个候选奇异值特征的数量与所述特征采集尺度相等；获取所述多个候选奇异值特征中的高频奇异值特征；将所述高频奇异值特征进行L维子带分解，得到所述L个子带模糊响应图。
其中，特征采集尺度可以是SVD特征的划分尺度，例如，“15×15”、“45×45”等。
其中，多个候选奇异值特征可以是指多尺度的奇异值特征，多个候选奇异值特征中可以包含代表高频的高频奇异值特征，以及代表低频的低频奇异值特征。
具体实现中，服务器104利用prewitt算子提取得到待测梯度图像之后，将待测梯度图像按照预先设定的特征采集尺度，进行多尺度奇异值特征提取，得到多个候选奇异值特征，进而针对每个尺度下进行奇异值筛选，即筛选出代表高频的高频奇异值特征，组合形成高频奇异值特征向量，进而实施L维子带分解，得到L个子带模糊响应图。
在一个实施例中，所述步骤S220包括：
将所述待测输入图像进行超像素分割，得到多个像素块；获取所述多个像素块的局部空域特征，以及，获取所述多个像素块的色彩通道特征；将所述多个像素块的局部空域特征与色彩通道特征进行融合，得到高维特征矩阵；计算所述高维特征矩阵的最小二乘解，得到所述块特征模糊响应图。
其中，在计算机视觉领域中，图像分割指的是将数字图像细分为多个图像子区域(像素的集合)(也被称作超像素)的过程。超像素由一系列位置相邻且颜色、亮度、纹理等特征相似的像素点组成的小区域。这些小区域大多保留了进一步进行图像分割的有效信息，且一般不会破坏图像中物体的边界信息。
其中，局部空域特征可以是指像素块的中心点很坐标x、中心点纵坐标y以及像素块面积s融合形成的空域特征。
其中，色彩通道特征可以是指像素块内不同色彩信息物理特征。
其中，高维特征矩阵可以是指多个局部空域特征与多个色彩通道特征所组成的多维特征向量矩阵。
其中，在线性方程的求解或是数据曲线拟合中，利用最小二乘法求得的解则被称为最小二乘解，最小二乘法是一种数据优化技术，它通过最小化误差的平方和寻找数据的最佳函数匹配。其他一些优化问题也可通过最小化能量或最大化熵用最小二乘法来表达。
具体实现中，块特征模糊响应图的获取方式可参照上述实施例中所述的步骤S2211-S2216，在此不再赘述。
此外，在本实施例以及上述实施例所包括的步骤S2211-S2216描述中，步骤S2214具体包括：融合局部空域特征与色彩通道特征，构成高维矩阵的公式包括其中，N表示超像素块个数，P表示共有P维特征，优选P＝12；步骤S2215具体包括：利用进行超像素预测打分，多尺度自适应阈值进行前景与背景分割，分割后的结果为之后利用优化最小二乘问题求解μ，计算公式为其中U是一个M维向量，背景为0，前景为1。利用最小二乘的方法求解μ；步骤S2216具体包括：通过所得到的参数μ，再根据色彩通道其中γs取值为{0.5,1,1.5,2}，重建模糊响应：i＝1,2,…N，其中xi表示超像素块的特征，l表示9维的色彩通道。
在一个实施例中，所述获取所述多个像素块的局部空域特征，包括：
获取所述多个像素块的中心点坐标，以及，计算所述多个像素块的像素块面积；所述中心点坐标包括中心点横坐标和中心点纵坐标；通过所述中心点横坐标、所述中心点纵坐标和所述像素块面积，构建像素块特征矩阵；确定所述像素块特征矩阵，作为所述局部空域特征。
其中，假设在本实施例中包括有N个像素块，则第i个像素块的中心点横坐标表示为xi，中心点纵坐标表示为yi,像素块面积表示为si。
具体实现中，局部空域特征表示为Ci，则根据像素块的中心点横坐标中心点纵坐标、像素块面积构建像素块特征矩阵的公式如下：
Ci＝[xi yi si]
在一个实施例中，所述获取所述多个像素块的色彩通道特征，包括：
获取所述多个像素块的通道色彩信息；所述通道色彩信息为预设通道的色彩信息；根据所述通道色彩信息，计算所述多个像素块的欧式距离和值；当所述通道包括有多个通道时，统计所述多个通道下的欧式距离和值，作为所述色彩通道特征。
其中，通道色彩信息包括业界设定的颜色标准所含信息，例如，RGB、HSV、LAB 9、YUV等。
其中，欧式距离可以是指欧几里得距离或欧几里得度量，欧式距离是欧几里得空间中两点间“普通”(即直线)距离。
其中，欧式距离和值可以是指N个像素块在不同色彩通道下的欧式距离之和。
具体实现中，色彩通道特征的计算公式如下：
其中d(fi-fj)表示第ith和第jth个超像素块的欧式距离，D表示不同的颜色通道，N表示超像素块的个数。
在一个实施例中，所述步骤S240，包括：
确定所述点块融合模糊响应图中的像素点；通过预设的权重函数，计算所述像素点与相邻像素点的偏移向量之和，得到像素点偏移向量；所述相邻像素点为所述像素点的相邻像素点；计算所述像素点偏移向量的平均值，得到所述像素点的平均偏移向量；根据所述平均偏移向量，确定所述待测输入图像的模糊篡改区域。
其中，权重函数可以是针对点特征模糊响应图、块特征模糊响应图的加权和函数。
具体实现中，服务器104计算得到加权融合的点块融合模糊响应图之后，首先计算点块融合模糊响应图中的单个像素点xi在权重函数下通过计算与它周围像素点的偏移向量之和，求其平均，即可得到该像素点xi的平均偏移向量大小与方向，进而根据偏移向量确定是否属于同一族像素点，计算公式包括：
m(x)＝xi-x
其中m(x)表示偏移向量，xi表示像素的值，x是块内的均值。h表示以中心像素xi为中心块的尺寸。g(·)选用最常见的核函数高斯函数。当平均偏移向量m(x)>ε通过公式继续更新xi。当条件不满足时，停止迭代。
在一个实施例中，所述像素点包括多个像素点，所述根据所述平均偏移向量，确定所述待测输入图像的模糊篡改区域，包括：
将所述多个像素点的平均偏移向量进行匹配；获取目标像素点集合；所述目标像素点集合包括多个平均偏移向量相匹配的像素点；确定所述目标像素点集合，作为所述待测输入图像的模糊篡改区域。
其中，目标像素点集合可以是包括平均偏移向量均匹配相等的多个像素点。
具体实现中，服务器104可利用平均偏移向量的匹配结果，确定多个相匹配像素点所形成的目标像素点集合作为图像的模糊篡改区域。
根据本发明实施例提供的方案，服务器可结合图像点特征与块特征的全面分析，准确定位图像的模糊篡改区域，进而有效提高模糊篡改图像的检测准确率。
应该理解的是，虽然图2的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图5所示，提供了一种图像模糊篡改检测装置，包括图像获取模块510、特征提取模块520、加权融合模块530和均值聚类模块540，其中：
图像获取模块510，用于获取待测输入图像；
特征提取模块520，用于提取所述待测输入图像的奇异值特征，得到点特征模糊响应图，以及，提取所述待测输入图像的像素块特征，得到块特征模糊响应图；
加权融合模块530，用于计算所述点特征模糊响应图与所述块特征模糊响应图的加权融合，得到点块融合模糊响应图；
均值聚类模块540，用于将所述点块融合模糊响应图进行均值聚类，确定所述待测输入图像的模糊篡改区域。
根据本发明实施例提供的方案，服务器通过获取待测输入图像得到处理对象，进而针对处理对象提取其奇异值特征和像素块特征，分别得到点特征模糊响应图和块特征模糊响应图，在计算两种模糊响应图的加权融合得到点块融合模糊响应图之后，再进行均值聚类，即可确定该待测输入图像的模糊篡改区域。采用本方案，结合图像点特征与块特征的全面分析，可有效提高模糊篡改图像的检测准确率。
在一个实施例中，所述装置还包括：
方差尺度确定模块，用于确定预设的高斯核方差尺度；高斯滤波模块，用于将所述待测输入图像按照所述高斯核方差尺度进行高斯滤波，得到高频噪声滤除的待测输入图像。
在一个实施例中，所述特征提取模块520，包括：
灰度转换子模块，用于将所述待测输入图像进行灰度转换，得到待测灰度图像；图像边界检测子模块，用于检测所述待测灰度图像的图像边界，获取待测梯度图像；奇异值特征提取子模块，用于提取所述待测梯度图像的奇异值特征，并将所述奇异值特征进行L维子带分解，得到L个子带模糊响应图；L≥1；响应图融合子模块，用于将所述L个子带模糊响应图进行融合，得到所述点特征模糊响应图。
在一个实施例中，所述奇异值特征提取子模块，包括：
特征采集尺度确定单元，用于确定预设的特征采集尺度；候选特征提取单元，用于根据所述特征采集尺度，提取所述待测梯度图像的奇异值特征，得到多个候选奇异值特征；所述多个候选奇异值特征的数量与所述特征采集尺度相等；高频特征获取单元，用于获取所述多个候选奇异值特征中的高频奇异值特征；子带分解单元，用于将所述高频奇异值特征进行L维子带分解，得到所述L个子带模糊响应图。
在一个实施例中，所述特征提取模块520，包括：
超像素分割子模块，用于将所述待测输入图像进行超像素分割，得到多个像素块；局部空域特征获取子模块，用于获取所述多个像素块的局部空域特征，以及，获取所述多个像素块的色彩通道特征；特征融合子模块，用于将所述多个像素块的局部空域特征与色彩通道特征进行融合，得到高维特征矩阵；高维特征矩阵计算子模块，用于计算所述高维特征矩阵的最小二乘解，得到所述块特征模糊响应图。
在一个实施例中，所述局部空域特征获取子模块，包括：
中心点坐标获取单元，用于获取所述多个像素块的中心点坐标，以及，计算所述多个像素块的像素块面积；所述中心点坐标包括中心点横坐标和中心点纵坐标；特征矩阵构建单元，用于通过所述中心点横坐标、所述中心点纵坐标和所述像素块面积，构建像素块特征矩阵；局部空域特征确定单元，用于确定所述像素块特征矩阵，作为所述局部空域特征。
在一个实施例中，所述局部空域特征获取子模块，包括：
通道色彩信息获取单元，用于获取所述多个像素块的通道色彩信息；所述通道色彩信息为预设通道的色彩信息；欧式距离和值计算单元，用于根据所述通道色彩信息，计算所述多个像素块的欧式距离和值；欧式距离和值统计单元，用于当所述通道包括有多个通道时，统计所述多个通道下的欧式距离和值，作为所述色彩通道特征。
在一个实施例中，所述均值聚类模块540，包括：
像素点确定子模块，用于确定所述点块融合模糊响应图中的像素点；像素点偏移向量计算子模块，用于通过预设的权重函数，计算所述像素点与相邻像素点的偏移向量之和，得到像素点偏移向量；所述相邻像素点为所述像素点的相邻像素点；平均偏移向量计算子模块，用于计算所述像素点偏移向量的平均值，得到所述像素点的平均偏移向量；模糊篡改区域确定子模块，用于根据所述平均偏移向量，确定所述待测输入图像的模糊篡改区域。
在一个实施例中，所述像素点包括多个像素点，所述模糊篡改区域确定子模块，包括：
平均偏移向量匹配单元，用于将所述多个像素点的平均偏移向量进行匹配；目标像素点集合获取单元，用于获取目标像素点集合；所述目标像素点集合包括多个平均偏移向量相匹配的像素点；目标像素点集合确定单元，用于确定所述目标像素点集合，作为所述待测输入图像的模糊篡改区域。
根据本发明实施例提供的方案，服务器可结合图像点特征与块特征的全面分析，准确定位图像的模糊篡改区域，进而有效提高模糊篡改图像的检测准确率。
关于图像模糊篡改检测装置的具体限定，可以参见上文中对图像模糊篡改检测方法的限定，在此不再赘述。上述图像模糊篡改检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
为了便于本领域技术人员深入理解本申请实施例，以下将结合图6说明一个具体示例。图6是本申请实施例的一种图像模糊篡改检测流程的示意图。从图中可见，服务器首先通过终端获取待测输入图像，进而对待测输入图像进行高斯滤波，以便滤除该图像的高频噪声，用于针对该噪声去除的待测输入图像进行梯度图像提取、超像素分块，即分别针对待测输入图像进行点特征提取与块特征提取，以便结合图像点特征、块特征实现对图像的模糊篡改检测。其中，针对图像的点特征提取包括图中所示的左分支流程，即在得到待测梯度图像之后，将图像进行多尺度划分并检测奇异值，得到多尺度奇异值特征，进而筛选代表高频的奇异值特征，进行子带降维、子带融合等操作，得到点特征模糊响应图；针对图像的块特征提取包括图中所示的右分支流程，即在得到超像素分块之后，对多个像素块进行块内域统计，以得到多个色彩通道下的局域特征，用于进行多域融合，进一步对超像素块进行打分后利用稀疏重建技术获取块特征模糊响应图。最后，将点特征模糊响应图与块特征模糊响应图进行均值聚类计算，实现对图像模糊篡改区域的定位。
根据本发明实施例提供的方案，通过结合图像点特征与块特征的全面分析，能够准确定位图像的模糊篡改区域，进而有效提高模糊篡改图像的检测准确率。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现图像模糊篡改检测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图7中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种车辆，所述车辆包括中控平台，所述中控平台，用于确定影像显示状态；根据所述影像显示状态，获取车辆行驶速度和车辆踏板参数；根据所述车辆行驶速度和所述车辆踏板参数，执行车载全景影像自动控制。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取待测输入图像；
提取所述待测输入图像的奇异值特征，处理得到点特征模糊响应图，以及，提取所述待测输入图像的像素块特征，处理得到块特征模糊响应图；
计算所述点特征模糊响应图与所述块特征模糊响应图的加权融合，得到点块融合模糊响应图；
将所述点块融合模糊响应图进行均值聚类，确定所述待测输入图像的模糊篡改区域。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
确定预设的高斯核方差尺度；将所述待测输入图像按照所述高斯核方差尺度进行高斯滤波，得到高频噪声滤除的待测输入图像。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
将所述待测输入图像进行灰度转换，得到待测灰度图像；检测所述待测灰度图像的图像边界，获取待测梯度图像；提取所述待测梯度图像的奇异值特征，并将所述奇异值特征进行L维子带分解，得到L个子带模糊响应图；L≥1；将所述L个子带模糊响应图进行融合，得到所述点特征模糊响应图。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
确定预设的特征采集尺度；根据所述特征采集尺度，提取所述待测梯度图像的奇异值特征，得到多个候选奇异值特征；所述多个候选奇异值特征的数量与所述特征采集尺度相等；获取所述多个候选奇异值特征中的高频奇异值特征；将所述高频奇异值特征进行L维子带分解，得到所述L个子带模糊响应图。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
将所述待测输入图像进行超像素分割，得到多个像素块；获取所述多个像素块的局部空域特征，以及，获取所述多个像素块的色彩通道特征；将所述多个像素块的局部空域特征与色彩通道特征进行融合，得到高维特征矩阵；计算所述高维特征矩阵的最小二乘解，得到所述块特征模糊响应图。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取所述多个像素块的中心点坐标，以及，计算所述多个像素块的像素块面积；所述中心点坐标包括中心点横坐标和中心点纵坐标；通过所述中心点横坐标、所述中心点纵坐标和所述像素块面积，构建像素块特征矩阵；确定所述像素块特征矩阵，作为所述局部空域特征。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取所述多个像素块的通道色彩信息；所述通道色彩信息为预设通道的色彩信息；根据所述通道色彩信息，计算所述多个像素块的欧式距离和值；当所述通道包括有多个通道时，统计所述多个通道下的欧式距离和值，作为所述色彩通道特征。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
确定所述点块融合模糊响应图中的像素点；通过预设的权重函数，计算所述像素点与相邻像素点的偏移向量之和，得到像素点偏移向量；所述相邻像素点为所述像素点的相邻像素点；计算所述像素点偏移向量的平均值，得到所述像素点的平均偏移向量；根据所述平均偏移向量，确定所述待测输入图像的模糊篡改区域。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
将所述多个像素点的平均偏移向量进行匹配；获取目标像素点集合；所述目标像素点集合包括多个平均偏移向量相匹配的像素点；确定所述目标像素点集合，作为所述待测输入图像的模糊篡改区域。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取待测输入图像；
提取所述待测输入图像的奇异值特征，处理得到点特征模糊响应图，以及，提取所述待测输入图像的像素块特征，处理得到块特征模糊响应图；
计算所述点特征模糊响应图与所述块特征模糊响应图的加权融合，得到点块融合模糊响应图；
将所述点块融合模糊响应图进行均值聚类，确定所述待测输入图像的模糊篡改区域。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
确定预设的高斯核方差尺度；将所述待测输入图像按照所述高斯核方差尺度进行高斯滤波，得到高频噪声滤除的待测输入图像。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
将所述待测输入图像进行灰度转换，得到待测灰度图像；检测所述待测灰度图像的图像边界，获取待测梯度图像；提取所述待测梯度图像的奇异值特征，并将所述奇异值特征进行L维子带分解，得到L个子带模糊响应图；L≥1；将所述L个子带模糊响应图进行融合，得到所述点特征模糊响应图。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
确定预设的特征采集尺度；根据所述特征采集尺度，提取所述待测梯度图像的奇异值特征，得到多个候选奇异值特征；所述多个候选奇异值特征的数量与所述特征采集尺度相等；获取所述多个候选奇异值特征中的高频奇异值特征；将所述高频奇异值特征进行L维子带分解，得到所述L个子带模糊响应图。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
将所述待测输入图像进行超像素分割，得到多个像素块；获取所述多个像素块的局部空域特征，以及，获取所述多个像素块的色彩通道特征；将所述多个像素块的局部空域特征与色彩通道特征进行融合，得到高维特征矩阵；计算所述高维特征矩阵的最小二乘解，得到所述块特征模糊响应图。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取所述多个像素块的中心点坐标，以及，计算所述多个像素块的像素块面积；所述中心点坐标包括中心点横坐标和中心点纵坐标；通过所述中心点横坐标、所述中心点纵坐标和所述像素块面积，构建像素块特征矩阵；确定所述像素块特征矩阵，作为所述局部空域特征。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取所述多个像素块的通道色彩信息；所述通道色彩信息为预设通道的色彩信息；根据所述通道色彩信息，计算所述多个像素块的欧式距离和值；当所述通道包括有多个通道时，统计所述多个通道下的欧式距离和值，作为所述色彩通道特征。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
确定所述点块融合模糊响应图中的像素点；通过预设的权重函数，计算所述像素点与相邻像素点的偏移向量之和，得到像素点偏移向量；所述相邻像素点为所述像素点的相邻像素点；计算所述像素点偏移向量的平均值，得到所述像素点的平均偏移向量；根据所述平均偏移向量，确定所述待测输入图像的模糊篡改区域。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
将所述多个像素点的平均偏移向量进行匹配；获取目标像素点集合；所述目标像素点集合包括多个平均偏移向量相匹配的像素点；确定所述目标像素点集合，作为所述待测输入图像的模糊篡改区域。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (12)

1.一种图像模糊篡改检测方法，其特征在于，包括如下步骤：
获取待测输入图像；
提取所述待测输入图像的奇异值特征，处理得到点特征模糊响应图，以及，提取所述待测输入图像的像素块特征，处理得到块特征模糊响应图；
计算所述点特征模糊响应图与所述块特征模糊响应图的加权融合，得到点块融合模糊响应图；
将所述点块融合模糊响应图进行均值聚类，确定所述待测输入图像的模糊篡改区域。
2.根据权利要求1所述的方法，其特征在于，在所述提取所述待测输入图像的奇异值特征，得到点特征模糊响应图之前，还包括：
确定预设的高斯核方差尺度；
将所述待测输入图像按照所述高斯核方差尺度进行高斯滤波，得到高频噪声滤除的待测输入图像。
3.根据权利要求1所述的方法，其特征在于，所述提取所述待测输入图像的奇异值特征，处理得到点特征模糊响应图，包括：
将所述待测输入图像进行灰度转换，得到待测灰度图像；
检测所述待测灰度图像的图像边界，获取待测梯度图像；
提取所述待测梯度图像的奇异值特征，并将所述奇异值特征进行L维子带分解，得到L个子带模糊响应图；L≥1；
将所述L个子带模糊响应图进行融合，得到所述点特征模糊响应图。
4.根据权利要求3所述的方法，其特征在于，所述提取所述待测梯度图像的奇异值特征，并将所述奇异值特征进行L维子带分解，得到L个子带模糊响应图，包括：
确定预设的特征采集尺度；
根据所述特征采集尺度，提取所述待测梯度图像的奇异值特征，得到多个候选奇异值特征；所述多个候选奇异值特征的数量与所述特征采集尺度相等；
获取所述多个候选奇异值特征中的高频奇异值特征；
将所述高频奇异值特征进行L维子带分解，得到所述L个子带模糊响应图。
5.根据权利要求1所述的方法，其特征在于，所述提取所述待测输入图像的像素块特征，处理得到块特征模糊响应图，包括：
将所述待测输入图像进行超像素分割，得到多个像素块；
获取所述多个像素块的局部空域特征，以及，获取所述多个像素块的色彩通道特征；
将所述多个像素块的局部空域特征与色彩通道特征进行融合，得到高维特征矩阵；
计算所述高维特征矩阵的最小二乘解，得到所述块特征模糊响应图。
6.根据权利要求5所述的方法，其特征在于，所述获取所述多个像素块的局部空域特征，包括：
获取所述多个像素块的中心点坐标，以及，计算所述多个像素块的像素块面积；所述中心点坐标包括中心点横坐标和中心点纵坐标；
通过所述中心点横坐标、所述中心点纵坐标和所述像素块面积，构建像素块特征矩阵；
确定所述像素块特征矩阵，作为所述局部空域特征。
7.根据权利要求5所述的方法，其特征在于，所述获取所述多个像素块的色彩通道特征，包括：
获取所述多个像素块的通道色彩信息；所述通道色彩信息为预设通道的色彩信息；
根据所述通道色彩信息，计算所述多个像素块的欧式距离和值；
当所述通道包括有多个通道时，统计所述多个通道下的欧式距离和值，作为所述色彩通道特征。
8.根据权利要求1所述的方法，其特征在于，所述将所述点块融合模糊响应图进行均值聚类，确定所述待测输入图像的模糊篡改区域，包括：
确定所述点块融合模糊响应图中的像素点；
通过预设的权重函数，计算所述像素点与相邻像素点的偏移向量之和，得到像素点偏移向量；所述相邻像素点为所述像素点的相邻像素点；
计算所述像素点偏移向量的平均值，得到所述像素点的平均偏移向量；
根据所述平均偏移向量，确定所述待测输入图像的模糊篡改区域。
9.根据权利要求8所述的方法，其特征在于，所述像素点包括多个像素点，所述根据所述平均偏移向量，确定所述待测输入图像的模糊篡改区域，包括：
将所述多个像素点的平均偏移向量进行匹配；
获取目标像素点集合；所述目标像素点集合包括多个平均偏移向量相匹配的像素点；
确定所述目标像素点集合，作为所述待测输入图像的模糊篡改区域。
10.一种图像模糊篡改检测装置，其特征在于，包括：
图像获取模块，用于获取待测输入图像；
特征提取模块，用于提取所述待测输入图像的奇异值特征，得到点特征模糊响应图，以及，提取所述待测输入图像的像素块特征，得到块特征模糊响应图；
加权融合模块，用于计算所述点特征模糊响应图与所述块特征模糊响应图的加权融合，得到点块融合模糊响应图；
均值聚类模块，用于将所述点块融合模糊响应图进行均值聚类，确定所述待测输入图像的模糊篡改区域。
11.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至9中任一项所述方法的步骤。
12.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至9中任一项所述的方法的步骤。
CN201910649022.3A 2019-07-18 2019-07-18 图像模糊篡改检测方法、装置、计算机设备和存储介质 Active CN110533632B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910649022.3A CN110533632B (zh) 2019-07-18 2019-07-18 图像模糊篡改检测方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910649022.3A CN110533632B (zh) 2019-07-18 2019-07-18 图像模糊篡改检测方法、装置、计算机设备和存储介质

Publications (2)

Publication Number Publication Date
CN110533632A true CN110533632A (zh) 2019-12-03
CN110533632B CN110533632B (zh) 2022-05-10

Family

ID=68661865

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910649022.3A Active CN110533632B (zh) 2019-07-18 2019-07-18 图像模糊篡改检测方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN110533632B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111260645A (zh) * 2020-02-20 2020-06-09 中国科学院自动化研究所 基于分块分类深度学习的篡改图像检测方法及系统
CN115346037A (zh) * 2022-10-19 2022-11-15 北京航空航天大学 一种图像篡改检测方法
CN116863492A (zh) * 2023-09-04 2023-10-10 山东正禾大教育科技有限公司 一种移动数字出版系统
CN117391985A (zh) * 2023-12-11 2024-01-12 安徽数分智能科技有限公司 一种多源数据信息融合处理方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8965038B2 (en) * 2012-02-01 2015-02-24 Sam Houston University Steganalysis with neighboring joint density
CN104537654A (zh) * 2014-12-19 2015-04-22 大连理工大学 利用半色调点位置失真打印图像篡改取证方法
CN104732493A (zh) * 2015-03-18 2015-06-24 西安电子科技大学 一种基于Primal Sketch分类和SVD域改进MMSE估计的SAR图像去噪算法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8965038B2 (en) * 2012-02-01 2015-02-24 Sam Houston University Steganalysis with neighboring joint density
CN104537654A (zh) * 2014-12-19 2015-04-22 大连理工大学 利用半色调点位置失真打印图像篡改取证方法
CN104732493A (zh) * 2015-03-18 2015-06-24 西安电子科技大学 一种基于Primal Sketch分类和SVD域改进MMSE估计的SAR图像去噪算法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
HUIMEI XIAO ETAL.: "Defocus blur detection based on multiscale SVD fusion in gradient domain", 《 J. VIS. COMMUN. IMAGE R.》 *
左菊仙等: "数字图像人工模糊痕迹的检测方法", 《科技传播》 *
杨本娟: "图像篡改检测中的投影核方法", 《中国优秀博硕士学位论文全文数据库(博士)信息科技辑》 *
王忠美等: "图像复制 - 粘贴篡改快速取证", 《湖南工业大学学报》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111260645A (zh) * 2020-02-20 2020-06-09 中国科学院自动化研究所 基于分块分类深度学习的篡改图像检测方法及系统
CN111260645B (zh) * 2020-02-20 2023-10-13 中国科学院自动化研究所 基于分块分类深度学习的篡改图像检测方法及系统
CN115346037A (zh) * 2022-10-19 2022-11-15 北京航空航天大学 一种图像篡改检测方法
CN115346037B (zh) * 2022-10-19 2023-02-03 北京航空航天大学 一种图像篡改检测方法
CN116863492A (zh) * 2023-09-04 2023-10-10 山东正禾大教育科技有限公司 一种移动数字出版系统
CN116863492B (zh) * 2023-09-04 2023-11-21 山东正禾大教育科技有限公司 一种移动数字出版系统
CN117391985A (zh) * 2023-12-11 2024-01-12 安徽数分智能科技有限公司 一种多源数据信息融合处理方法及系统
CN117391985B (zh) * 2023-12-11 2024-02-20 安徽数分智能科技有限公司 一种多源数据信息融合处理方法及系统

Also Published As

Publication number Publication date
CN110533632B (zh) 2022-05-10

Similar Documents

Publication Publication Date Title
EP3961484A1 (en) Medical image segmentation method and device, electronic device and storage medium
CN109344736B (zh) 一种基于联合学习的静态图像人群计数方法
CN110533632A (zh) 图像模糊篡改检测方法、装置、计算机设备和存储介质
Zhang et al. Ensnet: Ensconce text in the wild
CN107909039B (zh) 基于并行算法的高分辨率遥感影像的地表覆盖分类方法
CN111931931B (zh) 一种针对病理全场图像的深度神经网络训练方法、装置
CN112163634A (zh) 实例分割模型样本筛选方法、装置、计算机设备及介质
CN111160269A (zh) 一种人脸关键点检测方法及装置
CN103699578B (zh) 一种基于谱图分析的图像检索方法
CN112766123B (zh) 一种基于纵横交叉注意力网络的人群计数方法及系统
CN112070079B (zh) 基于特征图重赋权的x光违禁品包裹检测方法及装置
CN111080654A (zh) 图像的病变区域分割方法、装置及服务器
Li et al. Blind image quality assessment based on joint log-contrast statistics
CN111523387B (zh) 手部关键点检测的方法、设备和计算机设备
Liang et al. Scale-invariant structure saliency selection for fast image fusion
Zeeshan et al. A newly developed ground truth dataset for visual saliency in videos
CN106557771A (zh) 基于朴素贝叶斯分类器的皮肤病图像颜色特征提取方法
CN113096080B (zh) 图像分析方法及系统
CN117611830A (zh) 一种基于少样本标注的任意类别目标定位与计数方法
Wang et al. Foreground detection for infrared videos with multiscale 3-D fully convolutional network
CN105139422B (zh) 一种自解释目标跟踪方法及装置
CN115908363B (zh) 肿瘤细胞统计方法、装置、设备和存储介质
CN116310899A (zh) 基于YOLOv5改进的目标检测方法及装置、训练方法
Bommisetty et al. Video superpixels generation through integration of curvelet transform and simple linear iterative clustering
Chen et al. Attention region detection based on closure prior in layered bit planes

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