基于深度学习的压缩感知与混沌系统的新型图像加密方法与流程

技术特征：
1.一种基于深度学习的压缩感知与混沌系统的新型图像加密方法，其特征在于：包括以下步骤：s1：初始化阶段，在训练前的设置amp-net深度展开模型中的可训练参数，设置四维超混沌系统参数；s2：采样压缩，在采样模型中使用分割函数使原始图像x分割为一系列非重叠的图像块，然后通过矢量化函数对每个图像块进行矢量化操作，再使用采样矩阵a对图像进行采样压缩；s3：置乱操作，基于混沌系统产生的混沌序列与外部密钥对测量值y进行行置乱与列置乱；s4：扩散操作，置乱操作后得到的测量值y
′
与混沌序列进行扩散操作；s5：图像解密，按照扩散与置乱的逆操作对加密图片进行解密；s6：设计图像重建模型，包括初始化模块与重建模块，所述初始化模块用于生成合理的初始估计，并且将迭代去噪过程映射到深度网络来得到重建模块，所述重建模块包含对图像进行去噪处理的去噪模块以及用于消除块效应的去块模块。2.根据权利要求1所述的基于深度学习的压缩感知与混沌系统的新型图像加密方法，其特征在于：在步骤s1中，所述可训练参数包括测量矩阵a、初始化矩阵b、控制参数s
α
＝{α1,α2,...,α
k
}、η(
·
)和β(
·
)，其中α
k
是控制噪声和模块重构能力的一个参数，η(
·
)和β(
·
)是非线性的适应函数；在训练前，将a随机初始化为高斯矩阵，并对其行进行正交化；控制参数α
k
初始化为1，b初始化为a
t
，其他可训练参数随机初始化；四维超混沌系统的表现形式为：其中a,b,c,m,k是混沌系统的实参数。3.根据权利要求1所述的基于深度学习的压缩感知与混沌系统的新型图像加密方法，其特征在于：在步骤s2中，采用逐块采样图像的方法，利用θ(x，n)表示为一个分割函数，将灰度图像x∈r
l
×
p
分割为一系列非重叠图像块，每个图像块表示为x
i
∈r
n
×
n
，i∈{1,2,...,i}并且l
·
p＝i
·
n2；vec(
·
)是一个矢量化函数，用于把图像块矢量化为矢量，并且满足采样模型的采样过程表示为：y＝a vec(θ(x，n))其中，是图像块的采样矩阵，y∈r
m
×
i
是测量值，y的每一列都是图像块的矢量化度量。4.根据权利要求1所述的基于深度学习的压缩感知与混沌系统的新型图像加密方法，其特征在于：在步骤s3中，假设普通灰度图像的大小为l
×
p，置乱步骤如下：s31：密钥由原始图像的哈希值、外部密钥、混沌系统参数和初始值组成；
s32：迭代混沌系统1000次，避免瞬态效应，后续迭代次数由sha-512得到的原始图像哈希值每个十六进制字符转化为十进制相加后得到，表示为sum
512
，迭代后得到4个混沌序列x,y,z,w；s33：选择两个混沌序列作为行置乱和列置乱的索引序列，将4个混沌序列分为12组，即λ1＝(x,y)，λ2＝(x,z)，λ3＝(x,w)，λ4＝(y,z)，λ5＝(y,w)，λ6＝(z,w)，以及它们每组的反序，即λ7＝(y,x)，λ8＝(z,x)，λ9＝(w,x)，λ
10
＝(z,y)，λ
11
＝(w,y)，λ
12
＝(w,z)；选择公式如下：c
group
(r1,r2)＝mod(sum
512
g1,12) 1其中，r1,r2为选择的索引序列，g1为外部任意密钥；s34：定义两个向量d
row
和d
column
，对两个索引序列进行如下处理：输入：r1,r2fori＞1；l
×
p-1d
row
(i)＝mod(floor(r1(i) g1)
×
10
20
,l
×
p-i 1) 1d
column
(i)＝mod(floor(r2(i) g1)
×
10
20
,l
×
p-i 1) 1输出：d
row
,d
column
；s35：将测量值y展开成一维数组p
row
，按照knuth-durstenfeld洗牌算法进行行置乱：输入：d
row
,p
row
for i＝1 to l
×
p-1temp＝p
row
(l
×
p-i 1)p
row
(l
×
p-i 1)＝p
row
(d
row
(i))p
row
(d
row
(i))＝temp输出：置乱后的数组p
′
row
；s36：将置乱后的数组p
′
row
转换为l
×
p的矩阵，转置后再展开得到一维数组p
column
；利用步骤s35的算法使用d
column
对p
column
进行列置乱，然后进行数组到矩阵的转换，最后得到测量值为y
′
。5.根据权利要求1所述的基于深度学习的压缩感知与混沌系统的新型图像加密方法，其特征在于：在步骤s4中，混沌序列的迭代次数由原始图像每个十六进制字符转化为十进制相加后再与外部任意密钥g2相加后得到，这里取混沌序列x,y,z,w其中之一，由以下公式决定：r
′
＝mod(sum
512
g2,4) 1r
′
＝1对应序列x，r
′
＝2对应序列y，r
′
＝3对应序列z，r
′
＝4对应序列w；矩阵y
′
和混沌序列扩散操作具体公式如下：其中y
′
按行展开为长度为l
×
p的一维矩阵，r
′
k
表示混沌序列的第k位，p
n
表示原明文图像的第n个像素值，k和n均从0开始，lh
ω
表示循环左移位的位数：lh
ω
＝mod(sum
512
g2 p
n
,7) 1最后将一维矩阵d
i
转换为大小l
×
p的矩阵得到最终的用于传输的加密图像x
′
。
6.根据权利要求1所述的基于深度学习的压缩感知与混沌系统的新型图像加密方法，其特征在于：在步骤s5中，按照扩散与置乱的逆操作对加密图片进行解密，扩散部分的逆操作如下：其中各参数设置为扩散操作的简单逆操作；置乱部分的逆操作算法如下：输入：解密序列x,y，扩散操作解密后的y
′
x1＝hf(x),y1＝hf(y)for i＝1 to l
×
p-1temp＝y
′
(i 1)y
′
(i 1)＝y
′
(y1(i))y
′
(y1(i))＝tempend forfor i＝1 to l
×
p-1temp＝y
′
(i 1)y
′
(i 1)＝y
′
(x1(i))y
′
(x1(i))＝tempend fory
←
y
′
输出：解密后的图像y；其中hf(
·
)函数把x,y序列水平翻转，最后把逆操作后的y
′
重组为大小l
×
p的矩阵得到解密后的图像y。7.根据权利要求1所述的基于深度学习的压缩感知与混沌系统的新型图像加密方法，其特征在于：在步骤s6中，设计图像的重建模型，该模型由初始化模块和一系列重建模块组成，初始化模块表示如下：θ-1
(
·
，n)是一个将所有图像块合并为一个完整图像的串联函数，并且满足x＝θ-1
(θ(x，n)，n)；vec-1
(
·
)是一个重塑函数，它将矢量化图像重塑为其原始状态，并且满足x
i
＝vec-1
(vec(x
i
))；由amp的迭代非线性算法得到第k个重建模块的去噪模块的数学表达式：x
k
＝θ-1
(vec-1
(α
k
a
t
z
k-1
vec(θ(θ(x
k-1
，n))-h
k
vec(η
k
(θ(x
k-1
，n))))，n)其中，h
k
＝α
k
a
t
a-i公式中α
k
为可训练的参数，用来提高重建过程的灵活性；非线性函数η
k
(
·
)被设计成cnn，由四个卷积层构成，其中具有偏置项的前三层后跟修正线性单元，即线性整流函数
relu，最后一个卷积层没有偏置项；每个卷积层的滤波器尺寸为3
×
3；每个卷积层的填充大小设置为1；四个卷积层的输出信道数分别为32、32、32和1；第k次的重建模块中的图像去块处理表示为：β
k
(
·
)输入的是整个拼接图像，β
k
(
·
)是与η
k
(
·
)具有相同结构的cnn，但它们的参数值不同。

技术总结
本发明涉及一种基于深度学习的压缩感知与混沌系统的新型图像加密方法，属于图像加密领域，包括以下步骤：S1：初在训练前的设置AMP-Net深度展开模型中的可训练参数，设置四维超混沌系统参数；S2：在采样模型中使用分割函数使原始图像X分割为一系列非重叠的图像块，然后通过矢量化函数对每个图像块进行矢量化操作，再使用采样矩阵A对图像进行采样压缩；S3：基于混沌系统产生的混沌序列与外部密钥对测量值Y进行行置乱与列置乱；S4：置乱操作后得到的测量值Y


技术研发人员：罗文俊 戴泽森 赖碟
受保护的技术使用者：重庆邮电大学
技术研发日：2021.10.29
技术公布日：2022/1/25