CN111709883A - 一种图像检测方法、装置及设备 - Google Patents

一种图像检测方法、装置及设备 Download PDF

Info

Publication number
CN111709883A
CN111709883A CN201910154177.XA CN201910154177A CN111709883A CN 111709883 A CN111709883 A CN 111709883A CN 201910154177 A CN201910154177 A CN 201910154177A CN 111709883 A CN111709883 A CN 111709883A
Authority
CN
China
Prior art keywords
image
detected
feature map
input data
obtaining
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
CN201910154177.XA
Other languages
English (en)
Other versions
CN111709883B (zh
Inventor
李昊东
刘永亮
黄继武
张琦
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.)
Alibaba Group Holding Ltd
Original Assignee
Alibaba Group Holding 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 Alibaba Group Holding Ltd filed Critical Alibaba Group Holding Ltd
Priority to CN201910154177.XA priority Critical patent/CN111709883B/zh
Priority to US16/804,446 priority patent/US11354797B2/en
Publication of CN111709883A publication Critical patent/CN111709883A/zh
Application granted granted Critical
Publication of CN111709883B publication Critical patent/CN111709883B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/001—Industrial image inspection using an image reference approach
    • 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
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G06T7/74—Determining position or orientation of objects or cameras using feature-based methods involving reference images or patches
    • 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
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/40—Spoof detection, e.g. liveness detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2200/00—Indexing scheme for image data processing or generation, in general
    • G06T2200/28—Indexing scheme for image data processing or generation, in general involving image processing hardware
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20092—Interactive image processing based on input by user
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20228—Disparity calculation for image-based rendering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30168—Image quality inspection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Human Computer Interaction (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本申请公开了一种图像检测方法，包括：获得待检测图像；从所述待检测图像中提取所述待检测图像的残差数据；根据所述待检测图像的残差数据获得至少两个层次的特征图；根据所述特征图，得到所述待检测图像的篡改概率图。采用上述方法，以解决现有的图像检测存在的检测准确率较低以及检测效率较低的问题。

Description

一种图像检测方法、装置及设备
技术领域
本申请涉及图像处理技术领域，具体涉及一种图像检测方法、图像检测装置、电子设备及存储设备。
背景技术
随着数字图像处理技术的不断进步，越来越多方便而有效的图像编辑工具被集成到各种图像处理软件之中。利用这些工具，人们可以对数字图像进行修饰、增强，甚至篡改图像的内容。一旦这些虚假伪造的图像被恶意传播，将会给社会、经济、政治、外交、军事等方面带来诸多负面影响。因此，能够辨识篡改图像的图像取证技术在保障数字媒体的信息安全中扮演着重要的角色。
传统上，为了伪造能以假乱真的篡改图像，必须对篡改区域进行细致的处理，使其在颜色、纹理、光照等方面都能和图像的原始区域相连贯和一致。因此，篡改图像需要一定的专业知识，同时也会耗费相当多的精力和时间。然而，随着图像编辑工具功能的强化，篡改图像的门槛变得越来越低。早在2000年左右，数字图像修复(Image inpainting)技术被开发出来，为修改图像提供了便利。这种技术的初衷是为了修补和恢复图像中缺失的或受到污染的区域。它可以根据图像中的已知内容，自动推断需要修复的区域的内容并完成填充。经过多年的发展，图像修复技术已被集成到许多图像处理软件中，如Photoshop中的内容识别填充工具。虽然图像修复技术不是为图像篡改而开发的，但这种极其方便的技术很有可能会被用来伪造虚假场景，因此开发针对图像修复技术的取证方法是很有必要的。
传统的图像修复算法尽管在某些场景下能取得不错的效果，但仍会留下不少处理痕迹，因而能够被相应的图像取证方法所检测。但是，近几年来，结合深度学习的图像修复算法突破了传统算法的瓶颈，显著地提高了图像修复的性能。与传统算法相比，深度学习图像修复能对更大的区域实现修复，并且修复时所生成的内容纹理更丰富、视觉效果更自然。更重要的是，深度学习图像修复并不会留下传统算法的固有处理痕迹，这意味着已有的取证算法将会失效。
现有技术下为了实现深度学习图像修复的取证，提供了一些方法进行图像检测，但存在检测准确率较低以及检测效率较低的问题。
发明内容
本申请提供一种图像检测方法，以解决现有的图像检测存在的检测准确率较低以及检测效率较低的问题。
本申请提供一种图像检测方法，包括：
获得待检测图像；
从所述待检测图像中提取所述待检测图像的残差数据；
根据所述待检测图像的残差数据获得至少两个层次的特征图；
根据所述特征图，得到所述待检测图像的篡改概率图。
可选的，所述从所述待检测图像中提取所述待检测图像的残差数据，包括：
对所述待检测图像进行滤波处理，得到滤波后的所述待检测图像的残差数据。
可选的，所述对所述待检测图像进行滤波处理，得到滤波后的所述待检测图像的残差数据，包括：
使用不同方向的差分滤波器对所述待检测图像进行滤波处理，得到滤波后的所述待检测图像的残差数据。
可选的，所述使用不同方向的差分滤波器对所述待检测图像进行滤波处理，得到滤波后的所述待检测图像的残差数据，包括：
使用不同方向的差分滤波器分别对所述待检测图像的不同颜色通道进行卷积运算，获得针对所述待检测图像的不同颜色通道的卷积运算结果；
根据针对所述待检测图像的不同颜色通道的卷积运算结果，得到滤波后的所述待检测图像的残差数据。
可选的，所述根据所述待检测图像的残差数据获得至少两个层次的特征图，包括：
对当前层次的输入数据进行卷积处理，得到第一特征图；当前层次为第一层次时，当前层次的输入数据为待检测图像的残差数据；当前层次为其他层次时，当前层次的输入数据为前一层次残差网络块输出的特征图；
将所述输入数据和所述第一特征图相加，获得所述当前层次的特征图。
可选的，还包括：使用预批归一化和预激活的方式对所述输入数据进行归一化和非线性处理；
所述对当前层次的输入数据进行卷积处理，得到第一特征图，包括：
对归一化和非线性处理后的输入数据进行卷积处理，得到第一特征图。
可选的，还包括：对所述输入数据的分辨率或通道数进行处理，得到处理后的输入数据，所述处理后的输入数据与所述第一特征图的分辨率及通道数相同；
所述将所述输入数据和所述第一特征图相加，获得所述当前层次的特征图，包括：将所述处理后的输入数据和所述第一特征图相加，获得所述当前层次的特征图。
可选的，所述对所述输入数据的分辨率或通道数进行处理，得到处理后的输入数据，包括：
采用最大池化操作对分辨率进行调整，或者，
采用预定尺寸的卷积核对通道数进行调整。
可选的，所述对当前层次的输入数据进行卷积处理，得到第一特征图，包括：
采用三个卷积层对当前层次的输入数据进行卷积处理，得到第一特征图。
可选的，所述三个卷积层中最后一个卷积层的步长为2。
可选的，所述至少两个层次为四个层次。
可选的，所述根据所述特征图，得到所述待检测图像的篡改概率图，包括：对所述特征图进行上采样处理，得到所述待检测图像的篡改概率图。
可选的，所述篡改概率图的分辨率与所述待检测图像的分辨率相同。
可选的，所述对所述特征图进行上采样处理，包括：使用转置卷积层对所述特征图进行上采样处理。
可选的，所述转置卷积层的卷积核为与双线性插值对应的参数。
可选的，所述转置卷积层的卷积核的尺寸为上采样倍数的两倍。
可选的，所述对所述特征图进行上采样处理，包括：
对所述特征图进行两次或两次以上的上采样子处理，得到所述待检测图像的篡改概率图；其中，两次或两次以上的上采样子处理的上采样倍数之积为上采样处理的上采样倍数。
可选的，所述对所述特征图进行上采样处理，得到所述待检测图像的篡改概率图，包括：
对所述特征图进行上采样处理，得到上采样后的特征图；
对所述上采样后的特征图进行卷积运算，得到所述待检测图像的篡改概率图。
本申请还提供一种图像检测装置，包括：
待检测图像获得单元，用于获得待检测图像；
残差数据提取单元，用于从所述待检测图像中提取所述待检测图像的残差数据；
特征图获得单元，用于根据所述待检测图像的残差数据获得至少两个层次的特征图；
篡改概率图得到单元，用于根据所述特征图，得到所述待检测图像的篡改概率图。
本申请还提供一种电子设备，包括：
处理器；以及
存储器，用于存储图像检测方法的程序，该设备通电并通过所述处理器运行该图像检测方法的程序后，执行下述步骤：
获得待检测图像；
从所述待检测图像中提取所述待检测图像的残差数据；
根据所述待检测图像的残差数据获得至少两个层次的特征图；
根据所述特征图，得到所述待检测图像的篡改概率图。
本申请还提供一种存储设备，存储有图像检测方法的程序，该程序被处理器运行，执行下述步骤：
获得待检测图像；
从所述待检测图像中提取所述待检测图像的残差数据；
根据所述待检测图像的残差数据获得至少两个层次的特征图；
根据所述特征图，得到所述待检测图像的篡改概率图。
与现有技术相比，本申请具有以下优点：
本申请提供一种图像检测方法、装置、电子设备，首先根据待检测图像的残差数据获得至少两个层次的特征图，然后根据特征图，得到待检测图像的篡改概率图。本申请通过提取多个层次的特征图，实现了浅层特征和深层特征的结合，克服了现有方法使用单一大小的图像存在的检测准确率较低的问题，同时也避免了基于滑动窗口的检测方法导致的检测效率较低的问题。
附图说明
图1为本申请提供的第一应用场景实施例的示意图。
图2为本申请提供的第二应用场景实施例的示意图。
图3是本申请第一实施例提供的一种图像检测方法的流程图。
图4是本申请第一实施例提供的一种用以实现本申请第一实施例提供的图像检测方法的网络结构图。
图5是本申请第一实施例提供的各方案在不同阈值下的F1-score曲线。
图6是本申请第二实施例提供的一种图像检测装置的示意图。
图7是本申请第三实施例提供的一种电子设备的示意图。
具体实施方式
在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施的限制。
为了更清楚地展示本申请，先介绍一下本申请第一实施例提供的图像检测方法的应用场景。本申请提供的一些实施例可以应用于客户端与服务器交互的场景，如图1所示，其为本申请提供的第一应用场景实施例的示意图。客户端首先与服务器建立连接，连接之后客户端发送待检测图像至服务器，服务器接收待检测图像并对待检测图像进行检测，得到待检测图像的篡改概率图，并将待检测图像的篡改概率图发送至客户端，客户端接收待检测图像的篡改概率图。此外，本申请提供的一些实施例可以应用于客户端的内部处理，如图2所示，其为本申请提供的第二应用场景实施例的示意图。客户端获得待检测图像后，对待检测图像进行检测，得到待检测图像的篡改概率图，之后输出待检测图像的篡改概率图。需要说明的是，上述两个应用场景仅仅是应用场景的两个实施例，提供这两个应用场景实施例的目的是便于理解本申请的图像检测方法，而并非用于限定本申请的图像检测方法。
本申请第一实施例提供一种图像检测方法，以下结合图3、图4、图5进行说明。
如图3所示，在步骤S301中，获得待检测图像。
所述待检测图像，可以指任何一个图像，尤其可以指怀疑通过深度学习图像修复技术进行了篡改的图像。如图4所示，图中最左侧的图像为待检测图像。
如图3所示，在步骤S302中，从所述待检测图像中提取所述待检测图像的残差数据。
所述从所述待检测图像中提取所述待检测图像的残差数据，包括：
对所述待检测图像进行滤波处理，得到滤波后的所述待检测图像的残差数据。
由于深度学习图像修复的篡改区域在图像内容上与原始区域非常接近，因此为了增强图像修复所留下的痕迹，有必要对图像内容进行抑制。在具体实施时，可以使用高通滤波器对待检测图像进行滤波处理，并将滤波后的残差数据作为下一层网络的输入。
所述对所述待检测图像进行滤波处理，得到滤波后的所述待检测图像的残差数据，包括：
使用不同方向的差分滤波器对所述待检测图像进行滤波处理，得到滤波后的所述待检测图像的残差数据。
使用不同方向的差分滤波器对所述待检测图像进行滤波处理，得到滤波后的所述待检测图像的残差数据，可以包括下述步骤：
使用不同方向的差分滤波器分别对所述待检测图像的不同颜色通道进行卷积运算，获得针对所述待检测图像的不同颜色通道的卷积运算结果；
根据针对所述待检测图像的不同颜色通道的卷积运算结果，得到滤波后的所述待检测图像的残差数据。
例如，如图4所示，采用预滤波模块从待检测图像中提取待检测图像的残差数据，预滤波模块使用高通滤波器对待检测图像进行滤波处理，将滤波后的残差数据作为下一层残差网络的输入。在具体实施中，可以使用3组不同方向(纵向、横向、45度方向)的差分滤波器对待检测图像的R、G、B通道进行卷积运算，根据卷积运算的结果得到待检测图像的残差数据。
如图3所示，在步骤S303中，根据所述待检测图像的残差数据获得至少两个层次的特征图。
通过实验证明，根据待检测图像的残差数据获得四个层次的特征图时，图像检测方法的检测效果较好，当获得3个层次的特征图时，检测效果不理想；当获得5个层次的特征图时，相比获得4个层次的特征图性能提升并不大，但却增加了计算复杂度。为了权衡检测性能与计算复杂度，可以根据所述待检测图像的残差数据获得4个层次的特征图。
通过提取多个层次的特征图，实现了浅层特征和深层特征的结合，克服了现有方法使用单一大小的图像分块的不足。
根据所述待检测图像的残差数据获得至少两个层次的特征图，可以包括下述步骤：
对当前层次的输入数据进行卷积处理，得到第一特征图；当前层次为第一层次时，当前层次的输入数据为待检测图像的残差数据；当前层次为其他层次时，当前层次的输入数据为前一层次残差网络块输出的特征图；
将所述输入数据和所述第一特征图相加，获得所述当前层次的特征图。
作为一个实施例，在对当前层次的输入数据进行卷积处理，得到第一特征图的步骤之前，可以使用预批归一化和预激活的方式对所述输入数据进行归一化和非线性处理，然后对归一化和非线性处理后的输入数据进行卷积处理，得到第一特征图。
如果输入数据的分辨率与第一特征图的分辨率不同或者输入数据与第一特征图的通道数不同，作为一个实施例，还可以进一步包括：对所述输入数据的分辨率或通道数进行处理，得到处理后的输入数据；再将所述处理后的输入数据和第一特征图相加，获得当前层次的特征图，所述处理后的输入数据与所述第一特征图的分辨率及通道数相同。在具体实施时，可以采用最大池化操作对分辨率进行调整，或者，采用预定尺寸(例如，尺寸为1*1)的卷积核对通道数进行调整。如表1中所示。表中的Add#表示残差网络的捷径，例如：Add2(w/Add1)表示将其上一层Conv7的输出结果和Add1的输出结果相加。当两个相加对象的通道数不同时，采用1×1卷积对通道进行调整；当两个相加对象的空间尺寸不同时，采用最大值池化操作对尺寸进行调整。
所述对当前层次的输入数据进行卷积处理，得到第一特征图，包括：
采用三个卷积层对当前层次的输入数据进行卷积处理，得到第一特征图。
如图4，每个残差网络块包括两个单元，每个单元都依次使用尺寸为1×1、3×3、1×1的三个卷积核对输入数据进行卷积处理，得到第一特征图。
下面结合图4介绍从待检测图像中提取所述待检测图像的残差数据的过程。如图4所示，采用4个级联的残差网络块，根据待检测图像的残差数据获得四个层次的特征图：
残差网络块#1(Renet block#1)的输入数据为m×n×9的待检测图像的残差数据，输出为m/2×n/2×128的特征图(第一层次的特征图)；
残差网络块#2(Renet block#2)的输入数据为残差网络块#1的输出，输出为m/4×n/4×256的特征图(第二层次的特征图)；
残差网络块#3(Renet block#3)的输入数据为残差网络块#2的输出，输出为m/8×n/8×512的特征图(第三层次的特征图)；
残差网络块#4(Renet block#4)的输入数据为残差网络块#3的输出，输出为m/16×n/16×1024的特征图(第四层次的特征图)。
通过采用4个级联的残差网络块，最后得到的是m/16×n/16×1024的特征图。
具体的，每个单元都依次使用尺寸为1×1、3×3、1×1的三个卷积核对输入数据进行卷积处理，得到第一特征图；(其中每次卷积前会对数据进行批归一化和ReLU非线性激活处理。)然后，对该单元的输入数据进行1×1卷积及最大值池化操作，使之第一特征图的分辨率和通道数均相同；最后，将处理后的输入数据和卷积所得的特征图相加，作为该单元所输出的特征图。如果该单元为残差网络块的第二个单元，则在输出时还使用步长为2的卷积将特征图的空间尺寸减半。需要说明的是，图4的残差网络块的组成以及参数设置只是一个例子，具体实现时，采用的单元的数量、各卷积层的卷积核的大小、输出通道数等可以进行不同的设置。参数设置请参见表1。
Figure BDA0001982363020000081
Figure BDA0001982363020000091
表1
如图3所示，在步骤S304中，根据所述特征图，得到所述待检测图像的篡改概率图。
所述篡改概率图，指对待检测图像进行篡改检测定位所得到的结果。篡改概率图中的每个元素用来表示待检测图像中相应像素(或区域)被篡改的可能性的大小。
所述根据所述特征图，得到所述待检测图像的篡改概率图，包括：对所述特征图进行上采样处理，得到所述待检测图像的篡改概率图。
由于步骤S303中，输出的特征图为较深层次的特征图，其分辨率与待检测图像相比减小很多，因此在根据所述特征图，得到所述待检测图像的篡改概率图时，可以对特征图进行上采样处理，得到所述待检测图像的篡改概率图。篡改概率图的分辨率最好与待检测图像的分辨率相同。
在具体实施时，可以使用转置卷积层对特征图进行上采样处理。所述转置卷积层的卷积核可以设置为与双线性插值对应的参数。其中，转置卷积层的卷积核的尺寸为上采样倍数的两倍，即转置卷积层的卷积核的长和宽为上采样倍数的两倍。例如，步骤S303输出为m/16×n/16×1024的特征图，为了得到与待检测图像的分辨率相同的篡改概率图，则上采样倍数为16倍，转置卷积层的卷积核为32×32的卷积核。
由于当上采样倍数较大时，如果只进行一次上采样，需要引入一个非常大的卷积核，因此最好对特征图进行两次或两次以上的上采样子处理，得到待检测图像的篡改概率图；其中，两次或两次以上的上采样子处理的上采样倍数之积为上采样处理的上采样倍数。例如，如果上采样倍数为16，可以对特征图进行两次四倍的上采样子处理，或者是对特征图进行四次两倍的上采样子处理。
考虑到上采样处理并不会增加信息，可以设置上采样模块(如图4)输出的通道数，使得上采样前后的特征图的数据总量不变。
所述对所述特征图进行上采样处理，得到所述待检测图像的篡改概率图，包括：
对所述特征图进行上采样处理，得到上采样后的特征图；
对所述上采样后的特征图进行卷积运算，得到所述待检测图像的篡改概率图。
由于转置卷积在某些情况下会出现棋盘效应，因此可以对上采样后的特征图进行卷积运算，得到所述待检测图像的篡改概率图，用来减轻棋盘效应在输出的篡改概率图中的不良视觉效果。
现有技术下，为了实现深度学习图像修复的取证，可以采用以下两种方法进行图像检测：
(a)手工设计的取证特征与滑动窗口相结合。在现有的取证技术中，基于图像残差提取的统计特征对大多数篡改手段具有一定的普适性。因此，可以利用基于图像残差提取的统计特征检测深度学习图像修复。在模型训练阶段，将图像分割成若干小块，对原始图像块和修复图像块分别提取特征，并训练分类器。在测试阶段，将图像分割成相互重叠的小块，以滑动窗口的方式依次提取每个图像块的特征，把特征输入训练好的分类器得到每个图像块是否为被修复块的概率(篡改概率)；将所有块的结果组合成为篡改概率图，对其二值化即可得到检测结果。
(b)面向图像块分类的CNN网络与滑动窗口相结合。与手工设计的特征相比，利用深度网络通常能学习到更有区分能力的特征。因此，可以训练一个对图像小块进行分类的CNN网络来检测深度学习图像修复。在训练阶段，将图像中的原始图像块和修复图像块作为两类样本输入网络，通过监督学习的方式使得网络能够区分原始图像块和修复图像块。在测试阶段，同样以滑动窗口的方式依次将每个图像块输入训练好的网络，得到每个块的篡改概率，最后将所有块的结果组合成为篡改概率图并二值化即可得到检测结果。
上述方案的缺点主要有两点。首先是单一的图像分块方式严重影响检测性能。分块太大时，检测的分辨率不高，难以识别尺度较小的修复区域；分块太小时，提取特征的区域有限，不能得到良好的特征表达，导致检测准确率较低。另一缺点是基于滑动窗口的检测效率低下。这一方面是由于使用滑动窗口处理重叠的图像块增加了内存开销，另一方面是由于相邻图像块有大量重复像素导致了不必要的运算。
与现有技术相比，本申请第一实施例可以使用如图4所示的全卷积网络结构来实现，输入为待检测图像，输出为待检测图像的篡改概率图，避免了使用滑动窗口方式实施检测，因此能大大提高检测的效率；通过提取多个层次的特征图，实现了浅层特征和深层特征的结合，克服了现有方法使用单一大小的图像分块的不足。
下面通过对比实验来展示使用如图4所示的全卷积网络结构来实现本申请第一实施例的优异性能。
使用ImageNet中压缩质量因子为75的JPEG图像来进行实验，随机选取50000张图像作为训练集，并另随机选取10000张图像作为测试集。对这些图像，利用论文“Globallyand Locally Consistent Image Completion”(ACM TOG 2017)提出的深度学习图像修复算法对位于图像中心的10％矩形区域进行修复，并用与原图一致的质量因子(75)保存成JPEG图像。为了与传统检测方法对比，选择了一组从图像不同颜色分量的残差中提取的共生矩阵作为手工设计的特征(颜色残差特征)，并将本方案的上采样模块替换成全局均值池化层和全连接层，改造成面向图像块分类的CNN网络(分块CNN)。表2列出了使用默认阈值(0.5)对篡改概率图二值化得到的各方案的检测结果，可以看到本方案在召回率(Recall)、精准率(Precision)、交并比(IOU)、F1-score等像素级别的度量标准下都明显优于所对比的传统方法。图5画出了各方案在不同阈值下的F1-score曲线，可以看到本方案在任意阈值下的性能都要显著好于其他方法。
Figure BDA0001982363020000111
表2
进一步地，对不同方案在测试阶段的运行时间进行了比较。表3给出了各方案对10000张测试图像进行检测时平均每张图像所需的运行时间，其中颜色残差特征是在配置了Intel Xeon CPU(2.20GHz)的计算集群上使用100个CPU核并行运行的，分块CNN和本方案都是在一块Nvidia Tesla P100GPU上运行。可以看到，本方案平均检测一张图像仅需要0.1秒左右，远远快于其他方案。
Figure BDA0001982363020000121
表3
与本申请第一实施例提供的图像检测方法相对应的，本申请第二实施例还提供了一种图像检测装置。
如图6所示，所述图像检测装置，包括：
待检测图像获得单元601，用于获得待检测图像；
残差数据提取单元602，用于从所述待检测图像中提取所述待检测图像的残差数据；
特征图获得单元603，用于根据所述待检测图像的残差数据获得至少两个层次的特征图；
篡改概率图得到单元604，用于根据所述特征图，得到所述待检测图像的篡改概率图。
可选的，所述残差数据提取单元具体用于：
对所述待检测图像进行滤波处理，得到滤波后的所述待检测图像的残差数据。
可选的，所述残差数据提取单元具体用于：
使用不同方向的差分滤波器对所述待检测图像进行滤波处理，得到滤波后的所述待检测图像的残差数据。
可选的，所述残差数据提取单元具体用于：
使用不同方向的差分滤波器分别对所述待检测图像的不同颜色通道进行卷积运算，获得针对所述待检测图像的不同颜色通道的卷积运算结果；
根据针对所述待检测图像的不同颜色通道的卷积运算结果，得到滤波后的所述待检测图像的残差数据。
可选的，所述特征图获得单元，具体用于：
对当前层次的输入数据进行卷积处理，得到第一特征图；当前层次为第一层次时，当前层次的输入数据为待检测图像的残差数据；当前层次为其他层次时，当前层次的输入数据为前一层次残差网络块输出的特征图；
将所述输入数据和所述第一特征图相加，获得所述当前层次的特征图。
可选的，所述装置还包括输入数据非线性处理单元，用于使用预批归一化和预激活的方式对所述输入数据进行归一化和非线性处理；
所述对当前层次的输入数据进行卷积处理，得到第一特征图，包括：
对归一化和非线性处理后的输入数据进行卷积处理，得到第一特征图。
可选的，所述装置还包括输入数据分辨率或通道数处理单元：用于对所述输入数据的分辨率或通道数进行处理，得到处理后的输入数据，所述处理后的输入数据与所述第一特征图的分辨率及通道数相同；
所述将所述输入数据和所述第一特征图相加，获得所述当前层次的特征图，包括：将所述处理后的输入数据和所述第一特征图相加，获得所述当前层次的特征图。
可选的，所述输入数据分辨率或通道数处理单元具体用于：
采用最大池化操作对分辨率进行调整，或者，
采用预定尺寸的卷积核对通道数进行调整。
可选的，所述对当前层次的输入数据进行卷积处理，得到第一特征图，包括：
采用三个卷积层对当前层次的输入数据进行卷积处理，得到第一特征图。
可选的，所述三个卷积层中最后一个卷积层的步长为2。
可选的，所述至少两个层次为四个层次。
可选的，所述篡改概率图得到单元，具体用于：对所述特征图进行上采样处理，得到所述待检测图像的篡改概率图。
可选的，所述篡改概率图的分辨率与所述待检测图像的分辨率相同。
可选的，所述对所述特征图进行上采样处理，包括：使用转置卷积层对所述特征图进行上采样处理。
可选的，所述转置卷积层的卷积核为与双线性插值对应的参数。
可选的，所述转置卷积层的卷积核的尺寸为上采样倍数的两倍。
可选的，所述对所述特征图进行上采样处理，包括：
对所述特征图进行两次或两次以上的上采样子处理，得到所述待检测图像的篡改概率图；其中，两次或两次以上的上采样子处理的上采样倍数之积为上采样处理的上采样倍数。
可选的，所述对所述特征图进行上采样处理，得到所述待检测图像的篡改概率图，包括：
对所述特征图进行上采样处理，得到上采样后的特征图；
对所述上采样后的特征图进行卷积运算，得到所述待检测图像的篡改概率图。
需要说明的是，对于本申请第二实施例提供的图像检测装置的详细描述可以参考对本申请第一实施例的相关描述，这里不再赘述。
与本申请第一实施例提供的图像检测方法相对应的，本申请第三实施例提供一种电子设备。
如图7所示，所述电子设备包括：
处理器701；以及
存储器702，用于存储图像检测方法的程序，该设备通电并通过所述处理器运行该图像检测方法的程序后，执行下述步骤：
获得待检测图像；
从所述待检测图像中提取所述待检测图像的残差数据；
根据所述待检测图像的残差数据获得至少两个层次的特征图；
根据所述特征图，得到所述待检测图像的篡改概率图。
可选的，所述从所述待检测图像中提取所述待检测图像的残差数据，包括：
对所述待检测图像进行滤波处理，得到滤波后的所述待检测图像的残差数据。
可选的，所述对所述待检测图像进行滤波处理，得到滤波后的所述待检测图像的残差数据，包括：
使用不同方向的差分滤波器对所述待检测图像进行滤波处理，得到滤波后的所述待检测图像的残差数据。
可选的，所述使用不同方向的差分滤波器对所述待检测图像进行滤波处理，得到滤波后的所述待检测图像的残差数据，包括：
使用不同方向的差分滤波器分别对所述待检测图像的不同颜色通道进行卷积运算，获得针对所述待检测图像的不同颜色通道的卷积运算结果；
根据针对所述待检测图像的不同颜色通道的卷积运算结果，得到滤波后的所述待检测图像的残差数据。
可选的，所述根据所述待检测图像的残差数据获得至少两个层次的特征图，包括：
对当前层次的输入数据进行卷积处理，得到第一特征图；当前层次为第一层次时，当前层次的输入数据为待检测图像的残差数据；当前层次为其他层次时，当前层次的输入数据为前一层次残差网络块输出的特征图；
将所述输入数据和所述第一特征图相加，获得所述当前层次的特征图。
可选的，所述电子设备还执行下述步骤：使用预批归一化和预激活的方式对所述输入数据进行归一化和非线性处理；
所述对当前层次的输入数据进行卷积处理，得到第一特征图，包括：
对归一化和非线性处理后的输入数据进行卷积处理，得到第一特征图。
可选的，所述电子设备还执行下述步骤：对所述输入数据的分辨率或通道数进行处理，得到处理后的输入数据，所述处理后的输入数据与所述第一特征图的分辨率及通道数相同；
所述将所述输入数据和所述第一特征图相加，获得所述当前层次的特征图，包括：将所述处理后的输入数据和所述第一特征图相加，获得所述当前层次的特征图。
可选的，所述对所述输入数据的分辨率或通道数进行处理，得到处理后的输入数据，包括：
采用最大池化操作对分辨率进行调整，或者，
采用预定尺寸的卷积核对通道数进行调整。
可选的，所述对当前层次的输入数据进行卷积处理，得到第一特征图，包括：
采用三个卷积层对当前层次的输入数据进行卷积处理，得到第一特征图。
可选的，所述三个卷积层中最后一个卷积层的步长为2。
可选的，所述至少两个层次为四个层次。
可选的，所述根据所述特征图，得到所述待检测图像的篡改概率图，包括：对所述特征图进行上采样处理，得到所述待检测图像的篡改概率图。
可选的，所述篡改概率图的分辨率与所述待检测图像的分辨率相同。
可选的，所述对所述特征图进行上采样处理，包括：使用转置卷积层对所述特征图进行上采样处理。
可选的，所述转置卷积层的卷积核为与双线性插值对应的参数。
可选的，所述转置卷积层的卷积核的尺寸为上采样倍数的两倍。
可选的，所述对所述特征图进行上采样处理，包括：
对所述特征图进行两次或两次以上的上采样子处理，得到所述待检测图像的篡改概率图；其中，两次或两次以上的上采样子处理的上采样倍数之积为上采样处理的上采样倍数。
可选的，所述对所述特征图进行上采样处理，得到所述待检测图像的篡改概率图，包括：
对所述特征图进行上采样处理，得到上采样后的特征图；
对所述上采样后的特征图进行卷积运算，得到所述待检测图像的篡改概率图。
需要说明的是，对于本申请第三实施例提供的电子设备的详细描述可以参考对本申请第一实施例的相关描述，这里不再赘述。
与本申请第一实施例提供的图像检测方法相对应的，本申请第四实施例提供一种存储设备，存储有图像检测方法的程序，该程序被处理器运行，执行下述步骤：
获得待检测图像；
从所述待检测图像中提取所述待检测图像的残差数据；
根据所述待检测图像的残差数据获得至少两个层次的特征图；
根据所述特征图，得到所述待检测图像的篡改概率图。
需要说明的是，对于本申请第四实施例提供的存储设备的详细描述可以参考对本申请第一实施例的相关描述，这里不再赘述。
本申请虽然以较佳实施例公开如上，但其并不是用来限定本申请，任何本领域技术人员在不脱离本申请的精神和范围内，都可以做出可能的变动和修改，因此本申请的保护范围应当以本申请权利要求所界定的范围为准。
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。
内存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)。内存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非暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
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。

Claims (21)

1.一种图像检测方法，其特征在于，包括：
获得待检测图像；
从所述待检测图像中提取所述待检测图像的残差数据；
根据所述待检测图像的残差数据获得至少两个层次的特征图；
根据所述特征图，得到所述待检测图像的篡改概率图。
2.根据权利要求1所述的方法，其特征在于，所述从所述待检测图像中提取所述待检测图像的残差数据，包括：
对所述待检测图像进行滤波处理，得到滤波后的所述待检测图像的残差数据。
3.根据权利要求1所述的方法，其特征在于，所述对所述待检测图像进行滤波处理，得到滤波后的所述待检测图像的残差数据，包括：
使用不同方向的差分滤波器对所述待检测图像进行滤波处理，得到滤波后的所述待检测图像的残差数据。
4.根据权利要求1所述的方法，其特征在于，所述使用不同方向的差分滤波器对所述待检测图像进行滤波处理，得到滤波后的所述待检测图像的残差数据，包括：
使用不同方向的差分滤波器分别对所述待检测图像的不同颜色通道进行卷积运算，获得针对所述待检测图像的不同颜色通道的卷积运算结果；
根据针对所述待检测图像的不同颜色通道的卷积运算结果，得到滤波后的所述待检测图像的残差数据。
5.根据权利要求1所述的方法，其特征在于，所述根据所述待检测图像的残差数据获得至少两个层次的特征图，包括：
对当前层次的输入数据进行卷积处理，得到第一特征图；当前层次为第一层次时，当前层次的输入数据为待检测图像的残差数据；当前层次为其他层次时，当前层次的输入数据为前一层次残差网络块输出的特征图；
将所述输入数据和所述第一特征图相加，获得所述当前层次的特征图。
6.根据权利要求5所述的方法，其特征在于，还包括：使用预批归一化和预激活的方式对所述输入数据进行归一化和非线性处理；
所述对当前层次的输入数据进行卷积处理，得到第一特征图，包括：
对归一化和非线性处理后的输入数据进行卷积处理，得到第一特征图。
7.根据权利要求5所述的方法，其特征在于，还包括：对所述输入数据的分辨率或通道数进行处理，得到处理后的输入数据，所述处理后的输入数据与所述第一特征图的分辨率及通道数相同；
所述将所述输入数据和所述第一特征图相加，获得所述当前层次的特征图，包括：将所述处理后的输入数据和所述第一特征图相加，获得所述当前层次的特征图。
8.根据权利要求7所述的方法，其特征在于，所述对所述输入数据的分辨率或通道数进行处理，得到处理后的输入数据，包括：
采用最大池化操作对分辨率进行调整，或者，
采用预定尺寸的卷积核对通道数进行调整。
9.根据权利要求5所述的方法，其特征在于，所述对当前层次的输入数据进行卷积处理，得到第一特征图，包括：
采用三个卷积层对当前层次的输入数据进行卷积处理，得到第一特征图。
10.根据权利要求9所述的方法，其特征在于，所述三个卷积层中最后一个卷积层的步长为2。
11.根据权利要求1所述的方法，其特征在于，所述至少两个层次为四个层次。
12.根据权利要求1所述的方法，其特征在于，所述根据所述特征图，得到所述待检测图像的篡改概率图，包括：对所述特征图进行上采样处理，得到所述待检测图像的篡改概率图。
13.根据权利要求12所述的方法，其特征在于，所述篡改概率图的分辨率与所述待检测图像的分辨率相同。
14.根据权利要求12所述的方法，其特征在于，所述对所述特征图进行上采样处理，包括：使用转置卷积层对所述特征图进行上采样处理。
15.根据权利要求14所述的方法，其特征在于，所述转置卷积层的卷积核为与双线性插值对应的参数。
16.根据权利要求14所述的方法，其特征在于，所述转置卷积层的卷积核的尺寸为上采样倍数的两倍。
17.根据权利要求12所述的方法，其特征在于，所述对所述特征图进行上采样处理，包括：
对所述特征图进行两次或两次以上的上采样子处理，得到所述待检测图像的篡改概率图；其中，两次或两次以上的上采样子处理的上采样倍数之积为上采样处理的上采样倍数。
18.根据权利要求12所述的方法，其特征在于，所述对所述特征图进行上采样处理，得到所述待检测图像的篡改概率图，包括：
对所述特征图进行上采样处理，得到上采样后的特征图；
对所述上采样后的特征图进行卷积运算，得到所述待检测图像的篡改概率图。
19.一种图像检测装置，其特征在于，包括：
待检测图像获得单元，用于获得待检测图像；
残差数据提取单元，用于从所述待检测图像中提取所述待检测图像的残差数据；
特征图获得单元，用于根据所述待检测图像的残差数据获得至少两个层次的特征图；
篡改概率图得到单元，用于根据所述特征图，得到所述待检测图像的篡改概率图。
20.一种电子设备，其特征在于，包括：
处理器；以及
存储器，用于存储图像检测方法的程序，该设备通电并通过所述处理器运行该图像检测方法的程序后，执行下述步骤：
获得待检测图像；
从所述待检测图像中提取所述待检测图像的残差数据；
根据所述待检测图像的残差数据获得至少两个层次的特征图；
根据所述特征图，得到所述待检测图像的篡改概率图。
21.一种存储设备，其特征在于，存储有图像检测方法的程序，该程序被处理器运行，执行下述步骤：
获得待检测图像；
从所述待检测图像中提取所述待检测图像的残差数据；
根据所述待检测图像的残差数据获得至少两个层次的特征图；
根据所述特征图，得到所述待检测图像的篡改概率图。
CN201910154177.XA 2019-03-01 2019-03-01 一种图像检测方法、装置及设备 Active CN111709883B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201910154177.XA CN111709883B (zh) 2019-03-01 2019-03-01 一种图像检测方法、装置及设备
US16/804,446 US11354797B2 (en) 2019-03-01 2020-02-28 Method, device, and system for testing an image

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910154177.XA CN111709883B (zh) 2019-03-01 2019-03-01 一种图像检测方法、装置及设备

Publications (2)

Publication Number Publication Date
CN111709883A true CN111709883A (zh) 2020-09-25
CN111709883B CN111709883B (zh) 2023-06-13

Family

ID=72236218

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910154177.XA Active CN111709883B (zh) 2019-03-01 2019-03-01 一种图像检测方法、装置及设备

Country Status (2)

Country Link
US (1) US11354797B2 (zh)
CN (1) CN111709883B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111932544A (zh) * 2020-10-19 2020-11-13 鹏城实验室 篡改图像检测方法、装置及计算机可读存储介质
CN112115912A (zh) * 2020-09-28 2020-12-22 腾讯科技（深圳）有限公司 图像识别方法、装置、计算机设备及存储介质
CN112465783A (zh) * 2020-11-26 2021-03-09 泰康保险集团股份有限公司 一种图像篡改检测方法和装置
CN113627285A (zh) * 2021-07-26 2021-11-09 长沙理工大学 视频取证方法、系统和介质

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11983853B1 (en) * 2019-10-31 2024-05-14 Meta Plattforms, Inc. Techniques for generating training data for machine learning enabled image enhancement
US11210774B2 (en) * 2020-03-31 2021-12-28 Disney Enterprises, Inc. Automated pixel error detection using an inpainting neural network
US11824977B2 (en) * 2020-07-28 2023-11-21 Arm Limited Data processing system and method
CN112233077A (zh) * 2020-10-10 2021-01-15 北京三快在线科技有限公司 图像分析方法、装置、设备及存储介质
US11733823B2 (en) 2021-05-19 2023-08-22 Microsoft Technology Licensing, Llc Synthetic media detection and management of trust notifications thereof

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108230411A (zh) * 2017-12-29 2018-06-29 成都工业学院 一种篡改图像的检测方法和装置
US20180232605A1 (en) * 2017-02-16 2018-08-16 Honeywell International Inc. Determining image forensics using gradient statistics at edges
CN109191444A (zh) * 2018-08-29 2019-01-11 广东工业大学 基于深度残差网络的视频区域移除篡改检测方法及装置

Family Cites Families (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7778461B2 (en) 2006-05-05 2010-08-17 New Jersey Institute Of Technology System and/or method for image tamper detection
WO2008005947A2 (en) * 2006-06-30 2008-01-10 New Jersey Institute Of Technology A method and apparatus for image splicing/tampering detection using moments of wavelet characteristic functions and statistics of 2-d phase congruency arrays
US8023747B2 (en) 2007-02-09 2011-09-20 New Jersey Institute Of Technology Method and apparatus for a natural image model based approach to image/splicing/tampering detection
KR20130037097A (ko) 2011-10-05 2013-04-15 주식회사 케이티 디지털 콘텐츠의 변형을 탐지하기 위한 디지털 영상 제공 장치 및 디지털 영상 복원 장치
US9031329B1 (en) 2012-05-02 2015-05-12 Fourandsix Technologies, Inc. Photo forensics using image signatures
US9418283B1 (en) 2014-08-20 2016-08-16 Amazon Technologies, Inc. Image processing using multiple aspect ratios
US10032265B2 (en) 2015-09-02 2018-07-24 Sam Houston State University Exposing inpainting image forgery under combination attacks with hybrid large feature mining
WO2018071396A1 (en) * 2016-10-10 2018-04-19 Insurance Services Office Inc. Systems and methods for detection and localization of image and document forgery
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
US10600238B2 (en) 2017-03-09 2020-03-24 Institute Of Automation, Chinese Academy Of Sciences Image tampering forensics method and apparatus
KR102140340B1 (ko) * 2018-10-18 2020-07-31 엔에이치엔 주식회사 컨볼루션 뉴럴 네트워크를 통해 이미지 위변조를 탐지하는 시스템 및 이를 이용하여 무보정 탐지 서비스를 제공하는 방법
GB2579583B (en) * 2018-12-04 2021-01-06 Yoti Holding Ltd Anti-spoofing
US11657525B2 (en) * 2018-12-04 2023-05-23 Yoti Holding Limited Extracting information from images
WO2021003378A1 (en) * 2019-07-02 2021-01-07 Insurance Services Office, Inc. Computer vision systems and methods for blind localization of image forgery
US20210004795A1 (en) * 2019-07-03 2021-01-07 Sap Se Anomaly and fraud detection using duplicate event detector
CN111080629B (zh) * 2019-12-20 2021-10-22 河北工业大学 一种图像拼接篡改的检测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180232605A1 (en) * 2017-02-16 2018-08-16 Honeywell International Inc. Determining image forensics using gradient statistics at edges
CN108230411A (zh) * 2017-12-29 2018-06-29 成都工业学院 一种篡改图像的检测方法和装置
CN109191444A (zh) * 2018-08-29 2019-01-11 广东工业大学 基于深度残差网络的视频区域移除篡改检测方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
BEIJING CHEN等: "《An Improved Splicing Localization Method by Fully Convolutional Networks》" *
PENG ZHOU等: "《Learning Rich Features for Image Manipulation Detection》" *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112115912A (zh) * 2020-09-28 2020-12-22 腾讯科技（深圳）有限公司 图像识别方法、装置、计算机设备及存储介质
CN112115912B (zh) * 2020-09-28 2023-11-28 腾讯科技（深圳）有限公司 图像识别方法、装置、计算机设备及存储介质
CN111932544A (zh) * 2020-10-19 2020-11-13 鹏城实验室 篡改图像检测方法、装置及计算机可读存储介质
CN112465783A (zh) * 2020-11-26 2021-03-09 泰康保险集团股份有限公司 一种图像篡改检测方法和装置
CN112465783B (zh) * 2020-11-26 2023-12-08 泰康保险集团股份有限公司 一种图像篡改检测方法和装置
CN113627285A (zh) * 2021-07-26 2021-11-09 长沙理工大学 视频取证方法、系统和介质

Also Published As

Publication number Publication date
US11354797B2 (en) 2022-06-07
US20200279358A1 (en) 2020-09-03
CN111709883B (zh) 2023-06-13

Similar Documents

Publication Publication Date Title
CN111709883B (zh) 一种图像检测方法、装置及设备
CN108805023B (zh) 一种图像检测方法、装置、计算机设备及存储介质
CN106776842B (zh) 多媒体数据检测方法及装置
Kwon et al. Learning jpeg compression artifacts for image manipulation detection and localization
EP3523776A1 (en) Systems and methods for detection and localization of image and document forgery
CN111612741B (zh) 一种基于失真识别的精确无参考图像质量评价方法
US20210166015A1 (en) Certificate image extraction method and terminal device
EP3166072A1 (en) Method for denoising an image and apparatus for denoising an image
CN110942071A (zh) 一种基于车牌分类和lstm的车牌识别方法
CN110136052B (zh) 一种图像处理方法、装置和电子设备
CN111415323B (zh) 图像的检测方法及装置，神经网络的训练方法及装置
Feng et al. An energy-based method for the forensic detection of re-sampled images
CN107103595A (zh) 检测图像变化的方法、装置、存储介质及设备
CN110570402B (zh) 基于边界感知神经网络的双目显著物体检测方法
Tanaka et al. Fake-image detection with Robust Hashing
CN111553290A (zh) 文本识别方法、装置、设备及存储介质
CN106778822B (zh) 基于漏斗变换的图像直线检测方法
CN116188917B (zh) 缺陷数据生成模型训练方法、缺陷数据生成方法及装置
CN111178398B (zh) 检测身份证图像信息篡改的方法、系统、存储介质及装置
CN116912130A (zh) 基于多感受野特征融合和混合注意力的图像去雾方法
CN112949631B (zh) 用于目标检测的预训练图片合成方法和装置
CN111814543B (zh) 深度视频对象修复篡改检测方法
Peng et al. Multi-Purpose Forensics of Image Manipulations Using Residual-Based Feature.
Qiao et al. Classifying between computer generated and natural images: An empirical study from RAW to JPEG format
CN109558878B (zh) 图像识别方法和装置

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