CN111127407A

CN111127407A - 一种基于傅里叶变换的风格迁移伪造图像检测装置及方法

Info

Publication number: CN111127407A
Application number: CN201911263941.3A
Authority: CN
Inventors: 郭园方; 白勇; 王蕴红; 卫晋杰; 陆林
Original assignee: Beihang University
Current assignee: Beihang University
Priority date: 2019-12-11
Filing date: 2019-12-11
Publication date: 2020-05-08
Anticipated expiration: 2039-12-11
Also published as: CN111127407B

Abstract

本发明公开了一种基于傅里叶变换的风格迁移伪造图像检测装置，包括傅里叶变换模块，用于构建频域图像集；第一部分检测特征构建模块，用于构建第一部分检测特征；第二部分检测特征构建模块，用于构建第二部分检测特征；模型训练模块，用于将两部分检测特征合并为完整特征向量，并利用训练图像集的标签进行模型训练，获得分类器；伪造图像检测模块，用于将检测图像的两部分检测特征合并，并利用所获得的分类器进行检测，给出检测结果。本发明通过研究傅里叶频域上的风格迁移伪造检测，可以对现有的伪造图像检测方法进行补充，并且提高图像造假的难度。

Description

一种基于傅里叶变换的风格迁移伪造图像检测装置及方法

技术领域

本发明属于图像处理技术领域，尤其涉及一种基于傅里叶频域统计特性和梯度特性的风格迁移伪造图像检测装置及方法。

背景技术

风格迁移是一种可以将任意给定图像变换至指定风格的图像处理技术。自20世纪90年代起，就有许多的研究者从事风格迁移算法的研究工作，并提出了很多针对特定纹理有效的方法。近年来，随着卷积神经网络的兴起，涌现出了一系列使用卷积神经网络进行风格迁移的方法，并取得了显著的效果。许多风格迁移技术生成的图像与真实图像在风格上有着较高的相似度，使用传统鉴别手段难以进行可靠鉴别。风格迁移图像的出现，一方面丰富了图像的处理方式，另一方面也降低了图像造假的门槛。

目前，针对包括复制移动、拼接、图像修补在内传统的图像伪造方式，存在一系列伪造图像检测方法。但这些传统伪造图像检测方法更关注图像的局部修改，对于风格迁移等全局图像修改不具备较好的适用性。而专门针对神经网络风格迁移的伪造检测方法还是一个较新的研究领域，现有的工作大多基于图像空域信号的颜色特性进行检测，并无基于傅里叶频域特性的神经网络风格迁移伪造检测工作。

发明内容

本发明的目的是提供一种基于傅里叶频域统计特性和梯度特性的风格迁移伪造图像检测装置及方法，为风格迁移伪造图像检测提供新思路。本发明首先对训练图像集进行傅里叶变换，再对变换所得的频域图像集进行统计分布建模，计算其统计分布对应的统计量特征；同时对频域图像集进行平滑处理，提取平滑频域图的梯度特征；最后利用所得特征和训练图像集标签进行分类器模型的训练，从而获得可以对风格迁移伪造图像进行检测的检测装置。

本发明提供了一种基于傅里叶变换的风格迁移伪造图像检测装置，包括：

傅里叶变换模块，用于构建含有真实图像和风格迁移伪造图像的训练图像集对应的频域图像集，并构建待检测图像对应的频域图像；

幅度值样本集合构建模块，用于获取傅里叶频域图像对应的像素值分布图；

第一部分检测特征构建模块，用于提取频域图像像素分布图的各统计量特征，以构建第一部分检测特征；

第二部分检测特征构建模块，用于提取频域图像的梯度特征，以构建第二部分检测特征；

模型训练模块，用于将训练图像集对应的第一部分检测特征和第二部分检测特征合并为完整特征向量，并利用训练图像集的标签进行模型训练，获得具有较小泛化误差的分类器；

伪造图像检测模块，用于将检测图像的第一部分检测特征和第二部分检测特征进行合并，并利用所获得的分类器进行检测，给出检测结果。

本发明还提供了一种基于傅里叶变换的风格迁移伪造图像检测方法，包括如下步骤：

S1:构建包含真实图像和风格迁移伪造图像的训练图像集；

S2:对所述训练图像集中的图像进行傅里叶变换，获取对应的频域图像集；

S3:构建所述频域图像集中各频域图像的幅度值样本集；

S4:根据步骤S3中构建的所述频域图像集中各频域图像的幅度值样本集，提取各频域图像幅度分布的统计量特征，构建第一部分检测特征；

S5:提取所述频域图像集中各频域图像的梯度特征，构建第二部分检测特征；

S6:合并步骤S4和步骤S5的检测特征，得到完整的检测特征，基于训练图像集中各图像的特征及标签，训练获得分类器；

S7:对待检测图像进行傅里叶变换，获得待检测频域图像；

S8:提取待检测频域图像的统计量特征；

S9:提取待检测频域图像的梯度特征；

S10:合并步骤S8中所提取的待检测图像的统计量特征和步骤S9所提取的待检测频域图像的梯度特征，并将合并特征输入步骤S6中所获得的分类器中，获得检测结果。

进一步，步骤S1中构建的训练图像集包括真实艺术图像子集和风格迁移伪造图像子集，步骤S7中的待检测图像包括真实艺术图像或者风格迁移伪造图像。

进一步，对于三通道彩色图像，步骤S2中用于进行傅里叶变换的颜色通道包括YUV颜色空间的亮度通道。

进一步，步骤S2中所述傅里叶变换为二维快速傅里叶变换。

进一步，步骤S4和步骤S8中的统计量特征包括但不限于均值、方差、偏态系数和峰态系数。

进一步，步骤S5和步骤S9中的梯度特征提取方法包括但不限于梯度方向直方图。

进一步，步骤S5和步骤S9中，在提取梯度特征前，对输入图像进行平滑处理，处理方式包括但不限于中值滤波或高斯滤波。

进一步，步骤S6所获得的分类器包括但不限于支持向量机或神经网络。

本发明的有益效果：

1)本发明通过研究傅里叶频域上的风格迁移伪造检测，可以对现有的伪造图像检测方法进行补充，并且提高图像造假的难度。

2)本发明所涉及的风格迁移伪造检测方法可以有效地对真实图像和风格迁移伪造图像进行区分。

3)本发明可以对多种风格迁移方法生成的图像进行鉴别。

附图说明

图1是本发明的基于傅里叶变换的风格迁移伪造图像检测装置的模块构成示意图。

图2是本发明的基于傅里叶变换的风格迁移伪造图像检测方法的训练阶段的流程图。

图3是本发明的基于傅里叶变换的风格迁移伪造图像检测方法的检测阶段的流程图。

具体实施方式

下面将结合附图和实施例，对本发明的技术方案进行清楚、完整地描述。

本发明提供的基于傅里叶变换的风格迁移伪造图像检测装置，如图1所示，包括傅里叶变换模块，用于构建含有真实图像和风格迁移伪造图像的训练图像集对应的频域图像集，并构建待检测图像对应的频域图像。其中，幅度值样本集合构建模块用于获取傅里叶频域图像对应的像素值分布图；第一部分检测特征构建模块用于提取频域图像像素分布图的各统计量特征，以构建第一部分检测特征；第二部分检测特征构建模块用于提取频域图像的梯度特征，以构建第二部分检测特征；模型训练模块用于将训练图像集对应的第一部分检测特征和第二部分检测特征合并为完整特征向量，并利用训练图像集的标签进行模型训练，获得具有较小泛化误差的分类器；伪造图像检测模块用于将检测图像的第一部分检测特征和第二部分检测特征进行合并，并利用所获得的分类器进行检测，给出检测结果。

基于上述检测装置，本发明提供的基于傅里叶变换的风格迁移伪造图像检测方法，包括训练阶段和检测阶段，如图2所示，所述训练阶段包括以下步骤：

1)构建包含真实图像和风格迁移伪造图像的训练图像集，将训练图像集的标签用{0，1}表示，其中，1表示风格迁移伪造图像，0表示真实图像。

2)对训练图像集中的图像进行二维快速傅里叶变换，获取对应的频域图像集。其中进行二维快速傅里叶变换的具体过程为：对训练图像集各图像进行二维快速傅里叶变换，取变换所得的幅度谱，对其进行取绝对值、取对数操作，将0频平移至幅度谱中心，并将获得的幅度谱归一化至[0，255]。

3)构建频域图像集中各图像的幅度值样本集。

4)根据步骤3)中获得的各图像的幅度值样本集合，计算提取各图像幅度值分布的统计量特征，构建第一部分检测特征。其中构建第一部分检测特征的具体过程为：针对频域图像幅度值的统计分布，分别计算其均值、方差、偏态系数、峰态系数等统计量。

5)提取步骤2)中频域图像集中各图像的梯度特征，构建第二部分检测特征。其中构建第二部分检测特征的具体过程为：对频域图像进行高斯滤波或中值滤波，通过构建方向梯度直方图提取平滑后的频域图像的梯度特征。

6)合并每幅图像的上述两部分检测特征，合并为完整的特征向量，得到完整的特征集，对特征向量进行Z-Score标准化，然后将各训练图像的特征向量及其标签输入分类器模型(例如对数几率回归、支持向量机或神经网络)，利用相应的优化算法进行训练。

如图3所示，所述检测阶段包括以下步骤：

1)对待检测图像进行傅里叶变换，获得待检测频域图像。

2)基于训练步骤4)中所述统计量特征提取方式，对待检测频域图像提取统计量特征。

3)基于训练步骤5)中所述梯度特征提取方式，对待检测频域图像提取梯度特征。

4)合并上述步骤所得待检测图像的特征，并将其输入训练步骤6)所获得的分类器中，获得检测结果。

下面通过具体实施例来进一步解释说明本发明。

1)取753幅真实图像和528幅风格迁移伪造图像构成训练图像集，其中真实图像的标签记为0，风格迁移伪造图像的标签记为1。

2)对于训练图像集中的三通道彩色图像，计算其在YUV空间中的Y通道，作为傅里叶变换的输入图像矩阵，公式如下：

Y＝0.299·R+0.587·G+0.114·B

其中，R、G、B分别表示R通道、G通道、B通道对应的像素值。

对训练图像集中各图像进行二维快速傅里叶变换，公式如下：

其中，(u，v)指频域图的坐标；F(u，v)表示频域图像坐标点(u，v)处的幅度值；(x，y)指原图像的坐标；f(x，y)表示原图像Y通道在(x，y)处的像素值；M和N分别指频域图像矩阵的行数和列数；i表示虚数单位。

取变换所得的幅度谱，对其进行取绝对值、取对数操作，将0频平移至幅度谱中心，并将获得的幅度谱归一化至[0，255]。

3)对每幅频域图分别构建其对应的幅度值样本集P，公式如下：

P＝{F(u,v)|u＝0,1,…,N-1；v＝0,1,…,M-1}

4)构建第一部分检测特征：

针对所得幅度值样本集P，分别计算如下统计量：

样本均值mean用于描述幅度值分布的中央趋势，公式如下：

其中，p表示幅度值样本集P中的元素。

方差s²用于描述幅度值分布的离散程度，公式如下：

偏态系数g₁用于描述幅度值分布的分布形态，公式如下：

其中，m₂指二阶样本中心矩，m₃指三阶样本中心矩。

峰态系数g₂用于描述幅度值分布的分布形态，公式如下：

其中，m₄指四阶样本中心矩。

5)构建第二部分检测特征：

使用高斯滤波或中值滤波对频域图像进行平滑操作，然后基于如下步骤进行方向梯度直方图计算，提取梯度特征：

a)计算各像素点梯度值；

b)为每个单元格计算方向直方图；

c)将单元格组合成较大的块，在块内进行归一化操作；

d)组合所有块中的直方图特征，即获得最终的梯度特征。

6)模型训练：

将训练图像集中提取获得的特征向量以及标签输入支持向量机模型进行训练，利用交叉验证法进行模型选择，并利用网格搜索法获取最佳的超参数(包括核函数，cost参数以及gamma参数)。

7)对待检测图像进行鉴别：

对待检测图像进行傅里叶变换获得频域图像，并基于步骤4)、5)分别提取频域图像的统计量特征和梯度特征；将获得的特征进行拼接，得到的完整的特征向量；将所得特征向量输入步骤6)所训练得到的支持向量机中进行检测，获得检测结果。

为了验证本发明的有效性和实用性，以753幅真实图像和528幅风格迁移伪造图像作为训练图像集，依照步骤1)-步骤6)训练分类器。并使用与上述训练图像集交集为空集的测试图像集进行模型评估，测试图像集包含322幅真实图像和226幅风格迁移伪造图像，利用训练所得的分类器对测试图像集进行分类，并与训练图像集的真实标签进行比较，发现分类器预测结果的正确率为79.04％，可见本发明有效可行。

对于本领域的普通技术人员来说，在不脱离本发明创造构思的前提下，还可以对本发明的实施例做出若干变型和改进，这些都属于本发明的保护范围。

Claims

1.一种基于傅里叶变换的风格迁移伪造图像检测装置，其特征在于，包括：

模型训练模块，用于将训练图像集对应的第一部分检测特征和第二部分检测特征合并为完整特征向量，并利用训练图像集的标签进行模型训练，获得分类器；

2.一种基于傅里叶变换的风格迁移伪造图像检测方法，其特征在于，包括如下步骤：

S1:构建包含真实图像和风格迁移伪造图像的训练图像集；

S3:构建所述频域图像集中各频域图像的幅度值样本集；

S7:对待检测图像进行傅里叶变换，获得待检测频域图像；

S8:提取待检测频域图像的统计量特征；

S9:提取待检测频域图像的梯度特征；

3.根据权利要求2所述的方法，其特征在于，步骤S1中构建的训练图像集包括真实艺术图像子集和风格迁移伪造图像子集，步骤S7中的待检测图像包括真实艺术图像或者风格迁移伪造图像。

4.根据权利要求2所述的方法，其特征在于，对于三通道彩色图像，步骤S2中用于进行傅里叶变换的颜色通道包括YUV颜色空间的亮度通道。

5.根据权利要求2所述的方法，其特征在于，步骤S2中所述傅里叶变换为二维快速傅里叶变换。

6.根据权利要求2所述的方法，其特征在于，步骤S3中构建的所述频域图像集中各频域图像的幅度值样本集为P:

P＝{F(u,v)|u＝0,1,…,N-1；v＝0,1,…,M-1}

其中，(u，v)指频域图像的坐标；F(u，v)表示频域图像坐标点(u，v)处的幅度值；M和N分别指频域图像矩阵的行数和列数。

7.根据权利要求2所述的方法，其特征在于，步骤S4和步骤S8中的统计量特征包括均值、方差、偏态系数和峰态系数。

8.根据权利要求2所述的方法，其特征在于，步骤S5和步骤S9中的梯度特征提取方法包括梯度方向直方图。

9.根据权利要求2所述的方法，其特征在于，步骤S5和步骤S9中，在提取梯度特征前，对输入图像进行平滑处理，处理方式包括中值滤波或高斯滤波。

10.根据权利要求2所述的方法，其特征在于，步骤S6所获得的分类器包括支持向量机或神经网络。