摘要
随着现代科学技术的进步,图像编辑工具的发展极大地降低了篡改所需成本.图像篡改手段有多种,现有的方法往往存在通用性差的问题.同时,这些方法只关注篡改定位而忽略对篡改手段的分类.本文提出一种基于改进的Mask R-CNN两阶段网络模型用于图像篡改取证.在特征提取部分,结合空域富模型(spatial rich model,SRM)和受约束卷积对输入图像进行预处理,再输入到ResNet101前4层中,以建立能够有效体现各种篡改痕迹的统一特征表示.一阶段网络通过注意力区域提议网络(attention region proposal network,A-RPN)检测篡改区域,预测模块实现篡改操作分类和粗略篡改区域定位.继而,一阶段网络得到的定位信息引导二阶段网络学习局部特征以定位出最终的篡改区域.本文所提出的模型能检测3种不同类型的图像篡改操作,包括复制-粘贴、拼接和移除.实验结果表明,本文所提出的方法在NIST16、COVERAGE、Colum-bia和CASIA数据集的F1值分别达到了 0.924、0.761、0.791和0.473,优于传统方法和一些主流深度学习方法.
NETL
NSTL
维普
万方数据