CN112488900A - 一种深度学习训练图片加密解密方法 - Google Patents
一种深度学习训练图片加密解密方法 Download PDFInfo
- Publication number
- CN112488900A CN112488900A CN202011370533.0A CN202011370533A CN112488900A CN 112488900 A CN112488900 A CN 112488900A CN 202011370533 A CN202011370533 A CN 202011370533A CN 112488900 A CN112488900 A CN 112488900A
- Authority
- CN
- China
- Prior art keywords
- picture
- channels
- channel
- encryption
- random
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T1/00—General purpose image data processing
- G06T1/0021—Image watermarking
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2201/00—General purpose image data processing
- G06T2201/005—Image watermarking
- G06T2201/0065—Extraction of an embedded watermark; Reliable detection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Facsimile Transmission Control (AREA)
Abstract
本发明涉及一种深度学习训练图片加密解密方法,包括加密过程与解密过程。其中,加密过程为:将读取的图片数据转换为三维数组,对每个图片,分别对图片三个通道进行加密,将加密后的三个通道进行交换,之后合并三个通道得到输出图片。解密过程为:获取需要解密的图片,对每个图片,首先进行通道的交换,之后分别对交换后的三个通道进行解密,之后合并三个通道得到输出图片。本发明能够防止模型泄密、图片数据泄露,并且实现目标检测模型可训练。
Description
技术领域
本发明涉及图像处理技术领域,特别是一种深度学习训练图片加密解密方法。
背景技术
现有的常规方案是明文图片训练。目前的图像加密技术可分为两类,即空域图像加密技术和压缩图像加密技术。空域图像加密技术在未压缩的图像上进行加密,其特征是将图像看作三维数据(长宽加通道)进行操作。空域图像加密技术的典型方法是采用离散混沌加密技术。压缩图像加密技术则基于某种压缩格式或压缩技术进行加密,如JPEG、算术编码、小波压缩技术等。
这些加密技术将会导致不可训练和泄密的问题。空域图像加密导致图像乱色,图片上的颜色空间位置特征丢失。压缩图像加密技术只是对图片进行压缩,图片特征和空间特征都保留,特征基本和原图是一致,第三方厂家可以用这些数据进行训练应用于其他项目,电力作业信息也不同程度泄密,威胁作业安全,这是电力业主不愿意看到的。所以业内目前给第三方训练的目标检测模型的图片数据都是没有进行加密处理的。
电力作业图片的神经元模型检测要求进行目标检测和目标分类两项任务,目前现有方案大部分是对目标区域事先进行原图的目标检测,然后将检测的区域抠出并进行的特征加密,这是种局部加密利用加密后的特征与现有特征库的特征向量进行比对的一个过程。该方案对目标图片进行加密只能得到图片的降维的向量特征,而目标检测的神经元网络要求回归图片上的目标位置和目标所属分类,进行局部加密的方案数据失去了待检测目标在整张图片上的空间位置信息,同时进行降维的数据是无法拼接回原图的。所以进行传统的特征加密或者局部加密是无法满足目标检测和目标分类双重要求的。可见,局部特征加密后的数据没有了图像目标位置的空间特征,无法进行训练。
本发明的核心目标是解决电力安全作业数据给第三方厂家训练导致数据泄密问题和加密后的数据丢失空间特征导致无法训练问题。
发明内容
有鉴于此,本发明的目的是提出一种深度学习训练图片加密解密方法,能够防止模型泄密、图片数据泄露,并且实现目标检测模型可训练。
本发明采用以下方案实现:一种深度学习训练图片加密解密方法,包括加密过程:
将读取的图片数据转换为三维数组,对每个图片,分别对图片三个通道进行加密,将加密后的三个通道进行交换,之后合并三个通道得到输出图片。
进一步地,对图片三个通道进行加密具体为:
对通道一采用如下公式加密得到R:
R=255-k*R’+random(-5,5);
式中,R’为图片的红色通道,k为加权系数,random(-5,5)表示采用随机整数函数产生-5到5之间的整数;
对通道二采用如下公式加密得到B:
B=k*B’+random(-5,5);
式中,B’为图片的蓝色通道,k为加权系数,random(-5,5)表示采用随机整数函数产生-5到5之间的整数;
对通道三采用如下公式加密得到G:
G=255-k*(G’+random(-5,5))+random(-5,5);
式中,G’为图片的绿色通道,k为加权系数,random(-5,5)表示采用随机整数函数产生-5到5之间的整数。
进一步地,所述将加密后的三个通道进行交换,之后合并三个通道得到输出图片具体为:
设备份通道一r、备份通道二b、备份通道三g:r=R,b=B,g=G;
令通道一等于备份通道二:R=b;
令通道二等于备份通道三:B=g;
令通道三等于备份通道一:G=r;
将通道值拉到0-255之间:R1,B1,G1=np.clip(R,B,G,0,255),其中,clip是函数,用于将值拉到0到255之间,大于255的值变成255,小于0的颜色重置为0;
将通道R1、B1、G1三个通道保存为图片。
进一步地,还包括解密过程:
获取需要解密的图片,对每个图片,首先进行通道的交换,之后分别对交换后的三个通道进行解密,之后合并三个通道得到输出图片。
进一步地,在解密过程中的通道交换具体为:令r=R,b=G,g=B,其中,R、G、B分别代表图片的红色通道、绿色通道以及蓝色通道,r、g、b分别代表交换后的红色通道、绿色通道以及蓝色通道。
进一步地,所述分别对交换后的三个通道进行解密,之后合并三个通道得到输出图片具体为:
对通道一进行解密得到R’:
R’=(255-+random(-5,5)-r)/k;
对通道二进行解密得到R’:
B’=(b-random(-5,5))/k;
对通道三进行解密得到G’:
G’=(255+random(-5,5)-g)/k-random(-5,5);
式中,k为权重系数;
将R’、B’、G’数值中超过255的重置为255,小于0的重置为0,合并三个通道得到解密图片。
本发明还提供了一种模型训练方法,采用如上文所述的加密解密方法生成加密图,采用该加密图以及加密图所对应的原图的标注信息(其中标注信息是指对图像目标区域的标注的信息(包括框选的坐标长度框的分类信息))对模型进行训练,得到训练后的模型。
进一步地,输入采用上文所述的加密解密方法生成的加密图至训练好的模型之中,得到模型预测的标注信息;将该加密图采用如上文所述的加密解密方法进行解密得到对应的解密后的图;将得到的模型预测的标注信息叠加到对应的解密后的图上,完成推理加密解密的流程。
本发明还提供了一种电力安全作业图片可训练加密解密系统,包括存储器、处理器以及存储在存储器上并能够被处理器运行的计算机程序指令,当处理器运行该计算机程序指令时,能够实现如上文所述的方法步骤。
本发明还提供了一种计算机可读存储介质,其上存储有能够被处理器运行的计算机程序指令,当处理器运行该计算机程序指令时,能够实现如上文所述的方法步骤。
与现有技术相比,本发明有以下有益效果:本发明保留了图片目标对象在图片上空间位置特征,这种特征可以完成目标检测和目标识别两项任务,因此能够解决电力安全作业数据给第三方厂家训练导致数据泄密问题和加密后的数据丢失空间特征导致无法训练问题。
附图说明
图1为本发明实施例的加密流程示意图。
图2为本发明实施例的解密流程示意图。
图3为本发明实施例的模型训练流程示意图。
图4为本发明实施例的应用模型推理流程示意图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
应该指出,以下详细说明都是示例性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
如图1所示,本实施例提供了一种深度学习训练图片加密解密方法,包括加密过程:
将读取的图片数据转换为三维数组(长宽和通道),对每个图片,分别对图片三个通道进行加密,将加密后的三个通道进行交换,之后合并三个通道得到输出图片。
在本实施例中,对图片三个通道进行加密具体为:
对通道一采用如下公式加密得到R:
R=255-k*R’+random(-5,5);
式中,R’为图片的红色通道,k为加权系数,random(-5,5)表示采用随机整数函数产生-5到5之间的整数;
对通道二采用如下公式加密得到B:
B=k*B’+random(-5,5);
式中,B’为图片的蓝色通道,k为加权系数,random(-5,5)表示采用随机整数函数产生-5到5之间的整数;
对通道三采用如下公式加密得到G:
G=255-k*(G’+random(-5,5))+random(-5,5);
式中,G’为图片的绿色通道,k为加权系数,random(-5,5)表示采用随机整数函数产生-5到5之间的整数。其中,k为0-1之间的值。
在本实施例中,所述将加密后的三个通道进行交换,之后合并三个通道得到输出图片具体为:
设备份通道一r、备份通道二b、备份通道三g:r=R,b=B,g=G;
令通道一等于备份通道二:R=b;
令通道二等于备份通道三:B=g;
令通道三等于备份通道一:G=r;
将通道值拉到0-255之间:R1,B1,G1=np.clip(R,B,G,0,255),其中,clip是函数,用于将值拉到0到255之间,大于255的值变成255,小于0的颜色重置为0;
将通道R1、B1、G1三个通道保存为图片。
在本实施例中,还包括解密过程:
获取需要解密的图片,对每个图片,首先进行通道的交换,之后分别对交换后的三个通道进行解密,之后合并三个通道得到输出图片。
在本实施例中,在解密过程中的通道交换具体为:令r=R,b=G,g=B,其中,R、G、B分别代表图片的红色通道、绿色通道以及蓝色通道,r、g、b分别代表交换后的红色通道、绿色通道以及蓝色通道。
在本实施例中,所述分别对交换后的三个通道进行解密,之后合并三个通道得到输出图片具体为:
对通道一进行解密得到R’:
R’=(255-+random(-5,5)-r)/k;
对通道二进行解密得到R’:
B’=(b-random(-5,5))/k;
对通道三进行解密得到G’:
G’=(255+random(-5,5)-g)/k-random(-5,5);
式中,k为权重系数;
将R’、B’、G’数值中超过255的重置为255,小于0的重置为0,合并三个通道得到解密图片。
本实施例还提供了一种模型训练方法,采用如上文所述的加密解密方法生成加密图,采用该加密图以及加密图所对应的原图的标注信息(其中标注信息是指对图像目标区域的标注的信息(包括框选的坐标长度框的分类信息))对模型进行训练,得到训练后的模型。其中,该模型的输入为采用本实施例方法加密的图片以及对应加密图片的原图的人工标注信息,得到的为预测的标注信息,通过使得输出的预测标注信息与输入的对应的人工标注信息的误差小于阈值来调整神经网络模型的参数,具体调整方法可以采用梯度求导或者反向传播。
在本实施例中,输入采用上文所述的加密解密方法生成的加密图至训练好的模型之中,得到模型预测的标注信息;将该加密图采用如上文所述的加密解密方法进行解密得到对应的解密后的图;将得到的模型预测的标注信息叠加到对应的解密后的图上,完成推理加密解密的流程。
具体的,在实际应用中,首先从训练图片数据集中取出若干图片;然后对若干图片进行可训练加密生成加密图给第三方厂家训练;将若干加密图输到模型结合原图对应的标注信息结合进行训练;训练完成后保存模型,第三方厂家将模型给甲方。这样第三方厂家无法将模型给其他厂家,得到的加密数据也无法在其它项目中使用。在生产侧,系统得到的原图,经过加密得到加密图,经过事先训练过的模型(该模型经过加密数据的训练具备了只识别加密图特征的能力)的预测,输出了预测标注信息,将标注信息叠加到解密后的图上,就完成了推理加密解密流程。采用本实施例的方法能够解决电力安全作业数据给第三方厂家训练导致数据泄密问题和加密后的数据丢失空间特征导致无法训练问题。
本实施例还提供了一种深度学习训练图片加密解密系统,包括存储器、处理器以及存储在存储器上并能够被处理器运行的计算机程序指令,当处理器运行该计算机程序指令时,能够实现如上文所述的方法步骤。
本实施例还提供了一种计算机可读存储介质,其上存储有能够被处理器运行的计算机程序指令,当处理器运行该计算机程序指令时,能够实现如上文所述的方法步骤。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述,仅是本发明的较佳实施例而已,并非是对本发明作其它形式的限制,任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型,仍属于本发明技术方案的保护范围。
Claims (10)
1.一种深度学习训练图片加密解密方法,其特征在于,包括加密过程:
将读取的图片数据转换为三维数组,对每个图片,分别对图片三个通道进行加密,将加密后的三个通道进行交换,之后合并三个通道得到输出图片。
2.根据权利要求1所述的一种深度学习训练图片加密解密方法,其特征在于,对图片三个通道进行加密具体为:
对通道一采用如下公式加密得到R:
R=255-k*R’+random(-5,5);
式中,R’为图片的红色通道,k为加权系数,random(-5,5)表示采用随机整数函数产生-5到5之间的整数;
对通道二采用如下公式加密得到B:
B=k*B’+random(-5,5);
式中,B’为图片的蓝色通道,k为加权系数,random(-5,5)表示采用随机整数函数产生-5到5之间的整数;
对通道三采用如下公式加密得到G:
G=255-k*(G’+random(-5,5))+random(-5,5);
式中,G’为图片的绿色通道,k为加权系数,random(-5,5)表示采用随机整数函数产生-5到5之间的整数。
3.根据权利要求1所述的一种深度学习训练图片加密解密方法,其特征在于,所述将加密后的三个通道进行交换,之后合并三个通道得到输出图片具体为:
设备份通道一r、备份通道二b、备份通道三g:r=R,b=B,g=G;
令通道一等于备份通道二:R=b;
令通道二等于备份通道三:B=g;
令通道三等于备份通道一:G=r;
将通道值拉到0-255之间:R1,B1,G1=np.clip(R,B,G,0,255),其中,clip是函数,用于将值拉到0到255之间,大于255的值变成255,小于0的颜色重置为0;
将通道R1、B1、G1三个通道保存为图片。
4.根据权利要求1所述的一种深度学习训练图片加密解密方法,其特征在于,还包括解密过程:
获取需要解密的图片,对每个图片,首先进行通道的交换,之后分别对交换后的三个通道进行解密,之后合并三个通道得到输出图片。
5.根据权利要求4所述的一种深度学习训练图片加密解密方法,其特征在于,在解密过程中的通道交换具体为:令r=R,b=G,g=B,其中,R、G、B分别代表图片的红色通道、绿色通道以及蓝色通道,r、g、b分别代表交换后的红色通道、绿色通道以及蓝色通道。
6.根据权利要求4所述的一种深度学习训练图片加密解密方法,其特征在于,所述分别对交换后的三个通道进行解密,之后合并三个通道得到输出图片具体为:
对通道一进行解密得到R’:
R’=(255-+random(-5,5)-r)/k;
对通道二进行解密得到R’:
B’=(b-random(-5,5))/k;
对通道三进行解密得到G’:
G’=(255+random(-5,5)-g)/k-random(-5,5);
式中,k为权重系数;
将R’、B’、G’数值中超过255的重置为255,小于0的重置为0,合并三个通道得到解密图片。
7.一种基于权利要求1-6所述的一种深度学习训练图片加密解密方法的模型训练方法,其特征在于,采用权利要求1-6任一项所述的加密解密方法生成加密图,采用该加密图以及加密图所对应的原图的标注信息对模型进行训练,得到训练后的模型。
8.根据权利要求7所述的一种模型训练方法,其特征在于,输入采用权利要求1-6任一项所述的加密解密方法生成的加密图至训练好的模型之中,得到模型预测的标注信息;将该加密图采用如权利要求1-6任一项所述的加密解密方法进行解密得到对应的解密后的图;将得到的模型预测的标注信息叠加到对应的解密后的图上,完成推理加密解密的流程。
9.一种深度学习训练图片加密解密系统,其特征在于,包括存储器、处理器以及存储在存储器上并能够被处理器运行的计算机程序指令,当处理器运行该计算机程序指令时,能够实现如权利要求1-6任一项所述的方法步骤。
10.一种计算机可读存储介质,其特征在于,其上存储有能够被处理器运行的计算机程序指令,当处理器运行该计算机程序指令时,能够实现如权利要求1-6任一项所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011370533.0A CN112488900B (zh) | 2020-11-30 | 2020-11-30 | 一种深度学习训练图片加密解密方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011370533.0A CN112488900B (zh) | 2020-11-30 | 2020-11-30 | 一种深度学习训练图片加密解密方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112488900A true CN112488900A (zh) | 2021-03-12 |
CN112488900B CN112488900B (zh) | 2023-09-05 |
Family
ID=74937018
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011370533.0A Active CN112488900B (zh) | 2020-11-30 | 2020-11-30 | 一种深度学习训练图片加密解密方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112488900B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113407968A (zh) * | 2021-06-29 | 2021-09-17 | 平安国际智慧城市科技股份有限公司 | 目标检测模型的加密方法、装置、设备及存储介质 |
CN116257142A (zh) * | 2023-05-12 | 2023-06-13 | 福建省亿鑫海信息科技有限公司 | 基于多模态数据特征化的安全监测方法及终端 |
CN116705249A (zh) * | 2023-04-19 | 2023-09-05 | 王其景 | 一种用移动端对pacs系统中图像数据的处理显示方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030151611A1 (en) * | 2002-02-12 | 2003-08-14 | Turpin Kenneth A. | Color selection and visualization system and methods of making and using same |
JP2007328771A (ja) * | 2006-05-09 | 2007-12-20 | Matsushita Electric Ind Co Ltd | 機密データ保護装置、自律移動ロボット、機密データ保護方法、コンピュータプログラム及び集積回路 |
EP2747471A1 (en) * | 2012-12-21 | 2014-06-25 | Gemalto SA | Method for certifying a displayed picture |
CN109117892A (zh) * | 2018-08-28 | 2019-01-01 | 国网福建省电力有限公司福州供电公司 | 深度学习大尺寸图片训练检测算法 |
CN109446982A (zh) * | 2018-10-25 | 2019-03-08 | 国网福建省电力有限公司厦门供电公司 | 一种基于ar眼镜的电力屏柜压板状态识别方法及系统 |
CN111210380A (zh) * | 2020-04-20 | 2020-05-29 | 成都华栖云科技有限公司 | 基于深度学习分片式图像数字水印嵌入及解密方法及系统 |
CN111325347A (zh) * | 2020-02-19 | 2020-06-23 | 山东大学 | 基于可解释视觉推理模型的危险预警描述自动生成方法 |
-
2020
- 2020-11-30 CN CN202011370533.0A patent/CN112488900B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030151611A1 (en) * | 2002-02-12 | 2003-08-14 | Turpin Kenneth A. | Color selection and visualization system and methods of making and using same |
JP2007328771A (ja) * | 2006-05-09 | 2007-12-20 | Matsushita Electric Ind Co Ltd | 機密データ保護装置、自律移動ロボット、機密データ保護方法、コンピュータプログラム及び集積回路 |
EP2747471A1 (en) * | 2012-12-21 | 2014-06-25 | Gemalto SA | Method for certifying a displayed picture |
CN109117892A (zh) * | 2018-08-28 | 2019-01-01 | 国网福建省电力有限公司福州供电公司 | 深度学习大尺寸图片训练检测算法 |
CN109446982A (zh) * | 2018-10-25 | 2019-03-08 | 国网福建省电力有限公司厦门供电公司 | 一种基于ar眼镜的电力屏柜压板状态识别方法及系统 |
CN111325347A (zh) * | 2020-02-19 | 2020-06-23 | 山东大学 | 基于可解释视觉推理模型的危险预警描述自动生成方法 |
CN111210380A (zh) * | 2020-04-20 | 2020-05-29 | 成都华栖云科技有限公司 | 基于深度学习分片式图像数字水印嵌入及解密方法及系统 |
Non-Patent Citations (3)
Title |
---|
FITWI,A,ET AL: "Privacy-preserving selective video surveillance", 《,2020 29TH INTERNATIONAL CONFERENCE ON COMPUTER COMMUNICATIONS AND NETWORKS》, pages 1 - 10 * |
沈建冰: "基于混沌序列和小波变换的图像信息安全算法的研究", 《中国优秀博硕士学位论文全文数据库 (硕士)信息科技辑(季刊)》, no. 03, pages 138 - 38 * |
郎利影等: "基于深度学习的联合变换相关器光学图像加密系统去噪方法", 《物理学报》, vol. 69, no. 24, pages 161 - 168 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113407968A (zh) * | 2021-06-29 | 2021-09-17 | 平安国际智慧城市科技股份有限公司 | 目标检测模型的加密方法、装置、设备及存储介质 |
CN116705249A (zh) * | 2023-04-19 | 2023-09-05 | 王其景 | 一种用移动端对pacs系统中图像数据的处理显示方法及系统 |
CN116257142A (zh) * | 2023-05-12 | 2023-06-13 | 福建省亿鑫海信息科技有限公司 | 基于多模态数据特征化的安全监测方法及终端 |
CN116257142B (zh) * | 2023-05-12 | 2023-07-21 | 福建省亿鑫海信息科技有限公司 | 基于多模态数据特征化的安全监测方法及终端 |
Also Published As
Publication number | Publication date |
---|---|
CN112488900B (zh) | 2023-09-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112488900A (zh) | 一种深度学习训练图片加密解密方法 | |
Gao et al. | EFR-CSTP: Encryption for face recognition based on the chaos and semi-tensor product theory | |
Guo et al. | Color image encryption by using Arnold and discrete fractional random transforms in IHS space | |
Lin et al. | Reconstruction algorithm for lost frame of multiview videos in wireless multimedia sensor network based on deep learning multilayer perceptron regression | |
JP2011129096A (ja) | 映像のプライバシーマスキング方法及び装置 | |
CN112395643A (zh) | 一种神经网络的数据隐私保护方法及系统 | |
CN102932650B (zh) | 视频数据完整性保护和验证方法、设备和系统 | |
Wang et al. | BBC++: Enhanced block boundary continuity on defining non-additive distortion for JPEG steganography | |
Yi et al. | Parametric reversible data hiding in encrypted images using adaptive bit-level data embedding and checkerboard based prediction | |
CN106709854A (zh) | 基于猫脸变换和混沌的图像信息融合加密方法 | |
CN106791882A (zh) | 一种图像的编码加密方法及装置 | |
CN112218090B (zh) | 一种彩色二维码嵌入彩色图像的信息隐藏及提取方法 | |
CN112633230B (zh) | 一种人脸加密方法、装置、电子设备及存储介质 | |
Chen et al. | An improved blind watermarking method facing dual color images based on Hadamard transform | |
CN113962286A (zh) | 一种基于分段函数的去中心化逻辑回归分类预测方法 | |
CN117171779A (zh) | 基于交集保护的数据处理装置 | |
Bhardwaj et al. | An enhanced reversible data hiding algorithm using deep neural network for e-healthcare | |
Ishikawa et al. | Learnable Cube-based Video Encryption for Privacy-Preserving Action Recognition | |
Le Philippe et al. | Visual saliency-based confidentiality metric for selective crypto-compressed JPEG images | |
Prabhavathi et al. | Region based medical image encryption using advanced zigzag transform and 2D logistic sine map (2DLSM) | |
Upadhyay et al. | Protection of Digital Image and Text Information Security Using LSB and Crossover Techniques | |
CN114969796A (zh) | 一种结合qr码与s盒混沌置乱的图像隐写方法及系统 | |
Long et al. | A novel medical image encryption scheme based on deep learning feature encoding and decoding | |
Ogla | Symmetric-Based steganography technique using spiral-searching method for HSV color images | |
Asif et al. | High-Capacity Reversible Data Hiding using Deep Learning |
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 |