CN115170933B 基于双流深度神经网络的数字图像伪造区域定位方法 （西安电子科技大学）.docxVIP

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN115170933B(45)授权公告日2025.07.01

(21)申请号202210993852.X

(22)申请日2022.08.18

(65)同一申请的已公布的文献号申请公布号CN115170933A

(43)申请公布日2022.10.11

(73)专利权人西安电子科技大学

地址710071陕西省西安市太白南路2号

(72)发明人蒋忠元刘正道李兴华马建峰

(74)专利代理机构陕西电子工业专利中心

61205

专利代理师田文英王品华

(51)Int.CI.

GO6V20/00(2022.01)

GO6V10/82(2022.01)

GO6V10/46(2022.01)

GO6V10/44(2022.01)

GO6V10/80(2022.01)

(56)对比文件

CN110349136A,2019.10.18CN111241958A,2020.06.05审查员江鹏

权利要求书3页说明书12页附图5页

(54)发明名称

基于双流深度神经网络的数字图像伪造区域定位方法

(57)摘要

CN115170933B本发明公开一种基于双流深度神经网络的数字图像伪造区域定位方法，主要解决现有图像伪造检测方法普适性不高，图像伪造关键特征提取缺失，伪造图像重要特征信息的遗漏问题。本发明实现的步骤为：构建包括编码器、特征融合模块和解码器的双流深度神经网络；编码器由两个子特征提取器实现双流的特征提取；利用由多种类型图像伪造样本组成的训练集，训练双流深度神经网络，对数字图像伪造区域进行定位。由于本发明使用双残差块、单残差块、特征融合模块提取并学习图像的伪造特征，实现了对数字图像伪造区域定位的能力，提高了图像伪造区域定位的准确性

CN115170933B

构建双流深度神经网络中的编码器

构建双流深度神经网络的特征融合模块

构建双流深度神经网络的解码器

构建双流深度神经网络

生成训练集

训练双流深度神经网络

对数字图像伪造区域进行定位

CN115170933B权利要求书1/3页

2

1.一种基于双流深度神经网络的数字图像伪造区域定位方法，其特征在于，利用构建双流深度神经网络中的双残差块、单残差块、特征融合模块提取并学习图像的伪造特征，实现对数字图像伪造区域定位的能力；该定位方法的步骤包括如下：

步骤1,构建双流深度神经网络中的编码器：

步骤1.1,搭建由四个结构相同的双残差块串联组成的原始图像采样单元；

步骤1.2,双残差块由输入层，第一卷积层，第一非线性运算层，第二卷积层，第一残差卷积层，非线性加法运算单元，第二非线性运算层，第三卷积层，第四卷积层，门控卷积层，门控非线性运算层，第三非线性运算层，第二残差卷积层，输出层组成；

步骤1.3,第一卷积层、第一非线性运算层、第二卷积层、非线性加法运算单元、第一残差卷积层依次串联后形成第一次残差传播的残差块、第一次残差传播的残差块的输出结果；

步骤1.4,第三卷积层、第二非线性运算层、第四卷积层、第三非线性运算层、第二残差卷积层依次串联形成第二次残差传播的残差块；

步骤1.5,输入层分别与第一卷积层、第一残差卷积层、第二残差卷积层连接，再与第一次残差传播的残差块，门控卷积层，门控非线性运算层，第二次残差传播的残差块、输出层依次串联整体构成了双残差块；

步骤1.6,根据图像分辨率的大小将输入层的通道参数设置为3,输入神经元个数设置为384×256个，将第一、第三卷积层、第一、第二残差卷积层的输入通道均设置为3,输出通道均设置为32,核大小均设置为3×3,滑动步长均设置为1,扩张系数均设置为1,将第二、第四卷积层的输入、输出通道数均设置为32,核大小设置为3×3,滑动步长设置为1,扩张系数设置为1,设置门控卷积层输入通道数为32,输出通道大小设置为3,核大小为3×3,滑动步长设置为1,扩张系数设置为1,第一至第三非线性运算层、非线性加法运算单元均采用激活函数ReLU实现，输出层的输入、输出通道数均设置为32;

步骤1.7,搭建一个由高通滤波模块和四个结构相同的单残差块依次串联组成的高通图像采样子网络；

步骤1.8,高