CN112801960A - 图像处理方法及装置、存储介质、电子设备 - Google Patents
图像处理方法及装置、存储介质、电子设备 Download PDFInfo
- Publication number
- CN112801960A CN112801960A CN202110062528.1A CN202110062528A CN112801960A CN 112801960 A CN112801960 A CN 112801960A CN 202110062528 A CN202110062528 A CN 202110062528A CN 112801960 A CN112801960 A CN 112801960A
- Authority
- CN
- China
- Prior art keywords
- image
- processed
- prediction result
- fusion
- processing
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 34
- 238000012545 processing Methods 0.000 claims abstract description 55
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 47
- 230000004927 fusion Effects 0.000 claims abstract description 42
- 238000007499 fusion processing Methods 0.000 claims abstract description 31
- 238000000034 method Methods 0.000 claims abstract description 28
- 238000004458 analytical method Methods 0.000 claims abstract description 16
- 238000003709 image segmentation Methods 0.000 claims description 27
- 238000010606 normalization Methods 0.000 claims description 26
- 238000013135 deep learning Methods 0.000 claims description 23
- 230000009466 transformation Effects 0.000 claims description 20
- 238000007781 pre-processing Methods 0.000 claims description 14
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000000605 extraction Methods 0.000 description 20
- 238000013527 convolutional neural network Methods 0.000 description 19
- 238000001514 detection method Methods 0.000 description 16
- 238000012549 training Methods 0.000 description 12
- 238000007906 compression Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 10
- 230000006835 compression Effects 0.000 description 9
- 238000012805 post-processing Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000003628 erosive effect Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006740 morphological transformation Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/02—Affine transformations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06V10/40—Extraction of image or video features
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Geometry (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本公开的实施方式涉及图像处理技术领域,更具体地,本公开的实施方式涉及图像处理方法及装置、存储介质和电子设备。所述方法包括:获取待处理图像;在第一图像识别分支基于误差分析算法对所述待处理图像进行图像识别,以获取所述待处理图像对应的第一预测结果;以及在第二图像识别分支基于深度学习算法对所述待处理图像进行图像识别,以获取所述待处理图像对应的第二预测结果;对所述第一预测结果和所述第二预测结果进行图像融合处理,以获取融合图像;对所述融合图像中的目标像素进行统计,以根据统计结果识别目标区域。本公开的技术方案能够实现对图像中不同类型、不同样式的篡改区域的准确识别。
Description
技术领域
本公开的实施方式涉及图像处理技术领域,更具体地,本公开的实施方式涉及图像处理方法及装置,存储介质和电子设备。
背景技术
本部分旨在为权利要求中陈述的本公开的实施方式提供背景或上下文,此处的描述不因为包括在本部分中就承认是现有技术。
随着计算机技术的快速发展,衍生出了多种在移动终端和智能终端设备上使用的图像处理工具,例如PS、美图等。用户通过图像处理工具进行图像美化、合并、添加特效或文本,以及制作动态图像等操作。
发明内容
但是,在一些技术中,存在大量被篡改的图像。为此,非常需要一种改进的图像处理方法及装置、存储介质和电子设备,以有效的识别图像中被篡改区域。
在本上下文中,本公开的实施方式期望提供一种图像处理方法和装置、存储介质和电子设备。
根据本公开的一个方面,提供一种图像处理方法,包括:获取待处理图像;
在第一图像识别分支基于误差分析算法对所述待处理图像进行图像识别,以获取所述待处理图像对应的第一预测结果;以及
在第二图像识别分支基于深度学习算法对所述待处理图像进行图像识别,以获取所述待处理图像对应的第二预测结果;
对所述第一预测结果和所述第二预测结果进行图像融合处理,以获取融合图像;
对所述融合图像中的目标像素进行统计,以根据统计结果识别目标区域。
在本公开的一种示例性实施例中,所述在第一图像识别分支基于误差分析算法对所述待处理图像进行图像识别,以获取所述待处理图像对应的第一预测结果,包括:
对所述待处理图像进行有损存储,以得到第一预处理图像;
将所述待处理图像与所述第一预处理图像进行像素值差异计算,以生成第一中间图像;
对所述第一中间图像进行归一化处理,以获取所述待处理图像对应的所述第一预测结果。
在本公开的一种示例性实施例中,所述对所述第一中间图像进行归一化处理之后,所述方法还包括:对归一化处理之后的所述第一中间图像进行仿射变换,以获取所述第一预测结果。
在本公开的一种示例性实施例中,所述在第二图像识别分支基于深度学习算法对所述待处理图像进行图像识别,以获取所述待处理图像对应的第二预测结果在第二图像识别分支基于深度学习算法对所述待处理图像进行图像识别,以获取所述待处理图像对应的第二预测结果,包括:
对所述待处理图像进行尺寸变换以将所述待处理图像变换为目标尺寸;以及
对所述待处理图像进行归一化处理,并将归一化处理后的所述待处理图像输入已训练的基于深度学习算法的图像分割模型,以获取所述第二预测结果。
在本公开的一种示例性实施例中,所述对所述第一预测结果和所述第二预测结果进行图像融合处理,以获取融合图像,包括:
配置像素值阈值、像素比例阈值,以及图像融合权重;
基于所述图像融合权重对所述第一预测结果和所述第二预测结果进行加权融合,以获取掩码图像。
在本公开的一种示例性实施例中,所述对所述融合图像中的目标像素进行统计,以根据统计结果识别目标区域,包括:
统计所述掩码图像中像素值大于所述像素值阈值的对应的区域面积,在所述区域面积大于所述像素比例阈值时,则判断所述待处理图像被篡改,并将所述掩码图像中的高亮区域作为所述待处理图像的目标区域。
在本公开的一种示例性实施例中,所述获取所述待处理图像时,所述方法还包括:
识别所述待处理图像的图像类型,以基于所述图像类型配置所述图像融合权重。
在本公开的一种示例性实施例中,所述在第一图像识别分支基于误差分析算法对所述待处理图像进行图像识别,以获取所述待处理图像对应的第一预测结果,包括:
对所述待处理图像进行有损存储,以得到第一预处理图像;
将所述待处理图像与所述第一预处理图像进行像素值差异计算,以生成第一中间图像;
对所述第一中间图像进行归一化处理,并对归一化处理后的所述第一中间图像进行图像特征提取,以获取包含所述第一中间图像的图像特征信息的所述第一预测结果。
在本公开的一种示例性实施例中,所述在第二图像识别分支基于深度学习算法对所述待处理图像进行图像识别,以获取所述待处理图像对应的第二预测结果,包括:
利用已训练的卷积神经网络模型对所述待处理图像进行图像特征提取,以获取包含所述待处理图像的图像特征信息的第二预测结果。
在本公开的一种示例性实施例中,所述对所述第一预测结果和所述第二预测结果进行图像融合处理,以获取融合图像,包括:
将包述第一中间图像的图像特征信息的所述第一预测结果和包含所述待处理图像的图像特征信息的第二预测结果进行特征级的图像融合处理,以获取所述融合图像。
在本公开的一种示例性实施例中,所述对所述融合图像中的目标像素进行统计,以根据统计结果识别目标区域,包括:
将所述融合图像输入已训练的基于卷积神经网络的图像分割模型进行图像分割,以获取所述融合图像对应的包含所述目标区域的掩码图像;
对所述掩码图像进行后处理,以获取所述目标区域的图像。
根据本公开的一个方面,提供一种图像处理装置,包括:图像获取模块,用于获取待处理图像;
第一预测模块,用于在第一图像识别分支基于误差分析算法对所述待处理图像进行图像识别,以获取所述待处理图像对应的第一预测结果;以及
第二预测模块,用于在第二图像识别分支基于深度学习算法对所述待处理图像进行图像识别,以获取所述待处理图像对应的第二预测结果;
融合处理模块,用于对所述第一预测结果和所述第二预测结果进行图像融合处理,以获取融合图像;
目标区域生成模块,用于对所述融合图像中的目标像素进行统计,以根据统计结果识别目标区域。
在本公开的一种示例性实施例中,所述第一预测模块包括:
第一类第一预测模块,用于对所述待处理图像进行有损存储,以得到第一预处理图像;将所述待处理图像与所述第一预处理图像进行像素值差异计算,以生成第一中间图像;对所述第一中间图像进行归一化处理,以获取所述待处理图像对应的所述第一预测结果。
在本公开的一种示例性实施例中,所述装置还包括:
仿射变换模块,用于对归一化处理之后的所述第一中间图像进行仿射变换,以获取所述第一预测结果。
在本公开的一种示例性实施例中,所述第二预测模块包括:
第一类第二预测模块,用于对所述待处理图像进行尺寸变换以将所述待处理图像变换为目标尺寸;以及对所述待处理图像进行归一化处理,并将归一化处理后的所述待处理图像输入已训练的基于深度学习算法的图像分割模型,以获取所述第二预测结果。
在本公开的一种示例性实施例中,所述融合处理模块包括:
第一类融合处理模块,用于配置像素值阈值、像素比例阈值,以及图像融合权重;基于所述图像融合权重对所述第一预测结果和所述第二预测结果进行加权融合,以获取掩码图像。
在本公开的一种示例性实施例中,所述目标区域生成模块包括:
第一类生成模块,用于统计所述掩码图像中像素值大于所述像素值阈值的对应的区域面积,在所述区域面积大于所述像素比例阈值时,则判断所述待处理图像被篡改,并将所述掩码图像中的高亮区域作为所述待处理图像的目标区域。
在本公开的一种示例性实施例中,所述装置还包括:
图像类型识别模块,用于识别所述待处理图像的图像类型,以基于所述图像类型配置所述图像融合权重。
在本公开的一种示例性实施例中,所述第一预测模块还包括:
第二类第一预测模块,用于对所述待处理图像进行有损存储,以得到第一预处理图像;将所述待处理图像与所述第一预处理图像进行像素值差异计算,以生成第一中间图像;对所述第一中间图像进行归一化处理,并对归一化处理后的所述第一中间图像进行图像特征提取,以获取包含所述第一中间图像的图像特征信息的所述第一预测结果。
在本公开的一种示例性实施例中,所述第二预测模块还包括:
第二类第二预测模块,用于利用已训练的卷积神经网络模型对所述待处理图像进行图像特征提取,以获取包含所述待处理图像的图像特征信息的第二预测结果。
在本公开的一种示例性实施例中,所述融合处理模块还包括:
第二类融合处理模块,用于将包述第一中间图像的图像特征信息的所述第一预测结果和包含所述待处理图像的图像特征信息的第二预测结果进行特征级的图像融合处理,以获取所述融合图像。
在本公开的一种示例性实施例中,所述目标区域生成模块还包括:
第二类生成模块,用于将所述融合图像输入已训练的基于卷积神经网络的图像分割模型进行图像分割,以获取所述融合图像对应的包含所述目标区域的掩码图像;对所述掩码图像进行后处理,以获取所述目标区域的图像。
根据本公开的一个方面,提供一种存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时上述的图像处理方法。
根据本公开的一个方面,提供一种电子设备,包括:
处理器;以及
存储器,用于存储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上述任意一项所述的图像处理方法。
根据实施方式的图像处理方法及装置,通过在第一分支中利用误差分析算法对待处理图像进行处理得到对应的包含篡改区域识别结果的第一预测结果,同时在第二分支中利用深度学习算法对待处理图像进行识别得到待处理图像对应的包含图像特征信息的第二预测结果;将再将第一预测结果和第二预测结果进行图像融合,利用第二预测结果来精确第一预测结果中篡改区域的识别结果,从而能够有效的提升对图像中篡改区域的识别精度;并能够实现对不同类型、不同样式篡改区域的准确识别。
附图说明
通过参考附图阅读下文的详细描述,本公开中的示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中,以示例性而非限制性的方式示出了本公开的若干实施方式,其中:
图1示意性地示出了根据本公开实施方式的图像处理方法的示意图;
图2示意性地示出了根据本公开实施方式的图像处理方法的流程图;
图3示意性地示出了根据本公开实施方式的利用第一图像识别分支获取第一预测结果的方法的流程图;
图4示意性地示出了根据本公开实施方式的利用第二图像识别分支获取第二预测结果的方法的流程图;
图5示意性地示出了根据本公开实施方式的进行图像融合的方法的流程图;
图6示意性地示出了根据本公开实施方式的另一种利用第一图像识别分支获取第一预测结果的方法的流程图;
图7示意性地示出了根据本公开实施方式的图像处理装置的方框图;
图8示意性地示出了根据本公开实施方式的一种图像处理装置的方框图;
图9示意性地示出了根据本公开实施方式的另一图像处理装置的方框图;
图10示出了根据本公开实施方式的存储介质的示意图;以及
图11示意性示出了根据本公开实施方式的电子设备的方框图。
在附图中,相同或对应的标号表示相同或对应的部分。
具体实施方式
下面将参考若干示例性实施方式来描述本公开的原理和精神。应当理解,给出这些实施方式仅仅是为了使本领域技术人员能够更好地理解进而实现本公开,而并非以任何方式限制本公开的范围。相反,提供这些实施方式是为了使本公开更加透彻和完整,并且能够将本公开的范围完整地传达给本领域的技术人员。
本领域技术人员知道,本公开的实施方式可以实现为一种系统、装置、设备、方法或计算机程序产品。因此,本公开可以具体实现为以下形式,即:完全的硬件、完全的软件(包括固件、驻留软件、微代码等),或者硬件和软件结合的形式。
根据本公开的实施方式,提供一种图像处理方法、图像处理装置、存储介质和电子设备。
在本文中,附图中的任何元素数量均用于示例而非限制,以及任何命名都仅用于区分,而不具有任何限制含义。
下面参考本公开的若干代表性实施方式,详细阐述本公开的原理和精神。
发明概述
本公开人发现,在一些技术中,网络中充斥大量被后期篡改的、低质量的数字图像。被篡改的内容可能是文本或图像。例如,被篡改的电话号码、社交账户ID、宣传语、头像等等。这些图像被用于传播垃圾广告、传播虚假消息等。对被篡改图像的精准识别,以及对图像中被篡改区域和内容的定位,具有重要意义。现有技术中,针对被篡改图像的识别方法中,一些方法只能判断图像是否经过后期篡改,并不能对篡改区域进行精准的定位;在一些篡改图像检测方法中,仅能够对特定类型的篡改起到较好的检测效果,例如针对图像中的数字,或者呈矩阵状的文本进行篡改区域识别。而对于其他的呈不规则形状的篡改区域,或者图像中包含多个篡改区域,或者篡改区域和/或篡改内容与图像本身的内容比较近似的,则进行准确的识别和定位。
鉴于上述内容,本公开的基本思想在于:利用两路图像识别分支,分别通过不同的算法对图像进行识别和特征提取,实现对图像中篡改区域的预测,再将两路分支的预测结果进行融合,得到最终的针对篡改区域的识别结果;进而提供一种能够同时利用两路分支,基于不同的算法对图像特征进行识别和提取,综合两种方法各自的优势,能够适用于不同类型、不同样式的篡改图像的图像处理方法。从而能够有效的提升对图像中篡改区域的识别精度;能够实现对不同类型、不同样式篡改区域的准确识别。
在介绍了本公开的基本原理之后,下面具体介绍本公开的各种非限制性实施方式。
示例性方法
下面结合图1来描述根据本公开示例性实施方式的图像处理方法。
参考图1,所述图像处理方法可以包括以下步骤:
S1、获取待处理图像;
S2、在第一图像识别分支基于误差分析算法对所述待处理图像进行图像识别,以获取所述待处理图像对应的第一预测结果;以及
S3、在第二图像识别分支基于深度学习算法对所述待处理图像进行图像识别,以获取所述待处理图像对应的第二预测结果;
S4、对所述第一预测结果和所述第二预测结果进行图像融合处理,以获取融合图像;
S5、对所述融合图像中的目标像素进行统计,以根据统计结果识别目标区域。
在实施方式的图像处理送方法中,通过在第一分支中利用误差分析算法对待处理图像进行处理得到对应的包含篡改区域识别结果的第一预测结果,同时在第二分支中利用深度学习算法对待处理图像进行识别得到待处理图像对应的包含图像特征信息的第二预测结果;将再将第一预测结果和第二预测结果进行图像融合,利用第二预测结果来精确第一预测结果中篡改区域的识别结果,从而能够有效的提升对图像中篡改区域的识别精度;并能够实现对不同类型、不同样式篡改区域的准确识别。
在本公开的一种示例性的图像处理方法中:
在步骤S1中,获取待处理图像。
在本公开的示例性实施方式中,上述的图像处理方法可以应用于用户的智能终端设备,例如手机、平板电脑、笔记本电脑等智能终端设备。此时,用户可以通过输入设备选择待处理图像。例如,用户可以选取终端设备本地存储空间的一个或多个图像作为待处理图像;例如,选取相册中的图像,或者选择一个或多个包含图像的文件夹,将该文件夹中的文件作为待处理图像。
或者,上述的图像处理方法也可以应用于服务器端,由用户侧智能终端和网络侧服务器端协作实现。用户可以通过终端设备向服务器端上传一个或多个图像作为待处理图像。或者,用户在终端侧向服务器端上传一个或多个网页的地址或者存储空间的地址,使服务器可以根据该地址向对应的网络空间提取待处理图像。例如,可以是一云存储空间的网络地址。
服务器端在获取多个待处理图像时,可以建立批处理任务以及对应的任务列表,根据任务列表中的任务数量适应创建一个或多个图像处理进程,利用不同的图像处理进程同步处理多个不同的待处理图像。
在步骤S2中,在第一图像识别分支基于误差分析算法对所述待处理图像进行图像识别,以获取所述待处理图像对应的第一预测结果。
在本公开的示例性实施方式中,参考图2所述,可以提供一第一图像识别分支和与其并行的第二图像识别分支;并利用两分支分别处理待处理对象。在第一图像识别分支中,可以利用误差分析算法对待处理图像进行识别。具体的,参考图3所示,上述的步骤S2可以包括:
步骤S211,对所述待处理图像进行有损存储,以得到第一预处理图像;
步骤S212,将所述待处理图像与所述第一预处理图像进行像素值差异计算,以生成第一中间图像;
步骤S213,对所述第一中间图像进行归一化处理,以获取所述待处理图像对应的所述第一预测结果。
在本公开的一些示例性实施方式中,由于图像本身数据量庞大,可以首先对待处理图像进行有损压缩,降低待处理的图像大小和质量。例如,可以预设设置图像的压缩率和压缩质量,例如设置压缩后的图像质量(quality)为50~90。图像有损存储使用常规方案即可,本公开对此不做特殊限定。
对原有的待处理图像(Img)进行有损压缩存储后,得到第一预处理图像(Img1),并保持第一预处理图像与待处理图像尺寸保持一致。在对待处理图像和第一预处理图像进行相减运算,计算两图像之间的差异,得到第一中间图像(Img2)。具体的,可以是两图像在相同位置的像素点的像素值相减,进而得到第一中间图像。再对第一中间图像进行归一化处理,将各像素点的像素值归一化至预设区间,从而得到待处理图像对应的第一预测结果的图像(IELA)。标记第一预测结果图像中的高亮区域,作为预测的被篡改区域。在本示例性实施方式中,第一预测结果为基于ELA(Error Level Analysis、误差分析)算法得到的二值化黑白掩码图像,基于此图像对图像中的篡改区域进行预测。用黑色区域标识待处理图像中原始内容的区域,用高亮区域标识被篡改的区域。
此外,在本公开的其他示例性实施方式中,在对所述第一中间图像进行归一化处理后,还可以对进行仿射变换,从而得到仿射变换后的第一预测结果图像。
对于图像来说,仿射变换(Affine Transformation)是允许图形任意倾斜,而且允许图形在两个方向上的任意伸缩的变换;且保持变换后直线仍为直线、弧线仍为弧线。具体的,仿射变换可以是对归一化图像进行膨胀处理或腐蚀处理,以实现对图像的形态学变换。例如,可以对归一化后的图像先执行腐蚀处理,再执行膨胀处理,从而有效的强化图像中篡改区域的边界,消除图像中的干扰的高亮的像素点。
对于未经篡改的图像,在经过有损压缩处理后,其整幅图像中所有区域的压缩级别大致相同,图像压缩前后差别不大;与此相反,对于经过篡改的图像,在压缩处理后,其篡改区域和未篡改区域的压缩级别相差较为明显。基于此原理,ELA处理可将篡改区域和未篡改区域的差异特征提取并放大,从而达到对图像中篡改区域的检测、定位的目的。
此外,在本公开的一些示例性实施方式中,可以预先训练基于ELA算法的图像识别模型。具体来说,可以选取一定数量的图像作为训练样本集合,并对训练样本进行标注;各训练样本的标注图像为与训练样本图像尺寸相同的二值化黑白掩码图像,利用高亮区域表示图像中的篡改区域。对训练样本进行有损存储,以得到对应的第一预处理图像;再将训练样本图像与所述第一预处理图像进行像素值差异计算,以生成第一中间图像;再对所述第一中间图像进行归一化处理,以获取所述训练样本图像对应的第一预测图像。将第一预测图像与对应的标注图像计算图像的像素差值,基于该差值优化损失函数,基于损失函数迭代训练后得到基于ELA算法的图像识别模型。
在步骤S3中,在第二图像识别分支基于深度学习算法对所述待处理图像进行图像识别,以获取所述待处理图像对应的第二预测结果。
在本公开的示例性实施方式中,第二图像识别分支可以是基于深度学习的图像分割模型,模型的骨干结构可以采用HRNet(High Resolution Net,高分辨率网络)。具体的,参考图4所示,上述的步骤S3可以包括:
步骤S311,对所述待处理图像进行尺寸变换以将所述待处理图像变换为目标尺寸;以及
步骤S312,对所述待处理图像进行归一化处理,并将归一化处理后的所述待处理图像输入已训练的基于深度学习算法的图像分割模型,以获取所述第二预测结果。
具体来说,对于待处理图像集合,可以首先将全部的待处理图像进行尺寸变换,统一图像尺寸为H×W,再计算待处理图像集合中全部待处理图像在各像素点的均值,得到均值图像。对于当前选中的待处理图像,可以将待处理图像与均值图像进行相减运算,实现对待处理图像的归一化处理。具体的,可以是两图像在相同位置的像素点分别在R、G、B通道的像素值相减。在归一化处理后,将待处理图像输入已训练的图像分割模型,对待处理图像进行图像分割,输出包含篡改区域的第二预测结果图像。其中,该第二预测结果图像为包含了色彩信息的针对篡改区域的预测图像。
在本公开的示例性实施方式中,可以预先对上述的基于深度学习算法的图像分割模型进行训练。具体的,图像分割模型的骨干结构采用HRNet;训练阶段首先对模型在ImageNet数据集上进行预训练,再利用上述的训练样本集合进行训练微调。其中,训练样本集合中各图像预先标注篡改区域定位数据。举例来说,基于HRNet的图像分割模型可以包含多个分支,分别利用各分支对图像进行特征提取,且各分支的提取特征图的分辨率不同。例如,可以配置第一分支所在行特征图分辨率为H*W,通道数为C;第二分支所在行特征图分辨率为(H*W)/2,通道数为2C;第三分支所在行特征图分辨率为(H*W)/4,通道数为4C;第四分支所在行特征图分辨率为(H*W)/8,通道数为8C。在列方向又将特征图分为4个段(stages)。每个stage由一个或多个模块(Modules)组成。每个Module中包括多个Residual Unit(残差网络单元)。
或者,在本公开的一些示例性实施方式中,上述的图像分割模型可以包括多个HRNet子模型,分别利用各HRNet子模型对待处理图像进行特征提取,得到多个不同尺寸的第一特征图。例如,可以配置4个HRNet子模型,得到4个不同尺寸的第一特征图;例如,特征图尺寸可以为H*W、(H*W)/2、(H*W)/4和(H*W)/8。再将各第一特征图分别输入后续的纹理特征检测模型、色彩特征检测模型、边缘特征检测模型、关键点检测模型,利用各检测模型对各尺寸的特征图进行特征提取。例如,可以将各尺寸的特征图分别作为纹理特征检测模型、色彩特征检测模型、边缘特征检测模型和关键点检测模型的输入。其中,上述的纹理特征检测模型、色彩特征检测模型、边缘特征检测模型、关键点检测模型可以分别用于提取待处理图像中的纹理特征、色彩特征篡改区域边缘特征(结构特征)和篡改区域关键点特征。再将各特征图进行合并,基于该些特征信息计算每个像素点属于篡改区域的概率。基于预设的置信度筛选出篡改区域的像素点,生成第二预测结果的图像。
此外,在本公开的一些示例性实施方式中,在利用第一图像识别分支对待处理图像进行识别的同时,可以利用第二图像识别分支使用基于深度学习算法的图像识别模型对待处理图像进行识别。或者,也可以在第一图像识别分支输出第一预测结果之后,再执行第二图像识别分支。或者,也可以首先运行第二图像识别分支,并在输出第二预测结果之后,再执行第一图像识别分支。
在步骤S4中,对所述第一预测结果和所述第二预测结果进行图像融合处理,以获取融合图像。
在本公开的一些示例性实施例中,具体的,参考图5所述,上述的步骤S4可以包括:
步骤S411,配置像素值阈值、像素比例阈值,以及图像融合权重;
步骤S412,基于所述图像融合权重对所述第一预测结果和所述第二预测结果进行加权融合,以获取掩码图像。
具体来说,可以预先配置掩码图像中像素值的阈值T1;配置掩码像素对应的面积占全画幅比例阈值T2,即像素比例阈值;以及配置第一预测结果和第二预测结果进行图像融合时两图像的加权权重w1和w2,即图像融合权重。基于配置的权重w1和w2,对第一预测结果的图像和第二预测结果的图像进行加权融合运算,生成掩码图像Mfinal,以实现像素级的特征融合。
此外,在本公开的其他示例性实施方式中,在获取待处理图像时,可以识别待处理图像的图像类型,并基于所述图像类型配置所述图像融合权重。例如,图像类型可以包括人像、风景、动物、植物等类型。或者根据图像的色彩或风格进行类别划分,包括彩色图像、灰度图像;或者漫画风格图像、油画风格图像、素描风格图像等等。预先根据图像类型配置权重w1和w2的具体数值,从而能够使融合图形中篡改区域的边界更加准确。
或者,还可以根据第一预测结果图像中高亮区域的面积和第二预测结果图像中分割区域的面积动态配置权重w1和w2的具体数值。例如,在第一预测结果图像中高亮区域的面积大于第二预测结果图像中分割区域的面积时,可以配置权重w1大于w2的具体数值。
在步骤S5中,对所述融合图像中的目标像素进行统计,以根据统计结果识别目标区域。
在本公开的一些示例性实施例中,具体的,上述的步骤S5可以包括:
统计所述掩码图像中像素值大于所述像素值阈值的对应的区域面积,在所述区域面积大于所述像素比例阈值时,则判断所述待处理图像被篡改,并将所述掩码图像中的高亮区域作为所述待处理图像的目标区域。
具体来说,如果掩码图像Mfinal中像素值大于T1的区域面积大于TS1,则认为原图经过了图像篡改,篡改区域为Mfinal中的高亮区域。
上述的图像处理方法中,通过在第一图像识别分支中利用ELA算法对图像中的篡改区域进行识别,保证较高的篡改检出率。并且,由于ELA算法操作简单,可以在很短时间内提取出图像篡改区域的相关特征。可以应对多种类型、多种样式的图像篡改。同时,通过利用基于深度学习的图像分割网络对待处理图像进行特征提取和篡改区域的分割,能够准确的提取出待处理图像中丰富的纹理、结构和色彩等特征。再将两预测图像融合,能够将两部分特征准确的融合,对图像中的篡改区域做出准确的判断。保障了不同类型、不用样式篡改样例的检出准确率。
在本公开的另一种示例性的图像处理方法中,具体可以包括以下步骤:
S1、获取待处理图像;
S2、在第一图像识别分支基于误差分析算法对所述待处理图像进行图像识别,以获取所述待处理图像对应的第一预测结果;以及
S3、在第二图像识别分支基于深度学习算法对所述待处理图像进行图像识别,以获取所述待处理图像对应的第二预测结果;
S4、对所述第一预测结果和所述第二预测结果进行图像融合处理,以获取融合图像;
S5、对所述融合图像中的目标像素进行统计,以根据统计结果识别目标区域。
具体来说,其中,在步骤S1中,获取待处理图像的方式如上述实施例所述,在此不在赘述。
在本公开的一些示例性实施例中,在步骤S2中,参考图6所示,具体可以包括:
步骤S221,对所述待处理图像进行有损存储,以得到第一预处理图像;
步骤S222,将所述待处理图像与所述第一预处理图像进行像素值差异计算,以生成第一中间图像;
步骤S223,对所述第一中间图像进行归一化处理,并对归一化处理后的所述第一中间图像进行图像特征提取,以获取包含所述第一中间图像的图像特征信息的所述第一预测结果。
具体来说,对于第一图像识别分支而言,在利用如上述实施例中所述的ELA算法对待处理图像进行处理,得到归一化处理以及仿射变换处理后的第一中间图像之后,还可以利用一第一卷积神经网络模块对第一中间图像进行特征提取。
举例而言,该第一卷积神经网络模块可以为小型卷积神经网络,包括依次设置的多个卷积层、BN(Batch Normalization,批量归一化)层以及降采样层(池化层)。对应该模型而言,其输入实际为图像IELA,经过第一卷积神经网络进行特征提取后,输出为对应的特征图,将该特征图作为第一预测结果。该特征图中包含篡改区域位置、篡改区域面积、图像篡改区域边缘特征等特征信息。
在本公开的一些示例性实施例中,在步骤S3中,可以利用已训练的卷积神经网络模型对所述待处理图像进行图像特征提取,以获取包含所述待处理图像的图像特征信息的第二预测结果。
具体来说,对于第二图像识别分支而言,可以利用一第二卷积神经网络模型对待处理图像直接进行特征提取,得到第二预测图像。具体的,该第二卷积神经网络模型可以小型的卷积神经网络模型,包括依次设置的至少两个卷积层、BN层、降采样层堆叠而成。该第二卷积神经网络模型可以与上述的第一卷积神经网络模型为同一模型。对于该第二卷积神经网络模型而言,其输入为RGB三通道的彩色的待处理图像,其输出为待处理图像对应的特征图像,并将该特征图像作为第二与车结果。在该第二预测结果中,包含待处理图像的色彩特征、纹理特征和结构特征信息。
在本公开的一些示例性实施例中,在步骤S4中,具体的,可以将包述第一中间图像的图像特征信息的所述第一预测结果和包含所述待处理图像的图像特征信息的第二预测结果进行特征级的图像融合处理,以获取所述融合图像。
具体而言,在图像融合时,可以根据预先配置的加权权重,对第一预测结果的特征图像和第二预测结果的特征图像进行加权融合,实现特征级的图像融合,得到融合图像。具体的,针对两个特征图像,可以通过一Concat层或者全连接层对通道维度上拼接,再利用至少一个卷积层进行卷积,以及PReLU层激活,实现对两特征图像的融合,得到融合图像。
在本公开的一些示例性实施例中,在步骤S5中,具体的,可以将所述融合图像输入已训练的基于卷积神经网络的图像分割模型进行图像分割,以获取所述融合图像对应的包含所述目标区域的掩码图像;对所述掩码图像进行后处理,以获取所述目标区域的图像。
具体来说,可以通过一基于深度卷积神经网络的图像分割模型,对融合图像进行特征提取和分割。例如,如上述实施方式中所述的图像分割模型,其输入为融合图像,输出为该融合图像对应的具有相同尺寸的二值化掩码图像。在掩码图像中,以高亮区域显示篡改区域,以黑色显示图像中的非篡改区域。
在获取掩码图像后,还可以对掩码图像进行后处理,例如对掩码图像进行膨胀和腐蚀处理,强化掩码图像中篡改区域的边界,消除干扰像素点,令高亮区域更明显,提升篡改区域的显示效果。
上述示例性实施方式提供的图像处理方法中,通过在第一图像识别分支中利用ELA算法对待处理图像中的篡改区域进行识别,并利用基于卷积神经网络的特征提取模型对二值化的第一中间图像进行特征提取,得到对应包含特征信息的第一预测结果图像;同时在第二图像识别分支对待处理图像进行特征提取,得到对应的包含特征信息的第二预测结果的图像,从而在两个特征图像中包含不同内容的特征信息。再将两部分特征信息进行融合,得到融合图像,使得融合图像中可以准确的包含篡改区域的特征信息。再通过图像分割模型对融合图像进行图像分割后,可以准确的分割出图像中的篡改区域。从而有效的提升篡改区域识别的准确率。通过利用两个分支,分别提取不同类型的图像特征,并对特征进行融合,可以使得该方法可以适用于各种类型、样式的被篡改区域的识别。
或者,在本公开的其他示例性实施方式中,还可以将上述第一种实施例中第一图像识别分支得到的二值化黑白掩码图像,与第二种实施例中第二图像识别分支得到的待处理图像对应的特征图,利用上述的第二种实施例中的图像融合方法进行图像融合,再利用图像分割模型对融合图像进行图像分割,获取待处理图像中的篡改区域,标记其位置和边界信息。
综上所述,参考图2所示,本公开提供的方法,在获取输入待处理图像阶段10后,通过在特征提取阶段11利用第一图像识别分支和第二图像识别分支分别采用不同的算法对待处理图像进行特征提取,得到两个侧重各不相同、包含不同图像特征的预测结果图像,在图像融合处理阶段12对两预测结果图像进行图像融合,将两部分特征有机整合,并在图像后处理阶段13对融合后的图像进行后处理,在输出篡改区域识别结果阶段14,能够准确的判断图像中是否包含篡改区域;并在图像中存在篡改区域时,最大程度的保证图像中篡改区域的内容被准确的识别和保留。进而实现使用于各类型的图像,以及各类型的篡改的识别。
示例性装置
在介绍了本公开示例性实施方式的图像处理方法之后,接下来,参考图7对本公开示例性实施方式的图像处理装置进行描述。
参考图7所示,本公开示例性实施方式的图像处理装置70可以包括:图像获取模块701、第一预测模块702、第二预测模块703、融合处理模块704以及目标区域生成模块705,其中:
所述图像获取模块701可以用于获取待处理图像。
所述第一预测模块702可以用于在第一图像识别分支基于误差分析算法对所述待处理图像进行图像识别,以获取所述待处理图像对应的第一预测结果。
所述第二预测模块703可以用于在第二图像识别分支基于深度学习算法对所述待处理图像进行图像识别,以获取所述待处理图像对应的第二预测结果。
所述融合处理模块704可以用于对所述第一预测结果和所述第二预测结果进行图像融合处理,以获取融合图像。
所述目标区域生成模块705可以用于对所述融合图像中的目标像素进行统计,以根据统计结果识别目标区域。
根据本公开的示例性实施例,参考图8所示,所述第一预测模块702可以包括:第一类第一预测模块7021。
所述第一类第一预测模块可以用于对所述待处理图像进行有损存储,以得到第一预处理图像;将所述待处理图像与所述第一预处理图像进行像素值差异计算,以生成第一中间图像;对所述第一中间图像进行归一化处理,以获取所述待处理图像对应的所述第一预测结果。
根据本公开的示例性实施例,所述装置还包括:仿射变换模块。
所述仿射变换模块可以用于对归一化处理之后的所述第一中间图像进行仿射变换,以获取所述第一预测结果。
根据本公开的示例性实施例,参考图8所示,所述第二预测模块703可以包括:第一类第二预测模块7031。
所述第一类第二预测模块可以用于对所述待处理图像进行尺寸变换以将所述待处理图像变换为目标尺寸;以及对所述待处理图像进行归一化处理,并将归一化处理后的所述待处理图像输入已训练的基于深度学习算法的图像分割模型,以获取所述第二预测结果。
根据本公开的示例性实施例,参考图8所示,所述融合处理模块704可以包括:第一类融合处理模块7041。
所述第一类融合处理模块可以用于配置像素值阈值、像素比例阈值,以及图像融合权重;基于所述图像融合权重对所述第一预测结果和所述第二预测结果进行加权融合,以获取掩码图像。
根据本公开的示例性实施例,参考图8所示,所述目标区域生成模块705可以包括:第一类生成模块7051。
所述第一类生成模块可以用于统计所述掩码图像中像素值大于所述像素值阈值的对应的区域面积,在所述区域面积大于所述像素比例阈值时,则判断所述待处理图像被篡改,并将所述掩码图像中的高亮区域作为所述待处理图像的目标区域。
根据本公开的示例性实施例,所述装置还包括:图像类型识别模块。
所述图像类型识别模块可以用于识别所述待处理图像的图像类型,以基于所述图像类型配置所述图像融合权重。
根据本公开的示例性实施例,参考图9所示,所述第一预测模块702还可以包括:第二类第一预测模块7022。
所述第二类第一预测模块可以用于对所述待处理图像进行有损存储,以得到第一预处理图像;将所述待处理图像与所述第一预处理图像进行像素值差异计算,以生成第一中间图像;对所述第一中间图像进行归一化处理,并对归一化处理后的所述第一中间图像进行图像特征提取,以获取包含所述第一中间图像的图像特征信息的所述第一预测结果。
根据本公开的示例性实施例,参考图9所示,所述第二预测模块703还可以包括:第二类第二预测模块7032。
所述第二类第二预测模块可以用于利用已训练的卷积神经网络模型对所述待处理图像进行图像特征提取,以获取包含所述待处理图像的图像特征信息的第二预测结果。
根据本公开的示例性实施例,参考图9所示,所述融合处理模块704还可以包括:第二类融合处理模块7042。
所述第二类融合处理模块可以用于将包述第一中间图像的图像特征信息的所述第一预测结果和包含所述待处理图像的图像特征信息的第二预测结果进行特征级的图像融合处理,以获取所述融合图像。
根据本公开的示例性实施例,参考图9所示,所述所述目标区域生成模块705还可以包括:第二类生成模块7052。
所述第二类生成模块可以用于将所述融合图像输入已训练的基于卷积神经网络的图像分割模型进行图像分割,以获取所述融合图像对应的包含所述目标区域的掩码图像;对所述掩码图像进行后处理,以获取所述目标区域的图像。
由于本公开的图像处理装置的各个功能模块与上述图像处理方法的相关实施方式中相同,因此在此不再赘述。
示例性存储介质
在介绍了本公开示例性实施方式的图像处理方法和装置之后,接下来,参考图10对本公开示例性实施方式的存储介质进行说明。
参考图10所示,描述了根据本公开的实施方式的用于实现上述方法的程序产品700,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,并可以在设备,例如个人电脑上运行。然而,本公开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。
计算机可读信号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。可读信号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公开操作的程序代码,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服务器上执行。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)。
示例性电子设备
在介绍了本公开示例性实施方式的存储介质之后,接下来,参考图9对本公开示例性实施方式的电子设备进行说明。
图11显示的电子设备800仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图11所示,电子设备800以通用计算设备的形式表现。电子设备800的组件可以包括但不限于:上述至少一个处理单元810、上述至少一个存储单元820、连接不同系统组件(包括存储单元820和处理单元810)的总线830、显示单元840。
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810执行,使得所述处理单元810执行本说明书上述"示例性方法"部分中描述的根据本公开各种示例性实施方式的步骤。例如,所述处理单元810可以执行如图1中所示的步骤。
存储单元820可以包括易失性存储单元,例如随机存取存储单元(RAM)8201和/或高速缓存存储单元8202,还可以进一步包括只读存储单元(ROM)8203。
存储单元820还可以包括具有一组(至少一个)程序模块8205的程序/实用工具8204,这样的程序模块8205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830可以包括数据总线、地址总线和控制总线。
电子设备800也可以与一个或多个外部设备900(例如键盘、指向设备、蓝牙设备等)通信,这种通信可以通过输入/输出(I/O)接口850进行。电子设备800还包括显示单元840,其连接到输入/输出(I/O)接口850,用于进行显示。并且,电子设备800还可以通过网络适配器860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。如图所示,网络适配器860通过总线830与电子设备800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800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。
应当注意,尽管在上文详细描述中提及了音频播放装置和音频分享装置的若干模块或子模块,但是这种划分仅仅是示例性的并非强制性的。实际上,根据本公开的实施方式,上文描述的两个或更多单元/模块的特征和功能可以在一个单元/模块中具体化。反之,上文描述的一个单元/模块的特征和功能可以进一步划分为由多个单元/模块来具体化。
此外,尽管在附图中以特定顺序描述了本公开方法的操作,但是,这并非要求或者暗示必须按照该特定顺序来执行这些操作,或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地,可以省略某些步骤,将多个步骤合并为一个步骤执行,和/或将一个步骤分解为多个步骤执行。
虽然已经参考若干具体实施方式描述了本公开的精神和原理,但是应该理解,本公开并不限于所公开的具体实施方式,对各方面的划分也不意味着这些方面中的特征不能组合以进行受益,这种划分仅是为了表述的方便。本公开旨在涵盖所附权利要求的精神和范围内所包括的各种修改和等同布置。
Claims (10)
1.一种图像处理方法,其特征在于,包括:
获取待处理图像;
在第一图像识别分支基于误差分析算法对所述待处理图像进行图像识别,以获取所述待处理图像对应的第一预测结果;以及
在第二图像识别分支基于深度学习算法对所述待处理图像进行图像识别,以获取所述待处理图像对应的第二预测结果;
对所述第一预测结果和所述第二预测结果进行图像融合处理,以获取融合图像;
对所述融合图像中的目标像素进行统计,以根据统计结果识别目标区域。
2.根据权利要求1所述的图像处理方法,其特征在于,所述在第一图像识别分支基于误差分析算法对所述待处理图像进行图像识别,以获取所述待处理图像对应的第一预测结果,包括:
对所述待处理图像进行有损存储,以得到第一预处理图像;
将所述待处理图像与所述第一预处理图像进行像素值差异计算,以生成第一中间图像;
对所述第一中间图像进行归一化处理,以获取所述待处理图像对应的所述第一预测结果。
3.根据权利要求2所述的图像处理方法,其特征在于,所述对所述第一中间图像进行归一化处理之后,所述方法还包括:对归一化处理之后的所述第一中间图像进行仿射变换,以获取所述第一预测结果。
4.根据权利要求1或2所述的图像处理方法,其特征在于,所述在第二图像识别分支基于深度学习算法对所述待处理图像进行图像识别,以获取所述待处理图像对应的第二预测结果在第二图像识别分支基于深度学习算法对所述待处理图像进行图像识别,以获取所述待处理图像对应的第二预测结果,包括:
对所述待处理图像进行尺寸变换以将所述待处理图像变换为目标尺寸;以及
对所述待处理图像进行归一化处理,并将归一化处理后的所述待处理图像输入已训练的基于深度学习算法的图像分割模型,以获取所述第二预测结果。
5.根据权利要求4所述的图像处理方法,其特征在于,所述对所述第一预测结果和所述第二预测结果进行图像融合处理,以获取融合图像,包括:
配置像素值阈值、像素比例阈值,以及图像融合权重;
基于所述图像融合权重对所述第一预测结果和所述第二预测结果进行加权融合,以获取掩码图像。
6.根据权利要求5所述的图像处理方法,其特征在于,所述对所述融合图像中的目标像素进行统计,以根据统计结果识别目标区域,包括:
统计所述掩码图像中像素值大于所述像素值阈值的对应的区域面积,在所述区域面积大于所述像素比例阈值时,则判断所述待处理图像被篡改,并将所述掩码图像中的高亮区域作为所述待处理图像的目标区域。
7.根据权利要求5所述的图像处理方法,其特征在于,所述获取所述待处理图像时,所述方法还包括:
识别所述待处理图像的图像类型,以基于所述图像类型配置所述图像融合权重。
8.一种图像处理装置,其特征在于,包括:
图像获取模块,用于获取待处理图像;
第一预测模块,用于在第一图像识别分支基于误差分析算法对所述待处理图像进行图像识别,以获取所述待处理图像对应的第一预测结果;以及
第二预测模块,用于在第二图像识别分支基于深度学习算法对所述待处理图像进行图像识别,以获取所述待处理图像对应的第二预测结果;
融合处理模块,用于对所述第一预测结果和所述第二预测结果进行图像融合处理,以获取融合图像;
目标区域生成模块,用于对所述融合图像中的目标像素进行统计,以根据统计结果识别目标区域。
9.一种存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1~7中任一项所述的图像处理方法。
10.一种电子设备,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1~7中任一项所述的图像处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110062528.1A CN112801960B (zh) | 2021-01-18 | 2021-01-18 | 图像处理方法及装置、存储介质、电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110062528.1A CN112801960B (zh) | 2021-01-18 | 2021-01-18 | 图像处理方法及装置、存储介质、电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112801960A true CN112801960A (zh) | 2021-05-14 |
CN112801960B CN112801960B (zh) | 2024-04-09 |
Family
ID=75810088
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110062528.1A Active CN112801960B (zh) | 2021-01-18 | 2021-01-18 | 图像处理方法及装置、存储介质、电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112801960B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113450330A (zh) * | 2021-06-29 | 2021-09-28 | 山东大学 | 基于分割和深度卷积网络的图像复制-粘贴篡改检测方法 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101419702A (zh) * | 2008-05-30 | 2009-04-29 | 董申 | 用于彩色图像篡改定位与恢复的半脆弱数字水印方法 |
CN102226920A (zh) * | 2011-06-03 | 2011-10-26 | 贵州大学 | 抗裁剪的jpeg图像压缩历史及合成篡改检测方法 |
CN102567987A (zh) * | 2011-11-28 | 2012-07-11 | 贵州大学 | 图像合成篡改中人工模糊操作痕迹的检测方法 |
CN106228557A (zh) * | 2016-07-26 | 2016-12-14 | 浙江捷尚视觉科技股份有限公司 | 基于二次jpeg压缩的图像篡改区域检测方法 |
US20180107887A1 (en) * | 2016-10-14 | 2018-04-19 | ID Metrics Group Incorporated | Tamper detection for identification documents |
US10140553B1 (en) * | 2018-03-08 | 2018-11-27 | Capital One Services, Llc | Machine learning artificial intelligence system for identifying vehicles |
CN110349136A (zh) * | 2019-06-28 | 2019-10-18 | 厦门大学 | 一种基于深度学习的篡改图像检测方法 |
CN111368342A (zh) * | 2020-03-13 | 2020-07-03 | 众安信息技术服务有限公司 | 图像篡改识别模型训练方法、图像篡改识别方法及装置 |
CN111415336A (zh) * | 2020-03-12 | 2020-07-14 | 泰康保险集团股份有限公司 | 一种图像篡改识别方法、装置、服务器及存储介质 |
CN111445454A (zh) * | 2020-03-26 | 2020-07-24 | 江南大学 | 一种图像真伪鉴别方法及其在证照识别中的应用 |
US10810725B1 (en) * | 2018-12-07 | 2020-10-20 | Facebook, Inc. | Automated detection of tampered images |
WO2020224424A1 (zh) * | 2019-05-07 | 2020-11-12 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、计算机可读存储介质和计算机设备 |
US20200372648A1 (en) * | 2018-05-17 | 2020-11-26 | Tencent Technology (Shenzhen) Company Limited | Image processing method and device, computer apparatus, and storage medium |
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 |
-
2021
- 2021-01-18 CN CN202110062528.1A patent/CN112801960B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101419702A (zh) * | 2008-05-30 | 2009-04-29 | 董申 | 用于彩色图像篡改定位与恢复的半脆弱数字水印方法 |
CN102226920A (zh) * | 2011-06-03 | 2011-10-26 | 贵州大学 | 抗裁剪的jpeg图像压缩历史及合成篡改检测方法 |
CN102567987A (zh) * | 2011-11-28 | 2012-07-11 | 贵州大学 | 图像合成篡改中人工模糊操作痕迹的检测方法 |
CN106228557A (zh) * | 2016-07-26 | 2016-12-14 | 浙江捷尚视觉科技股份有限公司 | 基于二次jpeg压缩的图像篡改区域检测方法 |
US20180107887A1 (en) * | 2016-10-14 | 2018-04-19 | ID Metrics Group Incorporated | Tamper detection for identification documents |
US10140553B1 (en) * | 2018-03-08 | 2018-11-27 | Capital One Services, Llc | Machine learning artificial intelligence system for identifying vehicles |
US20200372648A1 (en) * | 2018-05-17 | 2020-11-26 | Tencent Technology (Shenzhen) Company Limited | Image processing method and device, computer apparatus, and storage medium |
US10810725B1 (en) * | 2018-12-07 | 2020-10-20 | Facebook, Inc. | Automated detection of tampered images |
WO2020224424A1 (zh) * | 2019-05-07 | 2020-11-12 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、计算机可读存储介质和计算机设备 |
CN110349136A (zh) * | 2019-06-28 | 2019-10-18 | 厦门大学 | 一种基于深度学习的篡改图像检测方法 |
CN111415336A (zh) * | 2020-03-12 | 2020-07-14 | 泰康保险集团股份有限公司 | 一种图像篡改识别方法、装置、服务器及存储介质 |
CN111368342A (zh) * | 2020-03-13 | 2020-07-03 | 众安信息技术服务有限公司 | 图像篡改识别模型训练方法、图像篡改识别方法及装置 |
CN111445454A (zh) * | 2020-03-26 | 2020-07-24 | 江南大学 | 一种图像真伪鉴别方法及其在证照识别中的应用 |
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 |
Non-Patent Citations (1)
Title |
---|
杨超;周大可;杨欣;: "基于篡改区域轮廓的图像拼接篡改盲取证算法", 电子测量技术, no. 04 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113450330A (zh) * | 2021-06-29 | 2021-09-28 | 山东大学 | 基于分割和深度卷积网络的图像复制-粘贴篡改检测方法 |
CN113450330B (zh) * | 2021-06-29 | 2022-03-18 | 山东大学 | 基于分割和深度卷积网络的图像复制-粘贴篡改检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112801960B (zh) | 2024-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109117848B (zh) | 一种文本行字符识别方法、装置、介质和电子设备 | |
CN111476284B (zh) | 图像识别模型训练及图像识别方法、装置、电子设备 | |
CN111488826B (zh) | 一种文本识别方法、装置、电子设备和存储介质 | |
CN108229418B (zh) | 人体关键点检测方法和装置、电子设备、存储介质和程序 | |
CN112861575A (zh) | 一种行人结构化方法、装置、设备和存储介质 | |
CN111932577B (zh) | 文本检测方法、电子设备及计算机可读介质 | |
CN113239807B (zh) | 训练票据识别模型和票据识别的方法和装置 | |
CN111914654A (zh) | 一种文本版面分析方法、装置、设备和介质 | |
CN116311214B (zh) | 车牌识别方法和装置 | |
CN113344826A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN114283431B (zh) | 一种基于可微分二值化的文本检测方法 | |
Naosekpam et al. | Multi-lingual Indian text detector for mobile devices | |
CN112651399B (zh) | 检测倾斜图像中同行文字的方法及其相关设备 | |
CN112801960B (zh) | 图像处理方法及装置、存储介质、电子设备 | |
CN111898544B (zh) | 文字图像匹配方法、装置和设备及计算机存储介质 | |
CN114741697B (zh) | 恶意代码分类方法、装置、电子设备和介质 | |
CN115953744A (zh) | 一种基于深度学习的车辆识别追踪方法 | |
CN113191364B (zh) | 车辆外观部件识别方法、装置、电子设备和介质 | |
CN114821062A (zh) | 基于图像分割的商品识别方法及装置 | |
CN113128496B (zh) | 一种从图像中提取结构化数据的方法、装置和设备 | |
CN113205092A (zh) | 文本检测方法、装置、设备及存储介质 | |
CN112434698A (zh) | 字符识别方法、装置、电子设备及存储介质 | |
CN113033397A (zh) | 目标跟踪方法、装置、设备、介质及程序产品 | |
CN113762017A (zh) | 一种动作识别方法、装置、设备及存储介质 | |
CN111798376A (zh) | 图像识别方法、装置、电子设备及存储介质 |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20210928 Address after: 310000 Room 408, building 3, No. 399, Wangshang Road, Changhe street, Binjiang District, Hangzhou City, Zhejiang Province Applicant after: Hangzhou Netease Zhiqi Technology Co.,Ltd. Address before: 310052 Building No. 599, Changhe Street Network Business Road, Binjiang District, Hangzhou City, Zhejiang Province, 4, 7 stories Applicant before: NETEASE (HANGZHOU) NETWORK Co.,Ltd. |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |