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

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系统、加密分析的网络模型、网络训练与加密系统分析四部分。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系统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

基于新型全卷积网络的等模矢量分解图像加密分析方法

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系统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，以适应新的加密系统的攻击分析方法。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系统、加密分析的网络模型、网络训练与加密系统分析四部分。

所述的基于等模矢量分解的加密系统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。

所述的加密系统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系统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系统的加密过程示意图。

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系统、加密分析的网络模型、网络训练与加密系统分析四部分。

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系统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。

所述的加密系统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系统、加密分析的网络模型、网络训练与加密系统分析四部分；所述的基于等模矢量分解的加密系统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； 所述的加密系统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。

Images