[发明专利]基于多种特征和卷积神经网络的图像篡改区域检测方法

权利要求书

1.一种基于多种特征和卷积神经网络的图像篡改区域检测方法，其特征在于：

获取待检测图像：

对待检测图像进行基于双重压缩痕迹特征的篡改检测；

将待检测图像输入具有RGB流和噪声流双流输入的双流卷积篡改检测网络模型进行检测；

对待检测图像进行基于图像匹配的复制-粘帖检测；

输出检测结果。

2.根据权利要求1所述的基于多种特征和卷积神经网络的图像篡改区域检测方法，其特征在于，所述对待检测图像进行基于双重压缩痕迹特征的篡改检测，包括：

生成待检测图像的DCT系数直方图；

估计直方图周期性变换的周期；

采用贝叶斯公式估计直方图每个值来自篡改区域和未篡改区域的概率；根据直方图索引到待检测图像中每个图像块，估计每个图像块属于篡改区域的概率，将待检测图像中所有图像块篡改概率组成篡改后验概率图；

将篡改后验概率图中高于设定阈值的部分划分为篡改区域，低于设定阈值的部分划分为未篡改区域；

基于篡改区域和未篡改区域的概率值的方差之和判断是否有显著的连通区域，若有，则根据连通区域与篡改后验概率图的面积比值筛选确定篡改区域；若没有，判断待检测图像未经篡改。

3.根据权利要求2所述的基于多种特征和卷积神经网络的图像篡改区域检测方法，其特征在于，所述估计直方图周期性变换的周期，包括：

设周期为p，S_min和S_max为直方图左右边界的索引值，S₀为直方图最大值对应的索引值，对p取1到S_max/20之间的值，计算下式：

式中，i_max＝[(S_max-S₀)/p]，i_min＝[(S_min-S₀)/p]，h为直方图；

周期的最佳估计为：

p＝argmax_pH(p)。

4.根据权利要求3所述的基于多种特征和卷积神经网络的图像篡改区域检测方法，其特征在于，采用贝叶斯公式估计直方图每个值来自篡改区域和未篡改区域的概率，包括：

计算先验概率，未篡改图像块DCT变换后对应的直方图索引值为S₀+i的概率为经过篡改的图像块DCT变换后对应的直方图索引值为S₀+i的概率为P_t(S₀+i)＝1/p；

根据贝叶斯公式，如果一个图像块对应到直方图的索引值S₀+i，则该图像块来自篡改区域和未篡改区域的概率分别为：

P(tampered|s₀+i)＝P_t/(P_t+P_u)

P(unchanged|s₀+i)＝P_u/(P_t+P_u)

5.根据权利要求1所述的基于多种特征和卷积神经网络的图像篡改区域检测方法，其特征在于，所述对待检测图像进行基于图像匹配的复制-粘帖检测，包括：

采用基于球谐波变换的特征作为图像匹配的特征；

采用Patch Match进行特征匹配；

对检测结果图进行中值滤波，根据匹配区域与结果图面积的比值及匹配对中匹配区域之间的距离筛选确定篡改区域。

6.根据权利要求1所述的基于多种特征和卷积神经网络的图像篡改区域检测方法，其特征在于，所述获取待检测图像，包括：

采用最高的质量因子将取待检测图像的格式转换为JPEG。