TWI665639B - 圖像篡改檢測方法及裝置 - Google Patents

圖像篡改檢測方法及裝置 Download PDF

Info

Publication number
TWI665639B
TWI665639B TW106135244A TW106135244A TWI665639B TW I665639 B TWI665639 B TW I665639B TW 106135244 A TW106135244 A TW 106135244A TW 106135244 A TW106135244 A TW 106135244A TW I665639 B TWI665639 B TW I665639B
Authority
TW
Taiwan
Prior art keywords
image
small
tampering
detected
tampered
Prior art date
Application number
TW106135244A
Other languages
English (en)
Other versions
TW201824179A (zh
Inventor
王健宗
肖京
Original Assignee
大陸商平安科技（深圳）有限公司
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 大陸商平安科技（深圳）有限公司 filed Critical 大陸商平安科技（深圳）有限公司
Publication of TW201824179A publication Critical patent/TW201824179A/zh
Application granted granted Critical
Publication of TWI665639B publication Critical patent/TWI665639B/zh

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T1/00—General purpose image data processing
    • G06T1/0021—Image watermarking
    • G06T1/0028—Adaptive watermarking, e.g. Human Visual System [HVS]-based watermarking
    • 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
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2201/00—General purpose image data processing
    • G06T2201/005—Image watermarking
    • G06T2201/0201—Image watermarking whereby only tamper or origin are detected and no embedding takes place
    • 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
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Compression Or Coding Systems Of Tv Signals (AREA)
  • Storage Device Security (AREA)

Abstract

本發明公開了一種圖像篡改檢測方法及裝置，該方法包括步驟A與步驟B。步驟A對一待檢測圖像進行塊分割，將該待檢測圖像分成若干圖像小碎片，並從各個該圖像小碎片中讀取出一初始篡改檢測特徵；步驟B利用一預設編碼器對讀取的該初始篡改檢測特徵進行編碼以生成一複雜篡改特徵，並根據生成的該複雜篡改特徵確定該待檢測圖像對應的一篡改檢測結果，該篡改檢測結果包括已篡改和未篡改。本發明實現對不同類型、格式的圖像篡改進行準確的檢測。

Description

圖像篡改檢測方法及裝置
本發明涉及電腦技術領域，尤指一種涉及圖像篡改檢測方法及裝置。
目前，現有的圖像篡改檢測技術大都是針對單一類型的篡改進行檢測，例如：只能檢測複製、移動或者拼接等單一類型的篡改。此外，由於現有大多數篡改檢測算法的工作原理是基於JPEG壓縮痕迹，所以只能處理JPEG類型的圖像篡改檢測，使得能夠進行圖像篡改檢測的圖像格式比較單一。同時，現有的圖像篡改檢測算法需要依賴複雜的特徵讀取，並且讀取的特徵對篡改類型的變化不具穩定性，導致圖像篡改檢測的準確性得不到保障。
本發明的主要目的在於提供一種圖像篡改檢測方法及裝置，其目的為針對不同類型、格式的圖像篡改進行準確的檢測。
為實現上述目的，本發明提供的一種圖像篡改檢測方法，該方法包括以下步驟：步驟A、對一待檢測圖像進行塊分割，將該待檢測圖像分成多個圖像小碎片，並從各個該圖像小碎片中讀取出一初始篡改檢測特徵；步驟B、利用一預設編碼器對讀取的該初始篡改檢測特徵進行編碼以生 成一複雜篡改特徵，並根據生成的該複雜篡改特徵判斷對應該待檢測圖像的一篡改檢測結果，該篡改檢測結果包含已篡改和未篡改。
較佳地，該步驟A包含：將該待檢測圖像從一第一顏色空間轉換到一第二顏色空間；對該待檢測圖像進行塊分割，使該待檢測圖像分成N*M的該圖像小碎片，其中N和M為正整數；利用預設的小波函數分解各個該圖像小碎片的該第二顏色空間分量，以得到多個對應的像素係數映射，對每一該像素係數映射計算一匯總統計係數，在每個圖像小碎片上獲得多個該匯總統計係數，將每一該匯總統計係數作為對應的圖像小碎片的該初始篡改檢測特徵。
較佳地，該預設編碼器為堆疊式自動編碼器，該堆疊式自動編碼器由多層的基本自動編碼器層疊而成，每一層基本自動編碼器的輸出是下一層基本自動編碼器的輸入，該堆疊式自動編碼器還包含一個神經網路多層感知器，該神經網路多層感知器與最後一層的基本自動編碼器對接，用於根據生成的該複雜篡改特徵產生對應於該待檢測圖像的該篡改檢測結果。
較佳地，該步驟B包含：利用該預設編碼器對各個該圖像小碎片的初該始篡改檢測特徵進行編碼，以生成各個該圖像小碎片的該複雜篡改特徵；根據各個該圖像小碎片的複雜篡改特徵產生對應於各個該圖像小碎片的一第一篡改檢測結果，該第一篡改檢測結果包含已篡改和未篡改；當任一該圖像小碎片對應的該第一篡改檢測結果為已篡改，則判斷對應於該待檢測圖像的該篡改檢測結果為已篡改。
較佳地，該堆疊式自動編碼器還包含一相鄰區域感知層，用 於根據一相鄰區域的場景訊息產生對應於該待檢測圖像的該篡改檢測結果，該步驟B還包含：根據預設的算法對各個該圖像小碎片的一臨近場景訊息進行計算，並根據各個該圖像小碎片的該臨近場景訊息產生對應於各個該圖像小碎片的一第二篡改檢測結果，該第二篡改檢測結果包含已篡改和未篡改；當任一該圖像小碎片對應的該第二篡改檢測結果為已篡改，則判斷對應於該待檢測圖像的該篡改檢測結果為已篡改；當所有圖像小碎片對應的該第二篡改檢測結果均為未篡改，且有圖像小碎片對應的該第一篡改檢測結果為已篡改，則判斷該待檢測圖像對應的該篡改檢測結果為未篡改。
較佳地，該預設編碼器的訓練過程如下：步驟C、獲取預設數量的圖像樣本，並對各個該圖像樣本的篡改結果進行標識，所述篡改結果包含已篡改和未篡改；步驟D、對各個該圖像樣本進行塊分割，將各個該圖像樣本分成N*M的該圖像小碎片，N和M為正整數，並從各個該圖像樣本的各個該圖像小碎片中讀取出該初始篡改檢測特徵，以讀取出各個該圖像樣本對應的該初始篡改檢測特徵；步驟E、將所有該圖像樣本按照X：Y的比例分成一第一數據集和一第二數據集，該第一數據集中的該圖像樣本數量大於該第二數據集中的該圖像樣本數量，該第一數據集作為訓練集，該第二數據集作為測試集，其中X大於0，Y大於0；步驟F、利用該第一數據集中的各個該圖像樣本對應的該初始篡改檢測特徵進行該預設編碼器的訓練，利用該第二數據集中的各個該圖像樣本對應的初始篡改檢測特徵對訓練的該預設編碼器進行準確率驗證；步驟G、當訓練的該預設編碼器的準確率大於或等於預設準確率，則結束訓練，當訓練的該預設編碼器的準確率小於預設準確率，則增加該圖像樣本的數量，並重複執行上述步驟D、E和F， 直至訓練的該預設編碼器的準確率大於或等於預設準確率。
本發明提供一種圖像篡改檢測裝置，其中該圖像篡改檢測裝置包含：讀取模組以及檢測模組。讀取模組用於對一待檢測圖像進行塊分割，將該待檢測圖像分成若干圖像小碎片，並從各個該圖像小碎片中讀取出一初始篡改檢測特徵。檢測模組用於利用一預設編碼器對讀取的該初始篡改檢測特徵進行編碼以產生一複雜篡改特徵，並根據產生的該複雜篡改特徵產生對應於該待檢測圖像的一篡改檢測結果，該篡改檢測結果包含已篡改和未篡改。
較佳地，該讀取模組包含轉換單元、分割單元以及獲取單元。轉換單元用於將該待檢測圖像從一第一顏色空間轉換到一第二顏色空間。分割單元用於對該待檢測圖像進行塊分割，將該待檢測圖像分成N*M的該圖像小碎片，N和M為正整數。獲取單元用於在每個該圖像小碎片的每個該第二顏色空間分量上應用預設的小波函數分解，以得到多個對應的像素係數映射，對每一該像素係數映射計算一匯總統計係數，在每個該圖像小碎片上獲得多個該匯總統計係數，將每一該匯總統計係數作為對應於該圖像小碎片的該初始篡改檢測特徵。
較佳地，該預設編碼器為堆疊式自動編碼器，該堆疊式自動編碼器由多層的基本自動編碼器層疊而成，每一層基本自動編碼器的輸出是下一層基本自動編碼器的輸入，該堆疊式自動編碼器還包含一個神經網路多層感知器，該神經網路多層感知器與最後一層的基本自動編碼器對接，用於根據生成的該複雜篡改特徵確定出該待檢測圖像對應的該篡改檢測結果。
較佳地，該檢測模組還用於：利用該預設編碼器對各個該圖像小碎片的該初始篡改檢測特徵進行編碼，以生成各個該圖像小碎片的該複雜篡改特徵；根據各個該圖像小碎片的該複雜篡改特徵確定對應於各個該圖像小碎片的一第一篡改檢測結果，該第一篡改檢測結果包含已篡改和未篡改；當任一該圖像小碎片對應的該第一篡改檢測結果為已篡改，則確定對應於該待檢測圖像的該篡改檢測結果為已篡改。
較佳地，該堆疊式自動編碼器還包含一相鄰區域感知層，用於根據一相鄰區域的場景訊息確定出該待檢測圖像對應的該篡改檢測結果，該檢測模組還用於：根據預設的算法對各個該圖像小碎片的一臨近場景訊息進行計算，並根據各個該圖像小碎片的該臨近場景訊息確定出對應於各個該圖像小碎片的一第二篡改檢測結果，該第二篡改檢測結果包含已篡改和未篡改；當任一該圖像小碎片對應的該第二篡改檢測結果為已篡改，則確定該待檢測圖像對應的該篡改檢測結果為已篡改；當所有圖像小碎片對應的該第二篡改檢測結果均為未篡改，且有圖像小碎片對應的該第一篡改檢測結果為已篡改，則確定該待檢測圖像對應的該篡改檢測結果為未篡改。
較佳地，該預設編碼器的訓練過程如下：步驟C、獲取預設數量的圖像樣本，並對各個該圖像樣本的篡改結果進行標識，所述篡改結果包含已篡改和未篡改；步驟D、對各個該圖像樣本進行塊分割，將各個該圖像樣本分成N*M的圖像小碎片，N和M為正整數，並從各個該圖像樣本的各個該圖像小碎片中讀取出該初始篡改檢測特徵，以讀取出對應於各個該圖像樣本的該初始篡改檢測特徵；步驟E、將所有該圖像樣本按照X：Y的 比例分成一第一數據集和一第二數據集，該第一數據集中的該圖像樣本數量大於該第二數據集中的該圖像樣本數量，該第一數據集作為訓練集，該第二數據集作為測試集，其中，X大於0，Y大於0；步驟F、利用該第一數據集中對應於各個該圖像樣本的該初始篡改檢測特徵進行該預設編碼器的訓練，利用該第二數據集中的各個該圖像樣本對應的該初始篡改檢測特徵對訓練的該預設編碼器進行準確率驗證；步驟G、當訓練的該預設編碼器的準確率大於或等於預設準確率，則結束訓練，當訓練的該預設編碼器的準確率小於預設準確率，則增加該圖像樣本的數量，並重複執行上述步驟D、E和F，直至訓練的該預設編碼器的準確率大於或等於預設準確率。
01‧‧‧讀取模組
02‧‧‧檢測模組
011‧‧‧轉換單元
012‧‧‧分割單元
013‧‧‧獲取單元
S10‧‧‧步驟
S20‧‧‧步驟
S101‧‧‧步驟
S102‧‧‧步驟
S103‧‧‧步驟
第1圖為本發明圖像篡改檢測方法一實施例的流程示意圖；第2圖為第1圖中步驟S10的細化流程示意圖；第3圖為本發明實施例中堆疊式自動編碼器的結構示意圖；第4圖為本發明圖像篡改檢測裝置一實施例的功能模組示意圖；第5圖為第4圖中讀取模組01的細化功能模組示意圖。
為了使本發明所要解决的技術問題、技術方案及有益效果更加清楚、明白，以下結合附圖和實施例，對本發明進行進一步詳細說明。應當理解，此處所描述的具體實施例僅用以解釋本發明，並非用於限定本發明。
參照第1圖，第1圖為本發明圖像篡改檢測方法一實施例的流 程示意圖。在一實施例中，該圖像篡改檢測方法包括：步驟S10，對待檢測圖像進行塊分割，將該待檢測圖像分成若干圖像小碎片，並從各個圖像小碎片中讀取出初始篡改檢測特徵。
本實施例中，對如JPEG、PNG、GIF等各種類型的待檢測圖像進行塊分割，將該待檢測圖像分成N*M(例如，32*32)的圖像小碎片，N和M為正整數，並從各個圖像小碎片中讀取出初始篡改檢測特徵，該初始篡改檢測特徵可包括顏色特徵、像素特徵等，在此不做限定。其中，對待檢測圖像進行塊分割時，可以將該待檢測圖像等分成各個相同大小的圖像小碎片，也可以將該待檢測圖像按一定比例或隨機分成不同大小的圖像小碎片，在此不做限定。圖像小碎片既可以是形狀規則的正方形、長方形等，也可以是形狀不規則的碎片，在此不做限定。
步驟S20，利用預設編碼器對讀取的初始篡改檢測特徵進行編碼以生成複雜篡改特徵，並根據生成的複雜篡改特徵確定該待檢測圖像對應的篡改檢測結果，該篡改檢測結果包括已篡改和未篡改。
讀取出各個圖像小碎片中的初始篡改檢測特徵之後，利用預設編碼器對讀取的初始篡改檢測特徵進行編碼以生成複雜篡改特徵，並根據生成的複雜篡改特徵最終進行檢測確定該待檢測圖像是已篡改或未篡改的狀態。其中，該預設編碼器可以是相對固定的編碼器，也可以是能進行學習、訓練等深度學習的編碼器，例如可以是單自動編碼器、堆疊式自動編碼器等，在此不做限定。
在一種實施方式中，該預設編碼器是能進行學習、訓練等深度學習的編碼器如堆疊式自動編碼器等，該預設編碼器的訓練過程如下： 步驟C、獲取預設數量(例如，10萬個)的圖像樣本，並對各個圖像樣本的篡改結果進行標識，該篡改結果包括已篡改結果和未篡改結果；步驟D、對各個圖像樣本進行塊分割，將各個圖像樣本分成N*M(例如，32*32)的圖像小碎片，N和M為正整數，並從各個圖像樣本的各個圖像小碎片中讀取出初始篡改檢測特徵，以讀取出各個圖像樣本對應的初始篡改檢測特徵；步驟E、將所有圖像樣本按照X：Y(例如，8：2)的比例分成第一數據集和第二數據集，第一數據集中的圖像樣本數量大於第二數據集中的圖像樣本數量，第一數據集作為訓練集，第二數據集作為測試集，其中，X大於0，Y大於0；步驟F、利用第一數據集中的各個圖像樣本對應的初始篡改檢測特徵進行編碼器的訓練，利用第二數據集中的各個圖像樣本對應的初始篡改檢測特徵對訓練的編碼器進行準確率驗證；步驟G、若訓練的編碼器的準確率大於或等於預設準確率(例如，95%)，則結束訓練，或者，若訓練的編碼器的準確率小於預設準確率，則增加圖像樣本的數量，並重複執行上述步驟D、E和F，直至訓練的編碼器的準確率大於或等於預設準確率。
本實施例通過對待檢測圖像進行塊分割成若干圖像小碎片，從各個圖像小碎片中讀取初始篡改檢測特徵，並利用預設編碼器對讀取的初始篡改檢測特徵進行編碼以生成複雜篡改特徵，根據該複雜篡改特徵確定該待檢測圖像的篡改檢測結果。由於是將待檢測圖像進行分割後，基於各個圖像小碎片的初始篡改檢測特徵以及利用編碼器對該初始篡改檢測特徵編碼生成的複雜篡改特徵來對待檢測圖像的篡改進行檢測，並不依賴JPEG壓縮痕迹原理，因此，能進行篡改檢測的圖像類型並不僅限於JPEG，而且，通過分割及編碼的方式進行檢測，能準確地對多種類型的圖像篡改 方式進行檢測，從而實現對不同類型、格式的圖像篡改進行準確的檢測。
進一步地，如第2圖所示，上述步驟S10可以包括：步驟S101，將該待檢測圖像從第一顏色空間(例如，RGB顏色空間)轉換到第二顏色空間(例如，YCrCb顏色空間)；步驟S102，對該待檢測圖像進行塊分割，將該待檢測圖像分成N*M(例如，32*32)的圖像小碎片，N和M為正整數；步驟S103，在每個圖像小碎片上的每個第二顏色空間分量上應用預設的小波函數如多個級別(例如，3個級別)的二維多貝西小波(Daubechies Wavelet)分解，以得到多個(例如，30個)對應的像素係數映射(Coefficient Map)，對各個該像素係數映射計算匯總統計係數(例如，每個像素係數映射對應的像素標準差、像素均值和/或像素總和)，並應用小波函數如多貝西正交(Daubechies Orthogonal wavelets)D2-D5在每個圖像小碎片上獲得多個匯總統計係數，各個該匯總統計係數即是對應的圖像小碎片的初始篡改檢測特徵。本實施例中，將該待檢測圖像進行塊分割成若干圖像小碎片進行特徵讀取，能更細緻的讀取該待檢測圖像的每一細節特徵，而且，利用多貝西小波、多貝西正交等方式來獲取每一圖像小碎片的匯總統計係數作為初始篡改檢測特徵，能使得讀取的初始篡改檢測特徵更加精確。
進一步地，在其他實施例中，該預設編碼器為堆疊式自動編碼器(Stacked Auto-Encoder，SAE)，參照第3圖，第3圖為本發明圖像篡改檢測方法一實施例中堆疊式自動編碼器的結構示意圖。該堆疊式自動編碼器由多層基本的自動編碼器層疊而成，每一層自動編碼器的輸出是下一層自動編碼器的輸入。該堆疊式自動編碼器還包括一個神經網路多層感知器(Multi-Layer perceptron，MLP)，該神經網路多層感知器與最後一層的自動 編碼器對接，用於根據生成的複雜篡改特徵確定出該待檢測圖像對應的篡改檢測結果。例如，假設W (l)，b (l)表示第l-th層自動編碼器神經元的權值矩陣和偏置向量，l-th層自動編碼器的輸入為Z (l)，輸出為ae (l)，則：e (l)=f(Z (l)),Z (l+1)=W (l)ae (l)+b (l)，其中，f(.)是神經元的激活函數，在本實施例中使用S型函數，其表達式如下：
SAE的解碼過程是編碼過程的逆運算，相關輸入和輸出表達式如下：ae (l)=f(Z (n+l)),Z (n+l+1)=W (n-l)ae (n+l)+b (n-l)，其中n表示編碼層總的層數，從以上公式可以看出SAE中編碼層的層數與解碼層層數一致，但測試時只使用編碼層。因此，在使用SAE讀取輸入中的特徵時，最後的特徵表示即是最後一層的激活值向量Y，其表達式如下：Y=ae (n)。
本實施例中，該堆疊式自動編碼器輸入層接收初始篡改檢測特徵，然後將接收的初始篡改檢測特徵傳入中間隱含編碼層進行特徵降維過濾，再經過解碼層的解碼重構出原來的輸入層，通過計算重構的輸入與原輸入之間的差異，從而指導SAE的編碼和解碼層的訓練，最終確保SAE編碼層的最後輸出是原始輸入特徵的高級複雜篡改特徵，使用該高級複雜篡改特徵有利於提升SAE讀取的特徵的判定分類能力，進而提高圖像篡改檢測 的準確性。
進一步地，在其他實施例中，上述步驟S20可以包括：利用預設編碼器對各個圖像小碎片的初始篡改檢測特徵進行編碼，以生成各個圖像小碎片的複雜篡改特徵；根據各個圖像小碎片的複雜篡改特徵確定出各個圖像小碎片對應的第一篡改檢測結果，該第一篡改檢測結果包括已篡改和未篡改；若有圖像小碎片對應的第一篡改檢測結果為已篡改，則確定該待檢測圖像對應的篡改檢測結果為已篡改。
本實施例中，在利用預設編碼器如堆疊式自動編碼器對各個圖像小碎片的初始篡改檢測特徵進行編碼生成對應的複雜篡改特徵後，即可根據各個圖像小碎片的複雜篡改特徵來對各個圖像小碎片是否篡改進行檢測。若存在有一個或多個圖像小碎片對應的第一篡改檢測結果為已篡改，則說明待檢測圖像有被篡改的部分，則確定該待檢測圖像對應的篡改檢測結果為已篡改。若所有圖像小碎片對應的第一篡改檢測結果均為未篡改，則說明待檢測圖像沒有被篡改的部分，則確定該待檢測圖像對應的篡改檢測結果為未篡改。
進一步地，在其他實施例中，該堆疊式自動編碼器還包括一個用於根據相鄰區域的場景訊息確定出該待檢測圖像對應的篡改檢測結果的相鄰區域感知層，上述步驟S20還可以包括：根據預設的算法對各個圖像小碎片的臨近場景訊息進行計算，並根據各個圖像小碎片的臨近場景訊息確定出各個圖像小碎片對應的第二篡改檢測結果，該第二篡改檢測結果包括已篡改和未篡改；若有圖像小碎片對應的第二篡改檢測結果為已篡改，則確定該待檢測圖像對應的篡改檢測結果為已篡改；若所有圖像小碎片對 應的第二篡改檢測結果均為未篡改，且有圖像小碎片對應的第一篡改檢測結果為已篡改，則確定該待檢測圖像對應的篡改檢測結果為未篡改。
本實施例中，在讀取各個圖像小碎片的複雜篡改特徵的基礎上，還利用相鄰區域感知層來計算獲取各個圖像小碎片的臨近場景訊息，並根據各個圖像小碎片的臨近場景訊息確定出各個圖像小碎片對應的第二篡改檢測結果。在綜合考慮第一篡改檢測結果、第二篡改檢測結果的基礎上來進行該待檢測圖像的篡改檢測。如若所有圖像小碎片對應的第二篡改檢測結果均為未篡改，而有圖像小碎片對應的第一篡改檢測結果為已篡改，則確定該待檢測圖像對應的篡改檢測結果為未篡改，防止因第一篡改檢測結果誤判等原因導致該待檢測圖像出現篡改檢測錯誤的情况發生，進一步地提高了圖像篡改檢測的準確性及穩定性。
在一種實施方式中，該預設的算法包括：對一個圖像小碎片P，假設它的臨近場景訊息為N(p)，則N(p)的表達式如下： ，公式中的表示該圖像小碎片P的第i個相鄰圖像小碎片的複雜篡改特徵，K表示該圖像小碎片P總共有K個相鄰的圖像小碎片。計算出該圖像小碎片P對應的所有相鄰的圖像小碎片的分類結果的平均值，該平均值的計算公式為： ，其中，表示該圖像小碎片P的第i個相鄰圖像小碎片的MLP分類結果，K可以被設定為8(即：每個圖像小碎片的8個可能方向均會被用作最終篡改判定分類)；若該圖像小碎片P對應的分類結果的平均值大於等於預設閾值(例如，0.5)，則確定該圖像小碎片P 對應的第二篡改檢測結果為已篡改結果，或者，若該圖像小碎片P對應的分類結果的平均值小於預設閾值，則確定當前圖像小碎片P對應的第二篡改檢測結果為未篡改結果。
本發明進一步提供一種圖像篡改檢測裝置。參照第4圖，第4圖為本發明圖像篡改檢測裝置一實施例的功能模組示意圖。
在一實施例中，該圖像篡改檢測裝置包括：讀取模組01，用於對待檢測圖像進行塊分割，將該待檢測圖像分成若干圖像小碎片，並從各個圖像小碎片中讀取出初始篡改檢測特徵。
本實施例中，對如JPEG、PNG、GIF等各種類型的待檢測圖像進行塊分割，將該待檢測圖像分成N*M(例如，32*32)的圖像小碎片，N和M為正整數，並從各個圖像小碎片中讀取出初始篡改檢測特徵，該初始篡改檢測特徵可包括顏色特徵、像素特徵等，在此不做限定。其中，對待檢測圖像進行塊分割時，可以將該待檢測圖像等分成各個相同大小的圖像小碎片，也可以將該待檢測圖像按一定比例或隨機分成不同大小的圖像小碎片，在此不做限定。圖像小碎片既可以是形狀規則的正方形、長方形等，也可以是形狀不規則的碎片，在此不做限定。
檢測模組02，用於利用預設編碼器對讀取的初始篡改檢測特徵進行編碼以生成複雜篡改特徵，並根據生成的複雜篡改特徵確定該待檢測圖像對應的篡改檢測結果，該篡改檢測結果包括已篡改和未篡改。
讀取出各個圖像小碎片中的初始篡改檢測特徵之後，利用預設編碼器對讀取的初始篡改檢測特徵進行編碼以生成複雜篡改特徵，並根據生成的複雜篡改特徵最終進行檢測確定該待檢測圖像是已篡改或未篡改 的狀態。其中，該預設編碼器可以是相對固定的編碼器，也可以是能進行學習、訓練等深度學習的編碼器，例如可以是單自動編碼器、堆疊式自動編碼器等，在此不做限定。
在一種實施方式中，該預設編碼器是能進行學習、訓練等深度學習的編碼器如堆疊式自動編碼器等，該預設編碼器的訓練過程如下：步驟C、獲取預設數量(例如，10萬個)的圖像樣本，並對各個圖像樣本的篡改結果進行標識，該篡改結果包括已篡改結果和未篡改結果；步驟D、對各個圖像樣本進行塊分割，將各個圖像樣本分成N*M(例如，32*32)的圖像小碎片，N和M為正整數，並從各個圖像樣本的各個圖像小碎片中讀取出初始篡改檢測特徵，以讀取出各個圖像樣本對應的初始篡改檢測特徵步驟E、將所有圖像樣本按照X：Y(例如，8：2)的比例分成第一數據集和第二數據集，第一數據集中的圖像樣本數量大於第二數據集中的圖像樣本數量，第一數據集作為訓練集，第二數據集作為測試集，其中，X大於0，Y大於0；步驟F、利用第一數據集中的各個圖像樣本對應的初始篡改檢測特徵進行編碼器的訓練，利用第二數據集中的各個圖像樣本對應的初始篡改檢測特徵對訓練的編碼器進行準確率驗證；步驟G、若訓練的編碼器的準確率大於或等於預設準確率(例如，95%)，則結束訓練，或者，若訓練的編碼器的準確率小於預設準確率，則增加圖像樣本的數量，並重複執行上述步驟D、E和F，直至訓練的編碼器的準確率大於或等於預設準確率。
本實施例通過對待檢測圖像進行塊分割成若干圖像小碎片，從各個圖像小碎片中讀取初始篡改檢測特徵，並利用預設編碼器對讀取的初始篡改檢測特徵進行編碼以生成複雜篡改特徵，根據該複雜篡改特 徵確定該待檢測圖像的篡改檢測結果。由於是將待檢測圖像進行分割後，基於各個圖像小碎片的初始篡改檢測特徵以及利用編碼器對該初始篡改檢測特徵編碼生成的複雜篡改特徵來對待檢測圖像的篡改進行檢測，並不依賴JPEG壓縮痕迹原理，因此，能進行篡改檢測的圖像類型並不僅限於JPEG，而且，通過分割及編碼的方式進行檢測，能準確地對多種類型的圖像篡改方式進行檢測，從而實現對不同類型、格式的圖像篡改進行準確的檢測。
進一步地，如第5圖所示，該讀取模組01可以包括：轉換單元011，用於將該待檢測圖像從第一顏色空間(例如，RGB顏色空間)轉換到第二顏色空間(例如，YCrCb顏色空間)；分割單元012，用於對該待檢測圖像進行塊分割，將該待檢測圖像分成N*M(例如，32*32)的圖像小碎片，N和M為正整數；獲取單元013，用於在每個圖像小碎片上的每個第二顏色空間分量上應用預設的小波函數如多個級別(例如，3個級別)的二維多貝西小波(Daubechies Wavelet)分解，以得到多個(例如，30個)對應的像素係數映射(Coefficient Map)，對各個該像素係數映射計算匯總統計係數(例如，每個像素係數映射對應的像素標準差、像素均值和/或像素總和)，並應用小波函數如多貝西正交(Daubechies Orthogonal wavelets)D2-D5在每個圖像小碎片上獲得多個匯總統計係數，各個該匯總統計係數即是對應的圖像小碎片的初始篡改檢測特徵。
本實施例中，將該待檢測圖像進行塊分割成若干圖像小碎片進行特徵讀取，能更細緻的讀取該待檢測圖像的每一細節特徵，而且，利用多貝西小波、多貝西正交等方式來獲取每一圖像小碎片的匯總統計係數作為初始篡改檢測特徵，能使得讀取的初始篡改檢測特徵更加精確。
進一步地，在其他實施例中，該預設編碼器為堆疊式自動編碼器(Stacked Auto-Encoder，SAE)，參照第3圖，該堆疊式自動編碼器由多層基本的自動編碼器層疊而成，每一層自動編碼器的輸出是下一層自動編碼器的輸入。該堆疊式自動編碼器還包括一個神經網路多層感知器(Multi-Layer perceptron，MLP)，該神經網路多層感知器與最後一層的自動編碼器對接，用於根據生成的複雜篡改特徵確定出該待檢測圖像對應的篡改檢測結果。例如，假設W (l)，b (l)表示第l-th層自動編碼器神經元的權值矩陣和偏置向量，l-th層自動編碼器的輸入為Z (l)，輸出為ae (l)，則：e (l)=f(Z (l)),Z (l+1)=W (l)ae (l)+b (l)，其中，f(.)是神經元的激活函數，在本實施例中使用S型函數，其表達式如下：
SAE的解碼過程是編碼過程的逆運算，相關輸入和輸出表達式如下：ae (l)=f(Z (n+l)),Z (n+l+1)=W (n-l)ae (n+l)+b (n-l)，其中n表示編碼層總的層數，從以上公式可以看出SAE中編碼層的層數與解碼層層數一致，但測試時只使用編碼層。因此，在使用SAE讀取輸入中的特徵時，最後的特徵表示即是最後一層的激活值向量Y，其表達式如下：Y=ae (n)。
本實施例中，該堆疊式自動編碼器輸入層接收初始篡改檢測特徵，然後將接收的初始篡改檢測特徵傳入中間隱含編碼層進行特徵降維過濾，再經過解碼層的解碼重構出原來的輸入層，通過計算重構的輸入與原輸入之間的差異，從而指導SAE的編碼和解碼層的訓練，最終確保SAE編碼層的最後輸出是原始輸入特徵的高級複雜篡改特徵，使用該高級複雜篡改特徵有利於提升SAE讀取的特徵的判定分類能力，進而提高圖像篡改檢測的準確性。
進一步地，在其他實施例中，該檢測模組02還可以用於：利用預設編碼器對各個圖像小碎片的初始篡改檢測特徵進行編碼，以生成各個圖像小碎片的複雜篡改特徵；根據各個圖像小碎片的複雜篡改特徵確定出各個圖像小碎片對應的第一篡改檢測結果，該第一篡改檢測結果包括已篡改和未篡改；若有圖像小碎片對應的第一篡改檢測結果為已篡改，則確定該待檢測圖像對應的篡改檢測結果為已篡改。
本實施例中，在利用預設編碼器如堆疊式自動編碼器對各個圖像小碎片的初始篡改檢測特徵進行編碼生成對應的複雜篡改特徵後，即可根據各個圖像小碎片的複雜篡改特徵來對各個圖像小碎片是否篡改進行檢測。若存在有一個或多個圖像小碎片對應的第一篡改檢測結果為已篡改，則說明待檢測圖像有被篡改的部分，則確定該待檢測圖像對應的篡改檢測結果為已篡改。若所有圖像小碎片對應的第一篡改檢測結果均為未篡改，則說明待檢測圖像沒有被篡改的部分，則確定該待檢測圖像對應的篡改檢測結果為未篡改。
進一步地，在其他實施例中，該堆疊式自動編碼器還包括一 個用於根據相鄰區域的場景訊息確定出該待檢測圖像對應的篡改檢測結果的相鄰區域感知層，該檢測模組02還可以用於根據預設的算法對各個圖像小碎片的臨近場景訊息進行計算，並根據各個圖像小碎片的臨近場景訊息確定出各個圖像小碎片對應的第二篡改檢測結果，該第二篡改檢測結果包括已篡改和未篡改；若有圖像小碎片對應的第二篡改檢測結果為已篡改，則確定該待檢測圖像對應的篡改檢測結果為已篡改；若所有圖像小碎片對應的第二篡改檢測結果均為未篡改，且有圖像小碎片對應的第一篡改檢測結果為已篡改，則確定該待檢測圖像對應的篡改檢測結果為未篡改。
本實施例中，在讀取各個圖像小碎片的複雜篡改特徵的基礎上，還利用相鄰區域感知層來計算獲取各個圖像小碎片的臨近場景訊息，並根據各個圖像小碎片的臨近場景訊息確定出各個圖像小碎片對應的第二篡改檢測結果。在綜合考慮第一篡改檢測結果、第二篡改檢測結果的基礎上來進行該待檢測圖像的篡改檢測。如若所有圖像小碎片對應的第二篡改檢測結果均為未篡改，而有圖像小碎片對應的第一篡改檢測結果為已篡改，則確定該待檢測圖像對應的篡改檢測結果為未篡改，防止因第一篡改檢測結果誤判等原因導致該待檢測圖像出現篡改檢測錯誤的情况發生，進一步地提高了圖像篡改檢測的準確性及穩定性。
在一種實施方式中，該預設的算法包括：對一個圖像小碎片P，假設它的臨近場景訊息為N(p)，則N(p)的表達式如下： 公式中的表示該圖像小碎片P的第i個相鄰圖像小碎片的複雜篡改特徵，K表示該圖像小碎片P總共有K個相鄰的圖像小碎片。計算出該圖像小碎片P對應的所有相鄰的圖像小碎片的分類結果的平均值，該平均值的計算公式為： 其中，表示該圖像小碎片P的第i個相鄰圖像小碎片的MLP分類結果，K可以被設定為8(即：每個圖像小碎片的8個可能方向均會被用作最終篡改判定分類)；若該圖像小碎片P對應的分類結果的平均值大於等於預設閾值(例如，0.5)，則確定該圖像小碎片P對應的第二篡改檢測結果為已篡改結果，或者，若該圖像小碎片P對應的分類結果的平均值小於預設閾值，則確定當前圖像小碎片P對應的第二篡改檢測結果為未篡改結果。
需要說明的是，在本文中，術語“包括”、“包含”或者其任何其他變體意在涵蓋非排他性的包含，從而使得包括一系列要素的過程、方法、物品或者裝置不僅包括那些要素，而且還包括沒有明確列出的其他要素，或者是還包括為這種過程、方法、物品或者裝置所固有的要素。在沒有更多限制的情况下，由語句“包括一個……”限定的要素，並不排除在包括該要素的過程、方法、物品或者裝置中還存在另外的相同要素。
通過以上的實施方式的描述，本領域的技術人員可以清楚地瞭解到上述實施例方法可借助軟體加必需的通用硬體平臺的方式來實現， 當然也可以通過硬體來實現，但很多情况下前者是更佳的實施方式。基於這樣的理解，本發明的技術方案本質上或者說對現有技術做出貢獻的部分可以以軟體產品的形式體現出來，該電腦軟體產品存儲在一個儲存介質(如ROM/RAM、磁碟、光碟)中，包括若干指令用以使得一台終端設備(可以是手機，電腦，伺服器，空調器，或者網路設備等)執行本發明各個實施例所述的方法。
以上參照附圖說明了本發明的較佳實施例，並非因此局限本發明的權利範圍。上述本發明實施例序號僅為了描述，不代表實施例的優劣。另外，雖然在流程圖中示出了邏輯順序，但是在某些情况下，可以以不同於此處的順序執行所示出或描述的步驟。
本領域技術人員不脫離本發明的範圍和實質，可以有多種變型方案實現本發明，比如作為一個實施例的特徵可用於另一實施例而得到又一實施例。凡在運用本發明的技術構思之內所作的任何修改、等同替換和改進，均應在本發明的權利範圍之內。

Claims (6)

  1. 一種圖像篡改檢測方法，包含：步驟A、對一待檢測圖像進行塊分割，將該待檢測圖像分成多個圖像小碎片，並從各個該圖像小碎片中讀取出一初始篡改檢測特徵；步驟B、利用一堆疊式自動編碼器對讀取的該初始篡改檢測特徵進行編碼以生成一複雜篡改特徵，該堆疊式自動編碼器由多層的基本自動編碼器層疊而成，每一層該基本自動編碼器的輸出是下一層基本自動編碼器的輸入，該堆疊式自動編碼器還包含一個神經網路多層感知器，該神經網路多層感知器與最後一層的基本自動編碼器對接，用於根據生成的該複雜篡改特徵產生對應於該待檢測圖像的該篡改檢測結果，該堆疊式自動編碼器還包含一相鄰區域感知層，用於根據一相鄰區域的場景訊息產生對應於該待檢測圖像的該篡改檢測結果其包含：利用該堆疊式自動編碼器對各個該圖像小碎片的初該始篡改檢測特徵進行編碼，以生成各個該圖像小碎片的該複雜篡改特徵；根據各個該圖像小碎片的複雜篡改特徵產生對應於各個該圖像小碎片的一第一篡改檢測結果，該第一篡改檢測結果包含已篡改和未篡改；當任一該圖像小碎片對應的該第一篡改檢測結果為已篡改，則判斷對應於該待檢測圖像的該篡改檢測結果為已篡改；根據預設的算法對各個該圖像小碎片的一臨近場景訊息進行計算，並根據各個該圖像小碎片的該臨近場景訊息產生對應於各個該圖像小碎片的一第二篡改檢測結果，該第二篡改檢測結果包含已篡改和未篡改；當任一該圖像小碎片對應的該第二篡改檢測結果為已篡改，則判斷對應於該待檢測圖像的該篡改檢測結果為已篡改；當所有圖像小碎片對應的該第二篡改檢測結果均為未篡改，且有圖像小碎片對應的該第一篡改檢測結果為已篡改，則判斷該待檢測圖像對應的該篡改檢測結果為未篡改。
  2. 如申請專利範圍第1項所述的圖像篡改檢測方法，其中該步驟A包含：將該待檢測圖像從一第一顏色空間轉換到一第二顏色空間；對該待檢測圖像進行塊分割，使該待檢測圖像分成N*M的該圖像小碎片，其中N和M為正整數；利用預設的小波函數分解各個該圖像小碎片的該第二顏色空間分量，以得到多個對應的像素係數映射，對每一該像素係數映射計算一匯總統計係數，在每個圖像小碎片上獲得多個該匯總統計係數，將每一該匯總統計係數作為對應的圖像小碎片的該初始篡改檢測特徵。
  3. 如申請專利範圍第1項所述的圖像篡改檢測方法，其中該堆疊式自動編碼器的訓練過程如下：步驟C、獲取預設數量的圖像樣本，並對各個該圖像樣本的篡改結果進行標識，所述篡改結果包含已篡改和未篡改；步驟D、對各個該圖像樣本進行塊分割，將各個該圖像樣本分成N*M的該圖像小碎片，N和M為正整數，並從各個該圖像樣本的各個該圖像小碎片中讀取出該初始篡改檢測特徵，以讀取出各個該圖像樣本對應的該初始篡改檢測特徵；步驟E、將所有該圖像樣本按照X：Y的比例分成一第一數據集和一第二數據集，該第一數據集中的該圖像樣本數量大於該第二數據集中的該圖像樣本數量，該第一數據集作為訓練集，該第二數據集作為測試集，其中X大於0，Y大於0；步驟F、利用該第一數據集中的各個該圖像樣本對應的該初始篡改檢測特徵進行該堆疊式自動編碼器的訓練，利用該第二數據集中的各個該圖像樣本對應的初始篡改檢測特徵對訓練的該堆疊式自動編碼器進行準確率驗證；步驟G、若訓練的該堆疊式自動編碼器的準確率大於或等於預設準確率，則結束訓練，或者，若訓練的該堆疊式自動編碼器的準確率小於預設準確率，則增加該圖像樣本的數量，並重複執行上述步驟D、E和F，直至訓練的該堆疊式自動編碼器的準確率大於或等於預設準確率。
  4. 一種圖像篡改檢測裝置，其中該圖像篡改檢測裝置包含：讀取模組，用於對一待檢測圖像進行塊分割，將該待檢測圖像分成若干圖像小碎片，並從各個該圖像小碎片中讀取出一初始篡改檢測特徵；檢測模組，用於利用堆疊式自動編碼器對讀取的該初始篡改檢測特徵進行編碼以生成一複雜篡改特徵，該堆疊式自動編碼器由多層的基本自動編碼器層疊而成，每一層該基本自動編碼器的輸出是下一層基本自動編碼器的輸入，該堆疊式自動編碼器還包含一個神經網路多層感知器以及一相鄰區域感知層，該神經網路多層感知器與最後一層的基本自動編碼器對接，用於根據生成的該複雜篡改特徵產生對應於該待檢測圖像的該篡改檢測結果，該相鄰區域感知層用於根據一相鄰區域的場景訊息確定出該待檢測圖像對應的該篡改檢測結果，其中該檢測模組還用於：利用該堆疊式自動編碼器對各個該圖像小碎片的該初始篡改檢測特徵進行編碼，以生成各個該圖像小碎片的該複雜篡改特徵；根據各個該圖像小碎片的該複雜篡改特徵確定對應於各個該圖像小碎片的一第一篡改檢測結果，該第一篡改檢測結果包含已篡改和未篡改；當任一該圖像小碎片對應的該第一篡改檢測結果為已篡改，則確定對應於該待檢測圖像的該篡改檢測結果為已篡改；根據預設的算法對各個該圖像小碎片的一臨近場景訊息進行計算，並根據各個該圖像小碎片的該臨近場景訊息確定出對應於各個該圖像小碎片的一第二篡改檢測結果，該第二篡改檢測結果包含已篡改和未篡改；當任一該圖像小碎片對應的該第二篡改檢測結果為已篡改，則確定該待檢測圖像對應的該篡改檢測結果為已篡改；當所有圖像小碎片對應的該第二篡改檢測結果均為未篡改，且有圖像小碎片對應的該第一篡改檢測結果為已篡改，則確定該待檢測圖像對應的該篡改檢測結果為未篡改。
  5. 如申請專利範圍第4項所述的圖像篡改檢測裝置，其中該讀取模組包含：轉換單元，用於將該待檢測圖像從一第一顏色空間轉換到一第二顏色空間；分割單元，用於對該待檢測圖像進行塊分割，將該待檢測圖像分成N*M的該圖像小碎片，N和M為正整數；獲取單元，用於在每個該圖像小碎片的每個該第二顏色空間分量上應用預設的小波函數分解，以得到多個對應的像素係數映射，對每一該像素係數映射計算一匯總統計係數，在每個該圖像小碎片上獲得多個該匯總統計係數，將每一該匯總統計係數作為對應於該圖像小碎片的該初始篡改檢測特徵。
  6. 如申請專利範圍第4項所述的圖像篡改檢測裝置，其中該堆疊式自動編碼器的訓練過程如下：步驟C、獲取預設數量的圖像樣本，並對各個該圖像樣本的篡改結果進行標識，所述篡改結果包含已篡改和未篡改；步驟D、對各個該圖像樣本進行塊分割，將各個該圖像樣本分成N*M的圖像小碎片，N和M為正整數，並從各個該圖像樣本的各個該圖像小碎片中讀取出該初始篡改檢測特徵，以讀取出對應於各個該圖像樣本的該初始篡改檢測特徵；步驟E、將所有該圖像樣本按照X：Y的比例分成一第一數據集和一第二數據集，該第一數據集中的該圖像樣本數量大於該第二數據集中的該圖像樣本數量，該第一數據集作為訓練集，該第二數據集作為測試集，其中，X大於0，Y大於0；步驟F、利用該第一數據集中對應於各個該圖像樣本的該初始篡改檢測特徵進行該堆疊式自動編碼器的訓練，利用該第二數據集中的各個該圖像樣本對應的該初始篡改檢測特徵對訓練的該堆疊式自動編碼器進行準確率驗證；步驟G、當訓練的該堆疊式自動編碼器的準確率大於或等於預設準確率，則結束訓練，當訓練的該堆疊式自動編碼器的準確率小於預設準確率，則增加該圖像樣本的數量，並重複執行上述步驟D、E和F，直至訓練的該堆疊式自動編碼器的準確率大於或等於預設準確率。
TW106135244A 2016-12-30 2017-10-13 圖像篡改檢測方法及裝置 TWI665639B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
??201611265608.2 2016-12-30
CN201611265608.2A CN106846303A (zh) 2016-12-30 2016-12-30 图像篡改检测方法及装置

Publications (2)

Publication Number Publication Date
TW201824179A TW201824179A (zh) 2018-07-01
TWI665639B true TWI665639B (zh) 2019-07-11

Family

ID=59117401

Family Applications (1)

Application Number Title Priority Date Filing Date
TW106135244A TWI665639B (zh) 2016-12-30 2017-10-13 圖像篡改檢測方法及裝置

Country Status (9)

Country Link
US (1) US10692218B2 (zh)
EP (1) EP3396625A4 (zh)
JP (1) JP2019503530A (zh)
KR (1) KR102168397B1 (zh)
CN (1) CN106846303A (zh)
AU (1) AU2017389535B2 (zh)
SG (1) SG11201808824YA (zh)
TW (1) TWI665639B (zh)
WO (1) WO2018120724A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI759099B (zh) * 2020-02-17 2022-03-21 大陸商中國銀聯股份有限公司 一種針對篡改圖像的檢測方法及裝置

Families Citing this family (29)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106846303A (zh) * 2016-12-30 2017-06-13 平安科技（深圳）有限公司 图像篡改检测方法及装置
CN107464237A (zh) * 2017-08-04 2017-12-12 平安科技（深圳）有限公司 图像篡改检测方法、电子装置及可读存储介质
CN107657259A (zh) * 2017-09-30 2018-02-02 平安科技（深圳）有限公司 图像篡改检测方法、电子装置及可读存储介质
CN108230227B (zh) * 2018-02-06 2021-09-03 中国银行股份有限公司 一种图像篡改的识别方法、装置及电子设备
CN108564035B (zh) * 2018-04-13 2020-09-25 杭州睿琪软件有限公司 识别单据上记载的信息的方法及系统
CN111709883B (zh) 2019-03-01 2023-06-13 阿里巴巴集团控股有限公司 一种图像检测方法、装置及设备
CN111753595A (zh) * 2019-03-29 2020-10-09 北京市商汤科技开发有限公司 活体检测方法和装置、设备和存储介质
CN110009621B (zh) * 2019-04-02 2023-11-07 广东工业大学 一种篡改视频检测方法、装置、设备及可读存储介质
CN110378254B (zh) * 2019-07-03 2022-04-19 中科软科技股份有限公司 车损图像修改痕迹的识别方法、系统、电子设备及存储介质
CN110609794B (zh) * 2019-09-12 2023-04-28 中国联合网络通信集团有限公司 页面检测方法及装置
CN110895811B (zh) * 2019-11-05 2023-05-09 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
CN110942456B (zh) * 2019-11-25 2024-01-23 深圳前海微众银行股份有限公司 篡改图像检测方法、装置、设备及存储介质
CN111275055B (zh) * 2020-01-21 2023-06-06 北京市商汤科技开发有限公司 网络训练方法及装置、图像处理方法及装置
CN111260645B (zh) * 2020-02-20 2023-10-13 中国科学院自动化研究所 基于分块分类深度学习的篡改图像检测方法及系统
CN111553916B (zh) * 2020-05-09 2023-11-14 中科计算技术创新研究院 基于多种特征和卷积神经网络的图像篡改区域检测方法
CN111950037A (zh) * 2020-08-25 2020-11-17 北京天融信网络安全技术有限公司 检测方法、装置、电子设备及存储介质
CN112465764A (zh) * 2020-11-24 2021-03-09 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
CN112508039B (zh) * 2020-12-08 2024-04-02 中国银联股份有限公司 一种图像检测方法及装置
CN112861960B (zh) * 2021-02-03 2022-09-02 湖南大学 一种图像篡改检测方法、系统及存储介质
CN112949431B (zh) * 2021-02-08 2024-06-25 证通股份有限公司 视频篡改检测方法和系统、存储介质
CN112950564B (zh) * 2021-02-23 2022-04-01 北京三快在线科技有限公司 一种图像检测方法、装置、存储介质及电子设备
CN112800727B (zh) * 2021-04-14 2021-07-20 北京三维天地科技股份有限公司 给pdf文件加批注的方法及应用系统
CN113012152B (zh) * 2021-04-27 2023-04-14 深圳大学 一种图像篡改链检测方法、装置及电子设备
CN113780062A (zh) * 2021-07-26 2021-12-10 岚图汽车科技有限公司 一种基于情感识别的车载智能交互方法、存储介质及芯片
CN114612798B (zh) * 2022-03-09 2024-05-14 云南大学 基于Flow模型的卫星图像篡改检测方法
CN114677670B (zh) * 2022-03-30 2024-04-26 康旭科技有限公司 一种身份证篡改自动识别与定位的方法
CN114612476B (zh) * 2022-05-13 2022-07-22 南京信息工程大学 一种基于全分辨率混合注意力机制的图像篡改检测方法
CN115965581B (zh) * 2022-11-22 2023-09-12 澳门科技大学 一种复制-粘贴篡改图像检测方法、系统及设备
CN116342601B (zh) * 2023-05-30 2023-07-21 山东省人工智能研究院 基于边缘引导和多层级搜索的图像篡改检测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101207803A (zh) * 2006-12-20 2008-06-25 安讯士有限公司 相机篡改检测
CN101901470A (zh) * 2010-02-10 2010-12-01 桂林电子科技大学 基于能量域半脆弱水印的图像篡改检测及恢复方法
CN103544703A (zh) * 2013-10-19 2014-01-29 侯俊 数字图像拼接检测方法
TW201530336A (zh) * 2014-01-21 2015-08-01 Nat Penghu University Of Science And Technology 植基於透明圖層遮罩之影像偽造偵測方法
TW201612854A (en) * 2014-09-23 2016-04-01 Nat Penghu University Of Science And Technology Image component feature based synthetic image forgery detection method

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6285775B1 (en) * 1998-10-01 2001-09-04 The Trustees Of The University Of Princeton Watermarking scheme for image authentication
US7778461B2 (en) * 2006-05-05 2010-08-17 New Jersey Institute Of Technology System and/or method for image tamper detection
US8023747B2 (en) 2007-02-09 2011-09-20 New Jersey Institute Of Technology Method and apparatus for a natural image model based approach to image/splicing/tampering detection
US7792377B2 (en) * 2007-04-25 2010-09-07 Huper Laboratories Co., Ltd. Method of image authentication and restoration
CN101655972B (zh) * 2009-09-17 2011-09-28 上海交通大学 基于小波域的图像拼接盲检测方法
CN102063627B (zh) * 2010-12-31 2012-10-24 宁波大学 基于多小波变换的自然图像和计算机生成图像的识别方法
CN102184537B (zh) * 2011-04-22 2013-02-13 西安理工大学 基于小波变换和主成分分析的图像区域篡改检测方法
CN103345758B (zh) * 2013-07-25 2016-08-17 南京邮电大学 基于dct统计特征的jpeg图像区域复制篡改盲检测方法
US9432671B2 (en) 2014-05-22 2016-08-30 Xerox Corporation Method and apparatus for classifying machine printed text and handwritten text
CN109816676B (zh) * 2015-06-25 2023-01-10 北京影谱科技股份有限公司 一种拼接图像篡改检测方法
CN105426912B (zh) * 2015-11-12 2018-08-10 河南师范大学 一种置换混叠图像的盲分离方法
CN106846303A (zh) * 2016-12-30 2017-06-13 平安科技（深圳）有限公司 图像篡改检测方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101207803A (zh) * 2006-12-20 2008-06-25 安讯士有限公司 相机篡改检测
CN101901470A (zh) * 2010-02-10 2010-12-01 桂林电子科技大学 基于能量域半脆弱水印的图像篡改检测及恢复方法
CN103544703A (zh) * 2013-10-19 2014-01-29 侯俊 数字图像拼接检测方法
TW201530336A (zh) * 2014-01-21 2015-08-01 Nat Penghu University Of Science And Technology 植基於透明圖層遮罩之影像偽造偵測方法
TW201612854A (en) * 2014-09-23 2016-04-01 Nat Penghu University Of Science And Technology Image component feature based synthetic image forgery detection method

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"Image Region Forgery Detection: A Deep Learning Approach" by Ying Zhang etc *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI759099B (zh) * 2020-02-17 2022-03-21 大陸商中國銀聯股份有限公司 一種針對篡改圖像的檢測方法及裝置

Also Published As

Publication number Publication date
CN106846303A (zh) 2017-06-13
US20190156486A1 (en) 2019-05-23
SG11201808824YA (en) 2018-11-29
US10692218B2 (en) 2020-06-23
AU2017389535A1 (en) 2018-10-04
WO2018120724A1 (zh) 2018-07-05
KR102168397B1 (ko) 2020-10-22
AU2017389535B2 (en) 2019-10-10
EP3396625A1 (en) 2018-10-31
TW201824179A (zh) 2018-07-01
JP2019503530A (ja) 2019-02-07
KR20190019040A (ko) 2019-02-26
EP3396625A4 (en) 2019-08-07

Similar Documents

Publication Publication Date Title
TWI665639B (zh) 圖像篡改檢測方法及裝置
US20230215197A1 (en) Systems and Methods for Detection and Localization of Image and Document Forgery
CN103238159B (zh) 用于图像认证的系统和方法
Li et al. No-reference image quality assessment with shearlet transform and deep neural networks
Avcibas et al. Statistical evaluation of image quality measures
JP4771906B2 (ja) Ｊｐｅｇ圧縮履歴に関して画像を分類する方法
WO2019061661A1 (zh) 图像篡改检测方法、电子装置及可读存储介质
Shojae Chaeikar et al. PSW statistical LSB image steganalysis
CN106845341B (zh) 一种基于虚拟号牌的无牌车辆识别方法
Sankur et al. Statistical evaluation of image quality measures
CN104661037B (zh) 压缩图像量化表篡改的检测方法和系统
CN110766708B (zh) 基于轮廓相似度的图像比较方法
Li et al. Detecting double JPEG compression and its related anti-forensic operations with CNN
Xie et al. Bag-of-words feature representation for blind image quality assessment with local quantized pattern
CN112313718A (zh) 材料样品的基于图像的新颖性检测
Kim et al. Improved 3D mesh steganalysis using homogeneous kernel map
Gupta et al. Analytical global median filtering forensics based on moment histograms
CN117314713A (zh) 一种基于数字水印的证照防伪数据处理方法
Dhar et al. Interval type-2 fuzzy set and human vision based multi-scale geometric analysis for text-graphics segmentation
CN115546638A (zh) 基于暹罗级联差分神经网络的变化检测方法
Lo et al. Probability-based image authentication scheme for indexed color images
Zhang et al. Blind image quality assessment based on local quantized pattern
He et al. a novel robust image forensics algorithm based on L1-norm estimation
CN112257646B (zh) 一种商品检测方法、装置、电子设备及存储介质
Lv et al. Blind identification of photorealistic computer graphics based on fractal dimensions