[發明專利]一種深度學習的圖像防篡改系統及方法

在審

• 申請號: 202210738773.4
• 申請日: 2022-06-28
• 公開（公告）號: CN114936986A
• 公開（公告）日: 2022-08-23
• 發明（設計）人: 張學武
• 申請（專利權）人: 張學武
• 主分類號: G06T5/00
• 分類號: G06T5/00;G06T7/00;G06T7/10;G06T7/90;G06V10/764;G06N3/04
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種深度學習的圖像防篡改系統及方法，其特征在于包括以下步驟：

圖像采集過程中，設備不可避免地要引入模式噪聲，這是不同設備的特有屬性，即使兩個型號完全相同的設備，其模式噪聲也會有所不同；

1）模式噪聲估計算法需要事先建立訓練集，將已知相同型號的設備作為一類，利用去噪算法過濾出圖像的“殘余噪聲”作為這一類圖像的參考噪聲；然后對比待檢測圖像的殘余噪聲和訓練集中的各類參考噪聲，從而確定設備的型號；

2）彩色圖像設備成像過程中，通常只采集RGB三色通道中的其中一種顏色信息，然后再利用CFA（color filter array）插值獲取其他兩種顏色；通過此種方法形成的圖像，其RGB三色通道之間往往存在一定的相關性，不同的設備使用的插值算法和模型也不同，CFA插值算法就是利用了這個特性判斷圖像的來源；然后利用SVM對19種不同設備產生的圖像進行分類；

3）設備在進行圖像采集時，光學鏡頭的失真會最終引入到生成的圖像中，給圖像帶來幾何特性的變化，不同的設備帶來的幾何變化不同，光學鏡頭失真算法就是用了設備成像的這種特性進行圖像來源分類，通過提取圖像中的直線失真對圖像的來源進行鑒別，通過對三種設備圖像進行分類。

2.根據權利要求1所述的一種深度學習的圖像防篡改系統及方法，其特征在于步驟1）中：所述圖像采集過程具體步驟為；

1）圖像克隆被動取證由于圖像采集的多樣性，同一張圖像中的噪聲、紋理完全相同的區域幾乎不可能出現，而圖像克隆篡改方法將導致圖像中出現了兩個完全相同的區域，因此該類取證方法的關鍵在于尋找圖像中兩個完全相同的區域；

2）圖像拼接被動取證這種方法針對的是不同圖像的復制-粘貼篡改方法，該方法產生的篡改圖像其統計特性會發生改變，并且邊緣特征也會發生變化，通過濾波器對圖像進行處理，凸顯圖像邊緣特征，從而發現真實區域與篡改區域之間的邊緣差異；

3）重采樣被動取證一般對圖像進行克隆或拼接等篡改操作以后，偽造者會對合成區域進行縮放、旋轉，使其尺寸或者形態更符合視覺感受，對圖像尺寸的縮放即重采樣，通常采用插值算法來增加（上采樣）或減少（下采樣）圖像像素，這就會改變圖像原有的統計特性。

3.根據權利要求1所述的一種深度學習的圖像防篡改系統及方法，其特征在于步驟2）中：所述彩色圖像設備成像過程不同成像設備采取的顏色濾波陣列CFA往往存在差異，通過對比分析CFA插值的相關性判斷圖像真偽，對CFA插值帶來的特殊相關系數進行量化，提出了一種能夠自動在圖像人一部分檢測這種相關系數的方法，從而可以判斷圖像的篡改區域，鑒別圖像的真偽。

4.根據權利要求1所述的一種深度學習的圖像防篡改系統及方法，其特征在于步驟3）的具體方法為：

（1）為了避免提取圖像語義特征，研究者們從傳統圖像取證方法中受到啟發，采用圖像塊級別提取特征的方法[36]，在提取特征之前，首先將圖像分割成大小相同的圖像塊，然后再逐一提取圖像塊的篡改特征（如手工設計特征、圖像統計特征等），通過將圖像分割為圖像塊，避免了單一圖像塊中有完整的語義主體，同時對圖像塊的處理也提升了模型的效率，但隨著人們對模型識別精度的要求不斷提升，基于圖像塊的方法定位較為粗糙，倘若將圖像分割為更小的圖像塊，又將會導致計算成本提升，為了解決這個問題，Bappy,等人[37]提出了一種基于像素級別概率映射的方法，建立了圖像塊級別與像素級別的映射關系，作者建立了CNN-LSTM圖像被動取證模型，首先通過卷積操作提取重疊圖像塊的特征，然后采用LSTM網絡捕捉不同圖像塊像素之間上下文依賴關系，計算像素級別的篡改概率映射，最終輸出像素級別的修改區域掩碼（mask）；

（2）需要對虛假圖像中的篡改區域進行定位，輸出內容有兩種方式，一種是以boundingbox的方式輸出，另一種是以篡改區域二進制掩碼（mask）的方式輸出，很多基于深度學習的圖像被動取證方法，由于不同篡改手段所具備的特征具有很大差異，大多數模型只能對一種篡改方式進行識別，少數模型可以實現多種篡改方式的識別，本文接下來將按照拼接檢測、復制-粘貼檢測、計算機生成檢測、多種操作檢測四類進行詳述。