[发明专利]基于频域变换和残差反馈模块的图像拼接篡改检测方法

说明书

本发明为一种基于频域变换和残差反馈模块的图像拼接篡改检测方法，包括：第一步，使用双编码器模块对输入图像进行特征提取，得到特征图F；双编码器模块由频域变换和残差反馈模块两条支路组成；第二步，特性图F经过密集空洞卷积模块和残差多核池化模块处理后，生成特征图E’；第三步，特征图E’经过特征解码器模块，得到定位掩码M；特征解码器模块包括四个残差反馈解码模块。本方法采用双编码器模块来提取特征，经过密集空洞卷积模块和残差多核池化模块来扩展全局视野以捕获更多抽象特征和保留更多空间信息，克服了因丢失上下文空间信息，容易导致错误预测，无法准确检测和定位较小尺寸的拼接篡改区域的缺陷。

技术领域

本发明属于图像分析技术领域，具体是一种基于频域变换和残差反馈模块的图像拼接篡改检测方法。

背景技术

随着计算机技术、数字图像处理技术以及Photoshop、ACD-See、iPhoto等图像编辑软件的快速发展，图像篡改和伪造可以处理得特别逼真，达到以假乱真的目的。利用伪造的图像能够扭曲事实真相，对社会造成极大的危害。近年来，篡改和伪造图像被多次用于军事、外交、科研等领域，对社会产生了不良的影响。因此，对伪造图像进行检测是十分有意义的。

拼接篡改是图像篡改中最常见的一种方式，是指将同一幅图像或者不同图像的某个对象或某个区域进行剪切，然后不作任何修改地粘贴到目标图像中，即将两幅或多幅图像的某个区域拼接到另一幅图像中，或者将一幅图像的某个区域复制粘贴到这幅图像的另一区域上以隐藏重要目标。

针对图像拼接篡改的检测方法主要分为两种：传统方法和基于深度学习的方法。

传统的图像拼接篡改检测方法一般是基于图像本质属性、图像压缩属性或者成像器件属性的检测方法，这些检测方法一般集中在一个特定的图像属性上，在实际检测中存在如下缺陷：如果在拼接伪造过程后进行一些隐藏处理，基于图像本质属性的检测方法可能会失败；基于图像压缩属性的检测方法只能检测JPEG格式保存的图像；基于成像设备属性的检测方法可能会在图像的设备噪声强度很弱的情况下导致检测失败。

近年来，随着深度学习技术的发展，卷积神经网络(CNN)在计算机视觉领域取得了巨大成功。CNN的特征提取使一些研究者认识到CNN也可以用来完成图像拼接篡改检测。CNN最初是用来判断图像是否被篡改，但它无法定位篡改区域。Y.Zhang在论文“Image regionforgery detection:Adeep learning approach”中，试图用CNNs来定位被篡改区域，但是检测到的区域仅仅是由一些正方形的白块组成的不精确的粗糙区域，这种基于CNN的检测方法只是初步尝试，效果并不理想。为了提高检测篡改区域的精度，Y.Wei在论文“C2r net:The coarse to refined network for image forgery detection”中使用非重叠图像块作为CNNs的输入。然而，当一个图像块完全来自篡改区域时，该图像块将被判定为未篡改标签。B.Liu在论文“Deep fusion network for splicing forgery localization”中，利用较大的图像块来揭示篡改区域的图像属性，但是如果伪造图像较小，则可能会导致检测失败。