KR102177247B1 - 조작 이미지 판별 장치 및 방법 - Google Patents

조작 이미지 판별 장치 및 방법 Download PDF

Info

Publication number
KR102177247B1
KR102177247B1 KR1020190008720A KR20190008720A KR102177247B1 KR 102177247 B1 KR102177247 B1 KR 102177247B1 KR 1020190008720 A KR1020190008720 A KR 1020190008720A KR 20190008720 A KR20190008720 A KR 20190008720A KR 102177247 B1 KR102177247 B1 KR 102177247B1
Authority
KR
South Korea
Prior art keywords
image
histogram
quantization information
learning
manipulated
Prior art date
Application number
KR1020190008720A
Other languages
English (en)
Other versions
KR20200091661A (ko
Inventor
이흥규
박진석
안원혁
남승훈
유인재
김태연
Original Assignee
한국과학기술원
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 한국과학기술원 filed Critical 한국과학기술원
Priority to KR1020190008720A priority Critical patent/KR102177247B1/ko
Publication of KR20200091661A publication Critical patent/KR20200091661A/ko
Application granted granted Critical
Publication of KR102177247B1 publication Critical patent/KR102177247B1/ko

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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/40—Image enhancement or restoration using histogram techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T9/00—Image coding

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Facsimile Image Signal Circuits (AREA)
  • Compression Or Coding Systems Of Tv Signals (AREA)

Abstract

본 발명의 일 실시예에 따른 조작 이미지 판별 방법은, 손실 압축된 타겟 이미지에 대한 주파수 별 히스토그램을 획득하는 단계; 상기 타겟 이미지로부터 상기 타겟 이미지의 손실 압축에 이용된 양자화(Quantization) 정보를 획득하는 단계; 및 적어도 한 번 손실 압축된 복수의 학습 이미지를 학습하여 생성된 조작 이미지 판별기에 상기 히스토그램 및 상기 양자화 정보를 입력하여 상기 타겟 이미지가 조작되었는지 여부를 확인하는 단계를 포함한다.

Description

조작 이미지 판별 장치 및 방법{APPARATUS AND METHOD FOR DETERMINING MANIPULATED IMAGE}
본 발명은 입력된 이미지의 조작 여부를 판별하는 조작 이미지 판별 장치 및 방법에 관한 것이다.
디지털 카메라 및 관련 기술의 발전에 따라, 디지털 이미지는 어디서든지 캡쳐될 수 있고, 온라인에 게시되거나, 다양한 소셜 네트워크 서비스를 통해 지인에게 직접 전송될 수도 있다. 사람들은 이와 같이 디지털 이미지 내 정보가 모두 사실이라고 믿는 경향이 있지만, 많은 디지털 이미지는 이미지 편집 프로그램에 의해 생성된 허구를 포함할 수 있다.
디지털 이미지의 조작은 쉽게 이루어질 수 있지만, 그 파급력 또한 상당할 수 있다. 이렇게 생성된 인공적인 이미지는 왜곡된 정보를 전파하여, 다양한 사회적 효과를 발생시킬 수 있다. 예를 들어, 어떤 사람들은 정치인이나 연예인의 명예를 훼손하기 위해 조작된 이미지를 이용할 수 있다.
그러나, 이미지 조작이 용이하게 이루어질 수 있는 것과는 반대로, 육안으로 조작된 이미지를 판별하는 것은 쉽지 않다. 그 결과, 사람에 의하지 않고도 조작된 이미지인지를 판별하는 영상 처리 장치 및/또는 방법에 대한 연구가 활발히 진행 중이다.
대한민국 등록특허공보 제10-1181086호 (2012년09월03일 등록)
본 발명이 해결하고자 하는 과제는, 손실 압축된 타겟 이미지에 대한 주파수 별 히스토그램과 양자화 정보를 이용하여 타겟 이미지의 조작 여부를 판별하는 조작 이미지 판별 장치 및 방법을 제공하는 것이다.
다만, 본 발명이 해결하고자 하는 과제는 이상에서 언급한 바로 제한되지 않으며, 언급되지는 않았으나 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있는 목적을 포함할 수 있다.
본 발명의 일 실시예에 따른 조작 이미지 판별 방법은, 손실 압축된 타겟 이미지에 대한 주파수 별 히스토그램을 획득하는 단계; 상기 타겟 이미지로부터 상기 타겟 이미지의 손실 압축에 이용된 양자화(Quantization) 정보를 획득하는 단계; 및 적어도 한 번 손실 압축된 복수의 학습 이미지를 학습하여 생성된 조작 이미지 판별기에 상기 히스토그램 및 상기 양자화 정보를 입력하여 상기 타겟 이미지가 조작되었는지 여부를 확인하는 단계를 포함한다.
또한, 상기 히스토그램을 획득하는 단계는, 상기 타겟 이미지를 미리 정해진 크기의 복수의 DCT 블록으로 분할하는 단계; 상기 분할된 복수의 DCT 블록 각각을 구성하는 복수의 픽셀에 대한 밝기 값에 대하여 이산코사인변환(Discrete Cosine Transform)을 적용하는 단계; 상기 복수의 DCT 블록 각각으로부터 상기 이산코사인변환에 의해 획득된 주파수 별 DCT 계수를 추출하는 단계; 및 상기 추출된 주파수 별 DCT 계수를 기초로 상기 주파수 별 히스토그램을 생성하는 단계를 포함할 수 있다.
또한, 상기 양자화 정보를 획득하는 단계는, 상기 타겟 이미지에 대한 이미지 파일의 헤더(Header)로부터 상기 양자화 정보를 획득할 수 있다.
또한, 상기 조작 이미지 판별기는, 복수의 컨볼루션 층(Convolution Layer), 복수의 풀링 층(Pooling Layer), 및 복수의 완전 연결 층(Fully Connected Layer)로 구성되고, 상기 타겟 이미지가 조작되었는지 여부를 확인하는 단계는, 상기 복수의 컨볼루션 층 중 적어도 하나로 상기 히스토그램을 입력하고, 상기 완전 연결 층 중 적어도 하나로 상기 양자화 정보를 입력하는 단계를 포함할 수 있다.
또한, 상기 양자화 정보를 입력하는 단계는, 상기 양자화 정보를 벡터로 변환하는 단계; 상기 완전 연결 층 중 적어도 하나에 대한 입력에 상기 벡터로 변환된 양자화 정보를 병합하는 단계; 및 상기 벡터로 변환된 양자화 정보가 병합된 상기 입력을 상기 완전 연결 층 중 적어도 하나에 입력하는 단계를 포함할 수 있다.
또한, 상기 주파수 별 히스토그램을 획득하는 단계는, 상기 타겟 이미지를 미리 정해진 크기의 복수의 타겟 블록으로 분할하는 단계; 및 상기 분할된 복수의 타겟 블록 각각에 대하여 순차적으로 상기 주파수 별 히스토그램을 획득하는 단계; 를 포함하고, 상기 타겟 이미지의 조작 여부를 확인하는 단계는, 상기 타겟 이미지 내 조작된 타겟 블록을 확인하는 단계를 포함할 수 있다.
또한, 상기 적어도 한 번 손실 압축된 복수의 학습 이미지를 학습하여 상기 조작 이미지 판별기를 생성하는 단계를 더 포함할 수 있다.
또한, 상기 조작 이미지 판별기를 생성하는 단계는, 복수의 학습 양자화 정보 중 적어도 하나를 기초로 복수의 로 데이터(Raw Data)를 손실 압축하여 상기 복수의 학습 이미지를 획득하는 단계; 상기 획득된 복수의 학습 이미지에 대한 주파수 별 학습 히스토그램을 획득하는 단계; 상기 복수의 학습 이미지로부터 상기 복수의 학습 이미지에 이용된 상기 학습 양자화 정보를 획득하는 단계; 및 상기 획득된 학습 히스토그램 및 상기 복수의 학습 이미지에 이용된 상기 학습 양자화 정보를 학습하여 상기 조작 이미지 판별기를 생성하는 단계를 포함할 수 있다.
본 발명의 일 실시예에 따른 조작 이미지 판별 장치는, 손실 압축된 타겟 이미지에 대한 주파수 별 히스토그램을 획득하는 히스토그램 획득부; 상기 타겟 이미지로부터 상기 타겟 이미지의 손실 압축에 이용된 양자화(Quantization) 정보를 획득하는 양자화 정보 획득부; 및 적어도 한 번 손실 압축된 복수의 학습 이미지를 학습하여 생성된 조작 이미지 판별기에 상기 히스토그램 및 상기 양자화 정보를 입력하여 상기 타겟 이미지가 조작되었는지 여부를 확인하는 판별부를 포함한다.
본 발명의 실시예에 의하면, 타겟 이미지의 조작 여부를 보다 정확하게 판별할 수 있다. 본 발명의 실시예에서는 히스토그램과 양자화 정보라는 객관적 데이터에 기초하여 조작 여부를 판별하므로, 사람이 직접 육안으로 판단하는 것에 비해 판별의 정확성을 높일 수 있다.
또한, 본 발명의 실시예에 의하면, 타겟 이미지의 손실 압축에 이용된 양자화 정보를 이용하여 타겟 이미지의 조작 여부를 판단하므로, 보다 다양한 조건 하에서 널리 이용될 수 있다. 본 발명의 실시예에서는 타겟 이미지의 조작 여부 판단 시에 압축 품질에 따라 결정되는 양자화 정보를 이용하므로, 압축 품질 조건에 무관하게 타겟 이미지의 조작 여부 판단이 가능할 수 있다.
본 발명에서 얻을 수 있는 효과는 이상에서 언급한 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 발명의 일 실시예에 따른 조작 이미지 판별 장치의 제어 블록도이다.
도 2는 본 발명의 일 실시예에 따른 조작 이미지 판별 방법의 흐름도이다.
도 3은 본 발명의 일 실시예에 따른 타겟 이미지 및 타겟 블록을 설명하기 위한 도면이다.
도 4는 본 발명의 일 실시예에 따른 히스토그램 획득부의 동작을 설명하기 위한도면이다.
도 5는 본 발명의 일 실시예에 따른 양자화 테이블을 설명하기 위한 도면이다.
도 6은 본 발명의 일 실시예에 따른 조작 이미지 판별기의 구성을 설명하기 위한 도면이다.
도 7은 본 발명의 일 실시예에 따른 조작 이미지 판별기의 생성 방법에 대한 흐름도이다.
도 8 및 9는 본 발명의 일 실시예에 따른 조작 이미지 판별 방법의 결과를 예시한 도면이다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명의 범주는 청구항에 의해 정의될 뿐이다.
본 발명의 실시예들을 설명함에 있어서 공지 기능 또는 구성에 대한 구체적인 설명은 본 발명의 실시예들을 설명함에 있어 실제로 필요한 경우 외에는 생략될 것이다. 그리고 후술되는 용어들은 본 발명의 실시예에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.
이하 사용되는 '…부', '…기' 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어, 또는, 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다.
도 1은 본 발명의 일 실시예에 따른 조작 이미지 판별 장치의 제어 블록도이다.
본 발명의 일 실시예에 따른 조작 이미지 판별 장치는 입력된 타겟 이미지의 조작 여부를 판별할 수 있는 장치를 의미할 수 있다.
이미지의 조작이란 원본 이미지 내 적어도 일부 요소를 변경함으로써 생성된 가공 이미지를 의미할 수 있다. 예를 들어, 이미지의 조작은 스플라이싱(Splicing), 복사-이동(Copy-Move), 색 변경, 밝기 변경, 보간, 블러링(Blurring), 및 리사이징(Resizing) 등을 포함할 수 있다. 이러한 조작에 의해 생성된 조작 이미지에 의해 왜곡된 정보가 전달될 경우, 여러 가지 사회 문제를 야기할 수 있으므로, 객관적이고 정확하게 이미지의 조작 여부를 판별하는 것이 중요할 수 있다.
조작 이미지를 판별하기 위한 방법 중 하나로서 손실 압축의 횟수를 이용할 수 있다. 조작 이미지는 손실 압축된 원본 이미지를 조작한 후, 조작 영역을 포함하여 전체 이미지를 손실 압축함으로써 생성될 수 있다. 그 결과, 조작 영역을 제외한 나머지 영역은 복수 회 압축된 반면, 조작 영역은 1회 압축될 수 있다. 이러한 압축 횟수의 차이는 DCT 계수 분포에 영향을 미치므로, 이를 이용하여 이미지의 조작 여부를 판별할 수 있다.
그러나, 원본 이미지에 이용된 양자화 정보 및/또는 원본 이미지의 조작 이후 조작 이미지 생성에 이용된 양자화 정보에 따라 DCT 계수 분포에 미치는 영향이 달라질 수 있다. 따라서, 특정 압축 품질에 따라 압축된 타겟 이미지와 같이 양자화 정보를 사전에 미리 인지하고 있는 경우를 제외하고는, 상술한 방법에 따른 조작 여부 판별의 정확도가 낮을 수 있다.
이를 해결하기 위해, 본 발명의 일 실시예에 따른 조작 이미지 판별 장치(100)는 손실 압축된 타겟 이미지의 양자화 정보를 이용하여 타겟 이미지의 조작 여부를 판별할 수 있다.
도 1을 참조하면, 본 발명의 일 실시예에 따른 조작 이미지 판별 장치(100)는, 히스토그램 획득부(110), 양자화 정보 획득부(120), 판별부(130), 및 저장부(140)를 포함할 수 있다.
히스토그램 획득부(110)는 외부로부터 입력된 타겟 이미지에 대한 주파수 별 히스토그램을 획득할 수 있다. 여기서, 타겟 이미지란 조작 여부 판별의 객체로서, 손실 압축된 이미지일 수 있다. 일 실시예에 따른 타겟 이미지는 JPEG(Joint Photographic Experts Group) 표준에 의해 손실 압축된 JPEG 이미지일 수 있다.
이에 앞서, 히스토그램 획득부(110)는 타겟 이미지를 미리 정해진 크기의 타겟 블록으로 분할할 수도 있다. 여기서, 타겟 블록은 조작 여부 판별을 위한 최적의 크기로 구성된 영역을 의미할 수 있다. 일 실시예에 따른 타겟 블록은 256×256의 크기를 가질 수 있다. 타겟 이미지가 타겟 블록으로 분할되면, 히스토그램 획득부(110)는 미리 정해진 순서에 따라 순차적으로 타겟 블록의 주파수 별 히스토그램을 획득할 수 있다.
양자화 정보 획득부(120)는 타겟 이미지의 손실 압축에 이용된 양자화 정보를 타겟 이미지로부터 획득할 수 있다. 여기서, 양자화 정보는 타겟 이미지 중 고주파 성분을 감소시키기 위한 양자화(Quantization)를 수행하는데 이용되는 정보를 의미할 수 있다. 만약, 타겟 이미지가 JPEG 이미지인 경우, 양자화 정보는 양자화 테이블(Quantization Table)을 의미할 수 있다. 이 때, 일 실시예에 따른 양자화 테이블은 8×8의 크기를 가질 수 있다.
양자화 정보 획득부(120)는 양자화 정보를 획득하기 위해, 타겟 이미지에 대한 이미지 파일의 헤더(Header)를 확인할 수 있다. 양자화 정보 획득부(120)는 확인된 헤더로부터 타겟 이미지의 손실 압축에 이용된 양자화 정보를 획득할 수 있다.
판별부(130)는 조작 이미지 판별기에 히스토그램 획득부(110)에 의해 획득된 히스토그램과 양자화 정보 획득부(120)에 의해 획득된 양자화 정보를 입력하여 타겟 이미지가 조작되었는지 여부를 확인할 수 있다. 여기서, 조작 이미지 판별기는 적어도 한 번 손실 압축된 복수의 학습 이미지를 학습하여 생성된 판별기로서, 타겟 이미지의 조작 여부를 판별할 수 있다. 일 실시예에 따른 조작 이미지는 컨볼루션 신경망(Convolution Neural Network)로 구현될 수 있다.
판별부(130)의 판별에 앞서, 저장부(140)는 조작 이미지 판별기를 미리 저장할 수 있다. 이를 위해, 저장부(140)는 램(Random Access Memory, RAM), SRAM(Static Random Access Memory), 롬(Read-Only Memory, ROM), PROM(Programmable Read-Only Memory), EEPROM(Electrically Erasable Programmable Read-Only Memory)와 같은 저장매체로 구현되거나, 클라우드 서버(Cloud Server)에 의해 가상 저장 공간으로서 구현될 수 있다.
또한, 조작 이미지 판별 장치(100)는 직접 조작 이미지 판별기를 생성하는 판별기 생성부(150)를 더 포함할 수도 있다. 판별기 생성부(150)는 조작 이미지 판별 장치(100)의 실질직인 판별 동작 이전에 조작 이미지 판별기를 생성하고, 저장부(140)에 이를 저장하여 조작 이미지 판별 장치(100)가 조작 이미지를 판별할 수 있는 환경을 제공할 수 있다.
상술한 실시예에 따른 조작 이미지 판별 장치(100)의 복수의 구성 중 적어도 하나는 마이크로프로세서(Microprocessor)를 포함하는 연산 장치로 구현될 수 있고, 예를 들어 중앙 처리 장치(Central Processing Unit, CPU) 및 그래픽 처리 장치(Graphic Processing Unit, GPU) 중 적어도 하나로 구현될 수 있다. 이와는 달리, 조작 이미지 판별 장치(100)의 각각의 구성 중 적어도 두 개가 SOC(System On Chip)으로 구현되는 것도 가능할 수 있다.
지금까지는 조작 이미지 판별 장치(100)의 구성에 대하여 설명하였다. 이하에서는 상술한 조작 이미지 판별 장치(100)에 의해 수행되는 조작 이미지 판별 방법에 대해 설명한다.
도 2는 본 발명의 일 실시예에 따른 조작 이미지 판별 방법의 흐름도이다.
먼저, 조작 이미지 판별 장치(100)는 손실 압축된 타겟 이미지에 대한 주파수 별 히스토그램을 획득할 수 있다(S100). 구체적으로, 조작 이미지 판별 장치(100)의 히스토그램 획득부(110)는 타겟 이미지 자체 또는 타겟 이미지로부터 분할된 각각의 타겟 블록에 대한 주파수 별 히스토그램을 획득할 수 있다.
이하에서는 도 3을 참조하여 타겟 블록에 대해 설명한다.
도 3은 본 발명의 일 실시예에 따른 타겟 이미지 및 타겟 블록을 설명하기 위한 도면이다.
상술한 바와 같이, 타겟 블록은 타겟 이미지의 조작 여부 판별을 위한 최적의 크기로 구성된 영역을 의미할 수 있다. 따라서, 히스토그램 획득부(110)는 타겟 이미지가 타겟 블록보다 크다면, 타겟 이미지를 타겟 블록으로 분할할 수 있다.
도 3을 참조하면, 타겟 이미지 IT는 복수의 타겟 블록 BT로 분할될 수 있다. 만약, 타겟 이미지 IT가 1024×768의 크기를 가지고, 타겟 블록 BT이 256×256의 크기를 가지는 경우, 타겟 이미지 IT는 12개의 타겟 블록 BT로 분할될 수 있다.
이와는 달리, 다른 실시예에 따른 히스토그램 획득부(110)는 타겟 이미지 IT로부터 미리 정해진 크기의 복수의 타겟 블록 BT를 획득하되, 복수의 타겟 블록 BT 각각은 상호 중첩 영역을 가지도록 마련될 수 있다. 구체적으로, 히스토그램 획득부(110)는 타겟 이미지 IT 내에서 미리 정해진 간격마다 미리 정해진 가로 및 세로 폭의 타겟 블록 BT를 획득할 수 있다. 이 때, 미리 정해진 간격은 미리 정해진 타겟 블록의 가로 및 세로 폭보다 작게 설정됨으로써, 획득되는 타겟 블록 BT는 인접하는 타겟 블록 BT과의 관계에서 중첩 영역을 포함할 수 있다.
예를 들어, 히스토그램 획득부(110)가 1024×768 크기의 타겟 이미지 IT에 대하여 8의 간격으로 256×256 크기의 타겟 블록 BT를 획득할 경우, 획득 가능한 타겟 블록 BT의 수는 6144 개 일 수 있다.이하에서는 히스토그램 획득부(110)가 타겟 이미지를 타겟 블록으로 분할한 후, 타겟 블록에 대한 주파수 별 히스토그램을 획득하는 것을 전제로 설명한다.
타겟 이미지가 복수의 타겟 블록으로 분할된 후, 조작 이미지 판별 장치(100)는 분할된 복수의 타겟 블록 각각에 대하여 순차적으로 주파수 별 히스토그램을 획득할 수 있다. 이하에서는 도 4를 참조하여 타겟 블록으로부터 주파수 별 히스토그램을 획득하는 방법을 설명한다.
도 4는 본 발명의 일 실시예에 따른 히스토그램 획득부의 동작을 설명하기 위한도면이다.
도 4를 참조하면, 하나의 타겟 블록 BT는 RGB 공간에 대하여 3개의 채널을 가지는 RGB 공간의 타겟 블록 BT1으로 나타낼 수 있다. 히스토그램 획득부(110)는 RGB 공간의 타겟 블록 BT1을 YCbCr 공간에 대하여 3개의 채널을 가지는 YCbCr 공간의 타겟 블록 BT2로 변환할 수 있다. 인간의 시각은 색상보다 밝기에 더 민감하기 때문에, 히스토그램 획득부(110)는 YCbCr 공간의 타겟 블록 BT2 중 Y에 대한 타겟 블록 BTY만을 이용하여 히스토그램을 획득할 수 있다.
그 다음, 히스토그램 획득부(110)는 Y에 대한 타겟 블록 BTY을 미리 정해진 크기의 복수의 DCT 블록으로 분할할 수 있다. 여기서, DCT 블록이란 후술할 이산코사인변환을 위한 최적의 크기로 구성된 영역을 의미할 수 있다. 일 실시예에 따른 DCT 블록은 8×8의 크기를 가질 수 있다. 만약, Y에 대한 타겟 블록 BTY가 256×256의 크기를 가지는 경우, Y에 대한 타겟 블록 BTY는 크기 8×8의 DCT 블록 1024개로 분할될 수 있다.
히스토그램 획득부(110)는 이렇게 분할된 복수의 DCT 블록 각각을 구성하는 복수의 픽셀의 Y값에 대하여 이산코사인변환(Discrete Cosine Transform)을 적용할 수 있다. 그 결과, 히스토그램 획득부(110)는 이산코사인변환이 적용된 각각의 DCT 블록 BD로 구성되는 상위 DCT 블록 BDS를 획득할 수 있다.
이 때, 각각의 DCT 블록 BD는 크기만큼의 주파수 채널을 가지고, 각 채널은 해당 주파수에 대한 DCT 계수를 가질 수 있다. 만약, 크기 8×8의 DCT 블록에 이산코사인변환이 적용된 경우, 이산코사인변환이 적용된 DCT 블록 BD 역시 8×8의 크기를 가지므로, DCT 블록 BD 은 64개의 주파수 채널을 가질 수 있다.
이산코사인변환을 적용한 후, 히스토그램 획득부(110)는 복수의 DCT 블록 BD 각각으로부터 동일한 주파수 채널의 DCT 계수로 구성되는 DCT 계수 블록 BDSC을 획득할 수 있다. 이렇게 획득되는 DCT 계수 블록 BDSC은 주파수 채널의 수만큼 획득될 수 있다. 만약, DCT 블록 BD 은 64개의 주파수 채널을 가지는 경우, 히스토그램 획득부(110)는 64개의 DCT 계수 블록 BDSC을 획득할 수 있다.
마지막으로, 히스토그램 획득부(110)는 미리 정해진 DCT 계수 범위 내에서 주파수 별 히스토그램 H를 생성할 수 있다. 여기서 DCT 계수 범위는 조작 이미지 판별의 성능을 최적화하기 위하여 실험적으로 결정될 수 있다. 일 실시예에 따른 DCT 계수 범위가 [-59, 60]으로 설정되면, 히스토그램 획득부(110)는 해당 DCT 계수 범위 내에서 120개 각각의 DCT 계수에 대한 누적 값으로서 히스토그램을 획득할 수 있다. 또한, 64개의 주파수 채널이 존재하는 경우, 최종 획득되는 주파수 별 히스토그램 H는 64×120의 크기를 가질 수 있다.
다시 도 2를 참조하면, 조작 이미지 판별 장치(100)는 타겟 이미지로부터 타겟 이미지의 손실 압축에 이용된 양자화 정보를 획득할 수 있다(S110). 이하에서는 도 5를 참조하여, 양자화 정보의 일 실시예인 양자화 테이블을 설명한다.
도 5는 본 발명의 일 실시예에 따른 양자화 테이블을 설명하기 위한 도면이다.
손실 압축의 일 실시예인 JPEG에 따르면, 로 데이터(Raw Data)를 DCT 블록으로 분할하고, 각각의 DCT 블록의 밝기 값에 대하여 이산코사인변환을 수행하고, 이를 통해 획득된 DCT 블록의 DCT계수에 양자화 테이블을 적용하여 양자화를 수행한 후, 지그재그 스캐닝(Zig-zag Scanning) 및 엔트로피 코딩(Entropy Coding)을 통해 JPEG 이미지를 획득할 수 있다.
이 때, DCT 블록의 DCT 계수에 적용되는 양자화 테이블은 인간의 눈이 민감하게 반응하는 저주파 성분은 작은 상수로 나누어 최초 값과 차이를 작게하고, 인간의 눈이 잘 인식하지 못하는 고주파 성분은 큰 상수로 나누도록 구성될 수 있다. 도 5를 참조하면, 양자화 테이블 Q는 최적의 성능을 가질 수 있는 미리 정해진 크기로 결정될 수 있다. 일 실시예에 따른 양자화 테이블 Q는 8×8의 크기를 가질 수 있다.
이러한 양자화 테이블에 의해 수행되는 양자화는 데이터의 일부 손실을 유발하므로, 압축 품질과 연관될 수 있다. 따라서, 타겟 이미지로부터 양자화 테이블을 추출하여, 이를 이용함으로써, 압축 품질과 무관하게 타겟 이미지의 조작 여부를 확인할 수 있다.
이를 위해, 조작 이미지 판별 장치(100)의 양자화 정보 획득부(120)는 타겟 이미지에 대한 이미지 파일의 헤더로부터 양자화 정보를 획득할 수 있다. 이미지 파일은 헤더, 이미지, 프리픽스(Prefix), 서픽스(Suffix)의 4가지 부분으로 구성되는데, 헤더에는 해당 이미지 파일을 손실 압축하는데 이용된 양자화 정보를 포함할 수 있기 때문이다.
다시 도 2를 참조하면, 마지막으로 조작 이미지 판별 장치(100)는 조작 이미지 판별기에 히스토그램 및 양자화 정보를 입력하여 타겟 이미지가 조작되었는지 여부를 확인할 수 있다(S120). 여기서, 조작 이미지 판별기는 적어도 한 번 손실 압축된 복수의 학습 이미지를 학습하여 미리 생성되고, 조작 이미지 판별 장치(100)의 저장부(140)에 미리 저장될 수 있다.
이하에서는 도 6을 참조하여, 조작 이미지 판별기의 구성에 대해 설명한다.
도 6은 본 발명의 일 실시예에 따른 조작 이미지 판별기의 구성을 설명하기 위한 도면이다.
일 실시예에 따른 조작 이미지 판별기는 CNN(Convolution Neural Network), DNN(Deep Neural Network), RNN(Recurrent Neural Network), BRDNN(Bidirectional Recurrent Deep Neural Network)과 같은 신경망 모델로 구현될 수 있다.
신경망 모델로 구현되는 조작 이미지 판별기는 객체 이미지가 입력되는 입력층(Input Layer), 입력된 객체 이미지에 대응되는 초기 레이블이 출력되는 출력층(Output Layer), 및 입력층과 출력층 사이에 마련되는 복수의 은닉층으로 구성될 수 있다. 도 6에서는 조작 이미지 판별기의 은닉층 및 출력층을 예시한다.
만약, 초기 객체 분류기가 CNN 모델로 구현되는 경우, 복수의 은닉층은 복수의 컨볼루션 층(Convolution Layer)과 복수의 풀링 층(Pooling Layer), 및 완전 연결 층(Fully Connected Layer)로 구성될 수 있다.
컨볼루션 층은 입력되는 주파수 별 히스토그램 H에 다양한 컨볼루션 커널(Convolution Kunnel)을 적용하여, 주파수 별 히스토그램 H에 대한 특징화 벡터를 획득할 수 있다. 여기서 특징화 벡터란 컨볼루션 층으로부터 출력되는 주파수 별 히스토그램 H의 속성 정보를 의미할 수 있다. 예를 들어, 특징화 벡터는 초기 객체 분류기에 입력된 이미지, 즉 주파수 별 히스토그램 H 내 점, 선, 및/또는 면에 대한 정보를 벡터 형태로 표현한 값을 의미할 수 있다. 이처럼, 컨볼루션은 고차원의 입력 이미지에 대해서 특징을 추출하는 일종의 템플릿과 같은 역할을 수행할 수 있다.
풀링 층은 획득된 특징화 벡터의 차원을 축소하는 뉴런층으로서, 컨볼루션 층에 의해 생성된 특징화 벡터에 대한 공간적 해상도를 낮출 수 있다. 이와 같은 과정을 통해, 조작 이미지 판별기는 문제의 복잡도를 줄일 수 있다. 은닉층에는 컨볼루션 층과 서브 샘플링 층은 반복하여 배치됨으로써 상술한 과정이 반복 수행될 수 있다.
도 6에서는 제 1 컨볼루션 층 C1, 제 2 컨볼루션 층 C2, 제 1 풀링 층 P1, 제 3 컨볼루션 층 C3, 제 2 풀링 층 P2, 제 4 컨볼루션 층 C4, 및 제 3 풀링 층 P3의 순서로 반복 배치되는 경우를 예시한다.
또한, 컨볼루션 및 풀링이 완료되면, 마지막 층, 도 6의 경우 제 3 풀링 층 P3과 출력층 O는 완전 연결될 수 있으며, 이를 통해 완전 연결 층이 구성될 수 있다. 완전 연결 층은 이전 층의 모든 노드가 다음 층의 모든 노드에 연결되는 층을 의미하고, 특징화 벡터를 목적에 따라 분류하는 역할을 수행할 수 있다. 도 6에서는 제 1 완전 연결층 F1, 제 2 완전 연결층 F2, 및 제 3 완전 연결층 F3이 순차적으로 배치되는 경우를 예시한다.
이 때, 복수의 완전 연결 층 중 적어도 하나는 타겟 이미지를 손실 압축하는데 이용된 양자화 정보를 입력받을 수 있다. 그 결과, 완전 연결 층은 양자화 정보 Q를 고려하여 주파수 별 히스토그램 H으로부터 추출된 특징화 벡터를 분류할 수 있다.
출력층 O는 마지막 완전 연결 층과 완전 연결되도록 마련되며, 타겟 블록의 조작 여부를 출력할 수 있다. 예를 들어, 출력층은 2×1의 벡터 y를 출력하는데, 타겟 블록이 1회 압축된 경우 출력 값 y = [1; 0]을 가지고, 타겟 블록이 2회 압축된 경우 출력 값 y = [0; 1]을 가질 수 있다. 상술한 바와 같이, 1회 압축된 타겟 블록은 조작되었다고 볼 수 있으므로, 조작 이미지 판별기의 출력을 기초로 이미지의 조작 여부를 결정할 수 있다.
조작 이미지 판별기는 타겟 블록 별로 압축 횟수에 따른 값을 출력하는 바, 판별기는 복수의 타겟 블록 각각에 대응되는 주파수 별 히스토그램과 양자화 정보를 순차적으로 조작 이미지 판별기에 입력함으로써, 복수의 타겟 블록으로 구성되는 타겟 이미지의 조작 여부와, 조작 영역을 판별할 수 있다.
한편, 판별부(130)는 저장부(140)에 미리 저장된 조작 이미지 판별기를 이용하여 상술한 판별 과정을 수행하며, 저장부(140)는 외부에서 입력된 조작 이미지 판별기를 미리 저장할 수 있다. 이와는 달리, 조작 이미지 판별 장치(100)는 판별기 생성기를 이용하여 조작 이미지 판별기를 직접 생성하고, 이를 저장부(140)에 저장할 수도 있다.
이하에서는 도 7을 참조하여, 조작 이미지 판별기를 생성하는 방법을 설명한다.
도 7은 본 발명의 일 실시예에 따른 조작 이미지 판별기의 생성 방법의 흐름도이다.
먼저, 판별기 생성부(150)는 복수의 학습 양자화 정보 중 적어도 하나를 기초로 복수의 로 데이터(Raw Data)를 손실 압축하여 복수의 학습 이미지를 획득할 수 있다(S200). 여기서, 복수의 학습 양자화 정보는 무작위로 수집된 손실 압축 이미지로부터 추출될 수 있으며, 다양한 압축 품질에 대응될 수 있다. 또한, 로 데이터는 다양한 기종의 카메라에 의해 촬영된 압축되지 않은 이미지를 의미할 수 있다.
판별기 생성부(150)는 상술한 복수의 학습 양자화 정보 중 어느 하나를 기초로 어느 하나의 로 데이터를 손실 압축하여 1회 압축된 학습 이미지를 생성할 수 있다. 또한, 판별기 생성부(150)는 상술한 복수의 학습 양자화 정보 중 다른 하나를 기초로 1회 압축된 학습 이미지를 손실 압축하여 2회 압축된 학습 이미지를 생성할 수 있다. 이와 유사하게, 판별기 생성부(150)는 상술한 복수의 학습 양자화 정보 중 또 다른 하나를 기초로 복수회 압축된 학습 이미지를 1회 더 손실 압축할 수 있다. 즉, 판별기 생성부(150)는 다양한 학습 양자화 정보를 기초로 다양한 로 데이터를 손실 압축하여, 적어도 한 번 손실 압축된 복수의 학습 이미지를 생성할 수 있다.
그 다음, 판별기 생성부(150)는 복수의 학습 이미지에 대한 주파수 별 학습 히스토그램을 획득할 수 있다(S210). 먼저, 판별기 생성부(150)는 RGB 공간의 학습 이미지를 YCbCr 공간에 대하여 3개의 채널을 가지는 YCbCr 공간의 학습이미지로 변환할 수 있다. 그 다음, 판별기 생성부(150)는 Y에 대한 학습 이미지를 미리 정해진 크기의 복수의 학습 DCT 블록으로 분할하고, 분할된 복수의 학습 DCT 블록 각각을 구성하는 복수의 픽셀의 Y값에 대하여 이산코사인변환(Discrete Cosine Transform)을 적용할 수 있다. 이 때, 각각의 학습 DCT 블록은 크기만큼의 주파수 채널을 가지고, 각 채널은 해당 주파수에 대한 DCT 계수를 가질 수 있다. 이산코사인변환을 적용한 후, 판별기 생성부(150)는 복수의 학습 DCT 블록 각각으로부터 동일한 주파수 채널의 DCT 계수로 구성되는 학습 DCT 계수 블록을 획득할 수 있다. 이렇게 획득되는 학습 DCT 계수 블록은 주파수 채널의 수만큼 획득될 수 있다. 마지막으로, 판별기 생성부(150)는 미리 정해진 DCT 계수 범위 내에서 주파수 별 학습 히스토그램을 생성할 수 있다.
그 다음, 판별기 생성부(150)는 복수의 학습 이미지로부터 복수의 학습 이미지에 이용된 학습 양자화 정보를 획득할 수 있다(S220). 만약, 복수의 학습 이미지가 JPEG 표준에 따라 손실 압축된 JPEG 이미지라면, 판별기 생성부(150)는 JPEG 손실 압축에 이용되는 학습 양자화 테이블을 학습 양자화 정보로서 획득할 수 있다. 구체적으로, 판별기 생성부(150)는 학습 이미지에 대한 이미지 파일의 헤더로부터 학습 양자화 테이블을 획득할 수 있다.
마지막으로, 판별기 생성부(150)는 학습 히스토그램과 복수의 학습 이미지에 이용된 학습 양자화 정보를 학습하여 조작 이미지 판별기를 생성할 수 있다(S230). 구체적으로, 일 실시예에 따른 판별기 생성부(150)는 지도 학습(Supervised Learning)에 따라, 조작 이미지 판별기를 생성할 수 있다. 지도 학습 방법을 따를 때, 판별기는 학습 히스토그램을 컨볼루션 층에 대한 입력으로 하고, 학습 양자화 정보를 완전 연결 층에 대한 입력으로 하여, 학습 이미지의 압축 횟수, 즉 조작 여부를 최종 레이블로 대응시킨 학습 데이터를 학습할 수 있다. 즉, 판별기 생성부(150)는 입력인 학습 히스토그램 및 학습 양자화 정보와 정답인 학습 이미지의 조작 여부 사이의 관계를 학습함으로써, 입력되는 타겟 이미지를 조작 여부에 따라 분류할 수 있는 조작 이미지 판별기를 생성할 수 있다.
이와는 달리, 판별기 생성부(150)는 학습 히스토그램 및 학습 양자화 정보에 학습 이미지의 조작 여부가 레이블 된 일부 학습 데이터와 레이블 되지 않은 학습 히스토그램 및 학습 양자화 정보로 이루어진 나머지 학습 데이터를 함께 이용하여 학습하는 반지도 학습(Semisupervised Learning)에 의해 생성될 수도 있다. 또는, 초기 객체 분류기는 학습 결과가 올바른지에 대한 피드백을 이용하는 강화 학습(Reinforcement Learning)에 의해 생성될 수도 있다.
상술한 방법에 따라 생성된 판별기는 저장부(140)에 미리 저장되고, 판별부(130)의 요청에 의해 저장부(140)로부터 판별부(130)로 제공될 수 있다.
지금까지는 조작 이미지 판별 장치(100) 및 이에 의해 수행되는 조작 이미지 판별 방법에 대하여 설명하였다. 이하에서는 상술한 방법에 따라 수행된 조작 이미지 판별 결과를 설명한다.
도 8 및 9는 본 발명의 일 실시예에 따른 조작 이미지 판별 방법의 결과를 예시한 도면이다.
도 8은 복사-이동 및 스플라이싱에 의해 조작된 6장의 이미지에 대한 것으로, (a)는 원본 이미지, (b)는 조작 이미지, (c)는 조작 영역에 대한 실측 정보(Ground Truth), (d)는 본 발명의 일 실시예에 따른 조작 이미지 판별 방법의 수행 결과를 예시한다.
위에서부터 첫번째와 두번째 예시 각각에서는 원본 이미지 내 창문과 벚꽃을 복사하여 동일 이미지 내 다른 위치에 붙여넣어 조작 이미지를 생성하였다. 이 경우, 본 발명의 일 실시예에 따른 조작 이미지 판별 방법의 수행 결과는 실측 정보와 거의 유사하게 조작 이미지 내 조작된 블록을 확인할 수 있다.
하단의 네 개의 예시는 스플라이싱 조작에 대한 것을 나타낸다. 네 개의 예시 각각의 조작 이미지는 원본 이미지에 원본 이미지와 무관한 인물 이미지를 붙여 넣고, 해당 인물 주변에 블러 필터(Blur Filter)를 적용함으로써 생성되었다. 이 경우에도, 본 발명의 일 실시예에 따른 조작 이미지 판별 방법의 수행 결과는 실측 정보와 거의 유사하게 조작 이미지 내 조작된 블록을 확인할 수 있다.
도 9는 국부 조작된 6장의 이미지에 대한 것으로, (a)는 원본 이미지, (b)는 조작 이미지, (c)는 조작 영역에 대한 실측 정보(Ground Truth), (d)는 본 발명의 일 실시예에 따른 조작 이미지 판별 방법의 수행 결과를 예시한다.
위에서부터 첫번째, 두번째, 및 세번째 예시 각각에서 조작 이미지는 원본 이미지의 색 변환 및 밝기 변환에 의해 생성되었다. 구체적으로, 첫번째, 두번째, 및 세번째 예시 각각의 조작 이미지는 튤립, 주택, 및 자동차의 색상이 원본 영상으로부터 변경되었다. 이 경우, 본 발명의 일 실시예에 따른 조작 이미지 판별 방법의 수행 결과는 실측 정보와 거의 유사하게 조작 이미지 내 조작된 블록을 확인할 수 있다.
하단의 세 개의 예시 각각은 콘텐츠 인식 보간법(Content-Aware Interpolation)을 이용하여 건물의 배너를 지우고, 인물의 얼굴을 블러 처리하고, 보트의 크기를 조정하였다. 이 경우에도, 본 발명의 일 실시예에 따른 조작 이미지 판별 방법의 수행 결과는 실측 정보와 거의 유사하게 조작 이미지 내 조작된 블록을 확인할 수 있다.
상술한 조작 이미지 판별 장치 및 방법은, 타겟 이미지의 조작 여부를 보다 정확하게 판별할 수 있다. 본 발명의 실시예에서는 히스토그램과 양자화 정보라는 객관적 데이터에 기초하여 조작 여부를 판별하므로, 사람이 직접 육안으로 판단하는 것에 비해 판별의 정확성을 높일 수 있다.
또한, 상술한 조작 이미지 판별 장치 및 방법에 따르면, 타겟 이미지의 손실 압축에 이용된 양자화 정보를 이용하여 타겟 이미지의 조작 여부를 판단하므로, 보다 다양한 조건 하에서 널리 이용될 수 있다. 본 발명의 실시예에서는 타겟 이미지의 조작 여부 판단 시에 압축 품질에 따라 결정되는 양자화 정보를 이용하므로, 압축 품질 조건에 무관하게 타겟 이미지의 조작 여부 판별이 가능할 수 있다.
이상의 설명은 본 발명의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 품질에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서, 본 명세서에 개시된 실시예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 균등한 범위 내에 있는 모든 기술사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
100: 조작 이미지 판별 장치
110: 히스토그램 획득부
120: 양자화 정보 획득부
130: 판별부
140: 저장부
150: 판별기 생성부

Claims (10)

  1. 손실 압축된 타겟 이미지에 대한 주파수 별 히스토그램을 획득하는 단계;
    상기 타겟 이미지로부터 상기 타겟 이미지의 손실 압축에 이용된 양자화(Quantization) 정보를 획득하는 단계; 및
    적어도 한 번 손실 압축된 복수의 학습 이미지를 학습하여 생성된 조작 이미지 판별기에 상기 히스토그램 및 상기 양자화 정보를 입력하여 상기 타겟 이미지가 조작되었는지 여부를 확인하는 단계를 포함하고,
    상기 조작 이미지 판별기는,
    복수의 컨볼루션 층(Convolution Layer), 복수의 풀링 층(Pooling Layer), 및 복수의 완전 연결 층(Fully Connected Layer)로 구성되고,
    상기 타겟 이미지가 조작되었는지 여부를 확인하는 단계는,
    상기 복수의 컨볼루션 층 중 적어도 하나로 상기 히스토그램을 입력하고, 상기 완전 연결 층 중 적어도 하나로 상기 양자화 정보를 입력하는 단계를 포함하는
    조작 이미지 판별 방법.
  2. 제 1 항에 있어서,
    상기 히스토그램을 획득하는 단계는,
    상기 타겟 이미지를 미리 정해진 크기의 복수의 DCT 블록으로 분할하는 단계;
    상기 분할된 복수의 DCT 블록 각각을 구성하는 복수의 픽셀에 대한 밝기 값에 대하여 이산코사인변환(Discrete Cosine Transform)을 적용하는 단계;
    상기 복수의 DCT 블록 각각으로부터 상기 이산코사인변환에 의해 획득된 주파수 별 DCT 계수를 추출하는 단계; 및
    상기 추출된 주파수 별 DCT 계수를 기초로 상기 주파수 별 히스토그램을 생성하는 단계를 포함하는
    조작 이미지 판별 방법.
  3. 제 1 항에 있어서,
    상기 양자화 정보를 획득하는 단계는,
    상기 타겟 이미지에 대한 이미지 파일의 헤더(Header)로부터 상기 양자화 정보를 획득하는
    조작 이미지 판별 방법.
  4. 삭제
  5. 제 1 항에 있어서,
    상기 양자화 정보를 입력하는 단계는,
    상기 양자화 정보를 벡터로 변환하는 단계;
    상기 완전 연결 층 중 적어도 하나에 대한 입력에 상기 벡터로 변환된 양자화 정보를 병합하는 단계; 및
    상기 벡터로 변환된 양자화 정보가 병합된 상기 입력을 상기 완전 연결 층 중 적어도 하나에 입력하는 단계를 포함하는
    조작 이미지 판별 방법.
  6. 제 1 항에 있어서,
    상기 주파수 별 히스토그램을 획득하는 단계는,
    상기 타겟 이미지를 미리 정해진 크기의 복수의 타겟 블록으로 분할하는 단계; 및
    상기 분할된 복수의 타겟 블록 각각에 대하여 순차적으로 상기 주파수 별 히스토그램을 획득하는 단계; 를 포함하고,
    상기 타겟 이미지의 조작 여부를 확인하는 단계는,
    상기 타겟 이미지 내 조작된 타겟 블록을 확인하는 단계를 포함하는
    조작 이미지 판별 방법.
  7. 제 1 항에 있어서,
    상기 적어도 한 번 손실 압축된 복수의 학습 이미지를 학습하여 상기 조작 이미지 판별기를 생성하는 단계를 더 포함하는
    조작 이미지 판별 방법.
  8. 제 7 항에 있어서,
    상기 조작 이미지 판별기를 생성하는 단계는,
    복수의 학습 양자화 정보 중 적어도 하나를 기초로 복수의 로 데이터(Raw Data)를 손실 압축하여 상기 복수의 학습 이미지를 획득하는 단계;
    상기 획득된 복수의 학습 이미지에 대한 주파수 별 학습 히스토그램을 획득하는 단계;
    상기 복수의 학습 이미지로부터 상기 복수의 학습 이미지에 이용된 상기 학습 양자화 정보를 획득하는 단계; 및
    상기 획득된 학습 히스토그램 및 상기 복수의 학습 이미지에 이용된 상기 학습 양자화 정보를 학습하여 상기 조작 이미지 판별기를 생성하는 단계를 포함하는
    조작 이미지 판별 방법.
  9. 손실 압축된 타겟 이미지에 대한 주파수 별 히스토그램을 획득하는 히스토그램 획득부;
    상기 타겟 이미지로부터 상기 타겟 이미지의 손실 압축에 이용된 양자화(Quantization) 정보를 획득하는 양자화 정보 획득부; 및
    적어도 한 번 손실 압축된 복수의 학습 이미지를 학습하여 생성된 조작 이미지 판별기에 상기 히스토그램 및 상기 양자화 정보를 입력하여 상기 타겟 이미지가 조작되었는지 여부를 확인하는 판별부를 포함하고,
    상기 조작 이미지 판별기는,
    복수의 컨볼루션 층(Convolution Layer), 복수의 풀링 층(Pooling Layer), 및 복수의 완전 연결 층(Fully Connected Layer)로 구성되고,
    상기 판별부는,
    상기 복수의 컨볼루션 층 중 적어도 하나로 상기 히스토그램을 입력하고, 상기 완전 연결 층 중 적어도 하나로 상기 양자화 정보를 입력하는 조작 이미지 판별 장치.
  10. 제 1 항 내지 제 3 항, 제 5 항 내지 제 8 항 중 어느 한 항에 기재된 방법에 따른 각각의 단계를 수행하는 명령어를 포함하는 프로그램이 기록된 컴퓨터 판독 가능 기록매체.
KR1020190008720A 2019-01-23 2019-01-23 조작 이미지 판별 장치 및 방법 KR102177247B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190008720A KR102177247B1 (ko) 2019-01-23 2019-01-23 조작 이미지 판별 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190008720A KR102177247B1 (ko) 2019-01-23 2019-01-23 조작 이미지 판별 장치 및 방법

Publications (2)

Publication Number Publication Date
KR20200091661A KR20200091661A (ko) 2020-07-31
KR102177247B1 true KR102177247B1 (ko) 2020-11-10

Family

ID=71834795

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190008720A KR102177247B1 (ko) 2019-01-23 2019-01-23 조작 이미지 판별 장치 및 방법

Country Status (1)

Country Link
KR (1) KR102177247B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220109941A (ko) 2021-01-29 2022-08-05 한국과학기술원 조작 이미지 판별 장치 및 방법

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102508899B1 (ko) * 2021-01-04 2023-03-10 캐롯손해보험 주식회사 리플렉션 이미지의 획득을 통한 단말기 보험 가입 시스템
KR102588298B1 (ko) * 2021-03-16 2023-10-12 한국과학기술원 조작 종류 판별 장치 및 방법

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101181086B1 (ko) 2009-11-03 2012-09-07 중앙대학교 산학협력단 보간 검출 장치, 보간 영역 검출 장치 및 그 방법

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
부호화 패턴 분석을 이용한 동영상 삭제 검출 기법*
차이값 히스토그램 기반 가역 워터마킹을 이용한 블록 단위 영상 인증 알고리즘*

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220109941A (ko) 2021-01-29 2022-08-05 한국과학기술원 조작 이미지 판별 장치 및 방법

Also Published As

Publication number Publication date
KR20200091661A (ko) 2020-07-31

Similar Documents

Publication Publication Date Title
CN109325954B (zh) 图像分割方法、装置及电子设备
CN104008538B (zh) 基于单张图像超分辨率方法
JP4732660B2 (ja) ビジュアルアテンションシステム
EP3333768A1 (en) Method and apparatus for detecting target
CN110689599B (zh) 基于非局部增强的生成对抗网络的3d视觉显著性预测方法
KR102177247B1 (ko) 조작 이미지 판별 장치 및 방법
JP2018101406A (ja) ニューラルネットワークにトレーニングデータを提供するための画像解析アルゴリズムの使用
WO2017036092A1 (zh) 超解像方法和系统、服务器、用户设备及其方法
US20120251003A1 (en) Image processing system and method
KR20190127909A (ko) 심층 신경망을 통한 시각 품질 유지 양자화 파라미터 예측
KR20200140713A (ko) 이미지 디테일 향상을 위한 신경 네트워크 모델 학습 방법 및 장치
JP6341650B2 (ja) 画像処理装置、画像処理方法及びプログラム
CN111047543A (zh) 图像增强方法、装置和存储介质
JP6106799B2 (ja) 画像アウトラインを記述するシステム及び方法
CN110958469A (zh) 视频处理方法、装置、电子设备及存储介质
CN106650615A (zh) 一种图像处理方法及终端
KR102192016B1 (ko) 의미 인식 기반의 이미지 보정 방법 및 그를 위한 장치
US20210374527A1 (en) Information processing apparatus, information processing method, and storage medium
Cai et al. Perception preserving decolorization
Parekh et al. A survey of image enhancement and object detection methods
DE202023101378U1 (de) Ein System zur Verbesserung der schlechten Sichtbarkeit durch Bildverbesserungstechnik unter Verwendung von Contrast Stretched - CLAHE (CS-CLAHE)
DE102018206952A1 (de) Verfahren und Vorrichtung zum Komprimieren von Bilddaten
CN112508847A (zh) 一种基于深度特征与结构加权lbp特征的图像质量评价方法
KR102588298B1 (ko) 조작 종류 판별 장치 및 방법
CN111950565B (zh) 基于特征融合和朴素贝叶斯的抽象画图像方向识别方法

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant