CN110363207A - 图像检测和分类器模型的生成方法、装置及设备 - Google Patents
图像检测和分类器模型的生成方法、装置及设备 Download PDFInfo
- Publication number
- CN110363207A CN110363207A CN201810309030.9A CN201810309030A CN110363207A CN 110363207 A CN110363207 A CN 110363207A CN 201810309030 A CN201810309030 A CN 201810309030A CN 110363207 A CN110363207 A CN 110363207A
- Authority
- CN
- China
- Prior art keywords
- image
- color component
- component feature
- detected
- training
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000001514 detection method Methods 0.000 title claims description 14
- 238000012549 training Methods 0.000 claims description 144
- 230000006835 compression Effects 0.000 claims description 140
- 238000007906 compression Methods 0.000 claims description 140
- 239000000284 extract Substances 0.000 claims description 29
- 238000012512 characterization method Methods 0.000 claims description 19
- 230000004069 differentiation Effects 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 7
- 238000010586 diagram Methods 0.000 description 10
- 238000005070 sampling Methods 0.000 description 8
- 238000006243 chemical reaction Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 238000004040 coloring Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 241001062009 Indigofera Species 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000003825 pressing Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000032258 transport Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种图像检测方法,所述方法包括:从待检测图像中提取至少一个颜色分量特征;根据所述颜色分量特征,采用分类器模型判别所述待检测图像为原始无损压缩格式图像或者为经过压缩的图像。采用上述方法,解决了对图像进行原始性鉴定的需求。
Description
技术领域
本申请涉及图像识别领域,具体涉及一种图像检测方法、装置、电子设备及存储设备。本申请同时涉及一种分类器模型的生成方法、装置、电子设备及存储设备。
背景技术
图像作为一种经常使用的媒介,很多情况下要求确保其真实性,需要进行图像原始性鉴定。图像原始性鉴定,指判别无损压缩格式图像为原始无损压缩格式图像或是经过压缩的图像。例如,有些网站平台要求对用户上传的图像进行图像原始性鉴定,来识别上传图像中信息是否可信;或者,图像作为法庭证据的时候,要求确保图像证据可靠,需要鉴定图像的原始性,以及判别图像有没有被篡改过。
但是随着技术的快速发展,可以很容易的通过各样的图像编辑软件对图像进行篡改,经过篡改的图像用肉眼无法察觉,由此产生的道德和法律问题也变的越来越多。如果能够鉴定图像的原始性和具体的修改细节,对于图像取证有很重要的意义。
如果图像被压缩后又通过软件转换为无损格式图像,理论上会残留一些压缩的痕迹。随着无损格式图像的广泛使用,对图像进行原始性鉴定的需求越来越大。
发明内容
本申请提供一种图像检测方法,以解决对图像进行原始性鉴定的需求。
本申请提供一种图像检测方法,包括:
从待检测图像中提取至少一个颜色分量特征;
根据所述颜色分量特征,采用分类器模型判别所述待检测图像为原始无损压缩格式图像或者为经过压缩的图像。
可选的,所述从待检测图像中提取至少一个颜色分量特征,包括:
将所述待检测图像从RGB颜色空间转换到YCbCr颜色空间;
从所述待检测图像的YCbCr颜色空间提取出所述至少一个颜色分量特征。
可选的,所述从所述待检测图像的YCbCr颜色空间提取出所述至少一个颜色分量特征,包括:
从所述待检测图像的YCbCr颜色空间中提取出Y颜色分量特征和Cb颜色分量特征,或者,从所述待检测图像的YCbCr颜色空间中提取出Y颜色分量特征和Cr颜色分量特征。
可选的,还包括:
将所述Y颜色分量特征和所述Cb颜色分量特征进行拼接,得到拼接后的所述图像特征,或者,将所述Y颜色分量特征和所述Cr颜色分量特征进行拼接,得到拼接后的图像特征;
所述根据所述颜色分量特征,采用分类器模型判别所述待检测图像为原始图像或者为经过压缩的图像,包括:根据拼接后的图像特征,采用分类器模型判别所述待检测图像为原始图像或者为经过压缩的图像。
可选的,所述从所述待检测图像的YCbCr颜色空间中提取出Y颜色分量特征和Cb颜色分量特征,或者,从所述待检测图像的YCbCr颜色空间中提取出Y颜色分量特征和Cr颜色分量特征,包括:
采用空域富模型中的Spam11子模型和minmax24子模型从所述待检测图像的YCbCr颜色空间中提取出Y颜色分量特征和Cb颜色分量特征,或者,采用空域富模型中的Spam11子模型和minmax24子模型从所述待检测图像的YCbCr颜色空间中提取出Y颜色分量特征和Cr颜色分量特征。
可选的,所述分类器模型包括:用于判断待检测图像是否为原始无损压缩格式图像的第一种分类器;
所述根据所述颜色分量特征,采用分类器模型判别所述待检测图像为原始无损压缩格式图像或者为经过压缩的图像,包括:
根据所述颜色分量特征,采用所述第一种分类器对所述待检测图像进行判别;
若采用所有第一种分类器都判别为原始无损压缩格式图像,则确定所述待检测图像为原始无损压缩格式图像;
若采用至少一个第一种分类器判别所述待检测图像不是原始无损压缩格式图像,则确定所述待检测图像为经过压缩的图像。
可选的,还包括:当确定所述待检测图像的类别为经过压缩的图像时,确定对所述待检测图像进行压缩时使用的压缩工具。
可选的,所述分类器模型,还包括:用于确定待检测图像采用的压缩工具种类的第二种分类器;
确定对所述待检测图像进行压缩时使用的压缩工具,包括:
根据所述颜色分量特征,采用第二种分类器进行判别并生成判别结果;
将每个第二种分类器的判别结果组合生成一个编码;
计算所述编码和预先设定的压缩工具的编码的海明距离;
将与所述编码海明距离最短的压缩工具作为所述待检测图像压缩时使用的压缩工具。
可选的,还包括:确定所述待检测图像压缩时使用的压缩参数。
可选的,所述分类器模型,还包括:用于确定待检测图像采用的压缩参数的第三种分类器;
所述确定所述待检测图像压缩时使用的压缩参数,包括:根据所述颜色分量特征,采用第三种分类器对待检测图像进行压缩参数的判别,确定所述待检测图像压缩时使用的压缩参数。
本申请还提供一种分类器模型的生成方法,所述方法包括:
确定参与训练的图像;
从所述参与训练的图像提取至少一个颜色分量特征;
根据所述颜色分量特征,训练分类器模型,所述分类器模型用于检测待检测图像为原始无损压缩格式图像或者为经过压缩的图像。
可选的,所述从所述参与训练的图像提取至少一个颜色分量特征,包括:
将所述参与训练的图像从RGB颜色空间转换到YCbCr颜色空间;
从所述参与训练的图像的YCbCr颜色空间提取出所述至少一个颜色分量特征。
可选的,所述从所述参与训练的图像的YCbCr颜色空间提取出所述至少一个颜色分量特征,包括:
从所述参与训练的图像的YCbCr颜色空间中提取出Y颜色分量特征和Cb颜色分量特征,或者,从所述参与训练的图像的YCbCr颜色空间中提取出Y颜色分量特征和Cr颜色分量特征。
可选的,还包括:
将所述Y颜色分量特征和所述Cb分量特征进行拼接,得到拼接后的所述图像特征,或者,将所述Y颜色分量特征和所述Cr分量特征进行拼接,得到拼接后的图像特征;
所述根据所述颜色分量特征,训练分类器模型,包括:根据拼接后的图像特征,训练分类器模型。
可选的,所述从所述参与训练的图像的YCbCr颜色空间中提取出Y颜色分量特征和Cb颜色分量特征,或者,从所述参与训练的图像的YCbCr颜色空间中提取出Y颜色分量特征和Cr颜色分量特征,包括:
采用空域富模型中的Spam11子模型和minmax24子模型从所述参与训练的图像的YCbCr颜色空间中提取出Y颜色分量特征和Cb颜色分量特征,或者,采用空域富模型中的Spam11子模型和minmax24子模型从所述参与训练的图像的YCbCr颜色空间中提取出Y颜色分量特征和Cr颜色分量特征。
可选的,所述确定参与训练的图像,包括:
确定样本集,所述样本集包含第一类图像和第二类图像,所述第一类图像为原始无损压缩格式图像,所述第二类图像为经过压缩的图像;
所述从所述参与训练的图像提取至少一个颜色分量特征,包括:从所述第一类图像和第二类图像提取至少一个颜色分量特征。
可选的,所述分类器模型包括:用于判断待检测图像是否为原始无损压缩格式图像的第一种分类器;
所述根据所述颜色分量特征,训练分类器模型,包括:
根据所述颜色分量特征,训练所述第一种分类器。
可选的,所述分类器模型还包括:
用于确定待检测图像采用的压缩工具种类的第二种分类器;
所述根据所述颜色分量特征,训练分类器模型,还包括:
根据所述颜色分量特征,训练所述第二种分类器。
可选的,所述分类器模型还包括:
用于确定待检测图像采用的压缩参数的第三种分类器;
所述根据所述颜色分量特征,训练分类器模型,还包括:
根据所述颜色分量特征,训练所述第三种分类器。
本申请另外提供一种图像检测装置,所述装置包括:
特征提取单元,用于从待检测图像中提取至少一个颜色分量特征;
图像判别单元,用于根据所述颜色分量特征,采用分类器模型判别所述待检测图像为原始无损压缩格式图像或者为经过压缩的图像。
本申请另外提供一种分类器模型的生成装置,所述装置包括:
图像确定单元,用于确定参与训练的图像;
特征提取单元,用于从所述参与训练的图像提取至少一个颜色分量特征;
模型训练单元,用于根据所述颜色分量特征,训练分类器模型,所述分类器模型用于检测待检测图像为原始无损压缩格式图像或者为经过压缩的图像。
本申请还提供一种电子设备,包括:
处理器;以及
存储器,用于图像检测方法的程序,该设备通电并通过所述处理器运行该图像检测方法的程序后,执行下述步骤:
从待检测图像中提取至少一个颜色分量特征;
根据所述颜色分量特征,采用分类器模型判别所述待检测图像为原始无损压缩格式图像或者为经过压缩的图像。
本申请另外提供一种电子设备,包括:
处理器;以及
存储器,用于分类器模型的生成方法的程序,该设备通电并通过所述处理器运行该分类器模型的生成方法的程序后,执行下述步骤:
确定参与训练的图像;
从所述参与训练的图像提取至少一个颜色分量特征;
根据所述颜色分量特征,训练分类器模型,所述分类器模型用于检测待检测图像为原始无损压缩格式图像或者为经过压缩的图像。
本申请另外提供一种存储设备,
存储有用于存储图像检测方法的程序,该程序被处理器运行,执行下述步骤:
从待检测图像中提取至少一个颜色分量特征;
根据所述颜色分量特征,采用分类器模型判别所述待检测图像为原始无损压缩格式图像或者为经过压缩的图像。
本申请另外提供一种存储设备,
存储有用于存储分类器模型的生成方法的程序,该程序被处理器运行,执行下述步骤:
确定参与训练的图像;
从所述参与训练的图像提取至少一个颜色分量特征;
根据所述颜色分量特征,训练分类器模型,所述分类器模型用于检测待检测图像为原始无损压缩格式图像或者为经过压缩的图像。
与现有技术相比,本申请具有以下优点:
本申请提供的图像检测方法及装置,根据从待检测图像中提取的颜色分量特征,采用分类器模型判别所述待检测图像为原始无损压缩格式图像或者为经过压缩的图像,满足了对图像进行原始性鉴定的需求。
本申请提供的分类器模型的生成方法及装置,根据从参与训练的图像提取的颜色分量特征,训练分类器模型,为对图像进行原始性鉴定提供了分类器模型。
附图说明
图1是本申请第一实施例提供的一种图像检测方法的流程图。
图2是本申请第一实施例提供的一种颜色空间转换示意图。
图3是本申请第一实施例提供的第一种分类器和第二种分类器的示意图。
图4是本申请第一实施例提供的第三种分类器的示意图。
图5是本申请第二实施例提供的一种分类器模型的生成方法的流程图。
图6是本申请第三实施例提供的一种图像检测装置的示意图。
图7是本申请第四实施例提供的一种分类器模型的生成装置的示意图。
图8是本申请第五实施例提供的一种电子设备的示意图。
图9是本申请第六实施例提供的另一种电子设备的示意图。
具体实施方式
在下面的描述中阐述了很多具体细节以便于充分理解本申请。但是本申请能够以很多不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本申请内涵的情况下做类似推广,因此本申请不受下面公开的具体实施的限制。
本申请第一实施例提供了一种图像检测方法。请参考图1、图2、图3、图4,图1示出了本申请第一实施例提供的一种图像检测方法的流程图,图2示出了本申请第一实施例提供的颜色空间转换示意图,图3示出了本申请第一实施例提供的第一种分类器和第二种分类器的示意图,图4示出了本申请第一实施例提供的第三种分类器的示意图,以下结合图1、图2、图3、图4进行详细说明。
如图1所示,在步骤S101中,从待检测图像中提取至少一个颜色分量特征。
所述待检测图像,可以指待进行图像原始性鉴定的无损压缩格式图像,图像原始性鉴定,指判别无损压缩格式图像为原始无损压缩格式图像或是经过压缩的图像。
无损压缩格式,指用相机拍摄时存储图像使用的不会压缩图像信息的格式,即RAW(RAW Image Format)格式,用这种格式存储图像不会对图像进行有损压缩,因而不会丢失图像信息,但占用内存相对比有损压缩格式要多。例如,图像后缀为CR2(佳能相机生成的RAW文件,文件后缀名为CR2)或者ARW(ARW是索尼公司独有的一种文件格式,是RAW文件格式的另一种形式)的图像是无损压缩格式图像。
所述颜色分量特征,可以指YCbCr(YCbCr表示的是数字电视(视频)的色彩空间及数字接口,这是国际通用的标准)颜色空间中的颜色分量特征,即Y颜色分量特征、Cb颜色分量特征、Cr颜色分量特征,其中,Y表示亮度分量,Cb表示蓝色色度分量,而Cr表示红色色度分量。
从待检测图像中提取至少一个颜色分量特征,可以采取下述方法:
将所述待检测图像从RGB颜色空间转换到YCbCr颜色空间;
从所述待检测图像的YCbCr颜色空间提取出所述至少一个颜色分量特征。
由于在图像压缩(例如,JPEG压缩)过程中会将先将图像RGB颜色空间中的三个通道颜色空间(R(红)、G(绿)、B(蓝))转换到YCbCr颜色空间,之后对Y颜色分量特征、Cb颜色分量特征和Cr颜色分量特征使用不同的下采样因子进行下采样,不同压缩工具在压缩图像时候根据选择图像的压缩质量不同,对各个颜色分量特征的压缩采取的下采样因子不同,一般是Y颜色分量特征采样因子不同,Cb颜色分量特征和Cr颜色分量特征使用相同的采样因子,某些压缩工具的压缩方式之间存在的最大差异是采样因子不同,因此先将待检测图像由RGB颜色空间转换到YCbCr颜色空间(如图2所示),然后再提取YCbCr颜色空间的特征,再利用YCbCr颜色空间的特征判别待检测图像的类别,效果会有显著的提升。
需要说明的是,由于Cb颜色分量特征和Cr颜色分量特征采样因子相同,只选取其中一个颜色分量特征就可以,因此可以从所述待检测图像的YCbCr颜色空间中提取出Y颜色分量特征和Cb颜色分量特征,或者,从所述待检测图像的YCbCr颜色空间中提取出Y颜色分量特征和Cr颜色分量特征。
进一步,还可以将Y颜色分量特征和Cb颜色分量特征进行拼接,得到拼接后的所述图像特征,或者,将所述Y颜色分量特征和所述Cr颜色分量特征进行拼接,得到拼接后的图像特征,用来作为分类器模型的输入判别所述待检测图像为原始无损压缩格式图像或者为经过压缩的图像。
提取特征时,可以选择的图像特征很多,基于灰度共生矩阵的统计特征效果较好,具体的,可以采用空域富模型(Spatial Rich Model,SRM)中的Spam11子模型和minmax24子模型从所述待检测图像的YCbCr颜色空间中提取出Y颜色分量特征和Cb颜色分量特征,或者,采用空域富模型中的Spam11子模型和minmax24子模型从所述待检测图像的YCbCr颜色空间中提取出Y颜色分量特征和Cr颜色分量特征。
SRM中使用的特征有多达34671维,它使用了45个滤波器,其中合并了部分滤波器最后剩下39个滤波器,这39个滤波器构造残差图时候又会以步长q进行量化,其中有11个滤波器采用步长q取值为{1,2}两个参数生成子模型,28个滤波器采用步长q取值为{1,1.5,2}三个参数生成子模型,一共有106个子模型,每个子模型有325或者338维特征。本申请测试所有子模型的分类效果,选取其中两个效果最好的子模型,具体是338维的s35_spam11_q2和325维的s1_minmax24_q2两个子模板,一共663维特征,如果抽取了Y和Cb两个颜色分量特征或者Y和Cr两个颜色分量特征,特征拼接后一张图像有663*2=1326维特征。
如图1所示,在步骤S102中,根据所述颜色分量特征,采用分类器模型判别所述待检测图像为原始无损压缩格式图像或者为经过压缩的图像。
所述原始无损压缩格式图像,指由相机等设备拍摄后,采用不对图像信息进行压缩的格式存储的图像。
经过压缩的图像,指经过压缩工具有损压缩过的无损压缩格式图像。压缩工具可以指压缩软件,例如,Photoshop、ACDsee等。
所述分类器模型包括:用于判断待检测图像是否为原始无损压缩格式图像的第一种分类器;
根据所述颜色分量特征,采用分类器模型判别所述待检测图像为原始无损压缩格式图像或者为经过压缩的图像,包括:
根据所述颜色分量特征,采用所述第一种分类器对所述待检测图像进行判别;
若采用所有第一种分类器都判别为原始无损压缩格式图像,则确定所述待检测图像为原始无损压缩格式图像;
若采用至少一个第一种分类器判别所述待检测图像不是原始无损压缩格式图像,则确定所述待检测图像为经过压缩的图像。
例如,如图3所示,以Photoshop、ACDsee、光影魔术手这三个软件为例,假设每种软件有{1,2}两类,原始无损压缩格式图像用O代替,Photoshop、ACDsee和光影魔术分别用P、A和G代替,F(O-P1)、F(O-P2)、F(O-A1)、F(O-A2)、F(O-G1)、F(O-G2)二分类器,为用于判断待检测图像是否为原始无损压缩格式图像的第一种分类器。测试时候输入一张待检测图像,先进行颜色空间转换后提取图像特征F(可以是Y和Cb两个颜色分量特征拼接后的图像特征),将图像特征F输入至上述二分类器,如果所有的二分类器都判别为原始无损压缩格式图像,则确定所述待检测图像为原始无损压缩格式图像,如果上述中任何一个分类器判断待检测图像不是原始无损压缩格式图像,则确定所述待检测图像为经过压缩的图像。
本申请第一实施例中,二分类器可以采用Fisher线性判别(Fisher LinearDiscriminant,FLD)集成分类器,FLD集成分类器是一个二分类器,可以组合多个二分类器完成多分类任务。
进一步,当确定所述待检测图像的类别为经过压缩的图像时,可以确定对所述待检测图像进行压缩时使用的压缩工具。
此时,分类器模型,还可以包括:用于确定待检测图像采用的压缩工具种类的第二种分类器。
仍沿用上述例子:如图3所示,F(P1-A1)、F(P1-A2)、F(P1-G1)、F(P1-G2)、F(P2-A1)、F(P2-A2)、F(P2-G1)、F(P2-G2)、F(A1-G1)、F(A1-G2)、F(A2-G1)、F(A2-G2)二分类器为第二种分类器,可以通过这些二分类器判别待检测图像进行压缩时使用了哪种压缩工具。
在具体实施时,确定对所述待检测图像进行压缩时使用的压缩工具,可以包括下述步骤:
根据所述颜色分量特征,采用第二种分类器进行判别并生成判别结果;
将每个第二种分类器的判别结果组合生成一个编码;
计算所述编码和预先设定的压缩工具的编码的海明距离;
将与所述编码海明距离最短的压缩软件作为所述待检测图像压缩时使用的压缩工具。
仍沿用上述例子:如果确定待检测图像是经过压缩的图像时,需要辨识出待检测图像进行压缩时使用的压缩工具,将图像特征F输入到所有的上述第二种分类器,每个分类器都会输出一个判别结果,判别结果为“+1”或“-1”。将这些判别结果组合生成一串编码,再计算这个待测试图像的编码和预先设定的各种软件的编码的海明距离(也可以用欧氏距离),所有压缩工具中与上述编码的海明距离最短的即为待检测图像压缩时使用的压缩工具。
如表1所示,其示出了预先设定的图3中各种压缩软件对应的编码。
表1
P1-A1 | P1-A2 | P2-A1 | P2-A2 | P1-G1 | P1-G2 | P2-G1 | P2-G2 | A1-G1 | A1-G2 | A2-G1 | A2-G2 | |
P | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 0 | 0 | 0 | 0 |
A | -1 | -1 | -1 | -1 | 0 | 0 | 0 | 0 | 1 | 1 | 1 | 1 |
G | 0 | 0 | 0 | 0 | -1 | -1 | -1 | -1 | -1 | -1 | -1 | -1 |
参考表1,例如软件P(Photoshop)在F(P1-A1)、F(P1-A2)、F(P1-G1)、F(P1-G2)、F(P2-A1)、F(P2-A2)、F(P2-G1)、F(P2-G2)二分类器中划分为正类,则P在这些二分类器的编码为1,P没有参与训练F(A1-G1)、F(A1-G2)、F(A2-G1)、F(A2-G2)二分类器,软件P对应的二分类器编码为0;G(光影魔术手)在F(P1-G1)、F(P1-G2)、F(P2-G1)、F(P2-G2)、F(A1-G1)、F(A1-G2)、F(A2-G1)、F(A2-G2)分类器中划分为负类,则G在这些二分类器P的编码为-1,G没有参与训练F(P1-A1)、F(P1-A2)、F(P2-A1)、F(P2-A2)二分类器,软件P对应的二分类器编码为0。
下面举例说明海明距离计算方法,参考表2,如果待检测图像(表2中用T代替)采用第二种分类器进行辨别后,生成的编码是011111111000,每一位和P、A、G的编码相比较,如果对应的位相同则相应的位为0,不同就为1,如果软件编码为0就不做计算也就是距离直接为0,对待检测图像判别后生成的编码为011111111000,P的编码为111111110000,和P的距离为100000000000,加起来距离就为1,和A的距离为011100000000,距离为3,和G的距离为000011111000,距离为5,由于和P的距离最短,因此确定待检测图像是经过Photoshop压缩的图像。
表2
进一步,在确定对所述待检测图像进行压缩时使用的压缩工具之后,还可以确定所述待检测图像压缩时使用的压缩参数。
此时,分类器模型,还可以包括:用于确定待检测图像采用的压缩参数的第三种分类器。
确定所述待检测图像压缩时使用的压缩参数,包括:根据所述颜色分量特征,采用第三种分类器对待检测图像进行压缩参数的判别,确定所述待检测图像压缩时使用的压缩参数。
如图4所示,以Photoshop,包含参数0-12,(f0-f1)-(f0-f12))、(f1-f2)-(f1-f12))……上述二分类器为第三种分类器。
仍沿用上述例子,确定待检测图像是经过Photoshop压缩的图像,调用Photoshop压缩参数分类器(即如4中的第三种分类器),将图像特征F输入到所有的第三种分类器,根据所有二分类结果投票表决出最终结果。如果参数输出为10的话,确定待检测图像压缩时使用的压缩参数为10。
至此,对本申请第一实施例提供的图像检测方法的实施方式进行了详细说明。本申请第一实施例根据从待检测图像中提取的颜色分量特征,采用分类器模型判别所述待检测图像为原始无损压缩格式图像或者为经过压缩的图像,不仅满足了对图像进行原始性鉴定的需求,而且当分类器模型包括第二种分类器时,还可以确定对所述待检测图像进行压缩时使用的压缩工具,当分类器模型包括第三种分类器时,能够进一步确定所述待检测图像压缩时使用的压缩参数,从而满足了对图像进行鉴定的多种需求。
本申请第二实施例提供了一种分类器模型的生成方法。请参考图5,图5示出了本申请第二实施例提供的一种分类器模型的生成方法的流程图。
如图5所示,在步骤S501中,确定参与训练的图像。
所述参与训练的图像,指参与分类器模型训练的图像。
参与训练的图像可以为一个样本集,所述样本集包含第一类图像和第二类图像,所述第一类图像为原始无损压缩格式图像,所述第二类图像为经过压缩的图像。
所述原始无损压缩格式图像,指由相机等设备拍摄后,采用不对图像信息进行压缩的格式存储的图像。
经过压缩的图像,指经过压缩工具有损压缩过的无损压缩格式图像。压缩工具可以指压缩软件,例如,Photoshop、ACDsee等。
如图5所示,在步骤S502中,从所述参与训练的图像提取至少一个颜色分量特征。
所述颜色分量特征,可以指YCbCr(YCbCr表示的是数字电视(视频)的色彩空间及数字接口,这是国际通用的标准)颜色空间中的颜色分量特征,即Y颜色分量特征、Cb颜色分量特征、Cr颜色分量特征,其中,Y表示亮度分量,Cb表示蓝色色度分量,而Cr表示红色色度分量。
从参与训练的图像中提取至少一个颜色分量特征,可以采取下述方法:
将所述参与训练的图像从RGB颜色空间转换到YCbCr颜色空间;
从所述参与训练的图像的YCbCr颜色空间提取出所述至少一个颜色分量特征。
由于在图像压缩(例如,JPEG压缩)过程中会将先将图像RGB颜色空间中的三个通道颜色空间(R(红)、G(绿)、B(蓝))转换到YCbCr颜色空间,之后对Y颜色分量特征、Cb颜色分量特征和Cr颜色分量特征使用不同的下采样因子进行下采样,不同压缩工具在压缩图像时候根据选择图像的压缩质量不同,对各个颜色分量特征的压缩采取的下采样因子不同,一般是Y颜色分量特征采样因子不同,Cb颜色分量特征和Cr颜色分量特征使用相同的采样因子,某些压缩工具的压缩方式之间存在的最大差异是采样因子不同,因此先将参与训练的图像由RGB颜色空间转换到YCbCr颜色空间(如图2所示),然后再提取YCbCr颜色空间的特征,再利用YCbCr颜色空间的特征训练分类器模型,效果会有显著的提升。
需要说明的是,由于Cb颜色分量特征和Cr颜色分量特征采样因子相同,只选取其中一个颜色分量特征就可以,因此可以从所述参与训练的图像的YCbCr颜色空间中提取出Y颜色分量特征和Cb颜色分量特征,或者,从所述参与训练的图像的YCbCr颜色空间中提取出Y颜色分量特征和Cr颜色分量特征。
进一步,还可以将Y颜色分量特征和Cb颜色分量特征进行拼接,得到拼接后的所述图像特征,或者,将所述Y颜色分量特征和所述Cr颜色分量特征进行拼接,得到拼接后的图像特征,然后根据拼接后的图像特征,训练分类器模型。
提取特征时,可以选择的图像特征很多,基于灰度共生矩阵的统计特征效果较好,具体的,可以采用空域富模型(Spatial Rich Model,SRM)中的Spam11子模型和minmax24子模型从所述参与训练的图像的YCbCr颜色空间中提取出Y颜色分量特征和Cb颜色分量特征,或者,采用空域富模型中的Spam11子模型和minmax24子模型从所述参与训练的图像的YCbCr颜色空间中提取出Y颜色分量特征和Cr颜色分量特征。
SRM中使用的特征有多达34671维,它使用了45个滤波器,其中合并了部分滤波器最后剩下39个滤波器,这39个滤波器构造残差图时候又会以步长q进行量化,其中有11个滤波器采用步长q取值为{1,2}两个参数生成子模型,28个滤波器采用步长q取值为{1,1.5,2}三个参数生成子模型,一共有106个子模型,每个子模型有325或者338维特征。本申请测试所有子模型的分类效果,选取其中两个效果最好的子模型,具体是338维的s35_spam11_q2和325维的s1_minmax24_q2两个子模板,一共663维特征,如果抽取了Y和Cb两个颜色分量特征或者Y和Cr两个颜色分量特征,特征拼接后一张图像有663*2=1326维特征。
如图5所示,在步骤S503中,根据所述颜色分量特征,训练分类器模型,所述分类器模型用于检测待检测图像为原始无损压缩格式图像或者为经过压缩的图像。
所述分类器模型可以包括:用于判断待检测图像是否为原始无损压缩格式图像的第一种分类器;所述根据所述颜色分量特征,训练分类器模型,包括:根据所述颜色分量特征,训练所述第一种分类器。
例如,如图3所示,以Photoshop、ACDsee、光影魔术手这三个软件为例,假设每种软件有{1,2}两类,原始无损压缩格式图像用O代替,Photoshop、ACDsee和光影魔术分别用P、A和G代替,需要训练F(O-P1)、F(O-P2)、F(O-A1)、F(O-A2)、F(O-G1)、F(O-G2)二分类器,上述二分类器为用于判断待检测图像是否为原始无损压缩格式图像的第一种分类器。可以将第一类图像先进行颜色空间转换后提取图像特征F(可以是Y和Cb两个颜色分量特征拼接后的图像特征),然后将图像特征F输入至第一种分类器,训练第一种分类器。
进一步,所述分类器模型还可以包括:用于确定待检测图像采用的压缩工具种类的第二种分类器;所述根据所述颜色分量特征,训练分类器模型,还包括:根据所述颜色分量特征,训练所述第二种分类器。
如图3所示,F(P1-A1)、F(P1-A2)、F(P1-G1)、F(P1-G2)、F(P2-A1)、F(P2-A2)、F(P2-G1)、F(P2-G2)、F(A1-G1)、F(A1-G2)、F(A2-G1)、F(A2-G2)二分类器为第二种分类器,可以通过这些二分类器判别待检测图像进行压缩时使用了哪种压缩工具。
在训练第二种分类器时,第二类图像可以按照压缩工具划分为多个第二子类图像,例如,以Photoshop、ACDsee两个软件为例,Photoshop有13个不同压缩参数,可以将经过Photoshop压缩的图像按照压缩参数划分为13个第二子类图像。由于ACDsee有100个不同压缩参数,可以根据压缩因子相近原则,选取ACDsee的13个压缩参数,按照压缩参数选取13个第二子类图像。
需要说明的是,在训练第二种分类器时,可以按照压缩软件种类两两子类交叉进行训练分类器。例如,可以将经过Photoshop压缩的图像按照压缩参数划分为P0-P12第二子类图像,将经过ACDsee压缩的图像按照压缩参数划分为A0-A12第二子类图像,则利用属于Photoshop的第二子类图像P0-P12与属于ACDsee的第二子类图像A0-A12交叉进行训练第二种分类器。例如,利用从P1第二子类图像和A1第二子类图像中提取出的颜色分量特征(可以是Y和Cb两个颜色分量特征拼接后的图像特征)训练第二种分类器(P1-A1)。
进一步,分类器模型还可以包括:用于确定待检测图像采用的压缩参数的第三种分类器;所述根据所述颜色分量特征,训练分类器模型,还包括:根据所述颜色分量特征,训练所述第三种分类器。
如图4所示,以Photoshop,包含参数0-12,(f0-f1)-(f0-f12))、(f1-f2)-(f1-f12))……上述二分类器为第三种分类器。在训练时,按照压缩参数两两交叉进行训练分类器,例如,利用从P1第二子类图像和P2第二子类图像中提取出的颜色分量特征(也可以是Y和Cb两个颜色分量特征拼接后的图像特征)训练第三种分类器(f1-f2)。
至此,对本申请第二实施例提供的分类器模型的生成方法的实施方式进行了详细说明。本申请第二实施例根据从参与训练的图像提取至少一个颜色分量特征,并根据所述颜色分量特征,训练分类器模型,不仅提供了于判断待检测图像是否为原始无损压缩格式图像的第一种分类器,而且提供了用于确定待检测图像采用的压缩工具种类的第二种分类器,此外还提供了用于确定待检测图像采用的压缩参数的第三种分类器,从而满足了对图像进行鉴定的多种需求。
与上述提供的一种图像检测方法相对应的,本申请第三实施例还提供了一种图像检测装置。
如图6所示,图像检测装置包括:特征提取单元601、图像判别单元602。
特征提取单元601,用于从待检测图像中提取至少一个颜色分量特征;
图像判别单元602,用于根据所述颜色分量特征,采用分类器模型判别所述待检测图像为原始无损压缩格式图像或者为经过压缩的图像。
可选的,所述特征提取单元,包括:
颜色空间转换子单元,用于将所述待检测图像从RGB颜色空间转换到YCbCr颜色空间;
颜色分量提取子单元,用于从所述待检测图像的YCbCr颜色空间提取出所述至少一个颜色分量特征。
可选的,所述颜色分量提取子单元,具体用于:
从所述待检测图像的YCbCr颜色空间中提取出Y颜色分量特征和Cb颜色分量特征,或者,从所述待检测图像的YCbCr颜色空间中提取出Y颜色分量特征和Cr颜色分量特征。
可选的,所述装置还包括:
特征拼接单元,用于将所述Y颜色分量特征和所述Cb颜色分量特征进行拼接,得到拼接后的所述图像特征,或者,将所述Y颜色分量特征和所述Cr颜色分量特征进行拼接,得到拼接后的图像特征;
所述图像判别单元,具体用于:根据拼接后的图像特征,采用分类器模型判别所述待检测图像为原始图像或者为经过压缩的图像。
可选的,所述从所述待检测图像的YCbCr颜色空间中提取出Y颜色分量特征和Cb颜色分量特征,或者,从所述待检测图像的YCbCr颜色空间中提取出Y颜色分量特征和Cr颜色分量特征,包括:
采用空域富模型中的Spam11子模型和minmax24子模型从所述待检测图像的YCbCr颜色空间中提取出Y颜色分量特征和Cb颜色分量特征,或者,采用空域富模型中的Spam11子模型和minmax24子模型从所述待检测图像的YCbCr颜色空间中提取出Y颜色分量特征和Cr颜色分量特征。
可选的,所述分类器模型包括:用于判断待检测图像是否为原始无损压缩格式图像的第一种分类器;
所述图像判别单元,具体用于:
根据所述颜色分量特征,采用所述第一种分类器对所述待检测图像进行判别;
若采用所有第一种分类器都判别为原始无损压缩格式图像,则确定所述待检测图像为原始无损压缩格式图像;
若采用至少一个第一种分类器判别所述待检测图像不是原始无损压缩格式图像,则确定所述待检测图像为经过压缩的图像。
可选的,所述装置还包括压缩工具确定单元,用于当确定所述待检测图像的类别为经过压缩的图像时,确定对所述待检测图像进行压缩时使用的压缩工具。
可选的,所述分类器模型,还包括:用于确定待检测图像采用的压缩工具种类的第二种分类器;
所述压缩工具确定单元,具体用于:
根据所述颜色分量特征,采用第二种分类器进行判别并生成判别结果;
将每个第二种分类器的判别结果组合生成一个编码;
计算所述编码和预先设定的压缩工具的编码的海明距离;
将与所述编码海明距离最短的压缩工具作为所述待检测图像压缩时使用的压缩工具。
可选的,所述装置还包括:压缩参数确定单元,用于确定所述待检测图像压缩时使用的压缩参数。
可选的,所述分类器模型,还包括:用于确定待检测图像采用的压缩参数的第三种分类器;
所述:压缩参数确定单元,具体用于:根据所述颜色分量特征,采用第三种分类器对待检测图像进行压缩参数的判别,确定所述待检测图像压缩时使用的压缩参数。
需要说明的是,对于本申请第三实施例提供的图像检测装置的详细描述可以参考对本申请第一实施例的相关描述,这里不再赘述。
与上述提供的一种分类器模型的生成方法相对应的,本申请第四实施例还提供了一种分类器模型的生成装置。
如图7所示,分类器模型的生成装置包括:图像确定单元701、特征提取单元、702模型训练单元703。
图像确定单元701,用于确定参与训练的图像;
特征提取单元702,用于从所述参与训练的图像提取至少一个颜色分量特征;
模型训练单元703,用于根据所述颜色分量特征,训练分类器模型,所述分类器模型用于检测待检测图像为原始无损压缩格式图像或者为经过压缩的图像。
可选的,其特征在于,所述特征提取单元,包括:
颜色空间转换子单元,用于将所述参与训练的图像从RGB颜色空间转换到YCbCr颜色空间;
颜色分量提取子单元,用于从所述参与训练的图像的YCbCr颜色空间提取出所述至少一个颜色分量特征。
可选的,所述颜色分量提取子单元,具体用于:
从所述参与训练的图像的YCbCr颜色空间中提取出Y颜色分量特征和Cb颜色分量特征,或者,从所述参与训练的图像的YCbCr颜色空间中提取出Y颜色分量特征和Cr颜色分量特征。
可选的,所述装置还包括:
特征拼接单元,用于将所述Y颜色分量特征和所述Cb分量特征进行拼接,得到拼接后的所述图像特征,或者,将所述Y颜色分量特征和所述Cr分量特征进行拼接,得到拼接后的图像特征;
所述模型训练单元,具体用于:根据拼接后的图像特征,训练分类器模型。
可选的,所述从所述参与训练的图像的YCbCr颜色空间中提取出Y颜色分量特征和Cb颜色分量特征,或者,从所述参与训练的图像的YCbCr颜色空间中提取出Y颜色分量特征和Cr颜色分量特征,包括:
采用空域富模型中的Spam11子模型和minmax24子模型从所述参与训练的图像的YCbCr颜色空间中提取出Y颜色分量特征和Cb颜色分量特征,或者,采用空域富模型中的Spam11子模型和minmax24子模型从所述参与训练的图像的YCbCr颜色空间中提取出Y颜色分量特征和Cr颜色分量特征。
可选的,所述图像确定单元,具体用于:
确定样本集,所述样本集包含第一类图像和第二类图像,所述第一类图像为原始无损压缩格式图像,所述第二类图像为经过压缩的图像;
所述从所述参与训练的图像提取至少一个颜色分量特征,包括:从所述第一类图像和第二类图像提取至少一个颜色分量特征。
可选的,所述分类器模型包括:用于判断待检测图像是否为原始无损压缩格式图像的第一种分类器;
所述模型训练单元,具体用于:
根据所述颜色分量特征,训练所述第一种分类器。
可选的,所述分类器模型还包括:
用于确定待检测图像采用的压缩工具种类的第二种分类器;
所述模型训练单元,还用于:
根据所述颜色分量特征,训练所述第二种分类器。
可选的,所述分类器模型还包括:
用于确定待检测图像采用的压缩参数的第三种分类器;
所述模型训练单元,还用于:
根据所述颜色分量特征,训练所述第三种分类器。
需要说明的是,对于本申请第四实施例提供的图像分类器模型的生成装置的详细描述可以参考对本申请第二实施例的相关描述,这里不再赘述。
与上述提供的一种图像检测方法相对应的,本申请第五实施例还提供了一种电子设备。
如图8所示,电子设备包括:
处理器801;以及
存储器802,用于图像检测方法的程序,该设备通电并通过所述处理器运行该图像检测方法的程序后,执行下述步骤:
从待检测图像中提取至少一个颜色分量特征;
根据所述颜色分量特征,采用分类器模型判别所述待检测图像为原始无损压缩格式图像或者为经过压缩的图像。
可选的,所述从待检测图像中提取至少一个颜色分量特征,包括:
将所述待检测图像从RGB颜色空间转换到YCbCr颜色空间;
从所述待检测图像的YCbCr颜色空间提取出所述至少一个颜色分量特征。
可选的,所述从所述待检测图像的YCbCr颜色空间提取出所述至少一个颜色分量特征,包括:
从所述待检测图像的YCbCr颜色空间中提取出Y颜色分量特征和Cb颜色分量特征,或者,从所述待检测图像的YCbCr颜色空间中提取出Y颜色分量特征和Cr颜色分量特征。
可选的,还执行下述步骤:
将所述Y颜色分量特征和所述Cb颜色分量特征进行拼接,得到拼接后的所述图像特征,或者,将所述Y颜色分量特征和所述Cr颜色分量特征进行拼接,得到拼接后的图像特征;
所述根据所述颜色分量特征,采用分类器模型判别所述待检测图像为原始图像或者为经过压缩的图像,包括:根据拼接后的图像特征,采用分类器模型判别所述待检测图像为原始图像或者为经过压缩的图像。
可选的,所述从所述待检测图像的YCbCr颜色空间中提取出Y颜色分量特征和Cb颜色分量特征,或者,从所述待检测图像的YCbCr颜色空间中提取出Y颜色分量特征和Cr颜色分量特征,包括:
采用空域富模型中的Spam11子模型和minmax24子模型从所述待检测图像的YCbCr颜色空间中提取出Y颜色分量特征和Cb颜色分量特征,或者,采用空域富模型中的Spam11子模型和minmax24子模型从所述待检测图像的YCbCr颜色空间中提取出Y颜色分量特征和Cr颜色分量特征。
可选的,所述分类器模型包括:用于判断待检测图像是否为原始无损压缩格式图像的第一种分类器;
所述根据所述颜色分量特征,采用分类器模型判别所述待检测图像为原始无损压缩格式图像或者为经过压缩的图像,包括:
根据所述颜色分量特征,采用所述第一种分类器对所述待检测图像进行判别;
若采用所有第一种分类器都判别为原始无损压缩格式图像,则确定所述待检测图像为原始无损压缩格式图像;
若采用至少一个第一种分类器判别所述待检测图像不是原始无损压缩格式图像,则确定所述待检测图像为经过压缩的图像。
可选的,还执行下述步骤:当确定所述待检测图像的类别为经过压缩的图像时,确定对所述待检测图像进行压缩时使用的压缩工具。
可选的,所述分类器模型,还包括:用于确定待检测图像采用的压缩工具种类的第二种分类器;
确定对所述待检测图像进行压缩时使用的压缩工具,包括:
根据所述颜色分量特征,采用第二种分类器进行判别并生成判别结果;
将每个第二种分类器的判别结果组合生成一个编码;
计算所述编码和预先设定的压缩工具的编码的海明距离;
将与所述编码海明距离最短的压缩工具作为所述待检测图像压缩时使用的压缩工具。
可选的,还执行下述步骤:确定所述待检测图像压缩时使用的压缩参数。
可选的,所述分类器模型,还包括:用于确定待检测图像采用的压缩参数的第三种分类器;
所述确定所述待检测图像压缩时使用的压缩参数,包括:根据所述颜色分量特征,采用第三种分类器对待检测图像进行压缩参数的判别,确定所述待检测图像压缩时使用的压缩参数。
与上述提供的一种分类器模型的生成方法相对应的,本申请第六实施例还提供了一种电子设备。
如图9所示,电子设备包括:
处理器901;以及
存储器902,用于分类器模型的生成方法的程序,该设备通电并通过所述处理器运行该分类器模型的生成方法的程序后,执行下述步骤:
确定参与训练的图像;
从所述参与训练的图像提取至少一个颜色分量特征;
根据所述颜色分量特征,训练分类器模型,所述分类器模型用于检测待检测图像为原始无损压缩格式图像或者为经过压缩的图像。
可选的,所述从所述参与训练的图像提取至少一个颜色分量特征,包括:
将所述参与训练的图像从RGB颜色空间转换到YCbCr颜色空间;
从所述参与训练的图像的YCbCr颜色空间提取出所述至少一个颜色分量特征。
可选的,所述从所述参与训练的图像的YCbCr颜色空间提取出所述至少一个颜色分量特征,包括:
从所述参与训练的图像的YCbCr颜色空间中提取出Y颜色分量特征和Cb颜色分量特征,或者,从所述参与训练的图像的YCbCr颜色空间中提取出Y颜色分量特征和Cr颜色分量特征。
可选的,还执行下述步骤:
将所述Y颜色分量特征和所述Cb分量特征进行拼接,得到拼接后的所述图像特征,或者,将所述Y颜色分量特征和所述Cr分量特征进行拼接,得到拼接后的图像特征;
所述根据所述颜色分量特征,训练分类器模型,包括:根据拼接后的图像特征,训练分类器模型。
可选的,所述从所述参与训练的图像的YCbCr颜色空间中提取出Y颜色分量特征和Cb颜色分量特征,或者,从所述参与训练的图像的YCbCr颜色空间中提取出Y颜色分量特征和Cr颜色分量特征,包括:
采用空域富模型中的Spam11子模型和minmax24子模型从所述参与训练的图像的YCbCr颜色空间中提取出Y颜色分量特征和Cb颜色分量特征,或者,采用空域富模型中的Spam11子模型和minmax24子模型从所述参与训练的图像的YCbCr颜色空间中提取出Y颜色分量特征和Cr颜色分量特征。
可选的,所述确定参与训练的图像,包括:
确定样本集,所述样本集包含第一类图像和第二类图像,所述第一类图像为原始无损压缩格式图像,所述第二类图像为经过压缩的图像;
所述从所述参与训练的图像提取至少一个颜色分量特征,包括:从所述第一类图像和第二类图像提取至少一个颜色分量特征。
可选的,所述分类器模型包括:用于判断待检测图像是否为原始无损压缩格式图像的第一种分类器;
所述根据所述颜色分量特征,训练分类器模型,包括:
根据所述颜色分量特征,训练所述第一种分类器。
可选的,所述分类器模型还包括:
用于确定待检测图像采用的压缩工具种类的第二种分类器;
所述根据所述颜色分量特征,训练分类器模型,还包括:
根据所述颜色分量特征,训练所述第二种分类器。
可选的,所述分类器模型还包括:
用于确定待检测图像采用的压缩参数的第三种分类器;
所述根据所述颜色分量特征,训练分类器模型,还包括:
根据所述颜色分量特征,训练所述第三种分类器。
本申请第七实施例提供一种存储设备,
存储有用于存储图像检测方法的程序,该程序被处理器运行,执行下述步骤:
从待检测图像中提取至少一个颜色分量特征;
根据所述颜色分量特征,采用分类器模型判别所述待检测图像为原始无损压缩格式图像或者为经过压缩的图像。
本申请第八实施例提供另一种存储设备,
存储有用于存储分类器模型的生成方法的程序,该程序被处理器运行,执行下述步骤:
确定参与训练的图像;
从所述参与训练的图像提取至少一个颜色分量特征;
根据所述颜色分量特征,训练分类器模型,所述分类器模型用于检测待检测图像为原始无损压缩格式图像或者为经过压缩的图像。
本申请虽然以较佳实施例公开如上,但其并不是用来限定本申请,任何本领域技术人员在不脱离本申请的精神和范围内,都可以做出可能的变动和修改,因此本申请的保护范围应当以本申请权利要求所界定的范围为准。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括非暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
本领域技术人员应明白,本申请的实施例可提供为方法、***或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
Claims (25)
1.一种图像检测方法,其特征在于,包括:
从待检测图像中提取至少一个颜色分量特征;
根据所述颜色分量特征,采用分类器模型判别所述待检测图像为原始无损压缩格式图像或者为经过压缩的图像。
2.根据权利要求1所述的方法,其特征在于,所述从待检测图像中提取至少一个颜色分量特征,包括:
将所述待检测图像从RGB颜色空间转换到YCbCr颜色空间;
从所述待检测图像的YCbCr颜色空间提取出所述至少一个颜色分量特征。
3.根据权利要求2所述的方法,其特征在于,所述从所述待检测图像的YCbCr颜色空间提取出所述至少一个颜色分量特征,包括:
从所述待检测图像的YCbCr颜色空间中提取出Y颜色分量特征和Cb颜色分量特征,或者,从所述待检测图像的YCbCr颜色空间中提取出Y颜色分量特征和Cr颜色分量特征。
4.根据权利要求3所述的方法,其特征在于,还包括:
将所述Y颜色分量特征和所述Cb颜色分量特征进行拼接,得到拼接后的所述图像特征,或者,将所述Y颜色分量特征和所述Cr颜色分量特征进行拼接,得到拼接后的图像特征;
所述根据所述颜色分量特征,采用分类器模型判别所述待检测图像为原始图像或者为经过压缩的图像,包括:根据拼接后的图像特征,采用分类器模型判别所述待检测图像为原始图像或者为经过压缩的图像。
5.根据权利要求3所述的方法,其特征在于,所述从所述待检测图像的YCbCr颜色空间中提取出Y颜色分量特征和Cb颜色分量特征,或者,从所述待检测图像的YCbCr颜色空间中提取出Y颜色分量特征和Cr颜色分量特征,包括:
采用空域富模型中的Spam11子模型和minmax24子模型从所述待检测图像的YCbCr颜色空间中提取出Y颜色分量特征和Cb颜色分量特征,或者,采用空域富模型中的Spam11子模型和minmax24子模型从所述待检测图像的YCbCr颜色空间中提取出Y颜色分量特征和Cr颜色分量特征。
6.根据权利要求1所述的方法,其特征在于,所述分类器模型包括:用于判断待检测图像是否为原始无损压缩格式图像的第一种分类器;
所述根据所述颜色分量特征,采用分类器模型判别所述待检测图像为原始无损压缩格式图像或者为经过压缩的图像,包括:
根据所述颜色分量特征,采用所述第一种分类器对所述待检测图像进行判别;
若采用所有第一种分类器都判别为原始无损压缩格式图像,则确定所述待检测图像为原始无损压缩格式图像;
若采用至少一个第一种分类器判别所述待检测图像不是原始无损压缩格式图像,则确定所述待检测图像为经过压缩的图像。
7.根据权利要求6所述的方法,其特征在于,还包括:当确定所述待检测图像的类别为经过压缩的图像时,确定对所述待检测图像进行压缩时使用的压缩工具。
8.根据权利要求7所述的方法,其特征在于,所述分类器模型,还包括:用于确定待检测图像采用的压缩工具种类的第二种分类器;
确定对所述待检测图像进行压缩时使用的压缩工具,包括:
根据所述颜色分量特征,采用第二种分类器进行判别并生成判别结果;
将每个第二种分类器的判别结果组合生成一个编码;
计算所述编码和预先设定的压缩工具的编码的海明距离;
将与所述编码海明距离最短的压缩工具作为所述待检测图像压缩时使用的压缩工具。
9.根据权利要求7或8所述的方法,其特征在于,还包括:确定所述待检测图像压缩时使用的压缩参数。
10.根据权利要求9所述的方法,其特征在于,所述分类器模型,还包括:用于确定待检测图像采用的压缩参数的第三种分类器;
所述确定所述待检测图像压缩时使用的压缩参数,包括:根据所述颜色分量特征,采用第三种分类器对待检测图像进行压缩参数的判别,确定所述待检测图像压缩时使用的压缩参数。
11.一种分类器模型的生成方法,其特征在于,包括:
确定参与训练的图像;
从所述参与训练的图像提取至少一个颜色分量特征;
根据所述颜色分量特征,训练分类器模型,所述分类器模型用于检测待检测图像为原始无损压缩格式图像或者为经过压缩的图像。
12.根据权利要求11所述的方法,其特征在于,所述从所述参与训练的图像提取至少一个颜色分量特征,包括:
将所述参与训练的图像从RGB颜色空间转换到YCbCr颜色空间;
从所述参与训练的图像的YCbCr颜色空间提取出所述至少一个颜色分量特征。
13.根据权利要求12所述的方法,其特征在于,所述从所述参与训练的图像的YCbCr颜色空间提取出所述至少一个颜色分量特征,包括:
从所述参与训练的图像的YCbCr颜色空间中提取出Y颜色分量特征和Cb颜色分量特征,或者,从所述参与训练的图像的YCbCr颜色空间中提取出Y颜色分量特征和Cr颜色分量特征。
14.根据权利要求13所述的方法,其特征在于,还包括:
将所述Y颜色分量特征和所述Cb分量特征进行拼接,得到拼接后的所述图像特征,或者,将所述Y颜色分量特征和所述Cr分量特征进行拼接,得到拼接后的图像特征;
所述根据所述颜色分量特征,训练分类器模型,包括:根据拼接后的图像特征,训练分类器模型。
15.根据权利要求13所述的方法,其特征在于,所述从所述参与训练的图像的YCbCr颜色空间中提取出Y颜色分量特征和Cb颜色分量特征,或者,从所述参与训练的图像的YCbCr颜色空间中提取出Y颜色分量特征和Cr颜色分量特征,包括:
采用空域富模型中的Spam11子模型和minmax24子模型从所述参与训练的图像的YCbCr颜色空间中提取出Y颜色分量特征和Cb颜色分量特征,或者,采用空域富模型中的Spam11子模型和minmax24子模型从所述参与训练的图像的YCbCr颜色空间中提取出Y颜色分量特征和Cr颜色分量特征。
16.根据权利要求11所述的方法,其特征在于,所述确定参与训练的图像,包括:
确定样本集,所述样本集包含第一类图像和第二类图像,所述第一类图像为原始无损压缩格式图像,所述第二类图像为经过压缩的图像;
所述从所述参与训练的图像提取至少一个颜色分量特征,包括:从所述第一类图像和第二类图像提取至少一个颜色分量特征。
17.根据权利要求11所述的方法,其特征在于,所述分类器模型包括:用于判断待检测图像是否为原始无损压缩格式图像的第一种分类器;
所述根据所述颜色分量特征,训练分类器模型,包括:
根据所述颜色分量特征,训练所述第一种分类器。
18.根据权利要求17所述的方法,其特征在于,所述分类器模型还包括:
用于确定待检测图像采用的压缩工具种类的第二种分类器;
所述根据所述颜色分量特征,训练分类器模型,还包括:
根据所述颜色分量特征,训练所述第二种分类器。
19.根据权利要求18所述的方法,其特征在于,所述分类器模型还包括:
用于确定待检测图像采用的压缩参数的第三种分类器;
所述根据所述颜色分量特征,训练分类器模型,还包括:
根据所述颜色分量特征,训练所述第三种分类器。
20.一种图像检测装置,其特征在于,包括:
特征提取单元,用于从待检测图像中提取至少一个颜色分量特征;
图像判别单元,用于根据所述颜色分量特征,采用分类器模型判别所述待检测图像为原始无损压缩格式图像或者为经过压缩的图像。
21.一种分类器模型的生成装置,其特征在于,包括:
图像确定单元,用于确定参与训练的图像;
特征提取单元,用于从所述参与训练的图像提取至少一个颜色分量特征;
模型训练单元,用于根据所述颜色分量特征,训练分类器模型,所述分类器模型用于检测待检测图像为原始无损压缩格式图像或者为经过压缩的图像。
22.一种电子设备,其特征在于,包括:
处理器;以及
存储器,用于图像检测方法的程序,该设备通电并通过所述处理器运行该图像检测方法的程序后,执行下述步骤:
从待检测图像中提取至少一个颜色分量特征;
根据所述颜色分量特征,采用分类器模型判别所述待检测图像为原始无损压缩格式图像或者为经过压缩的图像。
23.一种电子设备,其特征在于,包括:
处理器;以及
存储器,用于分类器模型的生成方法的程序,该设备通电并通过所述处理器运行该分类器模型的生成方法的程序后,执行下述步骤:
确定参与训练的图像;
从所述参与训练的图像提取至少一个颜色分量特征;
根据所述颜色分量特征,训练分类器模型,所述分类器模型用于检测待检测图像为原始无损压缩格式图像或者为经过压缩的图像。
24.一种存储设备,其特征在于,
存储有用于存储图像检测方法的程序,该程序被处理器运行,执行下述步骤:
从待检测图像中提取至少一个颜色分量特征;
根据所述颜色分量特征,采用分类器模型判别所述待检测图像为原始无损压缩格式图像或者为经过压缩的图像。
25.一种存储设备,其特征在于,
存储有用于存储分类器模型的生成方法的程序,该程序被处理器运行,执行下述步骤:
确定参与训练的图像;
从所述参与训练的图像提取至少一个颜色分量特征;
根据所述颜色分量特征,训练分类器模型,所述分类器模型用于检测待检测图像为原始无损压缩格式图像或者为经过压缩的图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810309030.9A CN110363207A (zh) | 2018-04-09 | 2018-04-09 | 图像检测和分类器模型的生成方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810309030.9A CN110363207A (zh) | 2018-04-09 | 2018-04-09 | 图像检测和分类器模型的生成方法、装置及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110363207A true CN110363207A (zh) | 2019-10-22 |
Family
ID=68213504
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810309030.9A Pending CN110363207A (zh) | 2018-04-09 | 2018-04-09 | 图像检测和分类器模型的生成方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110363207A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101674389A (zh) * | 2009-09-30 | 2010-03-17 | 大连理工大学 | 一种基于图像信息损失量的bmp图像压缩历史检测方法 |
CN101894256A (zh) * | 2010-07-02 | 2010-11-24 | 西安理工大学 | 基于奇对称2D Log-Gabor滤波器的虹膜识别方法 |
CN102903100A (zh) * | 2012-09-06 | 2013-01-30 | 宁波大学 | 一种数字照片图像压缩历史的检测方法 |
CN102959588A (zh) * | 2011-04-28 | 2013-03-06 | 中国科学院自动化研究所 | 基于图像色度的彩色数字图像篡改检测方法 |
CN104661037A (zh) * | 2013-11-19 | 2015-05-27 | 中国科学院深圳先进技术研究院 | 压缩图像量化表篡改的检测方法和*** |
CN105874472A (zh) * | 2014-02-21 | 2016-08-17 | 三星电子株式会社 | 具有虹膜颜色识别的多频带生物识别相机*** |
CN107256385A (zh) * | 2017-05-22 | 2017-10-17 | 西安交通大学 | 基于2D Log Gabor与复合编码法的红外虹膜认证***及方法 |
US20180054630A1 (en) * | 2016-08-19 | 2018-02-22 | Apple Inc. | Compression of image assets |
-
2018
- 2018-04-09 CN CN201810309030.9A patent/CN110363207A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101674389A (zh) * | 2009-09-30 | 2010-03-17 | 大连理工大学 | 一种基于图像信息损失量的bmp图像压缩历史检测方法 |
CN101894256A (zh) * | 2010-07-02 | 2010-11-24 | 西安理工大学 | 基于奇对称2D Log-Gabor滤波器的虹膜识别方法 |
CN102959588A (zh) * | 2011-04-28 | 2013-03-06 | 中国科学院自动化研究所 | 基于图像色度的彩色数字图像篡改检测方法 |
CN102903100A (zh) * | 2012-09-06 | 2013-01-30 | 宁波大学 | 一种数字照片图像压缩历史的检测方法 |
CN104661037A (zh) * | 2013-11-19 | 2015-05-27 | 中国科学院深圳先进技术研究院 | 压缩图像量化表篡改的检测方法和*** |
CN105874472A (zh) * | 2014-02-21 | 2016-08-17 | 三星电子株式会社 | 具有虹膜颜色识别的多频带生物识别相机*** |
US20180054630A1 (en) * | 2016-08-19 | 2018-02-22 | Apple Inc. | Compression of image assets |
CN107256385A (zh) * | 2017-05-22 | 2017-10-17 | 西安交通大学 | 基于2D Log Gabor与复合编码法的红外虹膜认证***及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | Point cloud quality assessment: Dataset construction and learning-based no-reference metric | |
CN111445454B (zh) | 一种图像真伪鉴别方法及其在证照识别中的应用 | |
Luo et al. | A survey of passive technology for digital image forensics | |
US20180101751A1 (en) | Systems and methods for detection and localization of image and document forgery | |
CN103366178B (zh) | 一种用于对目标图像进行颜色分类的方法与设备 | |
CA2851498C (en) | System and method for digital image signal compression using intrinsic images | |
CN104661037B (zh) | 压缩图像量化表篡改的检测方法和*** | |
JP2006505075A (ja) | 複数のイメージフレームを有するビデオシーケンス検索のための非線形量子化及び類似度マッチング方法 | |
Akbari et al. | A new forensic video database for source smartphone identification: Description and analysis | |
Lo et al. | Exploring semantic segmentation on the dct representation | |
Chen et al. | Image tampering detection by blocking periodicity analysis in JPEG compressed images | |
Rana et al. | An evaluation of HDR image matching under extreme illumination changes | |
Arbeláez et al. | A metric approach to vector-valued image segmentation | |
CN102903100A (zh) | 一种数字照片图像压缩历史的检测方法 | |
Li et al. | Distinguishing computer graphics from photographic images using a multiresolution approach based on local binary patterns | |
US8437545B1 (en) | System and method for digital image signal compression using intrinsic images | |
Nirmalkar et al. | A review of image forgery techniques and their detection | |
Taya et al. | Detecting tampered regions in JPEG images via CNN | |
CN103796017B (zh) | 一种图像判别装置及其判别方法 | |
CN110363207A (zh) | 图像检测和分类器模型的生成方法、装置及设备 | |
Yancey | Deep Learning for Localization of Mixed Image Tampering Techniques | |
CN106407323A (zh) | 一种基于差异度空间距离的图片检索方法 | |
Azarian-Pour et al. | An automatic jpeg ghost detection approach for digital image forensics | |
Muselet et al. | Rank correlation as illumination invariant descriptor for color object recognition | |
CN111931850A (zh) | 一种基于特征细化的跨模态融合显著性检测方法 |
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 | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40016160 Country of ref document: HK |