Mask-RCNN模型在图像篡改中的应用

张麒麟，林清平，肖 蕾（通讯作者）

（空军预警学院 湖北 武汉 430000）

1 引言

随着科技的快速发展，手机、平板电脑等电子设备和各种图像编辑软件的普及，存储和传输数字图像变得十分便捷。但随之也带来不少问题，其中对图像进行不正当的加工和处理便是一大问题。被恶意篡改的图像经过传播，会影响人们对客观事物的评价，甚至危害社会和国家安全。近年来由于图像造假事件造成的一系列事件发人深省，针对数字图像可能面临着被随意篡改和伪造的风险，如何保证数字图像的真实性，对伪造图像进行认证将是一项非常重要的课题。针对图片篡改检测的算法，以往主要是针对JPEG格式图像的压缩特性进行检测，如DCT算法[1]和BLK算法，这些算法虽然对部分剪贴图片能有效检测，但极易受图像压缩、转码等处理的影响。

为此，我们提出了一个基于深度学习的图像篡改检测系统，由噪声图像生成、全图滤镜检测、篡改区域检测三个子系统构成。噪声图像生成是基于信噪比原理，依据图片本身存在的噪声，突出其中差异生成噪声特征图像。全图滤镜检测是依据图像像素之间的高维关联，用CNN提取其中特征，检测图片可能存在的滤镜。篡改区域检测是依据双流Mask-RCNN网络构架，从RGB和噪声两个层面并行检测图片的篡改痕迹，并对篡改区域进行精确到像素级的标识。

2 Mask-RCNN检测网络

Mask-RCNN[2]是何凯明基于以往的Faster-RCNN[3]架构提出的新的卷积网络。Mask-RCNN与Faster-RCNN同样采用了Two--Stage的结构，该网络结构同时完成了两项任务，即准确识别目标和完成高质量的语义分割。……