CN115205666B - 图像分析方法、装置、服务器、介质 - Google Patents

图像分析方法、装置、服务器、介质 Download PDF

Info

Publication number
CN115205666B
CN115205666B CN202211126021.9A CN202211126021A CN115205666B CN 115205666 B CN115205666 B CN 115205666B CN 202211126021 A CN202211126021 A CN 202211126021A CN 115205666 B CN115205666 B CN 115205666B
Authority
CN
China
Prior art keywords
image
detected
determining
analysis result
variance
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
Application number
CN202211126021.9A
Other languages
English (en)
Other versions
CN115205666A (zh
Inventor
任伟
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.)
Taiping Financial Technology Services Shanghai Co Ltd Shenzhen Branch
Original Assignee
Taiping Financial Technology Services Shanghai Co Ltd Shenzhen Branch
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 Taiping Financial Technology Services Shanghai Co Ltd Shenzhen Branch filed Critical Taiping Financial Technology Services Shanghai Co Ltd Shenzhen Branch
Priority to CN202211126021.9A priority Critical patent/CN115205666B/zh
Publication of CN115205666A publication Critical patent/CN115205666A/zh
Application granted granted Critical
Publication of CN115205666B publication Critical patent/CN115205666B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/95—Pattern authentication; Markers therefor; Forgery detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/08—Insurance
    • 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
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Business, Economics & Management (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Technology Law (AREA)
  • General Business, Economics & Management (AREA)
  • Image Analysis (AREA)

Abstract

本申请涉及一种图像分析方法、装置、服务器、介质和计算机程序产品，该方法包括：获取待测图像，对待测图像进行特征提取，获得待测图像对应的待测特征图，对待测特征图进行区块划分，确定多个区块特征图，采用预设的谱聚类算法对各区块特征图进行聚类处理，确定待测图像对应的分析结果。能够通过使用VGG模型的估价模型进行特征提取，针对提取的特征图进行篡改检测，提高了检测效率，并且对待测图像进行区块划分，采用谱聚类算法对各个区块进行聚类计算，得到篡改的区块和正常的区块，快速准确的实现对待测图像的篡改分析，得到图像是否进行篡改，以及出现篡改的概率信息，得到较为准确的分析结果。

Description

图像分析方法、装置、服务器、介质
技术领域
本申请涉及图像处理技术领域，特别是涉及一种图像分析方法、装置、服务器、介质。
背景技术
随着保险业务的拓展，特别是车辆保险的推广，数字图像大量使用于保险业务中，但随之而来的利用伪造图像以进行骗保的情形越来越多。因此需要对客户提供的数字图像进行鉴别。
传统技术中，可以通过基于CNN（Convolutional Neural Networks，卷积神经网络）和LSTM（Long-Short Term Memory，长短时记忆神经网络）的混合神经网络模型对数字图像进行特征提取以及特征分析，最终根据特征分析结果确定客户提供的数字图像是否被篡改。
然而，上述技术存在针对不同的图像篡改手法下的数字图像进行图像篡改分析时，获得的篡改分析结果不准确的问题。
发明内容
基于此，有必要针对上述技术问题，提供一种能够准确确定待测图像是否发生篡改的图像分析方法、装置、服务器、介质。
第一方面，本申请提供了一种图像分析方法。该方法包括：
获取待测图像；
对待测图像进行特征提取，获得待测图像对应的待测特征图；
对待测特征图进行区块划分，确定多个区块特征图；
采用预设的谱聚类算法对各区块特征图进行聚类处理，确定待测图像对应的分析结果；分析结果包括待测图像是否被篡改。
在其中一个实施例中，采用预设的谱聚类算法对各区块特征图进行聚类处理，确定待测图像对应的分析结果，包括：
对各区块特征图进行特征提取，并根据提取后的特征图计算任意两个区块特征图之间的边缘权重，获得多个边缘权重；
根据各边缘权重确定待测图像对应的评估矩阵；评估矩阵中的元素用于表征待测图像中任意两个区块之间是否属于同一类别；
根据评估矩阵确定待测图像对应的分析结果。
在其中一个实施例中，根据各边缘权重确定待测图像对应的评估矩阵，包括：
根据各边缘权重确定待测图像对应的拉普拉斯矩阵；拉普拉斯矩阵用于表征待测图像各个区块之间的相似度；
对拉普拉斯矩阵以及各边缘权重进行数学运算处理，确定评估矩阵。
在其中一个实施例中，根据评估矩阵确定待测图像对应的分析结果，包括：
对评估矩阵中各个元素的值进行均值运算处理，确定待测图像对应的图像均值；
根据图像均值和均值阈值，确定待测图像对应的分析结果。
在其中一个实施例中，根据图像均值和均值阈值，确定待测图像对应的分析结果，包括：
将图像均值和均值阈值进行比较，确定均值比较结果；
根据均值比较结果确定待测图像对应的分析结果。
在其中一个实施例中，根据均值比较结果确定待测图像对应的分析结果，包括：
若图像均值小于等于均值阈值，则确定待测图像未被篡改。
在其中一个实施例中，根据均值比较结果确定待测图像对应的分析结果，包括：
若图像均值大于均值阈值，则对评估矩阵中各个元素的值进行方差运算处理，确定待测图像对应的图像方差；
根据图像方差和方差阈值，确定待测图像对应的分析结果。
在其中一个实施例中，根据图像方差和方差阈值，确定待测图像对应的分析结果，包括：
将图像方差和方差阈值进行比较，确定方差比较结果；
根据方差比较结果确定待测图像对应的分析结果。
在其中一个实施例中，根据方差比较结果确定待测图像对应的分析结果，包括：
若图像方差小于等于方差阈值，则确定待测图像未被篡改。
在其中一个实施例中，根据方差比较结果确定待测图像对应的分析结果，包括：
若图像方差大于方差阈值，则对评估矩阵中各个元素的值进行标准差运算处理，确定待测图像对应的图像标准差；
根据图像标准差确定待测图像对应的分析结果。
在其中一个实施例中，根据图像标准差确定待测图像对应的分析结果，包括：
若图像标准差小于等于标准差阈值，则确定待测图像未被篡改；
若图像标准差大于标准差阈值，则确定待测图像被篡改，并将标准差确定待测图像被篡改的概率值。
第二方面，本申请还提供了一种图像分析装置。该装置包括：
获取模块，用于获取待测图像；
特征提取模块，用于对待测图像进行特征提取，获得待测图像对应的待测特征图；
第一确定模块，用于对待测特征图进行区块划分，确定多个区块特征图；
第二确定模块，用于采用预设的谱聚类算法对各区块特征图进行聚类处理，确定待测图像对应的分析结果；分析结果包括待测图像是否被篡改。
第三方面，本申请还提供了一种服务器。该服务器包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现上述第一方面任一项实施例中方法的步骤。
第四方面，本申请还提供了一种计算机可读存储介质。该计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述第一方面任一项实施例中方法的步骤。
第五方面，本申请还提供了一种计算机程序产品。计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述第一方面任一项实施例中方法的步骤。
上述图像分析方法、装置、服务器、介质，通过获取待测图像，对待测图像进行特征提取，获得待测图像对应的待测特征图，对待测特征图进行区块划分，确定多个区块特征图，采用预设的谱聚类算法对各区块特征图进行聚类处理，确定待测图像对应的分析结果。针对多种不同篡改手法进行篡改的图像进行分析时普适性强，避免使用CNN-LSTM模型进行图像篡改分析时，只能针对采用了拼接篡改手段的图像，得到较为准确的篡改分析结果。通过使用VGG模型的估价模型进行特征提取，针对提取的特征图进行篡改检测，提高了检测效率，并且对待测图像进行区块划分，采用谱聚类算法对各个区块进行聚类计算，得到篡改的区块和正常的区块，快速准确的实现对待测图像的篡改分析，得到图像是否进行篡改，以及出现篡改的概率信息，得到较为准确的分析结果。
附图说明
图1为一个实施例中图像分析方法的应用环境图；
图2为一个实施例中图像分析方法的流程示意图；
图2a为一个实施例中两个区块特征图的边缘权重计算的示意图；
图2b为一个实施例中图像分析方法的示意图；
图3为另一个实施例中图像分析方法的流程示意图；
图4为另一个实施例中图像分析方法的流程示意图；
图5为另一个实施例中图像分析方法的流程示意图；
图6为另一个实施例中图像分析方法的流程示意图；
图7为另一个实施例中图像分析方法的流程示意图；
图8为另一个实施例中图像分析方法的流程示意图；
图9为另一个实施例中图像分析方法的流程示意图；
图10为一个实施例中图像分析装置的结构框图；
图11为一个实施例中服务器的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
随着保险业务的拓展特别是车辆保险的推广，保险业务在理赔中的使用越来越广泛。数字图像的使用给保险业务带来了便利，随之而来的伪造图像的骗保情形也越来越多。为了解决保险业务中可能出现的伪造图像带来的经济损失，业务部门提出了鉴别伪造图像的需求。其中，图像篡改方式大致可以分为两类：一种是通过拼接、复制-粘贴、删除三种操作是对图像内容进行修改，这类修改方式给人的误导性较大，也是最为常见的三种篡改方式；另一类修改方式如模糊、压缩、增强、放缩、滤波等操作没有对图像的内容进行修改，绝大多数是为了掩盖图像的篡改痕迹进行的后处理操作，危害性较小。基于篡改痕迹检测的图像内容被动取证则是期望通过某种方法检测出图像修改的某些蛛丝马迹，从而判断出图像修改的位置和修改种类。现有的鉴别伪造图像的方式包括以下几种：
1、可以基于成像设备固有属性一致性被动取证。自然图像一般是由数字采集设备获取的，如数码相机、摄像机、手机等。不同的采集设备具有不同的特性，如使用的颜色滤波阵列CFA（Color Filter Array）不同，JPEG量化表不同，镜头光学畸变不同等。由相同的设备采集的图像通常在某些特性具有一致性，这种一致性可以反映出该设备的特性，可以用于图像被动取证。但是固有属性取证困难，无法保证取证信息的完整性，普适性不高。
2、可以基于图像内在统计特征被动取证。未经篡改的真实图像通常在内在统计特征上具有连续性和完整性，而经过篡改的图像这些连续性则会被破坏。因此通过分析原始图像和篡改图像在这些统计性的内在特征（如像素平均值、RGB相关性、小波域统计特征等）上的区别，就可以对图像的真伪作出判断。仅针对内在特征进行提取时，若篡改后的图像连续性和完整性较高，则无法进行判别，存在准确性较差的问题。
3、基于CNN（Convolutional Neural Networks，卷积神经网络）和LSTM（Long-Short Term Memory，长短时记忆神经网络）的混合神经网络模型对数字图像进行特征提取以及特征分析，最终根据特征分析结果确定客户提供的数字图像是否被篡改。但是，由于长短时记忆神经网络本身的网络结构较为复杂，计算复杂度高，准确度较低。
基于此，本申请实施例提供一种图像分析方法，可以应用于如图1所示的应用环境中。该应用环境中包括客户终端11、应用服务器12、功能服务器13。其中，客户终端、应用服务器、功能服务器之间通过网络进行通信。数据存储系统可以存储应用服务器、功能服务器需要处理的数据。数据存储系统可以集成在应用服务器、功能服务器上，也可以放在云上或其他网络服务器上。通过客户终端将待测图像通过应用服务器发送至功能服务器，功能服务器可以通过获取到待测图像后，可以对待测图像提取特征，得到待测特征图并进行区块划分，得到多个区块特征图，通过谱聚类算法对区块特征图进行聚类，确定出待测图像对应的分析结果，是否存在图像篡改现象，并将检测分析结果通过应用服务器船只至客户终端。其中，客户终端可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备，物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。应用服务器、功能服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种图像分析方法，以该方法应用于图1中的功能服务器为例进行说明，包括以下步骤：
S202，获取待测图像。
具体地，当客户提交待测图像后，由业务员录入至客户终端，经客户终端发送至应用服务器并可以追条转发至功能服务器，或者批量转发至功能服务器，即获取到待测图像。
S204，对待测图像进行特征提取，获得待测图像对应的待测特征图。
具体地，可以采用VGG（Visual Geometry Group）模型中的前四层卷积层和一个池化层，对待测图像进行特征提取。其中，提取的特征可以包括图像纹理特征、图像颜色特征等。例如，采用的VGG模型的结构为卷积层、卷积层、池化层、卷积层、卷积层。输入的图像维度为224*224*3，在经历过两次卷积和池化后，可以输出224*224*64的待测特征图。其中，VGG模型采用3*3卷积核步长为1卷积层，以及卷积核为2*2步长为2，且使用最大池化的池化层。
S206，对待测特征图进行区块划分，确定多个区块特征图。
具体地，当获取到待测特征图后，可以根据预设的划分规则，将待测特征图进行划分，得到多个区块特征图。例如，将224*224*64的待测特征图使用1*1卷积核进行降维，采样为128*128*1个区块特征图，即确定多个区块特征图。
S208，采用预设的谱聚类算法对各区块特征图进行聚类处理，确定待测图像对应的分析结果；分析结果包括待测图像是否被篡改。
具体地，可以采用预设的谱聚类算法对各个区块特征图进行聚类，将篡改的区块特征图和原始图像的区块特征图聚类为不同的簇，根据聚类结果确定待测图像对应的分析结果。若进行聚类后，存在篡改的区块特征图，则可以确定待测图像对应的分析结果为发生了篡改。也可以在进行聚类后，存在篡改区块特征图的情况下，进一步计算篡改的概率值。可选地，采用预设的谱聚类算法对各个区块特征图进行聚类时，可以通过计算任意两个区块特征图之间的边缘权重（即两个区块特征的相似度），根据任意两个区块特征图之间的边缘权重构建边缘权重矩阵，根据边缘权重矩阵确定拉普拉斯矩阵，并确定出拉普拉斯矩阵的特征值和特征向量，根据特征值和特征向量确定出聚类结果。其中，图像分析方法可以参见图2b所示。
可选地，当得到区块特征图后可以通过归一化指数函数（Softmax函数）将各个区块特征图进行归一化，将归一化后的各个区块特征图采用预设的谱聚类算法进行聚类处理。
上述图像分析方法中，通过获取待测图像，对待测图像进行特征提取，获得待测图像对应的待测特征图，对待测特征图进行区块划分，确定多个区块特征图，采用预设的谱聚类算法对各区块特征图进行聚类处理，确定待测图像对应的分析结果。能够通过使用VGG模型的估价模型进行特征提取，针对提取的特征图进行篡改检测，提高了检测效率，并且对待测图像进行区块划分，采用谱聚类算法对各个区块进行聚类计算，得到篡改的区块和正常的区块，快速准确的实现对待测图像的篡改分析，得到图像是否进行篡改，以及出现篡改的概率信息，得到较为准确的分析结果。并且能够改善LSTM网络对于图像区块融合度较好的高级篡改手段，无法考虑到图像的整体特征，包含但不限于颜色空间、光照、阴影等造成的分析不准确的问题。
上述实施例对图像分析方法进行了说明，现以一个实施例对如何进行聚类处理进一步说明。在一个实施例中，如图3所示，采用预设的谱聚类算法对各区块特征图进行聚类处理，确定待测图像对应的分析结果，包括：
S302，对各区块特征图进行特征提取，并根据提取后的特征图计算任意两个区块特征图之间的边缘权重，获得多个边缘权重。
其中，边缘权重为任意两个区块特征图之间的相似度。
具体地，当得到采样后的各区块特征图后，可以对各个区块特征图进一步特征提取，并根据各个特征图对应的特征图计算任意两个区块特征图之间的边缘权重。其中，各个区块特征图中任意两个区块特征图之间的边缘权重计算可以参照图2a所示。可以通过将任意两个区块特征图提取的特征分别进行卷积、激活后进行特征融合，然后将融合后的特征再次进行卷积、激活，最后再进行卷积，以得到任意两个区块特征图之间的边缘权重。
S304，根据各边缘权重确定待测图像对应的评估矩阵；评估矩阵中的元素用于表征待测图像中任意两个区块之间是否属于同一类别。
具体地，当得到各个区块特征图中任意两个区块特征图之间的边缘权重后，可以构建待测图像的边缘权重矩阵，并根据边缘权重矩阵构建出表征各个区块特征图之间相似度的拉普拉斯矩阵，然后基于拉普拉斯矩阵和边缘权重矩阵确定出评估矩阵。
进一步地，在一个实施例中，如图4所示，根据各边缘权重确定待测图像对应的评估矩阵，包括：
S402，根据各边缘权重确定待测图像对应的拉普拉斯矩阵；拉普拉斯矩阵用于表征待测图像各个区块之间的相似度。
具体地，当确定各区块特征图中任意两个区块特征图之间的边缘权重后，可以构 建边缘权重矩阵W，W矩阵中的元素wij为标识为i和标识为j两个区块特征图之间的边缘权 重，然后根据预设的度矩阵计算公式计算度矩阵；首先计算Dtmp1矩阵；其中，Dtmp1 = 0.5*(W+ WT)，度矩阵D 是通过将Dtmp1矩阵中对角线元素置零后，将每一列的元素进行加和后填入对 应的对角线元素中。例如，Dtmp1矩阵为
Figure 40014DEST_PATH_IMAGE001
，则D矩阵为
Figure 966381DEST_PATH_IMAGE002
。根据公式： L = D – W，则可以得到拉普拉斯矩阵L。
S404，对拉普拉斯矩阵以及各边缘权重进行数学运算处理，确定评估矩阵。
具体地，当确定拉普拉斯矩阵后，可以对拉普拉斯矩阵进行标准化的数学运算，即通过公式P =D0.5*L*D0.5，其中，D为度矩阵、L为拉普拉斯矩阵，得到标准化的拉普拉斯矩阵。
当确定标准化的拉普拉斯矩阵后，可以通过对标准化的拉普拉斯矩阵进行特征求解，得到标准化的拉普拉斯矩阵的多个特征值和对应的特征向量。根据标准化的拉普拉斯矩阵的多个特征值和对应的特征向量进行数学运算处理，并根据处理后的结果，构建评估矩阵P0。在得到多个特征值和对应的特征向量后，分别对特征值和特征向量取绝对值，并根据绝对值的大小，分别对特征值和特征向量进行排序。根据排序结果，将排序相同的特征值和特征向量进行相减，得到评估矩阵中的各个元素。
S306，根据评估矩阵确定待测图像对应的分析结果。
具体地，当确定评估矩阵后，可以对评估矩阵中各个元素进行加和平均，得到待测图像对应的图像均值，并根据均值与预设的均值阈值进行比较，若超过均值阈值，将确定待测图像发生了篡改，即待测图像对应的分析结果为图像发生篡改。还可以是计算评估矩阵中各个元素的方差，若方差大于方差阈值，则确定待测图像发生了篡改，即待测图像对应的分析结果为图像发生篡改。还可以是计算评估矩阵中各个元素的标准差，并将标准差的值作为待测图像篡改的概率，并将待测图像的篡改概率作为分析结果。
本实施例中，通过对各区块特征图进行特征提取，并根据提取后的特征图计算任意两个区块特征图之间的边缘权重，根据各边缘权重确定待测图像对应的评估矩阵，根据评估矩阵确定待测图像对应的分析结果，由于拉普拉斯矩阵能够表征待测图像不同区块特征图之间的相似度，并根据不同区块之间的相似度，确定出评估矩阵，表示出待测图像中不同区块特征图的分类结果，也就是原始图像区块和基于原始图像篡改后的区块的分类结果，并根据分类结果则可以确定待测图像是否发生图像篡改。
上述实施例对如何聚类处理得到待测图像的分析结果进行了说明，现以一个实施例对如何根据评估矩阵确定待测图像的分析结果进行说明。在一个实施例中，如图5所示，根据评估矩阵确定待测图像对应的分析结果，包括：
S502，对评估矩阵中各个元素的值进行均值运算处理，确定待测图像对应的图像均值。
S504，根据图像均值和均值阈值，确定待测图像对应的分析结果。
具体地，将评估矩阵中各个元素的值进行加和后平均，得到待测图像对应的图像均值。将图像均值和均值阈值进行比较，确定待测图像对应的分析结果。
进一步地，在一个实施例中，如图6所示，根据图像均值和均值阈值，确定待测图像对应的分析结果，包括：
S602，将图像均值和均值阈值进行比较，确定均值比较结果。
具体地，可以将图像均值和均值阈值直接进行大小比较，还可以将图像均值与均值阈值作差，或者图像均值和均值阈值做商，得到均值比较结果。
S604，根据均值比较结果确定待测图像对应的分析结果。
具体地，若图像均值和均值阈值直接进行大小比较，图像均值小于等于均值阈值，则确定待测图像未被篡改，若图像均值大于均值阈值，则待测图像发生篡改。若将图像均值与均值阈值作差，若差值小于等于0，则确定待测图像未被篡改，若差值大于0，则待测图像发生篡改。若将图像均值和均值阈值做商，商值小于等于1，则确定待测图像未被篡改，若商值大于1，则待测图像发生篡改。
在本实施例中，通过对评估矩阵中各个元素的值进行均值运算处理，确定待测图像对应的图像均值，根据图像均值和均值阈值，确定待测图像对应的分析结，能够准确确定待测图像是否发生篡改，并且采用均值计算的方式简单、快速、准确。
进一步地，在一个实施例中，如图7所示，根据均值比较结果确定待测图像对应的分析结果，包括：
S702，若图像均值小于等于均值阈值，则确定待测图像未被篡改。
S704，若图像均值大于均值阈值，则对评估矩阵中各个元素的值进行方差运算处理，确定待测图像对应的图像方差。
S706，根据图像方差和方差阈值，确定待测图像对应的分析结果。
具体地，若图像均值小于等于均值阈值，则确定待测图像未被篡改；若图像均值大于均值阈值，则对评估矩阵中各个元素的值进行方差运算处理，确定待测图像对应的图像方差，并根据图像方差和方差阈值，确定待测图像对应的分析结果。
进一步地，在一个实施例中，如图8所示，根据图像方差和方差阈值，确定待测图像对应的分析结果，包括：
S802，将图像方差和方差阈值进行比较，确定方差比较结果。
S804，根据方差比较结果确定待测图像对应的分析结果。
具体地，将图像方差和方差阈值进行比较，确定方差比较结果，根据方差比较结果，确定待测图像对应的分析结果。若图像方差小于等于方差阈值，则确定待测图像未被篡改。若图像方差大于方差阈值，则确定待测图像被篡改。
可选地，在一个实施例中，如图9所示，根据方差比较结果确定待测图像对应的分析结果，包括：
S902，若图像方差大于方差阈值，则对评估矩阵中各个元素的值进行标准差运算处理，确定待测图像对应的图像标准差。
S904，根据图像标准差确定待测图像对应的分析结果。
具体地，若图像方差大于方差阈值，则对评估矩阵中各个元素的值进行标准差运算处理，确定待测图像对应的图像标准差，根据图像标准差确定待测图像对应的分析结果。可选地，若图像标准差小于等于标准差阈值，则确定待测图像未被篡改。若图像标准差大于标准差阈值，则确定待测图像被篡改，并将标准差确定待测图像被篡改的概率值。其中，标准差阈值可以为0.5。
在本实施例中，可以通过将图像均值和均值阈值进行比较，并且在图像均值大于均值阈值的情况下进一步计算图像方差，在图像方差大于方差阈值的情况下，进一步计算图像标准差，并根据标准差确定出图像进行篡改的概率，该方法能够多次考虑待测图像是否存在篡改的情况，准确率高。
为了便于本领域技术人员的理解，现以一个实施例对图像分析方法进一步说明，在一个实施例中，图像分析方法包括：
S100，获取待测图像。
S200，对待测图像进行特征提取，获得待测图像对应的待测特征图。
S300，对待测特征图进行区块划分，确定多个区块特征图。
S400，对各区块特征图进行特征提取，并根据提取后的特征图计算任意两个区块特征图之间的边缘权重，获得多个边缘权重。
S500，根据各边缘权重确定待测图像对应的拉普拉斯矩阵；拉普拉斯矩阵用于表征待测图像各个区块之间的相似度。
S600，对拉普拉斯矩阵以及各边缘权重进行数学运算处理，确定评估矩阵。
S700，对评估矩阵中各个元素的值进行均值运算处理，确定待测图像对应的图像均值。
S800，将图像均值和均值阈值进行比较，确定均值比较结果。
S900，若图像均值小于等于均值阈值，则确定待测图像未被篡改。
S1000，若图像均值大于均值阈值，则对评估矩阵中各个元素的值进行方差运算处理，确定待测图像对应的图像方差。
S1100，将图像方差和方差阈值进行比较，确定方差比较结果。
S1200，若图像方差大于方差阈值，则对评估矩阵中各个元素的值进行标准差运算处理，确定待测图像对应的图像标准差。
S1300，根据图像标准差确定待测图像对应的分析结果。
在本实施例中，通过获取待测图像，对待测图像进行特征提取，获得待测图像对应的待测特征图，对待测特征图进行区块划分，确定多个区块特征图，采用预设的谱聚类算法对各区块特征图进行聚类处理，确定待测图像对应的分析结果。能够通过使用VGG模型的估价模型进行特征提取，针对提取的特征图进行篡改检测，提高了检测效率，并且对待测图像进行区块划分，采用谱聚类算法对各个区块进行聚类计算，得到篡改的区块和正常的区块，快速准确的实现对待测图像的篡改分析，得到图像是否进行篡改，以及出现篡改的概率信息，得到较为准确的分析结果。
应该理解的是，虽然如上的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的图像分析方法的图像分析装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个图像分析装置实施例中的具体限定可以参见上文中对于图像分析方法的限定，在此不再赘述。
在一个实施例中，如图10所示，提供了一种图像分析装置，包括：
获取模块110，用于获取待测图像；
特征提取模块120，用于对待测图像进行特征提取，获得待测图像对应的待测特征图；
第一确定模块130，用于对待测特征图进行区块划分，确定多个区块特征图；
第二确定模块140，用于采用预设的谱聚类算法对各区块特征图进行聚类处理，确定待测图像对应的分析结果；分析结果包括待测图像是否被篡改。
本实施例提供的图像分析装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
在一个实施例中，第二确定模块，包括：
特征提取单元，用于对各区块特征图进行特征提取，并根据提取后的特征图计算任意两个区块特征图之间的边缘权重，获得多个边缘权重；
第一确定单元，用于根据各边缘权重确定待测图像对应的评估矩阵；评估矩阵中的元素用于表征待测图像中任意两个区块之间是否属于同一类别；
第二确定单元，用于根据评估矩阵确定待测图像对应的分析结果。
在一个实施例中，第一确定单元，具体用于根据各边缘权重确定待测图像对应的拉普拉斯矩阵；拉普拉斯矩阵用于表征待测图像各个区块之间的相似度；对拉普拉斯矩阵以及各边缘权重进行数学运算处理，确定评估矩阵。
在一个实施例中，第二确定单元，具体用于对评估矩阵中各个元素的值进行均值运算处理，确定待测图像对应的图像均值；根据图像均值和均值阈值，确定待测图像对应的分析结果。
在一个实施例中，第二确定单元，具体用于将图像均值和均值阈值进行比较，确定均值比较结果；根据均值比较结果确定待测图像对应的分析结果。
在一个实施例中，第二确定单元，具体用于若图像均值小于等于均值阈值，则确定待测图像未被篡改。
在一个实施例中，第二确定单元，具体用于若图像均值大于均值阈值，则对评估矩阵中各个元素的值进行方差运算处理，确定待测图像对应的图像方差；根据图像方差和方差阈值，确定待测图像对应的分析结果。
在一个实施例中，第二确定单元，具体用于将图像方差和方差阈值进行比较，确定方差比较结果；根据方差比较结果确定待测图像对应的分析结果。
在一个实施例中，第二确定单元，具体用于若图像方差小于等于方差阈值，则确定待测图像未被篡改。
在一个实施例中，第二确定单元，具体用于若图像方差大于方差阈值，则对评估矩阵中各个元素的值进行标准差运算处理，确定待测图像对应的图像标准差；根据图像标准差确定待测图像对应的分析结果。
在一个实施例中，第二确定单元，具体用于若图像标准差小于等于标准差阈值，则确定待测图像未被篡改；若图像标准差大于标准差阈值，则确定待测图像被篡改，并将标准差确定待测图像被篡改的概率值。
本实施例提供的图像分析装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
上述图像分析装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种服务器，其内部结构图可以如图11所示。该服务器包括通过系统总线连接的处理器、存储器和网络接口。其中，该服务器的处理器用于提供计算和控制能力。该服务器的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该服务器的数据库用于存储图像分析数据。该服务器的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种图像分析方法。
本领域技术人员可以理解，图11中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种服务器，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
需要说明的是，本申请所涉及的用户信息（包括但不限于用户设备信息、用户个人信息等）和数据（包括但不限于用于分析的数据、存储的数据、展示的数据等），均为经用户授权或者经过各方充分授权的信息和数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器（Read-OnlyMemory，ROM）、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器（ReRAM）、磁变存储器（Magnetoresistive Random Access Memory，MRAM）、铁电存储器（Ferroelectric Random Access Memory，FRAM）、相变存储器（Phase Change Memory，PCM）、石墨烯存储器等。易失性存储器可包括随机存取存储器（Random Access Memory，RAM）或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器（Static Random Access Memory，SRAM）或动态随机存取存储器（Dynamic RandomAccess Memory，DRAM）等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。

Claims (13)

1.一种图像分析方法，其特征在于，所述方法包括：
获取待测图像；
对所述待测图像进行特征提取，获得所述待测图像对应的待测特征图；
对所述待测特征图进行区块划分，确定多个区块特征图；
采用预设的谱聚类算法对各所述区块特征图进行聚类处理，确定所述待测图像对应的分析结果；所述分析结果包括所述待测图像是否被篡改；
其中，所述采用预设的谱聚类算法对各所述区块特征图进行聚类处理，确定所述待测图像对应的分析结果，包括：
对各所述区块特征图进行特征提取，并根据提取后的特征图计算任意两个区块特征图之间的边缘权重，获得多个边缘权重；
根据各所述边缘权重确定所述待测图像对应的评估矩阵；所述评估矩阵中的元素用于表征所述待测图像中任意两个区块之间是否属于同一类别；
根据所述评估矩阵确定所述待测图像对应的分析结果。
2.根据权利要求1所述的方法，其特征在于，所述根据各所述边缘权重确定所述待测图像对应的评估矩阵，包括：
根据各所述边缘权重确定所述待测图像对应的拉普拉斯矩阵；所述拉普拉斯矩阵用于表征所述待测图像各个区块之间的相似度；
对所述拉普拉斯矩阵以及各所述边缘权重进行数学运算处理，确定所述评估矩阵。
3.根据权利要求1或2所述的方法，其特征在于，所述根据所述评估矩阵确定所述待测图像对应的分析结果，包括：
对所述评估矩阵中各个元素的值进行均值运算处理，确定所述待测图像对应的图像均值；
根据所述图像均值和均值阈值，确定所述待测图像对应的分析结果。
4.根据权利要求3所述的方法，其特征在于，所述根据所述图像均值和均值阈值，确定所述待测图像对应的分析结果，包括：
将所述图像均值和所述均值阈值进行比较，确定均值比较结果；
根据所述均值比较结果确定所述待测图像对应的分析结果。
5.根据权利要求4所述的方法，其特征在于，所述根据所述均值比较结果确定所述待测图像对应的分析结果，包括：
若所述图像均值小于等于所述均值阈值，则确定所述待测图像未被篡改。
6.根据权利要求4所述的方法，其特征在于，所述根据所述均值比较结果确定所述待测图像对应的分析结果，包括：
若所述图像均值大于所述均值阈值，则对所述评估矩阵中各个元素的值进行方差运算处理，确定所述待测图像对应的图像方差；
根据所述图像方差和方差阈值，确定所述待测图像对应的分析结果。
7.根据权利要求6所述的方法，其特征在于，所述根据所述图像方差和方差阈值，确定所述待测图像对应的分析结果，包括：
将所述图像方差和所述方差阈值进行比较，确定方差比较结果；
根据所述方差比较结果确定所述待测图像对应的分析结果。
8.根据权利要求7所述的方法，其特征在于，所述根据所述方差比较结果确定所述待测图像对应的分析结果，包括：
若所述图像方差小于等于所述方差阈值，则确定所述待测图像未被篡改。
9.根据权利要求7所述的方法，其特征在于，所述根据所述方差比较结果确定所述待测图像对应的分析结果，包括：
若所述图像方差大于所述方差阈值，则对所述评估矩阵中各个元素的值进行标准差运算处理，确定所述待测图像对应的图像标准差；
根据所述图像标准差确定所述待测图像对应的分析结果。
10.根据权利要求9所述的方法，其特征在于，所述根据所述图像标准差确定所述待测图像对应的分析结果，包括：
若所述图像标准差小于等于标准差阈值，则确定所述待测图像未被篡改；
若所述图像标准差大于所述标准差阈值，则确定所述待测图像被篡改，并将所述标准差确定所述待测图像被篡改的概率值。
11.一种图像分析装置，其特征在于，所述装置包括：
获取模块，用于获取待测图像；
特征提取模块，用于对所述待测图像进行特征提取，获得所述待测图像对应的待测特征图；
第一确定模块，用于对所述待测特征图进行区块划分，确定多个区块特征图；
第二确定模块，用于采用预设的谱聚类算法对各所述区块特征图进行聚类处理，确定所述待测图像对应的分析结果；所述分析结果包括所述待测图像是否被篡改；
其中，所述采用预设的谱聚类算法对各所述区块特征图进行聚类处理，确定所述待测图像对应的分析结果，包括：
对各所述区块特征图进行特征提取，并根据提取后的特征图计算任意两个区块特征图之间的边缘权重，获得多个边缘权重；
根据各所述边缘权重确定所述待测图像对应的评估矩阵；所述评估矩阵中的元素用于表征所述待测图像中任意两个区块之间是否属于同一类别；
根据所述评估矩阵确定所述待测图像对应的分析结果。
12.一种服务器，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至10中任一项所述的方法的步骤。
13.一种计算机可读存储介质，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至10中任一项所述的方法的步骤。
CN202211126021.9A 2022-09-16 2022-09-16 图像分析方法、装置、服务器、介质 Active CN115205666B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211126021.9A CN115205666B (zh) 2022-09-16 2022-09-16 图像分析方法、装置、服务器、介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211126021.9A CN115205666B (zh) 2022-09-16 2022-09-16 图像分析方法、装置、服务器、介质

Publications (2)

Publication Number Publication Date
CN115205666A CN115205666A (zh) 2022-10-18
CN115205666B true CN115205666B (zh) 2023-03-07

Family

ID=83572294

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211126021.9A Active CN115205666B (zh) 2022-09-16 2022-09-16 图像分析方法、装置、服务器、介质

Country Status (1)

Country Link
CN (1) CN115205666B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110895811A (zh) * 2019-11-05 2020-03-20 泰康保险集团股份有限公司 一种图像篡改检测方法和装置
CN111325266A (zh) * 2020-02-18 2020-06-23 慧影医疗科技（北京）有限公司 乳腺钼靶图像中微钙化簇的检测方法、装置和电子设备
CN112733652A (zh) * 2020-12-31 2021-04-30 深圳赛安特技术服务有限公司 图像目标识别方法、装置、计算机设备及可读存储介质
CN113065531A (zh) * 2021-05-13 2021-07-02 上海海事大学 一种面向高速公路服务区三维拼接视频的车辆识别方法
CN113436287A (zh) * 2021-07-05 2021-09-24 吉林大学 一种基于lstm网络与编解码网络的篡改图像盲取证方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114861757A (zh) * 2022-03-31 2022-08-05 中国人民解放军国防科技大学 基于双相关性降低的图深度聚类方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110895811A (zh) * 2019-11-05 2020-03-20 泰康保险集团股份有限公司 一种图像篡改检测方法和装置
CN111325266A (zh) * 2020-02-18 2020-06-23 慧影医疗科技（北京）有限公司 乳腺钼靶图像中微钙化簇的检测方法、装置和电子设备
CN112733652A (zh) * 2020-12-31 2021-04-30 深圳赛安特技术服务有限公司 图像目标识别方法、装置、计算机设备及可读存储介质
CN113065531A (zh) * 2021-05-13 2021-07-02 上海海事大学 一种面向高速公路服务区三维拼接视频的车辆识别方法
CN113436287A (zh) * 2021-07-05 2021-09-24 吉林大学 一种基于lstm网络与编解码网络的篡改图像盲取证方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Image Splicing Detection, Localization and Attribution via JPEG Primary Quantization Matrix Estimation and Clustering;Yakun Niu等;《IEEE Transactions on Information Forensics and Security》;20211119;第16卷;5397-5412 *
深度生成式模型的木马攻击研究;丁劭华;《中国优秀硕士学位论文全文数据库信息科技辑》;20210215(第02期);I138-151 *

Also Published As

Publication number Publication date
CN115205666A (zh) 2022-10-18

Similar Documents

Publication Publication Date Title
CN111738244B (zh) 图像检测方法、装置、计算机设备和存储介质
CN111754396B (zh) 脸部图像处理方法、装置、计算机设备和存储介质
Pham et al. Efficient image splicing detection algorithm based on markov features
CN112580668B (zh) 一种背景欺诈检测方法、装置及电子设备
CN110163294B (zh) 基于降维操作和卷积网络的遥感图像变化区域检测方法
Steinebach et al. Fake news detection by image montage recognition
CN115526892B (zh) 基于三维重建的图像缺陷去重检测方法和装置
CN111179270A (zh) 基于注意力机制的图像共分割方法和装置
CN115690672A (zh) 异常图像识别方法、装置、计算机设备和存储介质
CN116563583A (zh) 一种图像匹配的方法、地图信息的更新方法以及相关装置
Xue et al. JPEG image tampering localization based on normalized gray level co-occurrence matrix
CN115205666B (zh) 图像分析方法、装置、服务器、介质
Agarwal et al. Blind forensics of images using higher order local binary pattern
CN116091998A (zh) 图像处理方法、装置、计算机设备和存储介质
AlShaikh A Novel Reduced Reference Image Quality Assessment Based on Formal Concept Analysis
CN114463764A (zh) 表格线检测方法、装置、计算机设备和存储介质
Qu et al. A framework for identifying shifted double JPEG compression artifacts with application to non-intrusive digital image forensics
CN114529136A (zh) 基于主成分分析和Topsis的电子部组件评价方法和装置
CN115063473A (zh) 物体高度的检测方法、装置、计算机设备、存储介质
Zeng et al. Exposing image splicing with inconsistent sensor noise levels
CN113743533A (zh) 一种图片聚类方法、装置及存储介质
Ziemann et al. Assessing the impact of background spectral graph construction techniques on the topological anomaly detection algorithm
CN113763405A (zh) 一种图像检测方法和装置
Tang et al. Robust video hashing based on multidimensional scaling and ordinal measures
Zhu et al. Forensic detection based on color label and oriented texture feature

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