毕业设计之—基于ManTra-Net的图像篡改检测方法研究与应用实现

news2024/10/12 4:22:08

1.摘要

随着互联网、社交媒体和简易图像操作工具的普及，图像篡改带来的问题日益严重。为了解决这一问题，研究者们利用深度卷积神经网络来检测图像篡改并定位篡改区域。为此我们训练了一个ManTra-Net模型，该模型以TensorFlow为后端，使用Adam优化器和分类交叉熵损失函数进行训练。此外，我们还实现了一个Web界面，该界面使用Flask框架开发的Python后端API端点服务器，使用户能够上传图像并接收突出显示篡改区域的输出图像。这一Web界面简化了与模型的交互过程，提高了用户的使用体验。

2.ManTra-Net模型实现

        ManTra-Net方法由两个子网络组成，即创建统一特征表示的图像处理-跟踪特征提取器和直接定位伪造区域的局部异常检测网络(LADN)，从局部特征与其引用到伪造标签之间的差异中学习决策函数映射。从技术上来说，ManTraNet 由两个子网络组成，如下所示：
        1. 图像处理轨迹特征提取器：用于图像处理分类任务的特征提取网络，对不同的处理类型敏感，并将补丁中的图像处理编码为固定维度的特征向量。
        2. 局部异常检测网络：异常检测网络将局部特征与局部区域平均的主导特征进行比较，其激活取决于局部特征偏离参考特征的程度，而不是局部特征的绝对值。

ManTraNet 是一种端到端图像伪造检测和定位解决方案，通过识别局部异常特征来检测伪造像素，因此不限于特定的伪造或篡改类型，具有简单、快速和高鲁棒性，但是其局限性在于不能准确检测多篡改对象图像。

本文针对ManTraNet模型进行简单修改，其结构如下：

keras实现代码：

def create_manTraNet_model( Featex, pool_size_list=[7,15,31], is_dynamic_shape=True, apply_normalization=True ) :
    img_in = Input(shape=(None,None,3), name='img_in' )
    rf = Featex( img_in )
    rf = Conv2D( 64, (1,1),
                 activation=None, # no need to use tanh if sf is L2normalized
                 use_bias=False,
                 kernel_constraint = unit_norm( axis=-2 ),
                 name='outlierTrans',
                 padding = 'same' )(rf)
    bf = BatchNormalization( axis=-1, name='bnorm', center=False, scale=False )(rf)
    devf5d = NestedWindowAverageFeatExtrator(window_size_list=pool_size_list,
                                             output_mode='5d',
                                             minus_original=True,
                                             name='nestedAvgFeatex' )( bf )
    if ( apply_normalization ) :
        sigma = GlobalStd2D( name='glbStd' )( bf )
        sigma5d = Lambda( lambda t : K.expand_dims( t, axis=1 ), name='expTime')( sigma )
        devf5d = Lambda( lambda vs : K.abs(vs[0]/vs[1]), name='divStd' )([devf5d, sigma5d])
    # convert back to 4d
    devf = ConvLSTM2D( 8, (7,7),
                       activation='tanh',
                       recurrent_activation='hard_sigmoid',
                       padding='same',
                       name='cLSTM',
                       return_sequences=False )(devf5d)
    pred_out = Conv2D(1, (7,7), padding='same', activation='sigmoid', name='pred')( devf )
    return Model( inputs=img_in, outputs=pred_out, name='sigNet' )

为了提高模型的泛化能力，将图像篡改和定位检测定义为局部异常检测任务，而不是先前方法中的语义分割任务。为此，使用伪造特征与伪造标签之间的不相似性来学习一个决策函数。局部异常检测网络分为三个阶段：“适应”阶段处理从操纵痕迹检测中提取的特征，以便用于异常检测；“异常特征提取”阶段提取异常特征；最后是“决策”阶段，分类像素是否被篡改。其中最重要的阶段是异常特征提取阶段，在该阶段，模型首先识别出最显著的特征，然后将任何与显著特征足够不同的特征视为异常特征。这一直觉通过两种新颖的神经网络架构来实现：ZPool2D层，它标准化了上述不相似性（如Z分数），以及Conv2DLSTM层，用于处理从不同分辨率堆叠在一起的ZPool2D层输出。