1.一种基于CNN多尺度特征提取和分层融合的图像篡改检测方法，其特征在于，包括以下步骤：将待测的图像输入到噪声预处理模块进行噪声特征的分析，经过SRM和约束卷积层的处理后输出得到特征映射，将得到的特征映射与原始输入图像结合后输入到基本块来获得一个统一的特征表示；

将噪声预处理模块得到的统一特征表示输入到多尺度特征提取模块进行特征提取，多尺度特征提取模块的解码器对特征进行像素细化得到掩码4；

对多尺度特征提取模块的解码器中注意力模块得到的特征映射进行上采样分层特征输出，得到掩码1，掩码2，掩码3；

将分层特征融合得到的掩码1，掩码2，掩码3与多尺度特征提取模块中解码器得到的掩码4进行融合，得到最终图像篡改区域预测图；

所述将噪声预处理模块得到的统一特征表示输入到多尺度特征提取模块进行特征提取的步骤包括：将统一的特征表示输入到多尺度特征提取模块，多尺度特征提取模块中编码器的注意力块进行特征提取捕捉出篡改区域特征，对提取后的特征通过桥接块中的res2块进行特征的补充，弥补之前特征提取过程的特征损失，输出第三特征映射；

利用皮尔逊系数和百分比池来判断图像上的相似区域，输出第四特征映射；

多尺度特征提取模块的解码器对第三特征映射和第四特征映射进行像素细化，得到掩码4。

2.根据权利要求1所述的一种基于CNN多尺度特征提取和分层融合的图像篡改检测方法，其特征在于，所述将待测的图像输入到噪声预处理模块进行噪声特征的分析，包括以下步骤：将输入的待测图像分别输入SRM滤波器和约束卷积层，SRM滤波器对待测图像的噪声进行分析输出第一特征映射，约束卷积层对待测图像的语义内容信息进行分析输出第二特征映射；

将第一特征映射、第二特征映射与原始输入的待测图像三者进行融合，再输入到基本块中得到一个统一的特征表示。

3.根据权利要求2所述的一种基于CNN多尺度特征提取和分层融合的图像篡改检测方法，其特征在于，所述约束卷积层对待测图像的语义内容信息进行分析的计算方式为：，

，

式中， 代表第k层卷积滤波器中 处的值，卷积滤波器的中心值设为（0,

0），Wk随着整个网络训练而更新。

4.根据权利要求1所述的一种基于CNN多尺度特征提取和分层融合的图像篡改检测方法，其特征在于，所述res2块的特征补充步骤包括：将输入的特征映射分为四个尺度大小相同的子集：P1、P2、P3、P4；

除第一个特征集不进行卷积处理直接得到子集R1外，其余特征集输入到3x3卷积块中进行处理；

得到对应的子集R1、R2、R3、R4，将这些子集融合输入到1x1卷积块处理得到需要的第三特征映射。

5.根据权利要求1所述的一种基于CNN多尺度特征提取和分层融合的图像篡改检测方法，其特征在于，所述利用皮尔逊系数和百分比池来判断图像上相似区域的步骤包括为：进行皮尔逊系数 计算：

，

，

T

其中M是特征张量的维数，( ) 是转置操作，  [i]是  [i]的标准化版本，分别是 [i]的平均值和标准差， [i]表示图片上随机的两个块；

进行百分比池的计算：

，

其中TX[i]是计算皮尔逊系数后得到的分数向量，  是所有计算皮尔逊系数后得到的分数向量之和；

得分高的两块区域确定为相似区域，输出对应的第四特征映射。

6.根据权利要求1所述的一种基于CNN多尺度特征提取和分层融合的图像篡改检测方法，其特征在于，所述对多尺度特征提取模块的解码器中注意力模块得到的特征映射进行上采样分层特征输出，包括以下步骤：将res2得到的第三特征映射和经过相似匹配块得到的第四特征映射作为多尺度特征提取模块中解码器普通块的一部分输入，解码器上的注意力块对输入的第三特征映射和第四特征映射通过缩放、上采样得到分层的掩码图：掩码1，掩码2，掩码3；

所述掩码输出的过程中，使用的损失函数为：

，

其中 代表的是真实值标签， 代表的预测输出的标签。

7.根据权利要求1所述的一种基于CNN多尺度特征提取和分层融合的图像篡改检测方法，其特征在于，所述将分层特征融合得到的掩码1，掩码2，掩码3与多尺度特征提取模块中解码器得到的掩码4进行融合的步骤中，选用的总损失函数为：m∈{1, 2, 3}，

其中M是特征张量的维数， 代表第m层的输出掩码， 表示掩码4的输出，  和 代表不同过程中损失函数对应的权重。