基于深度学习的图像修改区域定位方法、系统及存储介质.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113850307A(43)申请公布日2021.12.28(21)申请号202111076265.6(22)申请日2021.09.14(71)申请人长沙理工大学地址410114湖南省长沙市天心区万家丽南路二段960号(72)发明人章登勇文凰李峰陈书书宋云(74)专利代理机构广州嘉权专利商标事务所有限公司44205代理人王本晋(51)Int.Cl.G06K9/62(2006.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书2页说明书8页附图3页(54)发明名称基于深度学习的图像修改区域定位方法、系统及存储介质(57)摘要本发明公开了一种基于深度学习的图像修改区域定位方法、系统及存储介质，通过提取目标RGB图像的图像残差，基于图像残差，使用第一神经网络提取目标RGB图像中的修改过的区域与未修改过的区域之间高频分量的不一致性特征，根据提取的不一致性特征生成第一特征图；提取目标RGB图像的局部二值模式特征，将局部二值模式特征与目标RGB图像进行合并，得到合并图像，使用第二神经网络提取合并图像中的修改过的区域与未修改过的区域之间的块相似性特征，根据提取的块相似性特征生成第二特征图；融合第一特征图和第二特征图得到目标特征图，基于目标特征图，定位目标RGB图像的图像修改区域。该方法能够高效、准确地定位图像中的修改区域。CN113850307ACN113850307A权利要求书1/2页1.一种基于深度学习的图像修改区域定位方法，其特征在于，包括以下步骤：获取目标RGB图像，所述目标RGB图像是已经修改过的RGB图像；提取所述目标RGB图像的图像残差；基于所述图像残差，使用第一神经网络提取所述目标RGB图像中的修改过的区域与未修改过的区域之间高频分量的不一致性特征，根据提取的所述不一致性特征生成第一特征图；提取所述目标RGB图像的局部二值模式特征；将所述局部二值模式特征与所述目标RGB图像进行合并，得到合并图像，使用第二神经网络提取所述合并图像中的修改过的区域与未修改过的区域之间的块相似性特征，根据提取的所述块相似性特征生成第二特征图；融合所述第一特征图和所述第二特征图，得到目标特征图，基于所述目标特征图，定位所述目标RGB图像的图像修改区域。2.根据权利要求1所述的基于深度学习的图像修改区域定位方法，其特征在于，所述使用第二神经网络提取所述合并图像中的修改过的区域与未修改过的区域之间的块相似性特征，包括步骤：通过两个连续卷积块和三个双重注意力卷积块对所述合并图像进行卷积操作，获取三个特征图；将所述三个特征图进行早融合提取所述合并图像中的修过的改区域与未修改过的区域之间的块相似性特征。3.根据权利要求1所述的基于深度学习的图像修改区域定位方法，其特征在于，所述提取目标RGB图像的局部二值模式特征，包括步骤：使用局部二值模式LBP提取目标RGB图像的局部二值模式特征，其中，所述局部二值模式LBP的运算公式为：其中，(xc,yc)表示中心像素，ic表示中心像素的灰度值，ip表示中心像素的邻接像素的灰度值。4.根据权利要求1所述的基于深度学习的图像修改区域定位方法，其特征在于，所述根据提取的所述块相似性特征生成第二特征图，包括步骤：采用一个两倍上采样的转置卷积和一个四倍上采样的转置卷积将所述第二特征图的大小放大至所述目标RGB图像大小；并使用步长为1，大小为5×5的卷积层来减弱由所述转置卷积带来的棋盘伪像。5.根据权利要求1所述的基于深度学习的图像修改区域定位方法，其特征在于，所述提取所述目标RGB图像的图像残差，包括步骤：使用三个经过初始化内核的一阶高通滤波器分别对所述目标RGB图像的三个通道进行卷积操作，获得三个卷积结果；并将所述三个卷积结果按深度进行拼接，获得所述残差图像。6.根据权利要求1所述的基于深度学习的图像修改区域定位方法，其特征在于，所述使用第一神经网络提取所述目标RGB图像中的修改过的区域与未修改过的区域之间高频分量2CN113850307A权利要求书2/2页的不一致性特征，包括步骤：通过四个ResNet块提取所述目标RGB图像中的修改过的区域与未修改过的区域之间高频分量的不一致性特征，其中，每个所述ResNet块包括两个瓶颈单元，每个所述瓶颈单元包括三个连续的卷积层和一个恒等快捷连接。7.根据权利要求1所述的基于深度学习的图像修改区域定位方法，其特征在于，所述根据提取的所述不一致性特征生成第一特征图，包括步骤：通过两个四倍上采样的转置卷积将所述第一特征图的大小放大至所述目标RGB图像大小，并且使用步长为1，大小为5×5的卷积层来减弱由所述转置卷积带来的棋盘伪像。8.根据权利要求1所述的基于深度学习的图像修改区域定位方法