CN112116585A - 图像移除篡改盲检测方法、系统、设备及存储介质 - Google Patents
图像移除篡改盲检测方法、系统、设备及存储介质 Download PDFInfo
- Publication number
- CN112116585A CN112116585A CN202011041441.8A CN202011041441A CN112116585A CN 112116585 A CN112116585 A CN 112116585A CN 202011041441 A CN202011041441 A CN 202011041441A CN 112116585 A CN112116585 A CN 112116585A
- Authority
- CN
- China
- Prior art keywords
- area
- target
- inference
- block
- image
- 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
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
- G06T2207/20021—Dividing image into blocks, subimages or windows
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种图像移除篡改盲检测方法、系统、设备及存储介质,所述方法包括:在检测图像中划分得到多个目标块和多个推理块;匹配所述目标块和所述推理块,确定具有匹配对象的目标块和推理块;将具有匹配对象的目标块和推理块分别连通成目标区域和推理区域;根据所述目标区域中目标块和所述推理区域中推理块的匹配结果判断所述目标区域与所述推理区域的映射关系是否成立;将映射关系成立的目标区域作为移除篡改区域。通过采用本发明,实现了进行过移除篡改的图像中的移除篡改区域的精确检测。
Description
技术领域
本发明涉及视频处理技术领域,尤其涉及一种图像移除篡改盲检测方法、系统、设备及存储介质。
背景技术
随着图像编辑软件的普及,人们能够轻易地篡改图像内容并且不留下明显痕迹。当这些篡改后的图像出现在法庭、新闻报道、学术期刊等重要场合时,将会造成严重后果。因此,对图像篡改检测技术的研究具有重要意义。在众多图像篡改方法中,移除是常见的一种,比如,移除风景照中的人物,使用Photoshop可以很容易做到:1.打开图片,复制图层;2.在菜单栏选择“套索工具”,将要移除的人或物用“套索工具”圈起来;3.点击鼠标右键,选择“填充”,在填充界面选择“内容识别”。人眼很难辨别这种移除篡改。Photoshop图像移除篡改所基于的原理是exemplar-based图像修复,人或物移除后的“洞”使用图像中其它位置的相似像素块填充。目前尚没有一种很好的自动检测移除篡改的图像中的移除篡改区域的方法。
发明内容
针对现有技术中的问题,本发明的目的在于提供一种图像移除篡改盲检测方法、系统、设备及存储介质,可以准确地检测进行过移除篡改的图像中的移除篡改区域。
本发明实施例提供一种图像移除篡改盲检测方法,包括如下步骤:
在检测图像中划分得到多个目标块和多个推理块;
匹配所述目标块和所述推理块,确定具有匹配对象的目标块和推理块;
将具有匹配对象的目标块和推理块分别连通成目标区域和推理区域;
根据所述目标区域中目标块和所述推理区域中推理块的匹配结果判断所述目标区域与所述推理区域的映射关系是否成立;
将映射关系成立的目标区域作为移除篡改区域。
可选地,所述在检测图像中划分得到多个目标块和多个推理块,包括如下步骤:
在所述检测图像中检测一致性区域;
将所述检测图像除所述一致性区域之外的区域划分为多个目标块,将所述检测图像的整体区域划分为多个推理块。
可选地,在所述检测图像中检测一致性区域,包括如下步骤:
按预设搜索顺序在所述检测图像中依次选择一初始的种子点;
对各个所述初始的种子点,搜索与该初始的种子点相关联的备选一致性区域;
选择面积大于预设面积阈值的备选一致性区域作为一致性区域;
所述搜索与该初始的种子点相关联的备选一致性区域,包括如下步骤:
以所述初始的种子点作为搜索开始时选择的种子点;
依次搜索当前选择的种子点的邻域点,计算所述邻域点与当前选择的种子点的像素值差值绝对值;
如果像素值差值绝对值小于等于第一阈值,则将所述邻域点作为下一轮搜索时选择的种子点;
如果像素值差值绝对值大于第一阈值,则结束以所述初始的种子点开始的搜索,将从所述初始种子点开始的搜索过程中选择的种子点与所述初始种子点连通得到与该初始的种子点相关联的备选一致性区域。
可选地,匹配所述目标块和所述推理块,包括如下步骤:
计算各个所述目标块和所述推理块的哈希值;
对于每个所述目标块,遍历选择各个所述推理块,计算选择的推理块与所述目标块的哈希值差值绝对值;
根据所述哈希值差值绝对值确定所述目标块的匹配推理块,所述目标块和所对应的匹配推理块互为匹配对象。
可选地,根据所述哈希值差值绝对值确定所述目标块的匹配推理块,包括如下步骤:
将哈希值差值绝对值小于第二阈值的推理块作为所述目标块的初步匹配推理块;
将所述目标块和初步匹配推理块相减得到差值块,计算所述差值块中所有0值像素的所有八连通路径和S,如果所述八连通路径和S大于第三阈值,则所述推理块为备选匹配推理块;
选择具有最大的八连通路径和S的备选匹配推理块作为所述目标块的匹配推理块。
可选地,将具有匹配对象的目标块和推理块分别连通成目标区域和推理区域,包括如下步骤:
创建像素值全为0的第一二值图像和第二二值图像;
将所述第一二值图像中与所述具有匹配对象的目标块所对应的位置处的像素值置1;
将所述第二二值图像中与具有匹配对象的推理块所对应的位置处的像素值置1;
在所述第一二值图像中连通所有像素值为1的点,得到目标区域,在所述第二二值图像中连通所有像素值为1的点,得到推理区域。
可选地,根据所述目标区域中目标块和所述推理区域中推理块的匹配结果判断所述目标区域与所述推理区域的映射关系是否成立,包括如下步骤:
对于每个所述目标区域,确定所述目标区域的备选映射推理区域;
对于所述目标区域和各个所对应的备选映射推理区域,计算所述目标区域中能够在所述备选映射推理区域中寻找到匹配推理块的目标块的数量x与所述备选映射推理区域中推理块的总数y的比值x/y;
如果所述比值x/y大于第四阈值,则所述目标区域与所述备选映射推理区域的映射关系成立。
可选地,对于每个所述目标区域,确定所述目标区域的备选映射推理区域,包括如下步骤:
将所述目标区域按照面积从大到小排序,选择面积最大的n个目标区域,第i个目标区域表示为RT[i],i∈(1,n);
将所述推理区域按照面积从大到小进行排序;
对于第i个目标区域,选择第i+1个到第i+m个推理区域作为备选映射推理区域,m为预设的推理区域判断数量。
可选地,所述将映射关系成立的目标区域作为移除篡改区域,包括如下步骤:
选择建立了映射关系的目标区域,采用如下(1)、(2)和(3)中至少一种方式处理:
(1)计算选择的目标区域中的面积最大的一致性区域面积与所述目标区域的总面积的比值a,如果比值a大于等于第五阈值,则将该目标区域与映射的推理区域的映射关系设为不成立;
(2)计算选择目标区域与映射的推理区域的重叠比例,如果重叠比例大于第六阈值,则将该目标区域与映射的推理区域的映射关系设为不成立;
(3)计算选择的目标区域所映射的推理区域中面积最大的一致性区域总面积与所述推理区域的总面积的比值b,如果比值大于等于第七阈值,则将该目标区域与该推理区域的映射关系设为不成立;
从选择的目标区域中移除映射关系全不成立的目标区域,剩余的目标区域为确定的移除篡改区域。
可选地,所述将映射关系成立的目标区域作为移除篡改区域之后,还包括如下步骤:
创建初始像素值全为0的第三二值图像;
将所述第三二值图像中与所述移除篡改区域所对应位置处的像素值置1;
输出所述第三二值图像作为移除篡改检测掩膜图像。
通过采用本发明的图像移除篡改盲检测方法,通过目标块和推理块的匹配,选择具有匹配对象的目标块所连通的目标区域和具有匹配对象的推理块所连通的推理区域,目标区域作为潜在的移除篡改区域,然后通过目标区域和推理区域映射关系的建立确定移除篡改区域,从而实现了进行过移除篡改的图像中的移除篡改区域的精确检测。
本发明实施例还提供一种图像移除篡改盲检测系统,应用于所述的图像移除篡改盲检测方法,所述系统包括:
图像划分模块,用于在检测图像中划分得到多个目标块和多个推理块;
块匹配模块,用于匹配所述目标块和所述推理块,确定具有匹配对象的目标块和推理块;
区域连通模块,用于将具有匹配对象的目标块和推理块分别连通成目标区域和推理区域;
映射建立模块,用于根据所述目标区域中目标块和所述推理区域中推理块的匹配结果判断所述目标区域与所述推理区域能否建立映射关系;
区域检测模块,用于将映射关系成立的目标区域作为移除篡改区域。
通过采用本发明的图像移除篡改检测系统,通过块匹配模块执行目标块和推理块的匹配,通过区域连通模块选择具有匹配对象的目标块所连通的目标区域和具有匹配对象的推理块所连通的推理区域,目标区域作为潜在的移除篡改区域,然后通过映射建立模块和区域检测模块根据目标区域和推理区域的映射关系确定移除篡改区域,从而实现了进行过移除篡改的图像中的移除篡改区域的精确检测。
本发明实施例还提供一种图像移除篡改盲检测设备,包括:
处理器;
存储器,其中存储有所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行所述的图像移除篡改盲检测方法的步骤。
通过采用本发明所提供的图像移除篡改盲检测设备,所述处理器在执行所述可执行指令时执行所述的图像移除篡改盲检测方法,由此可以获得上述图像移除篡改盲检测方法的有益效果。
本发明实施例还提供一种计算机可读存储介质,用于存储程序,所述程序被执行时实现所述的图像移除篡改盲检测方法的步骤。
通过采用本发明所提供的计算机可读存储介质,其中存储的程序在被执行时实现所述的图像移除篡改盲检测方法的步骤,由此可以获得上述图像移除篡改盲检测方法的有益效果。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显。
图1是本发明一实施例的图像移除篡改盲检测方法的流程图;
图2是本发明一实施例的在检测图像中根据具有匹配对象的目标块确定的目标区域的示意图;
图3是本发明一实施例的输出的移除篡改检测掩膜图像的示意图;
图4是本发明一实施例的图像移除篡改盲检测系统的示意图;
图5是本发明一实施例的图像移除篡改盲检测设备的结构示意图;
图6是本发明一实施例的计算机存储介质的结构示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的实施方式;相反,提供这些实施方式使得本发明将全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的结构,因而将省略对它们的重复描述。
如图1所示,在一实施例中,本发明提供了一种图像移除篡改盲检测方法,包括如下步骤:
S100:在检测图像中划分得到多个目标块和多个推理块;
S200:匹配所述目标块和所述推理块,确定具有匹配对象的目标块和推理块;
S300:将具有匹配对象的目标块和推理块分别连通成目标区域和推理区域;
S400:根据所述目标区域中目标块和所述推理区域中推理块的匹配结果判断所述目标区域与所述推理区域的映射关系是否成立;
S500:将映射关系成立的目标区域作为移除篡改区域。
Exemplar-based图像修复是将人或物移除后的“洞”使用图像中其它位置的相似像素块填充,“洞”为要找的篡改区域,称为目标区域,其它位置的填充像素块称为推理区域。本发明基于PatchMatch(PatchMatch主要用于在两幅二维图像中搜索最近领域中相似度最高的patch)的原理,通过计算目标区域和推理区域的关系可以进行图像的移除篡改盲检测。
因此,通过采用本发明的图像移除篡改盲检测方法,首先通过步骤S100和S200进行目标块和推理块的匹配,选择具有匹配对象的目标块所连通的目标区域和具有匹配对象的推理块所连通的推理区域,目标区域作为潜在的移除篡改区域,然后通过步骤S300和步骤S400根据目标区域和推理区域映射关系的建立进一步对目标区域进行筛选,确定移除篡改区域,从而实现了进行过移除篡改的图像中的移除篡改区域的精确检测。本发明的盲检测方法可以方便、有效地定位图像中的移除篡改区域,不需要事先在图像中嵌入任何先验信息,如水印等,不仅可以应用到photoshop移动篡改的检测,还可以扩展到其他exemplar-based图像移除篡改。
在该实施例中,所述步骤S100中,首先获取检测图像,此处检测图像一般是输入图像灰度化处理后的检测图像。输入图像一般是JPEG格式的,本发明通过将JPEG图像转换为灰度图像,不影响移除篡改区域的定位,计算量变为原来的1/3。在其他可替代的实施方式中,也可以不将输入图像灰度化处理,直接使用输入的JPEG图像作为检测图像,均属于本发明的保护范围之内。
所述步骤S100:在检测图像中划分得到多个目标块和多个推理块之前,还包括如下步骤:
计算检测图像的宽和高,判断检测图像宽高的最大值,当检测图像的宽或高大于一个预设阈值时,保持原图的宽高比,缩放图像至宽高中的较大值为此预设阈值,在基本不影响算法精度的情况下提高算法的运行速度。如果检测图像的宽和高均小于或等于此预设阈值,则不作任何处理。此处,预设阈值可以设为800,或选择为其他数值。
因此,当检测图像的宽高过大时,该实施例中进一步缩放检测图像,设缩放比例为S,S>1,在损失少许定位精度的情况下,计算量变为原来的1/S2,避免了后续移除篡改盲检测算法的运行时间过长。在其他可替代的实施方式中,也可以不对检测图像的宽和高进行调整,也属于本发明的保护范围之内。
进一步地,在所述步骤S100:在检测图像中划分得到多个目标块和多个推理块之前,还包括检测一致性区域uniform area的步骤。图像中的一致性区域是指图像中纹理、颜色等一致或相近的大片区域,一般为图像中的背景区域,如蓝天、白云等。因为一般的图像移除篡改都是移除图像中的人或物,称为前景区域,为了避免这些背景区域对移除篡改检测结果的影响,首先去除图像中的一致性区域,并且可以加快后续移除篡改检测的运算速度。
进一步地,可以采用DFS(Depth-First-Search,深度优先搜索)算法来实现一致性区域检测。DFS算法用于遍历图中的节点,有些类似于树的深度优先遍历。这里唯一的问题是,与树不同,图形可能包含循环,因此我们可能会再次来到同一节点。在所述检测图像中检测一致性区域,包括如下步骤:
按预设搜索顺序(例如预先设定从上往下从左往右扫描图像)在所述检测图像中依次选择一初始的种子点;
对各个所述初始的种子点,搜索与该初始的种子点相关联的备选一致性区域;
选择面积大于预设面积阈值的备选一致性区域作为一致性区域;
具体地,所述搜索与该初始的种子点相关联的备选一致性区域,包括如下步骤:
以所述初始的种子点作为搜索开始时选择的种子点;
依次搜索当前选择的种子点的邻域点(例如可以包括四邻域),计算所述邻域点与当前选择的种子点的像素值差值绝对值;
如果像素值差值绝对值小于等于第一阈值,则将所述邻域点作为下一轮搜索时选择的种子点,此处第一阈值可以根据需要选择,例如选择为1;
如果像素值差值绝对值大于第一阈值,则结束以所述初始种子点开始的搜索,将从所述初始种子点开始的搜索过程中选择的种子点与所述初始种子点连通得到与该初始的种子点相关联的备选一致性区域;
如果选择了下一轮搜索的种子点,继续下一轮搜索,搜索新的种子点的四邻域,并判断所述邻域点与新的种子点的像素值差值绝对值是否小于等于第一阈值,以此类推,直到搜索结束为止。
与该初始的种子点相关联的搜索结束后,即可以确定与该初始的种子点相关联的备选一致性区域。然后按预设搜索顺序选择下一个初始种子点,选择时,可以选择未被搜索到过的点为初始种子点。
在该实施例中,在得到很多个备选一致性区域之后,可以设置仅保留面积大于检测图像面积预设比例的备选一致性区域,如设置仅保留面积大于检测图像面积百分之一的备选一致性区域,作为一致性区域。
在该实施例中,所述步骤S100:在检测图像中划分得到多个目标块和多个推理块,包括如下步骤:
将检测图像划分为多个预设大小的块,例如划分为5x5的多个块,相邻块之间不重叠;
将所述检测图像除所述一致性区域之外的区域划分为多个目标块,将所述检测图像的整体区域划分为多个推理块。因此,所述目标块的选择可以预先将一致性区域中的块进行排除,避免在后续移除篡改检测中背景的干扰,提高检测速度和精度。
在该实施例中,所述步骤S200:匹配所述目标块和所述推理块,包括如下步骤:
计算各个所述目标块和所述推理块的哈希值HashValue,在该实施例中,可以将每个块(目标块或推理块)中像素值的和作为该块的哈希值;
从上往下从左往右遍历目标块(也可以采用其他遍历顺序),对于每个所述目标块,遍历选择各个所述推理块,计算选择的推理块与所述目标块的哈希值差值绝对值D;
根据所述哈希值差值绝对值D确定所述目标块的匹配推理块,所述目标块和所对应的匹配推理块互为匹配对象。
在该实施例中,根据所述哈希值差值绝对值确定所述目标块的匹配推理块,包括如下步骤:
将哈希值差值绝对值D小于第二阈值的推理块作为所述目标块的初步匹配推理块,此处第二阈值可以根据需要选择,例如设定为30,25,20等,对于哈希值差值绝对值D大于等于第二阈值的推理块,不作为初步匹配推理块;
将所述目标块和初步匹配推理块相减得到差值块,计算所述差值块中所有0值像素的所有八连通路径和S,如果所述八连通路径和S大于第三阈值,则所述推理块为备选匹配推理块;此处第三阈值可以根据需要选择,例如设定为12,13,14等;
如果差值块中所有0值像素的所有八连通路径和S小于等于第三阈值,则该差值块对应的初步匹配推理块不作为备选匹配推理块;
选择具有最大的八连通路径和S的备选匹配推理块作为所述目标块的匹配推理块,由此,该目标块和该匹配推理块互为匹配对象。
如果对一个目标块来说,如果无法找到初步匹配推理块,或者无法找到备选匹配推理块,则其没有匹配对象。
因此,在该实施例中,通过精确的八连通路径和的计算来确定最优匹配块,实验证明,这种方式更精确,优于直接计算差值块中0的数目,最终移除篡改区域检测效果更优。在其他可替代的实施方式中,也可以采用直接计算差值块中0的数目,如果0的数目大于某一个阈值,则将该初步匹配推理块作为备选匹配推理块的方式,也属于本发明的保护范围之内。其他可替代的实施方式中,目标块和推理块的匹配计算也可以采用其他方式,而不限于此处的匹配方式。
在该实施例中,所述步骤S300:将具有匹配对象的目标块和推理块分别连通成目标区域和推理区域,包括如下步骤:
创建像素值全为0的第一二值图像ImageD和第二二值图像ImageS;
根据检测图像中具有匹配对象的目标块的位置PD,将所述第一二值图像ImageD中与所述具有匹配对象的目标块所对应的位置处的像素值置1;
根据检测图像中具有匹配对象的推理块的位置PS,将所述第二二值图像ImageS中与具有匹配对象的推理块所对应的位置处的像素值置1;
在所述第一二值图像ImageD中连通所有像素值为1的点,得到目标区域,在所述第二二值图像ImageS中连通所有像素值为1的点,得到推理区域。
在该实施例中,所述步骤S400:根据所述目标区域中目标块和所述推理区域中推理块的匹配结果判断所述目标区域与所述推理区域的映射关系是否成立,包括如下步骤:
对于每个所述目标区域,确定所述目标区域的备选映射推理区域;
对于所述目标区域和各个所对应的备选映射推理区域,计算所述目标区域中能够在所述备选映射推理区域中寻找到匹配推理块的目标块的数量x与所述备选映射推理区域中推理块的总数y的比值x/y;
如果所述比值x/y大于第四阈值,则所述目标区域与所述备选映射推理区域的映射关系成立,此处第四阈值可以根据需要选择设定,例如设定为0.7。
在该实施例中,对于每个所述目标区域,确定所述目标区域的备选映射推理区域,包括如下步骤:
将所述目标区域按照面积从大到小排序,选择面积最大的n个目标区域,第i个目标区域表示为RT[i],i∈(1,n),此处n的值为正整数,n的值可以根据需要选择,例如该实施例中,设定n为5,即选择面积最大的5个目标区域RT[1],R[2],R[3],R[4],R[5],此处选择的n个目标区域为潜在移除篡改区域,在一检测图像中确定潜在移除篡改区域的示例如图2所示;
将所述推理区域按照面积从大到小进行排序,得到RS[1],RS[2],RS[3]……;
对于第i个目标区域,选择第i+1个到第i+m个推理区域作为备选映射推理区域,m为预设的推理区域判断数量,此处m的值为正整数,m的值可以根据需要选择。例如,在该实施例中,m为3,即对于第i个目标区域RT[i],其对应的备选推理区域为RS[j],j=i+1,i+2,i+3。
具体地,对于所述目标区域和各个所对应的备选映射推理区域,计算所述目标区域中能够在所述备选映射推理区域中寻找到匹配推理块的目标块的数量x与所述备选映射推理区域中推理块的总数y的比值x/y,包括如下步骤:
对于第i个目标区域RT[i],依次判断其中目标块的匹配推理块是否存在于推理区域RS[j]中,统计所有找到了匹配推理块,则将寻找到匹配推理块的目标块的数量x加一。如果数量x与总数y的比值x/y大于第四阈值,则所述目标区域RT[i]与所述备选映射推理区域RS[j]的映射关系成立,即为R[i][j]=1。如果数量x与总数y的比值x/y小于等于第四阈值,则所述目标区域RT[i]与所述备选映射推理区域RS[j]的映射关系不成立,即为R[i][j]=0。
最终,对于第i个目标区域RT[i],如果R[i][j]不全为0,则该目标区域为移除篡改区域。即对于第i个目标区域RT[i],至少有一个备选推理区域与其的映射关系成立,则该目标区域为初步的移除篡改区域。如果对于第i个目标区域RT[i],R[i][j]全为0,即没有与其建立映射关系的备选推理区域,则该目标区域不是移除篡改区域。
进一步地,在该实施例中,在采用步骤S400确定初步的移除篡改区域之后,还包括对初步的移除篡改区域中的误检测区域的去除,得到真实移除篡改区域,以进一步提高检测效果。
即,所述步骤S500中所述将映射关系成立的目标区域作为移除篡改区域,包括如下步骤:
选择根据步骤S400建立了映射关系的目标区域,采用如下(1)(2)(3)中至少一种方式处理:
(1)在所述选择的目标区域(此处选择的目标区域即为上述选择的建立了映射关系的目标区域)中检测一致性区域,一致性区域的检测方法可以采用上述在检测图像中检测一致性区域的方法;
计算选择的目标区域中的面积最大的一致性区域面积与所述目标区域的总面积的比值a,如果比值a大于等于第五阈值,则将选择的目标区域和映射的推理区域的映射关系设为不成立;此处第五阈值可以根据需要设定,例如可以设定为0.7,0.8,0.9等;此情况下,该目标区域为误检测区域,其与所映射的所有推理区域的映射关系均设为0;
(2)计算选择目标区域与映射的推理区域的重叠比例,即R[i][j]=1对应的目标区域和推理区域的重叠比例,如果重叠比例大于第六阈值,则将选择的目标区域和该推理区域的映射关系设为不成立,第六阈值可以根据需要设定,例如可以设定为0.4,0.5,0.6等;
具体地,重叠比例的计算方法可以为:从上往下从左往右遍历RT[i]中的像素点,如果第二二值图像ImageS中与RT[i]各个像素点对应位置的像素值为“1”且落在RS[j]区域内,将重叠像素点个数加1。计算重叠像素点总数占RT[i]像素点个数的比例,作为重叠比例,当重叠比例超过第六阈值时认为目标区域和推理区域相互重叠,映射关系R[i][j]不成立,R[i][j]=0;
(3)计算选择的目标区域所映射的推理区域中面积最大的一致性区域总面积与所述推理区域的总面积的比值b,如果比值大于等于第七阈值,则将选择的目标区域和该推理区域的映射关系设为不成立,第七阈值可以根据需要设定,例如可以设定为0.7,0.8,0.9等;
从选择的目标区域中移除映射关系全不成立(在该实施例中,即全设为0)的目标区域,剩余的目标区域为确定的移除篡改区域。此处选择的目标区域为根据步骤S400中建立了映射关系的目标区域。其中,映射关系全不成立的区域即为误检测区域,需要将其移除,将剩下的目标区域作为真正的移除篡改区域。
该实施例通过进一步增加误检测方法,剔除误检测的区域,提高了图像移除篡改盲检测的检测准确性。
在该实施例中,所述步骤S500:将映射关系成立的目标区域作为移除篡改区域之后,还包括如下步骤:
创建初始像素值全为0的第三二值图像Image0;
将所述第三二值图像中与所述移除篡改区域所对应位置处的像素值置1,并且可以进一步进行膨胀操作,膨胀半径根据需要选择,例如设定膨胀半径为3;
输出所述第三二值图像作为移除篡改检测掩膜(Mask)图像。如图3所示,为该实施例中输出的移除篡改检测掩膜图像的一个示例。
此处对膨胀操作进一步进行介绍,从图像处理角度看,二值图像的腐蚀是将一个小型二值图(例如膨胀半径为3时,选择3x3的小型二值图)在一个大的二值图上逐点移动并进行比较,根据比较的结果作出相应处理,以二值图的骨架为黑色点为例,作图像膨胀处理时,如果结构元素中只要有一个及以上黑色点与它对应的大图像素点相同,该点为黑色,否则为白色。也就是说,如果结构元素中的所有黑色点与它对应的大图像素点没有一个相同,该点为白色,否则为黑色。
如图4所示,本发明实施例还提供一种图像移除篡改盲检测系统,应用于所述的图像移除篡改盲检测方法,所述系统包括:
图像划分模块M100,用于在检测图像中划分得到多个目标块和多个推理块;
块匹配模块M200,用于匹配所述目标块和所述推理块,确定具有匹配对象的目标块和推理块;
区域连通模块M300,用于将具有匹配对象的目标块和推理块分别连通成目标区域和推理区域;
映射建立模块M400,用于根据所述目标区域中目标块和所述推理区域中推理块的匹配结果判断所述目标区域与所述推理区域能否建立映射关系;
区域检测模块M500,用于将映射关系成立的目标区域作为移除篡改区域。
通过采用本发明的图像移除篡改检测系统,通过块匹配模块M200执行目标块和推理块的匹配,通过区域连通模块M300选择具有匹配对象的目标块所连通的目标区域和具有匹配对象的推理块所连通的推理区域,目标区域作为潜在的移除篡改区域,然后通过映射建立模块M400和区域检测模块M500根据目标区域和推理区域的映射关系确定移除篡改区域,从而实现了进行过移除篡改的图像中的移除篡改区域的精确检测。
本发明实施例还提供一种图像移除篡改盲检测设备,包括处理器;存储器,其中存储有所述处理器的可执行指令;其中,所述处理器配置为经由执行所述可执行指令来执行所述的图像移除篡改盲检测方法的步骤。
所属技术领域的技术人员能够理解,本发明的各个方面可以实现为系统、方法或程序产品。因此,本发明的各个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“系统”。
下面参照图5来描述根据本发明的这种实施方式的电子设备600。图5显示的电子设备600仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示,电子设备600以通用计算设备的形式表现。电子设备600的组件可以包括但不限于:至少一个处理单元610、至少一个存储单元620、连接不同系统组件(包括存储单元620和处理单元610)的总线630、显示单元640等。
其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元610执行,使得所述处理单元610执行本说明书上述电子处方流转处理方法部分中描述的根据本发明各种示例性实施方式的步骤。例如,所述处理单元610可以执行如图1中所示的步骤。
所述存储单元620可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)6201和/或高速缓存存储单元6202,还可以进一步包括只读存储单元(ROM)6203。
所述存储单元620还可以包括具有一组(至少一个)程序模块6205的程序/实用工具6204,这样的程序模块6205包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线630可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备600也可以与一个或多个外部设备700(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备600交互的设备通信,和/或与使得该电子设备600能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口650进行。并且,电子设备600还可以通过网络适配器660与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。网络适配器660可以通过总线630与电子设备600的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备600使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过采用本发明所提供的图像移除篡改盲检测设备,所述处理器在执行所述可执行指令时执行所述的图像移除篡改盲检测方法,由此可以获得上述图像移除篡改盲检测方法的有益效果。
本发明实施例还提供一种计算机可读存储介质,用于存储程序,所述程序被执行时实现所述的图像移除篡改盲检测方法的步骤。在一些可能的实施方式中,本发明的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在终端设备上运行时,所述程序代码用于使所述终端设备执行本说明书上述电子处方流转处理方法部分中描述的根据本发明各种示例性实施方式的步骤。
参考图6所示,描述了根据本发明的实施方式的用于实现上述方法的程序产品800,其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本发明的程序产品不限于此,在本文件中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或集群上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
通过采用本发明所提供的计算机可读存储介质,其中存储的程序在被执行时实现所述的图像移除篡改盲检测方法的步骤,由此可以获得上述图像移除篡改盲检测方法的有益效果。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (13)
1.一种图像移除篡改盲检测方法,其特征在于,包括如下步骤:
在检测图像中划分得到多个目标块和多个推理块;
匹配所述目标块和所述推理块,确定具有匹配对象的目标块和推理块;
将具有匹配对象的目标块和推理块分别连通成目标区域和推理区域;
根据所述目标区域中目标块和所述推理区域中推理块的匹配结果判断所述目标区域与所述推理区域的映射关系是否成立;
将映射关系成立的目标区域作为移除篡改区域。
2.根据权利要求1所述的图像移除篡改盲检测方法,其特征在于,所述在检测图像中划分得到多个目标块和多个推理块,包括如下步骤:
在所述检测图像中检测一致性区域;
将所述检测图像除所述一致性区域之外的区域划分为多个目标块,将所述检测图像的整体区域划分为多个推理块。
3.根据权利要求2所述的图像移除篡改盲检测方法,其特征在于,在所述检测图像中检测一致性区域,包括如下步骤:
按预设搜索顺序在所述检测图像中依次选择一初始的种子点;
对各个所述初始的种子点,搜索与该初始的种子点相关联的备选一致性区域;
选择面积大于预设面积阈值的备选一致性区域作为一致性区域;
所述搜索与该初始的种子点相关联的备选一致性区域,包括如下步骤:
以所述初始的种子点作为搜索开始时选择的种子点;
依次搜索当前选择的种子点的邻域点,计算所述邻域点与当前选择的种子点的像素值差值绝对值;
如果像素值差值绝对值小于等于第一阈值,则将所述邻域点作为下一轮搜索时选择的种子点;
如果像素值差值绝对值大于第一阈值,则结束以所述初始的种子点开始的搜索,将从所述初始种子点开始的搜索过程中选择的种子点与所述初始种子点连通得到与该初始的种子点相关联的备选一致性区域。
4.根据权利要求1或2所述的图像移除篡改盲检测方法,其特征在于,匹配所述目标块和所述推理块,包括如下步骤:
计算各个所述目标块和所述推理块的哈希值;
对于每个所述目标块,遍历选择各个所述推理块,计算选择的推理块与所述目标块的哈希值差值绝对值;
根据所述哈希值差值绝对值确定所述目标块的匹配推理块,所述目标块和所对应的匹配推理块互为匹配对象。
5.根据权利要求4所述的图像移除篡改盲检测方法,其特征在于,根据所述哈希值差值绝对值确定所述目标块的匹配推理块,包括如下步骤:
将哈希值差值绝对值小于第二阈值的推理块作为所述目标块的初步匹配推理块;
将所述目标块和初步匹配推理块相减得到差值块,计算所述差值块中所有0值像素的所有八连通路径和S,如果所述八连通路径和S大于第三阈值,则所述推理块为备选匹配推理块;
选择具有最大的八连通路径和S的备选匹配推理块作为所述目标块的匹配推理块。
6.根据权利要求1或2所述的图像移除篡改盲检测方法,其特征在于,将具有匹配对象的目标块和推理块分别连通成目标区域和推理区域,包括如下步骤:
创建像素值全为0的第一二值图像和第二二值图像;
将所述第一二值图像中与所述具有匹配对象的目标块所对应的位置处的像素值置1;
将所述第二二值图像中与具有匹配对象的推理块所对应的位置处的像素值置1;
在所述第一二值图像中连通所有像素值为1的点,得到目标区域,在所述第二二值图像中连通所有像素值为1的点,得到推理区域。
7.根据权利要求1或2所述的图像移除篡改盲检测方法,其特征在于,根据所述目标区域中目标块和所述推理区域中推理块的匹配结果判断所述目标区域与所述推理区域的映射关系是否成立,包括如下步骤:
对于每个所述目标区域,确定所述目标区域的备选映射推理区域;
对于所述目标区域和各个所对应的备选映射推理区域,计算所述目标区域中能够在所述备选映射推理区域中寻找到匹配推理块的目标块的数量x与所述备选映射推理区域中推理块的总数y的比值x/y;
如果所述比值x/y大于第四阈值,则所述目标区域与所述备选映射推理区域的映射关系成立。
8.根据权利要求7所述的图像移除篡改盲检测方法,其特征在于,对于每个所述目标区域,确定所述目标区域的备选映射推理区域,包括如下步骤:
将所述目标区域按照面积从大到小排序,选择面积最大的n个目标区域,第i个目标区域表示为RT[i],i∈(1,n);
将所述推理区域按照面积从大到小进行排序;
对于第i个目标区域,选择第i+1个到第i+m个推理区域作为备选映射推理区域,m为预设的推理区域判断数量。
9.根据权利要求7所述的图像移除篡改盲检测方法,其特征在于,所述将映射关系成立的目标区域作为移除篡改区域,包括如下步骤:
选择建立了映射关系的目标区域,采用如下(1)、(2)和(3)中至少一种方式处理:
(1)计算选择的目标区域中的面积最大的一致性区域面积与所述目标区域的总面积的比值a,如果比值a大于等于第五阈值,则将该目标区域与映射的推理区域的映射关系设为不成立;
(2)计算选择目标区域与映射的推理区域的重叠比例,如果重叠比例大于第六阈值,则将选择的目标区域与该推理区域的映射关系设为不成立;
(3)计算选择的目标区域所映射的推理区域中面积最大的一致性区域总面积与所述推理区域的总面积的比值b,如果比值大于等于第七阈值,则将选择的目标区域与该推理区域的映射关系设为不成立;
从选择的目标区域中移除映射关系全不成立的目标区域,剩余的目标区域为确定的移除篡改区域。
10.根据权利要求1或2所述的图像移除篡改盲检测方法,其特征在于,所述将映射关系成立的目标区域作为移除篡改区域之后,还包括如下步骤:
创建初始像素值全为0的第三二值图像;
将所述第三二值图像中与所述移除篡改区域所对应位置处的像素值置1;
输出所述第三二值图像作为移除篡改检测掩膜图像。
11.一种图像移除篡改盲检测系统,其特征在于,应用于权利要求1至10中任一项所述的图像移除篡改盲检测方法,所述系统包括:
图像划分模块,用于在检测图像中划分得到多个目标块和多个推理块;
块匹配模块,用于匹配所述目标块和所述推理块,确定具有匹配对象的目标块和推理块;
区域连通模块,用于将具有匹配对象的目标块和推理块分别连通成目标区域和推理区域;
映射建立模块,用于根据所述目标区域中目标块和所述推理区域中推理块的匹配结果判断所述目标区域与所述推理区域能否建立映射关系;
区域检测模块,用于将映射关系成立的目标区域作为移除篡改区域。
12.一种图像移除篡改盲检测设备,其特征在于,包括:
处理器;
存储器,其中存储有所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行权利要求1至10中任一项所述的图像移除篡改盲检测方法的步骤。
13.一种计算机可读存储介质,用于存储程序,其特征在于,所述程序被执行时实现权利要求1至10中任一项所述的图像移除篡改盲检测方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011041441.8A CN112116585B (zh) | 2020-09-28 | 2020-09-28 | 图像移除篡改盲检测方法、系统、设备及存储介质 |
PCT/CN2021/082751 WO2022062343A1 (zh) | 2020-09-28 | 2021-03-24 | 图像移除篡改盲检测方法、系统、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011041441.8A CN112116585B (zh) | 2020-09-28 | 2020-09-28 | 图像移除篡改盲检测方法、系统、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112116585A true CN112116585A (zh) | 2020-12-22 |
CN112116585B CN112116585B (zh) | 2022-09-27 |
Family
ID=73797670
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011041441.8A Active CN112116585B (zh) | 2020-09-28 | 2020-09-28 | 图像移除篡改盲检测方法、系统、设备及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN112116585B (zh) |
WO (1) | WO2022062343A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022062343A1 (zh) * | 2020-09-28 | 2022-03-31 | 苏州科达科技股份有限公司 | 图像移除篡改盲检测方法、系统、设备及存储介质 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117407562B (zh) * | 2023-12-13 | 2024-04-05 | 杭州海康威视数字技术股份有限公司 | 一种图像识别方法、系统及电子设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103345758A (zh) * | 2013-07-25 | 2013-10-09 | 南京邮电大学 | 基于dct统计特征的jpeg图像区域复制篡改盲检测方法 |
CN106454384A (zh) * | 2015-08-04 | 2017-02-22 | 中国科学院深圳先进技术研究院 | 视频帧插入和帧删除检测方法 |
CN107527337A (zh) * | 2017-08-07 | 2017-12-29 | 杭州电子科技大学 | 一种基于深度学习的视频对象移除篡改检测方法 |
CN110599478A (zh) * | 2019-09-16 | 2019-12-20 | 中山大学 | 一种图像区域复制粘贴篡改检测方法 |
CN110992238A (zh) * | 2019-12-06 | 2020-04-10 | 上海电力大学 | 一种基于双通道网络的数字图像篡改盲检测方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6362333B2 (ja) * | 2013-02-14 | 2018-07-25 | キヤノン株式会社 | 画像処理装置、画像処理方法、およびプログラム |
CN109660814B (zh) * | 2019-01-07 | 2021-04-27 | 福州大学 | 一种视频前景删除篡改的检测方法 |
CN110147800A (zh) * | 2019-05-20 | 2019-08-20 | 哈尔滨工业大学 | 基于sift的图像复制粘贴篡改盲检方法 |
CN111553916B (zh) * | 2020-05-09 | 2023-11-14 | 中科计算技术创新研究院 | 基于多种特征和卷积神经网络的图像篡改区域检测方法 |
CN112116585B (zh) * | 2020-09-28 | 2022-09-27 | 苏州科达科技股份有限公司 | 图像移除篡改盲检测方法、系统、设备及存储介质 |
-
2020
- 2020-09-28 CN CN202011041441.8A patent/CN112116585B/zh active Active
-
2021
- 2021-03-24 WO PCT/CN2021/082751 patent/WO2022062343A1/zh active Application Filing
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103345758A (zh) * | 2013-07-25 | 2013-10-09 | 南京邮电大学 | 基于dct统计特征的jpeg图像区域复制篡改盲检测方法 |
CN106454384A (zh) * | 2015-08-04 | 2017-02-22 | 中国科学院深圳先进技术研究院 | 视频帧插入和帧删除检测方法 |
CN107527337A (zh) * | 2017-08-07 | 2017-12-29 | 杭州电子科技大学 | 一种基于深度学习的视频对象移除篡改检测方法 |
CN110599478A (zh) * | 2019-09-16 | 2019-12-20 | 中山大学 | 一种图像区域复制粘贴篡改检测方法 |
CN110992238A (zh) * | 2019-12-06 | 2020-04-10 | 上海电力大学 | 一种基于双通道网络的数字图像篡改盲检测方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022062343A1 (zh) * | 2020-09-28 | 2022-03-31 | 苏州科达科技股份有限公司 | 图像移除篡改盲检测方法、系统、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112116585B (zh) | 2022-09-27 |
WO2022062343A1 (zh) | 2022-03-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110705583A (zh) | 细胞检测模型训练方法、装置、计算机设备及存储介质 | |
CN112651953B (zh) | 图片相似度计算方法、装置、计算机设备及存储介质 | |
KR101618996B1 (ko) | 호모그래피를 추정하기 위한 샘플링 방법 및 영상 처리 장치 | |
CN111310770B (zh) | 目标检测方法和装置 | |
CN112116585B (zh) | 图像移除篡改盲检测方法、系统、设备及存储介质 | |
WO2023279847A1 (zh) | 单元格位置的检测方法、装置和电子设备 | |
CN112102929A (zh) | 医学图像标注方法、装置、存储介质及电子设备 | |
JPWO2020240808A1 (ja) | 学習装置、分類装置、学習方法、分類方法、学習プログラム、及び分類プログラム | |
KR20200092466A (ko) | 의료 영상의 분석 모델을 학습시키는 학습 장치 및 그 학습 방법 | |
CN116843901A (zh) | 医学图像分割模型训练方法和医学图像分割方法 | |
JP2022090633A (ja) | 高解像度画像内の物体検出を改善するための方法、コンピュータ・プログラム製品、およびコンピュータ・システム | |
CN113192057A (zh) | 目标检测方法、系统、设备及存储介质 | |
CN116994721B (zh) | 一种数字病理切片图的快速处理系统 | |
CN109697722B (zh) | 用于生成三分图的方法及装置 | |
CN112465050B (zh) | 一种图像模板选择方法、装置、设备及存储介质 | |
Ai et al. | Hybrid active contour–incorporated sign detection algorithm | |
CN113704276A (zh) | 地图更新方法、装置、电子设备及计算机可读存储介质 | |
CN115345895B (zh) | 用于视觉检测的图像分割方法、装置、计算机设备及介质 | |
CN112258541A (zh) | 视频边界检测方法、系统、设备及存储介质 | |
CN116936116A (zh) | 一种智能医疗数据分析方法和系统 | |
CN112446231A (zh) | 一种人行横道检测方法、装置、计算机设备及存储介质 | |
CN116091784A (zh) | 一种目标跟踪方法、设备及存储介质 | |
CN112487943B (zh) | 关键帧去重的方法、装置和电子设备 | |
US11575589B2 (en) | Network traffic rule identification | |
CN115359468A (zh) | 一种目标网站识别方法、装置、设备及介质 |
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 |