一种基于深度学习的敏捷图像加密方法技术

本发明专利技术公开了一种基于深度学习的敏捷图像加密方法，加密网络和解密网络利用改进的ResNet作为骨干网，去掉了ResNet中的所有池化层，在残差模块的残差连接中引入空洞卷积，并采用了多尺度融合的结构。同时为了提高图像加密方法的安全性，对基于深度学习卷积神经网络的加密图像进一步进行混淆，大大扩充了加密方法的密钥空间，增强了该图像加密方法的雪崩效应，提高了群举搜索攻击和差分攻击的难度。该图像加密方法易于与基于深度学习的人工智能系统集成，从而提高人工智能系统的隐私保护能力。该方法有比较好的时间性能，修改密钥不需要重新训练加密和解密网络，模型结构和参数均可公开，符合柯克霍夫原则，使用方便快捷。使用方便快捷。

【技术实现步骤摘要】
一种基于深度学习的敏捷图像加密方法


[0001]本专利技术涉及图像信息安全
，具体涉及一种基于深度学习的敏捷图像加密方法。

技术介绍

[0002]随着网络技术和媒体记录设备的发展，越来越多的多媒体信息通过网络和存储设备传输或分享。某些图像中包含了个人敏感信息，当人们不希望这些图像被未经授权的人访问时，便面临隐私保护问题。人脸图像、虹膜图像、指纹图像等生物信息图像被广泛作为身份标识信息应用于安防领域，属于个人敏感信息；此外，医疗图像中也包含需要保护的隐私信息，军用图像更是机密信息需要加以保护。现代人工智能系统需要大量训练图像来训练机器学习模型，然而这些训练样本中也可能携带隐私敏感信息，因此也需要在数据应用过程中保护数据安全，需要一种安全的图像分享方法来确保图像的安全传输和安全存储。图像加密技术为保护开放平台上敏感、隐私或机密图像不受非法访问提供了一种直接的解决方法。研究人员已经提出了很多精心设计的图像加密方法以及衡量图像加密技术优劣的指标。自2012年以来，基于卷积神经网络(CNN)的深度学习技术发展迅速，并被广泛应用于图像处理、视频处理、本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的敏捷图像加密方法，包括如下步骤：(1)获取足够数量的图像样本，并用裁剪缩放等操作将样本图像归一化为相同大小；(2)对所述的图像加密网络和解密网络进行联合训练，对每批训练数据分两步交替训练直至网络收敛；(3)用混沌映射基于用户密钥k生成一个密码位平面P1和一个密码字节平面P2；(4)将图像与密码位平面P1通道连接后输入加密网络获得初步扩散图像；(5)对加密网络输出的初步扩散图像进一步用P2混淆得到最终的加密图像；(6)解密时，用同样的混沌映射算法基于用户密钥k
’
生成一个密码位平面P1
’
和一个密码字节平面P2
’
；(7)对加密图像用P2
’
逆混淆得到加密网络生成的初始扩散图像；(8)将初始扩散图像与P1
’
通道连接后输入解密网络，解密网络输出最终的解密图像；上述步骤中如果解密时提供的密钥k
’
与加密密钥k不一致，则因为P1≠P1
’
，且P2≠P2
’
而无法有效解密出图像，只有当解密密钥k
’
与加密密钥k相同，因而P1＝P1
’
，且P2＝P2
’
时才可以有效解密出明文图像。2.根据权利要求1所述的基于深度学习的敏捷图像加密方法，其特征在于：所述加密网络和解密网络均以残差网络ResNet50作为骨干网构建，包含12个残差模块，输入首先经过卷积层处理后进入由12个残差模块串接的深度网络，每个残差模块由2个卷积层构成，每个卷积层后由批量归一化(Batch Normalization)和激活层修正线性单元(ReLU)修正，没有池化层，残差模块的残差连接(skip connection)采用了空洞卷积(Dilated/Atrous Convolution)进行处理，第9个和第10个残差模块采用系数为3的空洞卷积，第8个和第11个残差模块采用系数为2的空洞卷积，其他残差模块的残差连接采用普通的卷积层处理。3.根据权利要求1所述的基于深度学习的敏捷图像加密方法，其特征在于：所述加密网络和解密网络采用了多尺度融合的策略，网络的第3个和第6个残差模块后对特征图进行了系数为2的下采样以得到不同尺度的特征，并把第5个、第9个和最后一个残差模块的输出引出，用反卷积进行放大因子分别为2、4和4进行上采样，使从3个分支引出的特征图与输入图像大小一致后进行通道连接实现多尺度融合，连接后的特征图再经过一个卷积层得到初步扩散图像(加密网络)或解密图像(解密网络)。4.根据权利要求1所述的基于深度学习的敏捷图像加密方法，其特征在于：训练加密网络的损...

【专利技术属性】
技术研发人员：竺乐庆，马佳琪，
申请(专利权)人：浙江工商大学，
类型：发明
国别省市：