CN111080587A - 一种基于卷积神经网络的重采样图像检测方法 - Google Patents
一种基于卷积神经网络的重采样图像检测方法 Download PDFInfo
- Publication number
- CN111080587A CN111080587A CN201911228836.6A CN201911228836A CN111080587A CN 111080587 A CN111080587 A CN 111080587A CN 201911228836 A CN201911228836 A CN 201911228836A CN 111080587 A CN111080587 A CN 111080587A
- Authority
- CN
- China
- Prior art keywords
- image
- sub
- resampling
- images
- database
- 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
- 238000012952 Resampling Methods 0.000 title claims abstract description 70
- 238000001514 detection method Methods 0.000 title claims abstract description 35
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 claims abstract description 22
- 238000012216 screening Methods 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims abstract description 7
- 238000010606 normalization Methods 0.000 claims abstract description 6
- 238000012545 processing Methods 0.000 claims abstract description 3
- 238000005457 optimization Methods 0.000 claims abstract 2
- 238000005070 sampling Methods 0.000 claims description 10
- 230000011218 segmentation Effects 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012550 audit Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
Images
Classifications
-
- 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
- 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
-
- 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
- G06T7/90—Determination of colour characteristics
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于卷积神经网络的重采样图像检测方法，包括以下步骤：将检测图像按照α进行分割，得到若干个子图像；将全部的子图像的颜色通道进行归一化处理；根据检测图像构建重采样数据库；重采样数据库通过卷积神经网络进行训练优化；归一化后子图像根据优化后的重采样数据库进行筛选；筛选后的子图像通过阈值法进行判断，若不小于阈值，则认定检测图像存在重采样操作；若小于阈值，则认定检测图像不存在重采样操作。本发明通过卷积网络进行特征提取，使用残差的思想络进行设计整体网络结构，摒弃了传统人工设置初始化参数，通过动量的技术方法优化卷积神经网络中的参数，达到全局最优的检测效果，防止卷积神经网络出现局部最优的情况。
Description
技术领域
本发明涉及图像识别领域，更具体地，涉及一种基于卷积神经网络的重采样图像检测方法。
背景技术
数字图像取证技术是信息安全领域中一类，重采样检测作为数字图像取证重要技术之一。图像篡改常常涉及几种几何变换，通常将原始图像采样到一个新的采样网格中，并且通常使用最近邻内插法、双线性内插法和三次内插法对原始图像进行重采样。因此重采样检测对图像篡改检测起到十分关键作用。
在传统的图像重采样检测中，图像重采样检测方法主要针对重采样的周期的检测。给定一些已知数量重采样图像样本，因为重采样图像中的像素以某种方式与它的相邻的像素相关，所以这就有可能在频域找到这些重采样图像的重采样周期。为了确定样本是否被进行重采样操作，一般使用最大期望算法来估计样本图像的重采样周期，以及这些重采样周期的具体形式。但是重采样操作引入的周期取决于重采样率，因此不可能唯一确定重采样的模式。图像在噪声的影响下，图像重采样周期会被严重干扰，基于最大期望算法来估计样本图像的重采样周期的方法行不通。此外，使用最大期望算法有一定的局限性，最大期望算法需要人为设置初始参数，最终检测结果对初始参数十分敏感，而初始参数选择直接影响检测速度以及能否达到理想的检测效果。
发明内容
本发明克服了上述现有的技术不足，提供一种基于卷积神经网络的重采样图像检测方法。
为解决上述技术问题，本发明的技术方案如下：
一种基于卷积神经网络的重采样图像检测方法，包括以下步骤：
将检测图像按照α进行分割，得到若干个子图像，所述的α是人为预设值；
将全部的子图像的颜色通道进行归一化处理；
根据检测图像构建重采样数据库；
重采样数据库通过卷积神经网络进行训练优化；
归一化后子图像根据优化后的重采样数据库进行筛选；
筛选后的子图像通过阈值法进行判断，若不小于阈值，则认定检测图像存在重采样操作；若小于阈值，则认定检测图像不存在重采样操作。
在一种优选的方案中，所述的α是256×256像素或者128×128像素或者64×64像素。
在一种优选的方案中，所述的“将全部的子图像的颜色通道进行归一化处理”包括以下内容：
将全部的子图像的颜色通道减去β进行归一化处理，所述的β是人为预设值。
在一种优选的方案中，所述的β＝128像素。
在一种优选的方案中，所述的“根据检测图像构建重采样数据库”包括以下子步骤：
将检测图像按照γ进行重采样，得到重采样图像，所述的γ是人为预设的重采样因子；
根据子图像的大小分别对检测图像和重采样图像进行分割，得到检测图像的分割图像和重采样图像的分割图像；
根据检测图像的分割图像和重采样图像的分割图像构成重采样数据库的训练集和测试集。
在一种优选的方案中，所述的γ中的上采样因子是1.03或者1.05或者1.1；γ中的下采样因子是0.6或者0.7或者0.80。
在一种优选的方案中，所述的重采样数据库的训练集加入了高斯噪声。
在一种优选的方案中，所述的“重采样数据库通过卷积神经网络进行优化”中的卷积神经网络包括以下内容：
卷积神经网络包括一层卷积层、三层残差层、一层平均池化层和两层全连接层；
所述的三层残差层由两层卷积层串联后再与另一个卷积层并联组成，并联的卷积层作为残差映射。
在一种优选的方案中，所述的“归一化后子图像根据优化后的重采样数据库进行筛选”包括以下子步骤：
去除子图像中非重采样子图像；
统计子图像中重采样的数量。
在一种优选的方案中，所述的“筛选后的子图像通过阈值法进行判断”包括以下内容：
根据检测图像的子图像中重采样的数量和检测图像的子图像总数量计算比值，通过比值与阈值δ相比较若不小于阈值，则认定检测图像存在重采样操作；若小于阈值，则认定检测图像不存在重采样操作。
与现有技术相比，本发明技术方案的有益效果是：
1、本发明通过卷积网络进行自动特征提取，使用残差的思想络进行设计整体网络结构，摒弃了传统人工设置初始化参数，通过动量的技术方法优化卷积神经网络中的参数，达到全局最优的检测效果，防止卷积神经网络出现局部最优的情况。
2、在训练卷积神经网络时增加带有噪声的重采样图像，训练具有对噪声有鲁棒性的深度卷积神经网络，深度卷积审计网络具有多个卷积核，容易学习无噪声的重采样特征模式和有噪声的重采样特征模式，可有效解决传统方法中噪声干扰的问题。
附图说明
图1为实施例的流程图。
附图仅用于示例性说明，不能理解为对本专利的限制；
为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；
对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例
如图1所示，一种基于卷积神经网络的重采样图像检测方法，包括以下步骤：
将检测图像按照α进行分割，得到若干个子图像，α是人为预设值；
将全部的子图像的颜色通道进行归一化处理；
根据检测图像构建重采样数据库；
重采样数据库通过卷积神经网络进行训练优化；
归一化后子图像根据优化后的重采样数据库进行筛选；
筛选后的子图像通过阈值法进行判断，若不小于阈值，则认定检测图像存在重采样操作；若小于阈值，则认定检测图像不存在重采样操作。
在实施例中，还可以进行以下扩展：α是256×256像素或者128×128像素或者64×64像素。
在实施例及上述改进实施例中，还可以进行以下扩展：“将全部的子图像的颜色通道进行归一化处理”包括以下内容：
将全部的子图像的颜色通道减去β进行归一化处理，β是人为预设值。
在实施例及上述改进实施例中，还可以进行以下扩展：β＝128像素
在实施例及上述改进实施例中，还可以进行以下扩展：“根据检测图像构建重采样数据库”包括以下子步骤：
将检测图像按照γ进行重采样，得到重采样图像，γ是人为预设的重采样因子；
根据子图像的大小分别对检测图像和重采样图像进行分割，得到检测图像的分割图像和重采样图像的分割图像；
根据检测图像的分割图像和重采样图像的分割图像构成重采样数据库的训练集和测试集。
在实施例及上述改进实施例中，还可以进行以下扩展：γ中的上采样因子是1.03或者1.05或者1.1；γ中的下采样因子是0.6或者0.7或者0.80。
在实施例及上述改进实施例中，还可以进行以下扩展：重采样数据库的训练集加入了高斯噪声。
在实施例及上述改进实施例中，还可以进行以下扩展：“重采样数据库通过卷积神经网络进行优化”中的卷积神经网络包括以下内容：
卷积神经网络包括一层卷积层、三层残差层、一层平均池化层和两层全连接层；
三层残差层由两层卷积层串联后再与另一个卷积层并联组成，并联的卷积层作为残差映射。
在实施例及上述改进实施例中，还可以进行以下扩展：“归一化后子图像根据优化后的重采样数据库进行筛选”包括以下子步骤：
去除子图像中非重采样子图像；
统计子图像中重采样的数量。
在实施例及上述改进实施例中，还可以进行以下扩展：“筛选后的子图像通过阈值法进行判断”包括以下内容：
根据检测图像的子图像中重采样的数量和检测图像的子图像总数量计算比值，通过比值与阈值δ相比较若不小于阈值，则认定检测图像存在重采样操作；若小于阈值，则认定检测图像不存在重采样操作。
本实施例的有益效果是：
1、通过卷积网络进行自动特征提取，使用残差的思想络进行设计整体网络结构，摒弃了传统人工设置初始化参数，通过动量的技术方法优化卷积神经网络中的参数，达到全局最优的检测效果，防止卷积神经网络出现局部最优的情况。
2、在训练卷积神经网络时增加带有噪声的重采样图像，训练具有对噪声有鲁棒性的深度卷积神经网络，深度卷积审计网络具有多个卷积核，容易学习无噪声的重采样特征模式和有噪声的重采样特征模式，可有效解决传统方法中噪声干扰的问题。
在上述具体实施方式的具体内容中，各技术特征可以进行任意不矛盾的组合，为使描述简洁，未对上述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。
相同或相似的标号对应相同或相似的部件；
附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制；例如实施例中水流量传感器的计算公式并不仅限于实施例中举例的公式，不同的种类的水流量传感器的计算公式各不相同。上述的是实施例的限定并不能理解为对本专利的限制。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。
Claims (10)
1.一种基于卷积神经网络的重采样图像检测方法，其特征在于，包括以下步骤：
将检测图像按照α进行分割，得到若干个子图像，所述的α是人为预设值；
将全部的子图像的颜色通道进行归一化处理；
根据检测图像构建重采样数据库；
重采样数据库通过卷积神经网络进行训练优化；
归一化后子图像根据优化后的重采样数据库进行筛选；
筛选后的子图像通过阈值法进行判断，若不小于阈值，则认定检测图像存在重采样操作；若小于阈值，则认定检测图像不存在重采样操作。
2.根据权利要求1所述的重采样图像检测方法，其特征在于，所述的α是256×256像素或者128×128像素或者64×64像素。
3.根据权利要求1或2所述的重采样图像检测方法，其特征在于，所述的“将全部的子图像的颜色通道进行归一化处理”包括以下内容：
将全部的子图像的颜色通道减去β进行归一化处理，所述的β是人为预设值。
4.根据权利要求3所述的重采样图像检测方法，其特征在于，所述的β＝128像素。
5.根据权利要求1、2或4所述的重采样图像检测方法，其特征在于，所述的“根据检测图像构建重采样数据库”包括以下子步骤：
将检测图像按照γ进行重采样，得到重采样图像，所述的γ是人为预设的重采样因子；
根据子图像的大小分别对检测图像和重采样图像进行分割，得到检测图像的分割图像和重采样图像的分割图像；
根据检测图像的分割图像和重采样图像的分割图像构成重采样数据库的训练集和测试集。
6.根据权利要求5所述的重采样图像检测方法，其特征在于，所述的γ中的上采样因子是1.03或者1.05或者1.1；γ中的下采样因子是0.6或者0.7或者0.80。
7.根据权利要求5所述的重采样图像检测方法，其特征在于，所述的重采样数据库的训练集加入了高斯噪声。
8.根据权利要求1、2、4、6或7所述的重采样图像检测方法，其特征在于，所述的“重采样数据库通过卷积神经网络进行优化”中的卷积神经网络包括以下内容：
卷积神经网络包括一层卷积层、三层残差层、一层平均池化层和两层全连接层；
所述的三层残差层由两层卷积层串联后再与另一个卷积层并联组成，并联的卷积层作为残差映射。
9.根据权利要求1、2、4、6或7所述的重采样图像检测方法，其特征在于，所述的“归一化后子图像根据优化后的重采样数据库进行筛选”包括以下子步骤：
去除子图像中非重采样子图像；
统计子图像中重采样的数量。
10.根据权利要求9所述的重采样图像检测方法，其特征在于，所述的“筛选后的子图像通过阈值法进行判断”包括以下内容：
根据检测图像的子图像中重采样的数量和检测图像的子图像总数量计算比值，通过比值与阈值δ相比较若不小于阈值，则认定检测图像存在重采样操作；若小于阈值，则认定检测图像不存在重采样操作。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911228836.6A CN111080587B (zh) | 2019-12-04 | 2019-12-04 | 一种基于卷积神经网络的重采样图像检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911228836.6A CN111080587B (zh) | 2019-12-04 | 2019-12-04 | 一种基于卷积神经网络的重采样图像检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111080587A true CN111080587A (zh) | 2020-04-28 |
| CN111080587B CN111080587B (zh) | 2023-05-26 |
Family
ID=70312778
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911228836.6A Active CN111080587B (zh) | 2019-12-04 | 2019-12-04 | 一种基于卷积神经网络的重采样图像检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111080587B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115795370A (zh) * | 2023-02-10 | 2023-03-14 | 南昌大学 | 基于重采样痕迹的电子数字信息取证方法及系统 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106709915A (zh) * | 2017-01-06 | 2017-05-24 | 天津大学 | 一种图像重采样操作检测方法 |
| CN108389187A (zh) * | 2018-01-30 | 2018-08-10 | 李家菊 | 基于卷积神经网络法和支持向量机法的影像科图像识别方法 |
| CN108682007A (zh) * | 2018-04-28 | 2018-10-19 | 华中师范大学 | 基于深度随机森林的jpeg图像重采样自动检测方法 |
| CN109859233A (zh) * | 2018-12-28 | 2019-06-07 | 上海联影智能医疗科技有限公司 | 图像处理、图像处理模型的训练方法及系统 |
| CN109903304A (zh) * | 2019-02-25 | 2019-06-18 | 武汉大学 | 一种基于卷积神经元网络和多边形规则化的建筑物轮廓自动提取算法 |
| CN110135486A (zh) * | 2019-05-08 | 2019-08-16 | 西安电子科技大学 | 基于自适应卷积神经网络的筷子图像分类方法 |
| CN110288613A (zh) * | 2019-06-12 | 2019-09-27 | 中国科学院重庆绿色智能技术研究院 | 一种超高像素的组织病理图像分割方法 |
| CN110414674A (zh) * | 2019-07-31 | 2019-11-05 | 浙江科技学院 | 一种基于残差网络及局部细化的单目深度估计方法 |
| CN110516575A (zh) * | 2019-08-19 | 2019-11-29 | 上海交通大学 | 基于残差域富模型的gan生成图片检测方法及系统 |
-
2019
- 2019-12-04 CN CN201911228836.6A patent/CN111080587B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106709915A (zh) * | 2017-01-06 | 2017-05-24 | 天津大学 | 一种图像重采样操作检测方法 |
| CN108389187A (zh) * | 2018-01-30 | 2018-08-10 | 李家菊 | 基于卷积神经网络法和支持向量机法的影像科图像识别方法 |
| CN108682007A (zh) * | 2018-04-28 | 2018-10-19 | 华中师范大学 | 基于深度随机森林的jpeg图像重采样自动检测方法 |
| CN109859233A (zh) * | 2018-12-28 | 2019-06-07 | 上海联影智能医疗科技有限公司 | 图像处理、图像处理模型的训练方法及系统 |
| CN109903304A (zh) * | 2019-02-25 | 2019-06-18 | 武汉大学 | 一种基于卷积神经元网络和多边形规则化的建筑物轮廓自动提取算法 |
| CN110135486A (zh) * | 2019-05-08 | 2019-08-16 | 西安电子科技大学 | 基于自适应卷积神经网络的筷子图像分类方法 |
| CN110288613A (zh) * | 2019-06-12 | 2019-09-27 | 中国科学院重庆绿色智能技术研究院 | 一种超高像素的组织病理图像分割方法 |
| CN110414674A (zh) * | 2019-07-31 | 2019-11-05 | 浙江科技学院 | 一种基于残差网络及局部细化的单目深度估计方法 |
| CN110516575A (zh) * | 2019-08-19 | 2019-11-29 | 上海交通大学 | 基于残差域富模型的gan生成图片检测方法及系统 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115795370A (zh) * | 2023-02-10 | 2023-03-14 | 南昌大学 | 基于重采样痕迹的电子数字信息取证方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111080587B (zh) | 2023-05-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109191459B (zh) | 连铸坯低倍组织中心偏析缺陷的自动识别与评级方法 | |
| CN108460764B (zh) | 基于自动上下文和数据增强的超声图像智能分割方法 | |
| CN109558806B (zh) | 高分遥感图像变化的检测方法 | |
| CN106780486B (zh) | 一种钢板表面缺陷图像提取方法 | |
| CN114723681B (zh) | 一种基于机器视觉的混凝土裂缝缺陷检测方法 | |
| CN113903009B (zh) | 一种基于改进YOLOv3网络的铁路异物检测方法与系统 | |
| CN116703910B (zh) | 一种混凝土预制底板质量智能检测方法 | |
| CN109840483B (zh) | 一种滑坡裂缝检测与识别的方法及装置 | |
| CN114782432B (zh) | 一种基于纹理特征的改进canny算子的边缘检测方法 | |
| CN107507208A (zh) | 一种基于轮廓上曲率估计的图像特征点提取方法 | |
| CN110533064B (zh) | 一种gis设备的局部放电图谱模式识别方法和系统 | |
| CN113592861A (zh) | 一种基于动态阈值的桥梁裂缝检测方法 | |
| CN115115638B (zh) | 一种液压系统漏油检测及判定方法 | |
| CN110648316B (zh) | 一种基于深度学习的钢卷端面边缘检测方法 | |
| CN115063430B (zh) | 基于图像处理的电气管道裂纹检测方法 | |
| CN115330767A (zh) | 一种腐蚀箔生产异常识别方法 | |
| CN114820625B (zh) | 一种汽车顶块缺陷检测方法 | |
| CN112017109B (zh) | 一种在线铁谱视频图像气泡的消除方法 | |
| CN117058147B (zh) | 基于计算机视觉的环保塑料制品缺陷检测方法 | |
| KR20220139292A (ko) | 문자 분할 방법, 장치 및 컴퓨터 판독 가능 저장 매체 | |
| CN112669301B (zh) | 一种高铁底板脱漆故障检测方法 | |
| CN114299086A (zh) | 一种低对比度成像的图像分割处理方法、电子设备及系统 | |
| CN113744142A (zh) | 图像修复方法、电子设备及存储介质 | |
| CN111798359A (zh) | 一种基于深度学习的图像去水印方法 | |
| CN115984148A (zh) | 一种高通量基因测序数据的去噪增强方法 |
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 |