本发明涉及图像处理领域,具体涉及一种图像可信度检测方法、系统、设备和存储介质。
背景技术:
1、在当今数字化时代,图像信息呈爆炸式增长,广泛应用于新闻传播、社交媒体、电子商务、司法证据等众多领域。然而,数字图像处理技术的发展也带来了严重的图像可信度危机。一方面,诸如adobe photoshop等功能强大的图像编辑软件使得图像伪造和篡改轻而易举,从简单的色彩调整到复杂的物体添加或移除,都可以在不留明显痕迹的情况下完成。另一方面,网络的开放性使得图像来源错综复杂,用户在获取图像时,几乎没有有效的手段来判断其真实性。
2、现有仅基于视觉特征的方法可能对经过精心篡改且视觉上看起来合理的图像误判为可信。例如,某些伪造的证件图像,仅通过视觉特征可能无法发现其篡改痕迹,因为伪造者可能会保持图像的整体视觉效果一致,但通过本发明结合元数据(如证件原始颁发时间与图像元数据中的拍摄时间对比)可以发现异常。这种单一视觉特征方法缺乏对图像来源和相关背景信息的考量,容易受到伪造者的欺骗。
3、仅依赖元数据的方法在元数据被篡改或者缺失的情况下无法准确评估图像可信度。而且,即使元数据正常,仅通过元数据无法判断图像内容是否被篡改,而本发明的视觉特征分析可以弥补这一不足。例如,若元数据显示拍摄设备正常,但图像内容存在明显的视觉不一致(如物体的光影效果与拍摄设备参数不匹配),仅基于元数据的方法将无法识别这种问题。
技术实现思路
1、本发明的主要目的是提供一种图像可信度检测方法、系统、设备和存储介质,通过提取目标图像的视觉特征和元数据特征,并进行加权融合,再利用训练好的可信度检测模型进行评估,旨在提高图像可信度评估的准确性、提供全面的评估手段,并增强评估的可靠性和实用性。这种方法能够有效应对各种复杂场景,为依赖图像信息的各个领域提供可靠的评估手段。
2、为了实现上述目的,本技术实施例提供如下技术方案:
3、根据本技术实施例的第一方面,提供了一种图像可信度检测方法,所述方法包括:
4、从待检测的目标图像提取视觉特征,所述视觉特征包括色彩特征、纹理特征和形状特征;
5、将所述视觉特征与元数据特征进行加权融合,得到融合特征向量;所述元数据特征表征图像属性信息;
6、调用可信度检测模型,根据所述融合特征向量检测出所述目标图像的可信度。
7、可选地,从待检测的目标图像提取视觉特征,包括:
8、将所述目标图像从rgb颜色空间转换为hsv颜色空间,并计算色彩直方图,以生成色彩特征;
9、将所述目标图像转换为灰度图像,并计算灰度共生矩阵,提取纹理特征统计量,以生成纹理特征;
10、对所述目标图像进行边缘检测和提取轮廓,生成形状特征。
11、可选地,计算色彩直方图,以生成色彩特征,包括:
12、为hsv颜色空间中的每个通道分别确定量化区间的数量和范围;
13、根据各通道的量化区间数量,初始化一个长度为所有通道量化区间数量之和的向量;
14、从所述目标图像的第一个像素开始,逐行逐列遍历所述目标图像中的每个像素,获取像素在hsv空间中的h、s、v值;
15、对于当前遍历到的像素,根据在hsv空间中的h、s、v值和量化区间计算索引,并更新相应位置的计数;
16、遍历完所有像素后得到色彩特征,表征了各量化区间内像素的数量。
17、可选地,所述计算灰度共生矩阵,提取纹理特征统计量,以生成纹理特征,包括:
18、根据设定灰度级初始化一个灰度共生矩阵;
19、从所述目标图像的第一个像素开始,逐行逐列遍历所述目标图像中的每个像素;
20、对于每个像素,根据设定距离和设定角度,找到与其对应的像素对;获取当前遍历到的像素对的灰度级值,并将所述灰度共生矩阵中位置的值加1;
21、遍历完所有满足条件的像素对后,则构建好所述灰度共生矩阵,所述灰度共生矩阵表征目标图像中像素对在不同灰度级上的分布情况;
22、利用所述灰度共生矩阵计算纹理特征统计量,将所述纹理特征统计量按顺序排列,生成纹理特征。
23、可选地,所述对所述目标图像进行边缘检测和提取轮廓,生成形状特征,包括:
24、对于所述目标图像使用边缘检测算法进行边缘检测,得到边缘图像;
25、对所述边缘图像使用轮廓提取函数提取出轮廓;对于每个提取到的轮廓,判断是否为封闭轮廓;
26、计算每个封闭轮廓的形状特征,所述形状特征包括封闭轮廓所围成的区域的面积、封闭轮廓的周长、圆形度、包含封闭轮廓的最小矩形的面积;
27、将所有形状特征组合成一个向量,作为形状特征。
28、可选地,所述调用可信度检测模型,根据所述融合特征向量检测出所述目标图像的可信度,包括:
29、将所述融合特征向量输入所述可信度检测模型,输出所述目标图像的可信度得分;
30、根据设定阈值和所述可信度得分判断所述目标图像是否可信。
31、可选地,所述可信度检测模型按照如下步骤训练:
32、将若干已标记可信度的图像样本输入待训练的可信度检测模型,并初始化模型参数;
33、所述可信度检测模型通过前向传播计算预测可信度;
34、根据所述预测可信度和所述已标记可信度计算损失函数值;
35、根据所述损失函数值判断是否达到停止训练的条件,若未满足停止训练的条件,进行反向传播计算梯度,以更新模型参数;
36、若满足停止训练的条件后,输出训练好的可信度检测模型。
37、根据本技术实施例的第二方面,提供了一种图像可信度检测系统,所述系统包括:
38、特征提取模块,用于从待检测的目标图像提取视觉特征,所述视觉特征包括色彩特征、纹理特征和形状特征;
39、特征融合模块,用于将所述视觉特征与元数据特征进行加权融合,得到融合特征向量;所述元数据特征表征图像属性信息;
40、可信度检测模块,用于调用可信度检测模型,根据所述融合特征向量检测出所述目标图像的可信度。
41、根据本技术实施例的第三方面,提供了一种电子设备,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器运行所述计算机程序时执行以实现上述第一方面所述的方法。
42、根据本技术实施例的第四方面,提供了一种计算机可读存储介质,其上存储有计算机可读指令,所述计算机可读指令可被处理器执行以实现上述第一方面所述的方法。
43、综上所述,本技术实施例提供了一种图像可信度检测方法、系统、设备和存储介质,通过从待检测的目标图像提取视觉特征,所述视觉特征包括色彩特征、纹理特征和形状特征;将所述视觉特征与元数据特征进行加权融合,得到融合特征向量;所述元数据特征表征图像属性信息;调用可信度检测模型,根据所述融合特征向量检测出所述目标图像的可信度。通过提取目标图像的视觉特征和元数据特征,并进行加权融合,再利用训练好的可信度检测模型进行评估,旨在提高图像可信度评估的准确性、提供全面的评估手段,并增强评估的可靠性和实用性。这种方法能够有效应对各种复杂场景,为依赖图像信息的各个领域提供可靠的评估手段。