[发明专利]一种端到端的图像拼接定位方法和系统

权利要求书

1.一种端到端的图像拼接定位方法，其特征在于，包括：

步骤1：构建图像拼接定位网络模型，包括篡改检测模块和残差精细化模块；其中，所述篡改检测模块采用编码器-解码器架构；在所述编码器中，先采用特征提取网络提取输入图像的多尺度特征，然后将其中的高级特征依次输入至CBAM模块和空间金字塔池化模块进行处理；在所述解码器中，将所述特征提取网络提取的其中两种尺度的低级特征与编码器输出的高级特征进行融合重构，得到一个粗预测图；所述残差精细化模块对所述粗预测图作优化，得到最终的拼接定位结果；

步骤2：定义所述图像拼接定位网络模型的损失函数；

步骤3：准备数据集，采用所述数据集对所述图像拼接定位网络模型进行训练；

步骤4：利用训练好的图像拼接定位网络模型对待测图像进行拼接定位。

2.根据权利要求1所述的一种端到端的图像拼接定位方法，其特征在于，所述特征提取网络是通过对ResNet-50进行微调得到的，所述微调过程具体包括：将ResNet-50的第四个阶段中所包含的3个残差块中的3×3卷积层分别替换为不同空洞率的空洞卷积；以及将ResNet-50的第四个阶段中所包含的3个残差块中的3×3卷积层的步长从2减少到1。

3.根据权利要求2所述的一种端到端的图像拼接定位方法，其特征在于，3个残差块中的3×3空洞卷积的空洞率分别为1、2、3。

4.根据权利要求1所述的一种端到端的图像拼接定位方法，其特征在于，所述空间金字塔池化模块是通过对Deeplabv3+中的ASPP模块进行调整得到的，所述调整过程具体包括：以相等比例将ASPP模块中三个尺度的空洞卷积的空洞率进行降低；以及将ASPP模块中的所有标准卷积替换为深度可分离卷积。

5.根据权利要求4所述的一种端到端的图像拼接定位方法，其特征在于，空洞率进行降低后，三个尺度的空洞卷积的空洞率分别为3、6、9。

6.根据权利要求4所述的一种端到端的图像拼接定位方法，其特征在于，所述调整过程具体还包括：在三个3×3深度可分离卷积之后再各增加一个3×3深度可分离卷积。

7.根据权利要求1所述的一种端到端的图像拼接定位方法，其特征在于，所述残差精细化模块的编码器和解码器均包含两个阶段。

8.根据权利要求1所述的一种端到端的图像拼接定位方法，其特征在于，所述损失函数为公式(1)：

L_Loc＝αL_Dice+βL_BCE             (1)

其中，α和β为权重，L_Dice表示Dice损失函数，L_BCE表示BCE损失函数。

9.根据权利要求2所述的一种端到端的图像拼接定位方法，其特征在于，步骤3中，在训练之前，先对所述图像拼接定位网络模型进行初始化，初始化权重采用ResNet-50在ImageNet上的预训练权重。

10.一种端到端的图像拼接定位系统，其特征在于，包括：

模型构建模块，用于构建图像拼接定位网络模型，包括篡改检测模块和残差精细化模块；其中，所述篡改检测模块采用编码器-解码器架构；在所述编码器中，先采用特征提取网络提取输入图像的多尺度特征，然后将其中的高级特征依次输入至CBAM模块和空间金字塔池化模块进行处理；在所述解码器中，将所述特征提取网络提取的其中两种尺度的低级特征与编码器输出的高级特征进行融合重构，得到一个粗预测图；所述残差精细化模块对所述粗预测图作优化，得到最终的拼接定位结果；

损失函数定义模块，用于定义所述图像拼接定位网络模型的损失函数；

训练模块，用于采用准备的数据集对所述图像拼接定位网络模型进行训练；

拼接定位模块，用于利用训练好的图像拼接定位网络模型对待测图像进行拼接定位。