目前图像拼接检测面临的主要挑战在于如何检测出区域完整的篡改目标。尽管现有的图像拼接检测算法已经取得了富有潜力的性能，但大多数方法对拼接目标的完整性定位有所忽视，尤其是拼接边缘处的像素。而完整度受限的定位结果会影响检测质量，降低图像拼接检测系统的权威性与可信度。
篡改目标定位完整度的好坏体现在两方面：（1）在拼接区域内部，尽可能地检测到更多像素；（2）在拼接边界，篡改区域与未篡改区域可以被精准地区分开来。针对图像拼接篡改，伪造者为了使拼接区域与背景区域之间的衔接看起来更加自然，往往会对拼接边缘处进行特别处理，进而在边缘处留下篡改痕迹。所以，拼接边缘信息的利用对于图像拼接检测具有重要意义。
图1 算法框架图与特征增强模块
基于以上分析，我们充分利用拼接边缘信息，提出了一种基于边缘增强的图像拼接检测算法，算法框架如图1-(a)所示。网络框架ET（Edge- ）是基于编码器-解码器架构，以边缘感知作为编码器图像拼接，包含篡改区域分支和拼接边缘分支，分别用于提取篡改区域与拼接边缘的特征。特别地，在拼接边缘分支，均匀地选取第3、6、9和12层特征，使用Sobel算子计算边缘特征并进行级联。为了使篡改区域与拼接边缘的特征更好地融合，我们设计了一个特征增强模块，如图1-(b)所示，将边缘信息增强化处理并自适应地调整特征权重。最终，通过两次4倍上采样，恢复特征图的初始分辨率。模型ET的损失函数由篡改区域定位损失和边缘损失两部分构成：
表1 在多个数据集上的像素级对比实验结果
图2 像素级与边缘级对比实验结果
在实验部分，我们首次增加了边缘级评价指标（IoU-edgeN和F1-edgeN），容忍度参数edgeN表示检测结果的边界像素是否位于以边缘像素为中心的N×N范围内。本方法与多种经典算法以及SOTA算法在多个数据集上进行对比，从像素级与边缘级这两个方面全面地对图像拼接检测性能进行评价，实验结果如表1和图2所示，ET的性能优于对比方法。特别地，从图2（以最右列和ET的结果为例）中可以看出，的检测结果在篡改区域的下侧和右侧有缺失，若只分析像素级指标（F1-pixel），和ET的结果是比较接近的，但在边缘级评价指标上ET比高了许多。由此也可以看出，边缘级评价指标对于篡改目标定位完整度的评判具有重要意义。
相关论文发表在IEEE 上图像拼接，作者为北京交通大学信息所的孙钰、倪蓉蓉和赵耀。
Yu Sun, Ni, and Yao Zhao, “ET: Edge- for ,”IEEE ,vol.29, pp.1232-1236 May 2022. DOI: 10.1109/LSP.2022.
限时特惠:本站持续每日更新海量各大内部创业课程，一年会员仅需要98元，全站资源免费下载
点击查看详情
站长微信:Jiucxh
