【技术实现步骤摘要】
本专利技术属于图像加密，具体涉及基于图像隐写术和单像素成像的数字图像隐藏加密方法。
技术介绍
1、随着互联网技术的飞速发展，互联网信息广泛传播，信息安全受到越来越多的关注。光学信息加密技术以其高并行性、高速性和高存储性受到研究者的青睐。近年来，许多学者提出了不同的光学加密方法，如：鬼成像加密、混沌加密等。单像素成像方法由于其不易破解的加密方式，相对简单的加密装置受到了信息安全领域广泛的研究。例如张成功等人提出的基于单像素成像的压缩光学密码系统(c.zhang,b.han,w.he,x.peng and c.xu,"anovel compressive optical encryption via single-pixel imaging,"in ieeephotonics journal,vol.11,no.4,pp.1-8,aug.2019,art no.7801208,doi:10.1109/jphot.2019.2924457.)，使用随机稀疏采样，将明文加密为强度序列，然后采用凸优化算法重建明文。这种利用光学原理的创新加密方法为图像保护和隐私安全提供了一种有前景的解决方案。但是该类加密方法产生的密文呈现混乱性或无规律性，很容易被监听者关注或将进行篡改，安全性低。
2、深度学习模型由于其强大的特征学习能力，能够从大量数据中学习到图像的抽象特征，为加密提供了更加有效的手段。深度学习在图像加密中可以实现端到端的自动化处理，无需手工设计复杂的加密算法，大大提高了加密效率和安全性。因此，近些年来，越来越多的研究者将关注
技术实现思路
1、本专利技术的目的是提供基于图像隐写术和单像素成像的数字图像隐藏加密方法，解决了现有技术中存在的加密算法产生的密文呈现混乱或无规律性，易引起监听者关注的问题。
2、本专利技术所采用的技术方案是，基于图像隐写术和单像素成像的数字图像隐藏加密方法，具体按照以下步骤实施：
3、步骤1、获取秘密图像a和载体图像b，并进行预处理，使其具有相同的分辨率；
4、步骤2、根据秘密图像a的像素值生成哈达玛掩膜，通过单像素成像算法生成一维的密文信息ai；
5、步骤3、构建图像隐写网络模型和密文提取网络模型；
6、步骤4、对步骤3中的网络模型进行训练；
7、步骤5、将载体图像b与密文信息ai输入到训练好的图像隐写网络模型中进行加密，生成隐写图像b’；生成的隐写图像b’能在秘密图像发送者和秘密图像接收者间进行传递；
8、步骤6、将隐写图像b’输入到训练好的密文提取网络模型中进行解密，恢复出重构秘密图像a’。
9、本专利技术的特点还在于：
10、步骤2具体包括以下步骤：
11、步骤2.1、根据秘密图像a像素值生成哈达玛掩膜：秘密图像a像素值为n×n，使用matlab生成2k阶哈达玛矩阵，其中2k=n×n；将2k阶哈达玛矩阵中的-1值全部替换为0，取哈达玛矩阵的行向量，重新排列为n×n的哈达玛相位调制矩阵，即为所需的哈达玛掩膜其中x，y∈[1，n]，i＝1，2，...，n2；
12、步骤2.2、通过单像素成像算法生成一维的密文信息ai：由激光器发射的光束被扩展和准直以照射透射物体图像，将步骤2.1中生成的哈达玛掩膜依次加载到空间光调制器dmd上，以调制光束的光场并照射秘密图像a；由桶探测器采集调制后反射的总光强值，得到根据秘密图像a通过单像素成像生成的密文信息记为ai：
13、
14、步骤3具体为：
15、步骤3.1、构建图像隐写网络模型，用于生成隐写图像；
16、步骤3.2、构建密文提取网络模型，用于从隐写图像中提取秘密图像。
17、步骤3.1中，图像隐写网络模型使用卷积神经网络进行特征提取，卷积神经网络包括卷积层、融合层、归一化层、激活层和反卷积层；卷积层通过聚合输入信息来提取重要特征；融合层将密文信息和载体图像经过预处理块后的两个信息的特征进行整合和提炼；反卷积层使得网络更丰富的学习到图像的多方面特征；在每个卷积层后添加激活函数，将神经网络非线性化。
18、步骤3.2中，密文提取网络模型为由卷积层、归一化层和激活层组成的8个卷积块构成，进行特征提取，通过卷积计算，图像隐写网络模型得到的隐写图像中提取秘密图像；
19、每个卷积层的卷积核大小为3*3，每层后使用relu激活函数，并引入bn运算。
20、步骤4具体为：
21、步骤4.1、将步骤1经过预处理的载体图像b和步骤2经过单像素成像加密的密文信息ai输入到图像隐写网络模型中，然后对图像隐写网络模型和密文提取网络模型进行联合训练；
22、联合训练时，定义模型的联合损失函数为秘密图像与重构秘密图像的均方误差和隐写图像与载体图像的均方误差的加权和，计算公式如下：
23、loss(a，a’，b，b’)＝||a-a’||2+α||b-b’||2 (2)
24、其中，a表示秘密图像，a’表示重构秘密图像，b表示载体图像，b’表示隐写图像，参数α表示两个损失的权重，α的取值范围在[0,1]；
25、使用adam优化器对网络参数进行更新，网络通过adam优化器随迭代次数不断调整网络参数，当网络损失值趋于平稳时，保存图像隐写网络模型参数，完成联合训练；
26、步骤4.2、对密文提取网络模型进行分离训练；
27、具体为：保持步骤4.1保存的图像隐写网络模型参数不变，将预处理的载体图像b和步骤2经过单像素成像加密的密文信息ai输入到图像隐写网络模型中，生成隐写图像，将隐写图像作为密文提取网络模型的输入，辅助密文提取网络进行独立训练，通过adam优化器调整网络参数，当网络损失值趋于平稳时，保存密文提取网络模型和参数，完成分离训练。
28、分离训练时，损失函数设置为秘密图像和重构秘密图像的均方误差，计算公式如下：
29、loss(a，a’)＝||a-a’|| (3)
30、其中a表示秘密图像，a’表示重构秘密图像。
31、本专利技术的有益效果是：
32、本专利技术的基于图像隐写术和单像素成像的数字图像隐藏加密方法，采用基于哈达玛矩阵的单像素成像光学加密方法对秘密图像进行加密，单像素成像有效增强了加密算法的抗计算攻击能力；与深度学习结合将密文信息巧妙地嵌入到载体图像中，生成的隐写图片肉眼几乎察觉不出差别；扩大了密钥空间、增加了加密系统结构的复杂性，同时秘密图像传输过程中未出现混乱或无规律性，有效解决了易引起监听者关注的问题。
本文档来自技高网...【技术保护点】
1.基于图像隐写术和单像素成像的数字图像隐藏加密方法，其特征在于，具体按照以下步骤实施：
2.根据权利要求1所述的基于图像隐写术和单像素成像的数字图像隐藏加密方法，其特征在于，所述步骤2具体包括以下步骤：
3.根据权利要求1所述的基于图像隐写术和单像素成像的数字图像隐藏加密方法，其特征在于，所述步骤3具体为：
4.根据权利要求3所述的基于图像隐写术和单像素成像的数字图像隐藏加密方法，其特征在于，步骤3.1中，所述图像隐写网络模型使用卷积神经网络进行特征提取，所述卷积神经网络包括卷积层、融合层、归一化层、激活层和反卷积层；卷积层通过聚合输入信息来提取重要特征；融合层将密文信息和载体图像经过预处理块后的两个信息的特征进行整合和提炼；反卷积层使得网络更丰富的学习到图像的多方面特征；在每个卷积层后添加激活函数，将神经网络非线性化。
5.根据权利要求3所述的基于图像隐写术和单像素成像的数字图像隐藏加密方法，其特征在于，步骤3.2中，所述密文提取网络模型为由卷积层、归一化层和激活层组成的8个卷积块构成，进行特征提取，通过卷积计算，图像隐写网络模
6.根据权利要求1所述的基于图像隐写术和单像素成像的数字图像隐藏加密方法，其特征在于，所述步骤4具体为：
...【技术特征摘要】
1.基于图像隐写术和单像素成像的数字图像隐藏加密方法，其特征在于，具体按照以下步骤实施：
2.根据权利要求1所述的基于图像隐写术和单像素成像的数字图像隐藏加密方法，其特征在于，所述步骤2具体包括以下步骤：
3.根据权利要求1所述的基于图像隐写术和单像素成像的数字图像隐藏加密方法，其特征在于，所述步骤3具体为：
4.根据权利要求3所述的基于图像隐写术和单像素成像的数字图像隐藏加密方法，其特征在于，步骤3.1中，所述图像隐写网络模型使用卷积神经网络进行特征提取，所述卷积神经网络包括卷积层、融合层、归一化层、激活层和反卷积层；卷积层通过...
【专利技术属性】
技术研发人员：隋连升，王亚文，肖照林，王战敏，
申请(专利权)人：西安理工大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。