[发明专利]基于空洞卷积和特征融合的双目超分辨率图像检测方法、系统及介质

说明书

本发明公开了一种基于空洞卷积和特征融合的双目超分辨率图像检测方法、系统及介质，包括下述步骤：将双目图像组输入经典双目图像超分辨率网络中，生成双目超分辨率图像作为负样本集，原双目图像组作为正样本集；将正负样本数据集切成图像块并随机划分训练集图像块和测试集图像块；对图像块进行预处理，转换为灰度图像，使用高通滤波器进行滤波得到滤波图像；构建双目超分辨率图像检测网络，将训练集滤波图像输入进行训练，得到训练好的网络；将测试集滤波图像输入训练好的网络中，输出概率最大的分类对应类别，得到图像检测结果。本发明直接对输入图像进行检测，适用于各种尺寸的图像检测，具有良好的检测性能，检测用时短，可实现实时检测。

技术领域

本发明涉及数字图像取证技术领域，具体涉及一种基于空洞卷积和特征融合的双目超分辨率图像检测方法、系统及介质。

背景技术

近年来，随着计算机视觉和计算摄影学技术的发展和应用，智能手机的成像功能发生了翻天覆地的变化。多摄像头模组替代了单摄像头模组，适应多摄像头模组的具有多帧融合等功能的多摄ISP算法替代了数码相机的标准ISP算法。新式的成像设备和ISP算法，尤其是将多幅图像融合为单幅图像的过程，可能导致传统的取证算法失效和误判，包括设备溯源取证和篡改取证。

多目图像超分辨率是多摄智能手机中的一个常见功能，目的是提升图像的分辨率让图像更加清晰。这个过程无疑会对传统取证方法产生干扰。例如溯源取证中常用模式噪声PRNU作为设备指纹识别图像由哪个设备生成，然而多摄图像由多个镜头拍摄并融合，不同镜头模式噪声不一致，且每次融合过程中权重也不一致，导致多摄图像的PRNU无法匹配对应设备。此外，多目图像超分辨率过程在物体边缘处以及遮挡区域，可能会引入类似拼接的痕迹，提升分辨率的结果也可能会导致基于重采样的取证检测器误判。目前还没有针对多目超分辨率图像的检测算法，而现有的数字图像取证检测模型应用在区分单目图像和多目超分辨率图像时性能有一定下滑且鲁棒性不足。因此，需要设计检测方法用于区分单目图像和多目超分辨率图像。特别地，需要设计检测方法用于区分单目图像和双目超分辨率图像。

发明内容

本发明的主要目的在于克服现有技术的缺点与不足，提供一种基于空洞卷积和特征融合的双目超分辨率图像检测方法，该方法克服了现有技术在双目超分辨率图像检测性能不佳、鲁棒性不强的缺陷，保证了检测的准确性，实现了高效实时的检测性能。

为了达到上述目的，本发明采用以下技术方案:

本发明一方面提供了一种基于空洞卷积和特征融合的双目超分辨率图像检测方法，包括下述步骤：

将双目图像组输入到经典的双目图像超分辨率网络中，生成对应的双目超分辨率图像，所述双目超分辨率图像作为负样本数据集，所述双目图像组作为正样本数据集；

将正负样本数据集切成不重叠的大小一致的图像块，并随机划分为训练集图像块和测试集图像块；

对训练集图像块和测试集图像块进行预处理，将RGB图像转换为灰度图像，使用高通滤波器对所述灰度图像进行滤波得到滤波图像块；

构建基于空洞卷积和特征融合的双目超分辨率图像检测网络，将训练集滤波图像块输入到双目超分辨率图像检测网络中进行训练，得到训练好的网络；

将测试集滤波图像块输入到所述训练好的网络中，输出概率最大的分类对应类别，得到图像检测结果。

作为优选的技术方案，所述将双目图像组输入到经典的双目图像超分辨率网络中，生成对应的双目超分辨率图像，具体步骤为：

选择双目图像超分辨率因子和双目图像超分辨率网络模型，所述超分辨率因子的选择包括{2，3，4}；

将双目图像组输入到双目图像超分辨率网络模型中，实现对左视图图像的超分辨率，得到双目超分辨率图像；

将所述双目图像组数据标记为0作为正样本数据集，将所述双目超分辨率图像标记为1作为负样本数据集。