CN109151251A - 基于深度学习和关联成像的双密钥图像传输方法 - Google Patents
基于深度学习和关联成像的双密钥图像传输方法 Download PDFInfo
- Publication number
- CN109151251A CN109151251A CN201810933778.6A CN201810933778A CN109151251A CN 109151251 A CN109151251 A CN 109151251A CN 201810933778 A CN201810933778 A CN 201810933778A CN 109151251 A CN109151251 A CN 109151251A
- Authority
- CN
- China
- Prior art keywords
- image
- deep learning
- layer
- relevance imaging
- transmitted
- 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.)
- Pending
Links
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
- H04N1/448—Rendering the image unintelligible, e.g. scrambling
- H04N1/4486—Rendering the image unintelligible, e.g. scrambling using digital data encryption
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
- G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
- G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
- G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
Abstract
本发明涉及一种基于深度学习和关联成像的双密钥图像传输方法,输入待传输图像,经过卷积层后得到的特征图像由下采样层处理的得到紧凑的输出图像;输出图像再通过关联成像传输;再通过深度学习的反卷积网络得到恢复的图像。在关联成像传输过程中,公共通道和秘密通道共享密钥,密钥是由随机的调制信号组成的矩阵,而密文通过秘密通道进行传输,提高了传输的安全性以及信噪比。在深度学习重构过程中,卷积层和反卷积层共享权值矩阵,提高了训练过程的速率以及图像的分辨率。
Description
技术领域
本发明涉及一种图像传输技术,特别涉及一种基于深度学习和关联成像的双密钥图像传输方法。
背景技术
随着网络的飞速发展,图像数据成为多媒体数据的重要媒介之一,在我们日常生活中扮演着越来越重要的角色。但由于网络黑客的猖獗,数据传输受到威胁,因此对数据加密传输成为了一种非常必要的手段。在传统的数据加密传输技术中,存在加密级别低、传输速度慢等缺点。随着越来越多的智能服务被发明出来,人类将进入一个新的智能时代。而深度学习无疑是这股智能浪潮的前沿技术。
发明内容
本发明是针对图像数据加密级别低、传输速度慢的问题,提出了一种基于深度学习和关联成像的双密钥图像传输方法,提高图像数据传输安全性。
本发明的技术方案为:一种基于深度学习和关联成像的双密钥图像传输方法,具体包括如下步骤:
1)深度学习的卷积网络:输入待传输图像,设置卷积层过滤器矩阵,输入图像经过卷积层后得到的特征图像由下采样层处理的得到紧凑的输出图像;
2)关联成像传输:将步骤1)所得紧凑的输出图像作为关联成像中待传输的图像;随机的调制信号作为密钥对待传输的图像进行编码,并通过秘密通道传输密文的方式进行传输,得到传输图像,卷积层过滤器矩阵作为另一密钥从公共通道通过并输出;
3)深度学习的反卷积网络:将关联成像传输得到的图像作为输入图像,经过上采样层,以插值法的方法得到一个与步骤1)卷积网络得到的特征图像大小一致的图像;将此图像通过反卷积层,其中反卷积层中过滤器矩阵与卷积层中过滤器矩阵是共享的,反卷积层中过滤器矩阵为卷积层过滤器矩阵的水平翻转以及上下翻转,经过反卷积层后的图像作为恢复的图像。
所述卷积层和反卷积层均包括三层,第一层为卷积运算Conv+估计剩余图像ReLU,中间层为卷积运算Conv+批量规范化BN+估计剩余图像ReLU层,最后一层为卷积运算Conv。
本发明的有益效果在于:本发明基于深度学习和关联成像的双密钥图像传输方法,在关联成像传输过程中,公共通道和秘密通道共享密钥,密钥是由随机的调制信号组成的矩阵,而密文通过秘密通道进行传输,提高了传输的安全性以及信噪比。在深度学习重构过程中,卷积层和反卷积层共享权值矩阵,提高了训练过程的速率以及图像的分辨率。
附图说明
图1为本发明基于深度学习和关联成像的双密钥图像传输结构示意图;
图2为本发明基于深度学习和关联成像的双密钥图像传输的第一部分结构示意图;
图3为本发明基于深度学习和关联成像的双密钥图像传输的第二部分结构示意图;
图4为本发明基于深度学习和关联成像的双密钥图像传输的第三部分结构示意图。
具体实施方式
如图1所示为基于深度学习和关联成像的双密钥图像传输结构示意图,其中主要分为三个部分。第一个部分是深度学习的卷积网络(Convolution network),第二个部分是关联成像(Ghost Image),第三个部分是深度学习的反卷积网络(Deconvolutionnetwork)。接下来将详细阐述这三个部分。
如图2所示为基于深度学习和关联成像的双密钥图像传输的第一部分,即为深度学习的卷积网络部分。101为输入图像,以大小为256×256像素的图像为例;102为卷积层中的过滤器,以大小为3×3、步长为1的卷积过滤器为例;103为卷积层,第一层为Conv(卷积运算Convolution)+ReLU(估计剩余图像Residual Learning formulation),中间层为Conv+BN(批量规范化Batch Normalization)+ReLU层,最后一层为Conv,加入ReLU和BN层,其目的是在训练过程中,提高训练过程的速率以及图像的分辨率,避免训练精度随着网络深度的增加而逐渐下降。104为下采样层也称之为池化层;经过下采样之后得到紧凑的输出图像105。
如图3所示为基于深度学习和关联成像的双密钥图像传输的第二部分结构示意图。201为第一部分中输出的紧凑图像105;202为由公共通道和秘密通道组成的关联成像传输通道;203为经过关联成像方法传输过去的图像。
如图4所示为基于深度学习和关联成像的双密钥图像传输的第三部分,即为深度学习的反卷积网络部分。301为第二部分中传输过去的图像203;302为上采样层;303为反卷积层中的过滤器,与第一部分卷积层中的过滤器共享了权重;304为反卷积层,第一层为Conv+ReLU,中间层为Conv+BN+ReLU层,最后一层为Conv;305为最终恢复出来的传输图像。
具体实施过程:以尺寸大小为256×256像素的图像101作为输入图像,将大小为3×3,步长为1的矩阵作为卷积过滤器102去通过卷积层103。卷积层103共分为三大层,第一层由Conv和ReLU组成,第二层由多个Conv+BN+ReLU组成,第三层由Conv组成。经过卷积层103后得到的特征图像由下采样层(池化层)104处理的得到紧凑的输出图像105。将紧凑的图像105作为关联成像中待传输的图像201。关联成像中公共通道和秘密通道共享密钥,密钥是由随机的调制信号组成的矩阵。随机的调制信号对待传输的图像201进行编码,并通过秘密通道传输密文的方式202进行传输,得到传输图像203。(这里传输之后的解密实际上指的是第三部分深度学习的重构)。将关联成像传输得到的图像203作为输入图像301,经过上采样层302,以插值法的方法得到一个与卷积网络部分得到的特征图像大小一致的图像。将此图像通过反卷积层304,其中反卷积层中过滤器303与卷积层中过滤器102是共享的,大小为3×3,步长1,过滤器矩阵为卷积层过滤器矩阵的水平翻转以及上下翻转。经过反卷积层后的图像作为恢复的图像305。
所述使用的卷积/反卷积过滤器,通常大小为5×5或者3×3,步长为1,过滤器矩阵的值在深度学习训练过程中不断优化。以此来得到更好的特征图像。
所述使用的卷积层/反卷积层,第一层为Conv+ReLU,第二层为Conv+BN+ReLU,第三层为Conv。加入估计剩余图像(Residual Learning formulation,ReLU)和批量规范化(Batch Normalization,BN),其目的是在训练过程中,提高训练过程的速率以及图像的分辨率,避免训练精度随着网络深度的增加而逐渐下降。
所述使用的关联成像传输方式,在公共通道共享以随机的调制信号作为的密钥,在秘密通道传输密文,提高了传输的安全性。
所述使用的卷积/反卷积过滤器矩阵的值是共享的,反卷积过滤器矩阵的值由卷积层过滤器矩阵水平翻转和上下翻转得到。将过滤器矩阵的值作为图像传输中的密钥,在训练中不断优化,进一步提高了安全性。
所述提到的双密钥分别为:关联成像传输中的随机调制信号和卷积/反卷积中的过滤器矩阵的值。
Claims (2)
1.一种基于深度学习和关联成像的双密钥图像传输方法,其特征在于,具体包括如下步骤:
1)深度学习的卷积网络:输入待传输图像,设置卷积层过滤器矩阵,输入图像经过卷积层后得到的特征图像由下采样层处理的得到紧凑的输出图像;
2)关联成像传输:将步骤1)所得紧凑的输出图像作为关联成像中待传输的图像;随机的调制信号作为密钥对待传输的图像进行编码,并通过秘密通道传输密文的方式进行传输,得到传输图像,卷积层过滤器矩阵作为另一密钥从公共通道通过并输出;
3)深度学习的反卷积网络:将关联成像传输得到的图像作为输入图像,经过上采样层,以插值法的方法得到一个与步骤1)卷积网络得到的特征图像大小一致的图像;将此图像通过反卷积层,其中反卷积层中过滤器矩阵与卷积层中过滤器矩阵是共享的,反卷积层中过滤器矩阵为卷积层过滤器矩阵的水平翻转以及上下翻转,经过反卷积层后的图像作为恢复的图像。
2.根据权利要求1所述基于深度学习和关联成像的双密钥图像传输方法,其特征在于,所述卷积层和反卷积层均包括三层,第一层为卷积运算Conv+估计剩余图像ReLU,中间层为卷积运算Conv+批量规范化BN+估计剩余图像ReLU层,最后一层为卷积运算Conv。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810933778.6A CN109151251A (zh) | 2018-08-16 | 2018-08-16 | 基于深度学习和关联成像的双密钥图像传输方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810933778.6A CN109151251A (zh) | 2018-08-16 | 2018-08-16 | 基于深度学习和关联成像的双密钥图像传输方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109151251A true CN109151251A (zh) | 2019-01-04 |
Family
ID=64789655
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810933778.6A Pending CN109151251A (zh) | 2018-08-16 | 2018-08-16 | 基于深度学习和关联成像的双密钥图像传输方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109151251A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103428399A (zh) * | 2012-06-29 | 2013-12-04 | 上海理工大学 | 基于压缩感知原理的关联成像光学加密方法 |
CN103973433A (zh) * | 2013-01-31 | 2014-08-06 | 中国科学院空间科学与应用研究中心 | 一种基于计算关联成像的网络密钥分发方法及系统 |
CN106097269A (zh) * | 2016-06-11 | 2016-11-09 | 华南理工大学 | 基于计算鬼成像的高分辨率微视觉系统及获取图像的方法 |
US20170046839A1 (en) * | 2015-08-14 | 2017-02-16 | Elucid Bioimaging Inc. | Systems and methods for analyzing pathologies utilizing quantitative imaging |
-
2018
- 2018-08-16 CN CN201810933778.6A patent/CN109151251A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103428399A (zh) * | 2012-06-29 | 2013-12-04 | 上海理工大学 | 基于压缩感知原理的关联成像光学加密方法 |
CN103973433A (zh) * | 2013-01-31 | 2014-08-06 | 中国科学院空间科学与应用研究中心 | 一种基于计算关联成像的网络密钥分发方法及系统 |
US20170046839A1 (en) * | 2015-08-14 | 2017-02-16 | Elucid Bioimaging Inc. | Systems and methods for analyzing pathologies utilizing quantitative imaging |
CN106097269A (zh) * | 2016-06-11 | 2016-11-09 | 华南理工大学 | 基于计算鬼成像的高分辨率微视觉系统及获取图像的方法 |
Non-Patent Citations (2)
Title |
---|
LEIHONG Z, ZILAN P, LUYING W, ET AL.: "High-performance compression and double cryptography based on compressive ghost imaging with the fast Fourier transform", 《OPTICS AND LASERS IN ENGINEERING》 * |
LYU M, WANG W, WANG H, ET AL: "Deep-learning-based ghost imaging", 《SCIENTIFIC REPORTS》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2018170393A2 (en) | Frame interpolation via adaptive convolution and adaptive separable convolution | |
CN106709854A (zh) | 基于猫脸变换和混沌的图像信息融合加密方法 | |
CN112217825B (zh) | 基于分辨率自适应网络的非对称加密系统攻击方法 | |
GNDU RC | State-of-the-art Review on Steganographic Techniques | |
CN113240129A (zh) | 一种面向多类型任务图像分析的联邦学习系统 | |
CN110136045B (zh) | 一种基于两图像互置乱隐藏及恢复的方法 | |
CN104143174A (zh) | 基于Tangram算法和2维双尺度矩形映射的图像伪装及重构方法 | |
CN115766159A (zh) | 隐私数据处理方法、装置及电子设备 | |
WO2022241307A1 (en) | Image steganography utilizing adversarial perturbations | |
CN109151251A (zh) | 基于深度学习和关联成像的双密钥图像传输方法 | |
US20230376614A1 (en) | Method for decoding and encoding network steganography utilizing enhanced attention mechanism and loss function | |
CN110335218B (zh) | 基于冗余余数系统的保密图像恢复方法 | |
CN105023232A (zh) | 在载体图像中嵌入净荷的方法及净荷重建、传输方法 | |
CN116456037A (zh) | 一种基于扩散模型的生成式图像隐写方法 | |
CN111179146A (zh) | 一种基于卫星通信的气象海洋资料加密系统 | |
CN108711130B (zh) | 基于压缩感知噪声重构的图像水印系统与方法 | |
Xintao et al. | Hide the image in fc-densenets to another image | |
Van Chien et al. | Image restoration under semantic communications | |
CN105279728A (zh) | 基于秘密信息加密预处理的智能移动终端图像隐写方法 | |
Chang et al. | Distortion‐free secret image sharing method with two meaningful shadows | |
CN114222123A (zh) | 一种任意压缩率的加密图像有损压缩与重构系统及方法 | |
Wang et al. | A novel (n, n) secret image sharing scheme based on Sudoku | |
Wang et al. | High visual quality image steganography based on encoder-decoder model | |
Park et al. | Integrity verification of secret information in image steganography | |
Zou et al. | A meaningful image encryption algorithm based on prediction error and wavelet transform |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190104 |