[發(fā)明專利]基于深度隨機(jī)森林的JPEG圖像重采樣自動(dòng)檢測(cè)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201810401354.5
• 申請(qǐng)日: 2018-04-28
• 公開（公告）號(hào): CN108682007B
• 公開（公告）日: 2021-09-10
• 發(fā)明（設(shè)計(jì)）人: 王志鋒;左馳;葉俊民;田元;閔秋莎;夏丹;陳迪;羅恒;譚政;寧國勤
• 申請(qǐng)（專利權(quán)）人: 華中師范大學(xué)
• 主分類號(hào): G06T7/00
• 分類號(hào): G06T7/00;G06T7/42;G06T7/90;G06K9/62
• 代理公司: 北京金智普華知識(shí)產(chǎn)權(quán)代理有限公司 11401
• 代理人: 楊采良

1.一種基于深度隨機(jī)森林的JPEG圖像重采樣自動(dòng)檢測(cè)方法，其特征在于，所述基于深度隨機(jī)森林的JPEG圖像重采樣自動(dòng)檢測(cè)方法包括：

(11)提取描述JPEG圖像重采樣特性的特征向量：對(duì)圖像進(jìn)行預(yù)處理，提取描述JPEG圖像基于重采樣的四個(gè)特征：描述受重采樣操作影響的局部周期相關(guān)性所呈現(xiàn)出的紋理特征；描述R、G、B三個(gè)通道受重采樣操作影響的差異性的Benford特征；描述受重采樣操作影響的DCT系數(shù)與其周圍系數(shù)的關(guān)系的相鄰系數(shù)差特征；描述JPEG圖像重采樣后出現(xiàn)的塊效應(yīng)特征；

(12)基于典型相關(guān)分析的特征融合：使用典型相關(guān)分析法將描述重采樣特性的四組特征向量進(jìn)行融合；

(13)基于深度隨機(jī)森林的重采樣學(xué)習(xí)和檢測(cè)：使用深度隨機(jī)森林對(duì)融合后的特征向量進(jìn)行學(xué)習(xí)和檢測(cè)，包括：

(91)首先對(duì)特征向量進(jìn)行訓(xùn)練，對(duì)特征融合通過變換的特征向量的級(jí)聯(lián)或求和來執(zhí)行中得到的經(jīng)過了特征融合產(chǎn)生的特征向量Z₁，然后進(jìn)行多粒度掃描，用多粒度掃描流程來增強(qiáng)級(jí)聯(lián)森林,使用滑動(dòng)窗口掃描的生成實(shí)例，輸入森林后結(jié)果合并，生成新的特征；

(92)通過滑動(dòng)大小為m×m，步長(zhǎng)為n的特征窗口進(jìn)行多粒度掃描得到B組m×m維的特征向量；Z₁是一個(gè)M×N的矩陣，B＝(M-m+n)×(N-m+n)；

(93)根據(jù)步驟(92)，利用不同尺寸的滑動(dòng)窗口將原始特征切分成多個(gè)實(shí)例特征向量，經(jīng)過森林變換輸出類別概率向量，B_n，其中，n＝0,1,2,…,n；

(94)合并類別概率向量生成新的特征m；

(95)輸入特征向量C經(jīng)過森林輸出類別概率向量D₀，連接原始輸入作為下一層輸出D₁；

(96)將步驟(95)重復(fù)k次，經(jīng)過多個(gè)級(jí)聯(lián)森林，直到精度沒有變化或者達(dá)到最大網(wǎng)絡(luò)層數(shù)，得到4組維度為2的判別輸出；

(97)重復(fù)步驟(94)和(95)得到判別輸出直得到4組維度為2的判別輸出；

(98)將4組輸出結(jié)果取平均值作為最終結(jié)果，取最大的類別概率即為圖像是否經(jīng)過重采樣操作的訓(xùn)練結(jié)果。

2.如權(quán)利要求1所述的基于深度隨機(jī)森林的JPEG圖像重采樣自動(dòng)檢測(cè)方法，其特征在于，所述的受重采樣操作影響的局部周期相關(guān)性所呈現(xiàn)出的紋理特征的提取步驟包括：

(21)對(duì)圖像選擇感興趣的區(qū)域I，提取預(yù)提特征的JPEG圖像灰度值，得到圖像灰度值矩陣，記為I(i,j)；

(22)對(duì)灰度值矩陣I(i,j)，使用具有局部變換特性的圖像表示，得到卷積的輸出D_m來表征局部特征屬性；

(23)構(gòu)建基于重采樣描述的檢測(cè)特征，使用特征函數(shù)的特征函數(shù)矩來表征覆蓋系數(shù)和圖像概率分布的差異。

3.如權(quán)利要求2所述的基于深度隨機(jī)森林的JPEG圖像重采樣自動(dòng)檢測(cè)方法，其特征在于，所述步驟(22)中，選擇12個(gè)局部線性掩膜一同構(gòu)成圖像的局部線性表示的步驟包括：

(31)構(gòu)造12個(gè)局部線性掩膜，公式如下：

6個(gè)局部2維DCT掩膜：

6個(gè)SOD掩膜：

(32)將第m個(gè)紋理細(xì)節(jié)子帶D_m通過將I與進(jìn)行卷積而得到的局部線性表示的公式如下：

其中，m＝1,2,...,12；

所述步驟(23)中，使用特征函數(shù)矩表征圖像特征，步驟如下：

(41)首先使用L-bin直方圖來估計(jì)隨機(jī)變量D_m(i,j)的概率密度函數(shù)，以此來得到詳細(xì)的紋理子帶D_m的經(jīng)驗(yàn)特征函數(shù)；讓K點(diǎn)離散特征函數(shù)被定義為：

(42)提出一種新的特征函數(shù)的加權(quán)特征，第n個(gè)特征函數(shù)的重復(fù)特征定義為：

|Φ(k)|表示為幅度，通過快速傅里葉變換得到；

(43)定義歸一化為：

(44)將n＝3,得到圖像紋理特征向量如下：