[发明专利]一种基于卷积神经网络的重采样图像检测方法

说明书

本发明公开了一种基于卷积神经网络的重采样图像检测方法，包括以下步骤：将检测图像按照α进行分割，得到若干个子图像；将全部的子图像的颜色通道进行归一化处理；根据检测图像构建重采样数据库；重采样数据库通过卷积神经网络进行训练优化；归一化后子图像根据优化后的重采样数据库进行筛选；筛选后的子图像通过阈值法进行判断，若不小于阈值，则认定检测图像存在重采样操作；若小于阈值，则认定检测图像不存在重采样操作。本发明通过卷积网络进行特征提取，使用残差的思想络进行设计整体网络结构，摒弃了传统人工设置初始化参数，通过动量的技术方法优化卷积神经网络中的参数，达到全局最优的检测效果，防止卷积神经网络出现局部最优的情况。

技术领域

本发明涉及图像识别领域，更具体地，涉及一种基于卷积神经网络的重采样图像检测方法。

背景技术

数字图像取证技术是信息安全领域中一类，重采样检测作为数字图像取证重要技术之一。图像篡改常常涉及几种几何变换，通常将原始图像采样到一个新的采样网格中，并且通常使用最近邻内插法、双线性内插法和三次内插法对原始图像进行重采样。因此重采样检测对图像篡改检测起到十分关键作用。

在传统的图像重采样检测中，图像重采样检测方法主要针对重采样的周期的检测。给定一些已知数量重采样图像样本，因为重采样图像中的像素以某种方式与它的相邻的像素相关，所以这就有可能在频域找到这些重采样图像的重采样周期。为了确定样本是否被进行重采样操作，一般使用最大期望算法来估计样本图像的重采样周期，以及这些重采样周期的具体形式。但是重采样操作引入的周期取决于重采样率，因此不可能唯一确定重采样的模式。图像在噪声的影响下，图像重采样周期会被严重干扰，基于最大期望算法来估计样本图像的重采样周期的方法行不通。此外，使用最大期望算法有一定的局限性，最大期望算法需要人为设置初始参数，最终检测结果对初始参数十分敏感，而初始参数选择直接影响检测速度以及能否达到理想的检测效果。

发明内容

本发明克服了上述现有的技术不足，提供一种基于卷积神经网络的重采样图像检测方法。

为解决上述技术问题，本发明的技术方案如下：

一种基于卷积神经网络的重采样图像检测方法，包括以下步骤：

将检测图像按照α进行分割，得到若干个子图像，所述的α是人为预设值；

将全部的子图像的颜色通道进行归一化处理；

根据检测图像构建重采样数据库；

重采样数据库通过卷积神经网络进行训练优化；

归一化后子图像根据优化后的重采样数据库进行筛选；

筛选后的子图像通过阈值法进行判断，若不小于阈值，则认定检测图像存在重采样操作；若小于阈值，则认定检测图像不存在重采样操作。

在一种优选的方案中，所述的α是256×256像素或者128×128像素或者64×64像素。

在一种优选的方案中，所述的“将全部的子图像的颜色通道进行归一化处理”包括以下内容：

将全部的子图像的颜色通道减去β进行归一化处理，所述的β是人为预设值。

在一种优选的方案中，所述的β＝128像素。

在一种优选的方案中，所述的“根据检测图像构建重采样数据库”包括以下子步骤：

将检测图像按照γ进行重采样，得到重采样图像，所述的γ是人为预设的重采样因子；

根据子图像的大小分别对检测图像和重采样图像进行分割，得到检测图像的分割图像和重采样图像的分割图像；

根据检测图像的分割图像和重采样图像的分割图像构成重采样数据库的训练集和测试集。