一种基于深度学习的密文域图像分类方法技术

本发明专利技术公开了一种基于深度学习的密文域图像分类方法，所设计的深度学习神经网络模型ECNet不仅可以对明文图像进行加密，而且可以对加密图像在密文域直接进行分类，其中ECNet加密解密网络使用的是基于ResNet改进而成的多尺度特征融合网络，在残差模块中引入了空洞卷积，使输出有较大的感受野，同时基于不同层次图像特征实施图像加解密。加密解密密钥平面基于混沌算法生成，修改密钥不需要重新训练网络，有较高的安全性和灵活性。ECNet能够在不解密出明文图像的情况下直接将解密特征映射为分类特征进行分类，并能用密钥控制分类网络的访问权限，能够很好地保护图像内容的隐私安全，且分类精度与明文图像的分类精度相当。且分类精度与明文图像的分类精度相当。且分类精度与明文图像的分类精度相当。

【技术实现步骤摘要】
一种基于深度学习的密文域图像分类方法


[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密文域图像分类方法，可以保证图像的安全传输，及使用分类模型时实现图像数据的隐私安全保护。

技术介绍

[0002]随着人工智能以及深度学习技术的快速发展，神经网络模型被广泛应用到计算机视觉的各个领域，图像分类是计算机视觉最重要的研究内容之一，是目标检测、图像分割等应用的基础，具有重要的应用价值。自2012年以来，深度学习技术在图像处理及机器视觉领域被广泛采用，研究人员提出并实现了一系列优秀的CNN模型，例如VGGNet，GoogleLeNet，ResNet，DenseNet等等，它们在许多挑战任务上表现优异，模型复杂度与性能均有了极大的提升。但是图像分类应用的普及引出了一个重要的问题，就是图像在分类模型的应用过程中如何保证图像的隐私安全。
[0003]随着云计算技术的发展和大数据时代的到来，数据拥有者将本地的图像数据外包给云平台，在云服务器上实现图像数据的存储以及检索，然而，由于图像数据中含有大量有关用户的敏感信息，外部攻击者和不完全可信的云服务器都可以访问原始图像的内容，窥探用户隐私，造成严重的隐私泄露风险，为了防止隐私泄露，图像加密技术被广泛用于外包数据的隐私保护计算。数字图像加密技术按照图像所在加密域的不同分为空域图像加密技术和频域图像加密技术等，频域图像加密技术是从频域空间对图像进行处理，利用离散余弦变换、傅里叶变换等频域变换方法实现图像加密。数字图像空域加密指将图像看作二维矩阵，从灰度值和像素坐标对图像进行可逆变换，包括置乱和扩散两个阶段，Arnold变换是空域加密中非常重要的一种，主要是改变像素值在图像中的位置，进而有效地掩盖明文信息，达到加密的目的。混沌系统具有初始值敏感性、参数敏感性和伪随机性，在数字图像加密领域得到广泛的应用。Ding等人提出了DLEDNet，它使用CycleGAN网络对医学图像进行加密，并使用与GAN中的生成器相同的网络结构对图像进行解密，利用网络参数作为图像加密和解密的密钥。Bao和Xue也使用CycleGAN实现图像加密和解密，并采用额外的扩散机制来补偿CycleGAN的微弱雪崩效应，他们还将CycleGAN的参数视为密钥的一部分。然而使用网络参数作为加密和解密密钥有一个缺点：如果用户想要使用不同的密钥，他们必须私下训练和维护自己的加密和解密网络，这对于具有多个用户的系统来说非常不方便。且目前大部分基于深度学习的人工智能系统都不能将图像加密技术以及分类模型相融合来保证分类图像的隐私安全，本专利技术将两者通过深度学习框架结合在一起，实现了一种基于深度学习的密文域图像分类方法，提出方法的网络结构和参数可以由不同的用户公开共享，更加灵活和方便。

技术实现思路

[0004]本专利技术设计了一种基于深度学习的密文域图像分类方法，提出了一种端到端的深度学习模型，不仅能够对明文图像进行有效加密及解密，同时在密文图像上，无需解密出明
文图像，而是直接解密出图像的特征对其进行分类识别，且分类精度与直接在明文图像上分类精度相当。训练分为两个阶段，首先第一阶段使用深度学习方法训练ECNet加密网络和ECNet解密网络，第二阶段整体训练ECNet网络，在解密网络后面加上ECNet分类网络，将解密网络提取的多尺度特征通道连接后输入ECNet分类网络，并导入第一阶段训练网络的权重，进行整体联合训练，运用了知识蒸馏思想，将明文分类网络作为教师模型，ECNet解密分类网络作为学生模型，将教师模型提取的特征与学生模型提取的特征进行均方误差运算，和预测标签与真实标签的交叉熵运算共同指导ECNet解密分类网络进行收敛，训练后得到最后的密文域图像分类结果。具体包括如下步骤：
[0005](1)首先进行第一阶段的训练，训练ECNet中的加密解密网络。首先获取充足的训练数据，对样本数据进行预处理，将样本图像等比例放缩和零填充成相同大小，之后对它进行随机的水平翻转，以及随机进行亮度和对比度增强等数据增强操作，最后将样本数据进行归一化，得到训练用的明文图像。
[0006]将预处理过的明文图像和加密用的密钥平面进行通道连接得到的一个双通道图像，然后将它输入到ECNet加密网络中，这里使用的加密密钥平面是通过混沌算法生成的。加密网络最后输出一个单通道的加密图像。再将加密图像和解密用的密钥平面一同输入到ECNet解密网络中，若解密密钥和加密密钥匹配，则解密网络输出正确的解密图像，否则将无法解密图像。
[0007](2)进行第二阶段ECNet联合训练。这一阶段是在前一阶段训练得到的模型基础上进行的，首先需要导入第一阶段训练的加密网络和解密网络的权重，之后固定加密网络的参数，也就是加密网络的参数在第二阶段不进行训练，加密网络结构同上一个阶段一样，解密网络结构稍作改动，将解密网络提取的三种尺度特征分别经过一个卷积输出，并在ECNet解密网络的后面加上了一个分类网络，将ECNet解密网络输出的多尺度特征进行通道连接，作为ECNet分类网络的输入，利用ECNet解密网络得到的特征向量直接进行分类，相当于一个密文域分类网络。能够在不解密图像的基础上直接进行分类，若解密密钥和加密密钥匹配，ECNet输出正确的分类预测结果，若解密密钥与加密密钥不匹配时，ECNet输出一个无意义的预测结果，类似于随机猜测。
[0008]ECNet中的加密网络使用的网络结构是以ResNet为主干网络改进而成的一个多尺度融合网络，该网络由12个残差块构成，残差连接可以在训练时加快网络收敛，将浅中深等不同深度的残差块得到的特征图上采样成原图一样大小后进行通道连接，即把网络的第5，7，12个残差块的输出引出，分别进行反卷积步长为2，4，4的上采样，将这三个特征图进行多尺度融合特征连接后经过一个卷积层得到加密网络的结果(密文图像)，这样的多尺度融合方式能够同时保持全局和局部的特征；每个残差块由两个卷积组成，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，部分残差模块使用了空洞卷积，通过设置不同的空洞系数扩大特征的感受野，同时可以捕获多尺度的上下文信息。将加密网络得到的密文图像输入到ECNet中的解密网络中，解密网络使用的网络结构前部分和加密网络的一样，只是将得到的3个尺度的特征分别经过一个卷积输出，得到3个具备不同特征的向量。之后将这三个不同特征的向量通道连接后直接输入ECNet分类网络中。ECNet的分类网络由5个卷积层和2个全连接层组成，每个卷积层后接批量归一化(Batch Normalization)和激活层修正线性单元(ReLU)修正，再进行最大池化(Max Pooling)下采
样对得到的特征进行降维操作，即保留其中最强的特征，抛弃其他弱的特征，最后一个全连接层输出ECNet分类预测结果。
[0009]ECNet根据训练阶段的不同采用不同的损失函数，用Adam算法对网络参数进行优化，第一阶段训练ECNet加密网络和解密网络，以便于第二阶段直接使用这个阶段的权重训练整本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的密文域图像分类方法，其特征在于，该方法包括如下步骤：（1）构建ECNet神经网络分类模型：所述ECNet神经网络分类模型由数据处理模块、生成密钥模块和加密分类模块这三部分组成；所述数据处理模块具体如下：图片数据来自于医疗领域的胸部X射线数据集，首先对数据集按照类别进行划分，得到训练数据及对应的标签，再将其进行数据增强和打乱操作得到最终的训练数据和标签；所述的生成密钥模块具体如下：使用了一种混沌算法生成一定大小的伪随机序列，再基于该伪随机序列生成与训练数据大小相等的密钥平面，密钥平面和训练图片进行通道连接后，再输入神经网络模型得到最后结果；所述的加密分类模块具体如下：ECNet模型由加密网络、密文域分类网络两部分构成，先将训练数据和加密密钥通道连接后输入加密网络中，得到加密图像，进行分类时，先将解密密钥和加密图像一同输入到密文域分类网络中，解密出图像特征向量并进行分类，无需解密出明文图像，直接利用解密特征进行分类，若密钥匹配，得到正确分类结果。2.如权利要求1所述的基于深度学习的密文域图像分类方法，其特征在于：对训练数据进行数据增强，方法为对图片数据的宽高进行等比例缩放和零填充到同一大小，再依次进行图像随机水平翻转，随机对比度以及亮度调整等操作，使得训练的模型有更强的泛化能力。3.如权利要求1所述的基于深度学习的密文域图像分类方法，其特征在于：首先生成一个伪随机整数序列，该序列将用于构造与图像大小相同的位平面，将该序列转换成二进制形式，所有位首尾相接构成长度为n
×
n的位序列，然后组织成n行n列的位矩阵单元，再将这个单元周期性重复排列扩展成与图像一样大小...

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