CN115272208A - 图像处理方法、装置、计算机可读存储介质及计算机设备 - Google Patents

图像处理方法、装置、计算机可读存储介质及计算机设备 Download PDF

Info

Publication number
CN115272208A
CN115272208A CN202210847773.8A CN202210847773A CN115272208A CN 115272208 A CN115272208 A CN 115272208A CN 202210847773 A CN202210847773 A CN 202210847773A CN 115272208 A CN115272208 A CN 115272208A
Authority
CN
China
Prior art keywords
tampering
target
determining
detection
region
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
CN202210847773.8A
Other languages
English (en)
Inventor
曾吉申
杜国铭
姜峰
杨锐
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.)
Alibaba China Co Ltd
Original Assignee
Alibaba China 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 Alibaba China Co Ltd filed Critical Alibaba China Co Ltd
Priority to CN202210847773.8A priority Critical patent/CN115272208A/zh
Publication of CN115272208A publication Critical patent/CN115272208A/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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/32—Normalisation of the pattern dimensions
    • 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
    • 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
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • 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
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • 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)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Quality & Reliability (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种图像处理方法、装置、计算机可读存储介质及计算机设备。其中，该方法包括：获取目标截屏图像；确定目标截屏图像的目标潜在篡改区域；确定用于对目标潜在篡改区域进行篡改检测的多种篡改检测方式；基于多种篡改检测方式，分别提取目标潜在篡改区域对应的篡改特征以及确定多种篡改检测方式对应的权重；基于多种篡改检测方式对应的篡改特征，以及多种篡改检测方式对应的权重，确定目标潜在篡改区域的目标篡改方式和目标篡改位置。本发明解决了针对截屏图像的篡改检测结果不准确的技术问题。

Description

图像处理方法、装置、计算机可读存储介质及计算机设备
技术领域
本发明涉及图像检测领域，具体而言，涉及一种图像处理方法、装置、计算机可读存储介质及计算机设备。
背景技术
在相关技术中，存在采用基于水印的图像取证方法、基于相似性的同源图像检测方法或基于图像特征的方法进行图像是否被篡改的检测，但在实际应用过程中，上述方法存在诸如检测难度大，检测结果准确率低，容易造成误识别以及适应性差的问题。
因此，在相关技术中，存在针对截屏图像的篡改检测结果不准确的技术问题。
针对上述的问题，目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种图像处理方法、装置、计算机可读存储介质及计算机设备，以至少解决针对截屏图像的篡改检测结果不准确的技术问题。
根据本发明实施例的一个方面，提供了一种图像处理方法，包括：获取目标截屏图像；确定目标截屏图像的目标潜在篡改区域；确定用于对目标潜在篡改区域进行篡改检测的多种篡改检测方式；基于多种篡改检测方式，分别提取目标潜在篡改区域对应的篡改特征以及确定多种篡改检测方式对应的权重；基于多种篡改检测方式对应的篡改特征，以及多种篡改检测方式对应的权重，确定目标潜在篡改区域的目标篡改方式和目标篡改位置。
可选地，确定目标截屏图像的目标潜在篡改区域，包括：对目标截屏图像进行全局滤波检测，得到全局潜在篡改区域；对目标截屏图像进行局部滤波检测，得到局部潜在篡改区域；基于全局潜在篡改区域和局部潜在篡改区域，确定目标截屏图像的目标潜在篡改区域。
可选地，对目标截屏图像进行局部滤波检测，得到局部潜在篡改区域，包括以下至少之一：基于注意力网络模型，对目标截屏图像进行局部滤波检测，得到局部潜在篡改区域，其中，注意力网络模型基于多组样本训练得到，所多组样本包括样本图像，以及样本图像中的篡改区域；对目标截屏图像进行局部滤波检测,识别出目标截图图像中的文字区域，将文字区域确定为局部潜在篡改区域。
可选地，基于多种篡改检测方式对应的篡改特征，以及多种篡改检测方式对应的权重，确定目标潜在篡改区域的目标篡改方式和目标篡改位置，包括：多种篡改检测方式包括：复制移动篡改检测方式，拼接篡改检测方式以及涂抹篡改检测方式，多种篡改检测方式对应的篡改特征包括：复制移动篡改检测方式对应的第一多维篡改特征，拼接篡改检测方式对应的第二多维篡改特征以及涂抹篡改检测方式对应的第三多维篡改特征,多种篡改检测方式对应的权重包括：复制移动篡改检测方式对应的第一权重，拼接篡改检测方式对应的第二权重以及涂抹篡改检测方式对应的第三权重；基于第一多维篡改特征以及第一权重，确定复制移动篡改检测方式对应的第一置信度，基于第二多维篡改特征以及第二权重，确定拼接篡改检测方式对应的第二置信度，以及第三多维篡改特征以及第三权重，确定涂抹篡改检测方式对应的第三置信度；基于第一置信度，第二置信度以及第三置信度，确定目标潜在篡改区域的目标篡改方式和目标篡改位置。
可选地，基于第一多维篡改特征以及第一权重，确定复制移动篡改检测方式对应的第一置信度，包括：基于第一多维篡改特征，确定目标潜在篡改区域存在篡改的第一概率，其中，第一多维篡改特征包括以下至少之一：目标潜在篡改区域的全局像素特征，目标潜在篡改区域的压缩痕迹特征；基于第一概率以及第一权重，确定复制移动篡改检测方式对应的第一置信度。
可选地，在第一多维篡改特征包括目标潜在篡改区域的全局像素特征的情况下，基于第一多维篡改特征，确定目标潜在篡改区域存在篡改的第一概率，包括：基于全局像素特征对目标潜在篡改区域所包括的分块区域进行像素分类，得到像素分类结果，基于像素分类结果确定目标潜在篡改区域存在篡改的第一概率；或者，在第一多维篡改特征包括目标潜在篡改区域的压缩痕迹特征的情况下，基于第一多维篡改特征，确定目标潜在篡改区域存在复制粘贴篡改的第一概率，包括：基于压缩痕迹特征确定对目标潜在篡改区域的压缩次数，基于压缩次数，确定目标潜在篡改区域存在复制粘贴篡改的第一概率。
可选地，基于第二多维篡改特征以及第二权重，确定拼接篡改检测方对应的第二置信度，包括：在第二多维篡改特征包括全局像素特征的情况下，基于全局像素特征，确定像素差异性小于第一预定阈值的第一目标区域，以及像素差异性大于第二预定阈值的第二目标区域；确定第一目标区域和第二目标区域之间的目标空间特征；确定目标空间特征与预定空间特征之间的相似度；基于相似度确定存在目标潜在篡改区域中存在拼接篡改的第二概率；基于第二概率和第二权重，确定拼接篡改检测方对应的第二置信度。
可选地，基于第三多维篡改特征以及第三权重，确定涂抹篡改检测方式对应的第三置信度，包括：在第三多维篡改特征包括全局像素特征的情况下，基于全局像素特征，确定目标潜在篡改区域中的噪声区域；获取噪声区域的模糊度；基于模糊度确定目标潜在篡改区域中存在涂抹篡改的第三概率；基于第三概率和第三权重，确定涂抹篡改检测方式对应的第三置信度。
可选地，确定多种篡改检测方式对应的权重，包括：分别为多种篡改检测方式分配初始权重；识别出目标截屏图像可能采用的篡改操作；通过对多种篡改检测方式中篡改操作所对应的篡改检测方式的初始权重进行调整，得到多种篡改检测方式对应的权重。
可选地，获取目标截屏图像，包括：获取原始图像；对原始图像的尺寸进行矫正，得到预定尺寸的目标截屏图像。
根据本发明实施例的另一方面，还提供了一种图像处理装置，包括：获取模块，用于获取目标截屏图像；第一确定模块，用于确定目标截屏图像的目标潜在篡改区域；第二确定模块，用于确定用于对目标潜在篡改区域进行篡改检测的多种篡改检测方式；提取模块，用于基于多种篡改检测方式，分别提取目标潜在篡改区域对应的篡改特征以及确定多种篡改检测方式对应的权重；第三确定模块，用于基于多种篡改检测方式对应的篡改特征，以及多种篡改检测方式对应的权重，确定目标潜在篡改区域的目标篡改方式和目标篡改位置。
根据本发明实施例的另一方面，还提供了一种计算机可读存储介质，计算机可读存储介质包括存储的程序，其中，在程序运行时控制计算机可读存储介质所在设备执行上述任意一项的图像处理方法。
根据本发明实施例的另一方面，还提供了一种计算机设备，包括：存储器和处理器，存储器存储有计算机程序；处理器，用于执行存储器中存储的计算机程序，计算机程序运行时使得处理器执行上述任意一项的图像处理方法。
在本发明实施例中，采用先确定目标截屏图像的目标潜在篡改区域的方式，通过从该目标潜在篡改区域中分别提取对应于多种篡改检测方式的篡改特征，就可以确定目标潜在篡改区域被篡改的可能性，例如，如果有一目标潜在篡改区域中存在对应于复制移动篡改方式的篡改特征，则可以证明该目标潜在篡改区域可能发生了复制移动方式的篡改，在提取篡改特征的同时，还可以确定与该篡改特征对应的权重，即由该篡改特征推断篡改方式的可参考性和可靠性，仍以上述的复制移动篡改方式为例，在提取得到复制移动篡改特征的基础上，可以根据提取得到篡改特征或是提取到全部篡改特征后进行特征融合后的结果来对复制移动篡改方式的权重进行分配和确定，即具体确定目标潜在篡改区域受到复制移动篡改的可能性，达到了结合篡改方式对应的篡改特征和权重对目标潜在篡改区域是否被篡改以及收到何种篡改进行准确检测的目的，从而实现了提高针对截屏图像的篡改检测结果准确性的技术效果，进而解决了针对截屏图像的篡改检测结果不准确的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1示出了一种用于实现图像处理方法的计算机终端的硬件结构框图；
图2是根据本发明实施例的图像处理方法的流程图；
图3是根据本发明可选实施方式的截屏篡改检测系统架构示意图；
图4是根据本发明可选实施方式的图像处理装置的结构框图；
图5是根据本发明实施例的一种计算机终端的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的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，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1
根据本发明实施例，还提供了一种图像处理的方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
本申请实施例1所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。图1示出了一种用于实现图像处理方法的计算机终端(或移动设备)的硬件结构框图。如图1所示，计算机终端10(或移动设备)可以包括一个或多个处理器(图中采用102a、102b，……，102n来示出，处理器可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器104、以及用于通信功能的传输装置。除此以外，还可以包括：显示器、输入/输出接口(I/O接口)、通用串行总线(USB)端口(可以作为BUS总线的端口中的一个端口被包括)、网络接口、电源和/或相机。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，计算机终端10还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。
应当注意到的是上述一个或多个处理器和/或其他数据处理电路在本文中通常可以被称为“数据处理电路”。该数据处理电路可以全部或部分的体现为软件、硬件、固件或其他任意组合。此外，数据处理电路可为单个独立的处理模块，或全部或部分的结合到计算机终端10(或移动设备)中的其他元件中的任意一个内。如本申请实施例中所涉及到的，该数据处理电路作为一种处理器控制(例如与接口连接的可变电阻终端路径的选择)。
存储器104可用于存储应用软件的软件程序以及模块，如本发明实施例中的图像处理方法对应的程序指令/数据存储装置，处理器通过运行存储在存储器104内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的应用程序的漏洞检测方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至计算机终端10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端10的通信供应商提供的无线网络。在一个实例中，传输装置包括一个网络适配器(Network Interface Controller，NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置可以为射频(Radio Frequency，RF)模块，其用于通过无线方式与互联网进行通讯。
显示器可以例如触摸屏式的液晶显示器(LCD)，该液晶显示器可使得用户能够与计算机终端10(或移动设备)的用户界面进行交互。
在上述运行环境下，本申请提供了如图2所示的图像处理方法。图2是根据本发明实施例的图像处理方法的流程图，如图2所示，该方法包括如下步骤：
步骤S202，获取目标截屏图像；
步骤S204，确定目标截屏图像的目标潜在篡改区域；
步骤S206，确定用于对目标潜在篡改区域进行篡改检测的多种篡改检测方式；
步骤S208，基于多种篡改检测方式，分别提取目标潜在篡改区域对应的篡改特征以及确定多种篡改检测方式对应的权重；
步骤S210，基于多种篡改检测方式对应的篡改特征，以及多种篡改检测方式对应的权重，确定目标潜在篡改区域的目标篡改方式和目标篡改位置。
通过上述步骤，采用先确定目标截屏图像的目标潜在篡改区域的方式，通过从该目标潜在篡改区域中分别提取对应于多种篡改检测方式的篡改特征，就可以确定目标潜在篡改区域被篡改的可能性，达到了结合篡改方式对应的篡改特征和权重对目标潜在篡改区域是否被篡改以及收到何种篡改进行准确检测的目的，从而实现了提高针对截屏图像的篡改检测结果准确性的技术效果，进而解决了针对截屏图像的篡改检测结果不准确的技术问题。
作为一种可选的实施例，如果有一目标潜在篡改区域中存在对应于复制移动篡改方式的篡改特征，则可以证明该目标潜在篡改区域可能发生了复制移动方式的篡改，在提取篡改特征的同时，还可以确定与该篡改特征对应的权重，即由该篡改特征推断篡改方式的可参考性和可靠性，仍以上述的复制移动篡改方式为例，在提取得到复制移动篡改特征的基础上，可以根据提取得到篡改特征或是提取到全部篡改特征后进行特征融合后的结果来对复制移动篡改方式的权重进行分配和确定，即具体确定目标潜在篡改区域受到复制移动篡改的可能性。
作为一种可选的实施例，确定目标截屏图像的目标潜在篡改区域，包括：对目标截屏图像进行全局滤波检测，得到全局潜在篡改区域；对目标截屏图像进行局部滤波检测，得到局部潜在篡改区域；基于全局潜在篡改区域和局部潜在篡改区域，确定目标截屏图像的目标潜在篡改区域。
在对目标截屏图像进行全局滤波检测时，可以针对篡改之后的一些掩盖手段(例如，模糊，锐化，压缩和噪声等)进行提取，还可以针对上述的掩盖手段进行反向滤波，即，可以将目标截屏图像还原到篡改后但还没有进行篡改掩盖的状态，以避免由上述掩盖手段造成的篡改特征难以提取，篡改方式难以判断等问题。
而在对目标截屏图像进行局部滤波检测时，则是针对目标截屏图像中可能发生篡改的区域，进行滤波处理，例如，对于手机软件界面截屏来说，文字部分，对话框等都可以确定为可能发生篡改的区域，即局部潜在篡改区域，通过基于全局潜在篡改区域和局部潜在篡改区域两种篡改区域判断结果来确定目标潜在篡改区域，例如，可以采用横向比较全局滤波检测结果和局部滤波检测结果的方式，若全局滤波检测出存在压缩痕迹，局部滤波检测出模糊操作与压缩操作的结合，则说明该局部区域存在篡改的可能，通过上述方式，可以缩小针对目标截屏图像的检测范围，在保证了篡改检测结果准确性的同时，还可以提高检测效率。
需要说明的是，在上述可选实施例中，全局滤波检测和局部滤波检测可以采用双分支结构并行、独立进行，从而提高滤波检测的效率。
作为一种可选的实施例，对目标截屏图像进行局部滤波检测，得到局部潜在篡改区域，包括以下至少之一：基于注意力网络模型，对目标截屏图像进行局部滤波检测，得到局部潜在篡改区域，其中，注意力网络模型基于多组样本训练得到，所多组样本包括样本图像，以及样本图像中的篡改区域；对目标截屏图像进行局部滤波检测,识别出目标截图图像中的文字区域，将文字区域确定为局部潜在篡改区域。确定局部潜在篡改区域的方式可以有多种，针对截屏图像，可以通过上述注意力网络或是文字识别的方式确定，也可以采用其它例如计算图像梯度，分析像素变化情况等等方式来确定局部潜在篡改区域。
作为一种可选的实施例，基于多种篡改检测方式对应的篡改特征，以及多种篡改检测方式对应的权重，确定目标潜在篡改区域的目标篡改方式和目标篡改位置，包括：多种篡改检测方式包括：复制移动篡改检测方式，拼接篡改检测方式以及涂抹篡改检测方式，多种篡改检测方式对应的篡改特征包括：复制移动篡改检测方式对应的第一多维篡改特征，拼接篡改检测方式对应的第二多维篡改特征以及涂抹篡改检测方式对应的第三多维篡改特征,多种篡改检测方式对应的权重包括：复制移动篡改检测方式对应的第一权重，拼接篡改检测方式对应的第二权重以及涂抹篡改检测方式对应的第三权重；基于第一多维篡改特征以及第一权重，确定复制移动篡改检测方式对应的第一置信度，基于第二多维篡改特征以及第二权重，确定拼接篡改检测方式对应的第二置信度，以及第三多维篡改特征以及第三权重，确定涂抹篡改检测方式对应的第三置信度；基于第一置信度，第二置信度以及第三置信度，确定目标潜在篡改区域的目标篡改方式和目标篡改位置。
不同的篡改方式会在图像中留下不同的篡改痕迹，即上述的篡改特征，通过从目标潜在篡改区域中提取这些篡改特征，就可以基于篡改特征来判断目标潜在篡改区域受到了各种篡改，而为了提高基于篡改特征来进行检测的准确性，可以再逐步对篡改特征的权重和篡改方式的置信度进行确定。
需要说明的是，在上述确定篡改特征的权重的过程中，可以采取多种方式，例如，可以基于提取得到的某一单一篡改方式对应的篡改特征来确定其权重，以复制移动篡改方式为例，则可以通过判断提取得到的篡改特征与复制移动篡改方式对应的篡改特征的相似程度或该特征的明显程度来确定该篡改特征的权重，也可以对提取得到的全部篡改特征进行特征融合，即可以根据全部的篡改特征来分别确定每种篡改方式的权重。
需要说明的是，在上述确定篡改方式的置信度的过程中，由于提取出的篡改特征是多维度的，对应的篡改方式检测结果可能也是多维度的，则可以通过确定置信度的方式，分别对每一个维度对应的检测结果确定其置信度，并将相邻两个维度的置信度进行比较，从而确定该检测结果是否准确可信，例如，当相邻的两个维度对应的置信度都高于第一预定置信度阈值且两个置信度之间的差值小于第二预定置信度阈值，则可以认为对上述两个维度的篡改方式检测结果都是准确的，相反，若其中至少一个维度对应的置信度低于第一预定置信度阈值，或是两个维度所对应的置信度之间的差值大于第二预定置信度阈值，则可以认为这两个维度的篡改方式检测结果是不够准确的，等等，具体的判断方法也可以根据实际应用场景来进行调整。
作为一种可选的实施例，基于第一多维篡改特征以及第一权重，确定复制移动篡改检测方式对应的第一置信度，包括：基于第一多维篡改特征，确定目标潜在篡改区域存在篡改的第一概率，其中，第一多维篡改特征包括以下至少之一：目标潜在篡改区域的全局像素特征，目标潜在篡改区域的压缩痕迹特征；基于第一概率以及第一权重，确定复制移动篡改检测方式对应的第一置信度。
作为一种可选的实施例，在第一多维篡改特征包括目标潜在篡改区域的全局像素特征的情况下，基于第一多维篡改特征，确定目标潜在篡改区域存在篡改的第一概率，包括：基于全局像素特征对目标潜在篡改区域所包括的分块区域进行像素分类，得到像素分类结果，基于像素分类结果确定目标潜在篡改区域存在篡改的第一概率；或者，在第一多维篡改特征包括目标潜在篡改区域的压缩痕迹特征的情况下，基于第一多维篡改特征，确定目标潜在篡改区域存在复制粘贴篡改的第一概率，包括：基于压缩痕迹特征确定对目标潜在篡改区域的压缩次数，基于压缩次数，确定目标潜在篡改区域存在复制粘贴篡改的第一概率。
对于复制移动篡改方式，在其篡改区域会呈现复制内容与被复制内容高度相似且边缘处存在较为明显的差异性，基于上述篡改特征就可以判断目标潜在篡改区域中是否存在复制移动篡改，另外，通过提取压缩痕迹特征，也可以判断篡改情况，例如，当目标潜在篡改区域中存在多次压缩痕迹时，也可以说明该区域很可能遭到了篡改。
作为一种可选的实施例，基于第二多维篡改特征以及第二权重，确定拼接篡改检测方对应的第二置信度，包括：在第二多维篡改特征包括全局像素特征的情况下，基于全局像素特征，确定像素差异性小于第一预定阈值的第一目标区域，以及像素差异性大于第二预定阈值的第二目标区域；确定第一目标区域和第二目标区域之间的目标空间特征；确定目标空间特征与预定空间特征之间的相似度；基于相似度确定存在目标潜在篡改区域中存在拼接篡改的第二概率；基于第二概率和第二权重，确定拼接篡改检测方对应的第二置信度。
对于拼接篡改方式，在其篡改区域会呈现较为明显的局部像素特征差异，即拼接边缘处附近的像素特征差异，通过提取该像素特征，再对该像素特征进行合理性判断，就可以判断该区域是否存在拼接篡改方式，例如，如果在某一范围内提取到的像素特征一致性较好，不存在明显差异，则可以认为该处的像素特征是合理的，不存在拼接篡改。又例如，如果在某一范围内提取到的像素特征存在较为明显的差异性，同时这些差异明显的像素特征之间存在一定的空间关系(如，在空间中呈直线、弧线等线性关系分布)，则可以说明该区域存在拼接篡改。
作为一种可选的实施例，基于第三多维篡改特征以及第三权重，确定涂抹篡改检测方式对应的第三置信度，包括：在第三多维篡改特征包括全局像素特征的情况下，基于全局像素特征，确定目标潜在篡改区域中的噪声区域；获取噪声区域的模糊度；基于模糊度确定目标潜在篡改区域中存在涂抹篡改的第三概率；基于第三概率和第三权重，确定涂抹篡改检测方式对应的第三置信度。
对于涂抹篡改方式，可以通过检测像素特征的一致性来进行判断，例如，若目标潜在篡改区域中存在一处噪声像素特征与全局的噪声像素特征不同，且差异性较大，则可以认为该处可能发生了涂抹篡改。
作为一种可选的实施例，确定多种篡改检测方式对应的权重，包括：分别为多种篡改检测方式分配初始权重；识别出目标截屏图像可能采用的篡改操作；通过对多种篡改检测方式中篡改操作所对应的篡改检测方式的初始权重进行调整，得到多种篡改检测方式对应的权重。
作为一种可选的实施例，获取目标截屏图像，包括：获取原始图像；对原始图像的尺寸进行矫正，得到预定尺寸的目标截屏图像。其中，对原始图像的尺寸进行矫正可以是对图像进行缩放、旋转、裁剪，等等，直到矫正后的图像满足图像处理的尺寸要求。
基于上述实施例及可选实施例，本发明提出一种可选实施方式，下面进行说明。
常见的篡改操作包括抹除关键图文信息、插入伪造的图文内容、恶意拼接内容等等，由于这类图像载体本身就是软件生成，在恶意篡改后不易留下明显可检测的痕迹，采用现有的图像篡改检测方法难以取得较好的检测效果。
针对上述技术问题，本发明可选实施方式提出一种基于多特征融合决策的截屏图像篡改检测系统与方法，图3是根据本发明可选实施方式的截屏篡改检测系统架构示意图，基于如图3所示的系统架构，本发明可选实施方式提出的截屏图像篡改检测方法分为篡改数据预处理阶段，信息篡改检测阶段与篡改检测决策阶段共三个流程，下面对该方法中的各步骤分别进行介绍。
(1)截屏图像尺寸校正
由于截屏图像的尺寸不固定，因此，需要对图像的尺寸进行矫正处理，例如，设定输入图像尺寸为a*a像素，针对图像尺寸单边大于2a的图像进行裁剪操作，再将图像缩放至a*a大小，针对图像单边尺寸小于2a的图像可以直接进行缩放操作。
(2)篡改数据预处理
在篡改检测预处理阶段可以采取双分支的结构，其中，双分支体现为：第一分支：全局重采样检测和第二分支：局部感兴趣区域与滤波检测。
根据双分支的预处理检测手段可以有效地提取场景中的篡改后处理，完成预判。其中，第一分支可以有效地提取模糊、锐化等掩盖篡改手段的后处理，第二分支可以对敏感的篡改区域进行预处理，着重分析局部的篡改滤波与篡改后处理。
在篡改检测的实施过程中，篡改者往往会针对局部进行替换以及涂抹，并在篡改后通过压缩、噪声等滤波方法对篡改痕迹进行抹除与混淆，使篡改检测的难度升高。因此，本发明可选实施方式通过设置篡改数据预处理阶段，使用分段训练的神经网络模型进行压缩、超分辨率、锐化、模糊、噪声添加等全局与局部信息的后处理检测，并使用编码-解码的网络结构进行原始信息的还原，从而增加对篡改数据检测的鲁棒性与普适性。
在预处理阶段进行局部感兴趣区域的检测与滤波检测，采用预训练的注意力模型进行权重分析，从而提升检测效率与检测精度，具体流程包括：
1)基于注意力网络的感兴趣区域判断；
2)基于字符识别的感兴趣区域判断；
3)通过多个感兴趣区域进行权重分析与可信度判断；
4)对感兴趣区域进行局部滤波检测；
5)横向比较局部滤波检测与整体滤波检测结果，初步判断篡改可能性并标记篡改区域。
(3)信息篡改检测
信息篡改检测阶段针对篡改手段进行分类的处理方法，例如，复制移动、拼接和涂抹，下面分别对上述各种篡改手段的检测方法进行介绍。
1)复制移动
1、对输入图像进行分块处理，提取图像块的局部一致性等基于空间特征的特征，其中，局部一致性指一定区域中图像特征(如颜色、梯度、直方图等)类似或体现类似的特征，图像的空间特征指不同维度上图像特征的空间关系；
2、对1中的分块图像特征进行全局匹配，对相似程度较高的图像进行像素级分类，可有效检测由于复制移动过程造成的拼接局部不一致，即，复制移动造成的篡改在复制的内容中呈现高度一致性，但是在拼接边缘存在较强的差异性。；
3、针对2中结果的感兴趣区域进行jpeg压缩检测，可提取由于篡改过程中引入的多次jpeg压缩痕迹，从而完成复制移动的检测。
2)拼接
1、根据预训练模型进行图像的一致性分析，检测图像中局部不一致特征并进行像素级别分类；
2、根据像素分类结果，在原图尺度上进行空间特性的分析，验证拼接图像块的合理性。例如，如果此处像素的局部特征存在很高的一致性，判定为合理；如检测到有一系列的特征存在较大的差异并在空间上存在一定关系(直线、弧线等)，可判定为延该空间关系进行了拼接篡改。
3)涂抹
1、对输入图像进行分块处理；
2、对分块图像进行局部像素一致性分析；
3、对图像噪声与图像边缘进行一致性分析。
(4)多维检测信息特征融合
针对不同篡改手段的特征提取方式差异较大，但是可以根据图像空间进行多维的篡改特征信息融合，融合的过程中根据不同种类的篡改信息的空间特性(例如，不同特征的位置关系，不同颜色的空间分布等)以及篡改方式的逻辑进行动态的权重分配，即，根据篡改检测的场景进行细分，每个检测手段都对应一个权重，并且不同特征的组合会对应增减权重。例如，检测到涂抹篡改时，同时出现了局部或者全局的模糊处理，此处的涂抹篡改权重会增加。
(5)篡改检测决策
根据篡改信息检测的多维篡改信息特征进行融合与分类决策，并使用动态投票的机制进行篡改结果分析，从而完成决策。
基于篡改图像预处理与篡改信息检测，可得到多维度的篡改检测结果，根据不同场景进行评分机制，并针对多种篡改手段进行一致性分析，可将每个篡改检测当成一个验证节点，根据当前节点的置信度与相邻节点的检测置信度进行投票，最终完成篡改手段的分类与篡改位置的回归处理。
需要说明的是，本发明可选实施方式中的各个步骤可以进行实施顺序、排列组合与拓扑关系的变换，以适应不同的应用场景。
下表是本发明可选实施方式与相关技术中的方案的效果对比。
方法 准确率 虚警率
BusterNet 17.30％ 32.60％
MantraNet 23.50％ 65.80％
Cut-Paste Splicing 73.50％ 100.00％
本方案 98.16％ 0.00％
综上，本发明可选实施方式具有以下几点优势：
(1)本方案使用多分支结构进行篡改检测预处理
由于手机截屏图像的篡改手段的多样性预计不确定性，因此通过多个分支并行预处理能够有效针对不同种类的篡改后图像起到一定程度的增强篡改信息的做作用，对于本方案的特征提取起到积极做用，能够提升篡改检测的准确率。
本方案中的多分支预处理可针对篡改后人为添加的全局滤波如模糊、压缩，对于应用场景中只进行普通截屏存储的图像并不会使用全局滤波的方式进行信息混淆与隐藏，因此对于全局滤波的检测可以提升对篡改检测的效率与准确率；局部滤波如雾化、局部多重压缩等手段将标记区域进行过有目的性的篡改，针对性进行检测能够提升针对篡改检测的检测效率与检测准确率。
(2)采用多模态的篡改数据检测模型进行篡改手段的检测
由于每种篡改手段的方法与效果的差异性较大，使用同种特征提取器一方面不容易提取出相同维度的特征信息、另一方面容易混淆不统篡改手段的特征造成分类器效率低下。因此采用通用的特征提取以及分类思路不能够有效的对不同种类的篡改手段有效检测，并且不同种类的篡改手段作用域与特征维度也存在差异，因此采用多模态的特征提取方法以及检测模型能够相对高效的完成检测任务。
多模态篡改数据检测模型采取对应不同篡改方式使用不同的特征提取器，本方案在进行空间卷积操作后，对应生成相同维度的特征向量，多种不同篡改模式生成相同维度的特征向量，通过动态调整权重的方式进行特征融合，通过这种方法能够有效利用篡改信息的特征，最大化分类器的效率。
(3)通过动态投票的方式进行篡改决策
本方案通过动态投票机制，能够在检测过程中根据实时的检测情况调整检测策略与识别权重，可有效针对同种篡改手段的不同空间尺度与不同种篡改手段进行调整，从而提升检测效率。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的图像处理方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个计算机可读存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
实施例2
根据本发明实施例，还提供了一种用于实施上述图像处理方法的装置，图4是根据本发明可选实施方式的图像处理装置的结构框图，如图4所示，该装置包括：获取模块41，第一确定模块42，第二确定模块43，提取模块44和第三确定模块45，下面对该装置进行说明。
获取模块41，用于获取目标截屏图像；第一确定模块42，连接至上述获取模块41，用于确定目标截屏图像的目标潜在篡改区域；第二确定模块43，连接至上述第一确定模块42，用于确定用于对目标潜在篡改区域进行篡改检测的多种篡改检测方式；提取模块44，连接至上述第二确定模块43，用于基于多种篡改检测方式，分别提取目标潜在篡改区域对应的篡改特征以及确定多种篡改检测方式对应的权重；第三确定模块45，连接至上述提取模块44，用于基于多种篡改检测方式对应的篡改特征，以及多种篡改检测方式对应的权重，确定目标潜在篡改区域的目标篡改方式和目标篡改位置。
此处需要说明的是，上述获取模块41，第一确定模块42，第二确定模块43，提取模块44和第三确定模块45对应于实施例1中的步骤S202至步骤S210，五个模块与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例1所公开的内容。需要说明的是，上述模块作为装置的一部分可以运行在实施例1提供的计算机终端10中。
实施例3
本发明的实施例可以提供一种计算机终端，该计算机终端可以是计算机终端群中的任意一个计算机终端设备。可选地，在本实施例中，上述计算机终端也可以替换为移动终端等终端设备。
可选地，在本实施例中，上述计算机终端可以位于计算机网络的多个网络设备中的至少一个网络设备。
在本实施例中，上述计算机终端可以执行应用程序的图像处理方法中以下步骤的程序代码：获取目标截屏图像；确定目标截屏图像的目标潜在篡改区域；确定用于对目标潜在篡改区域进行篡改检测的多种篡改检测方式；基于多种篡改检测方式，分别提取目标潜在篡改区域对应的篡改特征以及确定多种篡改检测方式对应的权重；基于多种篡改检测方式对应的篡改特征，以及多种篡改检测方式对应的权重，确定目标潜在篡改区域的目标篡改方式和目标篡改位置。
可选地，图5是根据本发明实施例的一种计算机终端的结构框图。如图5所示，该计算机终端可以包括：一个或多个(图中仅示出一个)处理器、存储器等。
其中，存储器可用于存储软件程序以及模块，如本发明实施例中的图像处理方法和装置对应的程序指令/模块，处理器通过运行存储在存储器内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的图像处理方法。存储器可包括高速随机存储器，还可以包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器可进一步包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至计算机终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
处理器可以通过传输装置调用存储器存储的信息及应用程序，以执行下述步骤：获取目标截屏图像；确定目标截屏图像的目标潜在篡改区域；确定用于对目标潜在篡改区域进行篡改检测的多种篡改检测方式；基于多种篡改检测方式，分别提取目标潜在篡改区域对应的篡改特征以及确定多种篡改检测方式对应的权重；基于多种篡改检测方式对应的篡改特征，以及多种篡改检测方式对应的权重，确定目标潜在篡改区域的目标篡改方式和目标篡改位置。
可选的，上述处理器还可以执行如下步骤的程序代码：对目标截屏图像进行全局滤波检测，得到全局潜在篡改区域；对目标截屏图像进行局部滤波检测，得到局部潜在篡改区域；基于全局潜在篡改区域和局部潜在篡改区域，确定目标截屏图像的目标潜在篡改区域。
可选的，上述处理器还可以执行如下步骤的程序代码：基于注意力网络模型，对目标截屏图像进行局部滤波检测，得到局部潜在篡改区域，其中，注意力网络模型基于多组样本训练得到，所多组样本包括样本图像，以及样本图像中的篡改区域；对目标截屏图像进行局部滤波检测,识别出目标截图图像中的文字区域，将文字区域确定为局部潜在篡改区域。
可选的，上述处理器还可以执行如下步骤的程序代码：多种篡改检测方式包括：复制移动篡改检测方式，拼接篡改检测方式以及涂抹篡改检测方式，多种篡改检测方式对应的篡改特征包括：复制移动篡改检测方式对应的第一多维篡改特征，拼接篡改检测方式对应的第二多维篡改特征以及涂抹篡改检测方式对应的第三多维篡改特征,多种篡改检测方式对应的权重包括：复制移动篡改检测方式对应的第一权重，拼接篡改检测方式对应的第二权重以及涂抹篡改检测方式对应的第三权重；基于第一多维篡改特征以及第一权重，确定复制移动篡改检测方式对应的第一置信度，基于第二多维篡改特征以及第二权重，确定拼接篡改检测方式对应的第二置信度，以及第三多维篡改特征以及第三权重，确定涂抹篡改检测方式对应的第三置信度；基于第一置信度，第二置信度以及第三置信度，确定目标潜在篡改区域的目标篡改方式和目标篡改位置。
可选的，上述处理器还可以执行如下步骤的程序代码：基于第一多维篡改特征，确定目标潜在篡改区域存在篡改的第一概率，其中，第一多维篡改特征包括以下至少之一：目标潜在篡改区域的全局像素特征，目标潜在篡改区域的压缩痕迹特征；基于第一概率以及第一权重，确定复制移动篡改检测方式对应的第一置信度。
可选的，上述处理器还可以执行如下步骤的程序代码：在第一多维篡改特征包括目标潜在篡改区域的全局像素特征的情况下，基于第一多维篡改特征，确定目标潜在篡改区域存在篡改的第一概率，包括：基于全局像素特征对目标潜在篡改区域所包括的分块区域进行像素分类，得到像素分类结果，基于像素分类结果确定目标潜在篡改区域存在篡改的第一概率；或者，在第一多维篡改特征包括目标潜在篡改区域的压缩痕迹特征的情况下，基于第一多维篡改特征，确定目标潜在篡改区域存在复制粘贴篡改的第一概率，包括：基于压缩痕迹特征确定对目标潜在篡改区域的压缩次数，基于压缩次数，确定目标潜在篡改区域存在复制粘贴篡改的第一概率。
可选的，上述处理器还可以执行如下步骤的程序代码：在第二多维篡改特征包括全局像素特征的情况下，基于全局像素特征，确定像素差异性小于第一预定阈值的第一目标区域，以及像素差异性大于第二预定阈值的第二目标区域；确定第一目标区域和第二目标区域之间的目标空间特征；确定目标空间特征与预定空间特征之间的相似度；基于相似度确定存在目标潜在篡改区域中存在拼接篡改的第二概率；基于第二概率和第二权重，确定拼接篡改检测方对应的第二置信度。
可选的，上述处理器还可以执行如下步骤的程序代码：在第三多维篡改特征包括全局像素特征的情况下，基于全局像素特征，确定目标潜在篡改区域中的噪声区域；获取噪声区域的模糊度；基于模糊度确定目标潜在篡改区域中存在涂抹篡改的第三概率；基于第三概率和第三权重，确定涂抹篡改检测方式对应的第三置信度。
可选的，上述处理器还可以执行如下步骤的程序代码：分别为多种篡改检测方式分配初始权重；识别出目标截屏图像可能采用的篡改操作；通过对多种篡改检测方式中篡改操作所对应的篡改检测方式的初始权重进行调整，得到多种篡改检测方式对应的权重。
可选的，上述处理器还可以执行如下步骤的程序代码：获取原始图像；对原始图像的尺寸进行矫正，得到预定尺寸的目标截屏图像。
采用本发明实施例，提供了一种图像处理的方案。采用先确定目标截屏图像的目标潜在篡改区域的方式，通过从该目标潜在篡改区域中分别提取对应于多种篡改检测方式的篡改特征，就可以确定目标潜在篡改区域被篡改的可能性，例如，如果有一目标潜在篡改区域中存在对应于复制移动篡改方式的篡改特征，则可以证明该目标潜在篡改区域可能发生了复制移动方式的篡改，在提取篡改特征的同时，还可以确定与该篡改特征对应的权重，即由该篡改特征推断篡改方式的可参考性和可靠性，仍以上述的复制移动篡改方式为例，在提取得到复制移动篡改特征的基础上，可以根据提取得到篡改特征或是提取到全部篡改特征后进行特征融合后的结果来对复制移动篡改方式的权重进行分配和确定，即具体确定目标潜在篡改区域受到复制移动篡改的可能性，达到了结合篡改方式对应的篡改特征和权重对目标潜在篡改区域是否被篡改以及收到何种篡改进行准确检测的目的，从而实现了提高针对截屏图像的篡改检测结果准确性的技术效果，进而解决了针对截屏图像的篡改检测结果不准确的技术问题。
本领域普通技术人员可以理解，图5所示的结构仅为示意，计算机终端也可以是智能手机(如Android手机、iOS手机等)、平板电脑、掌声电脑以及移动互联网设备(MobileInternetDevices，MID)、PAD等终端设备。图5其并不对上述电子装置的结构造成限定。例如，计算机终端还可包括比图5中所示更多或者更少的组件(如网络接口、显示装置等)，或者具有与图5所示不同的配置。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，计算机可读存储介质可以包括：闪存盘、只读存储器(Read-Only Memory，ROM)、随机存取器(Random Access Memory，RAM)、磁盘或光盘等。
实施例4
本发明的实施例还提供了一种计算机可读存储介质。可选地，在本实施例中，上述计算机可读存储介质可以用于保存上述实施例1所提供的图像处理方法所执行的程序代码。
可选地，在本实施例中，上述计算机可读存储介质可以位于计算机网络中计算机终端群中的任意一个计算机终端中，或者位于移动终端群中的任意一个移动终端中。
可选地，在本实施例中，计算机可读存储介质被设置为存储用于执行以下步骤的程序代码：获取目标截屏图像；确定目标截屏图像的目标潜在篡改区域；确定用于对目标潜在篡改区域进行篡改检测的多种篡改检测方式；基于多种篡改检测方式，分别提取目标潜在篡改区域对应的篡改特征以及确定多种篡改检测方式对应的权重；基于多种篡改检测方式对应的篡改特征，以及多种篡改检测方式对应的权重，确定目标潜在篡改区域的目标篡改方式和目标篡改位置。
可选地，在本实施例中，计算机可读存储介质被设置为存储用于执行以下步骤的程序代码：对目标截屏图像进行全局滤波检测，得到全局潜在篡改区域；对目标截屏图像进行局部滤波检测，得到局部潜在篡改区域；基于全局潜在篡改区域和局部潜在篡改区域，确定目标截屏图像的目标潜在篡改区域。
可选地，在本实施例中，计算机可读存储介质被设置为存储用于执行以下步骤的程序代码：基于注意力网络模型，对目标截屏图像进行局部滤波检测，得到局部潜在篡改区域，其中，注意力网络模型基于多组样本训练得到，所多组样本包括样本图像，以及样本图像中的篡改区域；对目标截屏图像进行局部滤波检测,识别出目标截图图像中的文字区域，将文字区域确定为局部潜在篡改区域。
可选地，在本实施例中，计算机可读存储介质被设置为存储用于执行以下步骤的程序代码：多种篡改检测方式包括：复制移动篡改检测方式，拼接篡改检测方式以及涂抹篡改检测方式，多种篡改检测方式对应的篡改特征包括：复制移动篡改检测方式对应的第一多维篡改特征，拼接篡改检测方式对应的第二多维篡改特征以及涂抹篡改检测方式对应的第三多维篡改特征,多种篡改检测方式对应的权重包括：复制移动篡改检测方式对应的第一权重，拼接篡改检测方式对应的第二权重以及涂抹篡改检测方式对应的第三权重；基于第一多维篡改特征以及第一权重，确定复制移动篡改检测方式对应的第一置信度，基于第二多维篡改特征以及第二权重，确定拼接篡改检测方式对应的第二置信度，以及第三多维篡改特征以及第三权重，确定涂抹篡改检测方式对应的第三置信度；基于第一置信度，第二置信度以及第三置信度，确定目标潜在篡改区域的目标篡改方式和目标篡改位置。
可选地，在本实施例中，计算机可读存储介质被设置为存储用于执行以下步骤的程序代码：基于第一多维篡改特征，确定目标潜在篡改区域存在篡改的第一概率，其中，第一多维篡改特征包括以下至少之一：目标潜在篡改区域的全局像素特征，目标潜在篡改区域的压缩痕迹特征；基于第一概率以及第一权重，确定复制移动篡改检测方式对应的第一置信度。
可选地，在本实施例中，计算机可读存储介质被设置为存储用于执行以下步骤的程序代码：在第一多维篡改特征包括目标潜在篡改区域的全局像素特征的情况下，基于第一多维篡改特征，确定目标潜在篡改区域存在篡改的第一概率，包括：基于全局像素特征对目标潜在篡改区域所包括的分块区域进行像素分类，得到像素分类结果，基于像素分类结果确定目标潜在篡改区域存在篡改的第一概率；或者，在第一多维篡改特征包括目标潜在篡改区域的压缩痕迹特征的情况下，基于第一多维篡改特征，确定目标潜在篡改区域存在复制粘贴篡改的第一概率，包括：基于压缩痕迹特征确定对目标潜在篡改区域的压缩次数，基于压缩次数，确定目标潜在篡改区域存在复制粘贴篡改的第一概率。
可选地，在本实施例中，计算机可读存储介质被设置为存储用于执行以下步骤的程序代码：在第二多维篡改特征包括全局像素特征的情况下，基于全局像素特征，确定像素差异性小于第一预定阈值的第一目标区域，以及像素差异性大于第二预定阈值的第二目标区域；确定第一目标区域和第二目标区域之间的目标空间特征；确定目标空间特征与预定空间特征之间的相似度；基于相似度确定存在目标潜在篡改区域中存在拼接篡改的第二概率；基于第二概率和第二权重，确定拼接篡改检测方对应的第二置信度。
可选地，在本实施例中，计算机可读存储介质被设置为存储用于执行以下步骤的程序代码：在第三多维篡改特征包括全局像素特征的情况下，基于全局像素特征，确定目标潜在篡改区域中的噪声区域；获取噪声区域的模糊度；基于模糊度确定目标潜在篡改区域中存在涂抹篡改的第三概率；基于第三概率和第三权重，确定涂抹篡改检测方式对应的第三置信度。
可选地，在本实施例中，计算机可读存储介质被设置为存储用于执行以下步骤的程序代码：分别为多种篡改检测方式分配初始权重；识别出目标截屏图像可能采用的篡改操作；通过对多种篡改检测方式中篡改操作所对应的篡改检测方式的初始权重进行调整，得到多种篡改检测方式对应的权重。
可选地，在本实施例中，计算机可读存储介质被设置为存储用于执行以下步骤的程序代码：获取原始图像；对原始图像的尺寸进行矫正，得到预定尺寸的目标截屏图像。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个计算机可读存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的计算机可读存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (13)

1.一种图像处理方法，其特征在于，包括：
获取目标截屏图像；
确定所述目标截屏图像的目标潜在篡改区域；
确定用于对所述目标潜在篡改区域进行篡改检测的多种篡改检测方式；
基于所述多种篡改检测方式，分别提取所述目标潜在篡改区域对应的篡改特征以及确定所述多种篡改检测方式对应的权重；
基于所述多种篡改检测方式对应的篡改特征，以及所述多种篡改检测方式对应的权重，确定所述目标潜在篡改区域的目标篡改方式和目标篡改位置。
2.根据权利要求1所述的方法，其特征在于，所述确定所述目标截屏图像的目标潜在篡改区域，包括：
对所述目标截屏图像进行全局滤波检测，得到全局潜在篡改区域；
对所述目标截屏图像进行局部滤波检测，得到局部潜在篡改区域；
基于所述全局潜在篡改区域和所述局部潜在篡改区域，确定所述目标截屏图像的目标潜在篡改区域。
3.根据权利要求2所述的方法，其特征在于，所述对所述目标截屏图像进行局部滤波检测，得到局部潜在篡改区域，包括以下至少之一：
基于注意力网络模型，对所述目标截屏图像进行局部滤波检测，得到局部潜在篡改区域，其中，所述注意力网络模型基于多组样本训练得到，所多组样本包括样本图像，以及所述样本图像中的篡改区域；
对所述目标截屏图像进行局部滤波检测,识别出所述目标截图图像中的文字区域，将所述文字区域确定为所述局部潜在篡改区域。
4.根据权利要求1所述的方法，其特征在于，所述基于所述多种篡改检测方式对应的篡改特征，以及所述多种篡改检测方式对应的权重，确定所述目标潜在篡改区域的目标篡改方式和目标篡改位置，包括：
所述多种篡改检测方式包括：复制移动篡改检测方式，拼接篡改检测方式以及涂抹篡改检测方式，所述多种篡改检测方式对应的篡改特征包括：所述复制移动篡改检测方式对应的第一多维篡改特征，所述拼接篡改检测方式对应的第二多维篡改特征以及所述涂抹篡改检测方式对应的第三多维篡改特征,所述多种篡改检测方式对应的权重包括：所述复制移动篡改检测方式对应的第一权重，所述拼接篡改检测方式对应的第二权重以及所述涂抹篡改检测方式对应的第三权重；
基于所述第一多维篡改特征以及所述第一权重，确定所述复制移动篡改检测方式对应的第一置信度，基于所述第二多维篡改特征以及所述第二权重，确定所述拼接篡改检测方式对应的第二置信度，以及基于所述第三多维篡改特征以及所述第三权重，确定所述涂抹篡改检测方式对应的第三置信度；
基于所述第一置信度，所述第二置信度以及所述第三置信度，确定所述目标潜在篡改区域的目标篡改方式和目标篡改位置。
5.根据权利要求4所述的方法，其特征在于，基于所述第一多维篡改特征以及所述第一权重，确定所述复制移动篡改检测方式对应的第一置信度，包括：
基于所述第一多维篡改特征，确定所述目标潜在篡改区域存在篡改的第一概率，其中，所述第一多维篡改特征包括以下至少之一：所述目标潜在篡改区域的全局像素特征，所述目标潜在篡改区域的压缩痕迹特征；
基于所述第一概率以及所述第一权重，确定所述复制移动篡改检测方式对应的第一置信度。
6.根据权利要求5所述的方法，其特征在于，
在所述第一多维篡改特征包括所述目标潜在篡改区域的全局像素特征的情况下，基于所述第一多维篡改特征，确定所述目标潜在篡改区域存在篡改的第一概率，包括：基于所述全局像素特征对所述目标潜在篡改区域所包括的分块区域进行像素分类，得到像素分类结果，基于所述像素分类结果确定所述目标潜在篡改区域存在篡改的第一概率；
或者，
在所述第一多维篡改特征包括所述目标潜在篡改区域的压缩痕迹特征的情况下，基于所述第一多维篡改特征，确定所述目标潜在篡改区域存在复制粘贴篡改的第一概率，包括：基于所述压缩痕迹特征确定对所述目标潜在篡改区域的压缩次数，基于所述压缩次数，确定所述目标潜在篡改区域存在复制粘贴篡改的第一概率。
7.根据权利要求4所述的方法，其特征在于，所述基于所述第二多维篡改特征以及所述第二权重，确定所述拼接篡改检测方对应的第二置信度，包括：
在所述第二多维篡改特征包括全局像素特征的情况下，基于所述全局像素特征，确定像素差异性小于第一预定阈值的第一目标区域，以及像素差异性大于第二预定阈值的第二目标区域；
确定所述第一目标区域和所述第二目标区域之间的目标空间特征；
确定所述目标空间特征与预定空间特征之间的相似度；
基于所述相似度确定存在所述目标潜在篡改区域中存在拼接篡改的第二概率；
基于所述第二概率和所述第二权重，确定所述拼接篡改检测方对应的第二置信度。
8.根据权利要求4所述的方法，其特征在于，所述基于所述第三多维篡改特征以及所述第三权重，确定所述涂抹篡改检测方式对应的第三置信度，包括：
在所述第三多维篡改特征包括全局像素特征的情况下，基于所述全局像素特征，确定所述目标潜在篡改区域中的噪声区域；
获取所述噪声区域的模糊度；
基于所述模糊度确定所述目标潜在篡改区域中存在涂抹篡改的第三概率；
基于所述第三概率和所述第三权重，确定所述涂抹篡改检测方式对应的第三置信度。
9.根据权利要求1至8中任一项所述的方法，其特征在于，所述确定所述多种篡改检测方式对应的权重，包括：
分别为所述多种篡改检测方式分配初始权重；
识别出所述目标截屏图像可能采用的篡改操作；
通过对所述多种篡改检测方式中所述篡改操作所对应的篡改检测方式的初始权重进行调整，得到所述多种篡改检测方式对应的权重。
10.根据权利要求9所述的方法，其特征在于，所述获取目标截屏图像，包括：
获取原始图像；
对所述原始图像的尺寸进行矫正，得到预定尺寸的所述目标截屏图像。
11.一种图像处理装置，其特征在于，包括：
获取模块，用于获取目标截屏图像；
第一确定模块，用于确定所述目标截屏图像的目标潜在篡改区域；
第二确定模块，用于确定用于对所述目标潜在篡改区域进行篡改检测的多种篡改检测方式；
提取模块，用于基于所述多种篡改检测方式，分别提取所述目标潜在篡改区域对应的篡改特征以及确定所述多种篡改检测方式对应的权重；
第三确定模块，用于基于所述多种篡改检测方式对应的篡改特征，以及所述多种篡改检测方式对应的权重，确定所述目标潜在篡改区域的目标篡改方式和目标篡改位置。
12.一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包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行权利要求1至10中任意一项所述的图像处理方法。
13.一种计算机设备，其特征在于，包括：存储器和处理器，
所述存储器存储有计算机程序；
所述处理器，用于执行所述存储器中存储的计算机程序，所述计算机程序运行时使得所述处理器执行权利要求1至10中任意一项所述的图像处理方法。
CN202210847773.8A 2022-07-19 2022-07-19 图像处理方法、装置、计算机可读存储介质及计算机设备 Pending CN115272208A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210847773.8A CN115272208A (zh) 2022-07-19 2022-07-19 图像处理方法、装置、计算机可读存储介质及计算机设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210847773.8A CN115272208A (zh) 2022-07-19 2022-07-19 图像处理方法、装置、计算机可读存储介质及计算机设备

Publications (1)

Publication Number Publication Date
CN115272208A true CN115272208A (zh) 2022-11-01

Family

ID=83767975

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210847773.8A Pending CN115272208A (zh) 2022-07-19 2022-07-19 图像处理方法、装置、计算机可读存储介质及计算机设备

Country Status (1)

Country Link
CN (1) CN115272208A (zh)

Similar Documents

Publication Publication Date Title
Zheng et al. A survey on image tampering and its detection in real-world photos
CN107545262B (zh) 一种在自然场景图像中检测文本的方法及装置
CN112381775B (zh) 一种图像篡改检测方法、终端设备及存储介质
CN109284729B (zh) 基于视频获取人脸识别模型训练数据的方法、装置和介质
CN109002820B (zh) 一种车牌识别方法、装置及相关设备
CN108875600A (zh) 一种基于yolo的车辆信息检测和跟踪方法、装置及计算机存储介质
CN110688524B (zh) 视频检索方法、装置、电子设备及存储介质
CN109117773B (zh) 一种图像特征点检测方法、终端设备及存储介质
Debiasi et al. PRNU variance analysis for morphed face image detection
Bi et al. Multi-scale feature extraction and adaptive matching for copy-move forgery detection
Fadl et al. Exposing video inter-frame forgery via histogram of oriented gradients and motion energy image
CN109116129B (zh) 终端检测方法、检测设备、系统及存储介质
CN109740609B (zh) 一种轨距检测方法及装置
CN109784385A (zh) 一种商品自动识别方法、系统、装置及存储介质
CN111583180B (zh) 一种图像的篡改识别方法、装置、计算机设备及存储介质
CN110991231B (zh) 活体检测方法、装置、服务器和人脸识别设备
CN110942456B (zh) 篡改图像检测方法、装置、设备及存储介质
CN112712005B (zh) 识别模型的训练方法、目标识别方法及终端设备
Thajeel et al. A Novel Approach for Detection of Copy Move Forgery using Completed Robust Local Binary Pattern.
Warif et al. CMF-iteMS: An automatic threshold selection for detection of copy-move forgery
CN113486715A (zh) 图像翻拍识别方法、智能终端以及计算机存储介质
CN109919164B (zh) 用户界面对象的识别方法及装置
Chen et al. Image splicing forgery detection using simplified generalized noise model
CN112348011B (zh) 一种车辆定损方法、装置及存储介质
Jin et al. Object-based video forgery detection via dual-stream networks

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