CN108876864B - 图像编码、解码方法、装置、电子设备及计算机可读介质 - Google Patents
图像编码、解码方法、装置、电子设备及计算机可读介质 Download PDFInfo
- Publication number
- CN108876864B CN108876864B CN201711075117.6A CN201711075117A CN108876864B CN 108876864 B CN108876864 B CN 108876864B CN 201711075117 A CN201711075117 A CN 201711075117A CN 108876864 B CN108876864 B CN 108876864B
- Authority
- CN
- China
- Prior art keywords
- image
- neural network
- convolutional neural
- dimensional features
- processor
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T9/00—Image coding
- G06T9/002—Image coding using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Compression Or Coding Systems Of Tv Signals (AREA)
Abstract
本发明提供了一种图像编码、解码方法、装置、电子设备及计算机可读介质,所述方法包括:图像编码器利用第一卷积神经网络对目标图像进行处理,得到目标图像的高维特征,所述第一卷积神经网络的网络结构参数为预先随机生成的;向图像解码器发送所述高维特征,达到在由图像编码器发送至图像解码器的图像传输过程中仅传输高维特征,而且,图像解码器只有使用按照图像编码器发送的网络结构参数配置的第二卷积神经网络才能基于高维特征重建出目标图像,第三方即使在图像传输过程中截取到部分高维特征或者全部高维特征也无法重建出目标图像,实现图像的加密传输的技术效果。
Description
技术领域
本发明涉及图像信息处理技术领域,尤其是涉及一种图像编码、解码方法、装置、电子设备及计算机可读介质。
背景技术
数字图像是目前最流行的多媒体形式之一,在政治、经济、国防、教育等方面均有广泛应用。对于某些特殊领域,如军事、商业和医疗等,数字图像一般具有较高的保密要求。
为了实现数字图像保密,实际应用中一般由发送方按照预设的编码规则对输入图像进行编码,在接收方接收到编码图像后,再由接收方按照与编码规则对应的解码规则对编码图像进行解码,得到输入图像。
然而,在对图像进行编码和解码时,不同用户采用的编码规则和解码规则可能是相同的,导致图像即使被加密,仍然能够被应该不具有解码权限的第三方解码,导致图像的安全性低。
发明内容
有鉴于此,本发明的目的在于提供一种图像编码、解码方法、装置、电子设备及计算机可读介质,以缓解现有技术中存在的编码图像在传输过程中容易被第三方解码,导致图像安全性低的技术问题。
第一方面,本发明实施例提供了一种图像传输方法,包括:
图像编码器利用第一卷积神经网络对目标图像进行处理,得到所述目标图像的高维特征,所述第一卷积神经网络的网络结构参数为预先随机生成的;
向图像解码器发送所述高维特征。
结合第一方面,本发明实施例提供了第一方面的第一种可能的实施方式,其中,所述网络结构参数包括:卷积层的数量和卷积核的尺寸。
结合第一方面,本发明实施例提供了第一方面的第二种可能的实施方式,其中,所述方法还包括:
利用所述高维特征及所述第一卷积神经网络进行图像重建,得到验证图像;
当所述验证图像与所述目标图像之间的相似度超过预设阈值时,向所述图像解码器发送所述网络结构参数。
结合第一方面,本发明实施例提供了第一方面的第三种可能的实施方式,其中,所述利用所述高维特征及所述第一卷积神经网络进行图像重建,得到验证图像包括:
判断所述网络结构参数是否服从方差为第一预设值且均值为第二预设值的二维高斯分布;
当所述网络结构参数服从所述二维高斯分布时,利用所述高维特征及所述第一卷积神经网络进行图像重建,得到验证图像。
结合第一方面,本发明实施例提供了第一方面的第四种可能的实施方式,其中,所述第一卷积神经网络是由多个卷积层和一个池化层级联构成的,所述池化层位于任意两个相邻的所述卷积层之间。
第二方面,本发明实施例还提供一种图像解码方法,包括:
图像解码器接收图像编码器发送的高维特征;
利用所述高维特征及第二卷积神经网络进行图像重建,得到重建图像,所述第二卷积神经网络的网络结构参数是从图像编码器接收的。
结合第二方面,本发明实施例提供了第二方面的第一种可能的实施方式,其中,所述方法还包括:
按照所述网络结构参数配置第二卷积神经网络。
结合第二方面,本发明实施例提供了第二方面的第二种可能的实施方式,其中,所述利用所述高维特征及第二卷积神经网络进行图像重建,得到重建图像,包括:
获取待输入至所述第二卷积神经网络的输入图像;
以目标损失函数作为所述第二卷积神经网络的损失函数,利用所述第二卷积神经网络多次训练所述输入图像,得到第一中间图像,所述目标损失函数为所述输入图像的图像特征与所述高维特征之间的向量距离;
以所述目标损失函数和约束损失函数作为第二卷积神经网络的损失函数,利用第二卷积神经网络多次训练所述第一中间图像,得到第二中间图像,所述约束损失函数为所述第一中间图像的梯度的L2范数;
以所述目标损失函数作为第二卷积神经网络的损失函数,利用第二卷积神经网络多次训练所述第二中间图像,得到重建图像。
第三方面,本发明实施例还提供一种图像编码装置,包括:
处理模块,用于利用第一卷积神经网络对目标图像进行处理,得到所述目标图像的高维特征,所述第一卷积神经网络的网络结构参数为预先随机生成的;
发送模块,用于向图像解码器发送所述高维特征。
第四方面,本发明实施例还提供一种图像解码装置,包括:
接收模块,用于接收图像编码器发送的高维特征;
图像重建模块,用于利用所述高维特征及第二卷积神经网络进行图像重建,得到重建图像,所述第二卷积神经网络的网络结构参数是从图像编码器接收的。
第五方面,本发明实施例还提供一种图像编码设备,包括存储器、处理器,所述存储器中存储有可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述第一方面所述的方法的步骤。
第六方面,本发明实施例还提供一种具有处理器可执行的非易失的程序代码的计算机可读介质,所述程序代码使所述处理器执行所述第一方面所述的方法。
第七方面,本发明实施例还提供一种图像解码设备,包括存储器、处理器,所述存储器中存储有可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述第二方面所述的方法的步骤。
第八方面,本发明实施例还提供一种具有处理器可执行的非易失的程序代码的计算机可读介质,所述程序代码使所述处理器执行上述第二方面所述的方法。
第九方面,本发明实施例还提供一种图像传输方法,包括:
图像编码器利用第一卷积神经网络对目标图像进行处理,得到所述目标图像的高维特征,所述第一卷积神经网络的网络结构参数为预先随机生成的;
图像编码器向图像解码器发送所述高维特征;
图像解码器接收图像编码器发送的高维特征;
图像解码器利用所述高维特征及第二卷积神经网络进行图像重建,得到重建图像,所述第二卷积神经网络的网络结构参数是从图像编码器接收的。
第十方面,本发明实施例还提供一种具有处理器可执行的非易失的程序代码的计算机可读介质,所述程序代码使所述处理器执行所述第九方面所述的方法。
本发明实施例带来了以下有益效果:本发明实施例通过使图像编码器利用第一卷积神经网络对目标图像进行处理,得到目标图像的高维特征,其中,第一卷积神经网络的网络结构参数为预先随机生成的,向图像解码器发送所述高维特征;然后向图像解码器发送所述高维特征;在图像解码器接收到图像编码器发送的高维特征后,利用所述高维特征及第二卷积神经网络进行图像重建,得到重建图像,其中第二卷积神经网络的网络结构参数是从图像编码器接收的。
本发明实施例在由图像编码器发送至图像解码器的图像传输过程中仅传输高维特征,而且,图像解码器只有使用按照图像编码器发送的网络结构参数配置的第二卷积神经网络才能基于高维特征重建出目标图像,第三方即使在图像传输过程中截取到部分高维特征或者全部高维特征也无法重建出目标图像,实现图像的加密传输。
本发明的其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的电子设备的示意框图;
图2为本发明实施例提供的图像编码及解码方法的流程图;
图3为图2中步骤S104的流程图;
图4为本发明实施例提供的一种图像编码装置的结构图;
图5为本发明实施例提供的一种图像解码装置的结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例可以应用于电子设备,图1所示为本发明实施例的电子设备的一个示意性框图。图1所示的电子设备10包括一个或多个处理器102、一个或多个存储装置104、输入装置106、输出装置108、图像传感器110以及一个或多个非图像传感器114,这些组件通过总线系统112和/或其它形式互联。应当注意,图1所示的电子设备10的组件和结构只是示例性的,而非限制性的,根据需要,所述电子设备也可以具有其它组件和结构。
所述处理器102可以包括CPU1021和CPU1022或者具有数据处理能力和/指令执行能力的其它形式的处理单元,例如现场可编程门阵列(Field-Programmable Gate Array,FPGA)或进阶精简指令集机器(Advanced RISC(Reduced Instruction Set Computer)Machine,ARM)等,并且处理器102可以控制所述电子设备10中的其它组件以执行期望的功能。
所述存储装置104可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器1041和/或非易失性存储器1042。所述易失性存储器1041例如可以包括随机存取存储器(Random Access Memory,RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器1042例如可以包括只读存储器(Read-Only Memory,ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器102可以运行所述程序指令,以实现各种期望的功能。在所述计算机可读存储介质中还可以存储各种应用程序和各种数据,例如所述应用程序使用和/或产生的各种数据等。
所述输入装置106可以是用户用来输入指令的装置,并且可以包括键盘、鼠标、麦克风和触摸屏等中的一个或多个。
所述输出装置108可以向外部(例如用户)输出各种信息(例如图像或声音),并且可以包括显示器、扬声器等中的一个或多个。
所述图像传感器110可以拍摄用户期望的图像(例如照片、视频等),并且将所拍摄的图像存储在所述存储装置104中以供其它组件使用。
应当注意,图1所示的电子设备10的组件和结构只是示例性的,尽管图1示出的电子设备10包括多个不同的装置,但是根据需要,其中的一些装置可以不是必须的,其中的一些装置的数量可以更多等等,本发明对此不限定。
由于在对图像进行编码和解码时,不同用户采用的编码规则和解码规则可能是相同的,导致图像即使被加密,仍然能够被应该不具有解码权限的第三方解码,导致图像的安全性低,基于此,本发明实施例提供的一种图像传输方法、装置、电子设备及计算机可读介质,可以在由图像编码器发送至图像解码器的图像传输过程中仅传输高维特征,而且,图像解码器只有使用按照图像编码器发送的网络结构参数配置的第二卷积神经网络才能基于高维特征重建出目标图像,第三方即使在图像传输过程中截取到部分高维特征或者全部高维特征也无法重建出目标图像,实现图像的加密传输。
为便于对本实施例进行理解,首先对本发明实施例所公开的一种图像传输方法进行详细介绍,如图2所示,所述方法可以包括以下步骤。
步骤S101,图像编码器利用第一卷积神经网络对目标图像进行处理,得到所述目标图像的高维特征。
在本发明实施例中,目标图像可以指待传输的彩色图像或者灰度图像等,所述第一卷积神经网络是由多个卷积层和一个池化层级联构成的,所述池化层位于任意两个相邻的所述卷积层之间。为保证不丢失图像信息,第一卷积神经网络中仅包含一个池化层,既保证加密的绝对非线性,又不会丢失图像信息。
示例性的,第一卷积神经网络中包含一个池化层和四个卷积层,输入层→第一卷积层(x*x*size)→第二卷积层(x*x*size)→第三卷积层(x*x*size)→池化层→第四卷积层(x*x*size),在实际应用中,池化层也可以设置在第一卷积层和第二卷积层之间,还可以设置在第二卷积层和第三卷积层之间,这样,即可实现尽可能完整的重建图像以及保留更多的图像特征以及图像信息的目的。
高维特征是将目标图像的图像信息通过第一卷积神经网络映射到高维空间中得到的,因为很难将高维空间中的图像信息直接还原到原本目标图像所在的图像空间中,所以能更好地实现对目标图像的加密。
为保证能够重建出目标图像(即使重建出的重建图像与目标图像之间的相似度超过预设阈值),示例性的,卷积神经网络可以采用:5*5*32的结构,实际应用中可以根据实际情况调整,本发明不做限定。
在这里示出和描述的所有示例中,任何具体值应被解释为仅仅是示例性的,而不是作为限制,因此,示例性实施例的其他示例可以具有不同的值。
示例性的,在步骤S101之前,所述方法还可以包括以下步骤。
利用图像编码器内的随机数发生器随机生成所述第一卷积神经网络的网络结构参数。
为了验证利用网络结构参数能否成功重建图像,可以判断所述网络结构参数是否服从方差为第一预设值(示例性的,方差为1)且均值为第二预设值(示例性的,均值为0)的二维高斯分布;当所述网络结构参数服从所述二维高斯分布时,利用高维特征及所述第一卷积神经网络进行图像重建,得到验证图像;当所述验证图像与所述目标图像之间的相似度超过预设阈值时(此时可以确定利用该网络结构参数能够重建图像),向图像解码器发送所述网络结构参数。
示例性的,网络结构参数包括:卷积层的数量和卷积核的尺寸。在实际应用中,可以在每次使用新的加密方式(即更换网络结构参数)前,利用随机数发生机随机生成网络结构参数,并在完成验证后,将网络结构参数发送给图像解码器,在不需要使用新的加密方式时,图像编码器仅需向图像解码器发送高维特征即可。
在这里示出和描述的所有示例中,任何具体值应被解释为仅仅是示例性的,而不是作为限制,因此,示例性实施例的其他示例可以具有不同的值。
步骤S102,图像编码器向图像解码器发送所述高维特征。
示例性的,在步骤S103或者S104之前,所述方法还可以包括:图像解码器接收图像编码器发送的网络结构参数;按照所述网络结构参数配置第二卷积神经网络。
图像解码器在接收到网络结构参数后,将接收到的网络结构参数输入至的第二卷积神经网络中,这样,将实现第二卷积神经网络也按照第一卷积神经网络的网络结构参数的配置,可以实现第二卷积神经网络与所述第一卷积神经网络的网络结构相同。
步骤S103,图像解码器接收图像编码器发送的高维特征。
步骤S104,图像解码器利用所述高维特征及第二卷积神经网络进行图像重建,得到重建图像。
在本发明实施例中,所述第二卷积神经网络的网络结构参数是从图像编码器接收的;在实际应用中,图像解码器可以采用梯度下降学习方法进行图像重建。
作为一个示例,如图3所示,步骤S104可以包括以下步骤:
步骤S201,获取待输入至所述第二卷积神经网络的输入图像;
在本发明实施例中,输入图像为图像解码器预先随机生成的。
步骤S202,以目标损失函数作为所述第二卷积神经网络的损失函数,利用所述第二卷积神经网络多次训练所述输入图像,得到第一中间图像。
在本发明实施例中,所述目标损失函数为所述输入图像的图像特征与所述高维特征之间的向量距离;示例性的,在该步骤中可以训练输入图像大约5万次。
步骤S203,以所述目标损失函数和约束损失函数作为第二卷积神经网络的损失函数,利用第二卷积神经网络多次训练所述第一中间图像,得到第二中间图像。
在本发明实施例中,所述约束损失函数为所述第一中间图像的梯度的L2范数;示例性的,在该步骤中,可以训练第一中间图像大约1万次。
步骤S204,以所述目标损失函数作为第二卷积神经网络的损失函数,利用第二卷积神经网络多次训练所述第二中间图像,得到重建图像,示例性的,在该步骤中可以训练输入图像大约5千次。
经过步骤S201至步骤S204,可以使训练后得到的重建图像的图像特征无限接近接收到的高维特征。
当重建图像与目标图像之间的相似度超过预设阈值,即可认为是重建出目标图像。
在这里示出和描述的所有示例中,任何具体值应被解释为仅仅是示例性的,而不是作为限制,因此,示例性实施例的其他示例可以具有不同的值。
本发明实施例通过使图像编码器利用第一卷积神经网络对目标图像进行处理,得到目标图像的高维特征,其中,第一卷积神经网络的网络结构参数为预先随机生成的,向图像解码器发送所述高维特征;然后向图像解码器发送所述高维特征;在图像解码器接收到图像编码器发送的高维特征后,利用所述高维特征及第二卷积神经网络进行图像重建,得到重建图像,其中第二卷积神经网络的网络结构参数是从图像编码器接收的。
本发明实施例在由图像编码器发送至图像解码器的图像传输过程中仅传输高维特征,而且,图像解码器只有使用按照图像编码器发送的网络结构参数配置的第二卷积神经网络才能基于高维特征重建出目标图像,第三方即使在图像传输过程中截取到部分高维特征或者全部高维特征也无法重建出目标图像,实现图像的加密传输。
在本发明的又一实施例中,如图4所示,还提供一种图像编码装置,包括:
处理模块11,用于利用第一卷积神经网络对目标图像进行处理,得到所述目标图像的高维特征,所述第一卷积神经网络的网络结构参数为预先随机生成的;
第一发送模块12,用于向图像解码器发送所述高维特征。
本发明实施例所提供的装置,其实现原理及产生的技术效果和前述方法实施例相同,为简要描述,装置实施例部分未提及之处,可参考前述方法实施例中相应内容。
可选地,所述网络结构参数包括:卷积层的数量和卷积核的尺寸。
可选地,所述装置还包括:
第一重建模块,用于利用所述高维特征及所述第一卷积神经网络进行图像重建,得到验证图像;
所述第一发送模块,还用于当所述验证图像与所述目标图像之间的相似度超过预设阈值时,向所述图像解码器发送所述网络结构参数。
可选地,所述第一重建模块包括:
判断模块,用于判断所述网络结构参数是否服从方差为第一预设值且均值为第二预设值的二维高斯分布;
所述第一图像重建模块,还用于当所述网络结构参数服从所述二维高斯分布时,利用所述高维特征及所述第一卷积神经网络进行图像重建,得到验证图像。
可选地,所述第一卷积神经网络是由多个卷积层和一个池化层级联构成的,所述池化层位于任意两个相邻的所述卷积层之间。
在本发明的又一实施例中,如图5所示,还提供一种图像解码装置,包括:
接收模块21,用于接收图像编码器发送的高维特征;
第二图像重建模块22,用于利用所述高维特征及第二卷积神经网络进行图像重建,得到重建图像,所述第二卷积神经网络的网络结构参数是从图像编码器接收的。
本发明实施例所提供的装置,其实现原理及产生的技术效果和前述方法实施例相同,为简要描述,装置实施例部分未提及之处,可参考前述方法实施例中相应内容。
可选地,所述装置还包括:
配置模块,用于按照所述网络结构参数配置第二卷积神经网络。
可选地,图像重建模块22还用于:
获取待输入至所述第二卷积神经网络的输入图像;
以目标损失函数作为所述第二卷积神经网络的损失函数,利用所述第二卷积神经网络多次训练所述输入图像,得到第一中间图像,所述目标损失函数为所述输入图像的图像特征与所述高维特征之间的向量距离;
以所述目标损失函数和约束损失函数作为第二卷积神经网络的损失函数,利用第二卷积神经网络多次训练所述第一中间图像,得到第二中间图像,所述约束损失函数为所述第一中间图像的梯度的L2范数;
以所述目标损失函数作为第二卷积神经网络的损失函数,利用第二卷积神经网络多次训练所述第二中间图像,得到重建图像。
在本发明的又一实施例中,还提供一种图像编码设备,包括存储器、处理器,所述存储器中存储有可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述图像编码方法所对应的部分方法实施例所述的方法的步骤。
在本发明的又一实施例中,还提供一种具有处理器可执行的非易失的程序代码的计算机可读介质,所述程序代码使所述处理器执行上述图像编码方法所对应的部分方法实施例所述的方法。
在本发明的又一实施例中,还提供一种图像解码设备,包括存储器、处理器,所述存储器中存储有可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述图像解码方法所对应的部分方法实施例所述的方法的步骤。
在本发明的又一实施例中,还提供一种具有处理器可执行的非易失的程序代码的计算机可读介质,所述程序代码使所述处理器执行上述图像解码方法所对应的部分实施例所述的方法。
在本发明的又一实施例中,还提供一种图像传输方法,包括:
图像编码器利用第一卷积神经网络对目标图像进行处理,得到所述目标图像的高维特征,所述第一卷积神经网络的网络结构参数为预先随机生成的;
图像编码器向图像解码器发送所述高维特征;
图像解码器接收图像编码器发送的高维特征;
图像解码器利用所述高维特征及第二卷积神经网络进行图像重建,得到重建图像,所述第二卷积神经网络的网络结构参数是从图像编码器接收的。
在本发明的又一实施例中,还提供一种具有处理器可执行的非易失的程序代码的计算机可读介质,所述程序代码使所述处理器执行所述图像传输方法对应的实施例中所述的方法。
附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
本发明实施例所提供的图像传输方法、装置、电子设备及计算机可读介质的计算机程序产品,包括存储了程序代码的计算机可读存储介质,所述程序代码包括的指令可用于执行前面方法实施例中所述的方法,具体实现可参见方法实施例,在此不再赘述。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统和装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
另外,在本发明实施例的描述中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (13)
1.一种图像编码方法,其特征在于,包括:
图像编码器利用第一卷积神经网络对目标图像进行处理,得到所述目标图像的高维特征,所述第一卷积神经网络的网络结构参数为预先随机生成的;
向图像解码器发送所述高维特征;
利用所述高维特征及所述第一卷积神经网络进行图像重建,得到验证图像;
当所述验证图像与所述目标图像之间的相似度超过预设阈值时,向所述图像解码器发送所述网络结构参数。
2.根据权利要求1所述的图像编码方法,其特征在于,所述网络结构参数包括:卷积层的数量和卷积核的尺寸。
3.根据权利要求1所述的图像编码方法,其特征在于,所述利用所述高维特征及所述第一卷积神经网络进行图像重建,得到验证图像包括:
判断所述网络结构参数是否服从方差为第一预设值且均值为第二预设值的二维高斯分布;
当所述网络结构参数服从所述二维高斯分布时,利用所述高维特征及所述第一卷积神经网络进行图像重建,得到验证图像。
4.根据权利要求1至3任一所述的图像编码方法,其特征在于,所述第一卷积神经网络是由多个卷积层和一个池化层级联构成的,所述池化层位于任意两个相邻的所述卷积层之间。
5.一种图像解码方法,其特征在于,包括:
图像解码器接收图像编码器发送的高维特征;
利用所述高维特征及第二卷积神经网络进行图像重建,得到重建图像,所述第二卷积神经网络的网络结构参数是从图像编码器接收的,其中,所述图像编码器利用所述高维特征及具有所述网络结构参数的第一卷积神经网络进行图像重建,得到验证图像,且当所述验证图像与所述高维特征对应的目标图像之间的相似度超过预设阈值时,向所述图像解码器发送所述网络结构参数。
6.根据权利要求5所述的图像解码方法,其特征在于,所述方法还包括:
按照所述网络结构参数配置第二卷积神经网络。
7.根据权利要求5或6所述的图像解码方法,其特征在于,所述利用所述高维特征及第二卷积神经网络进行图像重建,得到重建图像,包括:
获取待输入至所述第二卷积神经网络的输入图像;
以目标损失函数作为所述第二卷积神经网络的损失函数,利用所述第二卷积神经网络多次训练所述输入图像,得到第一中间图像,所述目标损失函数为所述输入图像的图像特征与所述高维特征之间的向量距离;
以所述目标损失函数和约束损失函数作为第二卷积神经网络的损失函数,利用第二卷积神经网络多次训练所述第一中间图像,得到第二中间图像,所述约束损失函数为所述第一中间图像的梯度的L2范数;
以所述目标损失函数作为第二卷积神经网络的损失函数,利用第二卷积神经网络多次训练所述第二中间图像,得到重建图像。
8.一种图像编码设备,包括存储器、处理器,所述存储器中存储有可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现上述权利要求1至4任一项所述的方法的步骤。
9.一种具有处理器可执行的非易失的程序代码的计算机可读介质,其特征在于,所述程序代码使所述处理器执行所述权利要求1至4任一所述的方法。
10.一种图像解码设备,包括存储器、处理器,所述存储器中存储有可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现上述权利要求5至7任一项所述的方法的步骤。
11.一种具有处理器可执行的非易失的程序代码的计算机可读介质,其特征在于,所述程序代码使所述处理器执行所述权利要求5至7任一所述的方法。
12.一种图像传输方法,其特征在于,包括:
图像编码器利用第一卷积神经网络对目标图像进行处理,得到所述目标图像的高维特征,所述第一卷积神经网络的网络结构参数为预先随机生成的;
图像编码器向图像解码器发送所述高维特征;
图像编码器利用所述高维特征及所述第一卷积神经网络进行图像重建,得到验证图像;当所述验证图像与所述目标图像之间的相似度超过预设阈值时,图像编码器向所述图像解码器发送所述网络结构参数;
图像解码器接收图像编码器发送的高维特征;
图像解码器利用所述高维特征及第二卷积神经网络进行图像重建,得到重建图像,所述第二卷积神经网络的网络结构参数是从图像编码器接收的。
13.一种具有处理器可执行的非易失的程序代码的计算机可读介质,其特征在于,所述程序代码使所述处理器执行所述权利要求12所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711075117.6A CN108876864B (zh) | 2017-11-03 | 2017-11-03 | 图像编码、解码方法、装置、电子设备及计算机可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711075117.6A CN108876864B (zh) | 2017-11-03 | 2017-11-03 | 图像编码、解码方法、装置、电子设备及计算机可读介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108876864A CN108876864A (zh) | 2018-11-23 |
CN108876864B true CN108876864B (zh) | 2022-03-08 |
Family
ID=64325714
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711075117.6A Active CN108876864B (zh) | 2017-11-03 | 2017-11-03 | 图像编码、解码方法、装置、电子设备及计算机可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108876864B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109543822B (zh) * | 2018-11-29 | 2021-08-10 | 北京理工大学 | 一种基于卷积神经网络的一维信号数据修复方法 |
CN109933676A (zh) * | 2019-02-14 | 2019-06-25 | 深兰科技(上海)有限公司 | 一种信息库构建方法及装置 |
CN110378138A (zh) * | 2019-07-22 | 2019-10-25 | 上海鹰瞳医疗科技有限公司 | 数据加密、解密方法和神经网络训练方法及设备 |
CN110717383B (zh) * | 2019-08-29 | 2023-05-02 | 阿里巴巴集团控股有限公司 | 遥感检测方法、装置和系统 |
CN110648293B (zh) * | 2019-09-19 | 2022-06-24 | 北京百度网讯科技有限公司 | 图像修复方法、装置及电子设备 |
CN110648294B (zh) * | 2019-09-19 | 2022-08-30 | 北京百度网讯科技有限公司 | 图像修复方法、装置及电子设备 |
CN113723604B (zh) * | 2020-05-26 | 2024-03-26 | 杭州海康威视数字技术股份有限公司 | 一种神经网络训练方法、装置、电子设备及可读存储介质 |
CN112700481B (zh) * | 2020-12-23 | 2023-04-07 | 杭州群核信息技术有限公司 | 基于深度学习的纹理图自动生成方法、装置、计算机设备和存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6105015A (en) * | 1997-02-03 | 2000-08-15 | The United States Of America As Represented By The Secretary Of The Navy | Wavelet-based hybrid neurosystem for classifying a signal or an image represented by the signal in a data system |
CN105095435A (zh) * | 2015-07-23 | 2015-11-25 | 北京京东尚科信息技术有限公司 | 一种图像高维特征的相似比较方法及装置 |
CN107087201A (zh) * | 2017-05-10 | 2017-08-22 | 西安万像电子科技有限公司 | 图像处理方法和装置 |
CN107240136A (zh) * | 2017-05-25 | 2017-10-10 | 华北电力大学 | 一种基于深度学习模型的静态图像压缩方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2424117A3 (en) * | 2010-08-24 | 2013-01-02 | Her Majesty the Queen in Right of Canada, as represented by the Minister of Industry, through The Communications Research Centre Canada | Sparse data compression |
WO2017136083A1 (en) * | 2016-02-05 | 2017-08-10 | Google Inc. | Compressing images using neural networks |
-
2017
- 2017-11-03 CN CN201711075117.6A patent/CN108876864B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6105015A (en) * | 1997-02-03 | 2000-08-15 | The United States Of America As Represented By The Secretary Of The Navy | Wavelet-based hybrid neurosystem for classifying a signal or an image represented by the signal in a data system |
CN105095435A (zh) * | 2015-07-23 | 2015-11-25 | 北京京东尚科信息技术有限公司 | 一种图像高维特征的相似比较方法及装置 |
CN107087201A (zh) * | 2017-05-10 | 2017-08-22 | 西安万像电子科技有限公司 | 图像处理方法和装置 |
CN107240136A (zh) * | 2017-05-25 | 2017-10-10 | 华北电力大学 | 一种基于深度学习模型的静态图像压缩方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108876864A (zh) | 2018-11-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108876864B (zh) | 图像编码、解码方法、装置、电子设备及计算机可读介质 | |
US11520923B2 (en) | Privacy-preserving visual recognition via adversarial learning | |
Dhawan et al. | Analysis of various data security techniques of steganography: A survey | |
JP7376593B2 (ja) | 人工知能を利用した安全保障システム | |
Sun et al. | Robust high-capacity watermarking over online social network shared images | |
KR102587254B1 (ko) | Cnn과 rnn을 이용한 얼굴인식 기반 키 생성 방법 및 장치 | |
CN105471575B (zh) | 一种信息加密、解密方法及装置 | |
US11423297B2 (en) | Processing apparatus, processing method, and nonvolatile recording medium | |
WO2018212811A1 (en) | Hiding information and images via deep learning | |
US10630995B2 (en) | Video compressed sensing reconstruction method, system, electronic device, and storage medium | |
CN111898484A (zh) | 生成模型的方法、装置、可读存储介质及电子设备 | |
WO2022241307A1 (en) | Image steganography utilizing adversarial perturbations | |
CN112632564B (zh) | 一种威胁评估方法及装置 | |
Filler et al. | Steganography using Gibbs random fields | |
CN113961962A (zh) | 一种基于隐私保护的模型训练方法、系统及计算机设备 | |
CN113723604A (zh) | 一种神经网络训练方法、装置、电子设备及可读存储介质 | |
Pham et al. | 3D printing model random encryption based on geometric transformation | |
CN113906447A (zh) | 电子设备及其控制方法 | |
Tiwari et al. | Security Protection Mechanism in Cloud Computing Authorization Model Using Machine Learning Techniques | |
Fadel et al. | A Fast and Low Distortion Image Steganography Framework Based on Nature-Inspired Optimizers | |
WO2022156609A1 (zh) | 键盘加密方法、设备、存储介质及计算机程序产品 | |
Matveev et al. | From Iris Image to Embedded Code: System of Methods | |
Liu et al. | Generating Robust Adversarial Examples against Online Social Networks (OSNs) | |
CN117333347A (zh) | 基于神经风格迁移的鲁棒信息隐藏方法及相关设备 | |
Daoui et al. | AuCFSR: Authentication and Color Face Self-Recovery Using Novel 2D Hyperchaotic System and Deep Learning Models |
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 |