一种图像篡改检测方法和装置与流程

1.本申请涉及计算机技术领域，特别是涉及一种图像篡改检测方法和装置。


背景技术：

2.随着功能强大的图像编辑软件的普及，即使用户没有任何图像处理背景知识，也可以轻易地对数字图像进行篡改，而且篡改后的图像不会留下明显的视觉痕迹。
3.在许多业务场景下，篡改后的图像容易被用于保险骗保、发布虚假消息、作伪证等，因此，对图像进行篡改检测是亟待解决的一个技术问题。


技术实现要素：

4.鉴于上述问题，提出了本申请实施例以便提供一种克服上述问题或者至少部分地解决上述问题的一种图像篡改检测方法和装置。
5.为了解决上述问题，根据本申请实施例的第一方面，公开了一种图像篡改检测方法，包括：获取待检测的图像；将所述待检测的图像输入至训练完毕的网络模型中，输出所述待检测的图像的篡改检测结果；其中，所述网络模型基于比例重新分配后的正样本图像和负样本图像训练所得，所述比例重新分配后的正样本图像在训练样本图像中所占的权重，大于所述比例重新分配后的负样本图像在所述训练样本图像中所占的权重。
6.可选地，所述正样本图像和所述负样本图像通过如下方式进行比例重新分配：获取所述正样本图像在预设的损失函数中的第一平衡因子，和所述负样本图像在所述损失函数中第二平衡因子，所述第一平衡因子与所述第二平衡因子之和为预设的数量阈值；提高所述第一平衡因子的数值，所述第一平衡因子提高后的数值大于所述第二平衡因子的数值。
7.可选地，所述网络模型通过如下方式进行训练：对所述训练样本图像中的被篡改图像和未篡改图像分别进行裁剪操作得到裁剪后的样本图像；对所述裁剪后的样本图像进行压缩操作。
8.可选地，所述对所述训练样本图像中的被篡改图像和未篡改图像分别进行裁剪操作得到裁剪后的样本图像，包括：获取所述被篡改图像的最长边的长度；当所述被篡改图像的最长边的长度满足预设条件时，对所述被篡改图像和所述未篡改图像分别进行裁剪操作得到裁剪后的样本图像。
9.可选地，所述当所述被篡改图像的最长边的长度满足预设条件时，对所述被篡改图像和所述未篡改图像分别进行裁剪操作得到裁剪后的样本图像，包括：当所述被篡改图像的最长边的长度满足所述预设条件时，生成裁剪后的样本图像的最长边的长度；根据所述裁剪后的样本图像的最长边的长度，对所述被篡改图像和所述未篡改图像分别进行裁剪操作得到裁剪后的样本图像；其中，所述预设条件为m＞n*g/x，m表示所述被篡改图像的最长边的长度，n表示所述网络模型可处理的图像的最长边的长度，g表示所述被篡改图像中篡改区域的最长边的长度，x表示所述网络模型输出的图像相对于输入的图像被缩放的倍
数；m’<＝n*g/x，m’表示所述裁剪后的样本图像的最长边的长度。
10.可选地，所述对所述裁剪后的样本图像进行压缩操作，包括：按照所述裁剪后的样本图像的质量因子对所述裁剪后的样本图像进行压缩操作。
11.可选地，所述网络模型通过如下方式进行训练：将压缩操作后的所述训练样本图像中，预设的检测框与篡改区域的重叠面积大于或等于预设面积阈值的被篡改图像作为所述正样本图像；将压缩操作后的所述训练样本图像中的被篡改图像中，除所述正样本图像之外的被篡改图像，和压缩操作后的所述训练样本图像中的未篡改图像作为所述负样本图像。
12.根据本申请实施例的第二方面，还公开了一种图像篡改检测装置，其特征在于，包括：获取模块，被配置成获取待检测的图像；检测模块，被配置成将所述待检测的图像输入至训练完毕的网络模型中，输出所述待检测的图像的篡改检测结果；其中，所述网络模型基于比例重新分配后的正样本图像和负样本图像训练所得，所述比例重新分配后的正样本图像在训练样本图像中所占的权重，大于所述比例重新分配后的负样本图像在所述训练样本图像中所占的权重。
13.可选地，所述装置还包括：比例重新分配模块，被配置成获取所述正样本图像在预设的损失函数中的第一平衡因子，和所述负样本图像在所述损失函数中第二平衡因子，所述第一平衡因子与所述第二平衡因子之和为预设的数量阈值；提高所述第一平衡因子的数值，所述第一平衡因子提高后的数值大于所述第二平衡因子的数值。
14.可选地，所述装置还包括：预处理模块，包括：裁剪模块，被配置成对所述训练样本图像中的被篡改图像和未篡改图像分别进行裁剪操作得到裁剪后的样本图像；压缩模块，被配置成对所述裁剪后的样本图像进行压缩操作。
15.可选地，所述裁剪模块，被配置成获取所述被篡改图像的最长边的长度；当所述被篡改图像的最长边的长度满足预设条件时，对所述被篡改图像和所述未篡改图像分别进行裁剪操作得到裁剪后的样本图像。
16.可选地，所述裁剪模块，被配置成当所述被篡改图像的最长边的长度满足所述预设条件时，生成裁剪后的样本图像的最长边的长度；根据所述裁剪后的样本图像的最长边的长度，对所述被篡改图像和所述未篡改图像分别进行裁剪操作得到裁剪后的样本图像；其中，所述预设条件为m＞n*g/x，m表示所述被篡改图像的最长边的长度，n表示所述网络模型可处理的图像的最长边的长度，g表示所述被篡改图像中篡改区域的最长边的长度，x表示所述网络模型输出的图像相对于输入的图像被缩放的倍数；m’<＝n*g/x，m’表示所述裁剪后的样本图像的最长边的长度。
17.可选地，所述压缩模块，被配置成按照所述裁剪后的样本图像的质量因子对所述裁剪后的样本图像进行压缩操作。
18.可选地，所述装置还包括：正样本提取模块，被配置成将压缩操作后的所述训练样本图像中，预设的检测框与篡改区域的重叠面积大于或等于预设面积阈值的被篡改图像作为所述正样本图像；负样本提取模块，被配置成将压缩操作后的所述训练样本图像中的被篡改图像中，除所述正样本图像之外的被篡改图像，和压缩操作后的所述训练样本图像中的未篡改图像作为所述负样本图像。
19.本申请实施例包括以下优点：
20.本申请实施例提供了一种图像篡改检测方案，可以将待检测的图像输入至训练完毕的网络模型中，输出待检测的图像的篡改检测结果。本申请实施例训练上述用于对待检测的图像进行篡改检测的网络模型，在网络模型的训练过程中，可以对训练样本图像进行预处理，从预处理后的训练样本图像中提取出正样本图像和负样本图像，然后，对正样本图像和负样本图像重新分配比例，再根据比例重新分配后的正样本图像和负样本图像对网络模型进行训练。上述网络模型并非直接利用训练样本图像中的正样本图像和负样本图像训练所得，而是对训练样本图像中的正样本图像和负样本图像各自在训练样本图像中的比例进行重新分配，以保证比例重新分配后的正样本图像的权重大于负样本图像的权重，进而提升网络模型的训练效率，而且，利用训练完毕的网络模型对待检测的图像进行篡改检测，避免了篡改后的图像用于保险骗保、发布虚假消息、作伪证等。
附图说明
21.图1是本申请的一种图像篡改检测方法实施例的步骤流程图；
22.图2a是本申请的训练样本图像中的未篡改图像；
23.图2b是本申请的训练样本图像中的被篡改图像；
24.图2c是本申请的训练样本图像中的未篡改图像经过裁剪后的样本图像；
25.图2d是本申请的训练样本图像中的被篡改图像经过裁剪后的样本图像；
26.图3是本申请的一种应用于保险行业的图像篡改检测方案的流程示意图；
27.图4是本申请的一种图像篡改检测装置实施例的结构框图；
28.图5是适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
具体实施方式
29.为使本申请的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本申请作进一步详细的说明。
30.参照图1，示出了本申请的一种图像篡改检测方法实施例的步骤流程图。该图像篡改检测方法具体可以包括如下步骤：
31.步骤101，获取待检测的图像。
32.在本申请的实施例中，待检测的图像可以为任意格式的图像，而且，待检测图像可以为未篡改图像或者被篡改图像。本申请实施例为了介绍对被篡改图像的检测方案，待检测的图像可以理解为被篡改图像。
33.步骤102，将待检测的图像输入至训练完毕的网络模型中，输出待检测的图像的篡改检测结果。
34.在本申请的实施例中，篡改检测结果可以包含目标图像是否被篡改，如果目标图像被篡改，篡改检测结果还可以包含目标图像的被篡改位置。训练完毕的网络模型可以用于对待检测的图像进行是否被篡改的检测。该网络模型的训练过程可以包括如下子步骤：
35.子步骤1021，获取训练样本图像。
36.在本申请的实施例中，训练样本图像可以包含被篡改图像和未篡改图像，而且，被篡改图像和未篡改图像可以组成多个训练图像对。每个训练图像对中的被篡改图像和未篡改图像可以为针对同一对象的两张图像。其中，对象可以为文字、建筑、人物、车辆等等，本
申请的实施例对训练样本图像中的对象的类型、形态、位置、数量等不做具体限制。
37.子步骤1022，对训练样本图像进行预处理。
38.在本申请的实施例中，预处理可以包含裁剪操作和压缩操作。但是，并非对每个训练样本图像都需要进行裁剪操作，具体需要根据训练样本图像的尺寸而定。
39.子步骤1023，从预处理后的训练样本图像中提取出正样本图像和负样本图像。
40.在本申请的实施例中，可以从预处理后的被篡改图像中提取出正样本图像，并从预处理后的被篡改图像和未篡改图像中提取出负样本图像。
41.子步骤1024，根据正样本图像和负样本图像对网络模型进行训练。
42.在本申请的实施例中，网络模型可以选择深度学习网络模型，例如，快速区域卷积神经网络(faster region convolutional neural networks，faster rcnn)，高效目标检测(efficient object detection，efficientdet)，单射击和多箱检测器(single shot multibox detector，ssd)，实时目标检测器(real-time object detection，yolo)等。
43.需要说明的是，可以根据比例重新分配后的正样本图像和负样本图像训练网络模型。其中，比例重新分配后的正样本图像在训练样本图像中所占的权重，大于比例重新分配后的负样本图像在训练样本图像中所占的权重。
44.本申请实施例提供了一种图像篡改检测方案，可以将待检测的图像输入至训练完毕的网络模型中，输出待检测的图像的篡改检测结果。本申请实施例训练上述用于对待检测的图像进行篡改检测的网络模型，在网络模型的训练过程中，可以对训练样本图像进行预处理，从预处理后的训练样本图像中提取出正样本图像和负样本图像，然后，对正样本图像和负样本图像重新分配比例，再根据比例重新分配后的正样本图像和负样本图像对网络模型进行训练。上述网络模型并非直接利用训练样本图像中的正样本图像和负样本图像训练所得，而是对训练样本图像中的正样本图像和负样本图像各自在训练样本图像中的比例进行重新分配，以保证比例重新分配后的正样本图像的权重大于负样本图像的权重，进而提升网络模型的训练效率，而且，利用训练完毕的网络模型对待检测的图像进行篡改检测，避免了篡改后的图像用于保险骗保、发布虚假消息、作伪证等。
45.在本申请的一种示例性实施例中，在上述子步骤1022的执行过程中，可以先对训练样本图像中的被篡改图像和未篡改图像分别进行裁剪操作得到裁剪后的样本图像。其中，被篡改图像和未篡改图像可以成对出现在训练样本图像中。然后，对裁剪后的样本图像进行压缩操作。
46.在实际应用中，在对训练样本图像中的被篡改图像和未篡改图像分别进行裁剪操作时，可以根据被篡改图像的相关信息和网络模型的相关信息，判断被篡改图像的最长边的长度是否满足预设条件。当被篡改图像的最长边的长度不满足预设条件时，可以不对被篡改图像和未篡改图像进行裁剪操作。当被篡改图像的最长边的长度满足预设条件时，可以对被篡改图像和未篡改图像进行裁剪操作。上述预设条件可以为m＞n*g/x，其中，m表示被篡改图像的最长边的长度，n表示网络模型可处理的图像的最长边的长度，g表示被篡改图像中篡改区域的最长边的长度，x表示网络模型输出的图像相对于输入的图像被缩放的倍数。
47.当被篡改图像的最长边的长度满足上述预设条件时，即m＞n*g/x时，可以生成裁剪后的样本图像的最长边的长度，然后按照裁剪后的样本图像的最长边的长度，对被篡改
图像和未篡改图像分别进行裁剪操作得到裁剪后的样本图像。其中，裁剪后的样本图像的最长边的尺寸可以为m’，m’可以为一个范围，例如，m’<＝n*g/x。
48.需要说明的是，在生成裁剪后的样本图像的最长边的长度之后，对被篡改图像和未篡改图像可以进行相同的裁剪操作得到裁剪后的样本图像。图2a示出了训练样本图像中的未篡改图像，在图2a中，后车门的右下角存在损伤。图2b示出了训练样本图像中的被篡改图像，在图2b中，后车门的右下角的损伤被修复。图2c示出了训练样本图像中的未篡改图像经过裁剪后的样本图像，在图2c中，后车门的右下角存在损伤。图2d示出了训练样本图像中的被篡改图像经过裁剪后的样本图像，在图2d中，后车门的右下角的损伤被修复，并利用方框标记。
49.在实际应用中，在对裁剪后的样本图像进行压缩操作时，可以按照裁剪后的样本图像的质量因子对裁剪后的样本图像进行压缩操作，以提高网络模型对压缩后的被篡改图像的检测能力。
50.在本申请的一种示例性实施例中，在上述步骤1023的执行过程中，预处理后的训练样本图像包含预处理后的被篡改图像和预处理后的未篡改图像。在提取正样本图像时，可以将压缩操作后的训练样本图像中，预设的检测框与篡改区域的重叠面积大于或等于预设面积阈值的被篡改图像作为正样本图像。在提取负样本图像时，可以将压缩操作后的训练样本图像中的被篡改图像中，除上述正样本图像之外的被篡改图像，以及，压缩操作后的训练样本图像的未篡改图像作为负样本图像。其中，预设的检测框可以为4x4、8x8、16x16等多种尺寸，本申请实施例对检测框的尺寸等不做具体限制。
51.在本申请的一种示例性实施例中，由于未篡改图像中不存在正样本图像，上述步骤1023中提取出的负样本图像的数量会大于正样本图像的数量，导致正样本图像的数量和负样本图像的数量的比例失衡。因此，在上述步骤1024的执行过程中，可以利用预设的损失函数对正样本图像和负样本图像进行比例分配，然后根据比例分配后的正样本图像和负样本图像对网络模型进行训练。其中，预设的损失函数可以为focal loss损失函数，focal loss损失函数可以降低大量简单的负样本图像在模型训练过程中所占的权重。在实际应用中，可以获取正样本图像在focal loss损失函数中的第一平衡因子，和负样本图像在focal loss损失函数中的第二平衡因子。其中，第一平衡因子与第二平衡因子之和可以为预设的数量阈值。然后，提高第一平衡因子的数值，同时，第二平衡因子的数值也会降低，直至第一平衡因子提高后的数值大于第二平衡因子的数值。例如，第一平衡因子为α，预设的数量阈值为1，则第二平衡因子为1-α。
52.在本申请的一种示例性实施例中，在上述步骤1022的执行过程中，可以将经过裁剪操作和压缩操作后的未篡改图像和被篡改图像组成的图像矩阵生维，并合并未篡改图像和被篡改图像。例如，合并前的未篡改图像和被篡改图像组成的图像矩阵的维度为[width,height,3]，其中，“width”表示图像宽，“height”表示图像高，“3”表示rgb通道数。合并后的未篡改图像和被篡改图像组成的图像矩阵的维度为[2,width,height,3]，其中，“2”表示未篡改图像和被篡改图像两张图像，“width”表示图像宽，“height”表示图像高，“3”表示rgb通道数。
[0053]
基于上述关于一种图像篡改检测方法的实施例的相关说明，下面介绍一种应用于保险行业的图像篡改检测方案。如图3所示，图3示出了一种应用于保险行业的图像篡改检
测方案的流程示意图。搭建深度神经网络模型。将含有标记信息的被篡改图像和未篡改图像输入至深度神经网络模型，对深度神经网络模型进行训练。在车辆影像系统中收集用户上传的图片资料并进行脱敏处理，使用专业图像处理软件对图片资料进行篡改与标注，将篡改与标记后的图片资源输入至深度神经网络模型，对深度神经网络模型的参数进行微调。将微调后的深度神经网络模型部署在保险行业的业务影像系统中，可以对输入至业务影像系统中的图像自动进行篡改检测。
[0054]
本申请的实施例应用于保险行业中，可以对用户上传或者发送的车损图像进行篡改检测，可以避免车险理赔环节中用户通过修复车辆损伤来降低投保费用，进而减少保险公司的经济损失。
[0055]
本申请的实施例可以根据深度神经网络模型的缩放及降采样倍数而反推出对训练样本图像的裁剪尺寸，并采用未篡改图像与被篡改图像组成图像对的方式训练网络模型，将损失函数设计为可平衡正负样本的focal loss损失函数，最终实现对被篡改图像的检测。
[0056]
需要说明的是，对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请实施例并不受所描述的动作顺序的限制，因为依据本申请实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本申请实施例所必须的。
[0057]
参照图4，示出了本申请的一种图像篡改检测装置实施例的结构框图，该图像篡改检测装置具体可以包括如下模块：
[0058]
获取模块41，被配置成获取待检测的图像；
[0059]
检测模块42，被配置成将所述待检测的图像输入至训练完毕的网络模型中，输出所述待检测的图像的篡改检测结果；
[0060]
其中，所述网络模型基于比例重新分配后的正样本图像和负样本图像训练所得，所述比例重新分配后的正样本图像在训练样本图像中所占的权重，大于所述比例重新分配后的负样本图像在所述训练样本图像中所占的权重。
[0061]
在本申请的一种示例性实施例中，所述装置还包括：比例重新分配模块，被配置成获取所述正样本图像在预设的损失函数中的第一平衡因子，和所述负样本图像在所述损失函数中第二平衡因子，所述第一平衡因子与所述第二平衡因子之和为预设的数量阈值；提高所述第一平衡因子的数值，所述第一平衡因子提高后的数值大于所述第二平衡因子的数值。
[0062]
在本申请的一种示例性实施例中，所述装置还包括：预处理模块，包括：
[0063]
裁剪模块，被配置成对所述训练样本图像中的被篡改图像和未篡改图像分别进行裁剪操作得到裁剪后的样本图像；
[0064]
压缩模块，被配置成对所述裁剪后的样本图像进行压缩操作。
[0065]
在本申请的一种示例性实施例中，所述裁剪模块，被配置成获取所述被篡改图像的最长边的长度；当所述被篡改图像的最长边的长度满足预设条件时，对所述被篡改图像和所述未篡改图像分别进行裁剪操作得到裁剪后的样本图像。
[0066]
在本申请的一种示例性实施例中，所述裁剪模块，被配置成当所述被篡改图像的
最长边的长度满足所述预设条件时，生成裁剪后的样本图像的最长边的长度；根据所述裁剪后的样本图像的最长边的长度，对所述被篡改图像和所述未篡改图像分别进行裁剪操作得到裁剪后的样本图像；
[0067]
其中，所述预设条件为m＞n*g/x，m表示所述被篡改图像的最长边的长度，n表示所述网络模型可处理的图像的最长边的长度，g表示所述被篡改图像中篡改区域的最长边的长度，x表示所述网络模型输出的图像相对于输入的图像被缩放的倍数；m’<＝n*g/x，m’表示所述裁剪后的样本图像的最长边的长度。
[0068]
在本申请的一种示例性实施例中，所述压缩模块，被配置成按照所述裁剪后的样本图像的质量因子对所述裁剪后的样本图像进行压缩操作。
[0069]
在本申请的一种示例性实施例中，所述装置还包括：
[0070]
正样本提取模块，被配置成将压缩操作后的所述训练样本图像中，预设的检测框与篡改区域的重叠面积大于或等于预设面积阈值的被篡改图像作为所述正样本图像；
[0071]
负样本提取模块，被配置成将压缩操作后的所述训练样本图像中的被篡改图像中，除所述正样本图像之外的被篡改图像，和压缩操作后的所述训练样本图像中的未篡改图像作为所述负样本图像。
[0072]
对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
[0073]
本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
[0074]
下面参考图5，其示出了适于用来实现本申请实施例的电子设备的计算机系统500的结构示意图。图5示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
[0075]
如图5所示，计算机系统500包括中央处理单元(cpu)501，其可以根据存储在只读存储器(rom)502中的程序或者从存储部分508加载到随机访问存储器(ram)503中的程序而执行各种适当的动作和处理。在ram 503中，还存储有系统500操作所需的各种程序和数据。cpu501、rom 502以及ram503通过总线504彼此相连。输入/输出(i/o)接口505也连接至总线504。
[0076]
以下部件连接至i/o接口505：包括键盘、鼠标等的输入部分506；包括诸如液晶显示器(lcd)等以及扬声器等的输出部分507；包括硬盘等的存储部分508；以及包括诸如lan卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至i/o接口505。可拆卸介质511，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器510上，以便于从其上读出的计算机程序根据需要被安装入存储部分508。
[0077]
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分509从网络上被下载和安装，和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元(cpu)501执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请所述的计算机可读介质可以是计算机可读信号介质或者
计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、rf等等，或者上述的任意合适的组合。
[0078]
附图中的流程图和框图，图示了按照本申请各种实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0079]
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，其中，这些单元的名称在某种情况下并不构成对该单元本身的限定。
[0080]
作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的装置中所包含的；也可以是单独存在，而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该装置执行时，使得该装置：获取待检测的图像；将所述待检测的图像输入至训练完毕的网络模型中，输出所述待检测的图像的篡改检测结果；其中，所述网络模型基于比例重新分配后的正样本图像和负样本图像训练所得，所述比例重新分配后的正样本图像在训练样本图像中所占的权重，大于所述比例重新分配后的负样本图像在所述训练样本图像中所占的权重。
[0081]
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。