CN111709867B - 基于新型全卷积网络的等模矢量分解图像加密分析方法 - Google Patents
基于新型全卷积网络的等模矢量分解图像加密分析方法 Download PDFInfo
- Publication number
- CN111709867B CN111709867B CN202010524057.7A CN202010524057A CN111709867B CN 111709867 B CN111709867 B CN 111709867B CN 202010524057 A CN202010524057 A CN 202010524057A CN 111709867 B CN111709867 B CN 111709867B
- Authority
- CN
- China
- Prior art keywords
- encryption
- layers
- analysis
- convolution
- image
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T1/00—General purpose image data processing
- G06T1/0021—Image watermarking
- G06T1/005—Robust watermarking, e.g. average attack or collusion attack resistant
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明提出一种基于新型全卷积网络的等模矢量分解图像加密分析方法。该方法包括:基于等模矢量分解的加密***、加密分析的网络模型、网络训练与加密***分析四部分。通过输入明文‑密文对对设计好的加密分析网络模型进行训练,然后通过训练好的加密分析网络模型,输入密文图像,即可获得攻击分析的结果,即恢复的高质量明文图像。所提出的加密分析方法相比传统攻击方法,无需知道加密秘钥或私钥及其他加密***参数等即可实现有效的加密分析,能够恢复恢复出高质量的明文图像;提出的深度学习方法,其训练时间短,相比传统方法训练速度提高了7倍;提出的方法具有较好的泛化能力,能够采用一种图像库训练,而采用另一种图像库进行测试成功;最后,该方法对传输中的噪声和裁剪也有较好的鲁棒性。
Description
技术领域
本发明涉及一种信息安全和信息光学技术领域,特别是图像加密分析方法。
背景技术
随着信息时代的到来,信息安全受到了越来越多的重视。图像往往能提供丰富的信息,因此图像加密成为一个至关重要的问题。 2015年蔡提出了基于等模分离(EMD)的图像加密方法,该方法将一个二维矢量分解为两个二维矢量,为图像加密提供了安全的单向活板门函数,因此被广泛应用于灰度图像加密中。深度学习作为一种特征提取的有效方法也被用于图像加密分析当中,但是目前仅有基于双随机相位编码的加密***等被深度学习方法攻破,对于加密安全性更高的非对称加密方法如基于等模矢量分解的图像加密方法,深度学习方法的加密分析方法还未有报道。而深度学习网络需要重新设计,以适应新的加密***的攻击分析方法。因此,基于深度学习的等模矢量分解图像加密分析仍有很大的研究潜力。
发明内容
本发明针对上述传统深度学习网络无法攻击分析基于等模矢量分解图像加密的问题,提出一种基于新型全卷积网络的等模矢量分解图像加密分析方法。该方法包括:基于等模矢量分解的加密***、加密分析的网络模型、网络训练与加密***分析四部分。
所述的基于等模矢量分解的加密***包括加密和解密过程,其加密过程具体描述为:待加密图像先经过复数化和域变换,再采用等模矢量分解方法,获得密文和私钥,其加密过程表述为[C, P]=EMD{DT[F(I, M)]}, 其解密过程是加密过程的逆过程,可表述为I=|IDT(C+P)|2, 其中,I为待加密图像,M为范围在[0, 2π]的随机相位板,F(I, M)为复数化,其具体过程可表示为F(I, M)=sqrt(I)×exp(i×M),DT[•]为域变换, EDM{•}为等模矢量分解,IDT[•]为逆域变换,|•|为取模运算,C和P分别表示密文和私钥,密文和私钥每个像素的模分别相等。
所述的加密分析的网络模型是一种新型全卷积网络,属于深度学习神经网络,该网络模型包含输入层、隐藏层和输出层,其中输入层为32×32×1的密文图像,输出层为32×32×1的加密分析结果图像;所述的隐藏层总共包含9层网络,前4层为下采样层,其大小依次为16×16×28,8×8×36,4×4×38,2×2×42,前4层与输入层的层间都由下采样块连接,后5层为上采样层,其大小依次为2×2×48,4×4×48,8×8×46,16×16×48,32×32×48,后5层与前4层之间由卷积块连接,后5层的层间由上采样块连接,后5层与输出层之间由卷积块连接;所述的下采样块包括2个连续的卷积块,其卷积核大小为3×3,步长分别为1和2;所述的卷积块包括卷积运算、正则化和激活单元,第一个卷积块的卷积核大小为3×3,第二个卷积块的卷积核核大小为1×1。
所述的网络训练是深度学习神经网络模型的训练过程,首先是数据预处理,将待加密图像调整尺寸统一为32×32,像素值归一化到-1和1之间,将选择的训练数据库的图像通过所述的等模矢量分解加密过程得到密文与明文真值对,再将其分为训练集和测试集,将训练集输入到待训练的网络模型,通过训练得到训练好的网络模型。
所述的加密***分析是将测试集的任意密文输入到训练好的网络模型中,可以得到相应的明文,同时,还可以与相应的明文真值对比,测试所述的新型全卷积网络的加密分析效果。
所述的域变换,包括但不限于:可光学实现的空域与频域之间的变换如傅里叶变换,或者光学衍射过程对应的菲涅尔衍射变换等。
该方法的有益效果在于:所提出的加密分析方法相比传统攻击方法,无需知道加密秘钥或私钥及其他加密***参数等即可实现有效的加密分析,能够恢复恢复出高质量的明文图像;提出的深度学习方法,其训练时间短,相比传统方法训练速度提高了7倍;提出的方法具有较好的泛化能力,能够采用一种图像库训练,而采用另一种图像库进行测试成功;最后,该方法对传输中的噪声和裁剪也有较好的鲁棒性。
附图说明
附图1为本发明的新型全卷积网络结构示意图。
附图2为本发明中基于等模矢量分解的加密***的加密过程示意图。
附图3为损失函数收敛曲线和攻击分析测试准确率曲线图。
附图4为本发明方法对2种域变换的加密方法进行加密分析的结果图。
具体实施方式
下面详细说明本发明一种基于新型全卷积网络的等模矢量分解图像加密分析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新型全卷积网络的等模矢量分解图像加密分析方法,该方法包括:基于等模矢量分解的加密***、加密分析的网络模型、网络训练与加密***分析四部分。
具体网络结构如图1所示,加密过程的示意图如图2所示。
所述的基于等模矢量分解的加密***包括加密和解密过程,其加密过程具体描述为:待加密图像先经过复数化和域变换,再采用等模矢量分解方法,获得密文和私钥,其加密过程表述为[C, P]=EMD{DT[F(I, M)]}, 其解密过程是加密过程的逆过程,可表述为I=|IDT(C+P)|2, 其中,I为待加密图像,M为范围在[0, 2π]的随机相位板,F(I, M)为复数化,其具体过程可表示为F(I, M)=sqrt(I)×exp(i×M),DT[•]为域变换, EDM{•}为等模矢量分解,IDT[•]为逆域变换,|•|为取模运算,C和P分别表示密文和私钥,密文和私钥每个像素的模分别相等。
所述的加密分析的网络模型是一种新型全卷积网络,属于深度学习神经网络,该网络模型包含输入层、隐藏层和输出层,其中输入层为32×32×1的密文图像,输出层为32×32×1的加密分析结果图像;所述的隐藏层总共包含9层网络,前4层为下采样层,其大小依次为16×16×28,8×8×36,4×4×38,2×2×42,前4层与输入层的层间都由下采样块连接,后5层为上采样层,其大小依次为2×2×48,4×4×48,8×8×46,16×16×48,32×32×48,后5层与前4层之间由卷积块连接,后5层的层间由上采样块连接,后5层与输出层之间由卷积块连接;所述的下采样块包括2个连续的卷积块,其卷积核大小为3×3,步长分别为1和2;所述的卷积块包括卷积运算、正则化和激活单元,第一个卷积块的卷积核大小为3×3,第二个卷积块的卷积核核大小为1×1。
所述的网络训练是深度学习神经网络模型的训练过程,首先是数据预处理,将待加密图像调整尺寸统一为32×32,像素值归一化到-1和1之间,将选择的训练数据库的图像通过所述的等模矢量分解加密过程得到密文与明文真值对,再将其分为训练集和测试集,将训练集输入到待训练的网络模型,通过训练得到训练好的网络模型。
所述的加密***分析是将测试集的任意密文输入到训练好的网络模型中,可以得到相应的明文,同时,还可以与相应的明文真值对比,测试所述的新型全卷积网络的加密分析效果。
所述的域变换,包括但不限于:可光学实现的空域与频域之间的变换如傅里叶变换,或者光学衍射过程对应的菲涅尔衍射变换等。
本发明的实例中,采用的图像数据库为MNIST和Fashion-MNIST数据库。提出的全卷积网络中,激活单元的激活函数是ReLU,学习率是动态设置:前5轮是0.01,接下来5轮是0.005,最后5轮是0.001。深度学习网络的实现环境是百度飞浆框架,英伟达特斯拉V100GPU。损失函数采用均方误差,准确率采用相邻像素相关性。图3为损失函数收敛曲线和攻击分析测试准确率曲线图,图3(I)为基于傅里叶变换的域变换的加密分析结果,图3(II)为基于菲涅尔衍射变换的域变换的加密分析结果。从图中可以看出,对2种域变换的加密方法,其加密分析的收敛速度快,即训练时间短,准确率高,即恢复的明文质量高。图4是所提出的加密分析网络对2种域变换的加密方法进行加密分析的结果图,其中,图4(I)为基于傅里叶变换的域变换的加密分析结果图像,图4(II)为基于菲涅尔衍射变换的域变换的加密分析结果图像。图4(i)、4(ii)、4(iii)分别为明文真值、密文和相应的攻击分析结果图像,图4(a)-4(c)为MNIST训练,MNIST测试的结果,图4(d)-4(f)为MNIST训练,Fashion-MNIST测试的结果。该结果显示,提出的方法对数据库有较好的泛化能力。
Claims (2)
1.基于新型全卷积网络的等模矢量分解图像加密分析方法,其特征在于,该方法包括:基于等模矢量分解的加密***、加密分析的网络模型、网络训练与加密***分析四部分;所述的基于等模矢量分解的加密***包括加密和解密过程,其加密过程具体描述为:待加密图像先经过复数化和域变换,再采用等模矢量分解方法,获得密文和私钥,其加密过程表述为[C, P]=EMD{DT[F(I, M)]}, 其解密过程是加密过程的逆过程,可表述为I=|IDT(C+P)|2, 其中,I为待加密图像,M为范围在[0, 2π]的随机相位板,F(I, M)为复数化,其具体过程可表示为F(I, M)=sqrt(I)×exp(i×M),DT[•]为域变换, EDM{•}为等模矢量分解,IDT[•]为逆域变换,|•|为取模运算,C和P分别表示密文和私钥,密文和私钥每个像素的模分别相等; 所述的加密分析的网络模型是一种新型全卷积网络,属于深度学习神经网络,该网络模型包含输入层、隐藏层和输出层,其中输入层为32×32×1的密文图像,输出层为32×32×1的加密分析结果图像;所述的隐藏层总共包含9层网络,前4层为下采样层,其大小依次为16×16×28,8×8×36,4×4×38,2×2×42,前4层与输入层的层间都由下采样块连接,后5层为上采样层,其大小依次为2×2×48,4×4×48,8×8×46,16×16×48,32×32×48,后5层与前4层之间由卷积块连接,后5层的层间由上采样块连接,后5层与输出层之间由卷积块连接;所述的下采样块包括2个连续的卷积块,其卷积核大小为3×3,步长分别为1和2;所述的卷积块包括卷积运算、正则化和激活单元,第一个卷积块的卷积核大小为3×3,第二个卷积块的卷积核大小为1×1; 所述的网络训练是深度学习神经网络模型的训练过程,首先是数据预处理,将待加密图像调整尺寸统一为32×32,像素值归一化到-1和1之间,将选择的训练数据库的图像通过所述的等模矢量分解加密过程得到密文与明文真值对,再将其分为训练集和测试集,将训练集输入到待训练的网络模型,通过训练得到训练好的网络模型; 所述的加密***分析是将测试集的任意密文输入到训练好的网络模型中,得到相应的明文,并与相应的明文真值对比,测试所述的新型全卷积网络的加密分析效果。
2.根据权利要求1所述的基于新型全卷积网络的等模矢量分解图像加密分析方法,所述的域变换,其特征在于,可光学实现的空域与频域之间的变换如傅里叶变换,或者光学衍射过程对应的菲涅尔衍射变换。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010524057.7A CN111709867B (zh) | 2020-06-10 | 2020-06-10 | 基于新型全卷积网络的等模矢量分解图像加密分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010524057.7A CN111709867B (zh) | 2020-06-10 | 2020-06-10 | 基于新型全卷积网络的等模矢量分解图像加密分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111709867A CN111709867A (zh) | 2020-09-25 |
CN111709867B true CN111709867B (zh) | 2022-11-25 |
Family
ID=72539471
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010524057.7A Active CN111709867B (zh) | 2020-06-10 | 2020-06-10 | 基于新型全卷积网络的等模矢量分解图像加密分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111709867B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112241931B (zh) * | 2020-10-22 | 2021-07-06 | 海南大学 | 一种面向图像易容的频域数字面纱设计方法 |
CN112351151B (zh) * | 2020-11-10 | 2022-09-16 | 广东工业大学 | 基于fcn的图像信息加密方法及装置 |
CN116310719B (zh) * | 2023-02-10 | 2024-04-19 | 中国人民解放军军事科学院国防科技创新研究院 | 基于时频域的光学衍射复数模型训练方法、图像处理方法 |
Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002057909A (ja) * | 2000-06-20 | 2002-02-22 | Ricoh Co Ltd | カラー中間調処理方法及び装置、記録媒体 |
WO2004023715A1 (en) * | 2002-09-03 | 2004-03-18 | The Regents Of The University Of California | Block cipher mode of operation for constructing a wide-blocksize block cipher from a conventional block cipher |
EP1833237A2 (en) * | 2006-03-07 | 2007-09-12 | Kabushiki Kaisha Toshiba | Retrieval of information embedded in an image |
CN101185122A (zh) * | 2005-06-03 | 2008-05-21 | 皇家飞利浦电子股份有限公司 | 用于安全水印的同态加密 |
WO2010064333A1 (en) * | 2008-12-05 | 2010-06-10 | Kabushiki Kaisha Toshiba | Image processing method and image processing apparatus |
CN103442156A (zh) * | 2013-08-20 | 2013-12-11 | 宁波大学 | 基于移动智能终端的图像隐写和秘密信息提取方法 |
WO2015054666A1 (en) * | 2013-10-10 | 2015-04-16 | Board Of Regents, The University Of Texas System | Systems and methods for quantitative analysis of histopathology images using multi-classifier ensemble schemes |
WO2015052351A1 (en) * | 2013-10-11 | 2015-04-16 | Mauna Kea Technologies | Method for characterizing images acquired through a video medical device |
CN106600517A (zh) * | 2016-11-11 | 2017-04-26 | 陕西师范大学 | 一种基于emd‑3的多载体密图分存和重构方法 |
CN106845339A (zh) * | 2016-12-13 | 2017-06-13 | 电子科技大学 | 一种基于双谱和emd融合特征的手机个体识别方法 |
EP3242239A1 (en) * | 2016-05-02 | 2017-11-08 | Scantrust SA | Optimized authentication of graphic authentication code |
CN108959478A (zh) * | 2018-06-21 | 2018-12-07 | 中南林业科技大学 | 一种云环境下的密文图像检索方法及*** |
WO2019050994A1 (en) * | 2017-09-05 | 2019-03-14 | Gritstone Oncology, Inc. | IDENTIFICATION OF NEOANTIGEN FOR LYMPHOCYTE THERAPY T |
CN109784023A (zh) * | 2018-11-28 | 2019-05-21 | 西安电子科技大学 | 基于深度学习的稳态视觉诱发脑电身份识别方法及*** |
CN109858264A (zh) * | 2019-01-22 | 2019-06-07 | 四川大学 | 一种分数随机变换域等模矢量分解的彩色图像加解密方法 |
CN110071798A (zh) * | 2019-03-21 | 2019-07-30 | 深圳大学 | 一种等效密钥获取方法、装置及计算机可读存储介质 |
CN110269625A (zh) * | 2019-05-31 | 2019-09-24 | 杭州电子科技大学 | 一种新型的多特征融合的心电认证方法及*** |
CN110334881A (zh) * | 2019-07-17 | 2019-10-15 | 深圳大学 | 一种基于长短记忆网络与深度数据清洗的金融时间序列预测方法,装置及服务器 |
CN110706144A (zh) * | 2019-09-17 | 2020-01-17 | 四川大学 | 基于螺旋相位变换和等模分解的光学彩色图像加密方法 |
WO2020103411A1 (zh) * | 2018-11-22 | 2020-05-28 | 九牧厨卫股份有限公司 | 一种跌倒检测方法、装置及*** |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9101279B2 (en) * | 2006-02-15 | 2015-08-11 | Virtual Video Reality By Ritchey, Llc | Mobile user borne brain activity data and surrounding environment data correlation system |
US10606353B2 (en) * | 2012-09-14 | 2020-03-31 | Interaxon Inc. | Systems and methods for collecting, analyzing, and sharing bio-signal and non-bio-signal data |
WO2018151552A1 (en) * | 2017-02-15 | 2018-08-23 | Lg Electronics Inc. | Apparatus and method for generating ciphertext data with maintained structure for analytics capability |
WO2019022472A1 (en) * | 2017-07-24 | 2019-01-31 | Samsung Electronics Co., Ltd. | ELECTRONIC DEVICE AND ITS CONTROL METHOD |
-
2020
- 2020-06-10 CN CN202010524057.7A patent/CN111709867B/zh active Active
Patent Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002057909A (ja) * | 2000-06-20 | 2002-02-22 | Ricoh Co Ltd | カラー中間調処理方法及び装置、記録媒体 |
WO2004023715A1 (en) * | 2002-09-03 | 2004-03-18 | The Regents Of The University Of California | Block cipher mode of operation for constructing a wide-blocksize block cipher from a conventional block cipher |
CN101185122A (zh) * | 2005-06-03 | 2008-05-21 | 皇家飞利浦电子股份有限公司 | 用于安全水印的同态加密 |
EP1833237A2 (en) * | 2006-03-07 | 2007-09-12 | Kabushiki Kaisha Toshiba | Retrieval of information embedded in an image |
WO2010064333A1 (en) * | 2008-12-05 | 2010-06-10 | Kabushiki Kaisha Toshiba | Image processing method and image processing apparatus |
CN103442156A (zh) * | 2013-08-20 | 2013-12-11 | 宁波大学 | 基于移动智能终端的图像隐写和秘密信息提取方法 |
WO2015054666A1 (en) * | 2013-10-10 | 2015-04-16 | Board Of Regents, The University Of Texas System | Systems and methods for quantitative analysis of histopathology images using multi-classifier ensemble schemes |
WO2015052351A1 (en) * | 2013-10-11 | 2015-04-16 | Mauna Kea Technologies | Method for characterizing images acquired through a video medical device |
EP3242239A1 (en) * | 2016-05-02 | 2017-11-08 | Scantrust SA | Optimized authentication of graphic authentication code |
CN106600517A (zh) * | 2016-11-11 | 2017-04-26 | 陕西师范大学 | 一种基于emd‑3的多载体密图分存和重构方法 |
CN106845339A (zh) * | 2016-12-13 | 2017-06-13 | 电子科技大学 | 一种基于双谱和emd融合特征的手机个体识别方法 |
WO2019050994A1 (en) * | 2017-09-05 | 2019-03-14 | Gritstone Oncology, Inc. | IDENTIFICATION OF NEOANTIGEN FOR LYMPHOCYTE THERAPY T |
CN108959478A (zh) * | 2018-06-21 | 2018-12-07 | 中南林业科技大学 | 一种云环境下的密文图像检索方法及*** |
WO2020103411A1 (zh) * | 2018-11-22 | 2020-05-28 | 九牧厨卫股份有限公司 | 一种跌倒检测方法、装置及*** |
CN109784023A (zh) * | 2018-11-28 | 2019-05-21 | 西安电子科技大学 | 基于深度学习的稳态视觉诱发脑电身份识别方法及*** |
CN109858264A (zh) * | 2019-01-22 | 2019-06-07 | 四川大学 | 一种分数随机变换域等模矢量分解的彩色图像加解密方法 |
CN110071798A (zh) * | 2019-03-21 | 2019-07-30 | 深圳大学 | 一种等效密钥获取方法、装置及计算机可读存储介质 |
CN110269625A (zh) * | 2019-05-31 | 2019-09-24 | 杭州电子科技大学 | 一种新型的多特征融合的心电认证方法及*** |
CN110334881A (zh) * | 2019-07-17 | 2019-10-15 | 深圳大学 | 一种基于长短记忆网络与深度数据清洗的金融时间序列预测方法,装置及服务器 |
CN110706144A (zh) * | 2019-09-17 | 2020-01-17 | 四川大学 | 基于螺旋相位变换和等模分解的光学彩色图像加密方法 |
Non-Patent Citations (1)
Title |
---|
基于分块压缩感知和改进幻方变换的图像加密;胡克亚;《激光技术》;20190731;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111709867A (zh) | 2020-09-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
Chai et al. | An efficient visually meaningful image compression and encryption scheme based on compressive sensing and dynamic LSB embedding | |
Al-Maadeed et al. | A New Chaos‐Based Image‐Encryption and Compression Algorithm | |
Heucheun Yepdia et al. | A robust and fast image encryption scheme based on a mixing technique | |
CN112217825B (zh) | 基于分辨率自适应网络的非对称加密***攻击方法 | |
Zhang et al. | Generative reversible data hiding by image‐to‐image translation via GANs | |
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 | |
Pan et al. | A novel image encryption algorithm based on hybrid chaotic mapping and intelligent learning in financial security system | |
Paul et al. | Image encryption using permutation generated by modified Regula-Falsi method | |
CN116168197A (zh) | 一种基于Transformer分割网络和正则化训练的图像分割方法 | |
Wang et al. | TPE-ISE: approximate thumbnail preserving encryption based on multilevel DWT information self-embedding | |
Tang et al. | Secure and Efficient Image Compression‐Encryption Scheme Using New Chaotic Structure and Compressive Sensing | |
Chai et al. | CSENMT: A deep image compressed sensing encryption network via multi-color space and texture feature | |
CN116743934B (zh) | 一种基于深度学习和鬼成像的等分辨率图像隐藏加密方法 | |
Liu et al. | Image processing method based on chaotic encryption and wavelet transform for planar design | |
Zhu et al. | Optical color ghost cryptography and steganography based on multi-discriminator generative adversarial network | |
CN116309164A (zh) | 一种图像处理方法及装置 | |
Bai et al. | Reconstruction of chaotic grayscale image encryption based on deep learning | |
Sun et al. | A new image block encryption method based on chaotic map and DNA encoding | |
Wang et al. | Applying deep learning to known-plaintext attack on chaotic image encryption schemes | |
CN115001654A (zh) | 一种基于混沌的线程池与gpu组合优化批量图像加密方法 | |
Kashid et al. | NS4: a Novel Security approach for extracted video keyframes using Secret Sharing Scheme | |
CN112188030B (zh) | 像素组合与复数变换的灰度图像加密编码与解码方法 | |
CN114615392A (zh) | 一种基于比特联动的图像加密方法 | |
Xian et al. | A chaotic image encryption algorithm based on sub-block spiral scans and matrix multiplication |
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 |