1.一种面向审计的图像篡改检测方法，其特征在于，包括如下步骤：

对大量的财务审计图像进行快速筛查，寻找可疑的财务审计图像；首先将所有的财务审计图像进行数据预处理，得到尺寸一致的RGB图像，采用局部二值算法来获取图像的纹理特征，描述像素点周围的纹理信息；使用Canny算子对经局部二值算法处理后的特征矩阵进行特征提取，得到每个位置像素的边缘强度，最后采用分类模型进行票据筛选分类；

完成对可疑的财务审计图像的再分辨和篡改区域的精准定位，采用篡改区域检测模型进行篡改图像检测，篡改区域检测模型采用双分支结构，分别为边缘监督分支和噪声敏感分支，最后利用注意力模块进行分支融合，注意力模块的输出结果在经过激活函数后，获取最终的篡改区域掩模。

2.根据权利要求1所述的一种面向审计的图像篡改检测方法，其特征在于，包括如下步骤：所述采用局部二值算法来获取财务审计图像的纹理特征，描述像素点周围的纹理信息；

使用局部二值算法对图像进行特征提取，得到一个与图像大小相同的特征矩阵，其中每个元素代表相应位置像素的编码值；局部二值算法将像素点的灰度值与周围相邻像素的灰度值进行比较，并将比较结果转换为二进制编码。

3.根据权利要求2所述的一种面向审计的图像篡改检测方法，其特征在于，包括如下步骤：所述使用Canny算子对经局部二值算法处理后的特征矩阵进行特征提取，首先对经局部二值算法提取到的特征矩阵进行高斯滤波，如式（1）所示：（1）

G(i,j)表示在坐标(i,j)处的高斯滤波器响应，i表示像素所在图像中的横坐标，j表示像素所在图像中的纵坐标，σ表示标准差，控制滤波器对图像平滑的程度；

然后对滤波后的图像在水平和垂直方向上应用Sobel算子，计算水平和垂直梯度分量，通过将水平和垂直梯度分量进行平方和开方运算计算每个像素点的梯度幅值；在水平方向上应用Sobel算子，在垂直方向上应用Sobel算子，如式（2）和（3）所示；

（2）

（3）

其中Gi表示图像在水平方向上的梯度，Gj表示图像在垂直方向上的梯度，G表示梯度幅值，即图像每个像素的梯度大小，i表示像素所在图像中的横坐标，j表示像素所在图像中的纵坐标；

计算每个像素点的梯度幅值和方向，如式（4）和（5）所示；

（4）

（5）

其中G表示梯度幅值，即图像每个像素的梯度大小，Gi表示图像在水平方向上的梯度，Gj表示图像在垂直方向上的梯度，θ表示梯度方向；

接着进行非极大值抑制，对于每个像素点，沿着其梯度方向上的两侧，比较每一像素点与相邻像素点在梯度幅值上的大小；如果当前像素的梯度幅值最大，则保留该像素，否则将其抑制为零；接着对非极大值抑制后的图像进行二值化，定义预先设定的高阈值和低阈值，根据以下条件进行分类：若像素值大于高阈值，则将其标记为强边缘；若像素值小于低阈值，则将其抑制为非边缘；若像素值位于高阈值和低阈值之间，则将其标记为弱边缘；最后进行边缘连接，对被标记为弱边缘的像素，检查其周围的8个相邻像素是否为强边缘；若存在强边缘像素，则将该弱边缘像素标记为强边缘，否则将其抑制为零。

4.根据权利要求3所述的一种面向审计的图像篡改检测方法，其特征在于，包括如下步骤：所述分类模型采用ResNet‑50‑C网络，ResNet‑50‑C网络由一个输入模块、阶段1、阶段2、阶段3、阶段4和一个输出模块组成，输入模块包括三个3×3的卷积层，输出通道分别为64、

64及256，第一层的步长为2，第二和第三层的步长均为1，接下来是一个3×3的最大池化层，步长为2；阶段1中由3个N层组成，每个N层由3个残差块构成；阶段2由4个M层组成，阶段3由6个M层组成，阶段4由3个M层组成，每个M层由1个下采样块和2个残差块组成，残差块结构与下采样块相同，区别是残差块中卷积和池化的步长均为1；

从阶段2开始，每个阶段都以一个下采样块作为起点，然后是2个残差块；下采样块包含两个路径：路径A和路径B，路径A由3个卷积层组成，第一层是1×1的卷积层，第二层是3×3的卷积层，第三层是1×1的卷积层；路径B包含一个1×1的卷积层，步长为2；路径B的特征矩阵是通过跳跃连接从上一个阶段或残差块获取的，残差块结构与下采样块完全相同，除了全部卷积层步长均为1；

最后在网络的输出模块使用平均池化操作来将特征矩阵转换为向量形式，并利用全连接层，将全连接层的输出经过sigmoid进行二分类，将财务图像分为未经篡改图像和篡改后图像。

5.根据权利要求4所述的一种面向审计的图像篡改检测方法，其特征在于，包括如下步骤：所述边缘监督分支用于提取篡改区域周围的细微边缘伪影特征，噪声敏感分支用于提取篡改区域周围和真实区域之间的不一致特征，噪声敏感分支输出了篡改图像中篡改区域的噪声特征，作为边缘监督分支的并行分支；注意力模块由通道注意力和位置注意力组成，通道注意力将通道特征关联起来，选择性强调相互依赖的通道特征映射；位置注意力对所有位置特征的加权和，选择性的更新每个位置的特征；注意力模块的输出结果在经过激活函数sigmoid后，获取最终的篡改区域掩模。

6.根据权利要求5所述的一种面向审计的图像篡改检测方法，其特征在于，包括如下步骤：所述边缘监督分支用于提取篡改区域周围的细微边缘伪影特征的具体步骤为：将被归类为篡改后图像作为输入，记为x；设H(x)为图像被篡改的概率，将H(xi)定义为第i个像素被篡改的概率，其中i=1,2,…,512×512；将进行像素分割后的图像记作{H(x1),H(x2),…,H(xi)}，整体图像是否被篡改受到像素是否被篡改影响，通过分割映射上的全局最大池化来计算H(x)，如式（6）所示；

（6）

其中GMP()表示全局最大池化函数，H(xi)表示第i个像素被篡改的概率，i=1,2,…,512×512，H(x)为整个图像被篡改的概率；

对输入的财务审计图像进行特征提取，采用Res2Net残差块作为基本的特征提取模块，捕获图像的篡改痕迹，通过多层次残差块，由浅到深的提取检测特征，考虑到篡改图像中丰富的边缘信息，在每个Res2Net块之间使用边缘残差块提取特征矩阵边缘特征；

为了增强边缘相关的模式，将每个特征矩阵通过Sobel层进行处理，采用Sobel层从Res2Net块的输出中提取到边缘特征，然后输入到边缘残差块；经Sobel层处理后的特征矩阵更易于边缘残差块提取边缘伪影信息，Sobel层能够计算图像像素点周围像素的梯度值，从而检测出图像中的边缘信息；

将经过Sobel层处理的特征矩阵输入到边缘残差块中进行进一步处理，边缘残差块ERB由一系列卷积层、规范化操作和非线性激活函数组成，用于提取财务审计图像中的边缘特征；

将当前块的边缘残差块输出与下一个块的边缘残差块输出进行特征融合，通过对特征矩阵进行元素级的相加操作，得到融合后的特征矩阵；

将融合后的特征矩阵再次输入到一个新的边缘残差块中进行处理，这个新的边缘残差块由一系列卷积层、规范化操作和非线性激活函数组成；

边缘残差块的输出包括两个部分，分别是最后一个Res2Net块的特征输出，表示为{fesb,1,…,fesb,k}，以及用sigmoid层变换最后一个边缘残差块的输出得到S(xi)，如式（7）所示；

（7）

其中ERB‑Res2Net()表示边缘监督分支特征提取函数，fesb,i表示第i个像素的最后一个Res2Net块的特征输出，i=1,2,…,512×512；

构建了一个与边缘监督分支并行的噪声敏感分支，将经过图像预处理后生成的RGB图像作为噪声敏感分支的输入；噪声敏感分支由一个SRM滤波器和四个Res2Net残差块组成，捕获图像的篡改痕迹，通过多层次残差块，由浅到深的提取检测特征；噪声敏感分支的输出是k个特征映射的数组，输出来自最后一个Res2Net残差块，如式（8）所示：（8）

其中Res2Net()表示由四个Res2Net残差块合成的特征变换函数，SRM()表示SRM滤波器变换函数，nsb表示噪声敏感分支，i=1,2,…,512×512；

采用一个注意力模块来对两个分支的输出进行特征融合，注意力模块由通道注意力和位置注意力组成，通道注意力将通道特征关联起来，选择性强调相互依赖的通道特征映射；

位置注意力对所有位置特征的加权和，选择性的更新每个位置的特征，将通道注意力和位’

置注意力的输出相加，通过1×1卷积变成尺寸为32×32的特征矩阵，记为H (xi)；通过双线’性插值上采样，同时加上sigmoid函数，将H(xi)转换为最终的分割图H(xi)，如式（9）所示：（9）

其中DA()表示注意力模块特征融合函数，esb表示边缘监督分支，nsb表示噪声敏感分’ ’支，H (xi)表示双分支特征融合后的特征矩阵，H(xi)表示H (xi)经上采样和sigmoid函数后输出的特征矩阵，Bilinear()表示双线性插值上采样函数，σ()表示sigmoid激活函数，i=

1,2,…,512×512；

注意力模块的输出结果在经过一个激活函数sigmoid后，获取最终的篡改区域掩模。

7.一种面向审计的图像篡改检测系统，其特征在于，包括：

筛查可疑图像模块，用于对大量的财务审计图像进行快速筛查，寻找可疑的财务审计图像；首先将所有的财务审计图像进行数据预处理，得到尺寸一致的RGB图像，采用局部二值算法来获取图像的纹理特征，描述像素点周围的纹理信息；使用Canny算子对经局部二值算法处理后的特征矩阵进行特征提取，得到每个位置像素的边缘强度，最后采用分类模型进行票据筛选分类；

篡改区域定位模块，用于完成对可疑的财务审计图像的再分辨和篡改区域的精准定位，采用篡改区域检测模型进行篡改图像检测，篡改区域检测模型采用双分支结构，分别为边缘监督分支和噪声敏感分支，最后利用注意力模块进行分支融合，注意力模块的输出结果在经过激活函数后，获取最终的篡改区域掩模。

8.根据权利要求7所述的一种面向审计的图像篡改检测系统，其特征在于，所述篡改区域定位模块中边缘监督分支用于提取篡改区域周围的细微边缘伪影特征，噪声敏感分支用于提取篡改区域周围和真实区域之间的不一致特征，噪声敏感分支输出了篡改图像中篡改区域的噪声特征，作为边缘监督分支的并行分支；注意力模块由通道注意力和位置注意力组成，通道注意力将通道特征关联起来，选择性强调相互依赖的通道特征映射；位置注意力对所有位置特征的加权和，选择性的更新每个位置的特征；注意力模块的输出结果在经过激活函数sigmoid后，获取最终的篡改区域掩模。

9.一种电子设备，其特征在于，包括处理器和存储器，

存储器，用于存储计算机程序，该计算机程序被处理器运行，执行权利要求1‑6任一项所述的方法。

10.一种计算机存储介质，其特征在于，所述计算机存储介质存储有计算机程序，该计算机程序被处理器运行，执行权利要求1‑6任一项所述的方法。