基于自编码器结合关联成像的图像加密方法与流程

文档序号:16247001发布日期:2018-12-11 23:40阅读:669来源:国知局
基于自编码器结合关联成像的图像加密方法与流程

本发明涉及一种图像处理技术,特别涉及一种基于自编码器结合关联成像的图像加密方法。

背景技术

随着计算机网络的快速发展,图像在网络种传输的数量越来越多,引发人们对图像信息安全传输的关注。加密是防止信息泄露所采取的主要安全保密措施,是最常用的安全保密手段,加密的基本思想是利用诸如算法等一些技术方法把重要的数据进行加密传输,到达目的地后再用相同或不同的手段进行解密。

关联成像加密方案主要是将信息加载在待成像的物体上,使得信息扩散在物体的空间分布信息中,并以一次一密的方式分发密钥,密钥的随机性增强了密文的随机性,进而增加了破译难度。但随着技术的发展,计算机运算能力越来越强,使得暴力破解这种加密方法变得越来越简单。在信息传输过程中,攻击者可以通过一些数据分析到算法信息,将截取的加密信息进行破译,这就会导致重要信息泄露,造成安全威胁。

因此,现有技术中的信息加密方法存在容易被暴力破解而导致的信息安全问题。



技术实现要素:

本发明是针对现有技术中的信息加密方法存在容易被暴力破解而导致的信息安全的问题,提出了一种基于自编码器结合关联成像的图像加密方法,提高了信息加密的安全性。

本发明的技术方案为:一种基于自编码器结合关联成像的图像加密方法,具体包括如下步骤:

1)首先将待加密图像进行编码组成数据集,以及获取预先设置的自编器网络,自编码器网络包括编码部分和解码部分;

2)通过神经网络对自编码器网络模型进行训练得到初始化权值,并利用该初始化权值对自编码器不断优化,通过设置隐藏层神经元的个数获得权值矩阵wr,r=1,2...z,z为隐藏层中神经元的个数;将此权值矩阵wr看作是关联成像中的随机调制信号ir,权值矩阵wr与待加密的图像数据t进行关联获得密文br,权值矩阵wr作为密钥kr;

3)传输者和接收方共享所述密钥kr,双方之间传输所述密文br;

4)基于数据集使用代价函数及反向传播算法对步骤2)中自编码器网络进行调整,得到最优的自编码器网络,利用自编码器网络的解码部分的权值矩阵wr和密文br进行压缩感知计算,重建明文信息实现解密。

所述步骤1)中预先设置的自编器网络包括三层,第一层输出层和第二层隐藏层组成编码部分,第二层隐藏层和第三层输出层组成解码部分,第一层和第三层的神经元个数均为35,第二层的神经元的个数为25。

所述步骤2)中神经网络为多层神经网络,则基于自编码器原理采用代价函数及反向传播算法通过神经网络对自编码器网络模型进行预训练得到初始化权值,此确定第一层的权重参数,然后固定第一层的参数,对第二层的参数进行同样方法训练,以此类推,直到得到所有权重值w。

所述步骤2)中密文br=∫dxdywr(x,y)t(x,y),r=1,2...z,

其中t(x,y)是指待加密的图像数据,其中x和y指图像数据对应像素点的坐标,z为隐藏层中神经元的个数,且z的多少决定密文的大小。

所述步骤4)解密过程如下:

tcs=t;min||t(x,y)||l1subjectto:

br=∫dxdywr(x,y)t(x,y)(r=1,2...z)

其中||*||l1表示1-范数,tcs表示重构图像的信息,z为隐藏层中神经元的个数。

本发明的有益效果在于:本发明基于自编码器结合关联成像的图像加密方法,通过上述过程训练出最优的自编码器网络,进而基于该自编码器网络并结合关联成像实现信息的加密及解密,从而使得信息在传输过程中无法被非法截取并暴力破解,进而有效提高了信息的安全性。增加了加密的可靠性及灵活性。

附图说明

图1为本发明基于自编码器结合关联成像的图像加密方法示意图;

图2为本发明基于自编码器结合关联成像的图像加密方法中自编码器网络为三层时的结构示意图。

具体实施方式

基于自编码器结合关联成像的图像加密方法,首先将待加密图像进行编码组成数据集,以及获取预先设置的自编码器网络,自编码器网络包括编码部分和解码部分;在编码过程中,通过神经网络对自编码器网络模型进行训练得到初始化权值,并利用该初始化权值对自编码器不断优化,通过设置隐藏层神经元的个数获得权值矩阵,将此权值矩阵看作是关联成像中的随机调制信号,权值矩阵与待加密的图像数据进行关联获得密文,权值矩阵作为密钥;在信息传输时,传输者和接收方共享所述密钥,双方之间传输所述密文;在解码过程中,基于数据集使用代价函数及反向传播算法对初始化的自编码器网络进行调整,得到最优的自编码器网络,利用自编码器网络的解码部分的权值矩阵和密文进行压缩感知计算,重建明文信息实现解密,从而提高了信息加密的安全性。

一种基于自编码器结合关联成像的图像加密方法,如图1所示,图中采用经典赝热光场实现关联成像,只使用一个没有空间分辨率的桶探测器收集经过物体衍射后的光强值,清晰的恢复出目标物体的图像信息。一束平行光经过相位随机图片调制后打到待成像的物体上,单孔探测器探测经物体衍射后总的光强。随后在计算机内,同样的相位随机图片经过自由衍射传播后的光场分布与单孔探测器探测到的光强进行关联就可以得到物体的信息。关联成像中一个重要的器件为液晶空间光调制器(spatiallightmodulator,slm),它放置在探测光路这一臂,通过控制输送给空间光调制器一系列相位随机图片反射出的时间上相互独立的光束打到要成像的物体。桶状探测器放置在最后,收集经过物体衍射后总的光强。包括如下步骤:

步骤1:首先将待加密图像进行编码组成数据集,以及获取预先设置的自编器网络,自编码器网络包括编码部分和解码部分;

本发明中将图片大小为21×21的手写数字集作为自编码器网络的训练集,并且本发明中自编码器网络的训练集和测试集完全一样,由此可以保证训练出来的自编码器网络在编码和解码过程中正确率为100%。另外,如图2所示,自编码器网络的第一层和第二层可以组成编码部分,第二层和第三层可以组成解码部分,从左到右分别具有的神经元个数为35,25,35,对应的影响该自编码器网络正确编码和解码的变量个数为35×25+25×35+35+25+35=1845,这些变量在自编码器网络的每次最终训练后所取的值都是完全不同的,而且这些变量只要跟训练结束后的值不是完全一样,则无法进行正确的解码,可见本发明中的加密方法信息安全保密等级高。

步骤2编码:通过神经网络对自编码器网络模型进行训练得到初始化权值,并利用该初始化权值对自编码器不断优化。如图2,将带待加密信息,作为编码部分的输入,定期对自编码器网络中指定两层对应的自编码器网络模型进行重新训练,并用训练得到的初始权值更新两层之间的权值,进行不断的优化。通过设置隐藏层神经元的个数获得权值矩阵wr,将此权值矩阵wr看作是关联成像中的随机调制信号ir,权值矩阵wr与待加密的图像数据t进行关联获得密文br,权值矩阵wr作为密钥kr。

基于自编码器原理采用代价函数及反向传播算法通过神经网络对自编码器网络模型进行预训练得到初始化权值;

对于多层神经网络的参数初始化问题,我们可以依次对每一层进行自编码。具体做法是首先按照上述方法确定第一层的权重参数,然后固定第一层的参数,对第二层的参数进行训练,以此类推,直到得到所有权重值w。

br=∫dxdywr(x,y)t(x,y)(r=1,2...z)

其中t(x,y)是指待加密的图像数据,其中x和y指图像数据对应像素点的坐标,z为隐藏层中神经元的个数,且z的多少决定密文的大小。

步骤3传输:传输者和接收方共享所述密钥kr,双方之间传输所述密文br;

步骤4解码:基于数据集使用代价函数及反向传播算法对初始化的自编码器网络进行调整,得到最优的自编码器网络,利用自编码器网络的解码部分的权值矩阵wr和密文br进行压缩感知计算,重建明文信息实现解密,从而提高了信息加密的安全性。

tcs=t;min||t(x,y)||l1subjectto:

br=∫dxdywr(x,y)t(x,y)(r=1,2...z)

其中||*||l1表示1-范数,tcs表示重构图像的信息,z为隐藏层中神经元的个数。

当前第1页1 2 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1