[發明專利]一種基于樣本錯配訓練的圖像PRNU噪聲提純方法及系統

在審

• 申請號: 202011132031.4
• 申請日: 2020-10-21
• 公開（公告）號: CN112233035A
• 公開（公告）日: 2021-01-15
• 發明（設計）人: 田華偉;郝昕澤;肖延輝;唐云祁
• 申請（專利權）人: 中國人民公安大學
• 主分類號: G06T5/00
• 分類號: G06T5/00;G06T9/00;G06N3/08;G06N3/04
• 代理公司: 北京天悅專利代理事務所(普通合伙) 11311
• 代理人: 田明;楊方

1.一種基于樣本錯配訓練的圖像PRNU噪聲提純方法，其特征在于，包括：

S100、獲取同一數字圖像傳感器的多個噪聲圖像，形成深度堆疊自編碼器的訓練集；

S200、基于所述深度堆疊自編碼器的訓練集、樣本錯配的訓練技術和人工神經網絡，訓練得到深度堆疊自編碼器模型；

S300、獲取某一數字圖像傳感器的噪聲圖像作為待提純的PRNU噪聲圖像，將所述待提純的PRNU噪聲圖像輸入所述深度堆疊自編碼器模型進行提純，得到提純后的高質量PRNU噪聲圖像。

2.根據權利要求1所述的基于樣本錯配訓練的圖像PRNU噪聲提純方法，其特征在于，步驟S100包括：

S101、對同一數字圖像傳感器拍攝的多個圖像進行降噪處理，計算得到所述多個圖像的噪聲殘差；

S102、基于所述多個圖像的噪聲殘差和最大似然估計法，計算得到每個圖像的噪聲的最大似然估計值作為對應的噪聲圖像。

3.根據權利要求2所述的基于樣本錯配訓練的圖像PRNU噪聲提純方法，其特征在于，步驟S101中，通過下式計算得到所述多個圖像的噪聲殘差：

Wⁱ＝Iⁱ-F(Iⁱ)(i＝1,…,N)

其中，Iⁱ為第i個圖像，F(Iⁱ)為對第i個圖像進行降噪處理，Wⁱ為第i個圖像的噪聲殘差，i、N為正整數。

4.根據權利要求2所述的基于樣本錯配訓練的圖像PRNU噪聲提純方法，其特征在于，步驟S101中，通過下式計算得到所述數字圖像傳感器的噪聲K的最大似然估計值

其中，Iⁱ為第i個圖像，Wⁱ為第i個圖像的噪聲殘差，i、N為正整數。

5.根據權利要求1所述的基于樣本錯配訓練的圖像PRNU噪聲提純方法，其特征在于，步驟S200中，所述深度堆疊自編碼器模型包括多個模塊，每個模塊均包括兩個網絡結構相同的自編碼器，單個自編碼器包括輸入層、隱藏層和輸出層三層神經網絡，將所述深度堆疊自編碼器的訓練集作為第一個模塊內第一個自編碼器的輸入，

所述第一個模塊的訓練過程如下：

所述第一個模塊內第一個自編碼器的輸入與期望輸出保持一致，通過最小化重構誤差進行無監督學習，訓練完成后，提取所述第一個模塊內第一個自編碼器的真實輸出作為所述第一個模塊內第二個自編碼器的輸入，并將所述第一個模塊內第一個自編碼器的原始輸入打亂順序，形成所述第一個模塊內第二個自編碼器的期望輸出，通過最小化重構誤差進行無監督學習，訓練完成后，得到所述第一個模塊內第二個自編碼器的真實輸出，完成所述第一個模塊的訓練；

所述第二個模塊的訓練過程如下：

提取所述第一個模塊內第一個自編碼器的隱藏層輸出作為所述第二個模塊內第一個自編碼器的輸入，通過最小化重構誤差進行無監督學習，訓練完成后，提取所述第二個模塊內第一個自編碼器的真實輸出作為所述第二個模塊內第二個自編碼器的輸入，提取所述第一個模塊內第二個自編碼器的隱藏層輸出作為所述第二個模塊內第二個自編碼器的期望輸出，通過最小化重構誤差進行無監督學習，完成所述第二個模塊的訓練；

按照所述第一個模塊和所述第二個模塊的訓練過程對所述多個模塊中的每個模塊依次進行訓練，訓練完成后，提取每個模塊中的隱藏層作為所述深度堆疊自編碼器模型的編碼器部分，提取每個模塊中的輸出層作為所述深度堆疊自編碼器模型的解碼器部分，再次將所述深度堆疊自編碼器的訓練集輸入所述深度堆疊自編碼器模型，通過最小化重構誤差進行無監督學習，完成所述深度堆疊自編碼器模型的微調過程。

6.根據權利要求1所述的基于樣本錯配訓練的圖像PRNU噪聲提純方法，其特征在于，所述方法還包括：

S400、基于S100的方法獲取某一數字圖像傳感器的待提純的PRNU噪聲圖像，并將其通過S300得到高質量PRNU噪聲圖像，分別計算所述待提純的PRNU噪聲圖像和所述高質量PRNU噪聲圖像的峰值相關能量比值，將兩個峰值相關能量比值進行比較，驗證所述深度堆疊自編碼器模型的提純效果。