CN116645591B - 基于像素值的电子合同印章图片ps痕迹识别方法及系统 - Google Patents

基于像素值的电子合同印章图片ps痕迹识别方法及系统 Download PDF

Info

Publication number
CN116645591B
CN116645591B CN202310642228.XA CN202310642228A CN116645591B CN 116645591 B CN116645591 B CN 116645591B CN 202310642228 A CN202310642228 A CN 202310642228A CN 116645591 B CN116645591 B CN 116645591B
Authority
CN
China
Prior art keywords
picture
seal
electronic contract
pixel value
sub
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
CN202310642228.XA
Other languages
English (en)
Other versions
CN116645591A (zh
Inventor
孙建强
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.)
Hangzhou Digital Box Cube Technology Co ltd
Original Assignee
Hangzhou Digital Box Cube Technology 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 Hangzhou Digital Box Cube Technology Co ltd filed Critical Hangzhou Digital Box Cube Technology Co ltd
Priority to CN202310642228.XA priority Critical patent/CN116645591B/zh
Publication of CN116645591A publication Critical patent/CN116645591A/zh
Application granted granted Critical
Publication of CN116645591B publication Critical patent/CN116645591B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • 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
    • G06V10/24—Aligning, centring, orientation detection or correction of the image
    • 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
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

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

Abstract

本发明公开了基于像素值的电子合同印章图片PS痕迹识别方法及系统，具体涉及图像数据识别技术领域，PS痕迹识别方法包括：步骤S01、获取标准图片；步骤S02、图片预处理与分区；步骤S03、获取电子印章图片的噪声图，基于傅里叶变化将标准电子合同印章噪声图片与电待识别电子印章噪声图片的每个子区域的图片从空间域转化为频率域，得到每个子区域间的频率偏差参数px；步骤S04、基于每个子区域的权重参数，获取电子合同印章图片子区域的像素值变化系数参数xs；步骤S05、基于子区域的频率偏差参数和像素值变化程度参数，获取子区域的PS风险指数FX，设置风险指数的评估阈值TH，标记超出阈值的子区域为具有PS痕迹。

Description

基于像素值的电子合同印章图片PS痕迹识别方法及系统
技术领域
本发明涉及图像识别技术领域，更具体地说，本发明涉及基于像素值的电子合同印章图片PS痕迹识别方法及系统。
背景技术
电子印章技术以先进的数字技术模拟传统实物印章，其管理、使用方式符合实物印章的习惯和体验，其加盖的电子文件具有与实物印章加盖的纸张文件相同的外观、相同的有效性和相似的使用方式。
根据电子签名法规定，在签订电子印章时，利用溯源系统，验证电子合同印章的可靠性，但是仍需要一种基于像素值的电子合同印章图片PS痕迹识别方法及系统，来避免因为溯源系统的故障导致无法判断电子合同印章的准确性。
通过人眼很难判断经过PS(Photoshop)工具修改得到的电子印章与规范的电子印章的不同，且目前的电子合同印章的PS痕迹检测的准确率不高，因此需要一种电子合同印章图片PS痕迹识别方法，来解决目前电子印章PS痕迹不易识别的问题。
发明内容
为了克服现有技术的上述缺陷，本发明的实施例提供基于像素值的电子合同印章图片PS痕迹识别方法及系统，通过对图片的预处理，分别获取待识别的电子合同印章图片与标准图片的频率偏差参数和像素值变化系数参数，得到判断图片是否具有PS痕迹的指数，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：基于像素值的电子合同印章图片PS痕迹识别方法，包括下列步骤：
步骤S01、获取标准图片：基于机器识别算法获取待识别电子印章图片的特征，基于印章特征到印章类型索引表，从标准电子印章图片数据库中获取待识别电子印章图片对应的标准电子合同印章图片；
步骤S02、图片预处理与分区：将待识别电子合同印章图片进行图像闭运算处理，得到预处理后待识别印章图片，将图片划分为n个子区域，同时将子区域编号记为1，2，…，n；
步骤S03、获取频率偏差参数：获取电子印章图片的噪声图，基于傅里叶变化将标准电子合同印章噪声图片与电待识别电子印章噪声图片的每个子区域的图片从空间域转化为频率域，得到每个子区域间的频率偏差参数px，满足公式其中pli表示待识别图片第i个子区域的平均频率，/>表示标准图片第i个子区域的平均频率，将子区域的频率偏差记为px1，px2，…，pxn；
步骤S04、获取像素值变化系数参数：分别计算标准电子合同印章图片与电待识别电子印章图片的每个子区域的像素值变化率参数，获取待识别电子合同印章图片相对于标准电子合同印章图片在子区域中的像素梯度值变化程度，记为zt1，zt2，…，ztn，基于每个子区域的权重参数wbj，获取电子合同印章图片子区域的像素值变化系数参数xs，将子区域的像素值变化系数参数记为xs1，xs2，…，xsn；
步骤S05、基于子区域的频率偏差参数和像素值变化程度参数，获取子区域的PS风险指数FX，满足公式其中k1、k2为系数常数，V0标准电子合同印章图片的平均像素值，将子区域的PS风险指数记为FX1，FX2，…，FXn，设置风险指数的评估阈值TH，标记超出阈值的子区域为具有PS痕迹，计算电子合同印章图片整体的PS程度指数ZFX，满足公式/>
优选的，所述图像闭运算处理是将电子印章图像先进行膨胀，后进行腐蚀，填充物体内的小空洞，将邻近物体连接起来，使断开的轮廓线封闭，平滑边界同时不改变面积。
优选的，频率偏差参数获取中包括频域对齐预处理步骤，预处理步骤为基于平均频域对齐方法和图片重心区域频域对齐中的任一一种。
优选的，所述像素值变化系数参数的获取过程为：
步骤S11、像素对齐：获取标准电子合同印章图片的平均像素值V0，根据V0对待测电子印章像素进行增缩处理，使待识别的电子合同印章与标准的电子合同印章的平均像素值相等；
步骤S12、像素点变化率：分别获取区域内，图像像素点在X轴的变化率满足公式在Y轴的变化率满足公式将待识别电子合同印章图片子区域的像素点变化率参数(txi，tyi)，记为(tx1，ty1)，(tx2，ty2)，…，(txn，tyn)，将标准电子合同印章子区域的像素点变化率记为(t0xi，t0yi)；
步骤S13、获取子区域的像素值变化程度zt：获取满足公式将子区域的像素值变化程度记为zt1，zt2，…，ztn；
步骤S14、获取子区域的像素值变化系数参数xs，将子区域的像素值变化系数参数记为xs1，xs2，…，xsn，满足公式xsi＝ZTj*wbj，其中wbj表示不同子区域的权重系数。
优选的，不同子区域的权重系数wbj获取过程包括下列步骤：
步骤S21、获取标准电子合同印章图片，将图片划分为n个区域得到局部图片，将局部图片输入经过训练的双通道卷积神经网络模型B的第一通道，将标准电子合同印章图片输入卷积神经网络的第二通道；
步骤S22、基于第一通道获取局部特征集合：基于卷积模块与块注意力模块，获取每个子区域的特征集合，基于子区域的面积zsi，获取子区域的平均像素值Pi，得到特征m个特征，每个特征的维度记为dti；
步骤S23、计算每个子区域特征的稠密程度参数cmi，记为cm1，cm2，…，cmn，满足公式其中wai表示每种特征的权重系数常数；
步骤S24、基于第二通道获取整体特征集合，基于卷积模块网格注意力模块，获取待识别电子合同印章图片的特征集合，将局部特征集合与整体特征集合融合，得到n个特征，每个特征的维度记为dti；
步骤S25、计算电子合同印章图片的平均稠密程度参数为cm0，获取整体待识别电子合同印章图片的平均像素值P0、整体图片的面积zs0，满足公式
步骤S26、获取每个区域的重要程度参数：得到每个子区域的权重系数Wbj，满足公式
优选的，第一通道和第二通道具有相同的卷积核。
优选的，所述风险指数的评估阈值TH的获取过程为：获取标准的电子合同印章图片和人工标记的经过PS修改的电子合同印章，获取频率偏差参数和像素值变化系数参数，基于主成分分析法获得频率偏差参数和像素值变化系数参数的贡献率，得到k1、k2为系数常数，基于获取的数据经过统计学分析得到风险阈值TH。
优选的，所述双通道卷积神经网络模型的训练包括下列步骤：
步骤S31、获取训练样本：获取每种类型的电子合同印章的标准电子合同印章图片，采用矩形框对有PS痕迹的电子合同印章图片进行裁剪和标记获得具有PS痕迹的样本数据集，按照8:2的比例将样本数据集划分得到训练集和测试集；
步骤S32、将训练集输入卷积神经网络模型B中，获取电子合同印章的PS痕迹特征集合，特征的类型包括：颜色特征、纹理特征形状特征和空间关系特征；
步骤S33、将测试集数据卷积神经网络模型B中，验证模型的准确率、精确率和召回率，当结果满足精确率和召回率的阈值要求，则完成卷积神经网络的训练。
为实现上述目的，本发明提供如下技术方案：基于像素值的电子合同印章图片PS痕迹识别系统，包括下列模块：
标准电子印章图片数据库模块用于存储标准电子合同印章图片，印章按照类型存储，根据印章特征建立印章类型索引表，包括索引构建单元和印章图片实时更新单元，所述索引构建单元用于构建电子合同印章特征到标准电子合同印章的映射，所述印章图片更新单元用于将更新后的标准印章图像存储在原存储单元中，同时设置印章图片更新的时间；
卷积神经网络模型搭建模块用于搭建识别PS痕迹特征的神经网络，包括数据预处理单元、模型训练单元，所述数据预处理单元用于增强图像特征，所述模型训练单元基于标记的电子合同印章图片，获取双通道的卷积神经网络模型；
电子合同印章匹配模块用于为待识别的电子合同印章图片匹配对应的标准电子合同印章图片；
频域偏差程度参数获取模块用于获取待识别电子合同印章图片与标准电子合同印章图片的频域差值；
像素值变化系数参数获取模块用于获取电子合同印章图片相对于标准电子合同印章图片的像素变化系数参数，包括图片像素对齐单元、图片划分单元、像素点变化率获取单元、像素值变化程度参数获取单元、子区域权重获取单元、像素值变化系数参数获取单元；
PS痕迹风险评估模块用于评估电子合同印章的PS风险，基于预设阈值标记超出阈值的子区域具有PS痕迹。
优选的，所述图片像素对齐单元用于对待测电子印章像素进行增缩处理，使待识别的电子合同印章与标准的电子合同印章的平均像素值相等；所述图片划分单元用于将电子合同印章图片划分为n个子区域；所述像素点变化率获取单元用于获取待识别电子合同印章图片和标准电子合同的图像像素点变化率；所述子区域像素值变化程度参数获取单元用于获每个子区域的像素值变化程度参数；所述子区域权重获取单元用于获取子区域的权重系数；所述像素值变化系数参数获取单元用于获取待识别电子合同印章每个子区域的像素值变化系数参数。
本发明的技术效果和优点：
本发明具体采用通过对电子合同印章图片进行预处理，对电子合同印章图片的像素值进行像素对齐、获取像素点变化率，基于像素点变化率得到子区域的像素值变化程度，基于卷积神经网络获取图片PS痕迹特征，基于特征稠密程度为电子合同印章图片的子区域匹配权重，分别获取待识别的电子合同印章图片与标准图片的频率偏差参数和像素值变化系数参数，得到能够准确判断图片是否具有PS痕迹的指数。
附图说明
图1为本发明的方法流程图。
图2为本发明的像素值变化系数参数获取流程图。
图3为本发明的系统结构框图。
图4为本发明的像素值变化系数获取模块的结构框图。
具体实施方式
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，都属于本发明保护的范围。
本申请使用的“模块”“系统”等术语旨在包括与计算机相关的实体，例如但不限于硬件、固件、软硬件组合、软件或者执行中的软件。例如，模块可以是，但并不仅限于：处理器上运行的进程、处理器、对象、可执行程序、执行的线程、程序和/或计算机。举例来说，计算设备上运行的应用程序和此计算设备都可以是模块。一个或多个模块可以位于执行中的一个进程和/或线程内，一个模块也可以位于一台计算机上和/或分布于两台或更多台计算机之间。
实施例1
本实施例提供了如图1所示基于像素值的电子合同印章图片PS痕迹识别方法，包括下列步骤：
步骤S01、从标准电子印章图片数据库中获取待识别电子印章图片对应的标准电子合同印章图片；
步骤S02、将待识别电子合同印章图片进行图像闭运算处理，得到预处理后待识别印章图片，将图片划分为n个子区域；
步骤S03、获取电子印章图片的噪声图，基于傅里叶变化将电子合同印章图片从空间域转化为频率域，得到每个子区域间的频率偏差参数px；
步骤S04、获取待识别电子合同印章图片相对于标准电子合同印章图片在子区域中的像素梯度值变化程度，基于每个子区域的权重参数，获取电子合同印章图片子区域的像素值变化系数参数xs；
步骤S05、获取子区域的PS风险指数FX，设置风险指数的评估阈值TH，标记超出阈值的子区域为具有PS痕迹，计算电子合同印章图片整体的PS程度指数ZFX。
进一步的，步骤S02中，所述图像闭运算处理是将电子印章图像先进行膨胀，后进行腐蚀，填充物体内的小空洞，将邻近物体连接起来，使断开的轮廓线封闭，平滑边界同时不改变面积。
进一步的，步骤S03中，频率偏差参数获取中包括频域对齐预处理步骤，预处理步骤为基于平均频域对齐方法和图片重心区域频域对齐中的任一一种。
进一步的，步骤S03中，子区域间的频率偏差参数px满足公式其中pli表示待识别图片第i个子区域的平均频率，/>表示标准图片第i个子区域的平均频率，将子区域的频率偏差记为px1，px2，…，pxn。
如图2所示，步骤S04中，所述像素值变化系数参数的获取过程为：
步骤S11、像素对齐：获取标准电子合同印章图片的平均像素值V0，根据V0对待测电子印章像素进行增缩处理，使待识别的电子合同印章与标准的电子合同印章的平均像素值相等；
步骤S12、像素点变化率：分别获取区域内，待识别图像像素点在X轴和Y轴的变化率，记为(txi，tyi)，将标准电子合同印章子区域的像素点变化率记为(t0xi，t0yi)；
步骤S13、获取子区域的像素值变化程度ztn；
步骤S14、获取子区域的像素值变化系数参数xs。
进一步的，步骤S12中，图像像素点在X轴的变化率满足公式在Y轴的变化率满足公式将待识别电子合同印章图片子区域的像素点变化率参数(txi，tyi)，记为(tx1，ty1)，(tx2，ty2)，…，(txn，tyn)，将标准电子合同印章子区域的像素点变化率记为(t0xi，t0yi)。
进一步的，步骤S13中，子区域的像素值变化程度zt满足公式
进一步的，步骤S14中，子区域的像素值变化系数参数xs，将子区域的像素值变化系数参数记为xs1，xs2，…，xsn满足公式xsi＝ZTj*wbj，其中wbj表示不同子区域的权重系数。
进一步的，步骤S04中，不同子区域的权重系数wbj获取过程包括下列步骤：
步骤S21、获取标准电子合同印章图片，将图片划分为n个区域得到局部图片，将局部图片输入经过训练的双通道卷积神经网络模型B的第一通道，将标准电子合同印章图片输入卷积神经网络的第二通道；
步骤S22、基于第一通道获取局部特征集合：基于卷积模块与块注意力模块，获取每个子区域的特征集合，基于子区域的面积zsi，获取子区域的平均像素值Pi，得到特征m个特征，每个特征的维度记为dti；
步骤S23、计算每个子区域特征的稠密程度参数cmi，记为cm1，cm2，…，cmn，满足公式其中wai表示每种特征的权重系数常数；
步骤S24、基于第二通道获取整体特征集合，基于卷积模块网格注意力模块，获取待识别电子合同印章图片的特征集合，将局部特征集合与整体特征集合融合，得到n个特征，每个特征的维度记为dti；
步骤S25、计算电子合同印章图片的平均稠密程度参数为cm0，获取整体待识别电子合同印章图片的平均像素值P0、整体图片的面积zs0，满足公式
步骤S26、获取每个区域的重要程度参数：得到每个子区域的权重系数Wbj，满足公式
进一步的，步骤S21中，第一通道和第二通道具有相同的卷积核。
进一步的，步骤S21中，所述双通道卷积神经网络模型的训练包括下列步骤：
步骤S31、获取训练样本：获取每种类型的电子合同印章的标准电子合同印章图片，采用矩形框对有PS痕迹的电子合同印章图片进行裁剪和标记获得具有PS痕迹的样本数据集，按照8:2的比例将样本数据集划分得到训练集和测试集；
步骤S32、将训练集输入卷积神经网络模型B中，获取电子合同印章的PS痕迹特征集合，特征的类型包括：颜色特征、纹理特征形状特征和空间关系特征；
步骤S33、将测试集数据卷积神经网络模型B中，验证模型的准确率、精确率和召回率，当结果满足精确率和召回率的阈值要求，则完成卷积神经网络的训练。
进一步的，步骤S05中，子区域的PS风险指数FX满足公式其中k1、k2为系数常数，V0标准电子合同印章图片的平均像素值，将子区域的PS风险指数记为FX1，FX2，…，FXn，计算电子合同印章图片整体的PS程度指数ZFX，满足公式
进一步的，步骤S05中，所述风险指数的评估阈值TH的获取过程为：获取标准的电子合同印章图片和人工标记的经过PS修改的电子合同印章，获取频率偏差参数和像素值变化系数参数，基于主成分分析法获得频率偏差参数和像素值变化系数参数的贡献率，得到k1、k2为系数常数，基于获取的数据经过统计学分析得到风险阈值TH。
进一步的，所述训练环境和使用环境为：试验平台的硬件配置包括英特尔中央处理器、型号为NVIDIA GeForce RTX 3090的显卡，试验中所有代码均使用Python编写，并在深度学习PyTorch框架上运行。对于输入图像，下采样使用2个3×3的卷积层，每一个通道包含4个阶段，第一通道包括1个MBConv卷积模块和1个块注意力模块构成；第二通道包括1个MBConv卷积模块和1个网格注意力模块，试验中训练设置150-300个周期，训练周期的样本数设置为64，采用Adamw算法对模型自适应梯度优化，初始学习率设为0.001。
如图3所示，本发明实施例提供如下技术方案：基于像素值的电子合同印章图片PS痕迹识别系统，包括标准电子印章图片数据库模块、电子合同印章匹配模块、卷积神经网络模型搭建模块、频域偏差程度参数获取模块、像素值变化系数参数获取模块和PS痕迹风险评估模块，
所述标准电子印章图片数据库模块用于存储标准电子合同印章图片，印章按照类型存储，根据印章特征建立印章类型索引表，包括索引构建单元和印章图片实时更新单元，所述索引构建单元用于构建电子合同印章特征到标准电子合同印章的映射，所述印章图片更新单元用于将更新后的标准印章图像存储在原存储单元中，同时设置印章图片更新的时间；
所述电子合同印章匹配模块基于标准电子印章图片数据库，为待识别的电子合同印章图片匹配对应的标准电子合同印章图片；
所述卷积神经网络模型搭建模块用于搭建识别PS痕迹特征的神经网络，包括数据预处理单元、模型训练单元，所述数据预处理单元用于增强图像特征，所述模型训练单元基于标记的电子合同印章图片，获取双通道的卷积神经网络模型；
所述频域偏差程度参数获取模块用于获取待识别电子合同印章图片与标准电子合同印章图片的频域差值；
所述像素值变化系数参数获取模块用于获取电子合同印章图片相对于标准电子合同印章图片的像素变化系数参数；
所述PS痕迹风险评估模块用于评估电子合同印章的PS风险，基于预设阈值标记超出阈值的子区域具有PS痕迹。
如图4所示，所述像素值变化系数参数获取模块包括图片像素对齐单元、图片划分单元、像素点变化率获取单元、像素值变化程度参数获取单元、子区域权重获取单元、像素值变化系数参数获取单元，
进一步的，所述图片像素对齐单元用于对待测电子印章像素进行增缩处理，使待识别的电子合同印章与标准的电子合同印章的平均像素值相等；所述图片划分单元用于将电子合同印章图片划分为n个子区域；所述像素点变化率获取单元用于获取待识别电子合同印章图片和标准电子合同的图像像素点变化率；所述子区域像素值变化程度参数获取单元用于获每个子区域的像素值变化程度参数；所述子区域权重获取单元用于获取子区域的权重系数；所述像素值变化系数参数获取单元用于获取待识别电子合同印章每个子区域的像素值变化系数参数。
本发明实施例仅仅提供一种实施方式，而不是具体的限定本发明的保护范围。
最后：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.基于像素值的电子合同印章图片PS痕迹识别方法，其特征在于：包括下列步骤：
步骤S01、获取标准图片：基于机器识别算法获取待识别电子印章图片的特征，基于印章特征到印章类型索引表，从标准电子印章图片数据库中获取待识别电子印章图片对应的标准电子合同印章图片；
步骤S02、图片预处理与分区：将待识别电子合同印章图片进行图像闭运算处理，得到预处理后待识别印章图片，将图片划分为n个子区域，同时将子区域编号记为1，2，…，n；
步骤S03、获取频率偏差参数：获取电子印章图片的噪声图，基于傅里叶变化将标准电子合同印章噪声图片与待识别电子印章噪声图片的每个子区域的图片从空间域转化为频率域，得到每个子区域间的频率偏差参数px；
步骤S04、获取像素值变化系数参数：分别计算标准电子合同印章图片与电待识别电子印章图片的每个子区域的像素值变化率参数，获取待识别电子合同印章图片相对于标准电子合同印章图片在子区域中的像素梯度值变化程度，记为zt1，zt2，…，ztn，基于每个子区域的权重参数wbj，获取电子合同印章图片子区域的像素值变化系数参数xs；
步骤S05、基于子区域的频率偏差参数和像素值变化程度参数，获取子区域的PS风险指数FX，满足公式其中k1、k2为系数常数，V0标准电子合同印章图片的平均像素值，/>表示标准图片第i个子区域的平均频率，pxi表示第i个子区域的频率偏差参数，xsi第i个子区域的像素值变化系数参数，将子区域的PS风险指数记为FX1，FX2，…，FXn，设置风险指数的评估阈值TH，标记超出阈值的子区域为具有PS痕迹，计算电子合同印章图片整体的PS程度指数ZFX，满足公式/>
2.根据权利要求1所述的基于像素值的电子合同印章图片PS痕迹识别方法，其特征在于：所述图像闭运算处理是将电子印章图像先进行膨胀，后进行腐蚀，填充物体内的小空洞，将邻近物体连接起来，使断开的轮廓线封闭，平滑边界同时不改变面积。
3.根据权利要求1所述的基于像素值的电子合同印章图片PS痕迹识别方法，其特征在于：频率偏差参数获取中包括频域对齐预处理步骤，预处理步骤为基于平均频域对齐方法和图片重心区域频域对齐中的任一一种。
4.根据权利要求1所述的基于像素值的电子合同印章图片PS痕迹识别方法，其特征在于：所述像素值变化系数参数的获取过程为：
步骤S11、像素对齐：获取标准电子合同印章图片的平均像素值V0，根据V0对待测电子印章像素进行增缩处理，使待识别的电子合同印章与标准的电子合同印章的平均像素值相等；
步骤S12、像素点变化率：分别获取区域内，待识别图像像素点在X轴和Y轴的变化率，记为(txi，tyi)，将标准电子合同印章子区域的像素点变化率记为(t0xi，t0yi)；
步骤S13、获取子区域的像素值变化程度zt，记为zt1，zt2，…，ztn；
步骤S14、获取子区域的像素值变化系数参数xs，将子区域的像素值变化系数参数记为xs1，xs2，…，xsn。
5.根据权利要求3所述的基于像素值的电子合同印章图片PS痕迹识别方法，其特征在于：不同子区域的权重系数wbj获取过程包括下列步骤：
步骤S21、获取标准电子合同印章图片，将图片划分为n个区域得到局部图片，将局部图片输入经过训练的双通道卷积神经网络模型B的第一通道，将标准电子合同印章图片输入卷积神经网络的第二通道；
步骤S22、基于第一通道获取局部特征集合：基于卷积模块与块注意力模块，获取每个子区域的特征集合，基于子区域的面积zsi，获取子区域的平均像素值Pi，得到特征m个特征，每个特征的维度记为dti；
步骤S23、计算每个子区域特征的稠密程度参数cmi，记为cm1，cm2，…，cmn，满足公式其中wai表示每种特征的权重系数常数；
步骤S24、基于第二通道获取整体特征集合，基于卷积模块网格注意力模块，获取待识别电子合同印章图片的特征集合，将局部特征集合与整体特征集合融合，得到n个特征，每个特征的维度记为dti；
步骤S25、计算电子合同印章图片的平均稠密程度参数为cm0，获取整体待识别电子合同印章图片的平均像素值P0、整体图片的面积zs0，满足公式
步骤S26、获取每个区域的重要程度参数：得到每个子区域的权重系数wbj，满足公式
6.根据权利要求5所述的基于像素值的电子合同印章图片PS痕迹识别方法，其特征在于：第一通道和第二通道具有相同的卷积核。
7.根据权利要求5所述的基于像素值的电子合同印章图片PS痕迹识别方法，其特征在于：所述双通道卷积神经网络模型的训练包括下列步骤：
步骤S31、获取训练样本：获取每种类型的电子合同印章的标准电子合同印章图片，采用矩形框对有PS痕迹的电子合同印章图片进行裁剪和标记获得具有PS痕迹的样本数据集，按照8:2的比例将样本数据集划分得到训练集和测试集；
步骤S32、将训练集输入卷积神经网络模型B中，获取电子合同印章的PS痕迹特征集合，特征的类型包括：颜色特征、纹理特征形状特征和空间关系特征；
步骤S33、将测试集数据卷积神经网络模型B中，验证模型的准确率、精确率和召回率，当结果满足精确率和召回率的阈值要求，则完成卷积神经网络的训练。
8.一种基于像素值的电子合同印章图片PS痕迹识别系统，用于实施权利要求1-7任一所述的基于像素值的电子合同印章图片PS痕迹识别方法，其特征在于：具体包括下列模块：
标准电子印章图片数据库模块用于存储标准电子合同印章图片，印章按照类型存储，根据印章特征建立印章类型索引表，包括索引构建单元和印章图片实时更新单元，所述索引构建单元用于构建电子合同印章特征到标准电子合同印章的映射，所述印章图片更新单元用于将更新后的标准印章图像存储在原存储单元中，同时设置印章图片更新的时间；
卷积神经网络模型搭建模块用于搭建识别PS痕迹特征的神经网络，包括数据预处理单元、模型训练单元，所述数据预处理单元用于增强图像特征，所述模型训练单元基于标记的电子合同印章图片，获取双通道的卷积神经网络模型；
电子合同印章匹配模块用于为待识别的电子合同印章图片匹配对应的标准电子合同印章图片；
频域偏差程度参数获取模块用于获取待识别电子合同印章图片与标准电子合同印章图片的频域差值；
像素值变化系数参数获取模块用于获取电子合同印章图片相对于标准电子合同印章图片的像素变化系数参数，包括图片像素对齐单元、图片划分单元、像素点变化率获取单元、像素值变化程度参数获取单元、子区域权重获取单元、像素值变化系数参数获取单元；
PS痕迹风险评估模块用于评估电子合同印章的PS风险，基于预设阈值标记超出阈值的子区域具有PS痕迹。
9.根据权利要求8所述的基于像素值的电子合同印章图片PS痕迹识别系统，其特征在于：所述图片像素对齐单元用于对待测电子印章像素进行增缩处理，使待识别的电子合同印章与标准的电子合同印章的平均像素值相等；所述图片划分单元用于将电子合同印章图片划分为n个子区域；所述像素点变化率获取单元用于获取待识别电子合同印章图片和标准电子合同的图像像素点变化率；所述子区域像素值变化程度参数获取单元用于获每个子区域的像素值变化程度参数；所述子区域权重获取单元用于获取子区域的权重系数；所述像素值变化系数参数获取单元用于获取待识别电子合同印章每个子区域的像素值变化系数参数。
CN202310642228.XA 2023-05-31 2023-05-31 基于像素值的电子合同印章图片ps痕迹识别方法及系统 Active CN116645591B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310642228.XA CN116645591B (zh) 2023-05-31 2023-05-31 基于像素值的电子合同印章图片ps痕迹识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310642228.XA CN116645591B (zh) 2023-05-31 2023-05-31 基于像素值的电子合同印章图片ps痕迹识别方法及系统

Publications (2)

Publication Number Publication Date
CN116645591A CN116645591A (zh) 2023-08-25
CN116645591B true CN116645591B (zh) 2024-01-05

Family

ID=87619598

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310642228.XA Active CN116645591B (zh) 2023-05-31 2023-05-31 基于像素值的电子合同印章图片ps痕迹识别方法及系统

Country Status (1)

Country Link
CN (1) CN116645591B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002150268A (ja) * 2000-11-09 2002-05-24 Toshiba Corp 証紙類識別装置、証紙類識別方法、押印装置、及び押印方法
CN102054168A (zh) * 2010-12-23 2011-05-11 武汉大学苏州研究院 一种有价票据圆形印鉴识别方法
JP2017046057A (ja) * 2015-08-24 2017-03-02 株式会社リコー 画像処理装置、画像処理方法及びプログラム
CN107944252A (zh) * 2017-12-18 2018-04-20 乐清咔咔网络科技有限公司 一种信息印章印文唯一性特征提取的方法
CN110837848A (zh) * 2019-10-14 2020-02-25 迩言(上海)科技有限公司 一种特征像素图像识别方法及系统
CN111291757A (zh) * 2020-02-17 2020-06-16 江苏诚印科技有限公司 一种印章唯一性识别的方法
CN111915568A (zh) * 2020-07-08 2020-11-10 深圳大学 图像篡改定位模型的生成方法、图像篡改定位方法及设备
CN112686331A (zh) * 2021-01-11 2021-04-20 中国科学技术大学 伪造图像识别模型训练方法及伪造图像识别方法
CN115880203A (zh) * 2021-09-26 2023-03-31 腾讯科技（深圳）有限公司 图像真伪检测方法、图像真伪检测模型训练方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002150268A (ja) * 2000-11-09 2002-05-24 Toshiba Corp 証紙類識別装置、証紙類識別方法、押印装置、及び押印方法
CN102054168A (zh) * 2010-12-23 2011-05-11 武汉大学苏州研究院 一种有价票据圆形印鉴识别方法
JP2017046057A (ja) * 2015-08-24 2017-03-02 株式会社リコー 画像処理装置、画像処理方法及びプログラム
CN107944252A (zh) * 2017-12-18 2018-04-20 乐清咔咔网络科技有限公司 一种信息印章印文唯一性特征提取的方法
CN110837848A (zh) * 2019-10-14 2020-02-25 迩言(上海)科技有限公司 一种特征像素图像识别方法及系统
CN111291757A (zh) * 2020-02-17 2020-06-16 江苏诚印科技有限公司 一种印章唯一性识别的方法
CN111915568A (zh) * 2020-07-08 2020-11-10 深圳大学 图像篡改定位模型的生成方法、图像篡改定位方法及设备
CN112686331A (zh) * 2021-01-11 2021-04-20 中国科学技术大学 伪造图像识别模型训练方法及伪造图像识别方法
CN115880203A (zh) * 2021-09-26 2023-03-31 腾讯科技（深圳）有限公司 图像真伪检测方法、图像真伪检测模型训练方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
Anan Liu.Median filtering forensics in digital images based on frequency-domain features.Multimedia Tools and Applications.2017,全文. *
Median filtering forensics in digital images based on frequency-domain features;Anan Liu等;Multimedia Tools and Applications;全文 *
一种空域和频域相结合的运动图像亚像素配准技术;孙辉，等;中国光学;全文 *
基于Faster R-CNN及数据增广的满文文档印章检测;卢海涛;吴磊;周建云;郑蕊蕊;贺建军;;大连民族大学学报(第05期);全文 *
基于改进的三向流Faster R-CNN的篡改图像识别;徐代;岳璋;杨文霞;任潇;;计算机应用(第05期);全文 *
稽查中印章真伪识别智能算法;刘丰威;潘炜;韩丽丽;;中国高新科技(第13期);全文 *

Also Published As

Publication number Publication date
CN116645591A (zh) 2023-08-25

Similar Documents

Publication Publication Date Title
US7545985B2 (en) Method and system for learning-based quality assessment of images
US8942482B2 (en) Image quality assessment
Wang et al. A fast roughness-based approach to the assessment of 3D mesh visual quality
CN114331951B (zh) 图像检测方法、装置、计算机、可读存储介质及程序产品
CN110634116B (zh) 一种面部图像评分方法及摄像机
CN107330908B (zh) 一种基于卷积受限玻尔兹曼机的形状建模方法及相关装置
US11983854B2 (en) Denoising images rendered using Monte Carlo renderings
CN104350746A (zh) 基于局部幅度和相位谱的图像质量测量
CN110570435A (zh) 用于对车辆损伤图像进行损伤分割的方法及装置
US10176624B2 (en) Illumination-guided example-based stylization of 3D renderings
CN107689039A (zh) 估计图像模糊度的方法和装置
JPWO2019064599A1 (ja) 異常検知装置、異常検知方法、及びプログラム
CN111325728B (zh) 产品缺陷检测方法、装置、设备及存储介质
CN110473181A (zh) 基于边缘特征信息的屏幕内容图像的无参质量评价方法
CN117314826A (zh) 一种显示屏的性能检测方法
CN116645591B (zh) 基于像素值的电子合同印章图片ps痕迹识别方法及系统
Lee et al. TREND: Truncated generalized normal density estimation of Inception embeddings for GAN evaluation
Isogawa et al. Image quality assessment for inpainted images via learning to rank
CN116205802A (zh) 图像去噪方法、装置、存储介质及电子设备
Jung et al. Univariant assessment of the quality of images
Zhang et al. Image inpainting based on sparse representation using self-similar joint sparse coding
CN115170414A (zh) 一种基于知识蒸馏的单幅图像去雨方法及系统
Chang et al. Improving non-local means image denoising by correlation correction
CN111563526B (zh) 嵌入向量评估方法、装置与电子设备
CN115396743B (zh) 视频去水印方法、装置、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
GR01 Patent grant
GR01 Patent grant