CN113327242A - 一种图像篡改检测方法及装置 - Google Patents

一种图像篡改检测方法及装置 Download PDF

Info

Publication number
CN113327242A
CN113327242A CN202110693921.0A CN202110693921A CN113327242A CN 113327242 A CN113327242 A CN 113327242A CN 202110693921 A CN202110693921 A CN 202110693921A CN 113327242 A CN113327242 A CN 113327242A
Authority
CN
China
Prior art keywords
tampering
subgraph
score
determining
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.)
Pending
Application number
CN202110693921.0A
Other languages
English (en)
Inventor
黄见
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
WeBank Co Ltd
Original Assignee
WeBank Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by WeBank Co Ltd filed Critical WeBank Co Ltd
Priority to CN202110693921.0A priority Critical patent/CN113327242A/zh
Publication of CN113327242A publication Critical patent/CN113327242A/zh
Pending legal-status Critical Current

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Quality & Reliability (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)

Abstract

本发明实施例提供一种图像篡改检测方法及装置。该方法包括：对目标图像进行噪声提取处理，得到噪声残差图。将噪声残差图切分为N个基准子图。针对任一基准子图，通过篡改评分模型确定出篡改评分最大的子图；篡改评分最大的子图为基准子图和基准子图的变更子图中的一个；变更子图是在噪声残差图中扩大或缩小基准子图的区域得到的子图。通过N个基准子图对应的N个篡改评分最大的子图，确定目标图像的篡改区域。通过篡改评分模型的评分不断地自适应地变更子图的区域，如此得到的各子图中，若有篡改痕迹的话，那么小尺寸篡改痕迹在子图中的相对占比最高，可以有效避免小尺寸的篡改痕迹被遗漏。如此，提高了对小尺寸篡改痕迹的识别率。

Description

一种图像篡改检测方法及装置
技术领域
本发明实施例涉及图像识别技术领域，尤其涉及一种图像篡改检测方法、装置、计算设备及计算机可读存储介质。
背景技术
近年来，随着计算机技术和图像处理技术的发展，特别是一些尖端的图像处理软件如Adobe公司出品了功能强大的Photoshop图像处理软件，用户可以十分容易地对真实图像进行篡改，从而得到伪造图像。大量的伪造图像在网上的传播会给我们的社会产生严重的影响。
有学者提出一种图像篡改的检测方法。将图像分割成大小相同的图像块，再将图像块输入LSTM(Long Short Term Memory networks，长短期记忆神经网络)中学习不同图像块之间的篡改关联关系，通过将各图像块之间的篡改关联关系和图像的提取特征做融合后，输入分类器中确定图像的篡改区域。
上述方法需要通过不同图像块之间的篡改关联关系来确定图像的篡改区域，因而适用于篡改区域较大的图像检测。而对于篡改痕迹很小的图像来说，例如对个别文字、数字或者签章的篡改，小尺寸的篡改痕迹对各图像块之间的篡改关联关系影响不大，因而采用上述方法难以精确地检测到较小的篡改区域。
综上，本发明实施例提供一种图像篡改检测方法，用以提高对小尺寸篡改痕迹的识别率。
发明内容
本发明实施例提供一种图像篡改检测方法，用以提高对小尺寸篡改痕迹的识别率。
第一方面，本发明实施例提供一种图像篡改检测方法，包括：
对目标图像进行噪声提取处理，得到噪声残差图；
将所述噪声残差图切分为N个基准子图；
针对任一基准子图，通过篡改评分模型确定出篡改评分最大的子图；所述篡改评分最大的子图为所述基准子图和所述基准子图的变更子图中的一个；所述变更子图是在所述噪声残差图中扩大或缩小所述基准子图的区域得到的子图；
通过所述N个基准子图对应的N个篡改评分最大的子图，确定所述目标图像的篡改区域。
由于在目标图像中，篡改边界处的噪声波动较为剧烈，因此通过将目标图像做提取噪声处理得到噪声残差图，可以在后续根据目标图像的噪声残差得出篡改特征评分，从而可以对篡改程度进行量化。将噪声残差图切分为N个基准子图后，通过篡改评分模型的评分不断地自适应地变更子图的区域，使得最终确定出N个基准子图对应的N个篡改评分最大的子图，如此得到的各子图中，若有篡改痕迹的话，那么小尺寸篡改痕迹在子图中的相对占比最高，可以有效避免小尺寸的篡改痕迹被遗漏。但由于N个篡改评分最大的子图中不一定全都有篡改痕迹，也有可能是图像的正常噪声，因此再根据N个篡改评分最大的子图进一步确定目标图像的篡改区域。如此，提高了对小尺寸篡改痕迹的识别率。
可选地，通过篡改评分模型确定出篡改评分最大的子图，包括：
通过篡改评分模型确定所述基准子图的第一篡改评分，并将所述第一篡改评分作为篡改基准分；
按照设定的区域变更规则，从所述噪声残差图中确定所述基准子图的变更子图；
通过所述篡改评分模型确定所述变更子图的第二篡改评分；
若所述第二篡改评分大于所述篡改基准分，则更新所述篡改基准分为所述第二篡改评分，返回按照设定的区域变更规则，从所述噪声残差图中确定所述基准子图的变更子图，直至所述第二篡改评分不大于所述篡改基准分；
将所述篡改基准分对应的子图确定为篡改评分最大的子图。
通过结合篡改评分模型的篡改评分，对基准子图的区域进行自适应地变更，可以针对每一个基准子图，都确定出一个篡改评分最大的子图，如此得到的各子图中，若有篡改痕迹的话，那么小尺寸篡改痕迹在子图中的相对占比最高，可以有效避免小尺寸的篡改痕迹被遗漏。
可选地，将所述噪声残差图切分为N个基准子图，包括：
采用滑动窗口按照设定的步长在所述噪声残差图中进行滑动取样，得到N个基准子图；
按照设定的区域变更规则，从所述噪声残差图中确定所述基准子图的变更子图，包括：
按照设定的区域变更规则，以所述基准子图的中心位置为中心，在所述噪声残差图中扩大或缩小所述基准子图的区域进行取样，得到述基准子图的变更子图。
通过滑动窗口的滑动取样，可以根据步长的变化得到多种数量的基准子图，步长越小，则得到的基准子图的数量越多，从而可以对最终检测篡改区域的准确度进行调控。获得变更子图的方式为以原有的基准子图的中心位置为中心，在噪声残差图中进行扩大或缩小的操作，使得得到的变更子图依然会包含噪声残差图中的噪声信息，从而保证了在后续确定的篡改评分是基于噪声残差图进行的。
可选地，通过篡改评分模型确定所述基准子图的第一篡改评分，包括：
通过特征提取层，提取所述基准子图的特征子图；
通过特征分类层，得到所述特征子图的篡改概率向量；所述篡改概率向量用于表征各篡改分级的概率；
根据所述篡改概率向量和所述各篡改分级，确定所述第一篡改评分。
先提取基准子图的特征子图，可以使得特征分类层基于特征子图得出篡改概率向量，其中篡改概率向量用于表征各篡改分级的概率，如此，可以提高对基准子图得出第一篡改评分的准确率。
可选地，通过所述N个基准子图对应的N个篡改评分最大的子图，确定所述目标图像的篡改区域，包括：
对所述N个篡改评分进行聚类；
根据聚类结果确定异常阈值；
将篡改评分大于所述异常阈值的M个子图在所述噪声残差图中的区域确定为所述目标图像的篡改区域。
由于N个篡改评分最大的子图中不一定全都有篡改痕迹，也有可能是图像的正常噪声，因此再根据N个篡改评分最大的子图进行聚类，根据聚类结果进一步确定目标图像的篡改区域。如此，提高了对小尺寸篡改痕迹的识别率。
可选地，将篡改评分大于所述异常阈值的M个子图在所述噪声残差图中的区域确定为所述目标图像的篡改区域，包括：
确定所述M个子图中任意两个子图在所述噪声残差图中的重叠区域；若所述重叠区域大于设定比例，则确定为同一篡改区域；若所述重叠区域不大于所述设定比例，则确定为不同的篡改区域。
由于得到的篡改区域中可能存在多个篡改区域包括了同一个篡改痕迹的可能，因此对各个篡改区域之间的重叠区域的比例做出限定，若重叠区域过大，则认为包括了同一个篡改痕迹，则确定为同一篡改区域。如此尽量减少得到的篡改区域重复划定了同一篡改痕迹的可能性，提高了检测篡改区域的准确性。
可选地，所述篡改评分模型是根据样本图像的各子图的篡改评分及样本图像的各子图的篡改评分的聚类结果进行训练学习得到的。
通过对样本图像的各子图的篡改评分和聚类结果对篡改评分模型进行不断地训练学习，可以提高篡改评分模型的篡改评分结果的准确性。
第二方面，本发明实施例还提供一种图像篡改检测装置，包括：
处理单元，用于：
对目标图像进行噪声提取处理，得到噪声残差图；
将所述噪声残差图切分为N个基准子图；
确定单元，用于：
针对任一基准子图，通过篡改评分模型确定出篡改评分最大的子图；所述篡改评分最大的子图为所述基准子图和所述基准子图的变更子图中的一个；所述变更子图是在所述噪声残差图中扩大或缩小所述基准子图的区域得到的子图；
通过所述N个基准子图对应的N个篡改评分最大的子图，确定所述目标图像的篡改区域。
第三方面，本发明实施例还提供一种计算设备，包括：
存储器，用于存储计算机程序；
处理器，用于调用所述存储器中存储的计算机程序，按照获得的程序执行上述任一方式所列的图像篡改检测方法。
第四方面，本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行程序，所述计算机可执行程序用于使计算机执行上述任一方式所列的图像篡改检测方法。
附图说明
为了更清楚地说明本发明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要介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，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为本发明实施例提供的一种图像篡改检测方法；
图2为本发明实施例提供的一种获取待检测的目标图像的终端界面示意图；
图3A为本发明实施例提供的一种取样基准子图的过程的示意图；
图3B为本发明实施例提供的一种取样基准子图的过程的示意图；
图3C为本发明实施例提供的一种取样基准子图的过程的示意图；
图3D为本发明实施例提供的一种取样基准子图的过程的示意图；
图4为本发明实施例提供的一种确定篡改评分最大的子图的方法的流程示意图；
图5A为本发明实施例提供的一种对基准子图进行扩大或缩小的变更的示意图；
图5B为本发明实施例提供的一种对基准子图进行扩大或缩小的变更的示意图；
图5C为本发明实施例提供的一种确定篡改评分最大的子图的示意图；
图6为本发明实施例提供的一种确定重叠区域的示意图；
图7为本发明实施例提供的一种图像篡改检测方法；
图8为本发明实施例提供的一种图像篡改检测装置的结构示意图。
具体实施方式
为使本申请的目的、实施方式和优点更加清楚，下面将结合本申请示例性实施例中的附图，对本申请示例性实施方式进行清楚、完整地描述，显然，所描述的示例性实施例仅是本申请一部分实施例，而不是全部的实施例。
基于本申请描述的示例性实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请所附权利要求保护的范围。此外，虽然本申请中公开内容按照示范性一个或几个实例来介绍，但应理解，可以就这些公开内容的各个方面也可以单独构成一个完整实施方式。
需要说明的是，本申请中对于术语的简要说明，仅是为了方便理解接下来描述的实施方式，而不是意图限定本申请的实施方式。除非另有说明，这些术语应当按照其普通和通常的含义理解。
本申请中说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”等是用于区别类似或同类的对象或实体，而不必然意味着限定特定的顺序或先后次序，除非另外注明(Unless otherwise indicated)。应该理解这样使用的用语在适当情况下可以互换，例如能够根据本申请实施例图示或描述中给出那些以外的顺序实施。
此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖但不排他的包含，例如，包含了一系列组件的产品或设备不必限于清楚地列出的那些组件，而是可包括没有清楚地列出的或对于这些产品或设备固有的其它组件。
本发明实施例提供的图像篡改检测方法通过对子图的区域的不断变更，使子图的区域尽最大可能地适应小尺寸的篡改痕迹，从而可以精确地确定目标图像的篡改区域。
本发明实施例提供的图像篡改检测方法的执行主体可以为服务器或终端设备，其中，该终端设备可以如笔记本电脑或台式电脑等计算机设备，还可以如手机或平板电脑等移动终端设备。该服务器可以是为某项业务(如进行交易的业务或金融业务等)或需要进行风险防控(如基于人脸图像、指纹或虹膜等用户隐私数据的检测、识别或比对等风险防控)的服务器，具体如，该服务器可以是支付业务的服务器，也可以是与金融或即时通讯等相关业务的服务器等。本发明实施例对此不作限制。
图1示例性的示出了本发明实施例提供的一种图像篡改检测方法。包括如下步骤：
步骤101，对目标图像进行噪声提取处理，得到噪声残差图。
其中，目标图像可以是任意图像，例如某人的面部图像、指纹图像、虹膜图像，或者，可以是某建筑物的图像，或者，带有签字、数字或签章的证明文件的图像等，具体可以根据实际情况设定，本说明书实施例对此不做限定。
可以通过多种不同的方式获取待检测的目标图像，具体如，如图2所示，可以预先设定用于上传图像的应用程序，并可以在该应用程序中设置图像上传入口，当用户需要上传待检测的目标图像时，可以启动上述应用程序，并可以查找到上述图像上传入口，通过该图像上传入口可以上传该目标图像，上传完成后，用户的终端设备可以获取目标图像并基于目标图像生成图像检测请求，将该图像检测请求发送给服务器，从而服务器可以获取到待检测的目标图像。
或者，也可以由用户将待检测的目标图像批量上传至服务器进行图像检测，获取待检测的目标图像的处理具体可以根据实际情况设定，本说明书实施例对此不做限定。
由于若目标图像被篡改，则篡改部分的边界处相比于未被篡改部分的图像噪声波动较为剧烈，所以可以提取目标图像的噪声残差图，并以此进行后续的分析。
其中，噪声残差图可以是图像中除了可显示的图像内容等主成分之外的图像噪声等，例如可以包括在图像获取过程中或图像信号传输过程中引入的正常噪声和/或图像由于被篡改引入的较为剧烈的非正常噪声等。
具体地，可以通过多种不同的方式对目标图像进行噪声提取处理，例如，可以设置相应的滤波器，通过该滤波器可以将目标图像中包含的主成分和图像噪声进行分离，从而可以得到目标图像的图像噪声，进而可以得到目标图像对应的噪声残差图。
在实际应用中，除了可以通过上述方式确定目标图像对应的噪声残差外，还可以通过其它多种方式确定目标图像对应的噪声残差，例如，可以预先获取多种不同的样本图像，并可以预先选取适当的算法(如ResNet(Residual Neural Network，残差网络)、网络算法等)构建用于提取图像噪声的模型的架构，然后，可以使用获取的样本图像对上述模型进行训练，最终可以得到训练后的模型。可以使用训练后的模型对目标图像中包含的图像噪声进行提取，得到目标图像对应的噪声残差图。
还可以将图像通过噪声滤波核做滤波处理，提取其噪声残差图。可以使用的噪声滤波核的种类很多，在此示例性地提供一种噪声滤波核τ，如下所示：
Figure BDA0003127656180000091
通过将图像中的像素与噪声滤波核做加权运算，可以得到图像的噪声残差图。例如，输入一张证件图片大小为600*400，与噪声滤波核τ做加权运算后，得到600*400的噪声残差图。
除了可以通过上述方式确定目标图像对应的噪声残差外，还可以通过其它多种方式实现，具体可以根据实际情况设定，本发明实施例对此不做限定。
步骤102，将噪声残差图切分为N个基准子图。
获取N个子图的方式有多种，下面提供两种获取子图的方式。
方式一
采用滑动窗口按照设定的步长在噪声残差图中进行滑动取样，得到N个基准子图。
滑动窗口的大小为L*L，其中L的值可以设定为任意值。由于在证件图像的篡改中，如数字(房产证房屋面积、身份证号码等)、文字(签字、公司名称等)最容易成为篡改的对象。因此可以设置证件中的字体大小作为滑动窗口的初始长度，例如为20px。本发明实施例对此不作限制。
为了方便理解，下面以噪声残差图为6*4为例介绍取样基准子图的过程。如图3A所示，滑动窗口的尺寸为2*2，若按照步长为1进行滑动取样的话，会得到5*3个基准子图；若按照步长为2进行滑动取样的话，会得到3*2个基准子图。可见，对于同一个噪声残差图来说，滑动的步长不同，得到的基准子图的数目也不同。步长越小，得到的基准子图的数目越多，在后续确定目标图像的篡改区域时的精度就会越高。本发明实施例对此不作限制。
若步长与滑动窗口的尺寸相同，则最终获得的子图的数目可以用如下公式来表达：
Figure BDA0003127656180000092
其中，m为噪声残差图横向的尺寸，n为噪声残差图纵向的尺寸。之所以要向上取整(roundup)，是因为若滑动窗口滑动到噪声残差图的边界处，取样的基准子图的尺寸不够滑动窗口的尺寸的话，会对边界区域进行补0操作。如图3B所示，噪声残差图为5*4，滑动窗口的尺寸为2*2，若按照步长为2进行滑动取样的话，在滑动到噪声残差图的边界处由于取样的基准子图不够2*2，因此对边界区域进行补0操作，得到了边界处的基准子图A。最终会得到3*2个基准子图。
通过滑动窗口的滑动取样，可以根据步长的变化得到多种数量的基准子图，步长越小，则得到的基准子图的数量越多，从而可以对最终检测篡改区域的准确度进行调控。
方式二
将噪声残差图直接切分为N个基准子图。例如，如图3C所示，将6*4的噪声残差图直接切分为3*2个基准子图。
值得注意的是，切分噪声残差图的方式并不局限于以上两种，本领域技术人员可以想到各种切分噪声残差图的方式，均应落入本发明实施例的保护范围。不论采用何种方式切分噪声残差图，得到N个基准子图的尺寸可以相等，也可以不等；各基准子图之间可以重叠也可以不重叠；切分得到的子图可以为矩形也可以为其他多边形或圆形，本发明实施例对此不作限制。图3D示出了一种可能的切分方式，在图3D中，基准子图A、B和C的尺寸不同，且存在区域重叠的情况。
步骤103，针对任一基准子图，通过篡改评分模型确定出篡改评分最大的子图。其中，篡改评分最大的子图为基准子图和基准子图的变更子图中的一个；变更子图是在噪声残差图中扩大或缩小基准子图的区域得到的子图。
在该步骤中，需要对各基准子图的区域做出各种或扩大或缩小的变更，以期得到篡改评分最大的子图。下面提供两种确定篡改评分最大的子图的方式。
方式一
图4示出了一种确定篡改评分最大的子图的方式，包括如下步骤：
步骤401，将基准子图输入至篡改评分模型，通过篡改评分模型确定基准子图的第一篡改评分，并将第一篡改评分作为篡改基准分。
步骤402，按照设定的区域变更规则，从噪声残差图中确定基准子图的变更子图。
在对基准子图进行变更时，可以按照各种区域变更规则进行变更，例如先一直扩大直至第二篡改评分不大于篡改基准分，再一直缩小直至第二篡改评分不大于篡改基准分；也可以先一直缩小直至第二篡改评分不大于篡改基准分，再一直扩大直至第二篡改评分不大于篡改基准分；还可以扩大→缩小交替进行，直至第二篡改评分不大于篡改基准分。
在对基准子图进行扩大或缩小的变更时，可以以基准子图的中心位置为中心，在噪声残差图中等比例扩大或缩小基准子图的区域，例如对基准子图的上下左右部分均扩大或缩小一个像素，如图5A所示，基准子图A经过一次等比例扩大后得到了变更子图A1；也可以以基准子图的中心位置为中心，在噪声残差图中非等比例扩大或缩小基准子图的区域，如图5B所示，对基准子图A向上扩大2个像素，向下扩大2个像素，向左缩小1个像素，向右缩小1个像素，得到了变更子图A1。
本领域技术人员可以对得到变更子图的方式和区域变更规则做出各种各样的变形，而不必局限于本发明实施例的上述列举。
步骤403，通过篡改评分模型确定变更子图的第二篡改评分。
步骤404，若第二篡改评分大于篡改基准分，则更新篡改基准分为第二篡改评分，返回步骤402，直至第二篡改评分不大于篡改基准分。
步骤405，将篡改基准分对应的子图确定为篡改评分最大的子图。
下面以图5C为例，对上述确定篡改评分最大的子图的方式进行解释。
图5C中示出了一个6*7的噪声残差图，存在一个小尺寸篡改痕迹a(篡改痕迹不会体现在噪声残差图中，而是体现在目标图像中，此处如此示意是为了方便读者理解确定篡改评分最大的子图的方式)。基准子图A划定的区域如图所示。将基准子图A输入至篡改评分模型得到第一篡改评分0.548，将0.548作为篡改基准分。然后对基准子图作出扩大的变更，得到了变更子图A1，篡改评分模型得到变更子图A1的第二篡改评分0.6，第二篡改评分大于篡改基准分，所以将第二篡改评分0.6作为篡改基准分。继续变更子图，此时可以选择继续扩大变更子图也可以缩小变更子图，若选择继续扩大变更子图，则得到了变更子图A2，篡改评分模型得到变更子图A2的第二篡改评分0.39，第二篡改评分小于篡改基准分，则停止扩大，开始缩小变更子图，得到变更子图A3，篡改评分模型得到变更子图A3的第二篡改评分0.31。第二篡改评分小于篡改基准分，由于此时的子图尺寸已是最小，无法再缩小，因此停止缩小。如此，得到了对于基准子图A来说，篡改评分最大的子图A1。
上述方法是针对任一张基准子图而言确定的篡改评分最大的子图。分别对每一张基准子图都按照如上方式执行，那么N张基准子图就会得到N张篡改评分最大的子图。
通过结合篡改评分模型的篡改评分，对基准子图的区域进行自适应地变更，可以针对每一个基准子图，都确定出一个篡改评分最大的子图，如此得到的各子图中，若有篡改痕迹的话，那么小尺寸篡改痕迹在子图中的相对占比最高，可以有效避免小尺寸的篡改痕迹被遗漏。
方式二
除了通过方式一中的方法，对每一张基准子图分别进行变更，还可以对每一张基准子图同时进行变更，例如均同时扩大，得到各自的篡改评分X1；再扩大，得到各自的篡改评分X2；再扩大，得到各自的篡改评分X3，直至扩大到触到了噪声残差图的边界；然后缩小，得到各自的篡改评分X1＇，再缩小，得到各自的篡改评分X2＇，直至不能再缩小。如此对于每一张基准子图都会得到多个篡改评分，在多个篡改评分中将最高的篡改评分对应的子图确定为篡改评分最大的子图。
以上仅为示例，本发明实施例对此不做限制。
在步骤401中，通过篡改评分模型确定基准子图的第一篡改评分的方式也有多种。
例如，可以设置特征提取层提取基准子图的特征子图，然后通过特征分类层得到特征子图的篡改概率向量，其中篡改概率向量用于表征各篡改分级的概率，最后根据篡改概率向量和各篡改分级，确定第一篡改评分。
下面对上述方法进行举例说明。将任一基准子图z输入特征提取层提取基准子图的篡改特征。特征提取层可以为卷积层+池化层+卷积层+池化层，也可以包括卷积层+卷积层+池化层等等，本发明实施例对特征提取层的结构不作限制。例如输入的基准子图的大小为20*20*1，经过两个3*3*3的卷积核和一个2*2的池化核计算后，得到的特征子图为8*8*9。然后将特征子图输入至特征分类层，得到上述特征子图的篡改概率向量βz＝[0.01 0.020.06 0.11 0.19 0.2 0.2 0.16 0.07 0.03 0.01],向量βz中每一个元素为对应篡改分级γ＝[θ0 θ1 θ2 … θ9 θ10]T＝[0 0.1 0.2 … 0.9 1]T的概率。
第一篡改评分可以通过如下公式计算：σz＝βZγ,z∈(0-Z)。例如上述例子中基准子图z的第一篡改评分为σz＝βZγ＝0.548。
又比如，篡改评分模型中可以包括特征提取层和特征分类层，最终得到每一张基准子图的篡改概率向量，该篡改概率向量即是基准子图的第一篡改评分。
又比如，篡改评分模型中包括特征提取层和特征分类层，最终得到每一张基准子图的篡改概率向量，然后通过人工计算或计算机计算的方式将篡改概率向量与篡改分级相乘，得到第一篡改评分。
以上仅为示例，本发明实施例对确定第一篡改评分的模型结构以及确定第一篡改评分的方法不作限定。
值得注意的是，在步骤102中，在滑动窗口滑动到噪声残差图的边界处，取样的基准子图的尺寸不够滑动窗口的尺寸的话，会对边界区域进行补0操作，如图3B所示。由于此时得到的基准子图A中有一半的面积是补0得到的，这半部分不可能出现篡改痕迹，因此若在计算第一篡改评分时应给与其相应的区域权重，例如，在本例中，根据上述方法得到的第一篡改评分为0.3，则可以用第一篡改评分除以该基准子图中非补0区域像素占总像素之比即1/2，得到最终的第一篡改评分为0.6。
可选地，所述特征分类层为前馈神经网络。
第二篡改评分的确定方法同第一篡改评分的确定方法，在此不再赘述。
步骤104，通过N个基准子图对应的N个篡改评分最大的子图，确定目标图像的篡改区域。
由于N个篡改评分最大的子图中不一定全都有篡改痕迹，也有可能是图像获取过程中或图像信号传输过程中引入的正常噪声，因此可以再根据N个篡改评分最大的子图进一步确定目标图像的篡改区域。
确定篡改区域的方式可以有很多，本发明实施例提供如下几种方式。
方式一
通过聚类的方法确定篡改区域。
对N个篡改评分进行聚类，得到多个聚类中心，根据多个聚类中心确定异常阈值，然后将篡改评分大于异常阈值的M个子图在噪声残差图中的区域确定为目标图像的篡改区域。其中，异常阈值的确定方式也有多种，例如可以将数值最大的聚类中心确定为异常阈值，例如可以将多个聚类中心的均值确定为异常阈值，还可以将数值最大的聚类中心和数值最小的聚类中心之间的中间值作为异常阈值，本发明实施例对此不做限制。
举个例子，对N个篡改评分进行聚类后得到2个聚类中心分别为0.87和0.34，将两个聚类中心之间的中间值(0.87+0.34)/2＝0.605作为异常阈值。在N个篡改评分中，确定出了M个篡改评分大于该异常阈值，则将该M个篡改评分对应的子图在噪声残差图中的区域确定为目标图像的篡改区域。
在进行聚类时，可以将篡改概率向量进行聚类，也可以将篡改评分进行聚类。
在使用篡改评分进行聚类时的聚类距离公式为
Figure BDA0003127656180000151
其中，Zi为任一子图，cj为聚类中心，σz为任一子图的篡改评分，σ0为初始聚类中心。
在使用篡改概率向量进行聚类时的聚类距离公式为
Figure BDA0003127656180000152
其中P0为聚类中心的篡改概率向量中的各概率值，γt为常数，Pti为任一子图的各篡改概率向量中的各概率值，Ptiγt和P0γt之差为子图和聚类中心在t分类特征下概率的偏离距离。
方式二
将N个篡改评分按照由大到小的顺序排列，将满足第一比例的M个篡改评分对应的子图确定为目标图像的篡改区域。例如，将排序前20％的篡改评分对应的子图确定为目标图像的篡改区域。
以上仅为示例，本发明实施例对此不作限制。
根据上述步骤，得到了M个子图，由于得到的M个子图中可能存在多个子图包括了同一个篡改痕迹的可能，因此确定M个子图中任意两个子图在噪声残差图中的重叠区域，若重叠区域大于设定比例，则确定为同一篡改区域；若重叠区域不大于设定比例，则确定为不同的篡改区域。
如此，通过对各个篡改区域之间的重叠区域的比例做出限定，若重叠区域过大，则认为包括了同一个篡改痕迹，则确定为同一篡改区域。如此尽量减少得到的篡改区域重复划定了同一篡改痕迹的可能性，提高了检测篡改区域的准确性。
举个例子，若通过上述步骤确定了4个子图可能为篡改区域，用(中心位置的横坐标，中心位置的纵坐标，子图的尺寸)的格式可以分别表示为A(250,180,7)，B(450,310,11)，C(253,178,6)，D(455,307,10)。如图6所示，分别确定4个子图中任意两个子图之间的重叠区域，若重叠区域大于设定比例75％，则确定为同一篡改区域，例如确定A和C的重叠区域为80％，B和D的重叠区域为90％，则确定为同一篡改区域。然后去除掉重复的篡改区域，保留篡改区域A和B，或者保留篡改区域C和D。
其中确定重叠区域的方式可以为取两个子图的交集/二者的并集的比例为重叠区域。对于图6中的A和C来说，二者的交集为斜线部分，二者的并集为阴影部分。经过计算，确定二者的重叠区域大于设定比例。
可选地，本发明实施例还提供一种对上述篡改评分模型进行训练学习的方法。将样本图像切分成N个子图，将N个子图以及对应的篡改评分输入至篡改评分模型中，使篡改评分模型基于这些子图以及对应的篡改评分进行训练学习。
可选地，还可以将篡改评分的聚类结果也作为训练篡改评分模型的素材。在步骤104的方式一中，采用聚类的方式确定篡改区域，可以对聚类中心的个数进行限制，若聚类中心的个数大于两个，则对篡改评分模型进行调参，直至聚类中心的个数为两个或一个，如此会更加准确和快速地确定异常阈值。
通过对样本图像的各子图的篡改评分和聚类结果对篡改评分模型进行不断地训练学习，可以提高篡改评分模型的篡改评分结果的准确性。
为了更好的解释本发明实施例，下面将对上述图像篡改识别的流程做整体性说明。如图7所示，包括如下步骤：
步骤701，获取目标图像。
步骤702，对目标图像进行噪声提取处理，得到噪声残差图。
步骤703，将噪声残差图切分为N个基准子图。
步骤704，针对任一基准子图，通过篡改评分模型确定第一篡改评分，将第一篡改评分作为篡改基准分。
步骤705，按照设定的区域变更规则，从噪声残差图中确定基准子图的变更子图。
步骤706，通过篡改评分模型确定变更子图的第二篡改评分。
步骤707，判断第二篡改评分是否大于篡改基准分。若是，则进入步骤708，若否，则进入步骤709。
步骤708，更新篡改基准分为第二篡改评分。
步骤709，将篡改基准分对应的子图确定为篡改评分最大的子图。
步骤710，将N个基准子图对应的N个篡改评分最大的子图进行聚类，确定M个篡改区域。
步骤711，确定M个子图中任意两个子图在噪声残差图中的重叠区域是否大于设定比例。
步骤712，确定为不同的篡改区域。
步骤713，确定为同一篡改区域。
步骤714，输出篡改区域。
输出的篡改区域可以为篡改区域的中心坐标以及尺寸，也可以直接在目标图像中将篡改区域圈出。本发明实施例对此不作限制。
由于在目标图像中，篡改边界处的噪声波动较为剧烈，因此通过将目标图像做提取噪声处理得到噪声残差图，可以在后续根据目标图像的噪声残差得出篡改特征评分，从而可以对篡改程度进行量化。将噪声残差图切分为N个基准子图后，通过篡改评分模型的评分不断地自适应地变更子图的区域，使得最终确定出N个基准子图对应的N个篡改评分最大的子图，如此得到的各子图中，若有篡改痕迹的话，那么小尺寸篡改痕迹在子图中的相对占比最高，可以有效避免小尺寸的篡改痕迹被遗漏。但由于N个篡改评分最大的子图中不一定全都有篡改痕迹，也有可能是图像的正常噪声，因此再根据N个篡改评分最大的子图进一步确定目标图像的篡改区域。如此，提高了对小尺寸篡改痕迹的识别率。
基于相同的技术构思，图8示例性的示出了本发明实施例提供的一种图像篡改检测装置的结构，该结构可以执行图像篡改检测的流程。
如图8所示，该装置具体包括：
处理单元801，用于：
对目标图像进行噪声提取处理，得到噪声残差图；
将所述噪声残差图切分为N个基准子图；
确定单元802，用于：
针对任一基准子图，通过篡改评分模型确定出篡改评分最大的子图；所述篡改评分最大的子图为所述基准子图和所述基准子图的变更子图中的一个；所述变更子图是在所述噪声残差图中扩大或缩小所述基准子图的区域得到的子图；
通过所述N个基准子图对应的N个篡改评分最大的子图，确定所述目标图像的篡改区域。
基于相同的技术构思，本发明实施例还提供一种计算设备，包括：
存储器，用于存储计算机程序；
处理器，用于调用存储器中存储的计算机程序，按照获得的程序执行上述任一方式所列图像篡改检测的方法。
基于相同的技术构思，本发明实施例还提供一种计算机可读存储介质，计算机可读存储介质存储有计算机可执行程序，计算机可执行程序用于使计算机执行上述任一方式所列的图像篡改检测的方法。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims (10)

1.一种图像篡改检测方法，其特征在于，包括：
对目标图像进行噪声提取处理，得到噪声残差图；
将所述噪声残差图切分为N个基准子图；
针对任一基准子图，通过篡改评分模型确定出篡改评分最大的子图；所述篡改评分最大的子图为所述基准子图和所述基准子图的变更子图中的一个；所述变更子图是在所述噪声残差图中扩大或缩小所述基准子图的区域得到的子图；
通过所述N个基准子图对应的N个篡改评分最大的子图，确定所述目标图像的篡改区域。
2.如权利要求1所述的方法，其特征在于，通过篡改评分模型确定出篡改评分最大的子图，包括：
通过篡改评分模型确定所述基准子图的第一篡改评分，并将所述第一篡改评分作为篡改基准分；
按照设定的区域变更规则，从所述噪声残差图中确定所述基准子图的变更子图；
通过所述篡改评分模型确定所述变更子图的第二篡改评分；
若所述第二篡改评分大于所述篡改基准分，则更新所述篡改基准分为所述第二篡改评分，返回按照设定的区域变更规则，从所述噪声残差图中确定所述基准子图的变更子图，直至所述第二篡改评分不大于所述篡改基准分；
将所述篡改基准分对应的子图确定为篡改评分最大的子图。
3.如权利要求2所述的方法，其特征在于，将所述噪声残差图切分为N个基准子图，包括：
采用滑动窗口按照设定的步长在所述噪声残差图中进行滑动取样，得到N个基准子图；
按照设定的区域变更规则，从所述噪声残差图中确定所述基准子图的变更子图，包括：
按照设定的区域变更规则，以所述基准子图的中心位置为中心，在所述噪声残差图中扩大或缩小所述基准子图的区域进行取样，得到所述基准子图的变更子图。
4.如权利要求2所述的方法，其特征在于，通过篡改评分模型确定所述基准子图的第一篡改评分，包括：
通过特征提取层，提取所述基准子图的特征子图；
通过特征分类层，得到所述特征子图的篡改概率向量；所述篡改概率向量用于表征各篡改分级的概率；
根据所述篡改概率向量和所述各篡改分级，确定所述第一篡改评分。
5.如权利要求1所述的方法，其特征在于，通过所述N个基准子图对应的N个篡改评分最大的子图，确定所述目标图像的篡改区域，包括：
对所述N个篡改评分进行聚类；
根据聚类结果确定异常阈值；
将篡改评分大于所述异常阈值的M个子图在所述噪声残差图中的区域确定为所述目标图像的篡改区域。
6.如权利要求5所述的方法，其特征在于，将篡改评分大于所述异常阈值的M个子图在所述噪声残差图中的区域确定为所述目标图像的篡改区域，包括：
确定所述M个子图中任意两个子图在所述噪声残差图中的重叠区域；若所述重叠区域大于设定比例，则确定为同一篡改区域；若所述重叠区域不大于所述设定比例，则确定为不同的篡改区域。
7.如权利要求1-6中任一项所述的方法，其特征在于，
所述篡改评分模型是根据样本图像的各子图的篡改评分及样本图像的各子图的篡改评分的聚类结果进行训练学习得到的。
8.一种图像篡改检测装置，其特征在于，包括：
处理单元，用于：
对目标图像进行噪声提取处理，得到噪声残差图；
将所述噪声残差图切分为N个基准子图；
确定单元，用于：
针对任一基准子图，通过篡改评分模型确定出篡改评分最大的子图；所述篡改评分最大的子图为所述基准子图和所述基准子图的变更子图中的一个；所述变更子图是在所述噪声残差图中扩大或缩小所述基准子图的区域得到的子图；
通过所述N个基准子图对应的N个篡改评分最大的子图，确定所述目标图像的篡改区域。
9.一种计算设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于调用所述存储器中存储的计算机程序，按照获得的程序执行权利要求1至7任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机可执行程序，所述计算机可执行程序用于使计算机执行权利要求1至7任一项所述的方法。
CN202110693921.0A 2021-06-22 2021-06-22 一种图像篡改检测方法及装置 Pending CN113327242A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110693921.0A CN113327242A (zh) 2021-06-22 2021-06-22 一种图像篡改检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110693921.0A CN113327242A (zh) 2021-06-22 2021-06-22 一种图像篡改检测方法及装置

Publications (1)

Publication Number Publication Date
CN113327242A true CN113327242A (zh) 2021-08-31

Family

ID=77424385

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110693921.0A Pending CN113327242A (zh) 2021-06-22 2021-06-22 一种图像篡改检测方法及装置

Country Status (1)

Country Link
CN (1) CN113327242A (zh)

Similar Documents

Publication Publication Date Title
KR102140340B1 (ko) 컨볼루션 뉴럴 네트워크를 통해 이미지 위변조를 탐지하는 시스템 및 이를 이용하여 무보정 탐지 서비스를 제공하는 방법
US10133921B2 (en) Methods and apparatus for capturing, processing, training, and detecting patterns using pattern recognition classifiers
CN105426356B (zh) 一种目标信息识别方法和装置
CN108470172B (zh) 一种文本信息识别方法及装置
WO2021139324A1 (zh) 图像识别方法、装置、计算机可读存储介质及电子设备
CN112529026B (zh) 提供ai模型的方法、ai平台、计算设备及存储介质
EP4099217A1 (en) Image processing model training method and apparatus, device, and storage medium
CN108345827B (zh) 识别文档方向的方法、系统和神经网络
US10853642B2 (en) Fusing multi-spectral images for identity authentication
CN112381775A (zh) 一种图像篡改检测方法、终端设备及存储介质
CN111696080B (zh) 一种基于静态纹理的人脸欺诈检测方法、系统及存储介质
CN111144215A (zh) 图像处理方法、装置、电子设备及存储介质
CN111723841A (zh) 文本检测方法、装置、电子设备及存储介质
US10380456B2 (en) Classification dictionary learning system, classification dictionary learning method and recording medium
CN111178146A (zh) 基于人脸特征识别主播的方法及装置
CN111160395A (zh) 图像识别方法、装置、电子设备和存储介质
US20230147685A1 (en) Generalized anomaly detection
CN116310568A (zh) 图像异常的识别方法、装置、计算机可读存储介质及设备
CN115797731A (zh) 目标检测模型训练方法、检测方法、终端设备及存储介质
CN110895811A (zh) 一种图像篡改检测方法和装置
US20230069960A1 (en) Generalized anomaly detection
CN113327242A (zh) 一种图像篡改检测方法及装置
CN115546554A (zh) 敏感图像的识别方法、装置、设备和计算机可读存储介质
CN116958615A (zh) 图片识别方法、装置、设备和介质
CN114399497A (zh) 文本图像质量检测方法、装置、计算机设备及存储介质

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