基于深度学习与超混沌系统的视觉安全图像加密方法技术方案

技术编号：41391803 阅读：7 留言：0更新日期：2024-05-20 19:14

基于深度学习与超混沌系统的视觉安全图像加密方法，包括以下步骤：步骤1，对明文图像进行压缩处理得到压缩图像；步骤2，对压缩图像进行扩散运算得到类噪声的密文图像；步骤3，将类噪声的密文图像嵌入载体图像得到视觉安全的载密图像；具有良好的鲁棒性、安全性高、提高存储和传输效率的特点。

全部详细技术资料下载

【技术实现步骤摘要】

本专利技术属于数字图像加密，具体涉及基于深度学习与超混沌系统的视觉安全图像加密方法。

技术介绍

1、随着互联网技术的快速发展，数字图像已成为重要的信息存储与传输媒介。越来越多的人在开放的网络环境中相互传输图像，或者将其存储在服务器上。然而，很多图像包含大量的敏感信息，在存储与传输过程中容易被篡改或破坏等。因此，如何保护包含敏感信息的数字图像已成为一个重要的挑战。图像加密技术可以保证其安全性，已成为信息安全领域的研究热点。混沌系统具有初值敏感性、伪随机性和不可预测性等特性，在图像加密技术中被广泛应用。通过混沌系统，明文图像通常被加密成类噪声的密文图像。然而，类噪声的密文图像在传输或存储时容易引起攻击者的注意。为此，将类噪声的密文图像嵌入载体图像中，得到与载体图像相似的、视觉安全的载密图像受到了越来越多的关注。

2、现有的视觉安全图像加密算法在性能上被各种改进，但忽略了抗噪声能力的研究，特别是抗高斯噪声攻击与散斑噪声攻击的能力。此外，现有的视觉安全图像加密算法产生的载密图像在传输时都是无损格式的，攻击者可能会更加关注无损格式的载密图像导致安全性降低。而且，无损格式的载密图像会占用更大的存储空间，这是不利于其存储与传输的。所以，将无损格式的载密图像转换为jpeg(joint photographic experts group)有损格式是非常有必要的。但jpeg载密图像的像素值会被压缩，这会严重降低解密图像的质量。因此，急需一种鲁棒的视觉安全图像加密算法，以应对上述问题。

技术实现思路</p>

1、为克服上述现有技术的不足，本专利技术的目的是提供基于深度学习与超混沌系统的视觉安全图像加密方法，具有良好的鲁棒性、安全性高、提高存储和传输效率的特点。

2、为实现上述目的，本专利技术所采用的技术方案是：基于深度学习与超混沌系统的视觉安全图像加密方法，包括以下步骤：

3、步骤1，对明文图像进行压缩处理得到压缩图像；

4、步骤2，对压缩图像进行扩散运算得到类噪声的密文图像；

5、步骤3，将类噪声的密文图像嵌入载体图像得到视觉安全的载密图像。

6、所述步骤1中，压缩处理是基于元学习的图像压缩方法，具体包括以下步骤：

7、步骤1.1，对一张大小为(m，n)的明文图像进行不重叠切割与拼接，得到大小为(m×n，1，32，32)的小图像块p，并对小图像块p的像素值进行归一化处理；其中，m为明文图像的宽，n为明文图像的高，m×n为小图像块的个数，32为小图像块的宽高；

8、步骤1.2，初始化压缩图像块cp的像素值，大小为(m×n，1，16，16)且像素值全为0；

9、步骤1.3，加载压缩网络模型与重构网络模型的权重wc、wfc与wr；

10、步骤1.4，将压缩网络的一个模型复制为模型

11、步骤1.5，选择一张大小为(1，1，32，32)小图像块pi作为压缩与重构网络模型的输入，更新模型的权重wfi′c，具体公式为：

12、

13、该公式可执行多次来获得更好的权重w′fic；其中，l为当前小图像块pi的损失值，表示根据损失值l计算权重w′fc的梯度值，δ为学习率0.001，i是1-m×n之间的整数；

14、步骤1.6，将当前小图像块pi放入压缩网络模型更新步骤1.2中压缩图像块cp第i个位置的像素值，具体公式为：

15、

16、其中，i是1-m×n之间的整数，pi的大小为(1，1，32，32)，cpi的大小为(1，1，16，16)；

17、步骤1.7，删除模型

18、步骤1.8，重复执行步骤1.5-1.7，直到所有的小图像块p都被压缩，得到更新后的压缩图像块cp；

19、步骤1.9，将四维的压缩图像块cp重新排列为二维的压缩图像rcp，大小为(m×16，n×16)＝(m/2，n/2)，并将其像素值量化为0-255之间的整数，具体公式如下所示：

20、

21、其中，min为压缩图像rcp的像素值最小值，max为压缩图像rcp的像素值最大值，为向下取整。

22、所述的步骤2中，扩散运算是基于超混沌系统的图像加密方法，具体包括以下步骤：

23、步骤2.1，生成超混沌系统的序列x与y；该超混沌系统的初始密钥是明文图像的平均值x0与载体图像的平均值y0，迭代m×16×n×16次来产生序列x与y，具体公式如下所示：

24、

25、其中，常数参数r与h分别为100与110，v为当前的迭代次数，π是圆周率，sin是正弦函数，cos是余弦函数；

26、步骤2.2，量化序列x与y，并对序列x与y重新排列与压缩图像rcp的大小一样；量化公式如下所示：

27、

28、其中，表示向下取整，|.|表示取绝对值；

29、步骤2.3，对压缩图像rcp进行扩散运算得到类噪声的密文图像sp，具体公式如下所示：

30、sp＝(rcp+x+y)mod256

31、其中，mod为取模运算，密文图像sp的大小为(m×16，n×16)＝(m/2，n/2)。

32、所述步骤3中，密文图像嵌入采用嵌入方法，嵌入方法是基于传统深度学习的图像嵌入方法，具体包括以下步骤，

33、步骤3.1，将大小为(m/2，n/2)的密文图像sp与大小为(m，n)的载体图像q的像素值进行归一化处理；

34、步骤3.2，通过嵌入网络，将密文图像sp嵌入载体图像q得到视觉安全的载密图像c；

35、步骤3.3，将载密图像c的像素值量化为0-255之间的整数。

36、本专利技术的有益效果是：

37、由于采用了上述技术方案，本专利技术相对现有技术来说，取得的技术进步是：

38、1)、针对现有压缩与重构方法所面临的重构质量较低且鲁棒性较差等问题，本专利技术提供了一种基于元学习的压缩与重构方法，使用简单结构的重构网络就可以获得高质量的重构图像，并且通过元学习训练得到的重构网络有更好的鲁棒性；

39、2)、针对最低有效位异或、最低有效位替换与矩阵编码等传统嵌入方法所面临的鲁棒性较差的问题，本专利技术提供了一种基于传统深度学习的嵌入与分离方法，在训练阶段的损失函数中使用噪声掩模来提高分离网络的鲁棒性；此外，分离网络不需要载体图像，这提高了该方案的灵活性；

40、3)、本专利技术提供了一种基于深度学习与超混沌系统的视觉安全图像加密方法，具有良好的鲁棒性，能抵抗一定强度的噪声攻击；特别是对于高斯噪声攻击和散斑噪声攻击，该方案具有较强的抵抗性；

41、4)、本专利技术提供了一种基于深度学习与超混沌系统的视觉安全图像加密方法，可将无损格式的载密图像转换为jpeg有损格式并被适当压缩后，接收者仍然可以从中获得高质量的解密图像，这降低了载密图像在开放的网络环境中传输被攻击的概率，并有助于提高其存储本文档来自技高网...

【技术保护点】

1.基于深度学习与超混沌系统的视觉安全图像加密方法，其特征在于，包括以下步骤：

2.根据权利要求1所述基于深度学习与超混沌系统的视觉安全图像加密方法，其特征在于，所述步骤1中，压缩处理是基于元学习的图像压缩方法，具体包括以下步骤：

3.根据权利要求1所述基于深度学习与超混沌系统的视觉安全图像加密方法，其特征在于，所述的步骤2中，扩散运算是基于超混沌系统的图像加密方法，具体包括以下步骤：

4.根据权利要求1所述基于深度学习与超混沌系统的视觉安全图像加密方法，其特征在于，所述步骤3中，嵌入方法是基于传统深度学习的图像嵌入方法，具体包括以下步骤，

【技术特征摘要】

1.基于深度学习与超混沌系统的视觉安全图像加密方法，其特征在于，包括以下步骤：

3.根据权利要求1所述基于深度学习与...

【专利技术属性】
技术研发人员：王一川，陈炜，黑新宏，任炬，刘小雪，
申请(专利权)人：西安理工大学，
类型：发明
国别省市：

全部详细技术资料下载我是这个专利的主人