申请/专利权人：桂林理工大学

申请日：2024-03-27

公开（公告）日：2024-06-21

公开（公告）号：CN118230093A

主分类号：G06V10/774

分类号：G06V10/774;G06V10/764;G06T7/10;G06V10/80;G06N3/0464;G06N3/084

优先权：

专利状态码：在审-公开

法律状态：2024.06.21#公开

摘要：本发明公开一种基于3D卷积的图像篡改定位方法，属于图像分割技术领域，实现步骤为：1构建训练数据集；2构建基于3D卷积图像篡改定位网络模型；3训练3D卷积图像篡改定位网络模型；4篡改图像输入已训练好的3D卷积图像篡改定位网络模型，通过对篡改区域边缘和真实图像边缘特征不一致性进行检测，由融合模块中的SRM流、两个RGB流和BayarConv流有效增强篡改区域和真实区域之间的特征差异，使用3D卷积，来加大感受野，进而增强网络的表达能力，以此进一步提升了泛化性和更准的定位能力。

主权项：1.一种基于3D卷积的图像篡改定位方法，其特征在于，具体包括以下步骤：步骤1，构建训练数据集：首先将Columbia、CASIA、NIST16、IMD20、Coverage这些数据集中的篡改图像进行数据划分处理，然后将五个数据集的篡改图像分别分成训练集和测试集，从而得到相对应的训练数据集和测试数据集；步骤2，构建基于3D卷积的图像篡改定位网络模型：网络模型包括三个部分：融合模块、3D卷积模块、分割头模块；融合模块主要由一个SRM流、两个RGB流和BayarConv流组成，用以增强特征；3D卷积模块由4个3D卷积提取块堆叠组成，将增强特征输入到3D卷积模块后由4个3D卷积提取块依次提取深度层次特征；分割头模块对深度层次特征进行融合、筛选得到深度融合特征；最后，深度融合特征通过压缩和黑白化处理得到篡改分割图像，最后分割图像采用0.6阈值通过黑白化处理后得到最终篡改分割图像；步骤3，训练3D卷积图像篡改定位网络模型：将Columbia、CASIA、NIST16、IMD20、Coverage这些数据集的训练集中的所有篡改图像分别输入到五个3D卷积图像篡改定位网络模型中，利用随机梯度下降法，对网络的参数进行持续的迭代更新，一直到L1损失函数收敛为止，得到训练好的3D卷积图像篡改定位网络模型；步骤4，对训练好的图像篡改定位网络模型，利用五个数据集分别进行测试：使用训练好的图像篡改定位网络模型，分别对五个数据集的测试集进行模型性能测试，分别得到五个数据集最终的图像篡改定位结果。

全文数据：

权利要求：

百度查询： 桂林理工大学 一种基于3D卷积的图像篡改定位方法

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