1.一种基于pid-net的图像篡改检测方法，其特征是，包括以下步骤：
2.使用权利要求1所述的一种基于pid-net的图像篡改检测方法，其特征在于，所述的step1中数据集包括casia数据集、nist2016数据集、columbia数据集和coverage数据集；图像的大小统一缩放为256x256，且对各个数据集的篡改掩码图进行统一格式。
3.使用权利要求2所述的一种基于pid-net的图像篡改检测方法，其特征在于，所述的step2中篡改模型的构建步骤为：
4.使用权利要求3所述的一种基于pid-net的图像篡改检测方法，其特征在于，所述的step2.1中pid-net网络基于三分支搭建，一个分支获取图像特征图中的详细信息，一个分支获取上下文信息，最后一个分支预测边界区域，三个分支是并行的，需要将三个分支的特征图进行融合，一张图像输入之后，首先进行卷积操作，卷积核的大小为3×2，每个卷积后面都有一个batchnorm2d和relu操作，接下来是三个分支，三个分支分别采用kpe(t)、p,i,d代表三个分支，kp表示比例系数，ki表示积分时间，kd表示微分时间，e(t)表示输入与输出值的差值，三个分支分别进行比例，积分和微分三种运算；最后将三个分支的输出结果进行融合操作，三个分支的特性信息进行相互间的融合，得到一个较为全面的图像特征图信息。
5.使用权利要求4所述的一种基于pid-net的图像篡改检测方法，其特征在于，所述的step2.2中multi-attention模块的多头注意力机制是由多个self-attention自注意力机制组成，多头注意力机制有多个query，keys，values向量，再分别计算各自的z矩阵，最后将z矩阵进行拼接，多头注意力机制，可以防止模型的过拟合，可以学习多个方面不同的特征，便于模型学习篡改特征：
6.使用权利要求5所述的一种基于pid-net的图像篡改检测方法，其特征在于，所述的step2.3中约束卷积核的设置为核中心权值为-1，其余位置权值总和被归一化为1，整个核参数值总和为0，约束卷积的卷积核设置方式如下：
7.使用权利要求3所述的一种基于pid-net的图像篡改检测方法，其特征在于，所述的step3中篡改模型的训练的具体过程如下：
8.使用权利要求7所述的一种基于pid-net的图像篡改检测方法，其特征在于，所述的step4中篡改模型的效果测试与结果评估具体步骤为：