CN113285797A - 基于压缩感知与深度学习的光回转域多图像加密方法 - Google Patents

基于压缩感知与深度学习的光回转域多图像加密方法 Download PDF

Info

Publication number
CN113285797A
CN113285797A CN202110483699.1A CN202110483699A CN113285797A CN 113285797 A CN113285797 A CN 113285797A CN 202110483699 A CN202110483699 A CN 202110483699A CN 113285797 A CN113285797 A CN 113285797A
Authority
CN
China
Prior art keywords
matrix
image
convolution
encryption
matrixes
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
CN202110483699.1A
Other languages
English (en)
Other versions
CN113285797B (zh
Inventor
王君
倪仁杰
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.)
Sichuan University
Original Assignee
Sichuan 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 Sichuan University filed Critical Sichuan University
Priority to CN202110483699.1A priority Critical patent/CN113285797B/zh
Publication of CN113285797A publication Critical patent/CN113285797A/zh
Application granted granted Critical
Publication of CN113285797B publication Critical patent/CN113285797B/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
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/10—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding
    • H04N19/102—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the element, parameter or selection affected or controlled by the adaptive coding
    • H04N19/132—Sampling, masking or truncation of coding units, e.g. adaptive resampling, frame skipping, frame interpolation or high-frequency transform coefficient masking
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/10—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding
    • H04N19/169—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the coding unit, i.e. the structural portion or semantic portion of the video signal being the object or the subject of the adaptive coding
    • H04N19/17—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the coding unit, i.e. the structural portion or semantic portion of the video signal being the object or the subject of the adaptive coding the unit being an image region, e.g. an object
    • H04N19/176—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the coding unit, i.e. the structural portion or semantic portion of the video signal being the object or the subject of the adaptive coding the unit being an image region, e.g. an object the region being a block, e.g. a macroblock

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Signal Processing (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computer Security & Cryptography (AREA)
  • Image Analysis (AREA)

Abstract

本发明提出了一种基于压缩感知与深度学习的光回转域多图像加密方法。该方法首先对多幅明文图像进行压缩感知（CS）采样得到多个测量值矩阵，然后利用混沌系统对每个测量值矩阵的像素进行置乱处理；其次，将置乱后的多个测量值矩阵合并为一个矩阵，并将其与混沌矩阵进行异或运算；最后，对运算后的矩阵进行随机相位编码，并进行光学回转器变换得到复值矩阵，然后截取复值矩阵的相位作为私钥，保留其振幅作为密文。该方法在解密时利用神经网络对CS测量值进行重建，与传统算法相比具有重建速度快、质量高的优点。此外，该方法在保证高解密质量的同时能将明文图像的数据量压缩8倍。仿真结果证明了该方法对遮挡、噪声和选择明文攻击具有很强的鲁棒性。

Description

基于压缩感知与深度学习的光回转域多图像加密方法
技术领域
本发明涉及一种信息安全和信息光学技术领域的图像压缩加密方法。
背景技术
随着互联网技术的飞速发展，信息安全日益受到重视。数字图像是大部分信息的载体，因此研究图像加密技术具有重要意义。光学多图像非对称加密技术因其加密容量大、速度快、安全性高等特点而受到广泛研究。虽然多图像加密技术可以同时加密更多的信息，但加密后的信息也需要更多的传输带宽。压缩感知(CS)是一种新的信号采样理论，该技术可以被认为是一种对称加密方案，它能同时实现信息的压缩和加密。因此为了减少信息所需的传输带宽，有学者提出了基于CS的光学图像加密方法。然而，此类加密方法大多采用传统的基于迭代的CS重建算法进行解密，这种算法不仅计算量大，而且重建图像的质量受到采样率的限制。最近，有学者提出了一种基于深度学习的CS重建算法，与传统的迭代重建算法相比，该算法不仅显著降低了时间复杂度，而且提高了重建图像的质量。因此，将基于深度学习的CS重建算法应用于图像压缩和加密系统是具有重要意义的。
发明内容
本发明针对上述传统基于压缩感知的多图像加密方法产生的解密速度慢、重建图像质量低等问题，提出一种基于压缩感知与深度学习的光回转域多图像加密方法。所提出的方法将基于深度学习的压缩感知重建算法与光学图像加密相结合，可以同时对多幅图像进行压缩加密。该方法包括加密和解密两个过程。
所述的加密过程分为3个步骤，具体描述为：步骤一，利用随机高斯测量矩阵对m幅大小为N×N的图像(P1(x,y),P2(x,y),…,Pm(x,y))进行CS采样，每幅图的采样率SR满足关系式：SR1+SR2+…+SRm=1。采样后得到m个大小为(SR×N)×N的测量值矩阵；步骤二，利用logistic映射混沌系统对第一步获得的m个矩阵的值进行置乱，将置乱后的矩阵组合成一个大小为N×N的二维矩阵。然后利用混沌系统生成混沌矩阵T(x,y)与组合矩阵进行异或运算，得到加密矩阵I(x,y)；步骤三，使用随机相位掩模对矩阵I(x,y)进行编码，并对其进行光学回转变换得到复值矩阵F(u,v)。然后截取复值矩阵的相位作为私钥，保留振幅作为密文C(u,v)，C(u,v)是大小为N×N的实值密文。
所述的解密过程分为3个步骤，具体描述为：步骤一，将密文C(u,v)与私钥相乘，并进行逆光回转变换。然后将逆变换的输出与随机相位掩模的共轭相乘，得到矩阵I(x,y)；步骤二，将矩阵I(x,y)与混沌矩阵T(x,y)进行异或运算，然后对异或运算后的矩阵进行分解。对分解后的矩阵进行逆置乱，得到m个测量值矩阵；步骤三，将m个测量值矩阵输入训练好的CS重建网络中(CSR-Net)，就能重建出m幅原始明文图像。
所述的基于深度学习的CS重建网络CSR-Net主要由两个级联神经网络模块组成。其一是由全连接层神经网络组成的初始重建模块，用于CS测量值的初始重建；其二是由全卷积神经网络组成的深度重建模块，用于提高初始重建模块输出的图像质量。基于块压缩感知理论，将原始图像分解成大小为32×32的图像块，然后对每个图像块进行CS采样，得到相应的测量值,将测量值输入到网络中，就可以重建原始图像块。因此，初始重建模块由三层组成，第一层的神经元数量由CS的采样率决定，第二层的神经元数量为1024，第三层是重塑层，将第二层输出的长为1024的一维矢量转换成32×32的模糊图像块。深度重构模块由三个卷积层组成，每个卷积层具有不同的卷积核和通道数。在前两个卷积层之后，用激活函数‘ReLU’将非线性因子引入神经网络，使神经网络完成非线性映射。由于在卷积运算中均使用填充卷积，即在卷积之前对图像进行零填充，所以卷积之后图像的大小不会改变。经过深度重建模块后，输入的模糊图像块将成为清晰的重建图像块。利用梯度下降算法对网络进行训练，训练好的CSR-Net网络类似于黑盒子，当输入CS测量值时，即可输出重建好的原始图像。
该方法的有益效果在于：可以同时对多幅图像进行加密，且图像数据量最高可被压缩8倍。该方法利用深度学习算法对CS测量值矩阵进行重建，与传统算法相比，在采样率为0.5的情况下不仅可以获得更高质量的重建图像，而且重建速度提高了497倍。此外，该方法安全性高，能有效抵抗各种特殊攻击。
附图说明
附图1为本发明的加密和解密过程示意图。
附图2为本发明中提出的深度学习CS重建网络。
附图3为本发明加解密结果图。
附图4为本发明的深度学习CS重建算法与传统算法在不同采样率下的重建结果对比。
具体实施方式
下面详细说明本发明一种基于压缩感知与深度学习的光回转域多图像加密方法的一个典型实施例，对该方法进行进一步的具体描述。有必要在此指出的是，以下实施例只用于该方法做进一步的说明，不能理解为对该方法保护范围的限制，该领域技术熟练人员根据上述该方法内容对该方法做出一些非本质的改进和调整，仍属于本发明的保护范围。
本发明提出一种基于压缩感知与深度学习的光回转域多图像加密方法，所提出的方法将基于深度学习的压缩感知重建算法与光学图像加密相结合，可以同时对多幅图像进行压缩加密，该方法包括加密和解密两个过程。该方法包括加密和解密两个过程，所述的多图像加密和解密过程如图1所示。
所述的加密过程分为3个步骤，具体描述为：步骤一，利用随机高斯测量矩阵对m幅大小为N×N的图像(P1(x,y),P2(x,y),…,Pm(x,y))进行CS采样，每幅图的采样率SR满足关系式：SR1+SR2+…+SRm=1。采样后得到m个大小为(SR×N)×N的测量值矩阵；步骤二，利用logistic映射混沌系统对第一步获得的m个矩阵的值进行置乱。将置乱后的矩阵组合成一个大小为N×N的二维矩阵，然后利用混沌系统生成混沌矩阵T(x,y)与组合矩阵进行异或运算，得到加密矩阵I(x,y)；步骤三，使用随机相位掩模对矩阵I(x,y)进行编码，并对其进行光学回转变换得到复值矩阵F(u,v)。然后截取复值矩阵的相位作为私钥，保留振幅作为密文C(u,v)，C(u,v)是大小为N×N的实值密文。
所述的解密过程分为3个步骤，具体描述为：步骤一，将密文C(u,v)与私钥相乘，并进行逆光回转变换，然后将逆变换的输出与随机相位掩模的共轭相乘，得到矩阵I(x,y)；步骤二，将矩阵I(x,y)与混沌矩阵T(x,y)进行异或运算。然后对异或运算后的矩阵进行分解，对分解后的矩阵进行逆置乱，得到m个测量值矩阵；步骤三，将m个测量值矩阵输入训练好的CS重建网络中(CSR-Net)，就能重建出m幅原始明文图像。
所述的基于深度学习的CS重建网络CSR-Net的网络结构如图2所示，该网络主要由两个级联神经网络模块组成。其一是由全连接层神经网络组成的初始重建模块，用于CS测量值的初始重建；其二是由全卷积神经网络组成的深度重建模块，用于提高初始重建模块输出的图像质量。基于块压缩感知理论，将原始图像分解成大小为32×32的图像块，然后对每个图像块进行CS采样，得到相应的测量值,将测量值输入到网络中，就可以重建原始图像块。因此，初始重建模块由三层组成，第一层的神经元数量由CS的采样率决定，第二层的神经元数量为1024，第三层是重塑层，将第二层输出的长为1024的一维矢量转换成32×32的模糊图像块。深度重构模块由三个卷积层组成，每个卷积层具有不同的卷积核和通道数。在前两个卷积层之后，用激活函数‘ReLU’将非线性因子引入神经网络，使神经网络完成非线性映射。由于在卷积运算中均使用填充卷积，即在卷积之前对图像进行零填充，所以卷积之后图像的大小不会改变。经过深度重建模块后，输入的模糊图像块将成为清晰的重建图像块。利用梯度下降算法对网络进行训练，训练好的CSR-Net网络类似于黑盒子，当输入CS测量值时，即可输出重建好的原始图像。
本发明的实例中，计算平台采用Core i5-4590 CPU、8GB RAM的Windows10操作系统，程序设计语言是Python3.7。网络训练采用的是包含91张图像的DR2-Net数据库，训练时使用均方误差函数(MSE)作为损失函数。仿真时采用4张大小为512×512的数字图像Girl,Peppers, Man,和Butterfly。图3是加解密的结果图，(a)-(d)是原始图像，(e)是相位私钥匙，(f)是密文，(g)-(j)是解密后的图像。图4是本发明的提出的深度学习CS重建算法与传统算法在不同采样率下的重建结果对比。图中(a)-(d)的采样率分别是0.5,0.25,0.125和0.0625。第一行是传统算法的重建结果，第二行为本发明的重建结果。可以看出本发明的算法在采样率很低的情况下依然可以重建出高质量的图像。

Claims (2)

1.基于压缩感知与深度学习的光回转域多图像加密方法，其特征在于将基于深度学习的压缩感知(CS)重建算法与光学图像加密相结合，该方法包括加密和解密两个部分；所述的加密过程具体描述为：步骤一，利用随机高斯测量矩阵对m幅大小为N×N的图像(P1(x,y),P2(x,y),…,Pm(x,y))进行CS采样，每幅图的采样率SR满足关系式：SR1+SR2+…+SRm=1，采样后得到m个大小为(SR×N)×N的测量值矩阵；步骤二，利用logistic映射混沌系统对第一步获得的m个矩阵的值进行置乱，将置乱后的矩阵组合成一个大小为N×N的二维矩阵，然后利用混沌系统生成混沌矩阵T(x,y)与组合矩阵进行异或运算，得到加密矩阵I(x,y)；步骤三，使用随机相位掩模对矩阵I(x,y)进行编码，并对其进行光学回转变换得到复值矩阵F(u,v)，然后截取复值矩阵的相位作为私钥，保留振幅作为密文C(u,v)，C(u,v)是大小为N×N的实值密文；所述的解密过程具体描述为：步骤一，将密文C(u,v)与私钥相乘，并进行逆光回转变换，然后将逆变换的输出与随机相位掩模的共轭相乘，得到矩阵I(x,y)；步骤二，将矩阵I(x,y)与混沌矩阵T(x,y)进行异或运算，然后对异或运算后的矩阵进行分解，对分解后的矩阵进行逆置乱，得到m个测量值矩阵；步骤三，将m个测量值矩阵输入训练好的CS重建网络中(CSR-Net)，就能重建出m幅原始明文图像。
2.根据权利要求1所述的基于压缩感知与深度学习的光回转域多图像加密方法，所述的基于深度学习的CS重建网络CSR-Net，主要由两个级联神经网络模块组成；其一是由全连接层神经网络组成的初始重建模块，用于CS测量值的初始重建，其二是由全卷积神经网络组成的深度重建模块，用于提高初始重建模块输出的图像质量；基于块压缩感知理论，将原始图像分解成大小为32×32的图像块，然后对每个图像块进行CS采样，得到相应的测量值,将测量值输入到网络中，就可以重建原始图像块；因此，初始重建模块由三层组成，第一层的神经元数量由CS的采样率决定，第二层的神经元数量为1024，第三层是重塑层，将第二层输出的长为1024的一维矢量转换成32×32的模糊图像块；深度重构模块由三个卷积层组成，每个卷积层具有不同的卷积核和通道数；在前两个卷积层之后，用激活函数‘ReLU’将非线性因子引入神经网络，使神经网络完成非线性映射；由于在卷积运算中均使用填充卷积，即在卷积之前对图像进行零填充，所以卷积之后图像的大小不会改变；经过深度重建模块后，输入的模糊图像块将成为清晰的重建图像块；利用梯度下降算法对网络进行训练，训练好的CSR-Net网络类似于黑盒子，当输入CS测量值时，即可输出重建好的原始图像。
CN202110483699.1A 2021-04-30 2021-04-30 基于压缩感知与深度学习的光回转域多图像加密方法 Active CN113285797B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110483699.1A CN113285797B (zh) 2021-04-30 2021-04-30 基于压缩感知与深度学习的光回转域多图像加密方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110483699.1A CN113285797B (zh) 2021-04-30 2021-04-30 基于压缩感知与深度学习的光回转域多图像加密方法

Publications (2)

Publication Number Publication Date
CN113285797A true CN113285797A (zh) 2021-08-20
CN113285797B CN113285797B (zh) 2022-05-10

Family

ID=77277901

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110483699.1A Active CN113285797B (zh) 2021-04-30 2021-04-30 基于压缩感知与深度学习的光回转域多图像加密方法

Country Status (1)

Country Link
CN (1) CN113285797B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113852955A (zh) * 2021-09-23 2021-12-28 北京邮电大学 一种无线感知网络中安全数据传输与合法节点认证的方法
CN113973161A (zh) * 2021-10-29 2022-01-25 重庆邮电大学 基于深度学习的压缩感知与混沌系统的新型图像加密方法
CN115766965A (zh) * 2022-11-29 2023-03-07 广东职业技术学院 一种试卷图像文件处理方法及存储介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105243635A (zh) * 2015-08-21 2016-01-13 南昌大学 基于二维压缩感知与混沌系统的图像加密方法
CN107835333A (zh) * 2017-11-21 2018-03-23 上海理工大学 基于压缩感知关联成像的多图像加密方法
CN109560915A (zh) * 2018-11-27 2019-04-02 广西师范大学 一种基于混沌和幅相编码的非线性双图像加密方法
US10387660B1 (en) * 2016-10-17 2019-08-20 National Technology & Engineering Solutions Of Sandia, Llc Computational optical physical unclonable function
CN110390622A (zh) * 2019-07-18 2019-10-29 江西财经大学 一种基于半张量积压缩感知的加密方法
CN111243047A (zh) * 2020-01-21 2020-06-05 齐齐哈尔大学 基于自适应非线性网络的图像压缩感知方法及相关产品
CN111800251A (zh) * 2020-05-21 2020-10-20 北京邮电大学 基于混沌源的图像压缩感知加密、解密方法、装置及系统
CN112134681A (zh) * 2020-08-19 2020-12-25 河南大学 基于压缩感知和光学变换的图像压缩加密方法和云辅助解密方法
US20210124837A1 (en) * 2019-10-24 2021-04-29 At&T Intellectual Property I, L.P. Encoding and concealing information using deep learning

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105243635A (zh) * 2015-08-21 2016-01-13 南昌大学 基于二维压缩感知与混沌系统的图像加密方法
US10387660B1 (en) * 2016-10-17 2019-08-20 National Technology & Engineering Solutions Of Sandia, Llc Computational optical physical unclonable function
CN107835333A (zh) * 2017-11-21 2018-03-23 上海理工大学 基于压缩感知关联成像的多图像加密方法
CN109560915A (zh) * 2018-11-27 2019-04-02 广西师范大学 一种基于混沌和幅相编码的非线性双图像加密方法
CN110390622A (zh) * 2019-07-18 2019-10-29 江西财经大学 一种基于半张量积压缩感知的加密方法
US20210124837A1 (en) * 2019-10-24 2021-04-29 At&T Intellectual Property I, L.P. Encoding and concealing information using deep learning
CN111243047A (zh) * 2020-01-21 2020-06-05 齐齐哈尔大学 基于自适应非线性网络的图像压缩感知方法及相关产品
CN111800251A (zh) * 2020-05-21 2020-10-20 北京邮电大学 基于混沌源的图像压缩感知加密、解密方法、装置及系统
CN112134681A (zh) * 2020-08-19 2020-12-25 河南大学 基于压缩感知和光学变换的图像压缩加密方法和云辅助解密方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
X.CHAI: "An image encryption algorithm based on chaotic system and compressive sensing", 《SIGNAL. PROCESS.》 *
王厚林等: "一种基于压缩感知与混沌系统的比特级图像加密方法", 《软件导刊》 *
陈炜: "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》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113852955A (zh) * 2021-09-23 2021-12-28 北京邮电大学 一种无线感知网络中安全数据传输与合法节点认证的方法
CN113852955B (zh) * 2021-09-23 2024-04-05 北京邮电大学 一种无线感知网络中安全数据传输与合法节点认证的方法
CN113973161A (zh) * 2021-10-29 2022-01-25 重庆邮电大学 基于深度学习的压缩感知与混沌系统的新型图像加密方法
CN113973161B (zh) * 2021-10-29 2023-11-21 重庆邮电大学 基于深度学习的压缩感知与混沌系统的图像加密方法
CN115766965A (zh) * 2022-11-29 2023-03-07 广东职业技术学院 一种试卷图像文件处理方法及存储介质

Also Published As

Publication number Publication date
CN113285797B (zh) 2022-05-10

Similar Documents

Publication Publication Date Title
CN113285797B (zh) 基于压缩感知与深度学习的光回转域多图像加密方法
Man et al. Double image encryption algorithm based on neural network and chaos
Yasser et al. A new image encryption scheme based on hybrid chaotic maps
Li et al. Modified integral imaging reconstruction and encryption using an improved SR reconstruction algorithm
Heucheun Yepdia et al. A robust and fast image encryption scheme based on a mixing technique
Lin et al. An image encryption scheme based on Lorenz hyperchaotic system and RSA algorithm
Shafique et al. Noise-resistant image encryption scheme for medical images in the chaos and wavelet domain
CN111654368B (zh) 一种基于深度学习生成对抗网络的密钥生成方法
CN110139000B (zh) 基于压缩感知和生命游戏置乱的图像压缩加密方法
CN109660696B (zh) 一种新的图像加密方法
Yuan et al. Optical image transformation and encryption by phase-retrieval-based double random-phase encoding and compressive ghost imaging
CN107239708A (zh) 一种基于量子混沌映射和分数域变换的图像加密方法
Ni et al. Multi-image encryption based on compressed sensing and deep learning in optical gyrator domain
CN111709867B (zh) 基于新型全卷积网络的等模矢量分解图像加密分析方法
CN115580687B (zh) 基于变参数超混沌系统与s形扩散的多图像加密方法
CN111064558B (zh) 一种基于云计算的同态加密矩阵连乘安全外包方法
He et al. A deep learning based attack for the chaos-based image encryption
Yang et al. Securing color image by using bit-level modified integer nonlinear coupled chaos model in Fresnel diffraction domains
Ma et al. Quantum color image compression and encryption algorithm based on Fibonacci transform
Jing et al. Meaningful ciphertext encryption algorithm based on bit scrambling, discrete wavelet transform, and improved chaos
CN112351151B (zh) 基于fcn的图像信息加密方法及装置
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
Wang et al. Multiple color image encryption based on cascaded quaternion gyrator transforms
Zhou et al. Learning-based optical authentication in complex scattering media
CN113674365B (zh) 一种基于混沌和计算全息的图像分块加密方法及系统

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