[发明专利]一种基于深度学习的图像反向恢复方法

说明书

本发明提供一种基于深度学习的图像反向恢复方法，包括以下步骤：S1：输入RGB图像；S2：根据所述RGB图像获取噪声特征图；S3：利用所述RGB图像和噪声特征图，采用多任务框架的深度学习网络同时对所述RGB图像执行操作分类和边界框回归，得到RGB图像中被篡改的图像和区域；S4：输出被篡改的图像和区域；S5：采用U型深度卷积神经网络对被篡改的图像进行复原。本发明采用的多任务框架的深度学习网络丰富的特征表示使得能够区分不同的操作技术，提高了性能，不仅能检测篡改伪迹，还能区分各种篡改技术，采用U‑net网络能够成功复原合成孔径系统所成图像，并在复原效果上与盲解卷积算法接近。

技术领域

本发明涉及图像恢复领域，更具体地，涉及一种基于深度学习的图像反向恢复方法。

背景技术

图像篡改的识别在过去的十年中已经成为一个活跃的研究课题，最近蓬勃发展的深度学习在图像分类任务中表现出优异的性能，包括机器操作的面部图像检测。深度学习的核心概念是在一个模型内执行特征提取和分类；它自动扩展抽象特征，而不需要手工制作特征。

解决一个类别的样本数量明显低于属于其他类别的样本数量这个问题通常有两种主要方法:第一种方法使用数据级方法或重采样技术，包括欠采样和过采样(由Yu、Zhou、Tang和Chen在2018年提出)，主要目标是增加少数类的频率或减少多数类的频率，因此两类的实例数量大致相等。另一种为Wu、Jing、Shan、Zuo和Yang等人在2017年提出的算法集成方法，它的主要目标是通过从原始数据构建几个两阶段分类器，然后将它们的预测相加来提高分类器的性能。

最近对Barni等人在2017年提出的CNNs和周等人在2017年提出的CNNs的研究，揭示了分析多个篡改证据的可能性。

图像处理检测和定位的研究活动正在兴起。已有研究基于图像特征进行分类，如Barni等人在2017年提出的双JPEG定位，Zeng、Zhan、Kang和Lin在2017年提出的局部噪声估计，Peng、Wang、Dong和Tan在2017年提出的模式分析，Cristin等人在2018年提出的光照模型，彩色滤波阵列(CFA)与Holub和Fridrich在2015年提出的隐写分析特征分类。除此之外，还有很多基于CNN的框架，例如Chen、Ou、Chi和Fu等人在2017年提出的，还有Zhou等人在2017年提出的基于CNN的框架最近取得了最先进的成果。

Yao等人在2017年使用彩色图像作为输入，然后计算噪声水平函数(NLF)，以揭示操纵图像的不同区域中的噪声水平不一致。该方法具有较高的数据拟合精度。

Zeng等人在2017年估计了分块局部噪声的水平，因为他们假设改变图像中的操纵区域和非操纵区域具有不同的噪声水平。所提出的模型产生了良好的结果，即使当操纵区域和原始区域之间的噪声水平不明显时。

双JPEG定位技术可分为非对齐双JPEG压缩和对齐双JPEG压缩(Guo、Liu和Wu在2013年提出)，分类决策是通过检查量化因子在对图像应用双JPEG压缩后是否对齐来确定的。这种方法依赖于背景区域经过两次JPEG压缩而被操纵区域不经过的概念。这方面的一个例子是Amerini等人在2017年提出的应用多域协同进化神经网络来检测双重JPEG压缩。

Ferrara等人在2012年提出了一个框架，该框架基于CFA缺失区域(操纵区域)和CFA存在区域(真实区域)之间的预测误差差异的假设来计算cam时代的过滤模式。在训练高斯-辛混合模型(GMM)分类器后，可以检测到操作区域。

Peng等人在2017年提出了一种融合人脸纹理信息和非凸几何的反射模型，该模型更适合真实人脸。实验结果表明，该技术对图像伪造检测更有效、更鲁棒。Cristin等人在2018年通过应用光照纹理描述符揭露了伪造，并训练了一个支持向量神经网络分类器。实验在两个数据集上进行，并使用训练百分比和k倍交叉验证进行评估。该模型达到了大约95％的精度。