估计数字图像中高斯低通滤波参数的方法

技术领域

本发明属于图像处理与多媒体信息安全技术领域，涉及一种估计数字图像中高斯低通滤波参数的方法。

背景技术

数字图像作为一种重要的视觉信息传播和扩散的载体而被人们所广泛运用。数字图像给人们的生活带来便利，但是，如果被别有用心的人篡改了图像里的信息，这些被篡改后的图像会给信息安全带来巨大威胁。因此，数字取证作为一种保护图像真实性和完整性的手段，吸引了广大科学者们的关注。而这几年随着技术的发展，使得没有经过专业训练的普通人也具备了篡改图像的能力，并且篡改的痕迹也越来越难被察觉。因此，每年都有大量数字取证算法被设计出来用以应对严峻的信息安全形势。

到目前为止，大量不同效果的图像编辑操作可以说是五花八门。因此，在传统数字取证中，针对不同的图像编辑操作必须要有对应的检测算法。然而，近些年来，随着深度学习的大力发展，几乎所有的图像编辑操作都可以很容易地被深度学习检测出来。在这样的背景下，仅仅是检测图像编辑篡改操作已经无法满足当下的取证要求。因此，我们期待能从图像中提取更多的信息去更深入地了解图像的编辑成型史。

高斯低通滤波作为一种最常见的图像编辑手段被大量运用于数字图像处理中。其最大的应用场景是去噪，几乎所有的图像在成形后都会经历去噪处理以提升图像质量。这种状况下，通常将高斯低通滤波的强度设置为低以达到在去噪的同时不会带来过于模糊的视觉效果。另外，它也会被用于增加图像平滑度，比如，尤其在人脸处理中，脸部皮肤经常要经过高斯低通滤波处理以祛除皱纹，色斑等等，这样的做法可以明显提升人脸的美观效果。此时，高斯低通滤波会被设置为高强度以完美达到美颜效果。在数字取证中，已经有不少检测高斯滤波的算法。现在已经基本上可以做到完美检测高斯低通滤波在图像中留下的痕迹，然而却很少有取证工作去关注高斯滤波中所采用的参数。如果能估算出高斯滤波中的核心参数，将更有利于我们掌握图像的完整编辑史，并作为辅助手段进一步分析图像编辑操作的意图。

发明内容

为解决上述背景技术中存在的问题，本发明提出一种估计数字图像中高斯低通滤波参数的方法，其利用卷积神经网络通过对不同参数下滤波过的图像进行分类来达到估算参数的目的。

本发明解决上述问题的技术方案是：一种估计数字图像中高斯低通滤波参数的方法，其特殊之处在于，包括以下步骤：

1)对图像信息进行灰度转换；

2)进行高斯低通滤波处理，得到训练集；

3)组建卷积神经网络；

4)优化网络高级参数；

5)训练卷积神经网络；

6)基于softmax的分类；

7)估算高斯低通滤波参数。

优先地，所述步骤1)对图像信息进行灰度转换，具体为：

如果需要对彩色图像进行高斯参数估计，需要预先将彩色图像转换为灰度图像；如果输入是灰度图像，则无需进行灰度转换而直接跳入下一步进行后续操作。

优先地，所述步骤2)进行高斯低通滤波处理，得到训练集，具体为：

对步骤1)处理的图像信息经过不同参数的高斯低通滤波器处理，并做好标注，以备后续训练网络时使用。本发明中选取的高斯窗口尺寸为3和5，所选取的标准差如下，[0.5，1，1.5，2，3，5]。

优先地，所述步骤3)组建卷积神经网络，具体为：

在这一步里，需要设计一个合适的卷积神经网络结构。常规的卷积神经网络通常由数个视觉模块组成。而每个视觉模块都会包含卷积层，激活层，池化层以及其他功能性层。通常认为，神经网络的深度越深，包含的视觉模块越多，其学习能力越强。然而，在实际使用中，并不是要求神经网络学习能力越强就越好的。针对不同的问题需要不同深度和学习能力的神经网络。如果用一个过于复杂的网络去解决一个简单的问题，神经网络在自我学习过程中会学习一些毫不相干的特征和模式，导致问题复杂化，从而过拟合，降低了网络的分类效果。

本发明在设计过程中依据发明人的经验，首先试用了包含四组，五组，六组，七组视觉模块的网络结构，并综合比较各种深度的网络的性能，运行效率，最终决定了以六层视觉组为基础的网络结构。

优先地，所述步骤4)优化网络高级参数，具体为：

卷积神经网络中包含大量的可调参数。除了基础的网络学习率，momentum等，还有很多高阶参数诸如池化方式，激活函数，默认卷积方法，窗口尺寸，stride等等可以调整。合适的参数可以提升网络的分辨性能。因此，为了能准确进行高斯参数估计，必须要优化神经网络的高阶参数。在此选取最具代表性的池化方式和激活函数来说明。

池化是卷积神经网络中降低特征维度的一种重要的下采样方式。因为过多的特征会加重神经网络的计算负担，有可能导致过拟合，梯度消失等等负面效果，所以通常会在每一视觉组的出口加上池化层来降低提取的特征图的尺寸。常见的池化是建立在2*2窗口之上的，最具代表性的池化方式包括平均池化和最大值池化。经过反复测验，最大值池化更适合解决高斯参数估计的问题，故在本发明的网络中，所有的池化方式被统一成为最大值池化。

激活函数是神经网络的重要组成部分。常见的分类器均为线性分类器，在进行复类分类时，线性分类性有局限性，因此必须导入具有非线性特征的分类方式来完成多标签分类。在卷积神经网络里，激活函数就起着这样的作用。启用合适的激活函数可以在本发明中更好的区分不同参数滤波后的图像。经过试验，发明人发现最合适的激活函数策略是在第一和第二视觉组中采用TanH函数，而在其它所有视觉组里采用ReLU函数。

在本发明中，发明人利用类似的策略不断组合优化各类高阶参数，以带来最好的分类效果。

优先地，所述步骤5)训练卷积神经网络，具体为：

把步骤2)中的训练集输入卷积神经网络中，网络即开始训练，最终以网络的损失函数达到收敛为目的。在此过程中，训练数据前向传输，经过各视觉组处理后提取特征以便分类时使用；与此同时，由于卷积神经网络的后向反馈特性，分类结果和提取特征的梯度又将逆向传输到浅层视觉组中，以便视觉组通过分析反馈来的结果，更加有效地提取特征。这样的自我学习的特征正是卷积神经网络有别于其他传统机器学习的至关重要的不同点。在这样的训练中，网络的智能不断提升，其分类能力得到不断强化。

优先地，所述步骤6)基于softmax的分类，具体为：

在卷积神经网络提取出了特征并把各类特征完全连接以后，需要进行基于提取特征的分类。本发明选取了softmax层完成相关操作。Softmax亦是卷积神经网络中最常见的分类层。

优先地，所述步骤7)估算高斯低通滤波参数，具体为：

经过训练的卷积神经网络模型达到了较高的分类能力，通过将不同参数滤波处理的图片进行分类可以达到估算高斯低通滤波参数的目的。此时将任意低通滤波图片输入到训练好的模型中可以被分类并标注。通过标注的结果即可大概估算到高斯参数。

本发明的优点：

1、本发明开创性使用了卷积神经网络来解决参数估计的问题，不同于传统参数估计需要高度专业技能设计模型，用卷积神经网络只需要简单地收集数据训练即可达到目的；

2、本发明不同于一般的基于图像内容的分类问题，分类相同内容不同高斯参数的图像很具挑战性，在数字取证中也有着更高的实用价值和意义；

3、本发明将参数估计问题简化为复类分类问题，估算高斯参数的这一套工艺流程颇具启发意义，今后也可以运用到其它类似的参数估计取证工作中；

4、传统的参数估计模型往往只能针对单一操作的单一参数进行估计，而本发明可以同时估计高斯低通滤波的窗口大小和标准差，现实意义更大。

附图说明

图1为一种估计数字图像中高斯低通滤波参数的方法的流程图。

具体实施方式

为使本发明实施方式的目的、技术方案和优点更加清楚，下面将结合本发明实施方式中的附图，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。因此，以下对在附图中提供的本发明的实施方式的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施方式。

本发明设计了一种崭新的评估高斯低通滤波参数的方法。此操作的基本原理在于利用卷积神经网络通过对不同参数下滤波过的图像进行分类来达到估算参数的目的。卷积神经网络具有自主学习功能，通过输入合适的数据集来训练，卷积神经网络可以精准地分类各种不同参数滤波图像。训练好的网络可以直接利用来盲测任意输入的高斯滤波图像。

本发明的总体框架如附图1所示，下面结合具体的流程图进行详细说明。

1)必要的灰度转换

由于过多的图像信息会导致处理难度上升，故本发明主要针对单通道图像，即灰度图像进行高斯参数估计。在实际操作中，如果需要对彩色图像进行高斯参数估计，需要预先将彩色图像转换为灰度图像。如果输入是灰度图像，则无需进行灰度转换而直接跳入下一步进行后续操作。

2)高斯低通滤波处理

其主要功能在于对原始图像进行预处理，用以准备合适的训练数据集。在现实中很难收集到明确知道高斯参数的高斯滤波图像，因此，为了达到训练网络的目的，必须导入这一模块来控制训练集的准确性。众所周知，卷积神经网络的性能除了受网络结构和参数的影响，另外一个极其重要的因素就是训练数据集。只有经过合适的数据集训练，才能最大化卷积神经网络的分类性能。所以，在这一模块里，原始图像会经过不同参数的高斯低通滤波器处理，并做好标注，以备后续训练网络时使用。本发明中选取的高斯窗口尺寸为3和5，所选取的标准差如下，[0.5，1，1.5，2，3，5]。

3)组建合适的卷积神经网络

在这一步里，需要设计一个合适的卷积神经网络结构。常规的卷积神经网络通常由数个视觉模块组成。而每个视觉模块都会包含卷积层，激活层，池化层以及其他功能性层。通常认为，神经网络的深度越深，包含的视觉模块越多，其学习能力越强。然而，在实际使用中，并不是要求神经网络学习能力越强就越好的。针对不同的问题需要不同深度和学习能力的神经网络。如果用一个过于复杂的网络去解决一个简单的问题，神经网络在自我学习过程中会学习一些毫不相干的特征和模式，导致问题复杂化，从而过拟合，降低了网络的分类效果。

本发明在设计过程中依据发明人的经验，首先试用了包含四组，五组，六组，七组视觉模块的网络结构，并综合比较各种深度的网络的性能，运行效率，最终决定了以六组视觉模块为基础的网络结构。

4)优化网络高级参数

卷积神经网络中包含大量的可调参数。除了基础的网络学习率，momentum等，还有很多高阶参数诸如池化方式，激活函数，默认卷积方法，窗口尺寸，stride等等可以调整。合适的参数可以提升网络的分辨性能。因此，为了能准确进行高斯参数估计，必须要优化神经网络的高阶参数。在此选取最具代表性的池化方式和激活函数来说明。

池化是卷积神经网络中降低特征维度的一种重要的下采样方式。因为过多的特征会加重神经网络的计算负担，有可能导致过拟合，梯度消失等等负面效果，所以通常会在每一视觉组的出口加上池化层来降低提取的特征图的尺寸。常见的池化是建立在2*2窗口之上的，最具代表性的池化方式包括平均池化和最大值池化。经过反复测验，最大值池化更适合解决高斯参数估计的问题，故在本发明的网络中，所有的池化方式被统一成为最大值池化。

激活函数是神经网络的重要组成部分。常见的分类器均为线性分类器，在进行复类分类时，线性分类性有局限性，因此必须导入具有非线性特征的分类方式来完成多标签分类。在卷积神经网络里，激活函数就起着这样的作用。启用合适的激活函数可以在本发明中更好的区分不同参数滤波后的图像。经过试验，发明人发现最合适的激活函数策略是在第一和第二视觉组中采用TanH函数，而在其它所有视觉组里采用ReLU函数。

在本发明中，发明人利用类似的策略不断组合优化各类高阶参数，以带来最好的分类效果。最终的网络结构参见附图1。

5)训练卷积神经网络

在这一步里，需要用到第二模块生成的训练集和第三第四模块设计好的卷积神经网络结构。把训练集输入网络中，网络即开始训练，最终以网络的损失函数达到收敛为目的。在此过程中，训练数据前向传输，经过各视觉组处理后提取特征以便分类时使用；与此同时，由于卷积神经网络的后向反馈特性，分类结果和提取特征的梯度又将逆向传输到浅层视觉组中，以便视觉组通过分析反馈来的结果，更加有效地提取特征。这样的自我学习的特征正是卷积神经网络有别于其他传统机器学习的至关重要的不同点。在这样的训练中，网络的智能不断提升，其分类能力得到不断强化。

6)基于softmax的分类

在神经网络提取出了特征并把各类特征完全连接以后，需要进行基于提取特征的分类。本发明选取了softmax层完成相关操作。Softmax亦是卷积神经网络中最常见的分类层。

7)估算高斯低通滤波参数

经过训练的卷积神经网络模型达到了较高的分类能力，通过将不同参数滤波处理的图片进行分类可以达到估算高斯低通滤波参数的目的。此时将任意低通滤波图片输入到训练好的模型中可以被分类并标注。通过标注的结果即可大概估算到高斯参数。

本发明通过以下实验来认证其参数估计性能。

在模拟实验中采用了10000幅图像作为数据库。所有图像均取自著名的数字取证数据图库BOSS。10000幅图像中的8000幅经过高斯低通滤波操作作为训练数据集，另2000幅同样经过滤波处理作为验证数据集。在实验中设置的参数包含窗口尺寸和标准差。窗口尺寸为3或者5，标准差从以下数字中选取，0.5，1，1.5，2，3，5。为了满足参数估计的需要，在仿真中，不同的窗口和标准差两两组合，最后组成12种不同高斯参数处理过的低通滤波图像。

在实验中，我们用训练集首先训练提出的卷积神经网络以获得较高的训练准确率，最后再用验证集去验证实际估计参数的准确率。我们首先使用网络进行简单的二分类，在窗口尺寸统一的情况下，验证网络区分不同参数滤波处理的图像的能力，在这一步里，我们同时导入了原始图像加以验证网络检测高斯低通滤波的效果仿真结果如下。

表1窗口尺寸为3时，不同标准差滤波图像的区分准确率。例如：第3行第2列的99.33％，表示在区分滤波标准差为1和滤波标准差为0.5两种滤波时，准确率达到99.33％。由于表格第3行2列的准确率应该与表格第2行3列相同，因此表格中以x表示，以下不再赘述。

表1窗口尺寸为3时，不同标准差滤波图像的区分准确率。

表2窗口尺寸为5时，不同标准差滤波图像的区分准确率

我们同样通过类似处理，在固定标准差的情况下评估网络是否具备区分不同窗口尺寸的能力，仿真结果见表3。

表3固定滤波标注差的情况下，区分高斯窗口尺寸3和5的准确率

通过以上三个表格可以看出，本发明提出的卷积神经网络可以较好的区分不同参数高斯滤波处理的图片，并且在检测高斯滤波痕迹上亦有不俗的表现。

在最后一步仿真中，我们把所有的图像混合在一起让网络进行复类分类。这一步是本发明的核心相关内容，能完美区分不同窗口和不同标准差才能成为一个合格的取证参数估计器。经过训练和验证，在这一步里，神经网络的最终分类准确率达到96.95％，具有较高的参数估计性能。

以上所述仅为本发明的实施例，并非以此限制本发明的保护范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的系统领域，均同理包括在本发明的保护范围内。