CN113992810A - 一种基于深度学习的敏捷图像加密方法 - Google Patents

一种基于深度学习的敏捷图像加密方法 Download PDF

Info

Publication number
CN113992810A
CN113992810A CN202111237178.4A CN202111237178A CN113992810A CN 113992810 A CN113992810 A CN 113992810A CN 202111237178 A CN202111237178 A CN 202111237178A CN 113992810 A CN113992810 A CN 113992810A
Authority
CN
China
Prior art keywords
image
network
encryption
decryption
key
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202111237178.4A
Other languages
English (en)
Other versions
CN113992810B (zh
Inventor
竺乐庆
马佳琪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Pantu Clothing Technology Co.,Ltd.
Hangzhou Qibeijia Information Technology Co ltd
Original Assignee
Zhejiang Gongshang University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhejiang Gongshang University filed Critical Zhejiang Gongshang University
Priority to CN202111237178.4A priority Critical patent/CN113992810B/zh
Publication of CN113992810A publication Critical patent/CN113992810A/zh
Application granted granted Critical
Publication of CN113992810B publication Critical patent/CN113992810B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N1/00—Scanning, transmission or reproduction of documents or the like, e.g. facsimile transmission; Details thereof
    • H04N1/44—Secrecy systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
    • H04L9/001—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols using chaotic signals
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
    • H04L9/08—Key distribution or management, e.g. generation, sharing or updating, of cryptographic keys or passwords
    • H04L9/0861—Generation of secret information including derivation or calculation of cryptographic keys or passwords
    • H04L9/0869—Generation of secret information including derivation or calculation of cryptographic keys or passwords involving random numbers or seeds
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L2209/00—Additional information or applications relating to cryptographic mechanisms or cryptographic arrangements for secret or secure communication H04L9/00
    • H04L2209/08—Randomization, e.g. dummy operations or using noise

Abstract

本发明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。

Description

一种基于深度学习的敏捷图像加密方法
技术领域
本发明涉及图像信息安全技术领域，具体涉及一种基于深度学习的敏捷图像加密方法。
背景技术
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、计算机视觉以及其他人工智能领域，CNN在分类、分割和检测任务中表现出优于传统算法的性能。由于很多计算机视觉任务由CNN来完成，如果图像加密也能由端到端的CNN实现，则这种图像加密模型比传统模型更易于集成到人工智能系统中，从而起到保护数据隐私的作用。近年来已经有一些研究者对应用CNN进行图像加/解密进行了初步的探索，如Chen等将膨胀卷积深度CNN用于增强2D/3D光学图像加密的鲁棒性，CNN作为去噪器提高重建图像的分辨率，使双随机相位编码(DRPE)加密的图像受模糊攻击和遮挡攻击时也能解密图像。Asgari等将YOLO模型与混沌图像加密方法进行集成，对发布在社交媒体平台上的图像的敏感区域进行自动加密，YOLO用于检测需要加密的区域，通过部分加密减少加/解密过程的计算复杂度。Ni等提出了基于压缩感知(CS)的多图像加密方案，其中CNN用于从CS测度中解密图像，并取得较高的重建速度与质量。Li等提出了一种基于深度学习的虹膜图像加密方法，其中CNN用于根据虹膜图像提取的特征生成密钥，然后用密钥与图像之间的异或运算得到加密虹膜图像，这种方法的密钥依赖于虹膜图像本身的内容，因此只有在拥有相同虹膜图像的前提下才能解密，应用场合受限。Ding等提出的DLEDNet使用CycleGAN来加密医疗图像，并用与该CycleGAN的生成网络相同结构的网络实现解密，DLEDNet将整个网络的参数当作加密和解密的密钥，取得了较好的结果。Bao和Xue同样采用CycleGAN实现图像加密和解密，但进一步采用了额外的混淆机制来提高加密算法的雪崩效应，他们同样将网络参数当作加/解密密钥的一部分。然而，使用网络参数作为密钥有一个比较大的缺点：如果用户想要更新密钥，他们需要重新训练一个新的网络，并且需要对自己的加密和解密网络进行保密和维护，对一个多用户的系统非常不方便。本发明采用深度学习技术进行图像的加密和解密，明文图像与密钥同时输入到加密网络可获得加密图像，加密图像跟密钥输入到解密网络则可获得解密图像，由于CNN的黑盒特性及灵活可变的用户自定义密钥，所提出的图像加密方法可取得较高的安全性和效率，同时具有较好的灵活性。
发明内容
本发明设计了一种基于深度学习的图像加密模型，用逻辑混沌算法基于用户定义的密钥生成与图像大小相同的密码位平面，密码位平面与图像进行通道连接后输入多尺度融合的膨胀卷积残差网络中，得到初步扩散的加密图像，该图像进一步混淆后得到最终的加密图像。解密时，用逆混淆操作得到的初步扩散图像与密码位平面输入到解密网络即可得到解密图像。具体包括如下步骤：
(1)获取足够数量的样本图像，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。
所构造的深度学习图像加密网络和解密网络结构相同，都采用了改进的ResNet作为骨干网，ResNet的残差连接可以在训练时加速收敛并避免梯度消失问题。改进的ResNet去掉了ResNet中的所有池化层，在残差模块的残差连接(Skip Connection)中引入膨胀卷积(Dilated/Atrous Convolution)，并从网络的不同深度引出不同尺度的特征图进行多尺度融合以同时保留全局特征和局部细节特征。采用的ResNet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，所有残差模块均没有池化层；第9个和第10个残差模块采用系数为3的膨胀卷积，第8个和第11个残差模块采用系数为2的膨胀卷积，其他残差模块的残差连接采用普通的卷积层处理；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的上采样，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)。
加密网络和解密网络的联合训练分两步交替进行：在第一步，同一个密码位平面P1分别与明文图像或初步扩散图像进行通道连接后输入到加密网络或解密网络，训练的目标是最小化解密图像与明文图像之间的差异，并最大化加密图像的信息熵；然而，因为加密图像的信息熵是不可微的，不能直接用它作为损失函数来训练网络至收敛，因此，我们定义了一个基于像素熵的损失函数来指导网络训练。如果一幅图像每个像素包含较少信息的话，则这幅图像本身包含的信息量也较少；在第二步，用于加密的密钥与用于解密密钥不一致，这样输入到加密网络的密码位平面P1与输入到解密网络的密码位平面P1’也不一致。在这种情况下，我们期望解密网络输出的解密图像包含尽可能少的信息量，同加密网络类似，可基于平均像素熵定义解密网络的损失函数。
对每一批(batch)训练数据，首先随机生成两个不相同的密钥k≠k’，并以它们为种子生成伪随机整数序列，把整数展开成二进制序列，用二进制序列再进一步扩展成两个不同的位平面P1和P1’。在第一步，P1与明文图像通道连接输入加密网络，同时P1与初步扩散图像通道连接输入到解密网络，对网络参数进行优化，使加密网络的输出包含尽可能少的信息，而使解密网络重建的图像尽可能与明文相同；在第二步，P1与明文图像通道连接输入加密网络，同时P1’与初步扩散图像通道连接输入到解密网络，对网络参数进行优化，使加密网络和解密网络的输出均包含尽可能少的信息。上述两步优化在每一批训练数据上交替进行，直至网络收敛。
(3)用混沌映射基于用户密钥生成一个密码位平面P1和一个密码字节平面P2。
混沌映射具有随机性和不可预测性的特点，混沌映射生成的伪随机序列被广泛应用于安全性要求较高的密码系统中。首先以用户密钥为初始条件，用混沌映射产生一个足够长的伪随机序列，并将该实数序列转换成8位整数序列，将前面若干个整数展开成二进制位序列，并通过周期性的重复得到位平面P1。整数序列中后面的与图像像素数量相同的整数按序排列成与图像相同大小的字节平面P2。
(4)对加密网络输出的加密图像进一步混淆以增加安全性
为了进一步增加加密图像的安全性，避免被穷举搜索算法破解出原始明文图像，本发明对加密网络加密所得的图像进一步进行混淆，以对原图像内容增强保护。混淆后的密钥空间大大增加，攻击者无法通过穷举搜索破解加密图像，并可增强加密图像的雪崩效应，从而增强其抵御差分攻击的能力。本发明采用了两种可选的后处理方法对加密图像进行增强混淆，两种方法都需要用到数据类型为8位整数的密码平面P2，实现过程在具体实施方式中介绍。
(5)对加密图像进行逆混淆以获得初步扩散图像
解密时，首先对加密图像基于用户密钥生成的整数密码平面P2’进行逆混淆，当用户密钥与加密时使用的密钥相同时，生成的整数密码平面P2’与加密时生成的整数密码平面P2相同，加密网络输出的初步扩散图像可通过逆混淆算法恢复，否则无法恢复出原来的初步扩散图像，因而也无法成功解密。
(6)用解密网络从初步扩散图像解密出明文图像
将上一步恢复出来的初步扩散图像与基于用户密钥生成的密码位平面P1’通道连接后输入解密网络，当用户密钥与加密时使用的密钥相同时，生成的密码位平面P1’与加密时生成的密码位平面P1相同，则解密网络可解密出明文图像，否则无法成功解密。
本发明将深度学习卷积神经网络(DCNN)用于图像加密，并用后续的混淆算法增强加密图像的安全性，安全高效。该DCNN只需要一次训练，便可被拥有不同密钥的不同用户所使用，网络模型的结构和参数均可公开，只要用户密钥未泄漏的，加密图像就是安全的，符合柯克霍夫原则，同时使用方便快捷。
附图说明
图1为根据本发明一实施例的基于深度学习的图像加密方法流程图；
图2为根据本发明一实施例的密码位平面生成示意图；
图3为根据本发明一实施例的图像加密模型的总体结构；
图4为根据本发明一实施例的加密网络和解密网络的具体网络结构。
具体实施方式
为了更为具体地描述本发明，下面结合附图及具体实施方式对本发明的技术方案进行详细说明，该方法一实施例的流程如图1所示。本发明基于深度学习实现的图像加密方法，包括如下步骤：
(1)步骤100获取足够数量的样本图像，图像可以从网络下载，也可以自行拍摄；
(2)步骤101对样本图像进行归一化处理，以256×256大小的输入图像为例，如果样本图像大于该尺寸，则进行随机裁剪得到，如果样本图像小于该尺寸，则进行等比例放大后再裁剪得到；
(3)步骤102对所述的图像加密网络(303)和解密网络(311)进行联合训练，该方法一实施例所构造的深度学习图像加密模型如图3所示，训练对每一批数据分两步交替进行：第一步，以256×256大小的图像为例，首先用随机生成的密钥(301)为种子生成32个8位伪随机整数序列，并展开成256位二进制序列，并如图2排列成一个16×16的位阵列单元(200)，这样的阵列单元周期性排列组织成一个16×16的网格(201)可得到一个256×256大小的位平面P1(302)。P1(302)与明文图像(300)进行通道连接后输入到加密网络(303)，加密网络(303)输出初步扩散图像(304)，初步扩散图像(304)与相同密钥(309)生成的相同密码位平面P1’(310)进行通道连接后输入到解密网络(311)，解密网络(311)输出解密图像(312),训练的目标是使解密图像(312)与明文图像(300)尽可能相同，同时使初步扩散图像(304)包含尽可能少的信息，这一步用于模拟拥有正确密钥的授权用户访问解密网络的情况；第二步，随机生成一对不相同的密钥k(301)和k’(309)，分别以k(301)和k’(309)为种子，用第一步同样方法生成两个不同的密码位平面P1(302)和P1’(310)，P1与明文图像(300)进行通道连接后输入到加密网络(303)得到初步扩散图像(304)，P1’(310)与初步扩散密图像(304)进行通道连接后输入到解密网络(311)获得解密图像(312),训练的目标是使解密图像和初步扩散图像(304)均包含尽可能少的信息，用于模拟非授权用户访问解密网络的场合。当网络损失不再明显减小，则网络收敛，训练结束。
(4)步骤103用混沌映射基于用户密钥生成一个足够长的伪随机序列。首先基于逻辑混沌映射产生一个足够长的伪随机序列，将用户自定义的密钥k如式(1)归一化为实数r0∈[0,1.0]作为生成如式(2)所示的逻辑混沌序列ri(i＝0,1,…,m)的初始条件，
r0＝k/kmax mod 1.0 (1)
ri+1＝u·ri·(1-ri),(i＝0,1,…,m)u∈[3.97,4] (2)
其中kmax为密钥空间最大值,mod指实数取余操作,u为取值接近于4的实常数.对一幅n行n列的图像来说,式(2)需要迭代m＝32+n2次来获得长度为m的实数序列,这个实数序列再用式(3)转换成8位整数序列:
zi＝Round(ri·1016)mod 256 (3)
其中Round表示四舍五入取整，mod表示整数取余。
(5)步骤104将伪随机序列依次转化成一个密码位平面P1(302)和一个密码字节平面P2(305)。将步骤102生成的前面32个8位整数展开成256位二进制序列，并如图2排列成一个16×16的位阵列单元(200)，将该单元周期性排列得到一个与图像大小相同的位平面P1(302)，以256×256大小的图像为例，这样的阵列单元组织成一个16×16的网格(201)可得到一个256×256大小的位平面P1(302)；剩下的n×n个整数则组织成与图像相同大小的整数平面P2(305)。
(6)步骤105将明文图像与根据用户密钥(301)生成的密码位平面P1(302)连接后输入训练好的加密网络(303)得到初步扩散图像(304)。
(7)步骤106将初步扩散图像(304)用基于用户密钥(301)生成的密码字节平面P2(305)运用混淆算法(306)得到最终的加密图像(307)。本发明提出两种可选的混淆算法：
第一种方法是将P2(305)与转化成整数的初始扩散图像Ien(304)进行逐元素按位异或，得到最终的加密图像I’en(307)；
第二种方法采用串行混淆方式，将转化成整数的初步扩散图像Ien(304)与P2(305)都按行优先顺序展开成一个序列：
P2＝[p1,p2,p3,…,pN] (4)
Ien＝[e1,e2,e3,…,eN] (5)
Ien除第一个元素e1以外的所有元素都用于生成密文图像的第一个元素c1，如式(6)和(7).其中mod表示整数取余运算，bitxor表示按位异或。其他加密像素ci基于当前元素xi,前一个已加密元素ci-1与对应密码元素pi计算得到，如式(8).
Figure BDA0003313758180000061
c1＝bitxor(x1,bitxor(s mod 256,p1)) (7)
ci＝bitxor(xi,bitxor((ci-1+pi)mod 256,pi))i＝2,3,…,N(8)
这些加密元素ci(i＝1,2,3,…,N)按行顺序排列即可得到最终的加密图像I’en(307)。
(8)步骤107至108为解密过程，首先基于解密密钥(309)用步骤103和104所述的方式生成一个密码位平面P1’(310)和一个密码字节平面P2’(313),步骤107采用逆混淆算法(306)将加密图像I’en(307)恢复成初步扩散图像Ien(304)。根据混淆算法的不同分别用不同的逆混淆算法进行恢复：
第一种方法是将P2’(313)与加密图像I’en(307)进行逐元素按位异或，得到原来的初始扩散图像Ien(304)；
第二种方法是串行混淆方式的恢复，除第一个元素以外的所有元素如式(9)解码，然后如式(6)将这些已恢复的元素累加，最后通过式(10)恢复出第一个元素。
eN-i＝bitxor(cN-i,bitxor((cN-i-1+pN-i)mod 256,pN-i))i＝0,1,…,N-2 (9)
e1＝bitxor(c1,bitxor(s mod 256,p1)) (10)
这些恢复的元素ei(i＝1,2,3,…,N)按行顺序排列即可得到混淆前的加密图像Ien(304)。
在这一步如果解密密钥(309)与加密密钥(301)不一致，则生成的P2’(313)与加密时的密码字节平面P2(305)不一致，将无法恢复出初步扩散图像Ien(304)，只有解密密钥(309)与加密密钥(301)相同时才可以有效恢复Ien(304)。
(8)步骤108将恢复出来的初步扩散图像Ien(304)与根据解密密钥(309)生成的密码位平面P1’(310)通道连接后输入训练完成的解密网络(311)即可解密出原始图像(312)。这一步与步骤107一样，如果解密密钥(309)与加密密钥(301)不一致，则生成的P1’(310)与加密时的密码位平面P1(302)不一致，或者步骤107未能恢复出原来的初步扩散图像Ien(304)，解密网络(311)无法从初步扩散图像Ien(304)解密出原始图像(312)。只有解密密钥(309)与加密密钥(301)相同时才可以有效解密图像。
本发明一实施例的加密网络和解密网络都采用了如图4所示的结构。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(401)，输入首先经过卷积层(400)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(402)，所有残差模块均没有池化层；残差模块的残差连接(Skip Connection)采用空洞卷积(Dilated/Atrous Convolution)进行处理(403)，第9个(404)和第10个(405)残差模块采用系数为3的空洞卷积，第8个(406)和第11个(407)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系数为1即普通卷积层处理。加密网络和解密网络采用多尺度融合的策略，网络的第3个和第6个残差模块后对特征图进行系数为2的下采样(408)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(409)、4(410)和4(411)的上采样，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(412)实现多尺度融合，连接后的特征图再经过一个卷积层(413)得到初步扩散图像(加密网络)或解密图像(解密网络)。加密网络和解密网络的输入可4通道(彩色图像加密)或2通道(灰度图像加密)，输出均为3通道(彩色图像加密)或单通道(灰度图像加密)。
加密网络和解密网络的联合训练分两步交替进行，在第一步，同一个密码位平面P1(302)分别与明文图像(300)或初步扩散图像(304)进行通道连接后输入到加密网络(303)或解密网络(311)，训练的目标是最小化解密图像(312)与明文图像(300)之间的差异，并最大化初步扩散图像(304)的信息熵；然而，因为初步扩散图像的信息熵是不可微的，不能直接用它作为损失函数来训练网络至收敛，因此，我们定义了一个基于像素熵的损失函数来指导网络训练。如果一幅图像每个像素包含较少信息的话，则这幅图像本身包含的信息量也较少，这样，定义加密网络的损失函数如式(11)：
Figure BDA0003313758180000071
其中ε是一个正的常数，基于式(11)右侧后半部分最小值确定，以免损失函数为负，因为右侧后半部分最小值为-ln2＝-0.693,ε设置为略大于0.693即可。ei∈[0,1]是初步扩散图像第i个像素的值，N是图像的总像素数量。
第一步训练解密网络(311)的损失函数基于均方误差(MSE)和结构相似度(SSIM)确定,如式(12):
Lde1＝MSE(x,y)+α[1-SSIM(x,y)] (12)
其中α为调节MSE和SSIM在损失中所起作用的权重，可根据经验设置，本发明设置为0.1。x指原始明文图像，y指解密得到的图像。MSE和SSIM的定义如式(13)和(14):
Figure BDA0003313758180000081
Figure BDA0003313758180000082
其中xi和yi分别指x和y的第i个像素值；μx和μy分别指图像x和y的均值；σx和σy分别指图像x和y的方差；σxy指x和y的协方差；τ1,τ2,τ3和τ4是小的正常数以免分母为0产生的不稳定。
在第二步，用于加密的密钥(301)与用于解密密钥(309)不一致，这样输入到加密网络密码位平面P1(302)与输入到解密网络(303)的密码位平面P1’(310)也不一致。在这种情况下，我们期望解密网络(311)输出的解密图像(312)包含尽可能少的信息量，同加密网络类似，可基于平均像素熵定义解密网络，如式(15)
Figure BDA0003313758180000083
其中di∈[0,1]为解密图像的第i个像素值，其他含义同式(11)。
对每一批训练数据，首先随机生成两个不相同的密钥k≠k’，并以它们为种子生成伪随机数扩展成两个位平面P1和P1’。在第一步，P1与明文图像(300)通道连接输入加密网络(303)，同时P1与初步扩散图像(304)通道连接输入到解密网络(311)，用Adam算法对网络参数进行优化，最小化如式(16)所示的损失函数L1:
L1＝Len+Lde1 (16)
其中Len仅在加密网络(303)中反向传播，Lde1则在解密网络(311)和加密网络(303)中反向传播。
在第二步，P1与明文图像(300)通道连接输入加密网络(303)，同时P1’与初步扩散图像(304)通道连接输入到解密网络(311)，用Adam算法对网络参数进行优化，最小化如式(17)所示的损失函数L2:
L2＝Len+Lde2 (17)
其中Len仅在加密网络(303)中反向传播，Lde2则在解密网络(311)和加密网络(303)中反向传播。训练完成后，网络可被拥有加密密钥的授权用户用于加密和解密，未拥有正确密钥的非授权用户则无法有效从加密图像解密出明文图像。
本发明将深度学习卷积神经网络(DCNN)用于图像加密，并用后续的混淆算法增强加密图像的安全性，安全高效。该DCNN只需要一次训练，便可被拥有不同密钥的不同用户所使用，网络模型的结构和参数均可公开，只要用户密钥未泄漏的，加密图像就是安全的，因此本方法符合柯克霍夫原则。
本发明可以对彩色或灰度图像进行加密，以下给出了4种不同的具体实施方式：
实施例1
(1)准备训练数据。
准备足够数量的训练样本(训练集数据可自己采集创建或从互连网下载一些已公开的图像数据集，如ImageNet等)，并将所有图像转换成灰度图像，所有图像归一化256×256大小，归一化的方法如下：对于短边大于256的图像，直接进行随机裁剪得到，对于短边小于256的图像，先将图像等比例放大至短边为256，再进行随机裁剪得到。
(2)联合训练加密网络和解密网络
将准备好的训练数据分批输入加密网络和解密网络进行训练，对每一批数据，先随机生成两个不相同的密钥k≠k’，以密钥为种子生成包含32个整数的伪随机序列，每个整数展开成8位二进制数，得到256位二进制数，再按图2所示扩展成256×256大小的位平面，以k和k’为种子分别生成两个不同的位平面P1和P1’，位平面数据转换成实数形式，训练图像输入网络之前也转换成0到1之间的实数。然后分两步交替优化网络参数：第一步，将每一个训练样本都与P1进行通道连接形成2通道的数据输入结构如图4所示的加密网络，加密网络输出单通道的加密图像，该输出再与同一个位平面P1通道连接形成2通道的数据输入结构如图4所示的解密网络，解密网络输出单通道的解密图像，以式(16)和式(12)描述的损失函数分别作为加密网络和解密网络的损失对整个网络进行联合训练；第二步，将每一个训练样本都与P1进行通道连接形成2通道的数据输入结构如图4所示的加密网络，加密网络输出单通道的加密图像，该输出再与另一个位平面P1’通道连接形成2通道的数据输入结构如图4所示的解密网络，解密网络输出单通道的解密图像，以式(17)和式(12)描述的损失函数分别作为加密网络和解密网络的损失对整个网络进行联合训练。所有训练数据以上述两步交替进行训练，直至网络收敛。
(3)用训练好的加密网络对灰度图像进行加密
将上一步训练完成的网络及参数保存，单独用加密网络进行图像加密，用逻辑混沌映射基于用户密钥生成256×256大小的一个位平面P1和一个字节平面P2，将图像转换成0到1之间的实数，图像若为256×256大小，则与P1通道连接输入加密网络，将加密网络的输出先截断为0到1之间的实数，即小于0的值设置为0，大于1的值设置为1，然后所有值乘以255并转换成整数形式，将该整数图像与P2进行逐像素按位异或得到最终的加密灰度图像。图像若不为256×256大小，可将图像分割为若干个256×256大小的子图分别进行加密，最后不足256行或256列的子图可填0扩充成256×256大小再进行加密。
(4)用训练好的解密网络对灰度加密图像进行解密
用逻辑混沌映射基于解密密钥生成256×256大小的一个位平面P1和一个字节平面P2。图像若为256×256大小，首先用P2与加密图像进行逐像素按位异或恢复出初步扩散图像，将该图像像素除以255转换成0到1之间的实数，将与同样转换成实数形式的P1通道连接后输入解密网络，解密网络的输出截断为0到1之间的实数，所有值乘以255并转成整形即可得到解密图像。图像若不为256×256大小，可将图像分割为若干个256×256大小的子图分别进行解密。解密时用户密钥如与加密密钥不一致，将无法有效解密出原图像。
实施例2
(1)准备训练数据。
准备足够数量的训练样本(训练集数据可自己采集创建或从互连网下载一些已公开的图像数据集，如ImageNet等)，并将所有图像转换成灰度图像，所有图像归一化256×256大小，归一化的方法如下：对于短边大于256的图像，直接进行随机裁剪得到，对于短边小于256的图像，先将图像等比例放大至短边为256，再进行随机裁剪得到。
(2)联合训练加密网络和解密网络
将准备好的训练数据分批输入加密网络和解密网络进行训练，对每一批数据，先随机生成两个不相同的密钥k≠k’，以密钥为种子生成包含32个整数的伪随机序列，每个整数展开成8位二进制数，得到256位二进制数，再按图2所示扩展成256×256大小的位平面，以k和k’为种子分别生成两个不同的位平面P1和P1’，位平面数据转换成实数形式，训练图像输入网络之前也转换成0到1之间的实数。然后分两步交替优化网络参数：第一步，将每一个训练样本都与P1进行通道连接形成2通道的数据输入结构如图4所示的加密网络，加密网络输出单通道的加密图像，该输出再与同一个位平面P1通道连接形成2通道的数据输入结构如图4所示的解密网络，解密网络输出单通道的解密图像，以式(16)和式(12)描述的损失函数分别作为加密网络和解密网络的损失对整个网络进行联合训练；第二步，将每一个训练样本都与P1进行通道连接形成2通道的数据输入结构如图4所示的加密网络，加密网络输出单通道的加密图像，该输出再与另一个位平面P1’通道连接形成2通道的数据输入结构如图4所示的解密网络，解密网络输出单通道的解密图像，以式(17)和式(12)描述的损失函数分别作为加密网络和解密网络的损失对整个网络进行联合训练。所有训练数据以上述两步交替进行训练，直至网络收敛。
(3)用训练好的加密网络对灰度图像进行加密
将上一步训练完成的网络及参数保存，单独用加密网络进行图像加密，用逻辑混沌映射基于用户密钥生成256×256大小的一个位平面P1和一个字节平面P2，将图像转换成0到1之间的实数，图像若为256×256大小，则与P1通道连接输入加密网络，将加密网络的输出先截断为0到1之间的实数，即小于0的值设置为0，大于1的值设置为1，然后所有值乘以255并转换成整数形式，将该整数图像基于P2按式(6)、式(7)和式(8)描述的方法进行逐像素串行混淆，得到最终的加密灰度图像。图像若不为256×256大小，可将图像分割为若干个256×256大小的子图分别进行加密，最后不足256行或256列的子图可填0扩充成256×256大小再逐一加密。
(4)用训练好的解密网络对灰度加密图像进行解密
用逻辑混沌映射基于用户密钥生成256×256大小的一个位平面P1和一个字节平面P2。图像若为256×256大小，首先用P2与加密图像进行按式(9)、式(6)和式(10)描述的逆混淆算法恢复出初步扩散图像，将该图像像素除以255转换成0到1之间的实数，将与同样转换成实数形式的P1通道连接后输入解密网络，解密网络的输出截断为0到1之间的实数，所有值乘以255并转成整形即可得到解密图像。图像若不为256×256大小，可将图像分割为若干个256×256大小的子图分别进行解密。解密时用户密钥如与加密密钥不一致，将无法有效解密出原图像。
实施例3
(1)准备训练数据。
准备足够数量的训练样本(训练集数据可自己采集创建或从互连网下载一些已公开的图像数据集，如ImageNet等)，并将所有图像转换成灰度图像，所有图像归一化512×512大小，归一化的方法如下：对于短边大于512的图像，直接进行随机裁剪得到，对于短边小于512的图像，先将图像等比例放大至短边为512，再进行随机裁剪得到。
(2)联合训练加密网络和解密网络
将准备好的训练数据分批输入加密网络和解密网络进行训练，对每一批数据，先随机生成两个不相同的密钥k≠k’，以密钥为种子生成含32个整数的伪随机序列，每个整数展开成8位二进制数，得到256位二进制数，再周期排列扩展成512×512大小的位平面，以k和k’为种子分别生成两个不同的位平面P1和P1’，位平面数据转换成实数形式，训练图像输入网络之前也转换成0到1之间的实数。然后分两步交替优化网络参数：第一步，将每一个训练样本都与P1进行通道连接形成2通道的数据输入结构如图4所示的加密网络，加密网络输出单通道的加密图像，该输出再与同一个位平面P1通道连接形成2通道的数据输入结构如图4所示的解密网络，解密网络输出单通道的解密图像，以式(16)和式(12)描述的损失函数分别作为加密网络和解密网络的损失对整个网络进行联合训练；第二步，将每一个训练样本都与P1进行通道连接形成2通道的数据输入结构如图4所示的加密网络，加密网络输出单通道的加密图像，该输出再与另一个位平面P1’通道连接形成2通道的数据输入结构如图4所示的解密网络，解密网络输出单通道的解密图像，以式(17)和式(12)描述的损失函数分别作为加密网络和解密网络的损失对整个网络进行联合训练。所有训练数据以上述两步交替进行训练，直至网络收敛。
(3)用训练好的加密网络对彩色图像进行加密
将上一步训练完成的网络及参数保存，单独用加密网络进行图像加密，用逻辑混沌映射基于用户密钥生成512×512大小的一个位平面P1和一个字节平面P2，将图像转换成0到1之间的实数，图像若为512×512大小，则首先将彩色图像分离为RGB三通道，每个通道与P1通道连接输入加密网络，将加密网络的输出先截断为0到1之间的实数，即小于0的值设置为0，大于1的值设置为1，然后所有值乘以255并转换成整数形式，将该整数图像基于P2进行逐像素按式(6)、式(7)和式(8)描述的方法进行串行混淆，得到最终的加密图像通道，再将加密的RGB三通道合并得到加密的彩色图像。图像若不为512×512大小，可将图像分割为若干个512×512大小的子图分别进行加密，最后不足512行或512列的子图可填0扩充成512×512大小再逐一加密。
(4)用训练好的解密网络对彩色加密图像进行解密
用逻辑混沌映射基于用户密钥生成512×512大小的一个位平面P1和一个字节平面P2。图像若为512×512大小，首先将图像分离成三个独立的通道，再用P2与各通道进行按式(9)、式(6)和式(10)描述的逆混淆算法恢复出初步扩散图像通道，将所有像素除以255转换成0到1之间的实数，与同样转换成实数形式的P1通道连接后输入解密网络，解密网络的输出截断为0到1之间的实数，所有值乘以255并转成整形即可得到解密图像通道，将解密出来的RGB三通道合并得到解密的彩色图像。图像若不为512×512大小，可将图像分割为若干个512×512大小的子图分别进行解密。解密时用户密钥如与加密密钥不一致，将无法有效解密出原图像。
实施例4
(1)准备训练数据。
准备足够数量的训练样本(训练集数据可自己采集创建或从互连网下载一些已公开的图像数据集，如ImageNet等)，所有图像归一化256×256大小，归一化的方法如下：对于短边大于256的图像，直接进行随机裁剪得到，对于短边小于256的图像，先将图像等比例放大至短边为256，再进行随机裁剪得到。
(2)联合训练加密网络和解密网络
将准备好的训练数据分批输入加密网络和解密网络进行训练，对每一批数据，先随机生成两个不相同的密钥k≠k’，以密钥为种子生成32个整数伪随机序列，每个整数展开成8位二进制数，得到256位二进制数，再按图2所示扩展成256×256大小的位平面，以k和k’为种子分别生成两个不同的位平面P1和P1’，位平面数据转换成实数形式，训练图像输入网络之前也转换成0到1之间的实数。然后分两步交替优化网络参数：第一步，将每一个彩色训练样本都与P1进行通道连接形成4通道的数据输入结构如图4所示的加密网络，加密网络输出3通道的加密图像，该输出再与同一个位平面P1通道连接形成4通道的数据输入结构如图4所示的解密网络，解密网络输出3通道的解密图像，以式(16)和式(12)描述的损失函数分别作为加密网络和解密网络的损失对整个网络进行联合训练；第二步，将每一个训练样本都与P1进行通道连接形成4通道的数据输入结构如图4所示的加密网络，加密网络输出3通道的加密图像，该输出再与另一个位平面P1’通道连接形成4通道的数据输入结构如图4所示的解密网络，解密网络输出3通道的解密图像，以式(17)和式(12)描述的损失函数分别作为加密网络和解密网络的损失对整个网络进行联合训练。所有训练数据以上述两步交替进行训练，直至网络收敛。
(3)用训练好的加密网络对彩色度图像进行加密
将上一步训练完成的网络及参数保存，单独用加密网络进行图像加密，用逻辑混沌映射基于用户密钥生成256×256大小的一个位平面P1和一个字节平面P2，将图像转换成0到1之间的实数，图像若为256×256大小，则与P1通道连接输入加密网络，将加密网络的输出先截断为0到1之间的实数，即小于0的值设置为0，大于1的值设置为1，然后所有值乘以255并转换成整数形式，将该整数图像所有通道分别与P2进行逐像素按位异或得到最终的加密彩色图像。图像若不为256×256大小，可将图像分割为若干个256×256大小的子图分别进行加密，最后不足256行或256列的子图可填0扩充成256×256大小。
(4)用训练好的解密网络对彩色加密图像进行解密
用逻辑混沌映射基于用户密钥生成256×256大小的一个位平面P1和一个字节平面P2。图像若为256×256大小，首先用P2与加密图像的各通道进行逐像素按位异或恢复出初始扩散图像，将该图像像素除以255转换成0到1之间的实数，将与同样转换成实数形式的P1通道连接后输入解密网络，解密网络的输出截断为0到1之间的实数，所有值乘以255并转成整形即可得到解密图像。图像若不为256×256大小，可将图像分割为若干个256×256大小的子图分别进行解密。解密时用户密钥如与加密密钥不一致，将无法有效解密出原图像。
上述对实施例的描述是为便于本技术领域的普通技术人员能理解和应用本发明。熟悉本领域技术的人员显然可以容易地对上述实施例做出各种修改，并把在此说明的一般原理应用到其他实施例中而不必经过创造性的劳动。因此，本发明不限于上述实施例，本领域技术人员根据本发明的揭示，对于本发明做出的改进和修改都应该在本发明的保护范围之内。

Claims (8)

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：
训练加密网络的损失基于平均像素信息熵定义：
Figure FDA0003313758170000011
其中ε是一个正的常数，以免损失函数为负，ei∈[0,1]是初始扩散图像第i个像素的值，N是图像的总像素数量，训练时该损失仅在加密网络中反向传播。
5.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的联合训练分两步交替进行，第一步加密密钥与解密密钥相同，用于模拟获授权用户的访问；第二步加密密钥与解密密钥不同，用于模拟未授权用户的访问，用两种不同的损失函数分别在两种情况下优化解密网络参数，若加密密钥与解密密钥相同，则解密损失函数基于均方误差(MSE)和结构相似度(SSIM)确定:
Lde1＝MSE(x,y)+α[1-SSIM(x,y)]
Figure FDA0003313758170000021
Figure FDA0003313758170000022
其中x指原始明文图像，y指解密得到的图像，xi和yi分别指x和y的第i个像素值；μx和μy分别指图像x和y的均值；σx和σy分别指图像x和y的方差；σxy指x和y的协方差；τ1,τ2,τ3和τ4是小的正常数以避免分母为0产生的不稳定；α为调节MSE和SSIM在损失中所起作用的权重，可根据经验设置；
若加密密钥与解密密钥不同，则解密损失函数基于像素信息熵定义：
Figure FDA0003313758170000023
其中ε是一个正的常数，以免损失函数为负，di∈[0,1]是解密图像第i个像素的值，N是图像的总像素数量；
在联合训练中，解密网络的损失Lde1或Lde2不仅在解密网络中反向传播，而且还继续在加密网络中反向传播。
6.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：
加密图像的访问权限通过设置加密和解密过程的密钥控制，密钥与网络参数分离，可动态改变，加密网络和解密网络只需要训练一次，修改密钥不需要重新训练网络，使用方便灵活。
7.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：
用混沌映射基于用户密钥k生成的混沌序列先转换为整数，前面若干个整数扩展成二进制位串，位串排列成正方形的单元，该单元重复排列成一个与图像相同大小的位平面P1，该位平面与明文图像连接后输入加密网络可获得初步扩散图像，该图像与位平面P1连接后输入加密网络可获得解密图像。
8.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：
用混沌映射基于用户密钥k生成的伪随机整数序列排列成密码字节平面P2用于对加密网络输出的初步扩散图像采用混淆算法进行进一步混淆，以增强加密图像的安全性。
CN202111237178.4A 2021-10-21 2021-10-21 一种基于深度学习的敏捷图像加密方法 Active CN113992810B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111237178.4A CN113992810B (zh) 2021-10-21 2021-10-21 一种基于深度学习的敏捷图像加密方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111237178.4A CN113992810B (zh) 2021-10-21 2021-10-21 一种基于深度学习的敏捷图像加密方法

Publications (2)

Publication Number Publication Date
CN113992810A true CN113992810A (zh) 2022-01-28
CN113992810B CN113992810B (zh) 2023-06-27

Family

ID=79740640

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111237178.4A Active CN113992810B (zh) 2021-10-21 2021-10-21 一种基于深度学习的敏捷图像加密方法

Country Status (1)

Country Link
CN (1) CN113992810B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114553549A (zh) * 2022-02-24 2022-05-27 江苏商贸职业学院 一种数据加密方法及系统
CN115695441A (zh) * 2022-09-27 2023-02-03 西安电子科技大学 基于p2p技术的三维人体虚拟社交系统及方法

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5751811A (en) * 1995-08-30 1998-05-12 Magnotti; Joseph C. 32N +D bit key encryption-decryption system using chaos
US20040202326A1 (en) * 2003-04-10 2004-10-14 Guanrong Chen System and methods for real-time encryption of digital images based on 2D and 3D multi-parametric chaotic maps
WO2006089974A1 (en) * 2005-02-28 2006-08-31 Bastien Chopard Symmetrical encryption method
CN104851071A (zh) * 2015-05-21 2015-08-19 东北大学 一种基于三维混沌系统的数字图像加密方法
CN110766595A (zh) * 2019-10-21 2020-02-07 中国石油大学(华东) 基于混沌神经网络的水印加密和解密算法
US20200099508A1 (en) * 2016-12-21 2020-03-26 University Of Hawaii Hybrid encryption for cyber security of control systems
CN111105338A (zh) * 2019-12-20 2020-05-05 长春理工大学 基于gan和混沌系统的图像加密方法
CN111654368A (zh) * 2020-06-03 2020-09-11 电子科技大学 一种基于深度学习生成对抗网络的密钥生成方法
CN111723395A (zh) * 2020-05-11 2020-09-29 华南理工大学 一种人像生物特征隐私保护与解密方法
CN112417467A (zh) * 2020-10-26 2021-02-26 南昌大学 一种基于对抗神经密码学和sha控制混沌的图像加密方法
CN113014570A (zh) * 2021-02-22 2021-06-22 西安理工大学 一种基于卷积神经网络的通信数据加解密方法
CN113099066A (zh) * 2019-12-23 2021-07-09 浙江工商大学 基于多尺度融合空洞卷积残差网络的大容量图像隐写方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5751811A (en) * 1995-08-30 1998-05-12 Magnotti; Joseph C. 32N +D bit key encryption-decryption system using chaos
US20040202326A1 (en) * 2003-04-10 2004-10-14 Guanrong Chen System and methods for real-time encryption of digital images based on 2D and 3D multi-parametric chaotic maps
WO2006089974A1 (en) * 2005-02-28 2006-08-31 Bastien Chopard Symmetrical encryption method
CN104851071A (zh) * 2015-05-21 2015-08-19 东北大学 一种基于三维混沌系统的数字图像加密方法
US20200099508A1 (en) * 2016-12-21 2020-03-26 University Of Hawaii Hybrid encryption for cyber security of control systems
CN110766595A (zh) * 2019-10-21 2020-02-07 中国石油大学(华东) 基于混沌神经网络的水印加密和解密算法
CN111105338A (zh) * 2019-12-20 2020-05-05 长春理工大学 基于gan和混沌系统的图像加密方法
CN113099066A (zh) * 2019-12-23 2021-07-09 浙江工商大学 基于多尺度融合空洞卷积残差网络的大容量图像隐写方法
CN111723395A (zh) * 2020-05-11 2020-09-29 华南理工大学 一种人像生物特征隐私保护与解密方法
CN111654368A (zh) * 2020-06-03 2020-09-11 电子科技大学 一种基于深度学习生成对抗网络的密钥生成方法
CN112417467A (zh) * 2020-10-26 2021-02-26 南昌大学 一种基于对抗神经密码学和sha控制混沌的图像加密方法
CN113014570A (zh) * 2021-02-22 2021-06-22 西安理工大学 一种基于卷积神经网络的通信数据加解密方法

Non-Patent Citations (8)

* Cited by examiner, † Cited by third party
Title
LEQING ZHU 等: "Robust location-secured high-definition image watermarking based on key-point detection and deep learning", 《OPTIK》, no. 248 *
ZHENJIE BAO 等: "Avalanche effect of image encryption based on the Cycle-GAN", 《APPLIED OPTICS》, vol. 60, no. 18 *
徐昭 等: "基于深度学习的混沌加密灰度图像重建方法", 《光学与光电技术》, vol. 19, no. 3 *
李锦青;柏逢明;底晓强;: "基于Hopfield混沌神经网络的彩色图像加密算法研究", 长春理工大学学报(自然科学版), no. 04 *
竺乐庆;郭钰;莫凌强;张大兴;: "DGANS：基于双重生成式对抗网络的稳健图像隐写模型", 通信学报, vol. 41, no. 01 *
陈森;薛伟;: "基于混沌系统和人工神经网络的图像加密算法", 计算机系统应用, no. 08 *
陈炜 等: "基于深度学习压缩感知与复合混沌系统的通用图像加密算法", 《物理学报》, vol. 69, no. 24 *
马凌;侯小毛;张福泉;龚芝;: "基于复合混沌系统与人工神经网络学习的图像加密算法", 电子测量与仪器学报, no. 08 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114553549A (zh) * 2022-02-24 2022-05-27 江苏商贸职业学院 一种数据加密方法及系统
CN114553549B (zh) * 2022-02-24 2024-01-02 江苏商贸职业学院 一种数据加密方法及系统
CN115695441A (zh) * 2022-09-27 2023-02-03 西安电子科技大学 基于p2p技术的三维人体虚拟社交系统及方法
CN115695441B (zh) * 2022-09-27 2024-03-29 西安电子科技大学 基于p2p技术的三维人体虚拟社交系统及方法

Also Published As

Publication number Publication date
CN113992810B (zh) 2023-06-27

Similar Documents

Publication Publication Date Title
Shankar et al. RETRACTED ARTICLE: Secret image sharing scheme with encrypted shadow images using optimal homomorphic encryption technique
Chai et al. TPE-GAN: Thumbnail preserving encryption based on GAN with key
CN111654368B (zh) 一种基于深度学习生成对抗网络的密钥生成方法
Ye et al. An effective framework for chaotic image encryption based on 3D logistic map
Subramanyan et al. Image encryption based on AES key expansion
CN113992810B (zh) 一种基于深度学习的敏捷图像加密方法
CN107392970B (zh) 一种基于位平面和高维混沌系统的数字图像加密方法
CN110535624B (zh) 一种应用于dicom格式的医学图像隐私保护方法
CN113556223B (zh) 基于分数阶驱动响应系统有限时间同步的图像加密方法
CN112134688A (zh) 一种基于量子混沌映射与sha-3的非对称图像加密方法
CN112906043B (zh) 一种基于混沌映射和混沌s盒代换的图像加密方法
Vallathan et al. A prediction based encryption approach for telemedicine applications
Ramírez-Torres et al. Fpga implementation of a reconfigurable image encryption system
CN111597568A (zh) 基于分布式时滞的高维分数阶复杂系统的图像加密方法
CN114338944A (zh) 一种基于深度学习的密文域图像分类方法
CN115311118A (zh) 一种基于二维离散忆阻超混沌映射的遥感图像加密方法
CN112788196B (zh) 基于卷积神经网络动态自适应扩散的双图像加密方法
CN113099069B (zh) 基于三维螺旋模型的多图像加密方法
Verma et al. Significant secret image sharing scheme based on boolean operation
CN113645367B (zh) 批量图像组合加密方法及装置
CN116961904B (zh) 一种基于双置乱与受控dna编码的企业信息图像加密方法
CN113114870B (zh) 基于三维Zigzag模型的多图像加密方法
Huang et al. (n, n) XOR-based Visual Multi-secrets Sharing Scheme with Meaningful Shares
Rajaram et al. Embedded visual cryptography for secure transmission of bank cheque
CN114884643A (zh) 基于超像素的多图像加密方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20231113

Address after: Room 5573, Building C, No. 525 Xixi Road, Xihu District, Hangzhou City, Zhejiang Province, 310000

Patentee after: Hangzhou Pantu Clothing Technology Co.,Ltd.

Address before: Room 5558, Building C, No. 525 Xixi Road, Xihu District, Hangzhou City, Zhejiang Province, 310000

Patentee before: Hangzhou Qibeijia Information Technology Co.,Ltd.

Effective date of registration: 20231113

Address after: Room 5558, Building C, No. 525 Xixi Road, Xihu District, Hangzhou City, Zhejiang Province, 310000

Patentee after: Hangzhou Qibeijia Information Technology Co.,Ltd.

Address before: 310018 room 417, information building, Zhejiang industrial and Commercial University, No. 18, xiashaxuezheng street, Qiantang new area, Hangzhou, Zhejiang Province

Patentee before: ZHEJIANG GONGSHANG University

TR01 Transfer of patent right