申请/专利权人：广东技术师范大学

申请日：2023-12-12

公开（公告）日：2024-04-30

公开（公告）号：CN117952900A

主分类号：G06T7/00

分类号：G06T7/00;G06V10/762;G06V10/74;G06V10/764;G06V10/80;G06V10/774;G06T3/4038;G06T3/4007

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.05.17#实质审查的生效;2024.04.30#公开

摘要：本发明公开了一种端对端的基于聚类的copy‑move篡改检测方法。该方法包括输入模块：读取内存中的图像，并按批次输入到模型；图像预处理模块：对输入图像进行尺度变化、随机光照变化、随机翻转、随机裁剪等操作，以增强模型的泛化能力；下采样模块：通过一次卷积操作对图像大小进行下采样，降低计算复杂度，将图像的长和宽分别减小为原来的一半；特征聚类模块：采用基于传统聚类方法的策略，将语义相同的信息聚合成一类，以在相同语义内部查找篡改区域；空洞嵌入模块：对特征图进行不同空洞率的卷积，得到不同感受野的特征图；解码模块：根据4个阶段的输出，采用金字塔逐层上采样解码。该发明在多个数据集上取得了最佳或相当的结果，为特征提取提供了新的理论基础，为copy‑move图像篡改领域提供了有效的帮助。

主权项：1.一种端对端的基于聚类的copy-move篡改检测方法，其特征在于，包括以下步骤：S1输入模块：读取内存中的基准数据集，包含篡改图像和对应的真实标签，将篡改图像和真实标签输入到模型。S2图像预处理模块：在输入模型之前，对输入图像进行尺寸变化、图像增强、像素归一化、数据集划分等操作。S21图像尺寸变化：通过插值方法将图像调整为相同大小，一般可使用线性插值、非线性插值等插值方法。S22图像增强：通过随机光照变化、随机翻转、随机裁剪、随机缩放、色彩抖动、随机灰度化等操作，对图像数据集进行变换，扩充原来的数据集。S23像素归一化：通过求解出所有图像像素的平均值和标准差，利用归一化的公式，将一批图像的张量减去所平均值并方差。S24数据集划分：将训练数据集、验证集和测试集按照一定的比例进行划分。S3篡改聚类模块：引入聚类方法到图像篡改领域，包括下采样模块S31和聚类模块S32。S31下采样模块：通过简单的卷积操作将输入图像下采样到原来图像的一半，既降低了图像大小，又减小了模型的计算复杂度，提高了整体运行效率。S32空洞嵌入模块：对特征图进行并行的不同空洞率的空洞卷积，以获得具有不同感受野的特征图。通过设计不同的空洞率和卷积核，可以使得输入输出的特征图大小一致。这种并行处理方式使得模型能够捕捉图像在不同感受野下的丰富信息，提高对复杂图像结构的理解和表达。S33特征聚类模块：聚类模块包含特征聚合和特征分配。特征聚合用于对一系列点进行聚类并更新中心点。特征分配则将中心点的特征信息分发回每一个点，实现了语义信息的交互。S4解码模块：模型在每个阶段都有一个输出，前两阶段包含低级语义信息，后两个阶段包含高级语义信息。通过逐层上采样的特征金字塔解码器，选择用这四个输出一起解码，不断融合特征解码出最终的掩模图。

全文数据：

权利要求：

百度查询： 广东技术师范大学 一种端对端的基于聚类的copy-move篡改检测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD