CN112233077A - 图像分析方法、装置、设备及存储介质 - Google Patents
图像分析方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN112233077A CN112233077A CN202011079999.5A CN202011079999A CN112233077A CN 112233077 A CN112233077 A CN 112233077A CN 202011079999 A CN202011079999 A CN 202011079999A CN 112233077 A CN112233077 A CN 112233077A
- Authority
- CN
- China
- Prior art keywords
- image
- channel
- feature
- characteristic
- tampered
- 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.)
- Withdrawn
Links
- 238000003703 image analysis method Methods 0.000 title claims abstract description 27
- 238000003709 image segmentation Methods 0.000 claims abstract description 84
- 238000012545 processing Methods 0.000 claims abstract description 55
- 238000000034 method Methods 0.000 claims abstract description 49
- 238000010191 image analysis Methods 0.000 claims abstract description 17
- 230000001965 increasing effect Effects 0.000 claims abstract description 7
- 230000002708 enhancing effect Effects 0.000 claims abstract description 5
- 230000006835 compression Effects 0.000 claims description 37
- 238000007906 compression Methods 0.000 claims description 37
- 238000004458 analytical method Methods 0.000 claims description 34
- 230000005284 excitation Effects 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 19
- 238000001514 detection method Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000036961 partial effect Effects 0.000 description 3
- 230000002829 reductive effect Effects 0.000 description 3
- 230000003247 decreasing effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012546 transfer 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
- G06T1/00—General purpose image data processing
- G06T1/0021—Image watermarking
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N1/00—Scanning, transmission or reproduction of documents or the like, e.g. facsimile transmission; Details thereof
- H04N1/32—Circuits or arrangements for control or supervision between transmitter and receiver or between image input and image output device, e.g. between a still-image camera and its memory or between a still-image camera and a printer device
- H04N1/32101—Display, printing, storage or transmission of additional information, e.g. ID code, date and time or title
- H04N1/32144—Display, printing, storage or transmission of additional information, e.g. ID code, date and time or title embedded in the image data, i.e. enclosed or integrated in the image, e.g. watermark, super-imposed logo or stamp
- H04N1/32352—Controlling detectability or arrangements to facilitate detection or retrieval of the embedded information, e.g. using markers
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种图像分析方法、装置、设备及存储介质，属于图像分析处理技术领域。所述方法包括：获取第一图像；对第一图像进行特征加强处理得到第二图像，第二图像用于加强第一图像中的篡改特征；基于通道重标定对第一图像的第一特征通道以及第二图像的第二特征通道增加权重，权重用于反映第一特征通道与第二特征通道之间的相对重要程度，通道重标定用于提升篡改特征的重要程度；将增加权重后的第一特征通道与第二特征通道输入图像分割模型，输出第一图像中的篡改区域。第二特征通道结合通道重标定能够提升第一图像中的篡改特征的重要程度，从而提升了确定图像中的篡改特征的准确度，进而能够提升确定图像中的篡改区域的准确度。
Description
技术领域
本申请涉及图像分析处理技术领域，特别涉及一种图像分析方法、装置、设备及存储介质。
背景技术
图像分析技术是近年来的热门技术之一，通过图像分析技术能够实现确定图像是否经过篡改(也称为PS)以及图像中的篡改区域。
目前，通常使用双流Faster R-CNN(Region-Convolutional Neural Network)确定图像中的篡改区域。双流Faster R-CNN中的RGB流能够从输入的RGB图像中提取篡改特征，例如强对比度差异特征以及非自然篡改边界特征。双流Faster R-CNN中的噪声流能够通过隐写分析模型(Steganalysis Rich Model，SRM)滤波器提取RGB图像的噪声特征。其中，RGB图像中的真实区域和篡改区域之间的噪声特征不同。之后双流Faster R-CNN融合RGB流和噪声流得到的特征，从而能够准确地确定出图像中的篡改区域。
当被检测的图像经过至少两次图像压缩时，上述方法中的SRM滤波器将无法提取出图像的噪声特征，从而导致确定图像中的篡改区域时的准确度降低。
发明内容
本申请提供了一种图像分析方法、装置、设备及存储介质，能够提升确定图像中的篡改区域的准确度。所述技术方案如下：
根据本申请的一方面，提供了一种图像分析方法，所述方法包括：
获取第一图像；
对所述第一图像进行特征加强处理得到第二图像，所述第二图像用于加强所述第一图像中的篡改特征；
基于通道重标定对所述第一图像的第一特征通道以及所述第二图像的第二特征通道增加权重，所述权重用于反映所述第一特征通道与所述第二特征通道之间的相对重要程度，所述通道重标定用于提升所述篡改特征的重要程度；
将增加权重后的所述第一特征通道与所述第二特征通道输入图像分割模型，输出所述第一图像中的篡改区域。
根据本申请的另一方面，提供了一种图像分析装置，所述装置包括：
获取模块，用于获取第一图像；
第一处理模块，用于对所述第一图像进行特征加强处理得到第二图像，所述第二图像用于加强所述第一图像中的篡改特征；
第二处理模块，用于基于通道重标定对所述第一图像的第一特征通道以及所述第二图像的第二特征通道增加权重，所述权重用于反映所述第一特征通道与所述第二特征通道之间的相对重要程度，所述通道重标定用于提升所述篡改特征的重要程度；
输入输出模块，用于将增加权重后的所述第一特征通道与所述第二特征通道输入图像分割模型，输出所述第一图像中的篡改区域。
可选地，所述第二处理模块，用于：
将所述第一特征通道与所述第二特征通道合并，得到第一合并特征通道；
将所述第一合并特征通道输入第一压缩激励网络块，得到所述第一合并特征通道对应的第一加权特征通道，所述第一加权特征通道是根据对所述第一合并特征通道中的每个通道增加权重得到的；
所述输入输出模块，用于：
将所述第一加权特征通道输入所述图像分割模型。
可选地，所述第二处理模块，用于：
根据所述第一压缩激励网络块，确定所述每个通道对应的权值；
根据所述每个通道以及所述权值，确定所述第一加权特征通道，所述第一加权特征通道是根据所述每个通道以及所述每个通道对应的所述权值的乘积确定的。
可选地，所述输入输出模块，用于：
通过所述图像分割模型处理所述第一特征通道与所述第二特征通道，得到所述第一图像的篡改特征对应的图像掩膜；
通过所述图像掩膜过滤所述第一图像，得到所述篡改区域。
可选地，所述输入输出模块，用于：
将所述图像分割模型中确定所述图像掩膜之前输出的原始特征通道与所述第二特征通道合并，得到第二合并特征通道；所述原始特征通道是所述第一特征通道和所述第二特征通道进行特征提取后得到的通道；
通过第二压缩激励网络块对所述第二合并特征通道重新加权重，得到目标特征通道；
根据所述目标特征通道，确定所述图像掩膜。
可选地，所述第二图像包括压缩级别分析图像，所述压缩级别分析图像用于反映所述第一图像中不同区域的压缩级别差异；所述第一处理模块，包括：
第一处理子模块，用于通过错误级别分析算法处理所述第一图像，得到所述压缩级别分析图像。
可选地，所述第二图像包括噪声特征图像，所述噪声特征图像用于反映所述第一图像中不同区域的噪声差异；所述第一处理模块，包括：
第二处理子模块，用于通过隐写分析模型滤波器处理所述第一图像，得到所述噪声特征图像。
可选地，所述第二图像包括锐化图像，所述锐化图像用于反映所述第一图像中不同区域的灰度差异；所述第一处理模块，包括：
卷积子模块，用于通过目标卷积核卷积所述第一图像，得到所述锐化图像，所述目标卷积核基于拉普拉斯算子。
根据本申请的另一方面，提供了一种计算机设备，所述计算机设备包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如上方面所述的图像分析方法。
根据本申请的另一方面，提供了一种计算机可读存储介质，所述可读存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如上方面所述的图像分析方法。
根据本申请的另一方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述方面的各种可选实现方式中提供的图像分析方法。
本申请提供的技术方案带来的有益效果至少包括：
通过基于通道重标定对第一特征通道与第二特征通道增加权重，并输入图像分割模型，从而得到第一图像中的篡改区域。第二特征通道是对第一图像进行特征加强得到的，第二特征通道结合通道重标定能够提升第一图像中的篡改特征的重要程度，从而提升了确定图像中的篡改特征的准确度，进而能够提升确定图像中的篡改区域的准确度。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的确定图像的篡改区域的原理的示意图；
图2是本申请实施例提供的一种图像分析方法的流程示意图；
图3是本申请实施例提供的另一种图像分析方法的流程示意图；
图4是本申请实施例提供的压缩级别分析图像的示意图；
图5是本申请实施例提供的对特征通道增加权重的实现过程的示意图；
图6是本申请实施例提供的输出第一图像中的篡改区域的实现过程的示意图；
图7是本申请实施例提供的通过图像分割模型得到图像掩膜的实现过程的示意图；
图8是本申请实施例提供的显示篡改区域的示意图；
图9是本申请实施例提供的确定图像的篡改区域的模型的示意图；
图10是本申请实施例提供的一种图像分析装置的结构示意图；
图11是本申请实施例提供的一种第一处理模块的结构示意图；
图12是本申请实施例提供的另一种第一处理模块的结构示意图；
图13是本申请实施例提供的又一种第一处理模块的结构示意图；
图14是本申请实施例提供的一种服务器的结构示意图。
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。
为便于对本申请实施例提供的方法的理解，首先对本申请实施例中涉及的名词进行介绍：
图像篡改：指对原始图像进行修改，从而得到修改后的图像，也称为PS。常见的图像篡改分为三类。拼接：指从一个图像复制部分区域然后将该区域粘贴到被篡改的图像中。复制：在被篡改的图像中复制部分区域，并将该复制的区域粘贴在被篡改的图像的其它区域中。去除：从被篡改的图像中删除部分区域。
图像分割模型：图像分割模型基于卷积神经网络(Convolutional NeuralNetworks，CNN)，能够实现将图像划分成若干个特定的、具有独特特征的区域，并将划分出的区域提取出来。
特征通道：特征通道具有能够反映特征的信息。图像的特征通道具有图像的颜色信息，在RGB色彩模式下，图像包括红色、绿色和蓝色三个特征通道。对于灰度图像，只有一个特征通道。图像分割模型的特征通道具有输入的图像的特征的信息，即对输入的图像的特征进行检测所得到的反映图像的特征的特征图(feature map)。图像分割模型的特征通道也称为通道(Channel)。
图像掩膜：通过将图像与图像对应的图像掩膜(mask)相乘，能够保持图像的指定区域的图像值保持不变，而该指定区域外的图像值都为0。从而只输出图像的指定区域。
压缩激励网络块：压缩激励网络块(Squeeze-and-Excitation Networks Block，SENet Block)并不是一个完整的网络结构，而是一个子结构，可以嵌到其他分类或检测模型中。SENet Block能够自发将重要的特征通道进行强化，非重要特征通道进行弱化，从而提升分类或检测模型识别特征的准确性。
图1是本申请实施例提供的确定图像的篡改区域的原理示意图。如图1所示，客户端对获取到的第一图像101进行特征加强从而得到第二图像102，该第二图像102用于加强第一图像101中的篡改特征。基于通道重标定对第一图像101的第一特征通道103以及第二图像102的第二特征通道104增加权重，该通道重标定用于提升第一图像101中的篡改特征的重要程度。例如客户端将第一特征通道103与第二特征通道104合并，并输入与图像分割模型105的输入层连接的第一SENet Block，从而实现对第一特征通道103以及第二特征通道104增加权重。之后客户端将增加权重后的第一特征通道103以及第二特征通道104输入图像分割模型105。该图像分割模型105为能够实现图像分割的任一基于CNN的模型。图像分割模型105对第一特征通道103以及第二特征通道104进行中间处理(特征提取)。在输出图像掩膜107之前，客户端将图像分割模型105输出的原始特征通道106与第二特征通道104合并，并基于通道重标定再次增加权重。例如将该合并的特征通道输入第二SENet Block。该第二SENet Block与第一SENet Block相同或不相同。在输出图像掩膜前再次输入SENetBlock，能够减小输入的第二特征通道104对图像分割模型105最终确定的特征的影响。之后图像分割模型105根据该增加权重后的特征通道确定出图像掩膜107。该图像分割模型105的结构仅用作示例，不作为对本申请实施例中的图像分割模型的限制。其中，图像掩膜对应的第一图像101中未经篡改的区域的值为0，篡改过的区域的值为1。客户端根据该图像掩膜107能够得到第一图像101中的篡改区域108。
本申请实施例，基于通道重标定对第一特征通道与第二特征通道增加权重，并输入图像分割模型，从而得到第一图像中的篡改区域。第二特征通道是对第一图像进行特征加强得到的，第二特征通道结合通道重标定能够提升第一图像中的篡改特征的重要程度，从而提升了确定图像中的篡改特征的准确度。在图像分割模型确定图像掩膜之前，通过压缩激励网络块再次标定图像分割模型输出的特征通道，能够避免主动确定的第二图像对图像分割模型确定篡改特征产生过大影响而引起负面效果。同样提升了确定图像中的篡改特征的准确度。进而能够提升确定图像中的篡改区域的准确度。
图2是本申请实施例提供的一种图像分析方法的流程示意图。该方法可以用于计算机设备或计算机设备上的客户端。如图2所示，该方法包括：
步骤201、获取第一图像。
该第一图像是用户在客户端中上传的，是存储在安装有客户端的计算机设备中的，或者是客户端从其它计算机设备中获取的。该第一图像为RGB图像或者为灰度图像。
步骤202、对第一图像进行特征加强处理得到第二图像。
该第二图像用于加强第一图像中的篡改特征。该篡改特征包括第一图像中经过拼接、复制以及去除中的至少一种处理的区域所对应的特征。可选地，该第二图像包括第一图像对应的压缩级别分析图像、噪声特征图像以及锐化图像中的至少一种。其中，压缩级别分析图像用于反映第一图像中的不同区域的压缩级别差异。噪声特征图像用于反映第一图像中的不同区域的噪声差异。锐化图像用于反映第一图像中的不同区域的灰度差异。
压缩级别分析图像、噪声特征图像以及锐化图像均能够实现对第一图像中的篡改特征的加强。客户端通过错误级别分析(Error Level Analysis，ELA)算法能够得到该压缩级别分析图像，通过双流Faster R-CNN中的SRM滤波器能够得到该噪声特征图像，通过拉普拉斯算子(Laplace Operator)能够得到该锐化图像。
步骤203、基于通道重标定对第一图像的第一特征通道以及第二图像的第二特征通道增加权重。
该权重用于反映第一特征通道与第二特征通道之间的相对重要程度。该通道重标定用于提升篡改特征的重要程度。由于第二图像能够对第一图像的篡改特征进行加强，客户端根据第二特征通道并基于通道重标定能够实现提升篡改特征所在的特征通道的权重，从而提升篡改特征的重要程度。
可选地，客户端基于通道重标定对第一图像的第一特征通道以及第二图像的第二特征通道增加权重，指通过SENet Block实现对第一图像的第一特征通道以及第二图像的第二特征通道增加权重。
示例地，第一图像为RGB图像。则第一图像具有3个第一特征通道，分别为对应红色的第一特征通道，对应绿色的第一特征通道以及对应蓝色的第一特征通道。此时，第二图像也为RGB图像，第二图像具有3个第二特征通道，分别为对应红色的第二特征通道，对应绿色的第二特征通道以及对应蓝色的第二特征通道。
步骤204、将增加权重后的第一特征通道与第二特征通道输入图像分割模型，输出第一图像中的篡改区域。
该图像分割模型是通过篡改图像样本集训练得到的，该篡改图像样本集包括至少一张被篡改的图像。可选的，该图像分割模型为全卷积网络(Fully ConvolutionalNetwork，FCN)、语义分割网络(SegNet)、金字塔场景解析网络(Pyramid Scene ParsingNetwork，PSP Net)以及实例分割模型(DeepMask)等。
图像分割模型根据增加权重后的第一特征通道与第二特征通道，能够确定出第一图像中的篡改特征，从而能够确定出该篡改特征对应的图像掩膜。客户端根据该图像掩膜能够得到图像中的篡改区域。示例地，第一图像为RGB图像，客户端将增加权重后的第一图像的3个第一特征通道以及第二图像的3个第二特征通道合并输入图像分割模型，通过图像分割模型根据合并的6个特征通道确定出第一图像中的篡改特征。
综上所述，本申请实施例提供的图像分析方法，基于通道重标定对第一特征通道与第二特征通道增加权重，并输入图像分割模型，从而得到第一图像中的篡改区域。第二特征通道是对第一图像进行特征加强得到的，第二特征通道结合通道重标定能够提升第一图像中的篡改特征的重要程度，从而提升了确定图像中的篡改特征的准确度，进而能够提升确定图像中的篡改区域的准确度。
图3是本申请实施例提供的另一种图像分析方法的流程示意图。该方法可以用于计算机设备或计算机设备上的客户端。如图3所示，该方法包括：
步骤301、获取第一图像。
该第一图像为RGB图像或者为灰度图像。当第一图像为RGB图像时，第一图像具有3个特征通道。当第一图像为灰度图像时，第一图像具有1个特征通道。
步骤302、对第一图像进行特征加强处理得到第二图像。
该第二图像用于加强第一图像中的篡改特征。
可选地，第二图像包括压缩级别分析图像。该压缩级别分析图像用于反映第一图像中不同区域的压缩级别差异。客户端通过ELA算法处理第一图像，能够得到该压缩级别分析图像。通常，对于一张未经篡改的图像，图像中的不同区域的压缩级别的变化应当在一个比较小的范围内。客户端通过ELA算法，能够对第一图像进行色彩转换，从而突显出各区域的压缩级别变化。因此，第一图像对应的压缩级别分析图像能够加强第一图像中的篡改特征。
可选地，第二图像包括噪声特征图像。该噪声特征图像用于反映第一图像中不同区域的噪声差异。客户端通过隐写分析模型滤波器处理第一图像，能够得到该噪声特征图像。对于一张被篡改的图像，其篡改区域的噪声与其它区域的噪声通常是不一致的。客户端通过SRM滤波器，能够将第一图像转化为能够反映出第一图像中各区域噪声差异的图像。因此，第一图像对应的噪声特征图像能够加强第一图像中的篡改特征。
可选地，第二图像包括锐化图像。该锐化图像用于反映第一图像中不同区域的灰度差异。客户端通过目标卷积核卷积第一图像，能够得到该锐化图像。其中，该目标卷积核基于拉普拉斯算子。对于一张被篡改的图像，其篡改区域的灰度相较于其它区域的灰度可能会出现显著的变化。客户端通过目标卷积核卷积第一图像，能够增强第一图像中的区域的灰度反差，即增强第一图像中灰度突变的区域，减弱灰度缓慢变化的区域。因此，第一图像对应的锐化图像能够加强第一图像中的篡改特征。
客户端通过ELA算法、SRM滤波器以及目标卷积核中的至少一种处理第一图像，从而得到至少一张第二图像。即第二图像包括第一图像对应的压缩级别分析图像、噪声特征图像以及锐化图像中的至少一张。当第一图像为RGB图像时，经过ELA算法、SRM滤波器以及目标卷积核中的任意一种处理得到的第二图像具有3个第二特征通道。当第一图像为灰度图像时，经过ELA算法、SRM滤波器以及目标卷积核中的任意一种处理得到的第二图像具有1个第二特征通道。
示例地，图4是本申请实施例提供的压缩级别分析图像的示意图。如图4的(a)所示，原始图像经过篡改得到第一图像401。如图4的(b)所示，通过ELA算法处理第一图像401，得到第一图像401对应的压缩级别分析图像402。压缩级别分析图像402能够明显反映出第一图像401中的篡改区域403与其它区域之间的压缩级别差异，实现加强第一图像401中的篡改特征。
步骤303、基于通道重标定对第一图像的第一特征通道以及第二图像的第二特征通道增加权重。
该权重用于反映第一特征通道与第二特征通道之间的相对重要程度。该通道重标定用于提升篡改特征的重要程度。客户端能够基于通道重标定，使得第一图像中的篡改特征对应的特征通道的权重高于其它特征对应的特征通道的权重，从而使得篡改特征的重要程度高于其它特征的重要程度。
可选地，如图5所示，步骤303的实现过程包括以下步骤3031以及步骤3032：
在步骤3031中，将第一特征通道与第二特征通道合并，得到第一合并特征通道。
第二图像包括第一图像对应的压缩级别分析图像、噪声特征图像以及锐化图像中的至少一张。客户端将该压缩级别分析图像、噪声特征图像以及锐化图像中的至少一张图像的特征通道与第一图像的第一特征通道进行合并。
示例地，第一图像为RGB图像，具有3个第一特征通道。客户端对第一图像处理得到第二图像为压缩级别分析图像，该压缩级别分析图像具有3个第二特征通道。客户端将第一特征通道与第二特征通道合并，能够得到6个特征通道。第一图像为RGB图像，客户端对第一图像处理得到的两张第二图像分别为压缩级别分析图像以及噪声特征图像，该压缩级别分析图像具有3个第二特征通道，该噪声特征图像具有3个第二特征通道。客户端将第一特征通道与第二特征通道合并，能够得到9个特征通道。第一图像为RGB图像，客户端对第一图像处理得到的三张第二图像分别为压缩级别分析图像、噪声特征图像以及锐化图像，该压缩级别分析图像具有3个第二特征通道，该噪声特征图像具有3个第二特征通道，该锐化图像具有3个第二特征通道。客户端将第一特征通道与第二特征通道合并，能够得到12个特征通道。
在步骤3032中，将第一合并特征通道输入第一压缩激励网络块，得到第一合并特征通道对应的第一加权特征通道。
该第一加权特征通道是根据对第一合并特征通道中的每个通道增加权重得到的。第一合并特征通道中的每个通道，具有与第一图像对应的不同的图像信息，能够突出反映第一图像中的部分特征。对第一合并特征通道中的每个通道增加权重，能够增加第一合并特征通道中的通道在第一图像中对应的特征的重要程度，从而提升一部分特征的重要程度，以及降低第一图像中另一部分特征的重要程度。客户端在通过第一SENet Block处理合并特征通道时，由于第二图像用于加强第一图像中的篡改特征，所以能够起到主动指导第一SENet Block确定篡改特征为更重要特征的作用。第一SENet Block会提升突出反映第一图像中的篡改特征的通道的重要程度。
客户端根据第一SENet Block，对输入的每个特征通道进行全局平均池化(globalaverage pool)，能够得到输入的每个特征通道对应的1个标量。之后通过第一SENet Block中的全连接层，能够根据每个特征通道对应的标量得到该每个通道对应的1个权值，该权值大于0小于1。从而实现确定第一合并特征通道中每个通道对应的权值。
客户端根据第一合并特征通道中每个通道以及每个通道对应的权值，能够确定第一加权特征通道。该第一加权特征通道是根据该每个通道以及该每个通道对应的权值的乘积确定的。将第一合并特征通道中的每个通道与该通道对应的权值相乘，能够实现对每个通道所对应的第一图像中的特征进行加强或减弱。
该第一SENet Block与图像分割模型的输入层连接，用于将第一加权特征通道输入图像分割模型。并且，在对图像分割模型进行训练的同时，还会训练该第一SENet Block。实现通过第一SENet Block对特征通道进行加权重时，能够提升篡改特征对应的特征通道的重要程度。从而保证第一SENet Block与图像分割模型结合后，图像分割模型在确定篡改特征时的准确性。
步骤304、将增加权重后的第一特征通道与第二特征通道输入图像分割模型，输出第一图像中的篡改区域。
该图像分割模型是通过篡改图像样本集训练得到的，该篡改图像样本集包括至少一张被篡改的图像。客户端根据该图像分割模型，能够确定出第一图像中的篡改特征，从而能够确定出该篡改特征对应篡改区域。
当客户端执行步骤3031以及步骤3032时，客户端将增加权重后的第一特征通道与第二特征通道输入图像分割模型，指将第一加权特征通道输入图像分割模型。
可选地，如图6所示，步骤304的实现过程包括以下步骤3041以及步骤3042：
在步骤3041中，通过图像分割模型处理第一特征通道与第二特征通道，得到第一图像的篡改特征对应的图像掩膜。
图像分割模型在处理第一特征通道与第二特征通道时，能够确定出第一图像的篡改特征对应的图像掩膜，即第一图像中具有篡改特征的区域所对应的图像掩膜。
可选地，如图7所示，步骤3041的实现过程包括以下步骤3041a至3041c：
在步骤3041a中，将图像分割模型中确定图像掩膜之前输出的原始特征通道与第二特征通道合并，得到第二合并特征通道。
该原始特征通道是客户端通过图像分割模型对第一特征通道和第二特征通道进行特征提取后得到的通道。该原始特征通道包括第一图像中被提取出的特征。示例地，该原始特征通道是待输入至图像分割模型中的输出层之前的特征通道，该输出层是图像分割模型中用于确定图像掩模的网络层。
在步骤3041b中，通过第二压缩激励网络块对第二合并特征通道重新加权重，得到目标特征通道。
客户端通过第二SENet Block对第二合并特征通道重新加权重，即通过第二SENetBlock调整原始特征通道中的特征与第二特征通道中的特征的相对重要程度。从而能够减小通过第一SENet Block对特征通道增加权重后，对图像分割模型确定的第一图像的篡改特征的准确度的影响。
其中，第二SENet Block与第一SENet Block相同，或者两者不同。该第二SENetBlock与图像分割模型中输出图像掩膜的网络层连接。并且，在对图像分割模型进行训练的同时，还会训练该第二SENet Block。实现减小第一SENet Block对图像分割模型确定的第一图像的篡改特征的准确度的影响。
在步骤3041c中，根据目标特征通道，确定图像掩膜。
客户端通过图像分割模型中用于最终确定第一图像的篡改特征的网络层，根据目标特征通道具有的第一图像中的特征，确定该图像掩膜。例如该网络层为图像分割模型的输出层。目标特征通道是对第一图像的篡改特征进行加强的，因此能够更准确地确定出篡改特征对应的图像掩膜。
该图像掩膜的长和宽与第一图像相同，具有一个特征通道，该特征通道中对应第一图像的篡改区域的值为1，对应第一图像的未被篡改的区域的值为0。客户端根据该图像掩膜，能够确定出第一图像中的篡改区域。
在步骤3042中，通过图像掩膜过滤第一图像，得到篡改区域。
客户端通过图像处理程序，将图像分割模型输出的图像掩膜与第一图像相乘，从而使得第一图像中，图像掩膜的值为1对应的区域的颜色值不变。图像掩膜的值为0对应的区域的颜色值为0，从而能够得到该篡改区域。
步骤305、显示第一图像中的篡改区域。
客户端在用户界面中仅显示第一图像中的篡改区域，或者，客户端在第一图像中标记出该篡改区域，从而显示该篡改区域。例如通过矩形框标记该篡改区域，该篡改区域在显示的矩形框内。或者通过与篡改区域的轮廓相同的框标记该篡改区域。该用户界面为输出图像分析结果的界面。
图8是本申请实施例提供的显示篡改区域的示意图。如图8的(a)所示，客户端通过矩形框802标记出第一图像801中的篡改区域。如图8的(b)所示，第一图像801相较于篡改前的原始图像803，拼接了一只鸟。客户端能够确定出第一图像中的篡改区域，并标记显示该篡改区域。
本申请实施例提供的图像分析方法，能够用于分析餐饮商户上传的认证照片是否属实的场景。例如在外卖平台中，通常需要入驻的商户上传门店的照片，通过本申请实施例提供的图像分析方法，能够确定商户上传的门店的照片是否属实。本申请实施例提供的图像分析方法，还能够用于其它类型的判断图像是否真实的场景。
示例地，表1示出了通过双流Faster R-CNN确定图像中的篡改区域的效果分析。
表1
| 召回率 | 召回数量 | 误检率 | 误检数量 | 检出总量 | 免审率 |
| 95.03％ | 172 | 64.37％ | 4236 | 4408 | 34.81％ |
示例地，表2示出了通过本申请实施例提供的图像分析方法确定图像中的篡改区域的效果分析。
表2
| 召回率 | 召回数量 | 误检率 | 误检数量 | 检出总量 | 免审率 |
| 95.58％ | 173 | 32.03％ | 2108 | 2281 | 66.27％ |
结合表1以及表2可知，在确定图像是否经过篡改时，本申请实施例提供的图像分析方法相较于双流Faster R-CNN能够降低误检率，即未篡改但被识别为篡改的图像在识别出的全部篡改图像中的比例。以及能够提升免审，即不需人工再次审核图像是否经过篡改的图像在全部需要审核的图像中的比例。因此，本申请实施例提供的图像分析方法能够更准确的确定图像中的篡改区域的准确度。
综上所述，本申请实施例提供的图像分析方法，基于通道重标定对第一特征通道与第二特征通道增加权重，并输入图像分割模型，从而得到第一图像中的篡改区域。第二特征通道是对第一图像进行特征加强得到的，第二特征通道结合通道重标定能够提升第一图像中的篡改特征的重要程度，从而提升了确定图像中的篡改特征的准确度，进而能够提升确定图像中的篡改区域的准确度。
另外，通过对第一图像进行特征加强以及通过第一SENet Block对特征通道增加权重，能够实现主动指导图像分割模型确定篡改特征，提升确定篡改区域的准确性。通过第二SENet Block再次对特征通道增加权重，能够避免人为主动指导的篡改特征对图像分割模型产生过大影响引起负面效果。通过本申请实施例提供的方法，可以脱离人工自动确定图像是否经过篡改，减少了人力资源的消耗。
在一个具体的例子中，图9是本申请实施例提供的确定图像的篡改区域的模型的示意图。如图9所示，该模型901包括图像分割模型902以及SENet Block903。客户端通过ELA算法对第一图像进行特征加强得到第二图像。并将第一图像的第一特征通道904与第二图像的第二特征通道905合并输入SENet Block903。第一图像为RGB图像，因此第一特征通道904与第二特征通道905各包括3个通道，将第一特征通道904与第二图像的第二特征通道905合并能够得到6个通道。客户端根据SENet Block 903，能够得到对该合并的特征通道增加权重后的加权特征通道906，之后将该加权特征通道906输入图像分割模型902进行特征提取。在图像分割模型902输出图像掩膜907之前，客户端通过图像分割模型902中输出图像掩膜的网络层之前的SENet Block 903，对图像分割模型902输出的原始特征通道与第二特征通道905合并的通道再次增加权重，来避免人为主动指导的篡改特征对图像分割模型902产生过大影响引起负面效果。之后客户端根据图像分割模型902对再次增加权重的特征通道进行特征提取从而得到图像掩膜907，进而能够根据图像掩膜907得到第一图像中的篡改区域。其中，该图像分割模型902为U-Net，U-Net的上半部分用于特征提取，下半部分用于上采样。图中矩形中的数字表示特征通道的数量，竖向的箭头表示将该箭头尾部的特征通道与箭头指向的特征通道之前的特征通道融合，从而得到箭头指向的特征通道。该图像分割模型902的结构仅用作示例，不作为对本申请实施例中的图像分割模型的限制。
需要说明的是，本申请实施例提供的方法步骤的先后顺序可以进行适当调整，步骤也可以根据情况进行相应增减，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化的方法，都应涵盖在本申请的保护范围之内，因此不再赘述。
图10是本申请实施例提供的一种图像分析装置的结构示意图。该装置可以用于计算机设备或计算机设备上的客户端。如图10所示，该装置100包括：
获取模块1001，用于获取第一图像。
第一处理模块1002，用于对第一图像进行特征加强处理得到第二图像，第二图像用于加强第一图像中的篡改特征。
第二处理模块1003，用于基于通道重标定对第一图像的第一特征通道以及第二图像的第二特征通道增加权重，权重用于反映第一特征通道与第二特征通道之间的相对重要程度，通道重标定用于提升篡改特征的重要程度。
输入输出模块1004，用于将增加权重后的第一特征通道与第二特征通道输入图像分割模型，输出第一图像中的篡改区域。
可选地，第二处理模块1003，用于：
将第一特征通道与第二特征通道合并，得到第一合并特征通道。
将第一合并特征通道输入第一压缩激励网络块，得到第一合并特征通道对应的第一加权特征通道，第一加权特征通道是根据对第一合并特征通道中的每个通道增加权重得到的。
输入输出模块1004，用于：
将第一加权特征通道输入图像分割模型。
可选地，第二处理模块1003，用于：
根据第一压缩激励网络块，确定每个通道对应的权值。
根据每个通道以及权值，确定第一加权特征通道，第一加权特征通道是根据每个通道以及每个通道对应的权值的乘积确定的。
可选地，输入输出模块1004，用于：
通过图像分割模型处理第一特征通道与第二特征通道，得到第一图像的篡改特征对应的图像掩膜。
通过图像掩膜过滤第一图像，得到篡改区域。
可选地，输入输出模块1004，用于：
将图像分割模型中确定图像掩膜之前输出的原始特征通道与第二特征通道合并，得到第二合并特征通道；原始特征通道是第一特征通道和第二特征通道进行特征提取后得到的通道。
通过第二压缩激励网络块对第二合并特征通道重新加权重，得到目标特征通道。
根据目标特征通道，确定图像掩膜。
可选地，第二图像包括压缩级别分析图像，压缩级别分析图像用于反映第一图像中不同区域的压缩级别差异。如图11所示，第一处理模块1002，包括：
第一处理子模块10021，用于通过错误级别分析算法处理第一图像，得到压缩级别分析图像。
可选地，第二图像包括噪声特征图像，噪声特征图像用于反映第一图像中不同区域的噪声差异。如图12所示，第一处理模块1002，包括：
第二处理子模块10022，用于通过隐写分析模型滤波器处理第一图像，得到噪声特征图像。
可选地，第二图像包括锐化图像，锐化图像用于反映第一图像中不同区域的灰度差异。如图13所示，第一处理模块1002，包括：
卷积子模块10023，用于通过目标卷积核卷积第一图像，得到锐化图像，目标卷积核基于拉普拉斯算子。
需要说明的是：上述实施例提供的图像分析装置，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的图像分析装置与图像分析方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
本申请的实施例还提供了一种计算机设备，该计算机设备包括：处理器和存储器，存储器中存储有至少一条指令、至少一段程序、代码集或指令集，至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现上述各方法实施例提供的图像分析方法。
可选地，该计算机设备为服务器。示例地，图14是本申请实施例提供的一种服务器的结构示意图。
所述服务器1400包括中央处理单元(Central Processing Unit，CPU)1401、包括随机存取存储器(Random Access Memory，RAM)1402和只读存储器(Read-Only Memory，ROM)1403的系统存储器1404，以及连接系统存储器1404和中央处理单元1401的系统总线1405。所述计算机设备1400还包括帮助计算机设备内的各个器件之间传输信息的基本输入/输出系统(Input/Output系统，I/O系统)1406，和用于存储操作系统1413、应用程序1414和其他程序模块1415的大容量存储设备1407。
所述基本输入/输出系统1406包括有用于显示信息的显示器1408和用于用户输入信息的诸如鼠标、键盘之类的输入设备1409。其中所述显示器1408和输入设备1409都通过连接到系统总线1405的输入输出控制器1410连接到中央处理单元1401。所述基本输入/输出系统1406还可以包括输入输出控制器1410以用于接收和处理来自键盘、鼠标、或电子触控笔等多个其他设备的输入。类似地，输入输出控制器1410还提供输出到显示屏、打印机或其他类型的输出设备。
所述大容量存储设备1407通过连接到系统总线1405的大容量存储控制器(未示出)连接到中央处理单元1401。所述大容量存储设备1407及其相关联的计算机可读存储介质为服务器1400提供非易失性存储。也就是说，所述大容量存储设备1407可以包括诸如硬盘或者只读光盘(Compact Disc Read-Only Memory，CD-ROM)驱动器之类的计算机可读存储介质(未示出)。
不失一般性，所述计算机可读存储介质可以包括计算机存储介质和通信介质。计算机存储介质包括以用于存储诸如计算机可读存储指令、数据结构、程序模块或其他数据等信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机存储介质包括RAM、ROM、可擦除可编程只读寄存器(Erasable Programmable Read OnlyMemory，EPROM)、电子抹除式可复写只读存储器(Electrically-Erasable ProgrammableRead-Only Memory，EEPROM)、闪存或其他固态存储设备，CD-ROM、数字多功能光盘(DigitalVersatile Disc，DVD)或其他光学存储、磁带盒、磁带、磁盘存储或其他磁性存储设备。当然，本领域技术人员可知所述计算机存储介质不局限于上述几种。上述的系统存储器1404和大容量存储设备1407可以统称为存储器。
存储器存储有一个或多个程序，一个或多个程序被配置成由一个或多个中央处理单元1401执行，一个或多个程序包含用于实现上述方法实施例的指令，中央处理单元1401执行该一个或多个程序实现上述各个方法实施例提供的方法。
根据本申请的各种实施例，所述服务器1400还可以通过诸如因特网等网络连接到网络上的远程服务器运行。也即服务器1400可以通过连接在所述系统总线1405上的网络接口单1411连接到网络1412，或者说，也可以使用网络接口单元1411来连接到其他类型的网络或远程服务器系统(未示出)。
所述存储器还包括一个或者一个以上的程序，所述一个或者一个以上程序存储于存储器中，所述一个或者一个以上程序包含用于进行本申请实施例提供的方法中由服务器所执行的步骤。
本申请实施例中还提供了一种计算机可读存储介质，该可读存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，当该至少一条指令、至少一段程序、代码集或指令集由计算机设备的处理器加载并执行时，实现上述各方法实施例提供的图像分析方法。
本申请还提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述各方法实施例提供的图像分析方法。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，该程序可以存储于一种计算机可读存储介质中，上述提到的可读存储介质可以是只读存储器，磁盘或光盘等。
以上所述仅为本申请的可选实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同切换、改进等，均应包含在本申请的保护范围之内。
Claims (15)
1.一种图像分析方法，其特征在于，所述方法包括：
获取第一图像；
对所述第一图像进行特征加强处理得到第二图像，所述第二图像用于加强所述第一图像中的篡改特征；
基于通道重标定对所述第一图像的第一特征通道以及所述第二图像的第二特征通道增加权重，所述权重用于反映所述第一特征通道与所述第二特征通道之间的相对重要程度，所述通道重标定用于提升所述篡改特征的重要程度；
将增加权重后的所述第一特征通道与所述第二特征通道输入图像分割模型，输出所述第一图像中的篡改区域。
2.根据权利要求1所述的方法，其特征在于，所述基于通道重标定对所述第一图像的第一特征通道以及所述第二图像的第二特征通道增加权重，包括：
将所述第一特征通道与所述第二特征通道合并，得到第一合并特征通道；
将所述第一合并特征通道输入第一压缩激励网络块，得到所述第一合并特征通道对应的第一加权特征通道，所述第一加权特征通道是根据对所述第一合并特征通道中的每个通道增加权重得到的；
所述将增加权重后的所述第一特征通道与所述第二特征通道输入图像分割模型，输出所述第一图像中的篡改区域，包括：
将所述第一加权特征通道输入所述图像分割模型。
3.根据权利要求2所述的方法，其特征在于，所述将所述第一合并特征通道输入第一压缩激励网络块，得到所述第一合并特征通道对应的第一加权特征通道，包括：
根据所述第一压缩激励网络块，确定所述每个通道对应的权值；
根据所述每个通道以及所述权值，确定所述第一加权特征通道，所述第一加权特征通道是根据所述每个通道以及所述每个通道对应的所述权值的乘积确定的。
4.根据权利要求1至3任一所述的方法，其特征在于，所述将增加权重后的所述第一特征通道与所述第二特征通道输入图像分割模型，输出所述第一图像中的篡改区域，包括：
通过所述图像分割模型处理所述第一特征通道与所述第二特征通道，得到所述第一图像的篡改特征对应的图像掩膜；
通过所述图像掩膜过滤所述第一图像，得到所述篡改区域。
5.根据权利要求4所述的方法，其特征在于，所述通过所述图像分割模型处理所述第一特征通道与所述第二特征通道，得到所述第一图像的篡改特征对应的图像掩膜，包括：
将所述图像分割模型中确定所述图像掩膜之前输出的原始特征通道与所述第二特征通道合并，得到第二合并特征通道；所述原始特征通道是所述第一特征通道和所述第二特征通道进行特征提取后得到的通道；
通过第二压缩激励网络块对所述第二合并特征通道重新加权重，得到目标特征通道；
根据所述目标特征通道，确定所述图像掩膜。
6.根据权利要求1至3任一所述的方法，其特征在于，所述第二图像包括压缩级别分析图像，所述压缩级别分析图像用于反映所述第一图像中不同区域的压缩级别差异；
所述对所述第一图像进行特征加强处理得到第二图像，包括：
通过错误级别分析算法处理所述第一图像，得到所述压缩级别分析图像。
7.根据权利要求1至3任一所述的方法，其特征在于，所述第二图像包括噪声特征图像，所述噪声特征图像用于反映所述第一图像中不同区域的噪声差异；
所述对所述第一图像进行特征加强处理得到第二图像，包括：
通过隐写分析模型滤波器处理所述第一图像，得到所述噪声特征图像。
8.根据权利要求1至3任一所述的方法，其特征在于，所述第二图像包括锐化图像，所述锐化图像用于反映所述第一图像中不同区域的灰度差异；
所述对所述第一图像进行特征加强处理得到第二图像，包括：
通过目标卷积核卷积所述第一图像，得到所述锐化图像，所述目标卷积核基于拉普拉斯算子。
9.一种图像分析装置，其特征在于，所述装置包括：
获取模块，用于获取第一图像；
第一处理模块，用于对所述第一图像进行特征加强处理得到第二图像，所述第二图像用于加强所述第一图像中的篡改特征；
第二处理模块，用于基于通道重标定对所述第一图像的第一特征通道以及所述第二图像的第二特征通道增加权重，所述权重用于反映所述第一特征通道与所述第二特征通道之间的相对重要程度，所述通道重标定用于提升所述篡改特征的重要程度；
输入输出模块，用于将增加权重后的所述第一特征通道与所述第二特征通道输入图像分割模型，输出所述第一图像中的篡改区域。
10.根据权利要求9所述的装置，其特征在于，所述第二处理模块，用于将所述第一特征通道与所述第二特征通道合并，得到第一合并特征通道；将所述第一合并特征通道输入第一压缩激励网络块，得到所述第一合并特征通道对应的第一加权特征通道，所述第一加权特征通道是根据对所述第一合并特征通道中的每个通道增加权重得到的；
所述输入输出模块，用于将所述第一加权特征通道输入所述图像分割模型。
11.根据权利要求10所述的装置，其特征在于，
所述第二处理模块，用于根据所述第一压缩激励网络块，确定所述每个通道对应的权值；根据所述每个通道以及所述权值，确定所述第一加权特征通道，所述第一加权特征通道是根据所述每个通道以及所述每个通道对应的所述权值的乘积确定的。
12.根据权利要求9至11任一所述的装置，其特征在于，所述输入输出模块，用于通过所述图像分割模型处理所述第一特征通道与所述第二特征通道，得到所述第一图像的篡改特征对应的图像掩膜；通过所述图像掩膜过滤所述第一图像，得到所述篡改区域。
13.根据权利要求12所述的装置，其特征在于，所述输入输出模块，用于将所述图像分割模型中确定所述图像掩膜之前输出的原始特征通道与所述第二特征通道合并，得到第二合并特征通道；所述原始特征通道是所述第一特征通道和所述第二特征通道进行特征提取后得到的通道；通过第二压缩激励网络块对所述第二合并特征通道重新加权重，得到目标特征通道；根据所述目标特征通道，确定所述图像掩膜。
14.一种计算机设备，其特征在于，所述计算机设备包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或所述指令集由所述处理器加载并执行以实现如权利要求1至8任一所述的图像分析方法。
15.一种计算机可读存储介质，其特征在于，所述可读存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如权利要求1至8任一所述的图像分析方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011079999.5A CN112233077A (zh) | 2020-10-10 | 2020-10-10 | 图像分析方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011079999.5A CN112233077A (zh) | 2020-10-10 | 2020-10-10 | 图像分析方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112233077A true CN112233077A (zh) | 2021-01-15 |
Family
ID=74111991
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011079999.5A Withdrawn CN112233077A (zh) | 2020-10-10 | 2020-10-10 | 图像分析方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112233077A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112804533A (zh) * | 2021-02-08 | 2021-05-14 | 上海交通大学 | 基于分块信息掩膜的hevc视频隐写分析网络方法及系统 |
| CN112801960A (zh) * | 2021-01-18 | 2021-05-14 | 网易（杭州）网络有限公司 | 图像处理方法及装置、存储介质、电子设备 |
| CN113269730A (zh) * | 2021-05-11 | 2021-08-17 | 北京三快在线科技有限公司 | 图像处理方法、装置、计算机设备及存储介质 |
| CN113538199A (zh) * | 2021-06-08 | 2021-10-22 | 杭州电子科技大学 | 一种基于多层感知卷积和通道加权的图像隐写检测方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170277945A1 (en) * | 2016-03-28 | 2017-09-28 | Wipro Limited | Methods and systems for detecting tampering in a document image |
| CN110298413A (zh) * | 2019-07-08 | 2019-10-01 | 北京字节跳动网络技术有限公司 | 图像特征提取方法、装置、存储介质及电子设备 |
| CN110852316A (zh) * | 2019-11-07 | 2020-02-28 | 中山大学 | 一种采用密集结构卷积网络的图像篡改检测和定位方法 |
| CN111080629A (zh) * | 2019-12-20 | 2020-04-28 | 河北工业大学 | 一种图像拼接篡改的检测方法 |
| CN111080628A (zh) * | 2019-12-20 | 2020-04-28 | 湖南大学 | 图像篡改检测方法、装置、计算机设备和存储介质 |
| CN111553916A (zh) * | 2020-05-09 | 2020-08-18 | 杭州中科睿鉴科技有限公司 | 基于多种特征和卷积神经网络的图像篡改区域检测方法 |
| US20200279358A1 (en) * | 2019-03-01 | 2020-09-03 | Alibaba Group Holding Limited | Method, device, and system for testing an image |
-
2020
- 2020-10-10 CN CN202011079999.5A patent/CN112233077A/zh not_active Withdrawn
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170277945A1 (en) * | 2016-03-28 | 2017-09-28 | Wipro Limited | Methods and systems for detecting tampering in a document image |
| US20200279358A1 (en) * | 2019-03-01 | 2020-09-03 | Alibaba Group Holding Limited | Method, device, and system for testing an image |
| CN110298413A (zh) * | 2019-07-08 | 2019-10-01 | 北京字节跳动网络技术有限公司 | 图像特征提取方法、装置、存储介质及电子设备 |
| CN110852316A (zh) * | 2019-11-07 | 2020-02-28 | 中山大学 | 一种采用密集结构卷积网络的图像篡改检测和定位方法 |
| CN111080629A (zh) * | 2019-12-20 | 2020-04-28 | 河北工业大学 | 一种图像拼接篡改的检测方法 |
| CN111080628A (zh) * | 2019-12-20 | 2020-04-28 | 湖南大学 | 图像篡改检测方法、装置、计算机设备和存储介质 |
| CN111553916A (zh) * | 2020-05-09 | 2020-08-18 | 杭州中科睿鉴科技有限公司 | 基于多种特征和卷积神经网络的图像篡改区域检测方法 |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112801960A (zh) * | 2021-01-18 | 2021-05-14 | 网易（杭州）网络有限公司 | 图像处理方法及装置、存储介质、电子设备 |
| CN112801960B (zh) * | 2021-01-18 | 2024-04-09 | 杭州网易智企科技有限公司 | 图像处理方法及装置、存储介质、电子设备 |
| CN112804533A (zh) * | 2021-02-08 | 2021-05-14 | 上海交通大学 | 基于分块信息掩膜的hevc视频隐写分析网络方法及系统 |
| CN113269730A (zh) * | 2021-05-11 | 2021-08-17 | 北京三快在线科技有限公司 | 图像处理方法、装置、计算机设备及存储介质 |
| CN113269730B (zh) * | 2021-05-11 | 2022-11-29 | 北京三快在线科技有限公司 | 图像处理方法、装置、计算机设备及存储介质 |
| CN113538199A (zh) * | 2021-06-08 | 2021-10-22 | 杭州电子科技大学 | 一种基于多层感知卷积和通道加权的图像隐写检测方法 |
| CN113538199B (zh) * | 2021-06-08 | 2024-04-16 | 杭州电子科技大学 | 一种基于多层感知卷积和通道加权的图像隐写检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111368342B (zh) | 图像篡改识别模型训练方法、图像篡改识别方法及装置 | |
| CN112233077A (zh) | 图像分析方法、装置、设备及存储介质 | |
| CN108664981B (zh) | 显著图像提取方法及装置 | |
| CN112634209A (zh) | 一种产品缺陷检测方法和装置 | |
| US11790499B2 (en) | Certificate image extraction method and terminal device | |
| CN107403130A (zh) | 一种字符识别方法及字符识别装置 | |
| CN108764039B (zh) | 神经网络、遥感影像的建筑物提取方法、介质及计算设备 | |
| CN106855996B (zh) | 一种基于卷积神经网络的灰阶图像着色方法及其装置 | |
| CN113781510B (zh) | 边缘检测方法、装置及电子设备 | |
| CN108710893A (zh) | 一种基于特征融合的数字图像相机源模型分类方法 | |
| CN112085017B (zh) | 基于显著性检测和Grabcut算法的茶叶嫩芽图像分割方法 | |
| US11887218B2 (en) | Image optimization method, apparatus, device and storage medium | |
| CN111160395A (zh) | 图像识别方法、装置、电子设备和存储介质 | |
| CN113449690A (zh) | 图像场景变化的检测方法、系统及电子设备 | |
| CN111597845A (zh) | 一种二维码检测方法、装置、设备及可读存储介质 | |
| CN115953612A (zh) | 一种基于ConvNeXt的遥感影像植被分类方法和装置 | |
| CN112883959B (zh) | 身份证照完整性检测方法、装置、设备及存储介质 | |
| CN109977937B (zh) | 图像处理方法、装置及设备 | |
| CN116798041A (zh) | 图像识别方法、装置和电子设备 | |
| CN111274145A (zh) | 关系结构图生成方法、装置、计算机设备及存储介质 | |
| CN115760641A (zh) | 基于多尺度特征注意力网络的遥感影像去云雾方法和设备 | |
| CN114266901A (zh) | 文档轮廓提取模型构建方法、装置、设备及可读存储介质 | |
| CN116415019A (zh) | 虚拟现实vr图像识别方法及装置、电子设备、存储介质 | |
| CN113705587A (zh) | 图像质量评分方法、装置、存储介质以及电子设备 | |
| CN110647898B (zh) | 图像处理方法、装置、电子设备及计算机存储介质 |
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 | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210115 |