CN111915574A - 一种Photoshop篡改图像生成方法及系统 - Google Patents
一种Photoshop篡改图像生成方法及系统 Download PDFInfo
- Publication number
- CN111915574A CN111915574A CN202010676938.0A CN202010676938A CN111915574A CN 111915574 A CN111915574 A CN 111915574A CN 202010676938 A CN202010676938 A CN 202010676938A CN 111915574 A CN111915574 A CN 111915574A
- Authority
- CN
- China
- Prior art keywords
- tampering
- image
- photoshop
- tampered
- tool
- 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
- 238000000034 method Methods 0.000 title claims abstract description 67
- 230000006870 function Effects 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 230000033001 locomotion Effects 0.000 claims description 5
- 238000005562 fading Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 238000012216 screening Methods 0.000 claims description 2
- 238000013135 deep learning Methods 0.000 abstract description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000012549 training Methods 0.000 description 6
- 230000006835 compression Effects 0.000 description 4
- 238000007906 compression Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 239000003550 marker Substances 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000005242 forging Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Editing Of Facsimile Originals (AREA)
Abstract
本发明公开了一种Photoshop篡改图像生成方法及系统，所述方法包括：构造实际Photoshop篡改图像，并基于所述实际Photoshop篡改图像，分析得到篡改工具与篡改操作；编写脚本程序，并基于所述脚本程序调用所述篡改工具与所述篡改操作，自动生成篡改图像。本发明能够节省大量用来生成篡改图像的人力和时间成本，能够在基于深度学习的图像取证方法中发挥重要的作用。
Description
技术领域
本发明涉及图像篡改技术领域，尤其涉及一种Photoshop篡改图像生成方法及系统。
背景技术
随着数字成像设备(智能手机，数码相机等)的普及，越来越多的数字图像作为证据出现在社会生活的各个方面中。但是，随着功能强大且易于使用的图像编辑软件的普及，普通人可以很轻松地制造出篡改图像并不留下明显的视觉痕迹。这些篡改图像如果被当作证据使用，会造成严重的社会影响。
常见的图像篡改操作可以分为拼接，区域复制和区域删除。拼接与区域复制相似，不同之处在于拼接是将图像的特定区域复制到另一幅图像，而区域复制对同一图像的不同区域执行复制移动。区域删除操作通常用于从图像中删除有意义的内容。但是现有技术中难以实现自动生成篡改图像目的，严重浪费人力成本与时间成本。
因此，现有技术还有待改进和提高。
发明内容
本发明要解决的技术问题在于，针对现有技术的上述缺陷，提供一种Photoshop篡改图像生成方法及系统，旨在解决现有技术中难以实现自动生成篡改图像目的，严重浪费人力成本与时间成本的问题。
为了解决上述技术问题，本发明所采用的技术方案如下：
第一方面，本发明提供一种Photoshop篡改图像生成方法，其中，所述方法包括：
构造实际Photoshop篡改图像，并基于所述实际Photoshop篡改图像，分析得到篡改工具与篡改操作；
编写脚本程序，并基于所述脚本程序调用所述篡改工具以及所述篡改操作，自动生成篡改图像。
在一种实现方式中，所述构造实际Photoshop篡改图像，并基于所述实际Photoshop篡改图像，分析得到篡改工具与篡改操作，包括：
基于先验知识构造所述实际Photoshop篡改图像,所述实际Photoshop篡改图像为使用Photoshop软件构造出的篡改图像；
记录构造所述实际Photoshop篡改图像中所使用的篡改工具以及篡改操作，并对使用到的所述篡改工具以及所述篡改操作进行统计。
在一种实现方式中，所述对使用到的篡改工具进行统计，包括：
筛选出使用频率超过预设值的篡改工具以及篡改操作。
在一种实现方式中，所述篡改工具包括：高斯模糊、均值模糊、智能模糊、运动模糊、锐化工具、加深工具、减淡工具、涂抹工具。
在一种实现方式中，所述编写脚本程序，并基于所述脚本程序调用所述篡改工具以及所述篡改，自动生成篡改图像，包括：
获取Photoshop中对应工具的接口函数；
根据所述接口函数，绘制脚本程序，以得到篡改操作流程图，所述篡改操作流程图用于模拟使用Photoshop进行篡改的流程；
编写脚本程序，并基于所述脚本程序按照篡改操作流程图，调用篡改工具和篡改操作，自动生成篡改图像。
在一种实现方式中，所述基于所述脚本程序按照篡改操作流程图，调用篡改工具和篡改操作，自动生成篡改图像，包括：
调用篡改工具，对原始图像中的预设区域进行篡改，生成所述篡改图像，所述预设区域为所述原始图像中的任意区域；
或者获取第一原始图像和第二原始图像，将所述第一原始图像中的预设区域拼接至所述第二原始图像中，再使用篡改工具对所述第二原始图像中的拼接区域进行篡改，生成所述篡改图像。
在一种实现方式中，所述生成所述篡改图像，包括：
生成所述篡改图像以及对应的标记图像，所述标记图像中标记出所述篡改图像中的篡改区域。
第二方面，本发明提供了一种Photoshop篡改图像生成系统，其特征在于，所述系统包括：
篡改工具分析单元，用于构造实际Photoshop篡改图像，并基于所述实际Photoshop篡改图像，分析得到篡改工具与篡改操作；
篡改图像生成单元，用于编写脚本程序，并基于所述脚本程序调用所述篡改工具以及所述篡改操作，自动生成篡改图像。
第三方面，本发明还提供一种智能终端，其中，包括有存储器，以及一个或者一个以上的程序，其中一个或者一个以上程序存储于存储器中，且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于执行如上述方案中任意一项所述的方法。
第四方面，本发明还提供一种非临时性计算机可读存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行上述方案中任意一项所述的方法。
有益效果：与现有技术相比，本发明提供了一种角Photoshop篡改图像生成方法，首先构造实际Photoshop篡改图像，并基于所述实际Photoshop篡改图像，分析得到篡改工具与篡改操作；然后编写脚本程序，并基于所述脚本程序调用所述篡改工具以及所述篡改操作，自动生成篡改图像。本发明能够节省大量用来生成篡改图像的人力和时间成本，能够在基于深度学习的图像取证方法中发挥重要的作用。
附图说明
图1为本发明提供的Photoshop篡改图像生成方法的实施例流程图。
图2为本发明提供的Photoshop篡改图像生成方法中篡改工具使用情况分布图。
图3为本发明提供的Photoshop篡改图像生成方法生成的篡改图像。
图4是在相同的模型下使用不同的篡改图像进行训练后的篡改定位性能效果比较图。
图5是本发明实施例提供的Photoshop篡改图像生成系统的原理框图。
图6是本发明实施例提供的智能终端的功能原理图。
具体实施方式
为使本发明的目的、技术方案及效果更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
随着数字成像设备(智能手机，数码相机等)的普及，越来越多的数字图像作为证据出现在社会生活的各个方面中。但是，随着功能强大且易于使用的图像编辑软件的普及，普通人可以很轻松地制造出篡改图像并不留下明显的视觉痕迹。这些篡改图像如果被当作证据使用，会造成严重的社会影响。尽管存在多种图像编辑软件，但Photoshop无疑是使用最广泛的的一种。由于功能强大和使用方便，一般用户要实施图像篡改，通常会采用Photoshop。因此，鉴别图像是否被Photoshop篡改，并进而定位篡改区域是一个亟待解决的实际问题。
数字图像的取证技术可分为主动取证和被动取证两类。被动取证技术不需要提前在图像中嵌入信息，仅仅依赖图像本身的数据来进行取证，具有更加广泛的实际应用场合。被动取证技术主要对图像采集、存储和编辑留下的痕迹提取相关的特征，再利用机器学习或者深度学习的方法训练分类模型，进而达到对图像的原始性进行鉴别的目的。
常见的图像篡改操作可以分为拼接，区域复制和区域删除。拼接与区域复制相似，不同之处在于拼接是将图像的特定区域复制到另一幅图像，而区域复制对同一图像的不同区域执行复制移动。区域删除操作通常用于从图像中删除有意义的内容。这三种篡改操作直接对图像内容进行篡改，能够轻易达到伪造证据的目的。
随着深度学习的兴起，近年来有越来越多取证研究者将深度学习的方法应用到图像取证中。但是这些方法普遍存在一个问题：缺少足够数量的真实篡改图像来对网络进行训练(一位熟练的Photoshop专家，篡改一幅图像平均大约是20分钟)。因此，当使用这些方法去检测实际篡改图像时，检测效果通常不理想。也及时说，基于现有技术中的图像篡改方式实现自动生成篡改图像，大量浪费了人力成本与时间成本。
为了解决现有技术中的问题，本实施例提供一种Photoshop篡改图像生成方法，具体如图1中所示，本实施例中所提供的Photoshop篡改图像生成方法具体包括如下步骤：
步骤S100、构造实际Photoshop篡改图像，并基于所述实际Photoshop篡改图像，分析得到篡改工具与篡改操作。
具体实施时，本实施例在构造Photoshop篡改图像时，可基于先验知识构造所述实际Photoshop篡改图像,所述实际Photoshop篡改图像为使用Photoshop软件构造出的篡改图像。然后记录构造所述实际Photoshop篡改图像中所使用的篡改工具以及篡改操作，并对使用到的篡改工具以及篡改操作进行统计。在一种实现方式中，本实施例可邀请5位Photoshop专家，让他们制作1000幅经过Photoshop篡改的图像(即实际Photoshop篡改图像)，并记录篡改过程中使用的篡改工具和篡改操作。在统计过程中，本实施例统计人为生成的1000幅篡改图像中，被经常使用的篡改工具和篡改操作，将其作为脚本程序最终调用的篡改工具和篡改操作。本实施例对生成的1000幅篡改图像使用的工具进行统计，筛选出使用频率超过预设值的篡改工具。如图2中所示，图2为本发明提供的Photoshop篡改图像生成方法中篡改工具使用情况分布图，从图2中可以看出，可以看到，在所有使用的篡改工具中，模糊工具出现的频率最高，高达61％。由此可以推断出，模糊工具是Photoshop篡改中最常使用的工具。如果加上其他的篡改工具，如锐化工具、加深工具、减淡工具、涂抹工具等，这些篡改工具在1000幅实际篡改图像中出现的概率超过87％。因此，根据图2即可确定出常用的篡改操作以及篡改工具。比如发现在Photoshop中比较常用的篡改操作有：选择某个特定的区域，对特定区域进行旋转、缩放，以及将特定的区域拼接到另一幅图像中。常用的篡改工具有：各种模糊工具如高斯模糊、均值模糊、智能模糊、运动模糊、锐化工具、加深工具、减淡工具、涂抹工具，具体如下表1中所示。
表1
步骤S200、编写脚本程序，并基于所述脚本程序调用所述篡改工具以及所述篡改操作，自动生成篡改图像。
具体实施时，本实施例为了实现自动生成篡改图像，需要编写脚本程序来自动对上述篡改工具以及篡改操作进行调用，以根据所述篡改工具和篡改操作来自动生成篡改图像。具体地，本实施例首先获取Photoshop中对应工具的接口函数。然后根据所述接口函数，绘制脚本程序，以得到篡改操作流程图，所述篡改操作流程图用于模拟使用Photoshop进行篡改的流程；接着，编写脚本程序，并基于所述脚本程序按照篡改操作流程图，调用篡改工具和篡改操作，自动生成篡改图像。
在一种实现方式中，本实施例在自动生成篡改图像时，本实施例可以有两种处理方式，分别为非拼接方式的篡改方式以及拼接方式的篡改方式。所述非拼接方式的篡改方式为调用篡改工具，对原始图像中的预设区域进行篡改，生成所述篡改图像，所述预设区域为所述原始图像中的任意区域。具体地，本实施例中的脚本程序会控制Photoshop软件，从原始图片文件夹中，随机选择一幅图像，即确定出原始图像。然后从原始图像中选择一个任意形状的预设区域作为篡改区域，然后使用上述表1中的篡改工具，对篡改区域进行篡改，生成篡改图像。最后，本实施例中的脚本程序还会调用Photoshop工具中的JPEG压缩方法，随机选择一个JPEG压缩质量，将篡改图像保存成JPEG格式的图像。
本实施例中的所述拼接方式的篡改方式包括：获取第一原始图像和第二原始图像，将所述第一原始图像中的预设区域拼接至所述第二原始图像中，再使用篡改工具对所述第二原始图像中的拼接区域进行篡改，生成所述篡改图像。具体地，本实施例脚本会控制Photoshop软件，从原始图片文件夹中，随机选择两幅图片，即确定出第一原始图像和第二原始图像。然后将一幅作为拼接区域的接受者(即第二原始图像)，另一幅作为篡改区域的提供者(第一原始图像)。接着脚本程序控制Photoshop软件，选择第一原始图像中的某一个任意形状的预设区域，对其进行旋转、缩放操作，然后将该预设区域拼接到第二图像中中。接着，对第二图像中的篡改区域使用上述表1中的篡改工具，以对篡改区域进行篡改，并生成篡改图像。同样的，本实施例中的脚本程序还会调用Photoshop工具中的JPEG压缩方法，随机选择一个JPEG压缩质量，将篡改图像保存成JPEG格式的图像。
在一种实现方式中，本实施例在采用上述两种方式生成篡改图像的同时，还会生成所述篡改图像以及对应的标记图像，所述标记图像中标记出所述篡改图像中的篡改区域。具体如图3中所示，图3显示出本发明方法生成的篡改图像及其对应的标记图像。其中图3中第一列是原始图像，第二列是篡改图像，第三列是篡改区域边界标记图像，第四列是最终具有篡改区域的标记图像。本实施例还会生成一保存着篡改图像所使用的篡改工具和篡改操作的文本文件。
可见，本实施例首先构造实际Photoshop篡改图像，并基于所述实际Photoshop篡改图像，分析得到篡改工具与篡改操作；然后编写脚本程序，并基于所述脚本程序调用所述篡改工具以及所述篡改操作，自动生成篡改图像。本发明能够节省大量用来生成篡改图像的人力和时间成本，能够在基于深度学习的图像取证方法中发挥重要的作用。
为了说明本实施例中自动生成的篡改图像能够在图像取证方法中发挥重要作用。本实施例搭建一个应用在取证领域的深度模型，接着使用Photoshop自动生成的篡改图像作为训练图像，然后对该深度模型进行训练，然后测试训练后的深度模型在人为篡改数据库上的性能。本实施例还通过使用Matlab软件，同样生成一批篡改图像，不同的是，篡改工具使用的是Matlab软件中常见的滤波器，如高斯滤波、中值滤波、均值滤波、拉普拉斯滤波等。然后使用Matlab生成的篡改图像训练同一个深度模型，再测试已训练的深度模型在人为篡改数据库上的检测性能。本实施例是比较同个深度模型经过不同的训练图像(即采用本发明的方法得到的篡改图像和采用Matlab软件来生成的篡改图像)进行训练后，对同一个真实Photoshop篡改数据库中的篡改图像定位效果。
比如，本实施例首先使用本发明的方法生成的篡改图像，训练一个对32×32图像块进行分类的取证网络模型，最终在人为Photoshop篡改数据库上进行测试，该取证网络模型在像素级别上对于篡改像素和原始像素的分类准确率结果如下表2所示。
表2
| 实际类别\预测类别 | 原始像素 | 篡改像素 |
| 原始像素 | 88％ | 12％ |
| 篡改像素 | 32％ | 68％ |
然后，使用本发明的方法生成的篡改图像，训练一个对64×64图像块进行分类的取证网络模型，最终在人为Photoshop篡改数据库上进行测试，该取证网络模型在像素级别上对于篡改像素和原始像素的分类准确率结果如下表3所示。
表3
| 实际类别\预测类别 | 原始像素 | 篡改像素 |
| 原始像素 | 90％ | 10％ |
| 篡改像素 | 19％ | 81％ |
接着，使用Recall(召回率)、Precision(准确率)、F1(综合评价指标)三种指标来评估使用本发明的方法生成的篡改图像训练出的取证网络模型，在人为真实篡改数据库上的定位性能，结果如下表4所示。
表4
最后，本实施例分别使用本发明的方法生成的篡改图像和Matlab生成的篡改图像对网络进行训练，然后在同一个真实人为篡改数据库上进行测试。测试结果如表5所示。
表5
从表5中可以看出使用本发明方法生成的篡改图像作为训练图像，能够使网络学习到更接近实际篡改产生的痕迹，进而提高网络对于篡改图像的篡改定位性能。
图4中显示了两种篡改图像训练后，同个网络对于同一张篡改图像篡改区域的定位结果。由图4可以看出，使用本发明方法(即使用脚本程序)生成的篡改图像进行训练的网络，能更好地学习到Photoshop篡改留下的痕迹，进而实现更好的篡改定位性能。由上述实验结果，可知使用本发明的方法，对于提高基于深度学习的图像取证方法在实际篡改图像上的检测性能有很大的帮助，对于涉及图像安全的使用场合具有重要意义。
基于上述实施例，本发明还提供一种Photoshop篡改图像生成系统，如图5中所示，所述Photoshop篡改图像生成系统包括：篡改工具分析单元10以及篡改图像生成单元20。在本实施例中，所述篡改工具分析单元10，用于构造实际Photoshop篡改图像，并基于所述实际Photoshop篡改图像，分析得到篡改工具与篡改操作。所述篡改图像生成单元20，用于编写脚本程序，并基于所述脚本程序调用所述篡改工具以及所述篡改操作，自动生成篡改图像。
基于上述实施例，本发明还提供了一种智能终端，其原理框图可以如图6所示。该智能终端包括通过系统总线连接的处理器、存储器、网络接口、显示屏、温度传感器。其中，该智能终端的处理器用于提供计算和控制能力。该智能终端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。该智能终端的网络接口用于与外部的智能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一种Photoshop篡改图像生成方法。该智能终端的显示屏可以是液晶显示屏或者电子墨水显示屏，该智能终端的温度传感器是预先在智能终端内部设置，用于检测内部设备的运行温度。
本领域技术人员可以理解，图6中示出的原理框图，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的智能终端的限定，具体的智能终端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，提供了一种智能终端，包括有存储器，以及一个或者一个以上的程序，其中一个或者一个以上程序存储于存储器中，且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于进行以下操作的指令：
构造实际Photoshop篡改图像，并基于所述实际Photoshop篡改图像，分析得到篡改工具与篡改操作；
编写脚本程序，并基于所述脚本程序调用所述篡改工具与所述篡改操作，自动生成篡改图像。
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，本发明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。
综上，本发明公开了一种Photoshop篡改图像生成方法及系统，所述方法包括：构造实际Photoshop篡改图像，并基于所述实际Photoshop篡改图像，分析得到篡改工具与篡改操作；编写脚本程序，并基于所述脚本程序调用所述篡改工具与所述篡改操作，自动生成篡改图像。本发明能够节省大量用来生成篡改图像的人力和时间成本，能够在基于深度学习的图像取证方法中发挥重要的作用。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种Photoshop篡改图像生成方法，其特征在于，所述方法包括：
构造实际Photoshop篡改图像，并基于所述实际Photoshop篡改图像，分析得到篡改工具与篡改操作；
编写脚本程序，并基于所述脚本程序调用所述篡改工具与所述篡改操作，自动生成篡改图像。
2.根据权利要求1所述的Photoshop篡改图像生成方法，其特征在于，所述构造实际Photoshop篡改图像，并基于所述实际Photoshop篡改图像，分析得到篡改工具与篡改操作，包括：
基于先验知识构造所述实际Photoshop篡改图像,所述实际Photoshop篡改图像为使用Photoshop软件构造出的篡改图像；
记录构造所述实际Photoshop篡改图像中所使用的篡改工具以及篡改操作，并对使用到的所述篡改工具以及所述篡改操作进行统计。
3.根据权利要求1所述的Photoshop篡改图像生成方法，其特征在于，所述对使用到的篡改工具进行统计，包括：
筛选出使用频率超过预设值的篡改工具以及篡改操作。
4.根据权利要求3所述的Photoshop篡改图像生成方法，其特征在于，所述篡改工具包括：高斯模糊、均值模糊、智能模糊、运动模糊、锐化工具、加深工具、减淡工具、涂抹工具。
5.根据权利要求1所述的Photoshop篡改图像生成方法，其特征在于，所述编写脚本程序，并基于所述脚本程序调用所述篡改工具以及所述篡改操作，自动生成篡改图像，包括：
获取Photoshop中对应工具的接口函数；
根据所述接口函数，绘制脚本程序，以得到篡改操作流程图，所述篡改操作流程图用于模拟使用Photoshop进行篡改的流程；
编写脚本程序，并基于所述脚本程序按照篡改操作流程图，调用篡改工具和篡改操作，自动生成篡改图像。
6.根据权利要求5所述的Photoshop篡改图像生成方法，其特征在于，所述基于所述脚本程序按照篡改操作流程图，调用篡改工具和篡改操作，自动生成篡改图像，包括：
调用篡改工具，对原始图像中的预设区域进行篡改，生成所述篡改图像，所述预设区域为所述原始图像中的任意区域；
或者获取第一原始图像和第二原始图像，将所述第一原始图像中的预设区域拼接至所述第二原始图像中，再使用篡改工具对所述第二原始图像中的拼接区域进行篡改，生成所述篡改图像。
7.根据权利要求6所述的Photoshop篡改图像生成方法，其特征在于，所述生成所述篡改图像，包括：
生成所述篡改图像以及对应的标记图像，所述标记图像中标记出所述篡改图像中的篡改区域。
8.一种Photoshop篡改图像生成系统，其特征在于，所述系统包括：
篡改工具分析单元，用于构造实际Photoshop篡改图像，并基于所述实际Photoshop篡改图像，分析得到篡改工具与篡改操作；
篡改图像生成单元，用于编写脚本程序，并基于所述脚本程序调用所述篡改工具以及所述篡改操作，自动生成篡改图像。
9.一种智能终端，其特征在于，包括有存储器，以及一个或者一个以上的程序，其中一个或者一个以上程序存储于存储器中，且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于执行如权利要求1-7中任意一项所述的方法。
10.一种非临时性计算机可读存储介质，其特征在于，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行如权利要求1-7中任意一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010676938.0A CN111915574B (zh) | 2020-07-14 | 2020-07-14 | 一种Photoshop篡改图像生成方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010676938.0A CN111915574B (zh) | 2020-07-14 | 2020-07-14 | 一种Photoshop篡改图像生成方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111915574A true CN111915574A (zh) | 2020-11-10 |
| CN111915574B CN111915574B (zh) | 2024-03-22 |
Family
ID=73280935
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010676938.0A Active CN111915574B (zh) | 2020-07-14 | 2020-07-14 | 一种Photoshop篡改图像生成方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111915574B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103839083A (zh) * | 2014-02-25 | 2014-06-04 | 中山大学 | 一种jpeg图片量化表篡改的检测方法 |
| CN103914839A (zh) * | 2014-03-27 | 2014-07-09 | 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 |
| WO2015077946A1 (zh) * | 2013-11-28 | 2015-06-04 | 中国科学院自动化研究所 | 一种基于dct系数的图像篡改定位方法 |
| US20170091588A1 (en) * | 2015-09-02 | 2017-03-30 | Sam Houston State University | Exposing inpainting image forgery under combination attacks with hybrid large feature mining |
| CN110414670A (zh) * | 2019-07-03 | 2019-11-05 | 南京信息工程大学 | 一种基于全卷积神经网络的图像拼接篡改定位方法 |
| CN111199522A (zh) * | 2019-12-24 | 2020-05-26 | 重庆邮电大学 | 一种基于多尺度残差生成对抗网络的单图像盲去运动模糊方法 |
-
2020
- 2020-07-14 CN CN202010676938.0A patent/CN111915574B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015077946A1 (zh) * | 2013-11-28 | 2015-06-04 | 中国科学院自动化研究所 | 一种基于dct系数的图像篡改定位方法 |
| CN103839083A (zh) * | 2014-02-25 | 2014-06-04 | 中山大学 | 一种jpeg图片量化表篡改的检测方法 |
| CN103914839A (zh) * | 2014-03-27 | 2014-07-09 | 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 |
| US20170091588A1 (en) * | 2015-09-02 | 2017-03-30 | Sam Houston State University | Exposing inpainting image forgery under combination attacks with hybrid large feature mining |
| CN110414670A (zh) * | 2019-07-03 | 2019-11-05 | 南京信息工程大学 | 一种基于全卷积神经网络的图像拼接篡改定位方法 |
| CN111199522A (zh) * | 2019-12-24 | 2020-05-26 | 重庆邮电大学 | 一种基于多尺度残差生成对抗网络的单图像盲去运动模糊方法 |
Non-Patent Citations (1)
| Title |
|---|
| 骆伟祺 等: "鲁棒的区域复制图像篡改检测技术", 《计算机学报》, vol. 30, no. 11, pages 1998 - 2007 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111915574B (zh) | 2024-03-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110059694B (zh) | 电力行业复杂场景下的文字数据的智能识别方法 | |
| US8942482B2 (en) | Image quality assessment | |
| Cao et al. | Unsharp masking sharpening detection via overshoot artifacts analysis | |
| US11790499B2 (en) | Certificate image extraction method and terminal device | |
| CN111583180B (zh) | 一种图像的篡改识别方法、装置、计算机设备及存储介质 | |
| CN111191649A (zh) | 一种识别弯曲多行文本图像的方法与设备 | |
| CN112668462B (zh) | 车损检测模型训练、车损检测方法、装置、设备及介质 | |
| CN110276295A (zh) | 车辆识别号码检测识别方法及设备 | |
| CN110766027A (zh) | 图像的区域定位方法和目标区域定位模型的训练方法 | |
| Cao et al. | Detection of image sharpening based on histogram aberration and ringing artifacts | |
| CN116433634A (zh) | 一种基于域自适应的工业图像异常检测方法 | |
| CN115205866A (zh) | 一种基于区块链的科技论文大数据抄袭检测方法及系统 | |
| CN111768405A (zh) | 处理标注图像的方法、装置、设备和存储介质 | |
| CN113660484B (zh) | 基于音视频内容的音视频属性比对方法、系统、终端及介质 | |
| CN113486856A (zh) | 一种基于语义分割和卷积神经网络的驾驶员不规范行为检测方法 | |
| Zhao et al. | Image tampering detection via semantic segmentation network | |
| CN111915574B (zh) | 一种Photoshop篡改图像生成方法及系统 | |
| CN115019297B (zh) | 一种基于颜色增广的实时车牌检测识别方法和装置 | |
| CN114663975A (zh) | 模型训练方法、装置、电子设备及存储介质 | |
| Chen et al. | Accurate segmentation of small targets for LCD defects using deep convolutional neural networks | |
| CN111104934A (zh) | 发动机标贴的检测方法、电子设备及计算机可读存储介质 | |
| Madake et al. | Image Tampering Detection Using Error Level Analysis and Metadata Analysis | |
| CN111783794B (zh) | 一种基于深度可分离卷积残差块和改进nms的多尺度目标检测方法 | |
| CN117557786B (zh) | 物料质量检测方法、装置、计算机设备及存储介质 | |
| CN116609344B (zh) | 摄像头排插的缺陷检测方法、装置、设备及存储介质 |
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 |