[发明专利]基于神经网络框架的高动态范围图像取证方法

说明书

本发明公开一种基于神经网络框架的高动态范围图像取证方法，应用于图像取证领域，针对现有技术无法实现HDR图像来源取证的问题，本发明通过搭建神经网络，并构建来源多样性的数据集对神经网络参数进行训练，得到能够区分多幅LDR图像合成的HDR图像和由单幅LDR拓展的HDR图像的神经网络模型，相较于现有技术，本发明的方法更简单，效果更优，且更加智能化，便于操作，具有很强的实用性。

技术领域

本发明属于图像取证领域，特别涉及一种图像来源取证技术。

背景技术

近年来，高动态范围成像技术不仅受到了学术界的重视，也受到工业界广泛的关注。研究人员提出了许多获取高动态范围图像的方法。最常见的一种方法是利用捕获于同一个场景的多幅不同曝光度的低动态范围图像生成一整高质量的高动态范围图像。然而，人们实际捕获的绝大多数图像往往只有单次曝光，现实中存在海量的单曝光图像。因此，研究人员开始专注于研究单帧低动态范围图像直接生成高动态范围图像的方法。

这两类高动态范围图像从原理上来说有着比较大的区别，单帧拓展的高动态范围图像由于仅从单幅低动态范围图像生成，所以相对多帧合成的高动态范围图像，它的动态范围相对会小一些，图像中的细节和场景信息也会稍显不足；而多帧合成的高动态范围在合成过程中，由于场景中物体的移动和不对齐，合成的图像可能会出现模糊区域甚至出现“鬼影”，而且其合成过程相对单帧映射来说也要复杂一些。值得注意的是，这两种高动态范围图像都能给予人们比较舒适的视觉享受，但从肉眼角度很难辨别出图像的来源。为了叙述的简洁性，本发明中以HDR(High-Dynamic Range)代指高动态范围、LDR(Low-DynamicRange)代指低动态范围，并分别以pHDR图像和sHDR图像代指由多幅LDR图像合成的HDR图像和由单幅LDR拓展的HDR图像。

图像来源取证是图像取证的一个重要分支，辨别图像的来源可能关系到信息传输、新闻媒体甚至是国家安全等方面，具有重大意义。随着近年卷积神经网络成功的应用于图像取证方面，许多学者也提出了一些使用卷积神经网络来分类图像的方法。然而现有的方法大多集中于LDR图像，很少考虑HDR图像来源方面。为了解决这一问题，需要研究一种能够准确把握HDR图像特征进行分类，并且具有高效性能的方法。

发明内容

为解决上述技术问题，本发明提出一种基于神经网络框架的高动态范围图像取证方法，通过利用神经网络训练不同类型生成的HDR图像，获得一个能够区分sHDR图像和pHDR图像的神经网络模型，实现了HDR图像的来源取证。

本发明采用的技术方案为：基于神经网络框架的高动态范围图像取证方法，包括：

S1、HDR数据集建立；所述HDR数据集包括sHDR和pHDR图像；

S2、对步骤S1建立的HDR数据集进行预处理；

S3、构建卷进神经网络；所述卷积神经网络包括：六个卷积层、三个池化层、三个全连接层以及两个dropout层，所述六个卷积层记为：第一卷积层、第二卷积层、第三卷积层、第四卷积层、第五卷积层以及第六卷积层；所述三个池化层记为：第一池化层、第二池化层以及第三池化层；三个全连接层记为：第一全连接层、第二全连接层以及第三全连接层；两个dropout层记为：第一dropout层与第二dropout层；

所述第一卷积层的输入为该卷积神经网络的输入，第一卷积层的输出作为第二卷积层的输入，第二卷积层的输出作为第一池化层的输入，第一池化层的输出作为第三卷积层的输入，第三卷积层的输出作为第四卷积层的输入，第四卷积层的输出作为第二池化层的输入，第二池化层的输出作为第五卷积层的输入，第五卷积层的输出作为第六卷积层的输入，第六卷基层的输出作为第三池化层的输入，第三池化层的输出作为第一全连接层的输入，第一全连接层的输出作为第一dropout层的输入，第一dropout层的输出作为第二全连接层的输入，第二全连接层的输出作为第二dropout层的输入，第二dropout层的输出作为第三全连接层的输入，第三全连接层的输出作为该神经网络的输出；