一种图像加密方法、装置、电子设备及存储介质制造方法及图纸

本申请关于一种图像加密方法、装置、电子设备及存储介质，涉及计算机技术领域。该方法包括：获取待加密图像；将该待加密图像输入第一神经网络模型，得到该待加密图像的加密噪声图像，该待加密图像的加密噪声图像的类别与该待加密图像的类别相同，该待加密图像的类别用于表征该待加密图像中的对象的类别。本申请中，电子设备得到的待加密图像的加密噪声图像可以对该待加密图像起到很好的加密作用。进而，在其他设备需要进行模型训练时，该电子设备可以向该其他设备发送多个加密噪声图像，避免该其他设备获取到多个样本图像，能够有效地保护样本图像，减少安全隐患。减少安全隐患。减少安全隐患。

【技术实现步骤摘要】
一种图像加密方法、装置、电子设备及存储介质


[0001]本申请涉及计算机
，尤其涉及一种图像加密方法、装置、电子设备及存储介质。

技术介绍

[0002]在图像分类或图像识别的场景中，某一图像加密装置可以获取某一样本图像，并且在其加密模块中对该样本图像加密以生成加密图像，然后该图像加密装置可以向其他设备发送该加密图像。该其他设备在接收到该加密图像之后，可以在该其他设备中的解密模块中解密该加密图像以得到该样本图像，进而该其他设备可以基于该样本图像对初始神经网络模型，得到可以用于预测图像所属类别的目标神经网络模型。
[0003]但是，上述方法中，由于在其他设备中训练神经网络模型的过程需要用到样本图像，如此该其他设备或者目标人员会获取到该样本图像，存在一定的安全隐患。

技术实现思路

[0004]本申请提供一种图像加密方法、装置、电子设备及存储介质，解决了其他设备或者目标人员会获取到样本图像，存在一定的安全隐患的技术问题。
[0005]本申请实施例的技术方案如下：
[0006]根据本申请实施例的第一方面，提供本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像加密方法，其特征在于，包括：获取待加密图像；将所述待加密图像输入第一神经网络模型，得到所述待加密图像的加密噪声图像，所述待加密图像的加密噪声图像的类别与所述待加密图像的类别相同，所述待加密图像的类别用于表征所述待加密图像中的对象的类别，所述第一神经网络模型是基于多个样本图像和所述多个样本图像的加密噪声图像训练得到的。2.根据权利要求1所述的图像加密方法，其特征在于，所述方法还包括：获取第一样本图像和所述第一样本图像的待训练噪声图像，所述第一样本图像为所述多个样本图像中的一个；将所述第一样本图像的待训练噪声图像和所述第一样本图像输入第二神经网络模型，得到第一概率、第一特征矩阵以及第二特征矩阵，所述第二神经网络模型为所述第一神经网络模型的初始神经网络模型，所述第二神经网络模型的输入为所述多个样本图像中的每个样本图像和所述每个样本图像的待训练噪声图像，所述第一概率为所述第一样本图像的待训练噪声图像的类别被预测为第一类别的概率，所述第一类别为所述第一样本图像的类别，所述第一特征矩阵为所述第一样本图像的待训练噪声图像经目标网络层输出的特征矩阵，所述第二特征矩阵为所述第一样本图像经所述目标网络层输出的特征矩阵，所述第一特征矩阵和所述第二特征矩阵分别用于识别所述第一样本图像的类别和所述第一样本图像的待训练噪声图像的类别，所述目标网络层为所述第二神经网络模型包括的多个网络层中的一个；将所述第一样本图像的待训练噪声图像输入第三神经网络模型，得到第二概率，所述第二概率为所述第一样本图像的待训练噪声图像的类别被预测为第二类别的概率，所述第二类别为随机噪声图像的类别；根据所述第一概率、所述第二概率、所述第一特征矩阵以及所述第二特征矩阵，更新所述第一样本图像的待训练噪声图像，以生成所述第一样本图像的加密噪声图像。3.根据权利要求2所述的图像加密方法，其特征在于，所述根据所述第一概率、所述第二概率、所述第一特征矩阵以及所述第二特征矩阵，更新所述第一样本图像的待训练噪声图像，以生成所述第一样本图像的加密噪声图像，包括：根据所述第一概率、所述第二概率、所述第一特征矩阵以及所述第二特征矩阵，确定目标损失函数，并且对所述目标损失函数执行梯度反传操作，以得到所述第一样本图像的待训练噪声图像的输入梯度，所述目标损失函数用于表征所述第一样本图像的类别与所述第一样本图像的加密噪声图像之间的不一致程度；基于所述输入梯度和所述第一样本图像的待训练噪声图像的学习率，更新所述第一样本图像的待训练噪声图像，以生成所述第一样本图像的加密噪声图像。4.根据权利要求3所述的图像加密方法，其特征在于，所述根据所述第一概率、所述第二概率、所述第一特征矩阵以及所述第二特征矩阵，确定目标损失函数，包括：根据所述第一概率，确定第一损失函数，所述第一损失函数用于表征所述第一类别与第三类别的不一致程度，所述第三类别为所述第一样本图像的待训练噪声图像的类别；根据所述第二概率，确定第二损失函数，所述第二损失函数用于表征所述第二类别与所述第三类别的不一致程度；
根据所述第一特征矩阵和所述第二特征矩阵，确定第三损失函数，所述第三损失函数用于表征所述第一特征矩阵与所述第二特征矩阵之间的相似度；根据所述第一损失函数、所述第二损失函数以及所述第三损失函数，确定所述目标损失函数。5.根据权利要求2
‑
4中任一项所述的图像加密方法，其特征在于，所述方法还包括：获取多个待训练噪声图像、多个随机噪声图像、所述多个待训练噪声图像中每个待训练噪声图像的第一标签以及所述多个随机噪声图像中每个随机噪声图像的第二标签，所述第一标签用于表征非噪声图像，所述第二标签用于表征噪声图像；基于所述多个待训练噪声图像、多个随机噪声图像、所述多个待训练噪声图像中每个待训练噪声图像的第一标签以及所述多个随机噪声图像中每个随机噪声图像的第二标签，训练第三初始神经网络模型，所述第三初始神经网络模型用于判别一个图像是否为噪声图像；将训练后的第三初始神经网络模型确定为所述第三神经网络模型。6.一种图像加密装置，其特征在于，包括：获取模块和处理模块；所述获取模块，用于获取待加密图像；所述处理模块，用于将所述待加密图像输入第一神经网络模型，得到所述待加密图像的加密噪声图像，所述待加密图像的加密噪声图像的类别与所述待加密图像的类别相同，所述待加密图像的类别用于表征所述待加密图像中的对象的类别，所述第一神经网络模型是基于多个样本图像和所述多个样本图像的加密噪声图像训练得到的。7...

【专利技术属性】
技术研发人员：李辛昭，
申请(专利权)人：上海高德威智能交通系统有限公司，
类型：发明
国别省市：