CN107679572A - 一种图像判别方法、存储设备及移动终端 - Google Patents
一种图像判别方法、存储设备及移动终端 Download PDFInfo
- Publication number
- CN107679572A CN107679572A CN201710909494.9A CN201710909494A CN107679572A CN 107679572 A CN107679572 A CN 107679572A CN 201710909494 A CN201710909494 A CN 201710909494A CN 107679572 A CN107679572 A CN 107679572A
- Authority
- CN
- China
- Prior art keywords
- image
- branching networks
- tensor
- module
- input
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
- G06F18/2193—Validation; Performance evaluation; Active pattern learning techniques based on specific statistical tests
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Compression Or Coding Systems Of Tv Signals (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种图像判别方法、存储设备及移动终端,方法包括:选取图像进行JPEG压缩时产生的DCT系数,并从DCT系数中按zigzag顺序选取前20个AC系数子带,组成对应的输入张量,按照一定的组织方式输入至对应的分支网络结构中;分支网络结构中的卷积模块对输入张量进行卷积操作、批量归一化处理、非线性化操作以及数据降维处理,将处理后的张量数据合并后输入至分类模块;分类模块将分支网络结构输出的张量数据进行分类,使用交叉熵损失函数对分类结果进行计算,根据计算结果判断图像是否经过双重JPEG压缩。本发明提高了图像是否经过双重JPEG压缩的检测准确性,有效判别图像是否别篡改,且无需对图像进行预处理,避免人为因素对判别结果的影响。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种图像判别方法、存储设备及移动终端。
背景技术
随着移动互联网的迅猛发展,人们每天都在产生和接触海量的数字图像。但是随着一些易于操作的图像编辑软件的流行,人们可以较为容易对图像进行处理或者修改,这同时也增加图像被他人恶意篡改的风险。
JPEG(Joint Photographic Experts Group)格式图像由于其压缩保真度高同时占用空间小的优点,被人们广泛使用。因此如果有数字犯罪者想要篡改图像内容,他/她会很大概率针对JPEG格式的图像;图像内容经过篡改之后,为掩盖篡改痕迹,该图像会被重新储存为同样的格式,这个操作被称作为”双重JPEG压缩”。因此判断图像是否经过”双重JPEG压缩”就为判断图像是否被篡改的依据。
现有技术中一般都是提取图像压缩时进行的二维DCT(Discrete CosineTransformation)变化得到的DCT系数中的前20个AC系数子带,计算它们的首字母出现的频率(0至9),组成一维向量特征(20×9=180 维),再将这一维向量特征输送到FLD(FisherLinear Classifier)分类器中进行分类。这种方法对于图像是否经过双重JPEG压缩具有很高的检测率。然而,这种方法暴露出容易受人攻击的特点:该DCT系数的分布在提取首字母特征之前,存在可以被人为拟合再度近似服从Benford 分布的可能性,从而该图像可通过适当的预处理而伪造不具有双重 JPEG压缩的痕迹,使得检测难度大大加大。此外,该方法的有效性是基于人为提取特征,是需要人为的对图像进行预处理,也就是说人为的因素可能会数对检测结果产生影响,从而影响到判断结果的准确性。
因此,现有技术还有待于改进和发展。
发明内容
本发明要解决的技术问题在于,针对现有技术的上述缺陷,提供一种图像判别方法、存储设备及移动终端,旨在解决现有技术中对图像是否经过双重JPEG压缩的检测效果差以及需要对图像进行人为的预处理,影响检测结果的问题。
本发明解决技术问题所采用的技术方案如下:
一种图像判别方法,其中,所述方法包括:
选取图像进行JPEG压缩时产生的DCT系数,并从DCT系数中按 zigzag顺序选取前20个AC系数子带,组成对应的输入张量,并按照一定的组织方式依次输入至对应的分支网络结构中;
所述分支网络结构中预设好的卷积模块对输入张量进行卷积操作、批量归一化处理、非线性化操作以及数据降维处理,并将各分支网络结果处理后的张量数据合并后输入至分类模块;
所述分类模块将经所述分支网络结构输出的张量数据进行分类,并使用交叉熵损失函数对分类结果进行计算,根据计算结果判断图像是否经过双重JPEG压缩。
所述的图像判别方法,其中,所述选取图像进行JPEG压缩时产生的DCT系数,并从DCT系数中按zigzag顺序选取前20个AC系数子带,组成对应的输入张量,并按照一定的组织方式依次输入至对应的分支网络结构中还包括:
切割层提供张量的组织方式,并预先创建21个用于对输入张量进行数据处理的分支网络结构,前20个分支网络结构依次接收DCT 系数中的前20个AC系数子带;第21个分支网络结构用来接收总的 AC系数子带。
所述的图像判别方法,其中,所述分支网络结构具体包括:前 20个分支网络结构完全相同,且每个分支网络结构均包含1个取绝对值模块以及3个卷积模块;
第21个分支网络结构中包含1个取绝对值模块以及4个卷积模块。
所述的图像判别方法,其中,所述分支网络结构中的卷积模块的包括:卷积层、批量归一化层、激活函数层以及池化层;
且卷积模块的创建方法包括:构建卷积神经网络模型,并就该模型进行参数初始化;
按照预定的比例设置数据张量的训练集、验证集以及测试集,并将训练集输入到初始化后的卷积神经网络模型中,对该模型进行训练以及参数学习;
在训练集经过训练以及参数学习之后,将验证集输入到卷积神经网络模型中进行测试,然后将结果最好的那一代卷积神经网络模型保存用于测试集的测试,从而创建所述卷积模块。
所述的图像判别方法,其中,所述选取图像进行JPEG压缩时产生的DCT系数,并从DCT系数中按zigzag顺序选取前20个AC系数子带,组成对应的输入张量,并按照一定的组织方式依次输入至对应的分支网络结构中具体包括:
获取待判断是否为经过双重JPEG压缩的图像数据,并从图像数据中获取进行JPEG压缩时产生的DCT系数;
按照zigzag顺序选取DCT系数中的前20个AC系数子带,并组成对应的输入张量;
将输入张量按照前20个AC系数子带依次输入到预设的第1至第 20个分支网络结构中,并把总的前20个AC系数子带输入至预设的第21个分支网络结构中。
所述的图像判别方法,其中,所述分支网络结构中预设好的卷积模块对输入张量进行卷积操作、批量归一化处理、非线性化操作以及数据降维处理,并将各分支网络结构处理后的张量数据合并后输入至分类模块具体包括:
所述分支网络结构中的取绝对值模块将输入张量数据中的元素转换为绝对值;
所述分支网络结构预先设置好的卷积模块中的卷积层对输入张量数据进行卷积操作;
所述卷积模块中的批量归一化层使用Batch Normalization的方式对输入张量数据进行批量归一化处理;
所述卷积模块中的激活函数层使用TanH函数对上一层输出的处理结果进行非线性化处理;
所述卷积模块中的池化层使用下采样的方式进行数据降维处理;
将经过各分支网络结构处理后的张量合并成一维特征向量输入至预设的分类模块。
所述的图像判别方法,其中,所述分类模块将经所述分支网络结构输出的张量数据进行分类,并使用交叉熵损失函数对分类结果进行计算,根据计算结果判断图像是否经过双重JPEG压缩具体包括:
所述分类模块中的全连接层使用神经元个数为30的第一神经网络层和神经元个数为2的第二神经网络层对一维向量特征进行分类;所述第一神经网络层连接TanH函数,所述第二神经网络层连接 Softmax函数;
最后使用交叉熵损失函数进行分类结果的计算,根据计算结果判断图像是否经过双重JPEG压缩。
所述的图像判别方法,其中,所述分类模块中还包括:
以最小化损失函数为目的进行卷积神经网络的梯度计算,所述梯度用来调整卷积神经网络模型的初始化权重,以优化卷积神经网络模型的性能。
一种存储设备,其上存储有多条指令,其中,所述指令适于由处理器加载并执行,以实现上述任一项所述的图像判别方法。
一种移动终端,其特征在于,包括:处理器、与处理器通信连接的存储设备,所述存储设备适于存储多条指令;所述处理器适于调用所述存储设备中的指令,以执行实现上述任一项所述的图像判别方法。
本发明的有益效果:本发明采用卷积神经网络模型对图像进行检测,有效提高了图像是否经过双重JPEG压缩的检测准确性,从而有效判别图像是否别篡改,且无需对图像进行预处理,避免人为因素对判别结果的影响。
附图说明
图1是本发明的图像判别方法的第一较佳实施例的流程图。
图2是本发明中按zigzag顺序选取前20个AC系数子带的示意图。
图3是本发明的图像判别方法的第二较佳实施例的流程图。
图4是本发明的移动终端的较佳实施例的功能原理框图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚、明确,以下参照附图并举实施例对本发明进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
随着移动互联网的迅猛发展,尤其是微博、微信等新兴媒介的出现,再加上各种配备摄像头的移动终端越来越普及,人们每天都在产生和接触海量的数字图像。但是随着Adobe Photoshop、美图秀秀等一些易于操作的图像编辑软件的流行,人们可以较为容易地按照自己的意愿对图像进行处理或者修改,不论无意或者故意,这些篡改图像的出现已经对“所见即现实”提出巨大挑战,在特定场合将产生不良影响,并且也增加了图像内容可随意被他人篡改的风险,给用户带来了不便。为此,判别图像内容是否被篡改就显得尤为重要。
在日常生活中,人们比较常见的图像格式一般都是JPEG格式,而JPEG格式的图像在被他人篡改的之后,犯罪分子为掩盖篡改痕迹,该图像会被重新储存为同样的格式,这就是所谓的”双重JPEG压缩”。换句话说,如果检测出某一图像经过”双重JPEG压缩”,则就可认为该图像被篡改过。因此,本发明所要实现的主要目的就是对图像进行检测,判断图像是否经过双重JPEG压缩,从而判断图像是否被篡改。
如图1所示,图1是本发明的图像判别方法的第一较佳实施例的流程图。所述图像判别方法包括以下步骤:
步骤S100、选取图像进行JPEG压缩时产生的DCT系数,并从DCT系数中按zigzag顺序选取前20个AC系数子带,组成对应的输入张量,并按照一定的组织方式依次输入至对应的分支网络结构中。
较佳地,所述步骤S100具体包括:
步骤S101、获取待判断是否经过双重JPEG压缩的图像数据,并从图像数据中获取进行JPEG压缩时产生的DCT系数;
步骤S102、按照zigzag顺序选取DCT系数中的前20个AC系数子带,并组成对应的输入张量;
步骤S103、将输入张量按照前20个AC系数子带依次输入到预设的第1至第20个分支网络结构中,并把总的前20个AC系数子带输入至预设的第21个分支网络结构中。
具体实施时,由于现有技术中的图像判别方法一般都是需要对图像进行预处理,而这种预处理会对图像的判别效果产生很大的影响。因此,为了避免这种影响,本发明采用原始图像数据,将原始图像数据作为输入特征,完全去除了图像预处理的步骤,提高图像判别的准确性。
进一步地,由于JPEG图像在压缩时,图像首先被分割成M个连续且互不重叠的8×8图像块,对每个图像块进行二维DCT变换,得到64个子带的DCT系数。随后每个子带的DCT系数被量化表中对应的量化因子进行量化并取整,从而得到量化DCT系数。分别对 DC(DirectCurrent)系数和AC(Alternating Current)系数进行差分脉冲调制编码和游程编码,再对二者同时进行熵编码即可得到JPEG图像,这就是JPEG图像的一次压缩过程。因此,本发明直接获取图像压缩时所产生的DCT系数,并按照zigzag顺序从DCT系数中选取前20个 AC系数子带,并依次组合成对应的输入张量,所述输入张量即为本发明输入的图像的特征。
具体地,如图2所示,图2是本发明中按zigzag顺序选取前20 个AC系数子带的示意图。由于图像在压缩时被分割成了8×8图像块,且每个图像块进行二维DCT变换,得到64个子带的DCT系数。本发明中按照zigzag顺序选取前20个AC系数子带,图2中箭头方向所示即为ziazag顺序的方向。较佳地,图中编号为1为DC系数,因此,本发明所选取的前20个AC系数子带就是从编号2至编号21。
较佳地,本发明的切割层提供张量的组织方式,并预先建立若干个分支网络机构,所述分支网络机构的个数为21个。并且分支网络结构中的前20个依次用来接收DCT系数中的前20个AC系数子带;而第 21个分支网络结构用来接收总的20个AC系数子带。也就是说,20个 AC系数子带所对应的输入张量一次输入至前20个分支网络结构中,而总的AC系数子带至第21个分支网络结构中。由于JPEG图像是以不重叠的8×8图像块进行DCT变换的,因此以输入图像的尺寸为256× 256为例,每条子带的DCT系数维度为32×32(256/8×256/8),由此总的输入张量维度为32×32×20。当然,分支神经网络结构的个数可以根据需求增加或者减少,但这都应属于本发明的保护范围。
进一步地,前20个分支网络结构完全相同,且每个分支网络结构均包含1个取绝对值模块以及3个卷积模块;第21个分支网络结构中包含1个取绝对值模块以及4个卷积模块。所述绝对值模块用来对输入张量中的元素转换为非负数值,所述卷积模块用来对输入张量进行数据处理。
所述分支网络结构中的卷积模块的包括:卷积层、批量归一化层、激活函数层以及池化层。本发明所采用的是利用卷积神经网络对图像进行判断是否经过双重JPEG压缩,因此需要预先建立所述卷积模块。首先,构建卷积神经网络模型,并就该模型进行参数初始化。具体地,卷积层中的卷积核使用服从均值为0、标准差为0.1的高斯分布随机数进行初始化,偏置项使用服从区间为[0,1]的均匀分布随机数进行初始化,且初始化,偏置项初始化为全零值。所述卷积层的初始化参数如表1所示,表1为本发明的卷积模块的初始化参数设置。
表1
由于第一到第20个分支网络结构中具有3个卷积模块,且从表1中可以看出每一个卷积模块中的卷积核尺寸与输出特征图个数均不一样。而第21个分支网络结构中具有4个卷积模块,且每个卷积核尺寸与输出特征图个数也不一样。所述卷积层的卷积核的参数可以根据需求自主设置。
然后,按照预定的比例设置数据张量的训练集、验证集以及测试集,并将训练集输入到初始化后的卷积神经网络模型中,对该模型进行训练以及参数学习。较佳地,设置全部数据迭代次数为80代,每代训练前数据集全部随机扰乱;在经过训练集训练以及参数学习之后,将验证集输入到卷积神经网络模型中进行学习,学习率初始化为0.05,并随着每20代衰减70%。并且在40代的训练后,每一代都进行验证集的测试。在进行模型训练时,将批量归一化层动量τ设置为0.999,常量ξ设置为0.01。然后将结果最好的那一代卷积神经网络模型保存用于测试集的测试,从而创建所述卷积模块。
步骤S200、分支网络结构中预设好的卷积模块对输入张量进行卷积操作、批量归一化处理、非线性化操作以及数据降维处理,并将各分支网络结构处理后的张量数据合并后输入至预设的分类模块。
较佳地,所述步骤S200具体包括:
步骤S201、所述分支网络结构中的取绝对值模块将输入张量数据中的元素转换为绝对值;
步骤S202、所述分支网络结构预先设置好的卷积模块中的卷积层对输入张量数据进行卷积操作;
步骤S203、所述卷积模块中的批量归一化层使用Batch Normalization的方式对输入张量数据进行批量归一化处理;
步骤S204、所述卷积模块中的激活函数层使用TanH函数对上一层输出的处理结果进行非线性化处理;
步骤S205、所述卷积模块中的池化层使用下采样的方式进行数据降维处理;
步骤S206、将经过各分支网络结构处理后的张量合并输入至预设的分类模块。
具体实施时,所述分支网络结构中的取绝对值模块以及卷积模块对输入的张量进行相应的处理。具体地,所述卷积模块中的卷积层进行卷积操作、批量归一化层(BatchNormalization,简写成BN)在卷积神经网络模型的每次训练的小批次中进行批量归一化处理。激活函数层使用TanH函数对上一层输出的处理结果进行非线性化处理;池化层使用下采样的方式进行数据降维处理;并将经21个分支网络结构输出的张量数据依次首尾相接成一维向量特征并输入至分类模块。值得说明的是,本发明中所用到的激活函数可以进行替换,但是应当说明的是,替换激活函数后也应该属于本发明的保护范围。
具体地,本发明中的批量归一化层(BN)的函数公式为:
其中表示输出的卷积模块中每一个特征图。具体地,
所述批量归一化层使用上述公式对输入张量数据进行批量归一化处理。
步骤S300、分类模块将经所述分支网络结构输出的张量数据进行分类,并使用交叉熵损失函数对分类结果进行计算,根据计算结果判断图像是否经过双重JPEG压缩。
较佳地,所述步骤S300具体包括:
步骤S301、所述分类模块中的全连接层使用神经元个数为30的第一神经网络层和神经元个数为2的第二神经网络层对一维向量特征进行分类;所述第一神经网络层连接TanH函数,所述第二神经网络层连接Softmax函数;
步骤S302、最后使用交叉熵损失函数进行分类结果的计算,根据计算结果判断图像是否经过双重JPEG压缩。
具体实施时,所述全连接层使用神经元个数分别为30和2的第一神经网络层和第二神经网络层对一维向量特征进行分类,且所述第一神经网络层连接TanH函数,所述第二神经网络层连接Softmax函数。较佳地,所述TanH函数公式为:
其中x表示输入的一维特征向量。
所述Softmax函数公式为:
N=1,2,…,c。
最后使用交叉熵损失函数进行分类结果的计算,根据计算结果判断图像是否经过双重JPEG压缩,从而判断出图像内容是否被篡改。进一步地,本发明中,所述交叉熵损失函数具体为:
较佳地,在所述分类模块中需以最小化损失函数为目的进行卷积神经网络的梯度计算,所述梯度用来调整卷积神经网络模型的初始化权重,以优化卷积神经网络模型的性能。
为了更好的理解本发明的技术方案,本发明还公开了另一种实施例,如图3所示,图3是本发明的图像判别方法的第二较佳实施例的流程图。
由图2中是以输入图像的尺寸为256×256为例。由于JPEG图像是以不重叠的8×8图像块进行DCT变换的,每条子带的DCT系数维度为32×32(256/8×256/8),由此总的输入张量维度为32×32 ×20。
切割层提供张量的组织方式,并预先创建21个用于对输入张量进行数据处理的分支网络结构,前20个分支网络结构依次接收DCT 系数中的前20个AC系数子带;第21个分支网络结构用来接收总的 AC系数子带。根据一定的组织方式将20个AC系数子带输入至分支中,具体地,前20个AC系数子带依次输入至分支#1到分支#20,将总的AC系数子带输入至分支#21。之后每隔分支中的取绝对值模块以及卷积块分别对输入的张量数据进行数据处理。具体地,卷积块中的卷积层进行卷积操作、批量归一化层(Batch Normalization)在卷积神经网络模型的每次训练的小批次中进行批量归一化处理。激活函数层使用TanH函数对上一层输出的处理结果进行非线性化处理;池化层使用下采样的方式进行数据降维处理;并将经21个分支网络结构输出的张量数据依次首尾相接成一维向量特征并输入至全连接层。全连接层使用神经元个数分别为30和2的第一神经网络层和第二神经网络层对合并之后的数据进行分类,且所述第一神经网络层连接 TanH函数,所述第二神经网络层连接Softmax函数。最后输出分类标签,根据分类标签判断图像是否经过双重JPEG压缩,从而判断出图像内容是否被篡改。
本发明相对于现有技术相比具有更加准确的判别结果,具体如表 2和表3所示,表2为本发明的判别结果,表3为现有技术的判别结果。
表2
表3
由此可见,本发明采用卷积神经网络模型对原始图像数据进行分析与判断,从而判断出图像是否经过双重JPEG压缩,相对于传统的方法来说,本发明避免了人为因素的影响,判断效果更好,给用户提供了方便。
当然,本发明除了应用于分辨图像是一次JPEG压缩图像还是双重JPEG压缩图像之外,也可以有效判别未压缩图像(Uncompressed images)和解压缩图像(Decompressedimages)。
基于上述实施例,本发明还公开了一种移动终端。如图4示,包括:处理器(processor)10、与处理器连接的存储设备(memory)20;其中,所述处理器10用于调用所述存储设备20中的程序指令,以执行上述实施例所提供的方法,例如执行:
步骤S100、选取图像进行JPEG压缩时产生的DCT系数,并从 DCT系数中按zigzag顺序选取前20个AC系数子带,组成对应的输入张量,并按照一定的组织方式依次输入至对应的分支网络结构中;
步骤S200、所述分支网络结构中预设好的卷积模块对输入张量进行卷积操作、批量归一化处理、非线性化操作以及数据降维处理,并将各分支网络结果处理后的张量数据合并后输入至预设的分类模块;
步骤S300、所述分类模块将经所述分支网络结构输出的张量数据进行分类,并使用交叉熵损失函数对分类结果进行计算,根据计算结果判断图像是否经过双重JPEG压缩。
本发明实施例还提供一种存储设备,所述存储设备上存储计算机指令,所述计算机指令使计算机执行上述各实施例所提供的方法。
综上所述,本发明提供的一种图像判别方法、存储设备及移动终端,方法包括:选取图像进行JPEG压缩时产生的DCT系数,并从DCT 系数中按zigzag顺序选取前20个AC系数子带,组成对应的输入张量,并按照一定的组织方式依次输入至对应的分支网络结构中;所述分支网络结构中预设好的卷积模块对输入张量进行卷积操作、批量归一化处理、非线性化操作以及数据降维处理,并将各分支网络结果处理后的张量数据合并后输入至预设的分类模块;所述分类模块将经所述分支网络结构输出的张量数据进行分类,并使用交叉熵损失函数对分类结果进行计算,根据计算结果判断图像是否经过双重JPEG压缩。本发明采用卷积神经网络模型对图像进行检测,有效提高了图像是否经过双重JPEG压缩的检测准确性,从而有效判别图像是否别篡改,且无需对图像进行预处理,避免人为因素对判别结果的影响。
应当理解的是,本发明的应用不限于上述的举例,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (10)
1.一种图像判别方法,其特征在于,所述方法包括:
选取图像进行JPEG压缩时产生的DCT系数,并从DCT系数中按zigzag顺序选取前20个AC系数子带,组成对应的输入张量,并按照一定的组织方式依次输入至对应的分支网络结构中;
所述分支网络结构中预设好的卷积模块对输入张量进行卷积操作、批量归一化处理、非线性化操作以及数据降维处理,并将各分支网络结果处理后的张量数据合并后输入至分类模块;
所述分类模块将经所述分支网络结构输出的张量数据进行分类,并使用交叉熵损失函数对分类结果进行计算,根据计算结果判断图像是否经过双重JPEG压缩。
2.根据权利要求1所述的图像判别方法,其特征在于,所述选取图像进行JPEG压缩时产生的DCT系数,并从DCT系数中按zigzag顺序选取前20个AC系数子带,组成对应的输入张量,并按照一定的组织方式依次输入至对应的分支网络结构中之前还包括:
切割层提供张量的组织方式,并预先创建21个用于对输入张量进行数据处理的分支网络结构,前20个分支网络结构依次接收DCT系数中的前20个AC系数子带;第21个分支网络结构用来接收总的AC系数子带。
3.根据权利要求2所述的图像判别方法,其特征在于,所述分支网络结构具体包括:前20个分支网络结构完全相同,且每个分支网络结构均包含1个取绝对值模块以及3个卷积模块;
第21个分支网络结构中包含1个取绝对值模块以及4个卷积模块。
4.根据权利要求1所述的图像判别方法,其特征在于,所述分支网络结构中的卷积模块的包括:卷积层、批量归一化层、激活函数层以及池化层;
且卷积模块的创建方法包括:构建卷积神经网络模型,并就该模型进行参数初始化;
按照预定的比例设置数据张量的训练集、验证集以及测试集,并将训练集输入到初始化后的卷积神经网络模型中,对该模型进行训练以及参数学习;
在训练集经过训练以及参数学习之后,将验证集输入到卷积神经网络模型中进行测试,然后将结果最好的那一代卷积神经网络模型保存用于测试集的测试,从而创建所述卷积模块。
5.根据权利要求1所述的图像判别方法,其特征在于,所述选取图像进行JPEG压缩时产生的DCT系数,并从DCT系数中按zigzag顺序选取前20个AC系数子带,组成对应的输入张量,并按照一定的组织方式依次输入至对应的分支网络结构中具体包括:
获取待判断是否经过双重JPEG压缩的图像数据,并从图像数据中获取JPEG压缩时产生的DCT系数;
按照zigzag顺序选取DCT系数中的前20个AC系数子带,并组成对应的输入张量;
将输入张量按照前20个AC系数子带依次输入到预设的第1至第20个分支网络结构中,并把总的前20个AC系数子带输入至预设的第21个分支网络结构中。
6.根据权利要求1所述的图像判别方法,其特征在于,所述分支网络结构中预设好的卷积模块对输入张量进行卷积操作、批量归一化处理、非线性化操作以及数据降维处理,并将各分支网络结构处理后的张量数据合并后输入至分类模块具体包括:
所述分支网络结构中的取绝对值模块将输入张量数据中的元素转换为绝对值;
所述分支网络结构预先设置好的卷积模块中的卷积层对输入张量数据进行卷积操作;
所述卷积模块中的批量归一化层使用Batch Normalization的方式对输入张量数据进行批量归一化处理;
所述卷积模块中的激活函数层使用TanH函数对上一层输出的处理结果进行非线性化处理;
所述卷积模块中的池化层使用下采样的方式进行数据降维处理;
将经过各分支网络结构处理后的张量合并成一维向量特征输入至预设的分类模块。
7.根据权利要求1所述的图像判别方法,其特征在于,所述分类模块将经所述分支网络结构输出的张量数据进行分类,并使用交叉熵损失函数对分类结果进行计算,根据计算结果判断图像是否经过双重JPEG压缩具体包括:
所述分类模块中的全连接层使用神经元个数为30的第一神经网络层和神经元个数为2的第二神经网络层对一维向量特征进行分类;所述第一神经网络层连接TanH函数,所述第二神经网络层连接Softmax函数;
最后使用交叉熵损失函数进行分类结果的计算,根据计算结果判断图像是否经过双重JPEG压缩。
8.根据权利要求7所述的图像判别方法,其特征在于,所述分类模块中还包括:
以最小化损失函数为目的进行卷积神经网络的梯度计算,所述梯度用来调整卷积神经网络模型的初始化权重,以优化卷积神经网络模型的性能。
9.一种存储设备,其上存储有多条指令,其特征在于,所述指令适于由处理器加载并执行,以实现上述权利要求1-8任一项所述的图像判别方法。
10.一种移动终端,其特征在于,包括:处理器、与处理器通信连接的存储设备,所述存储设备适于存储多条指令;所述处理器适于调用所述存储设备中的指令,以执行实现上述权利要求1-8任一项所述的图像判别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710909494.9A CN107679572B (zh) | 2017-09-29 | 2017-09-29 | 一种图像判别方法、存储设备及移动终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710909494.9A CN107679572B (zh) | 2017-09-29 | 2017-09-29 | 一种图像判别方法、存储设备及移动终端 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107679572A true CN107679572A (zh) | 2018-02-09 |
CN107679572B CN107679572B (zh) | 2021-05-04 |
Family
ID=61138668
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710909494.9A Active CN107679572B (zh) | 2017-09-29 | 2017-09-29 | 一种图像判别方法、存储设备及移动终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107679572B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108257115A (zh) * | 2018-04-13 | 2018-07-06 | 中山大学 | 基于方向一致性卷积神经网络的图像增强检测方法及*** |
CN109035297A (zh) * | 2018-07-19 | 2018-12-18 | 深圳市唯特视科技有限公司 | 一种基于双重暹罗网络的实时追踪方法 |
CN109829907A (zh) * | 2019-01-31 | 2019-05-31 | 浙江工业大学 | 一种基于深度学习的金属轴表面缺陷识别方法 |
CN110288049A (zh) * | 2019-07-02 | 2019-09-27 | 北京字节跳动网络技术有限公司 | 用于生成图像识别模型的方法和装置 |
CN111415323A (zh) * | 2019-01-04 | 2020-07-14 | 阿里巴巴集团控股有限公司 | 图像的检测方法及装置,神经网络的训练方法及装置 |
CN112184640A (zh) * | 2020-09-15 | 2021-01-05 | 中保车服科技服务股份有限公司 | 一种图像检测模型的构建及图像检测方法和装置 |
CN112241679A (zh) * | 2020-09-14 | 2021-01-19 | 浙江理工大学 | 一种垃圾自动分类的方法 |
WO2021097675A1 (zh) * | 2019-11-19 | 2021-05-27 | 中国科学院深圳先进技术研究院 | 一种基于医学图像的智能辅助诊断方法及终端 |
CN116347080A (zh) * | 2023-03-27 | 2023-06-27 | 任红梅 | 基于下采样处理的智能算法应用***及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2390251A (en) * | 2002-06-27 | 2003-12-31 | Univ Bristol | Detecting and characterising attacks on a watermarked digital object |
US20090067736A1 (en) * | 2004-11-12 | 2009-03-12 | Open Invention Network, Llc | Enhanced Image Compression Utilizing Hilbert Curve Scanning of Quantized Discrete Cosine Transform Coefficients |
CN102521606A (zh) * | 2011-11-29 | 2012-06-27 | 中南大学 | 一种对jpeg图像的像素块分类方法及基于此的图像篡改检测和被篡改区域定位方法 |
CN105046680A (zh) * | 2015-03-03 | 2015-11-11 | 李鋆路 | 视频图像鉴别Ps(photoshop)处理分析技术 |
CN106960435A (zh) * | 2017-03-15 | 2017-07-18 | 华中师范大学 | 一种jpeg图像双压缩自动检测方法 |
-
2017
- 2017-09-29 CN CN201710909494.9A patent/CN107679572B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2390251A (en) * | 2002-06-27 | 2003-12-31 | Univ Bristol | Detecting and characterising attacks on a watermarked digital object |
US20090067736A1 (en) * | 2004-11-12 | 2009-03-12 | Open Invention Network, Llc | Enhanced Image Compression Utilizing Hilbert Curve Scanning of Quantized Discrete Cosine Transform Coefficients |
CN102521606A (zh) * | 2011-11-29 | 2012-06-27 | 中南大学 | 一种对jpeg图像的像素块分类方法及基于此的图像篡改检测和被篡改区域定位方法 |
CN105046680A (zh) * | 2015-03-03 | 2015-11-11 | 李鋆路 | 视频图像鉴别Ps(photoshop)处理分析技术 |
CN106960435A (zh) * | 2017-03-15 | 2017-07-18 | 华中师范大学 | 一种jpeg图像双压缩自动检测方法 |
Non-Patent Citations (3)
Title |
---|
BIN LI等: ""Detecting Doubly Compressed JPEG Images by"", 《IEEE》 * |
IRENE AMERINI.ET AL: ""Localization of JPEG double compression"", 《ARXIV:1706.01788V1》 * |
LI, HD (LI, HAODONG).ET AL: ""Anti-forensics of double JPEG compression with the same quantization matrix"", 《WEB OF SCIENCE》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108257115A (zh) * | 2018-04-13 | 2018-07-06 | 中山大学 | 基于方向一致性卷积神经网络的图像增强检测方法及*** |
CN109035297A (zh) * | 2018-07-19 | 2018-12-18 | 深圳市唯特视科技有限公司 | 一种基于双重暹罗网络的实时追踪方法 |
CN111415323B (zh) * | 2019-01-04 | 2022-05-27 | 阿里巴巴集团控股有限公司 | 图像的检测方法及装置,神经网络的训练方法及装置 |
CN111415323A (zh) * | 2019-01-04 | 2020-07-14 | 阿里巴巴集团控股有限公司 | 图像的检测方法及装置,神经网络的训练方法及装置 |
CN109829907A (zh) * | 2019-01-31 | 2019-05-31 | 浙江工业大学 | 一种基于深度学习的金属轴表面缺陷识别方法 |
CN110288049A (zh) * | 2019-07-02 | 2019-09-27 | 北京字节跳动网络技术有限公司 | 用于生成图像识别模型的方法和装置 |
CN110288049B (zh) * | 2019-07-02 | 2022-05-24 | 北京字节跳动网络技术有限公司 | 用于生成图像识别模型的方法和装置 |
WO2021097675A1 (zh) * | 2019-11-19 | 2021-05-27 | 中国科学院深圳先进技术研究院 | 一种基于医学图像的智能辅助诊断方法及终端 |
CN112241679A (zh) * | 2020-09-14 | 2021-01-19 | 浙江理工大学 | 一种垃圾自动分类的方法 |
CN112241679B (zh) * | 2020-09-14 | 2024-02-20 | 浙江理工大学 | 一种垃圾自动分类的方法 |
CN112184640A (zh) * | 2020-09-15 | 2021-01-05 | 中保车服科技服务股份有限公司 | 一种图像检测模型的构建及图像检测方法和装置 |
CN116347080A (zh) * | 2023-03-27 | 2023-06-27 | 任红梅 | 基于下采样处理的智能算法应用***及方法 |
CN116347080B (zh) * | 2023-03-27 | 2023-10-31 | 苏州利博特信息科技有限公司 | 基于下采样处理的智能算法应用***及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107679572B (zh) | 2021-05-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107679572A (zh) | 一种图像判别方法、存储设备及移动终端 | |
Wang et al. | A novel image classification approach via dense‐MobileNet models | |
Wan et al. | Regularization of neural networks using dropconnect | |
CN109063666A (zh) | 基于深度可分离卷积的轻量化人脸识别方法及*** | |
CN108717568A (zh) | 一种基于三维卷积神经网络的图像特征提取与训练方法 | |
CN107506740A (zh) | 一种基于三维卷积神经网络和迁移学习模型的人体行为识别方法 | |
CN110188768A (zh) | 实时图像语义分割方法及*** | |
Kadam et al. | [Retracted] Efficient Approach towards Detection and Identification of Copy Move and Image Splicing Forgeries Using Mask R‐CNN with MobileNet V1 | |
US11216913B2 (en) | Convolutional neural network processor, image processing method and electronic device | |
CN110309835A (zh) | 一种图像局部特征提取方法及装置 | |
CN112818764A (zh) | 一种基于特征重建模型的低分辨率图像人脸表情识别方法 | |
Zou et al. | High speed deep networks based on discrete cosine transformation | |
Yapıcı et al. | Performance comparison of convolutional neural network models on GPU | |
CN114898157A (zh) | 用于高光谱图像分类的全局学习装置及方法 | |
Pintelas et al. | A multi-view-CNN framework for deep representation learning in image classification | |
He et al. | Classification of metro facilities with deep neural networks | |
CN109934281B (zh) | 一种二分类网络的非监督训练方法 | |
CN116109868A (zh) | 基于轻量化神经网络的图像分类模型构建和小样本图像分类方法 | |
Li et al. | A spectral clustering based filter-level pruning method for convolutional neural networks | |
Chen et al. | Local patch vectors encoded by fisher vectors for image classification | |
Reddy et al. | Effect of image colourspace on performance of convolution neural networks | |
Liu | Comparison of different Convolutional Neural Network models on Fruit 360 Dataset | |
CN113688715A (zh) | 面部表情识别方法及*** | |
Xu et al. | Deep fisher score representation via sparse coding | |
Keshavarz | A FPGA implementation of neural/wavelet face detection system |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |