[发明专利]基于神经网络框架的高动态范围图像取证方法

摘要

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。

主权项

1.基于神经网络框架的高动态范围图像取证方法，其特征在于，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；S4、将步骤S2处理后的HDR数据集输入该卷积神经网络中进行训练，得到训练后的神经网络。