[发明专利]基于方向一致性卷积神经网络的图像增强检测方法及系统

权利要求书

1.基于方向一致性卷积神经网络的图像增强检测方法，其特征在于，包括以下步骤：

S1：选择一幅待测图像，并裁剪为固定尺寸，裁剪选择中心裁剪；

S2：将裁剪后的图像输入到预先训练好的基于方向一致性卷积神经网络模型，计算待测图像经过图像增强操作和未经过图像增强操作的概率；

S3：比较待测图像经过图像增强操作和未经过图像增强操作的概率大小，最终判断待测图像是否经过图像增强操作。

2.根据权利要求1所述的基于方向一致性卷积神经网络的图像增强检测方法，其特征在于，步骤S1所述固定尺寸为256*256。

3.根据权利要求1所述的基于方向一致性卷积神经网络的图像增强检测方法，其特征在于，步骤S2还包括获取预先训练好的基于方向一致性卷积神经网络模型，包括以下步骤：

S2.1：基于标签标记的监督学习方法，将图像数据库中的原始图片标记为标签0，经过图像增强的对应图像标记为1；

S2.2：对所述标记图像进行深度学习训练，得到对应于所述标记原始图片和经过图像增强操作后图片的特征信息；

S2.3：利用随机梯度下降方法对所述特征信息进行训练，得到对应于监测图像是否经过增强操作的深度学习网络模型。

4.根据权利要求3所述的基于方向一致性卷积神经网络的图像增强检测方法，其特征在于，所述深度学习网络模型为5层结构卷积神经网络，包括卷积层、归一化层、激活层、池化层和全连接层；

其中卷积层包括一般性卷积层、约束性卷积层和方向一致性卷积层，约束性卷积层中各个位置权值均通过以下公式严格约束：

w(0.0)＝-1，∑_l，m≠0w(l，m)＝1；

激活层为带参数的激活层；

池化层包括最大池化层和平均池化层。

5.根据权利要求4所述的基于方向一致性卷积神经网络的图像增强检测方法，奇特征在于，所述卷积神经网络还包括损失函数，其中损失函数为总体训练样本的分类损失。

6.根据权利要求1-5任一项所述的系统，其特征在于，包括获取模块、计算模块和判断模块；

其中获取模块用于将待测图像剪裁成特定大小的图像；

计算模块用于利用预先训练好的基于方向一致性的卷积神经网络模型，计算待测图像是原始图像的概率和经过图像增强操作后的概率；

判断模块用于比较概率，判断所述待测图像是原始图像还是经过图像增强操作后的图像。

7.根据权利要求6所述的基于方向一致性卷积神经网络的图像增强检测系统，其特征在于，所述获取模块包括获取单元；其中获取单元用于输入待测图像，通过中心裁剪，得到固定大小的图像。

8.根据权利要求6所述的基于方向一致性卷积神经网络的图像增强检测系统，其特征在于，所述计算模块网络建立单元和计算单元；

其中网络建立单元用于建立深度学习网络模型；基于标签标记的监督学习方法，将图像数据库中的原始图片标记为标签0，经过图像增强的对应图片标记为标签1，并利用基于方向一致性的卷积神经网络对所述标记图像进行深度学习，得到对应的原始图像和经过图像增强操作后图像的特征，利用随机梯度下降方法对所述特征信息进行训练，得到对应于所述检测目标的深度学习网络模型；

计算单元用于利用训练好的方向一致性卷积神经网络模型，得到待测图像是原始图像的概率和是经过图像增强操作后的概率。