一种选择性加密图像的无参考视觉安全分析方法及系统技术方案

本发明专利技术属于图像加密技术领域，提供了一种选择性加密图像的无参考视觉安全分析方法及系统。该方法包括，将待测加密图像输入训练好的无参视觉分析模型，得到图像的保密能力；所述无参视觉分析模型训练的过程包括：元训练过程和元测试过程；所述元训练过程，将需要训练的失真图像数据集划分为训练集和测试集，采用训练集和测试集对神经网络进行双梯度优化，得到先验知识模型；所述元测试过程中，将选择性加密的图像集划分为训练集和测试集，利用训练集中的选择性加密图像对先验知识模型进行微调得到无参视觉分析模型；将测试集中的选择性加密图像输入无参视觉分析模型，得到图像的保密能力。密能力。密能力。

【技术实现步骤摘要】
一种选择性加密图像的无参考视觉安全分析方法及系统


[0001]本专利技术属于图像加密
，尤其涉及一种选择性加密图像的无参考视觉安全分析方法及系统。

技术介绍

[0002]本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
[0003]如今，由于互联网的发展和普及，数字图像变得比以前更容易获得和传播。数字图像是最流行的多媒体形式之一。在频繁的传输和处理过程中会出现许多安全问题。例如，一些不法分子会通过某种方式从传输的图像中窃取信息，以寻求非法利益。此外，图像涉及商业，医学等许多领域。因此，保护数字图像的安全已变得极为重要。近年来，为了保护图像信息和商业秘密的版权，已经开发了许多方案。在这些安全方案中，加密是使用最广泛的方法之一。加密可以分为完全加密和选择性加密两种类型。完全加密的工作量相对较大且复杂。因此，通常使用选择性加密。选择性加密算法仅对多媒体数据的指定部分进行加密，从而保护了多媒体的视觉内容。当前，已经提出了各种选择性加密算法。对于多媒体数据信息进行选择性加密，其可以让原始数据的视觉属性得到很好的保护。因此，选择性加密技术被用于许多领域。评估选择性加密图像的视觉安全具有重要意义。并且视觉安全分析可以衡量加密方法的性能，来帮助我们优化加密方法。目前对选择性加密视觉安全进行分析，通常有两种类型，一种是基于有参考度量，另一种是基于非参考度量。现有的视觉安全评价方法大多数都是基于有参考的，而理想的参考图像往往总是很难获得而且其在传输过程中会遭到破坏。

技术实现思路

>[0004]为了解决上述
技术介绍
中存在的技术问题，本专利技术提供一种选择性加密图像的无参考视觉安全分析方法及系统，其能够根据选择性加密图像的预测分数预测图像的保密能力。
[0005]为了实现上述目的，本专利技术采用如下技术方案：
[0006]本专利技术的第一个方面提供一种选择性加密图像的无参考视觉安全分析方法。
[0007]一种选择性加密图像的无参考视觉安全分析方法，包括：
[0008]将待测加密图像输入训练好的无参视觉分析模型，得到图像的保密能力；
[0009]所述无参视觉分析模型训练的过程包括：元训练过程和元测试过程；
[0010]所述元训练过程，将需要训练的失真图像数据集划分为训练集和测试集，采用训练集和测试集对神经网络进行双梯度优化，得到先验知识模型；
[0011]所述元测试过程中，将选择性加密的图像集划分为训练集和测试集，利用训练集中的选择性加密图像对先验知识模型进行微调得到无参视觉分析模型；将测试集中的选择性加密图像输入无参视觉分析模型，得到图像的保密能力。
[0012]进一步的，所述采用在元训练过程的训练集和测试集对神经网络进行双梯度优化包括：
[0013]采用元训练过程的训练集的图像数据对神经网络的参数进行第一次更新，然后利用更新后的神经网络对元训练过程的测试集的图像数据进行第二次梯度更新。
[0014]进一步的，在将需要训练的失真图像数据集划分为训练集和测试集之前或者在将选择性加密的图像集划分为训练集和测试集之前，包括：对失真图像数据集或者选择性加密的图像集进行预处理，所述预处理包括：将失真图像数据集或者选择性加密的图像集中的图像依次进行统一标准化、翻转、裁剪、缩放处理。
[0015]进一步的，所述微调包括：采用随机下降法对先验知识模型的参数进行优化，以均方误差作为损失函数训练先验知识模型，直到满足收敛条件，得到无参视觉安全分析模型。
[0016]本专利技术的第二个方面提供一种选择性加密图像的无参考视觉安全分析系统。
[0017]一种选择性加密图像的无参考视觉安全分析系统，包括：
[0018]预测模块，其被配置为：将待测加密图像输入训练好的无参视觉分析模型，得到图像的保密能力；
[0019]所述无参视觉分析模型训练的过程包括：
[0020]元训练模块，其被配置为：将需要训练的失真图像数据集划分为训练集和测试集，采用训练集和测试集对神经网络进行双梯度优化，得到先验知识模型；
[0021]元测试模块，其被配置为：将选择性加密的图像集划分为训练集和测试集，利用训练集中的选择性加密图像对先验知识模型进行微调得到无参视觉分析模型；将测试集中的选择性加密图像输入无参视觉分析模型，得到图像的保密能力。
[0022]进一步的，所述采用在元训练过程的训练集和测试集对神经网络进行双梯度优化包括：
[0023]采用元训练过程的训练集的图像数据对神经网络的参数进行第一次更新，然后利用更新后的神经网络对元训练过程的测试集的图像数据进行第二次梯度更新。
[0024]进一步的，在将需要训练的失真图像数据集划分为训练集和测试集之前或者在将选择性加密的图像集划分为训练集和测试集之前，包括：对失真图像数据集或者选择性加密的图像集进行预处理，所述预处理包括：将失真图像数据集或者选择性加密的图像集中的图像依次进行统一标准化、翻转、裁剪、缩放处理。
[0025]进一步的，所述微调包括：采用随机下降法对先验知识模型的参数进行优化，以均方误差作为损失函数训练先验知识模型，直到满足收敛条件，得到无参视觉安全分析模型。
[0026]本专利技术的第三个方面提供一种计算机可读存储介质。
[0027]一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述第一个方面所述的选择性加密图像的无参考视觉安全分析方法中的步骤。
[0028]本专利技术的第四个方面提供一种计算机设备。
[0029]一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述第一个方面所述的选择性加密图像的无参考视觉安全分析方法中的步骤。
[0030]与现有技术相比，本专利技术的有益效果是：
[0031]本专利技术利用元学习的思想对不同任务中学习先验知识模型，能够有效地学习到先
验知识；在进行元学习训练过程中采用了从支持集到查询集的两级梯度优化方法，使得网络模型可以有效地学习到从训练数据到测试数据的适应能力，从而在面对未知任务时可以通过少量的数据微调先验知识模型快速而准确地实现视觉安全分析。
[0032]本专利技术附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本专利技术的实践了解到。
附图说明
[0033]构成本专利技术的一部分的说明书附图用来提供对本专利技术的进一步理解，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。
[0034]图1是本专利技术实施例中选择性加密图像的无参考视觉安全分析方法总体框架图；
[0035]图2是本专利技术实施例中选择性加密图像的无参考视觉安全分析方法的简要流程框图；
[0036]图3是本专利技术实施例提供的选择性加密图像的无参考视觉安全分析方法的网络结构图。
具体实施方式
[0037]下面结合附图与实施例对本专利技术作进一步说明。本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种选择性加密图像的无参考视觉安全分析方法，其特征在于，包括：将待测加密图像输入训练好的无参视觉分析模型，得到图像的保密能力；所述无参视觉分析模型训练的过程包括：元训练过程和元测试过程；所述元训练过程，将需要训练的失真图像数据集划分为训练集和测试集，采用训练集和测试集对神经网络进行双梯度优化，得到先验知识模型；所述元测试过程中，将选择性加密的图像集划分为训练集和测试集，利用训练集中的选择性加密图像对先验知识模型进行微调得到无参视觉分析模型；将测试集中的选择性加密图像输入无参视觉分析模型，得到图像的保密能力。2.根据权利要求1所述的选择性加密图像的无参考视觉安全分析方法，其特征在于，所述采用在元训练过程的训练集和测试集对神经网络进行双梯度优化包括：采用元训练过程的训练集的图像数据对神经网络的参数进行第一次更新，然后利用更新后的神经网络对元训练过程的测试集的图像数据进行第二次梯度更新。3.根据权利要求1所述的选择性加密图像的无参考视觉安全分析方法，其特征在于，在将需要训练的失真图像数据集划分为训练集和测试集之前或者在将选择性加密的图像集划分为训练集和测试集之前，包括：对失真图像数据集或者选择性加密的图像集进行预处理，所述预处理包括：将失真图像数据集或者选择性加密的图像集中的图像依次进行统一标准化、翻转、裁剪、缩放处理。4.根据权利要求1所述的选择性加密图像的无参考视觉安全分析方法，其特征在于，所述微调包括：采用随机下降法对先验知识模型的参数进行优化，以均方误差作为损失函数训练先验知识模型，直到满足收敛条件，得到无参视觉安全分析模型。5.一种选择性加密图像的无参考视觉安全分析系统，其特征在于，包括：预测模块，其被配置为：将待测加密图像输入训练好的无参视觉分析模型，得到图像的保密能力；所述无参视觉分析模型训练的过程包括：元训练模块，其被配置为：将需要训练的失真图像...

【专利技术属性】
技术研发人员：王春兴，包倩，万文博，
申请(专利权)人：山东师范大学，
类型：发明
国别省市：