CN113034337B - 图像检测方法及相关装置 - Google Patents
图像检测方法及相关装置 Download PDFInfo
- Publication number
- CN113034337B CN113034337B CN202110472239.9A CN202110472239A CN113034337B CN 113034337 B CN113034337 B CN 113034337B CN 202110472239 A CN202110472239 A CN 202110472239A CN 113034337 B CN113034337 B CN 113034337B
- Authority
- CN
- China
- Prior art keywords
- image
- information
- bit
- steganography
- bit information
- 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.)
- Active
Links
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
Abstract
本公开提供了图像检测方法、装置、电子设备、计算机可读存储介质及计算机程序产品,涉及人工智能技术领域。该方法包括:获取待检测图像中像素点的比特位信息,并基于该比特位信息生成还原图像,利用预先训练的隐写检测模型检测该还原图像,得到检测结果,隐写检测模型用于检测图像内容的来源类型,来源类型中至少包括:噪声生成,最后当检测结果表示该还原图像的图像内容的来源信息不属于该噪声生成时,将该待检测图像确定为隐写图像。本公开能够提升检测基于底层内容对图像进行篡改、隐写的能力,提升检测质量。
Description
技术领域
本公开涉及图像处理技术领域,具体涉及隐写检测、数据安全等人工智能技术领域,尤其涉及图像检测方法、装置、电子设备、计算机可读存储介质及计算机程序产品。
背景技术
随着科技的进步和人工智能的快速发展,为了满足网络监管的需求,需要对用户上传至互联网平台的图像、音频数据等内容进行筛选,以避免不符合法律规定的内容流入互联网。
现有技术中,通常是通过人工、图像内容识别模型等方式对用户上传的图像进行过滤,但目前黑色产业为了应对筛查,往往会利用合法内容作为载体,在其中添加有隐蔽的非法内容,以绕过内容筛查,例如在以贴吧为互联网平台时,用户们经常称呼这类包含隐蔽内容的图像文件为“幻影坦克”。
发明内容
本公开实施例提出了一种图像检测方法、装置、电子设备、计算机可读存储介质及计算机程序产品。
第一方面,本公开实施例提出了一种图像检测方法,包括:获取待检测图像中像素点的比特位信息,并基于该比特位信息生成还原图像;利用预先训练的隐写检测模型检测该还原图像,得到检测结果,该隐写检测模型用于检测图像内容的来源类型,响应于该检测结果表示该还原图像的图像内容的来源类型不为噪声生成,将该待检测图像确定为隐写图像。
第二方面,本公开实施例提出了一种图像检测装置,包括:比特位信息提取及还原图像生成单元,该比特位信息提取及还原图像生成单元中包括被配置成获取待检测图像中像素点的比特位信息的比特位信息提取子单元,以及被配置成基于该比特位信息生成还原图像的还原图像生成子单元;检测结果生成单元,被配置成利用预先训练的隐写检测模型检测该还原图像,得到检测结果,该隐写检测模型用于检测图像内容的来源类型;隐写图像确定单元,被配置成响应于该检测结果表示该还原图像的图像内容的来源类型不为噪声生成,将该待检测图像确定为隐写图像。
第三方面,本公开实施例提供了一种电子设备,该电子设备包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,该指令被至少一个处理器执行,以使至少一个处理器执行时能够实现如第一方面中任一实现方式描述的图像检测方法。
第四方面,本公开实施例提供了一种存储有计算机指令的非瞬时计算机可读存储介质,该计算机指令用于使计算机执行时能够实现如第一方面中任一实现方式描述的图像检测方法。
第五方面,本公开实施例提供了一种包括计算机程序的计算机程序产品,该计算机程序在被处理器执行时能够实现如第一方面中任一实现方式描述的图像检测方法。
本公开实施例提供的图像检测方法、装置、电子设备、计算机可读存储介质及计算机程序产品,获取待检测图像中像素点的比特位信息,并基于该比特位信息生成还原图像,利用预先训练的隐写检测模型检测该还原图像,得到检测结果,隐写检测模型用于检测图像内容的来源类型,来源类型中至少包括:噪声生成,最后当检测结果表示该还原图像的图像内容的来源信息不属于该噪声生成时,将该待检测图像确定为隐写图像。
本公开对待检测图像中像素点的比特位信息进行图像还原、得到还原图像后,分析该还原图像中存在的内容来源是否为噪声生成,在该图像内容并非基于噪声生成时,确定待检测图像中存在有隐藏内容,实现基于比特位信息对图像进行检测,提升检测基于底层内容对图像进行篡改、隐写的能力,提升检测质量。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本公开的其它特征、目的和优点将会变得更明显:
图1是本公开可以应用于其中的示例性系统架构;
图2为本公开实施例提供的一种图像检测方法的流程图;
图3为本公开实施例提供的另一种图像检测方法的流程图;
图4为本公开实施例提供的一种图像检测装置的结构框图;
图5为本公开实施例提供的一种适用于执行图像检测方法的电子设备的结构示意图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。需要说明的是,在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
此外,本公开涉及的技术方案中,所涉及的用户个人信息的获取(例如本公开后续涉及的待检测图像中可能包含的人脸信息等)、存储和应用等,均符合相关法律法规的规定,且不违背公序良俗。
图1示出了可以应用本公开的图像检测方法、装置、电子设备及计算机可读存储介质的实施例的示例性系统架构100。
如图1所示,系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103和服务器105上可以安装有各种用于实现两者之间进行信息通讯的应用,例如图像审核类应用、数据安全检测类应用、即时通讯类应用等。
终端设备101、102、103和服务器105可以是硬件,也可以是软件。当终端设备101、102、103为硬件时,可以是具有显示屏的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等;当终端设备101、102、103为软件时,可以安装在上述所列举的电子设备中,其可以实现成多个软件或软件模块,也可以实现成单个软件或软件模块,在此不做具体限定。当服务器105为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器;服务器为软件时,可以实现成多个软件或软件模块,也可以实现成单个软件或软件模块,在此不做具体限定。
服务器105通过内置的各种应用可以提供各种服务,以可以提供对用户上传的图像进行审核的图像审核类应用为例,服务器105在运行该图像审核类应用时可实现如下效果:首先,通过网络104从终端设备101、102、103中获取待检测图像后,获取该待检测图像中像素点的比特位信息,并给予该比特位信息生成还原图像;然后,服务器105利用预先训练的、用于检测图像内容的来源类型的隐写检测模型检测该还原图像,得到检测结果;最后,服务器105在响应该检测结果表示该还原图像的图像内容的来源类型不为噪声生成时,将该待检测图像确定为隐写图像,确定待检测图像中存在有隐藏信息。
需要指出的是,待检测图像以及对应的待检测图像中像素点的比特位信息除可以从终端设备101、102、103通过网络104获取到之外,也可以通过各种方式预先存储在服务器105本地。因此,当服务器105检测到本地已经存储有这些数据时(例如开始处理之前留存的待检测图像),可选择直接从本地获取这些数据,在此种情况下,示例性系统架构100也可以不包括终端设备101、102、103和网络104。
由于基于比特位信息生成还原图像等于图像检测相关的处理需要占用较多的运算资源和较强的运算能力,因此本公开后续各实施例所提供的图像检测方法一般由拥有较强运算能力、较多运算资源的服务器105来执行,相应地,图像检测装置一般也设置于服务器105中。但同时也需要指出的是,在终端设备101、102、103也具有满足要求的运算能力和运算资源时,终端设备101、102、103也可以通过其上安装的图像审核类应用完成上述本交由服务器105做的各项运算,进而输出与服务器105同样的结果。尤其是在同时存在多种具有不同运算能力的终端设备的情况下,但图像审核类应用判断所在的终端设备拥有较强的运算能力和剩余较多的运算资源时,可以让终端设备来执行上述运算,从而适当减轻服务器105的运算压力,相应的,图像检测装置也可以设置于终端设备101、102、103中。在此种情况下,示例性系统架构100也可以不包括服务器105和网络104。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
请参考图2,图2为本公开实施例提供的一种图像检测方法的流程图,其中流程200包括以下步骤:
步骤201,获取待检测图像中像素点的比特位信息,并基于比特位信息生成还原图像。
在本实施例中,图像检测方法的执行主体(例如图1所示的服务器105)获取到待检测图像中像素点的比特位信息后,根据获取到的比特位信息进行像素内容的还原,并将各个像素内容进行拼接后得到完整的像素信息,根据该完整的像素信息生成对应的还原图像。
其中,可以利用扫描器对待检测图像进行识别,以获取待检测图像中像素点的比特位信息,并且可以根据隐写算法的隐写方式对扫描器进行相应配置,以获取与隐写算法对应的特定范围内的比特位信息,提升图像检测效率。
进一步的,若获取到的比特位信息不满足生成还原图像的像素的比特位信息需求,则可根据图像生成需求对非该比特位信息的比特位信息的数值进行补全,以得到可生成还原图像的完整的像素的比特位信息,并根据该完整的比特位信息进行图像生成,得到还原图像,在对非获取到的比特位信息进行补全时,优选的选用对比度较低的补全信息进行补全,示例性的,如获取的到比特位信息为后四位的“1111”,生成还原图像时需要的像素信息对应8位比特位信息,此时可对应的在前四位进行补充成像影响较低的“0”,以得到“00001111”的比特位信息作为像素信息,以后续生成还原图像。
需要指出的是,待检测图像以及待检测图像中像素点的比特位信息可以由上述执行主体直接从本地的存储设备获取,也可以从非本地的存储设备(例如图1所示的终端设备101、102、103)中获取。本地的存储设备可以是设置在上述执行主体内的一个数据存储模块,例如服务器硬盘,在此种情况下,两张原始图片和其排序信息可以在本地快速读取到;非本地的存储设备还可以为其它任何被设置用于存储数据的电子设备,例如一些用户终端等,在此情况下,上述执行主体可以通过向该电子设备发送获取命令来获取所需的待检测图像、待检测图像中像素点的比特位信息。
在实践中,通常根据上述执行主体的处理能力来确定是否需要从其他终端设备处直接获取待检测图像中像素点的比特位信息,为了考虑用户上传图像、检测或审核图像的实际需求,以及用户所持终端设备中对图像像素点的比特位信息解析能力较弱的情况,通常会采用由其他终端设备直接向上述执行主体发送待检测图像后,由上述执行主体本地进行待检测图像中像素点的比特位信息的解析、获取,以便于用户进行图像的上传。
步骤202,利用预先训练的隐写检测模型检测还原图像,得到检测结果。
在本实施例中,获取上述步骤201中生成的还原图像,并利用预先训练的隐写检测模型对该还原图像进行检测,得到对应的检测结果,其中,隐写检测模型可以用于检测图像内容的来源类型,该来源类型通常可以为:噪声生成、非噪声生成,即该隐写检测模型可以用于检测输入图像中的内容是基于噪声生成的还是非噪声的其他内容生成的。
其中,隐写检测模型可以是通过深度学习模型学习到的,比如利用经典的残差网络模型(ResNet)模型或者通过自动化神经网络训练法(AutoDL)来训练得到一个二分类模型得到隐写检测模型,该隐写检测模型用来判断输入的图像是否有意义,即判断该输入的图像中的内容是杂乱的噪声,还是明确、完整的内容。
步骤203,响应于检测结果表示还原图像的图像内容的来源类型不为噪声生成,将待检测图像确定为隐写图像。
在本实施例中,在得到步骤202中生成的检测结果后,若该检测结果中未将还原图像中内容的来源信息归入属于噪声生成时,则确定该待检测图像中隐藏有可以被还原出来的完整的、可能存在的价值的或与待检测图像中所表现内容不同的隐写信息,对应的将该待检测图像确定为隐写图像。
本公开实施例提供的图像检测方法,对待检测图像中像素点的比特位信息进行图像还原、得到还原图像后,分析该还原图像中存在的内容来源是否为噪声生成,在该图像内容并非基于噪声生成时,确定待检测图像中存在有隐藏内容,实现基于比特位信息对图像进行检测,提升检测基于底层内容对图像进行篡改、隐写的能力,提升检测质量。
在本实施例的一些可选的实现方式中,该获取待检测图像中像素点的比特位信息包括:根据最低有效位隐写算法的改写范围确定比特位检测位数区间;获取该待检测图像中像素点的位于该比特位检测位数区间内的比特位信息。
具体的,最低有效位隐写算法(Least significant bit,简称LSB),是一种利用像素点中最低有效位的比特位信息进行信息隐藏的算法,通常经过最低有效位隐写算法写入的隐匿内容,无法基于人眼或者图像内容识别模型进行提取,为防止待检测图像中存在有利用最低有效位隐写算法添加的隐写信息,根据最低有效位算法可改写的有效比特位的范围确定比特位检测位数的区间后,提取待检测图像中像素点与该检测位数区间对应的比特位信息,在保证图像检测效率的前提下,提升获取到的比特位信息的价值和响应的获取效率,避免获取过多无用信息干扰图像检测的准确性。
请参考图3,图3为本公开实施例提供的另一种图像检测方法的流程图,其中涉及到在将待检测确定为隐写图像后的处理流程,该流程300包括以下步骤:
步骤301,获取待检测图像中像素点的比特位信息,并基于比特位信息生成还原图像。
步骤302,利用预先训练的隐写检测模型检测还原图像,得到检测结果。
步骤303,响应于检测结果表示还原图像的图像内容的来源类型不为噪声生成,将待检测图像确定为隐写图像。
以上步骤301-303与如图2所示的步骤201-203一致,相同部分内容请参见上一实施例的相应部分,此处不再进行赘述。
步骤304,获取比特位信息的变化规律信息。
在本实施例中,在获取到待检测图像中不同像素点的比特位信息后,对获取到的比特位信息进行分析,以判断各不同像素点中的比特位信息中是否存在共通的变化规律,通常可以基于还原图像中存在有实际价值的内容部分对应的像素的比特位信息进行分析,以确定比特位信息的变化规律信息。
示例性的,可基于不同的隐写算法样本图像预先对线性判别式算法和K-means聚类算法等现有算法进行训练,以建立变化规律识别模型,在获取到比特位信息时利用该变化规律识别模型以获取变化规律信息。
步骤305,根据比特位信息的变化规律信息确定隐写图像的隐写算法。
在本实施例中,获取待检测图像中不同像素点的对应的比特位信息后,根据该变化规律信息的确定隐写图像的隐写算法,例如隐写算法为最低有效位隐写算法时,则对应的变化规律信息为与还原图像中有实际价值的内容部分对应的比特位信息均经过相似数值的灰度值设置。
步骤306,生成与隐写算法对应的解密算法,并利用解密算法对还原图像进行解密,生成待审核图像。
在本实施例中,在确定隐写图像中包含的隐写算法后,获取该隐写算法对应的解密算法,对还原图像进行解密,以得到包含待检测图像中完整的隐藏内容的审核图像,以便于使用现有的图像审核方法对该审核图像进行识别,以确定待检测图像中是否存在有不符合发布要求的隐藏内容。
本实施例在上述图2所对应实施例的基础上,进一步的可以根据比特位信息的变化规律确定相应的隐写算法,并对隐写图像中的隐写内容进行解析、还原,以生成可被人眼、图像内容识别模型等现有方式所识别的审核图像,便于接入现有的图像审核机制进行图像审核。
在本实施例的一些可选的实现方式中,因待检测图像中的隐藏内容基于现有的图像识别方式不易进行发觉,所以为提高图像检测的效率、避免因获取数据量过多造成的分析误差,获取该比特位信息的变化规律信息包括:获取该待检测图像中像素点的比特位信息中显示权重低于预设阈值的高危比特位信息;根据该高危比特位信息的变化情况生成该变化规律信息。
具体的,在获取比特位信息的变化规律时,可以基于待检测图像中像素点中的各比特位对于显示内容影响的权重进行区分,将显示权重低于预设阈值的比特位信息确定为高危比特位信息,并根据该高危比特位信息的变化情况生成变化规律信息,以根据显示权重的方式提取出对当前待检测图像中内容显示影响较小的、容易作为隐藏信息载体的高危比特位信息,以便于分析上述变化规律时更具有针对性,获取更为准确的变化规律。
在本实施例的一些可选的实现方式中,为了更好的确定比特位信息的变化情况,在可以获取到待检测图像的标准图像时,获取该比特位信息的变化规律信息包括:获取该待检测图像的标准图像;获取该标准图像中像素点的标准比特位信息与该比特位信息之间的差异信息;根据该差异信息确定该变化规律信息。
具体的,标准图像为预先确定的待检测图像的仅包含公开内容、未包含隐写内容的图像版本,在存在通过数据检索、上述执行主体本地预先存储有待检测图像的标准图像等上述执行主体可以获取到待检测图像的标准图像的情况下,获取到待检测图像的标准图像,获取该标准图像中像素点的标准比特位信息后,基于该标准比特位信息与当前待检测图像中像素点包括的比特位信息进行比较,以确定两者的差异后,各像素点中两者的差异信息进行规律总结,以确定对应的变化规律,以便于在该情况下,更为准确的获取比特位信息的变化规律、提升获取质量。
在本实施例的一些可选的实现方式中,根据该比特位信息的变化规律信息确定该隐写图像的隐写算法,包括:在预设的隐写数据库中匹配与该变化规律信息对应的隐写算法,该隐写数据库中记录有隐写算法与比特位信息变化规律之间的对应关系。
具体的,隐写数据库中记录与各隐写算法对应的隐写规律,即采用其中一个隐写算法后对应的像素点中比特位信息会产生的具体变化,在得到隐写图像对应的变化规律后,可以根据该变化规律与该隐写数据库中的内容进行匹配,以确定与该变化规律对应的隐写算法,以通过数据库的形式对现有的隐写算法进行收集,便于在确定待检测图像为隐写图像后,确定为该待检测图像中添加隐写内容的隐写算法。
进一步的,该隐写数据库中还可以记录有与隐写算法对应的解密算法,以便于在获取到隐写算法后对其中的解析算法进行获取,完成对隐写图像中隐写内容的解密、还原。
在上述任一实施例的基础上,进一步的,为了方便图像审核工作的进行,该图像检测方法还包括:响应于该检测结果表示该还原图像的图像内容来源类型为噪声生成,将该待检测图像确认为合格图像,以便于在审核机制了解到该待检测图像中存在的比特位信息变化是基于噪声原因影响的,该待检测图像中不存在隐匿内容,以提升后续审核的效率。
为加深理解,本公开还结合一个具体应用场景,以贴吧为互联网平台时的图像检测、审核方案,给出了一种具体的实现方案,具体如下:
获取用户上传的图像,过滤掉其中的不合规图片。
通过扫描器扫描待检测图像中各像素点的比特位信息,并基于比特位信息生成还原图像。
具体的,通过扫描器快速扫描图像每个像素点中后预设位数的比特位,得到比特位信息后生成还原图像。
其中,预设位数与隐藏算法的实现方式有关,示例性,为实现隐写100灰度值时,一种隐写算法的实现方式为:当RGB图像每个像素点的范围都是[0,255]时,其中255的二进制位全为1,‘b11111111’,灰度值100的二进制位为‘0b1100100’,分别将前后4位(前4位为0110,后4位为0100,不够4位的前面补0),写入待检测图片连续的两个像素点,前4位隐藏进载体图片后,像素点变为‘0b11110110’,因此,可对应的确定隐藏的是后4位,将该预设位数确定为后4位。
利用预先训练的隐写检测模型检测所还原图像,得到检测结果,当确定该检测结果表示还原图像的图像内容的来源类型为噪声生成,将待检测图像确定为隐写图像。
并获取该比特位信息的变化规律信息,确定为该待检测图像添加隐写内容的隐写算法后,获取与该隐写算法对应的解密算法。
利用该解密算法对还原图像进行解密后,生成待审核图像,并发送至图像内容审核模型中进行审核,判断该待审核图像的内容是否符合规定。
进一步参考图4,作为对上述各图所示方法的实现,本公开提供了一种图像检测装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图4所示,本实施例的图像检测装置400可以包括:比特位信息提取及还原图像生成单元401、检测结果生成单元402和隐写图像确定单元403。其中,比特位信息提取及还原图像生成单元401中包括被配置成获取待检测图像中像素点的比特位信息的比特位信息提取子单元,以及被配置成基于该比特位信息生成还原图像的还原图像生成子单元;检测结果生成单元402,被配置成利用预先训练的隐写检测模型检测该还原图像,得到检测结果,该隐写检测模型用于检测图像内容的来源类型;隐写图像确定单元403,被配置成响应于该检测结果表示该还原图像的图像内容的来源类型不为噪声生成,将该待检测图像确定为隐写图像。
在本实施例中,图像检测装置400中:比特位信息提取及还原图像生成单元401、检测结果生成单元402和隐写图像确定单元403的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201-203的相关说明,在此不再赘述。
在本实施例的一些可选的实现方式中,该图像检测装置还包括:变化规律确定单元,被配置成获取该比特位信息的变化规律信息;隐写算法确定单元,被配置成根据该比特位信息的变化规律信息确定该隐写图像的隐写算法;解密算法生成单元,被配置成生成与该隐写算法对应的解密算法;审核图像生成单元,被配置成利用该解密算法对该还原图像进行解密,生成待审核图像。
在本实施例的一些可选的实现方式中,该变化规律确定单元包括:高危比特位信息获取子单元,被配置成获取该待检测图像中像素点的比特位信息中显示权重低于预设阈值的高危比特位信息;变化规律确定子单元,被配置成根据该高危比特位信息的变化情况生成该变化规律信息。
在本实施例的一些可选的实现方式中,该变化规律确定单元包括:标准图像获取子单元,被配置成获取该待检测图像的标准图像;差异信息生成子单元,被配置成获取该标准图像中像素点的标准比特位信息与该比特位信息之间的差异信息;变化规律确定子单元,被配置成根据该差异信息确定该变化规律信息。
在本实施例的一些可选的实现方式中,该隐写算法确定单元,进一步被配置成在预设的隐写数据库中匹配与该变化规律信息对应的隐写算法,该隐写数据库中记录有隐写算法与比特位信息变化规律之间的对应关系。
在本实施例的一些可选的实现方式中,该比特位信息提取子单元包括:检测区间获取模块,被配置成根据最低有效位隐写算法的改写范围确定比特位检测位数区间;比特位信息提取模块,被配置成获取该待检测图像中像素点的位于该比特位检测位数区间内的比特位信息。
在本实施例的一些可选的实现方式中,该图像检测装置还包括:合格图像生成单元,被配置成响应于该检测结果表示该还原图像的图像内容的来源类型为噪声生成,将该待检测图像确认为合格图像。
本实施例作为对应于上述方法实施例的装置实施例存在,本实施例提供的图像检测装置对待检测图像中像素点的比特位信息进行图像还原、得到还原图像后,分析该还原图像中存在的内容来源是否为噪声生成,在该图像内容并非基于噪声生成时,确定待检测图像中存在有隐藏内容,实现基于比特位信息对图像进行检测,提升检测基于底层内容对图像进行篡改、隐写的能力,提升检测质量。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图5示出了可以用来实施本公开的实施例的示例电子设备500的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图5所示,设备500包括计算单元501,其可以根据存储在只读存储器(ROM)502中的计算机程序或者从存储单元508加载到随机访问存储器(RAM)503中的计算机程序,来执行各种适当的动作和处理。在RAM 503中,还可存储设备500操作所需的各种程序和数据。计算单元501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
设备500中的多个部件连接至I/O接口505,包括:输入单元506,例如键盘、鼠标等;输出单元507,例如各种类型的显示器、扬声器等;存储单元508,例如磁盘、光盘等;以及通信单元509,例如网卡、调制解调器、无线通信收发机等。通信单元509允许设备500通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元501可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元501的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元501执行上文所描述的各个方法和处理,例如图像检测方法。例如,在一些实施例中,图像检测方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元508。在一些实施例中,计算机程序的部分或者全部可以经由ROM 502和/或通信单元509而被载入和/或安装到设备500上。当计算机程序加载到RAM 503并由计算单元501执行时,可以执行上文描述的图像检测方法的一个或多个步骤。备选地,在其他实施例中,计算单元501可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行图像检测方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决传统物理主机与虚拟专用服务器(VPS,Virtual Private Server)服务中存在的管理难度大,业务扩展性弱的缺陷。服务器也可以分为分布式系统的服务器,或者是结合了区块链的服务器。
根据本公开实施例的技术方案,对待检测图像中像素点的比特位信息进行图像还原、得到还原图像后,分析该还原图像中存在的内容来源是否为噪声生成,在该图像内容并非基于噪声生成时,确定待检测图像中存在有隐藏内容,实现基于比特位信息对图像进行检测,提升检测基于底层内容对图像进行篡改、隐写的能力,提升检测质量。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开提供的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (12)
1.一种图像检测方法,包括:
根据最低有效位隐写算法的改写范围确定比特位检测位数区间;获取待检测图像中像素点的位于所述比特位检测位数区间内的比特位信息,并基于所述比特位信息生成还原图像,所述比特位检测位数区间仅为所述像素点对应的全部比特位信息中的部分位数;
利用预先训练的隐写检测模型检测所述还原图像,得到检测结果,所述隐写检测模型用于检测图像内容的来源类型;
响应于根据所述检测结果确定所述还原图像的图像内容的来源类型不为噪声生成,将所述待检测图像确定为隐写图像;
获取所述比特位信息的变化规律信息;
根据所述比特位信息的变化规律信息确定所述隐写图像的隐写算法;
生成与所述隐写算法对应的解密算法,并利用所述解密算法对所述还原图像进行解密,生成待审核图像。
2.根据权利要求1中所述的方法,其中,所述获取所述比特位信息的变化规律信息包括:
获取所述待检测图像中像素点的比特位信息中显示权重低于预设阈值的高危比特位信息;
根据所述高危比特位信息的变化情况生成所述变化规律信息。
3.根据权利要求1中所述的方法,其中,所述获取所述比特位信息的变化规律信息包括:
获取所述待检测图像的标准图像;
获取所述标准图像中像素点的标准比特位信息与所述比特位信息之间的差异信息;
根据所述差异信息确定所述变化规律信息。
4.根据权利要求1所述的方法,其中,所述根据所述比特位信息的变化规律信息确定所述隐写图像的隐写算法,包括:
在预设的隐写数据库中匹配与所述变化规律信息对应的隐写算法,所述隐写数据库中记录有隐写算法与比特位信息的变化规律信息之间的对应关系。
5.根据权利要求1-4中任一项所述的方法,还包括:
响应于根据所述检测结果确定所述还原图像的图像内容的来源类型为噪声生成,将所述待检测图像确认为合格图像。
6.一种图像检测装置,包括:
比特位信息提取及还原图像生成单元,被配置成根据最低有效位隐写算法的改写范围确定比特位检测位数区间;获取待检测图像中像素点的位于所述比特位检测位数区间内的比特位信息,并基于所述比特位信息生成还原图像,所述比特位检测位数区间仅为所述像素点对应的全部比特位信息中的部分位数;
检测结果生成单元,被配置成利用预先训练的隐写检测模型检测所述还原图像,得到检测结果,所述隐写检测模型用于检测图像内容的来源类型;
隐写图像确定单元,被配置成响应于根据所述检测结果确定所述还原图像的图像内容的来源类型不为噪声生成,将所述待检测图像确定为隐写图像;
变化规律确定单元,被配置成获取所述比特位信息的变化规律信息;
隐写算法确定单元,被配置成根据所述比特位信息的变化规律信息确定所述隐写图像的隐写算法;
解密算法生成单元,被配置成生成与所述隐写算法对应的解密算法;
审核图像生成单元,被配置成利用所述解密算法对所述还原图像进行解密,生成待审核图像。
7.根据权利要求6所述的装置,其中,所述变化规律确定单元包括:
高危比特位信息获取子单元,被配置成获取所述待检测图像中像素点的比特位信息中显示权重低于预设阈值的高危比特位信息;
变化规律确定子单元,被配置成根据所述高危比特位信息的变化情况生成所述变化规律信息。
8.根据权利要求6所述的装置,其中,所述变化规律确定单元包括:
标准图像获取子单元,被配置成获取所述待检测图像的标准图像;
差异信息生成子单元,被配置成获取所述标准图像中像素点的标准比特位信息与所述比特位信息之间的差异信息;
变化规律确定子单元,被配置成根据所述差异信息确定所述变化规律信息。
9.根据权利要求6所述的装置,其中,所述隐写算法确定单元,进一步被配置成在预设的隐写数据库中匹配与所述变化规律信息对应的隐写算法,所述隐写数据库中记录有隐写算法与比特位信息变化规律之间的对应关系。
10.根据权利要求6-9中任一项所述的装置,还包括:
合格图像生成单元,被配置成响应于根据所述检测结果确定所述还原图像的图像内容的来源类型为噪声生成,将所述待检测图像确认为合格图像。
11.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-5中任一项所述的图像检测方法。
12.一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行权利要求1-5中任一项所述的图像检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110472239.9A CN113034337B (zh) | 2021-04-29 | 2021-04-29 | 图像检测方法及相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110472239.9A CN113034337B (zh) | 2021-04-29 | 2021-04-29 | 图像检测方法及相关装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113034337A CN113034337A (zh) | 2021-06-25 |
CN113034337B true CN113034337B (zh) | 2023-09-01 |
Family
ID=76454815
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110472239.9A Active CN113034337B (zh) | 2021-04-29 | 2021-04-29 | 图像检测方法及相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113034337B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016201648A1 (zh) * | 2015-06-17 | 2016-12-22 | 中国科学院自动化研究所 | 一种基于局部学习的信息隐藏检测方法 |
CN110930287A (zh) * | 2019-10-16 | 2020-03-27 | 中国平安财产保险股份有限公司 | 一种图像隐写检测方法、装置及计算机设备、存储介质 |
CN112088378A (zh) * | 2018-02-22 | 2020-12-15 | 迈克菲有限责任公司 | 图像隐藏信息检测器 |
CN112581345A (zh) * | 2020-12-04 | 2021-03-30 | 华南理工大学 | 基于图像块的图像隐写分析方法、系统、装置及介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7853887B2 (en) * | 2007-06-26 | 2010-12-14 | Adobe Systems Incorporated | Detection and preview of graphical elements within a graphic |
CA2891786C (en) * | 2012-11-28 | 2020-05-05 | Duquesne University Of The Holy Spirit | A method of detecting steganographically hidden images via low-order bit comparisons |
-
2021
- 2021-04-29 CN CN202110472239.9A patent/CN113034337B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016201648A1 (zh) * | 2015-06-17 | 2016-12-22 | 中国科学院自动化研究所 | 一种基于局部学习的信息隐藏检测方法 |
CN112088378A (zh) * | 2018-02-22 | 2020-12-15 | 迈克菲有限责任公司 | 图像隐藏信息检测器 |
CN110930287A (zh) * | 2019-10-16 | 2020-03-27 | 中国平安财产保险股份有限公司 | 一种图像隐写检测方法、装置及计算机设备、存储介质 |
CN112581345A (zh) * | 2020-12-04 | 2021-03-30 | 华南理工大学 | 基于图像块的图像隐写分析方法、系统、装置及介质 |
Non-Patent Citations (1)
Title |
---|
网络安全中图像隐写术的分析与检测方法;王莹莹等;网络空间安全;第36-41页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113034337A (zh) | 2021-06-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109255234B (zh) | 机器学习模型的处理方法、装置、介质及电子设备 | |
CN111460446B (zh) | 基于模型的恶意文件检测方法及装置 | |
EP3756130B1 (en) | Image hidden information detector | |
CN113344826B (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN111415336B (zh) | 一种图像篡改识别方法、装置、服务器及存储介质 | |
CN111399848B (zh) | 一种硬编码数据检测方法、装置、电子设备和介质 | |
CN110598008A (zh) | 录制数据的数据质检方法及装置、存储介质 | |
CN110895811B (zh) | 一种图像篡改检测方法和装置 | |
CN110647523B (zh) | 数据质量的分析方法及装置、存储介质、电子设备 | |
CN113344907B (zh) | 一种图像检测方法及装置 | |
CN113963186A (zh) | 目标检测模型的训练方法、目标检测方法及相关装置 | |
CN113420295A (zh) | 恶意软件的检测方法及装置 | |
CN113034337B (zh) | 图像检测方法及相关装置 | |
CN113888760B (zh) | 基于软件应用的违规信息监控方法、装置、设备及介质 | |
CN113723071B (zh) | 电子档案校验方法、系统、存储介质及设备 | |
CN115567224A (zh) | 一种用于检测区块链交易异常的方法及相关产品 | |
US11762939B2 (en) | Measure GUI response time | |
CN110427891B (zh) | 用于识别合同的方法、装置、系统及介质 | |
US11521121B2 (en) | Encoding machine-learning models and determining ownership of machine-learning models | |
US10901726B2 (en) | Intelligent visual regression system | |
CN110909798A (zh) | 一种多算法智能研判方法、系统及服务器 | |
US20220101068A1 (en) | Outlier detection in a deep neural network using t-way feature combinations | |
CN114329475B (zh) | 恶意代码检测模型的训练方法、装置以及设备 | |
CN113610036A (zh) | 视频篡改检测方法、装置、系统、设备、介质和产品 | |
CN116912223A (zh) | 图像篡改检测方法、装置、存储介质及电子设备 |
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 |