CN111800251A - 基于混沌源的图像压缩感知加密、解密方法、装置及系统 - Google Patents

基于混沌源的图像压缩感知加密、解密方法、装置及系统 Download PDF

Info

Publication number
CN111800251A
CN111800251A CN202010437289.9A CN202010437289A CN111800251A CN 111800251 A CN111800251 A CN 111800251A CN 202010437289 A CN202010437289 A CN 202010437289A CN 111800251 A CN111800251 A CN 111800251A
Authority
CN
China
Prior art keywords
image
chaotic
encryption
seed
encrypted
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
CN202010437289.9A
Other languages
English (en)
Other versions
CN111800251B (zh
Inventor
李丽香
陈怡馨
彭海朋
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.)
Beijing University of Posts and Telecommunications
Original Assignee
Beijing University of Posts and Telecommunications
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 Beijing University of Posts and Telecommunications filed Critical Beijing University of Posts and Telecommunications
Priority to CN202010437289.9A priority Critical patent/CN111800251B/zh
Publication of CN111800251A publication Critical patent/CN111800251A/zh
Application granted granted Critical
Publication of CN111800251B publication Critical patent/CN111800251B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • H04L63/00—Network architectures or network communication protocols for network security
    • H04L63/04—Network architectures or network communication protocols for network security for providing a confidential data exchange among entities communicating through data packet networks
    • H04L63/0428—Network architectures or network communication protocols for network security for providing a confidential data exchange among entities communicating through data packet networks wherein the data content is protected, e.g. by encrypting or encapsulating the payload
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L69/00—Network arrangements, protocols or services independent of the application payload and not provided for in the other groups of this subclass
    • H04L69/04—Protocols for data compression, e.g. ROHC
    • 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
    • H04L9/0816—Key establishment, i.e. cryptographic processes or cryptographic protocols whereby a shared secret becomes available to two or more parties, for subsequent use
    • H04L9/0819—Key transport or distribution, i.e. key establishment techniques where one party creates or otherwise obtains a secret value, and securely transfers it to the other(s)

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Security & Cryptography (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Computer Hardware Design (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Compression Of Band Width Or Redundancy In Fax (AREA)

Abstract

本发明实施例提供了一种基于混沌源的图像压缩感知加密、解密方法、装置及系统，获取待传输图像以及随机生成的混沌种子包；对待传输图像进行预设填充、分块和重新排列处理，得到重组图像；基于第一混沌种子，生成测量矩阵，并采用测量矩阵分别与每个列分量进行半张量运算，得到第一加密列分量；基于第二混沌种子，生成掩码矩阵，并根据掩码矩阵分别对每一第一加密列分量进行掩码覆盖加密，得到第二加密列分量；基于第三混沌种子，生成置乱序列，并根据置乱序列分别对每一第二加密列分量进行置乱，得到第三加密列分量；依次拼接第三加密列分量，得到加密图像。能够降低内存开销、提高加密安全性。

Description

基于混沌源的图像压缩感知加密、解密方法、装置及系统
技术领域
本发明涉及图像压缩感知技术领域，特别是涉及一种基于混沌源的图像压缩感知加密、解密方法、装置及系统。
背景技术
压缩感知作为诸多机器学习算法中的一种，被称为信号处理领域进入21世纪以来取得的最耀眼的成果之一，被广泛应用于信号加密、图像处理、网络通讯、医疗信息化、航天工程等诸多领域。压缩感知不仅是一种数据压缩技术，它在压缩的同时还能对数据进行加密，符合物联网中对数据需要压缩和加密的要求，而且只需要一步就能完成压缩和加密。
近年来出现了大量的压缩感知信号重构方法，这些方法大都利用原始信号的某种结构稀疏性作为先验，然后迭代求解稀疏正则化优化问题。且在求解过程中使用测量矩阵作为密钥，因此发送端需要将规模庞大的测量矩阵发送到接收端。而物联网用户往往没有足够的空间对这些庞大的矩阵进行实时存储和运算。
此外，现有的图像压缩感知传输方案的安全性也不高，如果测量矩阵被截获，则很可能被攻击者破译。
可见，在物联网领域，亟需一种低内存开销、且安全性高的图像压缩感知传输方案。
发明内容
本发明实施例的目的在于提供一种基于混沌源的图像压缩感知加密、解密方法、装置及系统，以实现降低内存开销、提高加密安全性。具体技术方案如下：
为实现上述目的，本发明实施例提供了一种基于混沌源的图像压缩感知加密方法，所述方法包括：
获取待传输图像以及随机生成的混沌种子包；所述混沌种子包包括第一混沌种子、第二混沌种子和第三混沌种子；
根据图像的分块压缩感知算法，对所述待传输图像进行预设填充、分块和重新排列处理，得到重组图像，所述重组图像中包含N个列分量，N为正整数；
基于所述第一混沌种子，生成测量矩阵，并采用所述测量矩阵分别与每个列分量进行半张量运算，得到N个第一加密列分量；
基于所述第二混沌种子，生成掩码矩阵，并根据所述掩码矩阵分别对每一第一加密列分量进行掩码覆盖加密，得到N个第二加密列分量；
基于所述第三混沌种子，生成置乱序列，并根据所述置乱序列分别对每一第二加密列分量进行置乱，得到N个第三加密列分量；
依次拼接所述N个第三加密列分量，得到加密图像。
可选的，所述采用所述测量矩阵分别与每个列分量进行半张量运算，得到N个第一加密列分量的步骤，包括：
基于如下公式计算第一加密列分量：
Figure BDA0002502761820000021
其中，xi表示第i个列分量，yi表示第i个第一加密列分量，Φ1表示测量矩阵，
Figure BDA0002502761820000022
表示半张量运算。
可选的，所述根据所述掩码矩阵分别对每一第一加密列分量进行掩码覆盖加密，得到N个第二加密列分量的步骤，包括：
基于如下公式计算第二加密列分量：
Figure BDA0002502761820000023
其中，yi′表示第i个第二加密列分量，α表示第一预设系数，β表示第二预设系数，Φ2表示掩码矩阵。
为实现上述目的，本发明实施例还提供了一种基于混沌源的图像压缩感知解密方法，所述方法包括：
获取网络初始化种子，并基于所述网络初始化种子对图像解密网络进行参数初始化；
获取加密图像和混沌种子包，将所述加密图像和所述混沌种子包输入参数初始化后的图像解密网络，得到解密图像，所述图像解密网络是根据训练集预先训练的，所述训练集包括：多个样本图像、多个样本加密图像和多组样本混沌种子包，所述样本加密图像是基于所述样本混沌种子包对所述样本图像进行半张量压缩加密、掩码覆盖加密和置乱加密后得到的。
可选的，按照如下步骤训练所述图像解密网络：
获取预设的深度神经网络和预设训练集；
将所述样本加密图像输入所述深度神经网络，得到输出图像；
基于所述输出图像以及所述样本图像，以及预先设定的损失函数，确定损失值；
基于所述损失值判断所述深度神经网络是否收敛；
若否，则调整所述深度神经网络中的参数值，并返回所述将所述样本加密图像输入所述深度神经网络，得到输出图像的步骤；
若是，则将当前的深度神经网络确定为图像解密网络。
可选的，所述图像解密网络的学习参数集
Figure BDA0002502761820000031
为：
Figure BDA0002502761820000032
所述损失函数为：
Figure BDA0002502761820000033
Figure BDA0002502761820000034
其中，
Figure BDA0002502761820000041
表示可学习的参数集，p表示周期索引，ρ表示步长，C(·)表示非线性变换函数，
Figure BDA0002502761820000042
表示C(·)的左逆，Np表示总周期数，
Figure BDA0002502761820000043
表示总损失，
Figure BDA0002502761820000044
表示第一损失，
Figure BDA0002502761820000045
表示第二损失，N表示分块数目，B表示预设分块的边长数目，k表示列向量的标号，x表示恢复的解密列向量。
为实现上述目的，本发明实施例提供了一种基于混沌源的图像压缩感知加密、解密系统，所述系统包括发送端和接收端；
所述发送端用于：
获取待传输图像以及随机生成的混沌种子包；所述混沌种子包包括第一混沌种子、第二混沌种子和第三混沌种子；
根据图像的分块压缩感知算法，对所述待传输图像进行预设填充、分块和重新排列处理，得到重组图像，所述重组图像中包含N个列分量，N为正整数；
基于所述第一混沌种子，生成测量矩阵，并采用所述测量矩阵分别与每个列分量进行半张量运算，得到N个第一加密列分量；
基于所述第二混沌种子，生成掩码矩阵，并根据所述掩码矩阵分别对每一第一加密列分量进行掩码覆盖加密，得到N个第二加密列分量；
基于所述第三混沌种子，生成置乱序列，并根据所述置乱序列分别对每一第二加密列分量进行置乱，得到N个第三加密列分量；
依次拼接所述N个第三加密列分量，得到加密图像；
所述接收端用于：
获取网络初始化种子，并基于所述网络初始化种子对图像解密网络进行参数初始化；
获取加密图像和混沌种子包，将所述加密图像和所述混沌种子包输入参数初始化后的图像解密网络，得到解密图像，所述图像解密网络是根据训练集预先训练的，所述训练集包括：多个样本图像、多个样本加密图像和多组样本混沌种子包，所述样本加密图像是基于所述样本混沌种子包对所述样本图像进行半张量压缩加密、掩码覆盖加密和置乱加密后得到的。
为实现上述目的，本发明实施例提供了一种基于混沌源的图像压缩感知加密装置，所述装置包括：
第一获取模块，用于获取待传输图像以及随机生成的混沌种子包；所述混沌种子包包括第一混沌种子、第二混沌种子和第三混沌种子；
重组模块，用于根据图像的分块压缩感知算法，对所述待传输图像进行预设填充、分块和重新排列处理，得到重组图像，所述重组图像中包含N个列分量，N为正整数；
运算模块，用于基于所述第一混沌种子，生成测量矩阵，并采用所述测量矩阵分别与每个列分量进行半张量运算，得到N个第一加密列分量；
掩码加密模块，用于基于所述第二混沌种子，生成掩码矩阵，并根据所述掩码矩阵分别对每一第一加密列分量进行掩码覆盖加密，得到N个第二加密列分量；
置乱模块，用于基于所述第三混沌种子，生成置乱序列，并根据所述置乱序列分别对每一第二加密列分量进行置乱，得到N个第三加密列分量；
拼接模块，用于依次拼接所述N个第三加密列分量，得到加密图像。
为实现上述目的，本发明实施例提供了一种基于混沌源的图像压缩感知解密装置，所述装置包括：
第二获取模块，用于获取网络初始化种子，并基于所述网络初始化种子对图像解密网络进行参数初始化；
解密模块，用于获取加密图像和混沌种子包，将所述加密图像和所述混沌种子包输入参数初始化后的图像解密网络，得到解密图像，所述图像解密网络是根据训练集预先训练的，所述训练集包括：多个样本图像、多个样本加密图像和多组样本混沌种子包，所述样本加密图像是基于所述样本混沌种子包对所述样本图像进行半张量压缩加密、掩码覆盖加密和置乱加密后得到的。
为实现上述目的，本发明实施例提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现上述任一方法步骤。
本发明实施例有益效果：
应用本发明实施例提供的基于混沌源的图像压缩感知加密、解密方法、装置及系统，获取待传输图像以及随机生成的混沌种子包；混沌种子包包括第一混沌种子、第二混沌种子和第三混沌种子；根据图像的分块压缩感知算法，对待传输图像进行预设填充、分块和重新排列处理，得到重组图像，重组图像中包含N个列分量；基于第一混沌种子，生成测量矩阵，并采用测量矩阵分别与每个列分量进行半张量运算，得到N个第一加密列分量；基于第二混沌种子，生成掩码矩阵，并根据掩码矩阵分别对每一第一加密列分量进行掩码覆盖加密，得到N个第二加密列分量；基于第三混沌种子，生成置乱序列，并根据置乱序列分别对每一第二加密列分量进行置乱，得到N个第三加密列分量；依次拼接N个第三加密列分量，得到加密图像。可见，将半张量运算引入压缩感知加密中，突破了传统压缩感知中测量矩阵的维数匹配限制，从而大大降低了测量矩阵的尺寸大小。且采用混沌种子作为密钥，根据混沌种子生成的矩阵进行压缩加密、掩码加密及置乱加密，进而只需将混沌种子作为密钥传输至接收端，相比于传统的压缩感知加密技术，大大降低了接收端针对密钥的内存开销。此外，由于混沌系统具有初值和参数敏感性，因此，即使其他恶意设备截获了部分加密信息和混沌种子信息，也无法对原始图像进行恢复，因而能够保证图像加密的安全性。
当然，实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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，下面描述中的附图仅仅是本发明的一些实施例，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基于混沌源的图像压缩感知加密方法的一种流程示意图；
图2为本发明实施例提供的对待传输图像进行预处理的一种示意图；
图3为本发明实施例提供的掩码覆盖加密的一种示意图；
图4为本发明实施例提供的基于混沌源的图像压缩感知解密方法的一种流程示意图；
图5为本发明实施例提供的基于混沌源的图像压缩感知解密方法的一种示意图；
图6为本发明实施例提供的训练图像解密网络的一种流程示意图；
图7为本发明实施例提供的基于混沌源的图像压缩感知加密及解密方法的一种示意图；
图8为本发明实施例提供的基于混沌源的图像压缩感知加密装置的一种结构示意图；
图9为本发明实施例提供的基于混沌源的图像压缩感知解密装置的一种结构示意图；
图10为本发明实施例提供的应用于发送端的电子设备的一种结构示意图；
图11为本发明实施例提供的应用于接收端的电子设备的一种结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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。
为了解决现有的图像压缩感知传输方案中内存开销较大和安全性不高的技术问题，本发明实施例提供了一种基于混沌源的图像压缩感知加密方法。
参见图1，图1为本发明实施例提供的基于混沌源的图像压缩感知加密方法的一种流程示意图，包括以下步骤：
S101：获取待传输图像以及随机生成的混沌种子包，混沌种子包包括第一混沌种子、第二混沌种子和第三混沌种子。
本发明实施例中，发送端可以获取待传输图像，并对待传输图像进行加密，进而将加密后的图像发送至接收端。
为了对待传输图像进行加密，可以随机生成混沌种子包，本发明实施例中，混沌种子包可以包含第一混沌种子、第二混沌种子和第三混沌种子，分别用于生成不同的用于加密的数据，具体参见下文。其中，混沌种子是混沌系统的输入参数，混沌系统可以根据混沌种子生成特定的数据。
S102：根据图像的分块压缩感知算法，对待传输图像进行预设填充、分块和重新排列处理，得到重组图像，重组图像中包含N个列分量，N为正整数。
本发明实施例中，可以先根据图像的分块压缩感知算法，对图像进行预处理，便于后续的加密处理。
具体的，对传输图像进行预设填充、分块和重新排列处理的步骤可以参见图2，图2为本发明实施例提供的对待传输图像进行预处理的一种示意图。
如图2所示，X为待处理图像，每个小方格代表一个像素，尺寸大小为H×L，每个小分块的尺寸大小为B×B。为了能够将待处理图像X划分成多个完整的小分块，可以先对待处理图像X进行填充，填充的像素点的灰度值可以为预设的。例如，用0作为填充的灰度值数据。
图2所示实施例中，填充后图像为Xpad，尺寸大小为H′×L′。进而可以将填充后图像Xpad依次划分为N个小分块，再将每个小分块展开成行，再经过依次拼接和转置得到预处理后的图像，记为重组图像XBCS，其尺寸大小为B2×N，即包含N个列分量，每个列分量包含B2个像素点。
经过上述预处理后，可以针对每个列分量进行并行的加密处理，极大提高了加密的效率。
S103：基于第一混沌种子，生成测量矩阵，并采用测量矩阵分别与每个列分量进行半张量运算，得到N个第一加密列分量。
本发明实施例中，将半张量运算引入压缩感知技术中，以突破传统压缩感知技术中测量矩阵的维数匹配限制。半张量运算是一种新型的矩阵乘积运算，半张量运算中，第一个矩阵的行数无需与第二个矩阵的列数相同。
具体的，可以预先设置采样率和半张量参数。其中，采样率表示从连续信号中提取并组成离散信号的采样个数占信号总数的比率，半张量参数可以表示测量矩阵的行数和列数在压缩感知中被缩减的倍数。
举例来讲，当采样率为50％，小分块大小尺寸为33×33时，传统的压缩感知技术中，测量矩阵的行数需要
Figure BDA0002502761820000091
Figure BDA0002502761820000092
表示向上取整符号，列数需要33×33＝1089，是一个很庞大的矩阵。而在本发明实施例中，由于引入了半张量运算，测量矩阵的列数不用与每个列分量的行数相等。具体的，当半张量参数设为3时，测量矩阵的行数仅需要
Figure BDA0002502761820000093
测量矩阵的行数仅需要
Figure BDA0002502761820000094
当半张量参数为9时，测量矩阵的行数仅需要
Figure BDA0002502761820000095
列数仅需要
Figure BDA0002502761820000096
可见，相比于传统的压缩感知技术，引入半张量运算可以实现测量矩阵的显著降维。
在本发明实施例中，根据预先设置的采样率以及半张量参数可以确定测量矩阵的尺寸大小。而测量矩阵中的元素值可以根据混沌种子确定。具体的，发送端可以调用混沌系统，根据第一混沌种子生成相对应的数值，作为测量矩阵中的元素值，进而确定测量矩阵。
随后，可以采用测量矩阵分别与每个列分量进行半张量运算，得到对应的第一加密列分量。
在本发明的一种实施例中，可以基于如下公式计算第一加密列分量：
Figure BDA0002502761820000097
其中，
Figure BDA0002502761820000098
表示半张量运算，xi表示第i个列分量，Φ1表示测量矩阵，yi表示第i个第一加密列分量。
经过半张量运算后，每个列分量均被压缩，设压缩比为r，0<r<1，则半张量运算得到的每个第一加密列分量的行数为r×B2。
S104：基于第二混沌种子，生成掩码矩阵，并根据掩码矩阵分别对每一第一加密列分量进行掩码覆盖加密，得到N个第二加密列分量。
本发明实施例中，为了进一步提高加密效果，可以在半张量运算的加密基础上进行掩码覆盖加密。具体的，发送端可以调用混沌系统，根据第二混沌种子生成掩码矩阵，并分别对每一第一加密列分量进行掩码覆盖加密，得到对应的第二加密列分量。
在本发明的一种实施例中，掩码覆盖加密过程可以参见图3，图3为本发明实施例提供的掩码覆盖加密的一种示意图，xi表示第i个列分量，Φ1表示测量矩阵，yi′表示第i个第二加密列分量，α表示第一预设系数，β表示第二预设系数，Φ2表示掩码矩阵。相应的，可以用如下公式表示掩码覆盖加密，计算第二加密列分量：
Figure BDA0002502761820000101
S105：基于第三混沌种子，生成置乱序列，并根据置乱序列分别对每一第二加密列分量进行置乱，得到N个第三加密列分量。
本发明实施例中，为了进一步提高加密效果，可以在第二加密列分量的基础上，进行混沌置乱加密。具体的，发送端可以调用混沌系统，根据第三混沌种子生成置乱序列，并根据置乱序列对每一第二加密列分量进行置乱，得到对应的第三加密列分量。
其中，置乱加密过程可以理解为将像素点按照一定规则重新排列。
作为一个示例，设置乱序列为u，可以以升序方式重新排列u得到v，则序列v中每个元素出现在原始置乱序列u中的位置可以作为索引序列Ω。即对于v(j)＝u(i)，对应索引为Ω(j)＝i，其中i，j是正整数，而且1≤i,j≤r×B2，r为压缩比。则发送端可以根据索引序列Ω，分别对每个第二加密列分量yi′进行置乱，公式表示如下：
yi”(k)＝yi'(Ω(k))
其中，yi”表示第i个第三加密列分量，k表示索引。
S106：依次拼接N个第三加密列分量，得到加密图像。
本发明实施例中，在置乱完成后，发送端可以将N个第三加密列分量依次拼接成矩阵形式，即可得到加密图像。
应用本发明实施例提供的基于混沌源的图像压缩感知加密方法，获取待传输图像以及随机生成的混沌种子包；混沌种子包包括第一混沌种子、第二混沌种子和第三混沌种子；根据图像的分块压缩感知算法，对待传输图像进行预设填充、分块和重新排列处理，得到重组图像，重组图像中包含N个列分量；基于第一混沌种子，生成测量矩阵，并采用测量矩阵分别与每个列分量进行半张量运算，得到N个第一加密列分量；基于第二混沌种子，生成掩码矩阵，并根据掩码矩阵分别对每一第一加密列分量进行掩码覆盖加密，得到N个第二加密列分量；基于第三混沌种子，生成置乱序列，并根据置乱序列分别对每一第二加密列分量进行置乱，得到N个第三加密列分量；依次拼接N个第三加密列分量，得到加密图像。可见，将半张量运算引入压缩感知加密中，突破了传统压缩感知中测量矩阵的维数匹配限制，从而大大降低了测量矩阵的尺寸大小。且采用混沌种子作为密钥，根据混沌种子生成的矩阵进行压缩加密、掩码加密及置乱加密，进而只需将混沌种子作为密钥传输至接收端，相比于传统的压缩感知加密技术，大大降低了接收端针对密钥的内存开销。此外，由于混沌系统具有初值和参数敏感性，因此，即使其他恶意设备截获了部分加密信息和混沌种子信息，也无法对原始图像进行恢复，因而能够保证图像加密的安全性。
本发明实施例还提供了一种基于混沌源的图像压缩感知解密方法，参见图4，方法可以包括以下步骤：
S401：获取网络初始化种子，并基于网络初始化种子对图像解密网络进行参数初始化。
本发明实施例中，图像解密可以在接收端进行。接收端可以从云端服务器申请获取网络初始化种子，该网络初始化种子是网络训练过程中确定的，用于对网络中参数进行初始化。
S402：获取加密图像和混沌种子包，将加密图像和混沌种子包输入参数初始化后的图像解密网络，得到解密图像，图像解密网络是根据训练集预先训练的，训练集包括：多个样本图像、多个样本加密图像和多组样本混沌种子包，样本加密图像是基于样本混沌种子包对样本图像进行半张量压缩加密、掩码覆盖加密和置乱加密后得到的。
本发明实施例中，接收端可以获取发送端发送的加密图像和混沌种子包，将加密图像和混沌种子包输入图像解密网络，由于图像解密网络是根据训练集训练完成的，因此可以输出解密图像。
传统的图像压缩感知解密重构方法，大都利用原始数据的某种结构稀疏性作为先验，然后迭代求解稀疏正则化优化问题。然而，这些基于迭代方法的传统压缩感知方法的计算复杂度很高，因此接收端的解密过程速度较慢。
相比于传统的图像压缩感知解密方法，本发明实施例采用预先训练的深度神经网络对加密图像进行解密，极大地提高了解密速率，且不需要接收大量的矩阵作为密钥，只需将混沌种子和待解密图像输入图像解密网络即可完成快速、高质量的解密。
实际上，本发明实施例提供的基于混沌源的图像压缩感知解密方法，是一种用服务器端的训练时间换取发送端和接收端反应时间的方法。由于服务器的存储空间充足且运算性能高，且训练过程不受时间、地点的限制。因此只需要预先在大容量、高性能的服务器上完成学习训练过程，即可保证物联网系统中发送端和接收端的低采样开销的压缩感知加密和高质量且快速的解密重建。
下面对本发明实施例中图像解密网络的设计思路以及图像解密网络的训练过程进行介绍。
根据图像分块压缩感知理论，加密图像矩阵Y的各个列分量都可以被并行处理。
具体的，参见图5，图5为本发明实施例提供的基于混沌源的图像压缩感知解密方法的一种示意图。yk是加密图像矩阵Y的第k个列分量。在图像解密网络中，可以先用三个全连接层实现混沌置乱逆过程、去掩码过程和初始解密结果
Figure BDA0002502761820000121
的计算过程。逆置乱层的权重可以使用第三混沌种子生成，偏置值可以全部设置为0。去掩码层的权重可以全部设置为第一预设系数α的倒数，偏置项的值由接收端使用第二混沌种子和第二预设系数β生成。初始重建层的权重可以由获取的网络初始化种子生成，偏置值可以全部设置为0。经过混沌置乱逆过程、去掩码过程和初始解密过程，可以得到密文图像的初始重建值
Figure BDA0002502761820000131
接下来，可以使用一种可学习的迭代阈值收缩方法来构建后续解密网络。
传统的迭代阈值收缩算法是一种一阶近似法，可被用于许多大型的线性可逆问题的求解。传统方法通过如下公式所示的迭代步骤来计算压缩感知的信号重构结果：
Figure BDA0002502761820000135
Figure BDA0002502761820000132
其中，t表示迭代次数，ρ表示步长，Φ表示测量矩阵，x表示重建图像矩阵，y表示加密图像矩阵，Ψ表示稀疏化矩阵，rt表示t次迭代的解密结果，λ表示正则化参数。
本发明实施例中，用周期结构的深度卷积神经网络来替代传统迭代阈值收缩方法中的迭代过程。每一个周期对应传统方法中的一次迭代，用一个具有可学习参数的一般非线性变换函数C(·)来代替传统的稀疏化矩阵，则图像压缩感知解密问题可以表示为：
Figure BDA0002502761820000133
其中，C(·)表示非线性变换函数。
令步长ρ为可学习的参数，则网络中的迭代步骤可以表示为：
Figure BDA0002502761820000136
Figure BDA0002502761820000134
其中，p代表周期索引，rp是xp在第p个周期的直接解密结果。
基于图像逆问题的一般假设，(xp-rp)的每个元素都服从独立的正态分布，其共同的均值为0，方差为σ2。另外，可以作如下近似：
Figure BDA0002502761820000141
ε是一个只与
Figure BDA0002502761820000142
的参数相关的标量。将λ与α合并为一个参数θ，即θ＝λα，从而得到：
Figure BDA0002502761820000143
可以进一步得到
Figure BDA0002502761820000144
的封闭表示：
C(xp)＝soft(C(rp),θ)
其中，soft表示软阈值函数，为了求解xp，我们进一步引入
Figure BDA0002502761820000145
的左逆
Figure BDA0002502761820000146
Figure BDA0002502761820000147
I为单位算子。于是就能得到xp的封闭求解：
Figure BDA0002502761820000148
本发明实施例中，可以使
Figure BDA0002502761820000149
和θ都成为可被学习的参数，加上前面提到的步长ρ，可学习的网络参数可以包含：
Figure BDA00025027618200001410
相应的，xp将被求解如下:
Figure BDA00025027618200001411
参见图5，本发明实施例中，在所设计的图像解密网络中，可以将
Figure BDA00025027618200001412
设计为由线性整流函数(Rectified Linear Unit，ReLU)单元分隔开的两个连续的卷积，作为一个示例，
Figure BDA00025027618200001413
中的第一个卷积层由32个滤波器组成，每个滤波器的大小都是3×3，
Figure BDA00025027618200001414
中的第二个卷积层由另外一组32个滤波器组成，每个滤波器的大小为3×3×32。
相似地，
Figure BDA0002502761820000151
可以被设计为
Figure BDA0002502761820000152
的对称结构，因此它也是由ReLU单元分隔开的两个连续无偏置卷积层。
Figure BDA0002502761820000153
和
Figure BDA0002502761820000154
都是可学习的。
图5所示的rk为第k周期的解密列向量。图中的周期计数器被设计来执行周期累加和判断过程，当周期的计数达到我们设定的数值时，可得到最终的各个解密列向量xk。此外，网络可自动对经过并行解密后的各个解密列分量进行拼接得到X′BCS，然后执行预处理的逆过程，得到最终解密图像X′。
基于上述分析，本发明实施例提供的图像解密网络中，可学习参数集
Figure BDA00025027618200001514
和损失函数被设计如下：
学习参数集
Figure BDA0002502761820000155
为：
Figure BDA0002502761820000156
所述损失函数为：
Figure BDA0002502761820000157
Figure BDA0002502761820000158
其中，
Figure BDA0002502761820000159
表示可学习的参数集，p表示周期索引，ρ表示步长，C(·)表示非线性变换函数，
Figure BDA00025027618200001510
表示C(·)的左逆，Np表示总周期数，
Figure BDA00025027618200001511
表示总损失，
Figure BDA00025027618200001512
表示第一损失，
Figure BDA00025027618200001513
表示第二损失，N表示分块数目，B表示预设分块的边长数目，k表示列向量的标号，x表示恢复的解密列向量。
在本发明的一种实施例中，参加图6，可以按照如下步骤训练图像解密网络：
S601：获取预设的深度神经网络和预设训练集。
其中，预设的深度神经网络的设计结构可以参见5及相关描述，预设的训练集可以包括多个样本图像、多个样本加密图像和多组样本混沌种子包，其中样本加密图像是基于样本混沌种子包对样本图像进行半张量压缩加密、掩码覆盖加密和置乱加密后得到的。
S602：将样本加密图像输入深度神经网络，得到输出图像。
在训练阶段，可以分批次的将样本加密图像输入深度神经网络，得到输出图像。
S603：基于输出图像以及样本图像，以及预先设定的损失函数，确定损失值。
在刚开始训练时，深度神经网络的输出图像可能与样本图像存在较大差别，可以基于输出图像、样本图像以及上述设定的损失函数，计算损失值。
S604：基于损失值判断深度神经网络是否收敛；若未收敛，则执行S605；若收敛，则执行S606。
具体的，可以预设一个损失阈值，若损失值小于该损失阈值，则认为深度神经网络已收敛，反之则深度神经网络未收敛。损失阈值可以根据实际需求进行设定，对此不做限定。
S605：调整深度神经网络中的参数值，并返回步骤S602。
若未收敛，则可以调整深度神经网络的学习参数集
Figure BDA0002502761820000162
中的参数值，返回步骤S602，即进入下一轮训练。具体的，可以根据最大梯度下降法等方法调整深度神经网络中的参数值。
S606：将当前的深度神经网络确定为图像解密网络。
若收敛，则图像解密网络训练完成。
此外，可以通过求解最小二乘问题来确定网络初始化种子，即：
Figure BDA0002502761820000161
其中，S0表示网络初始化种子，Y表示加密图像矩阵，X表示解密图像矩阵，即X＝[x1,...,xN]，Y＝[y1,...,yN]，Y可以通过由混沌种子生成的测量矩阵对xi进行基于块的半张量压缩感知得到。
为了便于理解，下面结合图7对本发明实施例提供的基于混沌源的图像压缩感知加密、解密方法进行进一步介绍。
参见图7，发送端对待传输图像X进行预处理，得到重组图像XBCS，基于混沌种子生成的数据对重组图像中的各个列分量进行并行加密处理，包括半张量压缩、掩码覆盖加密和置乱加密，再依次拼接加密列分量，得到加密图像Y。将加密图像Y和混沌种子发送至接收端。
接收端将加密图像Y和混沌种子输入预先训练好的图像解密网络，图像解密网络即可对加密图像进行解密，输出解密图像X′。
总结来讲，本发明实施例提供了一整套完整的图像压缩感知传输方案。在发送端，将分块压缩感知和半张量理论相结合，引入半张量运算突破了传统分块压缩感知中测量矩阵的维数匹配限制，实现用同一维度矩阵连续匹配和处理不同尺寸的图像，而且延续分块压缩感知中将图像分成小块然后多块并行处理的优点，从而大大提升了物联网网络中移动设备反应的灵活性。此外，采用混沌种子作为密钥，根据混沌种子生成的矩阵进行压缩加密、掩码加密及置乱加密，进而只需将混沌种子作为密钥传输至接收端，相比于传统的压缩感知加密技术，大大降低了接收端针对密钥的内存开销。此外，由于混沌系统具有初值和参数敏感性，因此，即使其他恶意设备截获了部分加密信息和混沌种子信息，也无法对原始图像进行恢复，因而能够保证图像加密的安全性。
在接收端，采用预先训练的深度神经网络对加密图像进行解密，极大地提高了解密速率。接收端不需要接收大量的矩阵作为密钥，只需将混沌种子和待解密图像输入图像解密网络即可完成快速、高质量的解密，且相比于传统的压缩感知解密方法，大大降低了内存开销。此外，受益于精心设计的深度神经网络模型，所提方法对原始信号的稀疏性没有要求，发送端也无需对信号进行稀疏化操作，这也降低了计算复杂度，从而提升了响应速度。
相应于本发明实施例提供的基于混沌源的图像压缩感知加密方法，本发明实施例提供了一种基于混沌源的图像压缩感知加密装置，可以包括如下模块：
第一获取模块801，用于获取待传输图像以及随机生成的混沌种子包；混沌种子包包括第一混沌种子、第二混沌种子和第三混沌种子；
重组模块802，用于根据图像的分块压缩感知算法，对待传输图像进行预设填充、分块和重新排列处理，得到重组图像，重组图像中包含N个列分量，N为正整数；
运算模块803，用于基于第一混沌种子，生成测量矩阵，并采用测量矩阵分别与每个列分量进行半张量运算，得到N个第一加密列分量；
掩码加密模块804，用于基于第二混沌种子，生成掩码矩阵，并根据掩码矩阵分别对每一第一加密列分量进行掩码覆盖加密，得到N个第二加密列分量；
置乱模块805，用于基于第三混沌种子，生成置乱序列，并根据置乱序列分别对每一第二加密列分量进行置乱，得到N个第三加密列分量；
拼接模块806，用于依次拼接N个第三加密列分量，得到加密图像。
在本发明的一种实施例中，运算模块803，具体可以用于：
基于如下公式计算第一加密列分量：
Figure BDA0002502761820000181
其中，xi表示第i个列分量，yi表示第i个第一加密列分量，Φ1表示测量矩阵，
Figure BDA0002502761820000182
表示半张量运算。
在本发明的一种实施例中，掩码加密模块804，具体可以用于：
基于如下公式计算第二加密列分量：
Figure BDA0002502761820000183
其中，yi′表示第i个第二加密列分量，α表示第一预设系数，β表示第二预设系数，Φ2表示掩码矩阵。
应用本发明实施例提供的基于混沌源的图像压缩感知加密装置，获取待传输图像以及随机生成的混沌种子包；混沌种子包包括第一混沌种子、第二混沌种子和第三混沌种子；根据图像的分块压缩感知算法，对待传输图像进行预设填充、分块和重新排列处理，得到重组图像，重组图像中包含N个列分量；基于第一混沌种子，生成测量矩阵，并采用测量矩阵分别与每个列分量进行半张量运算，得到N个第一加密列分量；基于第二混沌种子，生成掩码矩阵，并根据掩码矩阵分别对每一第一加密列分量进行掩码覆盖加密，得到N个第二加密列分量；基于第三混沌种子，生成置乱序列，并根据置乱序列分别对每一第二加密列分量进行置乱，得到N个第三加密列分量；依次拼接N个第三加密列分量，得到加密图像。可见，将半张量运算引入压缩感知加密中，突破了传统压缩感知中测量矩阵的维数匹配限制，从而大大降低了测量矩阵的尺寸大小。且采用混沌种子作为密钥，根据混沌种子生成的矩阵进行压缩加密、掩码加密及置乱加密，进而只需将混沌种子作为密钥传输至接收端，相比于传统的压缩感知加密技术，大大降低了接收端针对密钥的内存开销。此外，由于混沌系统具有初值和参数敏感性，因此，即使其他恶意设备截获了部分加密信息和混沌种子信息，也无法对原始图像进行恢复，因而能够保证图像加密的安全性。
相应于本发明实施例提供的基于混沌源的图像压缩感知解密方法，本发明实施例提供了一种基于混沌源的图像压缩感知解密装置，可以包括如下模块：
第二获取模块901，用于获取网络初始化种子，并基于网络初始化种子对图像解密网络进行参数初始化；
解密模块902，用于获取加密图像和混沌种子包，将加密图像和混沌种子包输入参数初始化后的图像解密网络，得到解密图像，图像解密网络是根据训练集预先训练的，训练集包括：多个样本图像、多个样本加密图像和多组样本混沌种子包，样本加密图像是基于样本混沌种子包对样本图像进行半张量压缩加密、掩码覆盖加密和置乱加密后得到的。
在本发明的一种实施例中，在图9所示装置基础上，还可以包括训练模块，训练模块，具体可以用于按照如下步骤训练图像解密网络：
获取预设的深度神经网络和预设训练集；
将样本加密图像输入深度神经网络，得到输出图像；
基于输出图像以及样本图像，以及预先设定的损失函数，确定损失值；
基于损失值判断深度神经网络是否收敛；
若否，则调整深度神经网络中的参数值，并返回将样本加密图像输入深度神经网络，得到输出图像的步骤；
若是，则将当前的深度神经网络确定为图像解密网络。
在本发明的一种实施例中，图像解密网络的学习参数集
Figure BDA0002502761820000201
为：
Figure BDA0002502761820000202
所述损失函数为：
Figure BDA0002502761820000203
Figure BDA0002502761820000204
其中，
Figure BDA0002502761820000205
表示可学习的参数集，p表示周期索引，ρ表示步长，C(·)表示非线性变换函数，
Figure BDA0002502761820000206
表示C(·)的左逆，Np表示总周期数，
Figure BDA0002502761820000207
表示总损失，
Figure BDA0002502761820000208
表示第一损失，
Figure BDA0002502761820000209
表示第二损失，N表示分块数目，B表示预设分块的边长数目，k表示列向量的标号，x表示恢复的解密列向量。
应用本发明实施例提供的基于混沌源的图像压缩感知解密装置，采用预先训练的深度神经网络对加密图像进行解密，极大地提高了解密速率，且不需要接收大量的矩阵作为密钥，只需将混沌种子和待解密图像输入图像解密网络即可完成快速、高质量的解密。
本发明实施例还提供了一种基于混沌源的图像压缩感知解密、解密系统，系统包括发送端和接收端；
发送端用于：
获取待传输图像以及随机生成的混沌种子包；混沌种子包包括第一混沌种子、第二混沌种子和第三混沌种子；
根据图像的分块压缩感知算法，对待传输图像进行预设填充、分块和重新排列处理，得到重组图像，重组图像中包含N个列分量，N为正整数；
基于第一混沌种子，生成测量矩阵，并采用测量矩阵分别与每个列分量进行半张量运算，得到N个第一加密列分量；
基于第二混沌种子，生成掩码矩阵，并根据掩码矩阵分别对每一第一加密列分量进行掩码覆盖加密，得到N个第二加密列分量；
基于第三混沌种子，生成置乱序列，并根据置乱序列分别对每一第二加密列分量进行置乱，得到N个第三加密列分量；
依次拼接N个第三加密列分量，得到加密图像；
接收端用于：
获取网络初始化种子，并基于网络初始化种子对图像解密网络进行参数初始化；
获取加密图像和混沌种子包，将加密图像和混沌种子包输入参数初始化后的图像解密网络，得到解密图像，图像解密网络是根据训练集预先训练的，训练集包括：多个样本图像、多个样本加密图像和多组样本混沌种子包，样本加密图像是基于样本混沌种子包对样本图像进行半张量压缩加密、掩码覆盖加密和置乱加密后得到的。
可见，本发明实施例提供了一整套完整的图像压缩感知传输方案。在发送端，将分块压缩感知和半张量理论相结合，引入半张量运算突破了传统分块压缩感知中测量矩阵的维数匹配限制，实现用同一维度矩阵连续匹配和处理不同尺寸的图像，而且延续分块压缩感知中将图像分成小块然后多块并行处理的优点，从而大大提升了物联网网络中移动设备反应的灵活性。此外，采用混沌种子作为密钥，根据混沌种子生成的矩阵进行压缩加密、掩码加密及置乱加密，进而只需将混沌种子作为密钥传输至接收端，相比于传统的压缩感知加密技术，大大降低了接收端针对密钥的内存开销。此外，由于混沌系统具有初值和参数敏感性，因此，即使其他恶意设备截获了部分加密信息和混沌种子信息，也无法对原始图像进行恢复，因而能够保证图像加密的安全性。
在接收端，采用预先训练的深度神经网络对加密图像进行解密，极大地提高了解密速率。接收端不需要接收大量的矩阵作为密钥，只需将混沌种子和待解密图像输入图像解密网络即可完成快速、高质量的解密，且相比于传统的压缩感知解密方法，大大降低了内存开销。此外，受益于精心设计的深度神经网络模型，所提方法对原始信号的稀疏性没有要求，发送端也无需对信号进行稀疏化操作，这也降低了计算复杂度，从而提升了响应速度。
基于相同的发明构思，根据上述基于混沌源的图像压缩感知加密方法实施例，本发明实施例还提供了一种应用于发送端的电子设备，如图10所示，包括处理器1001、通信接口1002、存储器1003和通信总线1004，其中，处理器1001，通信接口1002，存储器1003通过通信总线1004完成相互间的通信，
存储器1003，用于存放计算机程序；
处理器1001，用于执行存储器1003上所存放的程序时，实现如下步骤：
获取待传输图像以及随机生成的混沌种子包；混沌种子包包括第一混沌种子、第二混沌种子和第三混沌种子；
根据图像的分块压缩感知算法，对待传输图像进行预设填充、分块和重新排列处理，得到重组图像，重组图像中包含N个列分量，N为正整数；
基于第一混沌种子，生成测量矩阵，并采用测量矩阵分别与每个列分量进行半张量运算，得到N个第一加密列分量；
基于第二混沌种子，生成掩码矩阵，并根据掩码矩阵分别对每一第一加密列分量进行掩码覆盖加密，得到N个第二加密列分量；
基于第三混沌种子，生成置乱序列，并根据置乱序列分别对每一第二加密列分量进行置乱，得到N个第三加密列分量；
依次拼接N个第三加密列分量，得到加密图像。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect，PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory，RAM)，也可以包括非易失性存储器(Non-Volatile Memory，NVM)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital SignalProcessing，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
本发明实施例提供的应用于发送端的电子设备，获取待传输图像以及随机生成的混沌种子包；混沌种子包包括第一混沌种子、第二混沌种子和第三混沌种子；根据图像的分块压缩感知算法，对待传输图像进行预设填充、分块和重新排列处理，得到重组图像，重组图像中包含N个列分量；基于第一混沌种子，生成测量矩阵，并采用测量矩阵分别与每个列分量进行半张量运算，得到N个第一加密列分量；基于第二混沌种子，生成掩码矩阵，并根据掩码矩阵分别对每一第一加密列分量进行掩码覆盖加密，得到N个第二加密列分量；基于第三混沌种子，生成置乱序列，并根据置乱序列分别对每一第二加密列分量进行置乱，得到N个第三加密列分量；依次拼接N个第三加密列分量，得到加密图像。可见，将半张量运算引入压缩感知加密中，突破了传统压缩感知中测量矩阵的维数匹配限制，从而大大降低了测量矩阵的尺寸大小。且采用混沌种子作为密钥，根据混沌种子生成的矩阵进行压缩加密、掩码加密及置乱加密，进而只需将混沌种子作为密钥传输至接收端，相比于传统的压缩感知加密技术，大大降低了接收端针对密钥的内存开销。此外，由于混沌系统具有初值和参数敏感性，因此，即使其他恶意设备截获了部分加密信息和混沌种子信息，也无法对原始图像进行恢复，因而能够保证图像加密的安全性。
基于相同的发明构思，根据上述基于混沌源的图像压缩感知加密方法实施例，本发明实施例还提供了一种应用于接收端的电子设备，如图11所示，包括处理器1101、通信接口1102、存储器1103和通信总线1104，其中，处理器1101，通信接口1102，存储器1103通过通信总线1104完成相互间的通信，
存储器1103，用于存放计算机程序；
处理器1101，用于执行存储器1103上所存放的程序时，实现如下步骤：
获取网络初始化种子，并基于网络初始化种子对图像解密网络进行参数初始化；
获取加密图像和混沌种子包，将加密图像和混沌种子包输入参数初始化后的图像解密网络，得到解密图像，图像解密网络是根据训练集预先训练的，训练集包括：多个样本图像、多个样本加密图像和多组样本混沌种子包，样本加密图像是基于样本混沌种子包对样本图像进行半张量压缩加密、掩码覆盖加密和置乱加密后得到的。
本发明实施例提供的应用于接收端的电子设备，采用预先训练的深度神经网络对加密图像进行解密，极大地提高了解密速率，且不需要接收大量的矩阵作为密钥，只需将混沌种子和待解密图像输入图像解密网络即可完成快速、高质量的解密。
在本发明提供的又一实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质内存储有计算机程序，计算机程序被处理器执行时实现上述任一基于混沌源的图像压缩感知加密、解密方法的步骤。
在本发明提供的又一实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述实施例中任一基于混沌源的图像压缩感知加密、解密方法。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行计算机程序指令时，全部或部分地产生按照本发明实施例的流程或功能。计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于基于混沌源的图像压缩感知加密、解密装置、电子设备、计算机可读存储介质及计算机程序产品实施例而言，由于其基本相似于基于混沌源的图像压缩感知加密、解密方法实施例，所以描述的比较简单，相关之处参见基于混沌源的图像压缩感知加密、解密方法实施例的部分说明即可。
以上仅为本发明的较佳实施例，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

Claims (10)

1.一种基于混沌源的图像压缩感知加密方法，所述方法包括：
获取待传输图像以及随机生成的混沌种子包；所述混沌种子包包括第一混沌种子、第二混沌种子和第三混沌种子；
根据图像的分块压缩感知算法，对所述待传输图像进行预设填充、分块和重新排列处理，得到重组图像，所述重组图像中包含N个列分量，N为正整数；
基于所述第一混沌种子，生成测量矩阵，并采用所述测量矩阵分别与每个列分量进行半张量运算，得到N个第一加密列分量；
基于所述第二混沌种子，生成掩码矩阵，并根据所述掩码矩阵分别对每一第一加密列分量进行掩码覆盖加密，得到N个第二加密列分量；
基于所述第三混沌种子，生成置乱序列，并根据所述置乱序列分别对每一第二加密列分量进行置乱，得到N个第三加密列分量；
依次拼接所述N个第三加密列分量，得到加密图像。
2.根据权利要求1所述的方法，其特征在于，所述采用所述测量矩阵分别与每个列分量进行半张量运算，得到N个第一加密列分量的步骤，包括：
基于如下公式计算第一加密列分量：
Figure FDA0002502761810000011
其中，xi表示第i个列分量，yi表示第i个第一加密列分量，Φ1表示测量矩阵，
Figure FDA0002502761810000012
表示半张量运算。
3.根据权利要求2所述的方法，其特征在于，所述根据所述掩码矩阵分别对每一第一加密列分量进行掩码覆盖加密，得到N个第二加密列分量的步骤，包括：
基于如下公式计算第二加密列分量：
Figure FDA0002502761810000013
其中，yi′表示第i个第二加密列分量，α表示第一预设系数，β表示第二预设系数，Φ2表示掩码矩阵。
4.一种基于混沌源的图像压缩感知解密方法，其特征在于，所述方法包括：
获取网络初始化种子，并基于所述网络初始化种子对图像解密网络进行参数初始化；
获取加密图像和混沌种子包，将所述加密图像和所述混沌种子包输入参数初始化后的图像解密网络，得到解密图像，所述图像解密网络是根据训练集预先训练的，所述训练集包括：多个样本图像、多个样本加密图像和多组样本混沌种子包，所述样本加密图像是基于所述样本混沌种子包对所述样本图像进行半张量压缩加密、掩码覆盖加密和置乱加密后得到的。
5.根据权利要求4所述的方法，其特征在于，按照如下步骤训练所述图像解密网络：
获取预设的深度神经网络和预设训练集；
将所述样本加密图像输入所述深度神经网络，得到输出图像；
基于所述输出图像以及所述样本图像，以及预先设定的损失函数，确定损失值；
基于所述损失值判断所述深度神经网络是否收敛；
若否，则调整所述深度神经网络中的参数值，并返回所述将所述样本加密图像输入所述深度神经网络，得到输出图像的步骤；
若是，则将当前的深度神经网络确定为图像解密网络。
6.根据权利要求5所述的方法，其特征在于，所述图像解密网络的学习参数集
Figure FDA0002502761810000021
为：
Figure FDA0002502761810000022
所述损失函数为：
Figure FDA0002502761810000031
Figure FDA0002502761810000032
其中，
Figure FDA0002502761810000033
表示可学习的参数集，p表示周期索引，ρ表示步长，C(·)表示非线性变换函数，
Figure FDA0002502761810000034
表示C(·)的左逆，Np表示总周期数，
Figure FDA0002502761810000035
表示总损失，
Figure FDA0002502761810000036
表示第一损失，
Figure FDA0002502761810000037
表示第二损失，N表示分块数目，B表示预设分块的边长数目，x表示恢复的解密列向量，k表示列向量的标号。
7.一种基于混沌源的图像压缩感知加密、解密系统，其特征在于，所述系统包括发送端和接收端；
所述发送端用于：
获取待传输图像以及随机生成的混沌种子包；所述混沌种子包包括第一混沌种子、第二混沌种子和第三混沌种子；
根据图像的分块压缩感知算法，对所述待传输图像进行预设填充、分块和重新排列处理，得到重组图像，所述重组图像中包含N个列分量，N为正整数；
基于所述第一混沌种子，生成测量矩阵，并采用所述测量矩阵分别与每个列分量进行半张量运算，得到N个第一加密列分量；
基于所述第二混沌种子，生成掩码矩阵，并根据所述掩码矩阵分别对每一第一加密列分量进行掩码覆盖加密，得到N个第二加密列分量；
基于所述第三混沌种子，生成置乱序列，并根据所述置乱序列分别对每一第二加密列分量进行置乱，得到N个第三加密列分量；
依次拼接所述N个第三加密列分量，得到加密图像；
所述接收端用于：
获取网络初始化种子，并基于所述网络初始化种子对图像解密网络进行参数初始化；
获取加密图像和混沌种子包，将所述加密图像和所述混沌种子包输入参数初始化后的图像解密网络，得到解密图像，所述图像解密网络是根据训练集预先训练的，所述训练集包括：多个样本图像、多个样本加密图像和多组样本混沌种子包，所述样本加密图像是基于所述样本混沌种子包对所述样本图像进行半张量压缩加密、掩码覆盖加密和置乱加密后得到的。
8.一种基于混沌源的图像压缩感知加密装置，所述装置包括：
第一获取模块，用于获取待传输图像以及随机生成的混沌种子包；所述混沌种子包包括第一混沌种子、第二混沌种子和第三混沌种子；
重组模块，用于根据图像的分块压缩感知算法，对所述待传输图像进行预设填充、分块和重新排列处理，得到重组图像，所述重组图像中包含N个列分量，N为正整数；
运算模块，用于基于所述第一混沌种子，生成测量矩阵，并采用所述测量矩阵分别与每个列分量进行半张量运算，得到N个第一加密列分量；
掩码加密模块，用于基于所述第二混沌种子，生成掩码矩阵，并根据所述掩码矩阵分别对每一第一加密列分量进行掩码覆盖加密，得到N个第二加密列分量；
置乱模块，用于基于所述第三混沌种子，生成置乱序列，并根据所述置乱序列分别对每一第二加密列分量进行置乱，得到N个第三加密列分量；
拼接模块，用于依次拼接所述N个第三加密列分量，得到加密图像。
9.一种基于混沌源的图像压缩感知解密装置，所述装置包括：
第二获取模块，用于获取网络初始化种子，并基于所述网络初始化种子对图像解密网络进行参数初始化；
解密模块，用于获取加密图像和混沌种子包，将所述加密图像和所述混沌种子包输入参数初始化后的图像解密网络，得到解密图像，所述图像解密网络是根据训练集预先训练的，所述训练集包括：多个样本图像、多个样本加密图像和多组样本混沌种子包，所述样本加密图像是基于所述样本混沌种子包对所述样本图像进行半张量压缩加密、掩码覆盖加密和置乱加密后得到的。
10.一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现权利要求1-6任一所述的方法步骤。
CN202010437289.9A 2020-05-21 2020-05-21 基于混沌源的图像压缩感知加密、解密方法、装置及系统 Active CN111800251B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010437289.9A CN111800251B (zh) 2020-05-21 2020-05-21 基于混沌源的图像压缩感知加密、解密方法、装置及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010437289.9A CN111800251B (zh) 2020-05-21 2020-05-21 基于混沌源的图像压缩感知加密、解密方法、装置及系统

Publications (2)

Publication Number Publication Date
CN111800251A true CN111800251A (zh) 2020-10-20
CN111800251B CN111800251B (zh) 2021-11-12

Family

ID=72806480

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010437289.9A Active CN111800251B (zh) 2020-05-21 2020-05-21 基于混沌源的图像压缩感知加密、解密方法、装置及系统

Country Status (1)

Country Link
CN (1) CN111800251B (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112751981A (zh) * 2021-02-20 2021-05-04 新疆医科大学第一附属医院 一种切片数字化图像的批量传输加密方法
CN112910656A (zh) * 2021-01-29 2021-06-04 北京邮电大学 基于数字签密的压缩感知数据传输方法
CN113285797A (zh) * 2021-04-30 2021-08-20 四川大学 基于压缩感知与深度学习的光回转域多图像加密方法
CN113343270A (zh) * 2021-06-28 2021-09-03 郑州轻工业大学 一种基于人工智能的加密数据重构方法与系统
CN113378143A (zh) * 2021-07-06 2021-09-10 江西财经大学 基于半张量压缩感知的加密域可逆信息隐藏与认证方法
CN113595716A (zh) * 2021-08-02 2021-11-02 北京邮电大学 一种基于五维整数域混沌系统的安全传输方法
CN113935346A (zh) * 2021-10-12 2022-01-14 南通大学 一种基于商标图片置乱加密的商品防伪码生成方法
CN115203723A (zh) * 2022-07-20 2022-10-18 浙江东昊信息工程有限公司 一种可用于寺庙的信息加密处理系统
CN115766964A (zh) * 2022-11-14 2023-03-07 长安大学 基于压缩感知和可变滤波器扩散的图像加密方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020154769A1 (en) * 2000-12-07 2002-10-24 Petersen Mette Vesterager Method of generating pseudo-random numbers in an electronic device, and a method of encrypting and decrypting electronic data
CN101534165A (zh) * 2009-03-31 2009-09-16 江南大学 一种混沌神经网络保密通信电路
CN107659753A (zh) * 2017-10-23 2018-02-02 北京邮电大学 图像的压缩加密方法
CN107770406A (zh) * 2017-10-26 2018-03-06 北京邮电大学 基于多参数分数阶变换和半张量积的图像加密方法及装置
AU2019100608A4 (en) * 2019-06-05 2019-07-11 Southwest University Fast Supervised Discrete Hashing Algorithm Over Distributed Network
CN110190959A (zh) * 2019-06-28 2019-08-30 中南大学 基于连续变量量子神经网络的加解密方法
CN110602346A (zh) * 2019-07-26 2019-12-20 广东工业大学 一种基于超混沌系统的无损彩色图像加密方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020154769A1 (en) * 2000-12-07 2002-10-24 Petersen Mette Vesterager Method of generating pseudo-random numbers in an electronic device, and a method of encrypting and decrypting electronic data
CN101534165A (zh) * 2009-03-31 2009-09-16 江南大学 一种混沌神经网络保密通信电路
CN107659753A (zh) * 2017-10-23 2018-02-02 北京邮电大学 图像的压缩加密方法
CN107770406A (zh) * 2017-10-26 2018-03-06 北京邮电大学 基于多参数分数阶变换和半张量积的图像加密方法及装置
AU2019100608A4 (en) * 2019-06-05 2019-07-11 Southwest University Fast Supervised Discrete Hashing Algorithm Over Distributed Network
CN110190959A (zh) * 2019-06-28 2019-08-30 中南大学 基于连续变量量子神经网络的加解密方法
CN110602346A (zh) * 2019-07-26 2019-12-20 广东工业大学 一种基于超混沌系统的无损彩色图像加密方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
KAI XU ET AL.: "LAPRAN: A Scalable Laplacian Pyramid Reconstructive Adversarial Network for Flexible Compressive Sensing Reconstruction", 《HTTPS://ARXIV.ORG/PDF/1807.09388.PDF》 *
张立波: "基于混沌理论的医学影像加密算法研究", 《中国博士学位论文全文数据库 信息科技辑》 *
杨云朋 等: "基于神经网络同步的全光混沌通信", 《光通信研究》 *
田野: "基于压缩感知的安全A效数据传输技术研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112910656A (zh) * 2021-01-29 2021-06-04 北京邮电大学 基于数字签密的压缩感知数据传输方法
CN112751981A (zh) * 2021-02-20 2021-05-04 新疆医科大学第一附属医院 一种切片数字化图像的批量传输加密方法
CN113285797B (zh) * 2021-04-30 2022-05-10 四川大学 基于压缩感知与深度学习的光回转域多图像加密方法
CN113285797A (zh) * 2021-04-30 2021-08-20 四川大学 基于压缩感知与深度学习的光回转域多图像加密方法
CN113343270B (zh) * 2021-06-28 2023-02-24 郑州轻工业大学 一种基于人工智能的加密数据重构方法与系统
CN113343270A (zh) * 2021-06-28 2021-09-03 郑州轻工业大学 一种基于人工智能的加密数据重构方法与系统
CN113378143A (zh) * 2021-07-06 2021-09-10 江西财经大学 基于半张量压缩感知的加密域可逆信息隐藏与认证方法
CN113378143B (zh) * 2021-07-06 2023-06-23 江西财经大学 基于半张量压缩感知的加密域可逆信息隐藏与认证方法
CN113595716A (zh) * 2021-08-02 2021-11-02 北京邮电大学 一种基于五维整数域混沌系统的安全传输方法
CN113595716B (zh) * 2021-08-02 2023-11-03 北京邮电大学 一种基于五维整数域混沌系统的安全传输方法
CN113935346A (zh) * 2021-10-12 2022-01-14 南通大学 一种基于商标图片置乱加密的商品防伪码生成方法
CN115203723A (zh) * 2022-07-20 2022-10-18 浙江东昊信息工程有限公司 一种可用于寺庙的信息加密处理系统
CN115203723B (zh) * 2022-07-20 2023-06-09 浙江东昊信息工程有限公司 一种可用于寺庙的信息加密处理系统
CN115766964A (zh) * 2022-11-14 2023-03-07 长安大学 基于压缩感知和可变滤波器扩散的图像加密方法及系统

Also Published As

Publication number Publication date
CN111800251B (zh) 2021-11-12

Similar Documents

Publication Publication Date Title
CN111800251B (zh) 基于混沌源的图像压缩感知加密、解密方法、装置及系统
CN110139000B (zh) 基于压缩感知和生命游戏置乱的图像压缩加密方法
Chai et al. An efficient approach for encrypting double color images into a visually meaningful cipher image using 2D compressive sensing
Tan et al. CryptGPU: Fast privacy-preserving machine learning on the GPU
Zhang et al. An efficient image encryption scheme based on S-boxes and fractional-order differential logistic map
Zhou et al. Quantum image encryption scheme with iterative generalized Arnold transforms and quantum image cycle shift operations
Zhou et al. Novel hybrid image compression–encryption algorithm based on compressive sensing
Kaur et al. Chaos based multiple order optical transform for 2D image encryption
CN107770405A (zh) 图像加密方法及装置
CN110113506B (zh) 基于压缩感知与信息隐藏的图像加密方法
CN109102452B (zh) 一种基于拉丁方阵置乱和双向扩散的图像加密方法
EP2965461A1 (en) Privacy-preserving ridge regression using masks
CN107888370B (zh) 图像加密方法及装置
CN106709854B (zh) 基于猫脸变换和混沌的图像信息融合加密方法
Gan et al. Exploiting 2D compressed sensing and information entropy for secure color image compression and encryption
Boussif et al. Securing DICOM images by a new encryption algorithm using Arnold transform and Vigenère cipher
Xiao et al. Low-cost and secure multi-image encryption scheme based on P-tensor product compressive sensing
CN110086600B (zh) 一种基于超混沌系统和变步长约瑟夫问题的图像加密方法
CN115496204B (zh) 一种跨域异质场景下的面向联邦学习的评测方法及装置
WO2022142366A1 (zh) 机器学习模型更新的方法和装置
CN115002291A (zh) 基于p张量秘密共享和多个数据隐藏器的信息隐藏方法
CN112351151B (zh) 基于fcn的图像信息加密方法及装置
Qu et al. A novel quantum video steganography protocol with large payload based on MCQI quantum video
Feng et al. Exploiting robust quadratic polynomial hyperchaotic map and pixel fusion strategy for efficient image encryption
Chai et al. CSENMT: A deep image compressed sensing encryption network via multi-color space and texture feature

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