【技术实现步骤摘要】
本专利技术涉及图像信息安全，尤其是一种基于神经网络多特征图的图像加密方法。
技术介绍
1、在当今时代，随着人工智能技术的飞速发展和大数据技术的广泛应用，图像数据已成为信息传递和交流的重要载体。无论是社交媒体、电子商务还是智能监控等领域，图像数据的使用都呈现出爆炸性增长。然而，这种数据量的激增也带来了一系列安全问题，尤其是图像数据的保密性和隐私性问题日益凸显。传统的图像加密技术在面对海量数据和复杂算法的挑战时，往往存在效率低下、安全性不足等问题，难以满足现代社会对数据安全的需求。
技术实现思路
1、为解决上述现有技术问题，本专利技术提供一种基于神经网络多特征图的图像加密方法。
2、一种基于神经网络多特征图的图像加密方法，包括以下步骤：
3、加密：将原始图像填充或裁剪为阈值大小，通过编码网络对修改后的每个图片进行4次下采样，得到4个特征图片，将生成的4个特征图片以矩阵的形式保存，得到加密后的文件；
4、解密：通过python库读取加密后的文件，将特征图像传入解码网络输入口，对特征图像进行上采样，与上一尺度特征图像在通道上相加，输出最后得到的图像，将输出图像进行拼接或剪切得到原始图片。
5、进一步的，所述加密具体包括：
6、步骤101：通过填充和切图的方式对原始图像x大小进行调整，得到1个或多个和阈值大小一样的图片，并对原始图片大小进行记录；
7、步骤102：将步骤101得到的所有图片传入编码网络，并对每个图片进行4
8、步骤103：保存得到的所有特征图像，并作为加密后的文件。
9、进一步的，所述解密具体包括：
10、步骤201：通过python库读取加密后的文件，将文件中的特征图像分别传入解码网络输入口，对特征图像x4,0进行上采样后和特征图像x3,0相加得到图像x3,1；
11、步骤202：对特征图像x3,0进行上采样后和特征图像x2,0相加得到x2,1，对图像x3,1进行上采样后再与图像x2,1和特征图像x2,0相加得到图像x2,2；
12、步骤203：对特征图像x2,0进行上采样后和特征图像x1,0相加得到图像x1,1，对图像x2,1上采样后再与图像x1,1和特征图像x1,0相加得到图像x1.2；对图像x2,2进行上采样后再与图像x1,2、图像x1,1以及特征图像x1,0相加得到图像x1,3；
13、步骤204：对特征图像x1,0上采样后和原始图像x相加得到图像x0,1，对图像x1.1上采样后再与图像x0,1和原始图像x相加得到图像x0,2，对图像x1.2上采样后再与图像x0.2、图像x0,1以及原始图像x相加得到图像x0,3，对图像x1.3上采样后再与图像x0.3、图像x0.2、图像x0,1以及原始图像x相加得到图像x0,4；输出图像x0,4。
14、进一步的，所述步骤101的填充和切图方式具体为：
15、步骤101：判断原始图像x的大小是否符合阈值；
16、步骤102：若原始图像x的长或宽大于阈值，则对原始图像x按照阈值的倍数进行填充，然后根据阈值大小进行切分，得到多个切分后的图片；
17、步骤103：若原始图像x长和宽均小于阈值，则将原始图像x填充成阈值大小，得到填充后的图片。
18、进一步的，所述传入编码网络的图片尺度为（3,h,w），获得的特征图像x1,0为(64,h/2,w/2)，特征图像x2,0为(128,h/2,w/2)，特征图像x3,0为(256,h/4,w/4)和特征图像x4,0为(512,h/8,w/8)，其中，尺度第一位数字表示通道数，h表示图像的高，w表示图像的宽。
19、进一步的，所述下采样通过一层卷积+relu激活层+最大池化层减少特征图的空间维度和提高通道维度数量。
20、进一步的，下采样通过将解密过程输出的图像x0,1、图像x0,2、图像x0,3和图像x0,4，与原始图像x做损失，通过多轮训练得到网络模型的权重。
21、进一步的，损失公式为：
22、
23、其中，是总损失，l1是图像x0,1的损失，l2是图像x0,2的损失，l3是图像x0,3的损失，l4是图像x0,4的损失，λ1，λ2、λ3、λ4是对应各个损失的权重。
24、进一步的，所述上采样为：
25、，
26、其中，是上采样后的特征图中位置（x,y）处，深度为d的像素值；是原始特征图f中位置（i,j）处，深度为d的像素值；是上采样核中相应的元素，上采样核定义了如何将原始特征图的像素值映射到上采样特征图的像素值，h为图像高度，w为图像宽度。
27、本专利技术的有益效果：本专利技术提供一种新型的图像加密技术，以应对人工智能和大数据时代下的图像数据安全挑战，本专利技术结合先进人工智能算法，通过编解码结构、深度学习等方法优化加密过程，旨在提高图像加密的效率和安全性，同时提高了图像存储空间。
本文档来自技高网...【技术保护点】
1.一种基于神经网络多特征图的图像加密方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于神经网络多特征图的图像加密方法，其特征在于，所述加密具体包括：
3.根据权利要求2所述的一种基于神经网络多特征图的图像加密方法，其特征在于，所述解密具体包括：
4.根据权利要求2所述的一种基于神经网络多特征图的图像加密方法，其特征在于，所述步骤101的填充和切图方式具体为：
5.根据权利要求2所述的一种基于神经网络多特征图的图像加密方法，其特征在于，所述传入编码网络的图片尺度为（3,H,W），获得的特征图像X1,0为(64,H/2,W/2)，特征图像X2,0为(128,H/2,W/2)，特征图像X3,0为(256,H/4,W/4)和特征图像X4,0为(512,H/8,W/8)，其中，尺度第一位数字表示通道数，H表示图像的高，W表示图像的宽。
6.根据权利要求1所述的一种基于神经网络多特征图的图像加密方法，其特征在于，所述下采样通过一层卷积+RELU激活层+最大池化层减少特征图的空间维度和提高通道维度数量。
8.根据权利要求7所述的一种基于神经网络多特征图的图像加密方法，其特征在于，损失公式为：
9.根据权利要求1所述的一种基于神经网络多特征图的图像加密方法，其特征在于，所述上采样为：
...【技术特征摘要】
1.一种基于神经网络多特征图的图像加密方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于神经网络多特征图的图像加密方法，其特征在于，所述加密具体包括：
3.根据权利要求2所述的一种基于神经网络多特征图的图像加密方法，其特征在于，所述解密具体包括：
4.根据权利要求2所述的一种基于神经网络多特征图的图像加密方法，其特征在于，所述步骤101的填充和切图方式具体为：
5.根据权利要求2所述的一种基于神经网络多特征图的图像加密方法，其特征在于，所述传入编码网络的图片尺度为（3,h,w），获得的特征图像x1,0为(64,h/2,w/2)，特征图像x2,0为(128,h/2,w/2)，特征图像x3,0为(256,h/4,w/4)和特征图像x4,0...
【专利技术属性】
技术研发人员：何永涛，黄福建，揭小丽，谭春，钟旭，
申请(专利权)人：成都之维安科技股份有限公司，
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。