CN115378574B - 一种轻量级动态图像数据加密方法及系统 - Google Patents
一种轻量级动态图像数据加密方法及系统 Download PDFInfo
- Publication number
- CN115378574B CN115378574B CN202210948717.3A CN202210948717A CN115378574B CN 115378574 B CN115378574 B CN 115378574B CN 202210948717 A CN202210948717 A CN 202210948717A CN 115378574 B CN115378574 B CN 115378574B
- Authority
- CN
- China
- Prior art keywords
- image
- chaotic
- encryption
- sensitive
- feature
- 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
- 238000000034 method Methods 0.000 title claims abstract description 41
- 230000000739 chaotic effect Effects 0.000 claims abstract description 112
- 238000012216 screening Methods 0.000 claims abstract description 45
- 230000035945 sensitivity Effects 0.000 claims abstract description 31
- 238000001514 detection method Methods 0.000 claims abstract description 23
- 238000000605 extraction Methods 0.000 claims abstract description 19
- 238000013507 mapping Methods 0.000 claims abstract description 14
- 230000007246 mechanism Effects 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 24
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 238000001914 filtration Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 13
- 239000013598 vector Substances 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 11
- 230000009467 reduction Effects 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000005540 biological transmission Effects 0.000 claims description 8
- 238000010586 diagram Methods 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 8
- 238000013527 convolutional neural network Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 6
- 238000013461 design Methods 0.000 claims description 5
- 238000009792 diffusion process Methods 0.000 claims description 5
- 238000013145 classification model Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 238000011524 similarity measure Methods 0.000 claims description 4
- 238000004138 cluster model Methods 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000003709 image segmentation Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002146 bilateral effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
- H04L9/001—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols using chaotic signals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/98—Detection or correction of errors, e.g. by rescanning the pattern or by human intervention; Evaluation of the quality of the acquired patterns
- G06V10/993—Evaluation of the quality of the acquired pattern
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
- H04L9/002—Countermeasures against attacks on cryptographic mechanisms
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N1/00—Scanning, transmission or reproduction of documents or the like, e.g. facsimile transmission; Details thereof
- H04N1/32—Circuits or arrangements for control or supervision between transmitter and receiver or between image input and image output device, e.g. between a still-image camera and its memory or between a still-image camera and a printer device
- H04N1/32101—Display, printing, storage or transmission of additional information, e.g. ID code, date and time or title
- H04N1/32144—Display, printing, storage or transmission of additional information, e.g. ID code, date and time or title embedded in the image data, i.e. enclosed or integrated in the image, e.g. watermark, super-imposed logo or stamp
- H04N1/32149—Methods relating to embedding, encoding, decoding, detection or retrieval operations
- H04N1/32267—Methods relating to embedding, encoding, decoding, detection or retrieval operations combined with processing of the image
- H04N1/32272—Encryption or ciphering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Signal Processing (AREA)
- Computer Security & Cryptography (AREA)
- Computer Networks & Wireless Communication (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种轻量级动态图像数据加密方法及系统，基于图像质量筛选和特征提取方法的自动识别图像筛选机制对图像进行结构特征提取，对提取的特征进行相似度匹配来实现特定内容的图像筛选；通过图像目标检测和特征对比，实现对筛选出的图像进行敏感区域识别，根据图像所含敏感对象计算敏感度等级，并对满足条件的相关敏感区域分割提取；基于混沌序列使用像素空间置乱方法对特定敏感区域进行置乱，再利用动态混沌映射构造新的混沌序列对置乱图像进行扩散实现加密。本发明提供的轻量级动态图像数据加密方法及系统，实现轻量化加密的同时具有较好的安全性能，并且可对抗图像数据的遮盖攻击、差分攻击和统计攻击。
Description
技术领域
本发明属于计算机图像加密技术领域，具体涉及一种轻量级动态图像数据加密方法及系统。
背景技术
随着互联网技术的进步和发展，图像数据在相关领域扮演越来越重要的作用，然而图像数据中往往会包含一些敏感信息内容，在传输和存储过程中可能会造成隐私信息泄露，尤其在医疗和金融等一些特殊应用场景下。目前，针对图像信息的保护通常使用图像加密处理，将敏感信息或自定义私有信息隐藏在原始图像中，以防止原始图像被盗用或信息泄露。但是，针对文本数据设计的加密算法通常很难安全高效地加密大数据量二维结构、高冗余度的图像数据。
此外，用于加密图像的密文仅与密钥有关，而与明文无关，因此它们更易受选择明文攻击或已知明文攻击。由于混沌系统对初始值和参数具有较强的敏感性，能够产生优良的长周期随机序列，具有长期演化的不可预测性，符合密码设计的混淆和扩散规则，因此常被用于图像加密算法设计和使用。但是多维混沌系统因具有参数较多、算法结构复杂、实现困难及时间消耗大等缺点，严重限制了混沌系统在实时图像处理中快速图像加密的应用，因此，开发一种增强型混沌系统和低计算复杂度的轻量级图像加密方法非常具有必要性。
发明内容
本发明的目的在于提供一种轻量级动态图像数据加密方法及系统，以解决的多维混沌系统因具有参数较多、算法结构复杂、实现困难及时间消耗大等缺点，严重限制了混沌系统在实时图像处理中快速图像加密应用的问题。
为实现上述目的，本发明提供如下技术方案：一种轻量级动态图像数据加密方法及系统，包括：
步骤一：图像自动筛选：基于图像自动筛选机制对图像进行结构特征提取，对提取的特征进行相似度匹配来实现特定内容的图像筛选；
步骤二：敏感对象识别：通过图像目标模型检测和特征对比，实现对筛选出的图像进行图像敏感对象识别，根据图像包含敏感对象计算敏感度，并对满足条件的相关敏感区域提取；
步骤三：动态混沌加密：基于混沌序列使用区域像素空间置乱方法对特定敏感区域进行置乱，再利用动态混沌加密映射构造新的混沌序列对置乱图像进行扩散实现图像动态混沌加密，将敏感区域加密部分和背景区域未加密部分拼接，获得加密后图像用于保存或传输。
优选的，所述图像自动筛选的方法具体有以下过程：
(1.1)图像质量筛选：将原始图像进行滤波降噪处理并计算像素点边缘梯度，根据像素点累加求和并对边缘梯度归一化处理以筛选出清晰的图像；
(1.2)相似度匹配：通过聚类和分类算法将符合质量要求的图像进行结构特征提取，基于多度量相似度匹配算法将结构特征向量筛选出与特定目标相匹配的图像；
所述敏感对象识别具体包括以下过程：
(2.1)敏感目标检测：对图像所含特定目标对象进行识别检测与分类；
(2.2)敏感度计算：根据预设敏感度值对敏感目标对象进行相应计算；
(2.3)敏感区域提取：对目标对象且满足敏感度要求的区域进行区域图像分割提取；
所述动态混沌加密包括以下过程：
(3.1)区域像素置乱：根据初始混沌系统，对初始图像的字节进行预置乱处理，通过复制每个相邻像素的RGB值将得到的数组进行降维获得预置乱位图。
(3.2)动态混沌加密：通过动态构造新的混沌系统，对置乱处理后的位图像素按混沌映射的序列进行迭代扩散，获取密文矩阵；
(3.3)图像数据拼接：将混淆加密的区域图像密文矩阵与原始图像未处理区域进行拼接整合，形成目标加密图像完整数据。
优选的，所述图像质量筛选的过程具体为：
(1.11)首先进行图像滤波降噪处理，将原始图像转换进行滤波降噪处理，滤除噪声、平滑图像，同时去除图像中的不相关细节；
(1.12)接着进行图像边缘梯度计算，分别计算出每个像素点邻域内的边缘梯度，并将每个像素点邻域内的边缘梯度进行加权求和，从而计算出每个像素点的边缘梯度和，累加每个像素点的边缘梯度和，再除以像素点的个数得到归一化的边缘梯度，根据归一化后获得的边缘梯度值筛选出清晰的图像。
优选的，所述相似度匹配包括特征聚类和特征分类，
所述特征聚类具体包括以下内容：
(1.201)对图像进行图像特征提取得到样本图像特征，利用特征聚类模型对所述图像特征进行结构特征提取，得到至少一个图像结构特征；
(1.202)基于结构特征对图像结构特征进行聚类，得到结构特征的至少一个聚类结果；
(1.203)根据聚类结果对预设特征聚类模型进行优化，直到预设模型收敛，得到特征聚类模型并用于目标图像结构特征筛选；
所述特征分类具体包括：
(1.204)从图像中随机可放回的选取若干图像样本，标注特征类别标签作为训练样本，选定已有的卷积神经网络模型进行调参优化，卷积神经网络模型与提取特征的网络模型需保持模型结构和训练数据不同；
(1.205)利用特征分类模型对目标图像特征进行识别，得到结构特征模型及其类别置信度，若某个样本在所属类别上置信度很低，则将该特征作为不相关样本予以筛除；
所述结构特征提取包括如下步骤：
(1.21)首先，从图像组成的角度将结构信息定义为独立于亮度、对比度的反映场景中物体结构的属性，用均值作为亮度的估计，标准差作为对比度的估计，协方差作为结构相似程度的度量；
(1.22)其次，利用滑动窗将图像分块，每一步基于窗口内像素进行计算，对应块的结构相似度，最后将平均值作为两图像的结构相似性度量。
优选的，所述敏感目标检测具体内容为：
根据预设检测敏感对象列表，对图像内容所包含目标对象进行自动分类识别，获取相应的类别信息和位置信息；
目标检测识别根据敏感对象训练图像提取特征，将得到的特征向量用于目标图像识别的特征库训练获得目标检测模型；
所述敏感度计算的方法为：
根据敏感目标检测识别信息，计算对象在当前图像包含对象的敏感度，敏感度取决于图像的应用场景、目标预设值以及图像场景中各对象之间的语义关系；目标预设值可以根据图像的一般理解采用预先定义给定目标对象的初始敏感度；
所述敏感区域提取的过程为：
根据识别出的敏感对象对原始图像进行基于目标检测模型的图像区域划分，根据灰度、彩色、空间纹理、几何形状等特征把图像划分成若干个互不相交的区域，包括实例分割和场景分割，以获取目标敏感对象区域图像。
优选的，所述像素空间置乱具体为：基于初始混沌系统构造混沌映射，生成伪随机数的混沌序列，通过对图像矩阵进行有限步长的初等矩阵转换，改变目标区域像素的空间位置，将原始区域图像变成一个杂乱无序、不可见的新区域图像；
所述混沌加密包括：读入待处理的敏感区域图片，通过加密密钥进入混沌序列，采用混沌系统设计加密算法，实现加密目的；采用混沌系统与逻辑图生成与明文图像特征相关的混沌密钥序列，替换目标区域像素值，实现打乱像素位置，最终扩散图像得到目标区域加密图像。
优选的，构造新的动态混沌加密系统的过程为：用一个混沌映射来控制另一个混沌系统的参数来构成新的混沌系统，数学表达式为：
xn+1＝G(un+1，xn)
un+1＝H(yn+1)
yn+1＝F(v，yn)
其中，F(x)表示控制混沌映射，G(x)表示种子混沌映射，H(x)表示转换关系函数，它被用来将F(x)的输出映射到G(x)的参数范围内。
优选的，所述图像数据拼接过程包括：
对加密区域图像进行多通道分解获取加密区域图像每个通道的加密特征矩阵，获取加密区域图像的每个通道的特征向量，与未加密区域特征矩阵进行合并，生成原始图像大小相同的图像矩阵，基于合并后的加密矩阵生成目标加密图像，用于存储或传输。
上述方法所用的系统包括：
图像自动筛选匹配模块，用于对输入图像进行按条件筛选匹配；
图像敏感对象识别模块，用于对图像内容进行敏感对象识别；
图像动态混沌加密模块，用于对图像敏感区域进行加密。
本发明的技术效果和优点：基于图像质量筛选和特征提取方法的自动识别图像筛选机制对图像进行结构特征提取，对提取的特征进行相似度匹配来实现特定内容的图像筛选；通过图像目标检测和特征对比，实现对筛选出的图像进行敏感区域识别，根据图像所含敏感对象计算敏感度等级，并对满足条件的相关敏感区域分割提取；基于混沌序列使用像素空间置乱方法对特定敏感区域进行置乱，再利用动态混沌映射构造新的混沌序列对置乱图像进行扩散实现加密，通过将敏感区域加密部分和背景区域未加密部分拼接起来，获得加密后图像用于保存或传输，实现轻量化加密的同时具有较好的安全性能，并且可对抗图像数据的遮盖攻击、差分攻击和统计攻击。
附图说明
图1为本发明提供的系统示意图；
图2为本发明提供的图像筛选流程示意图；
图3为本发明提供的图像敏感区域识别流程示意图；
图4为本发明提供的图像敏感区域加密流程示意图；
图5为本发明提供的图像加密色彩通道灰度频率对比直方图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明提供了如图中1-5所示的一种轻量级动态图像数据加密方法及系统，一种轻量级动态图像数据加密方法及系统，包括：
步骤一：图像自动筛选：基于图像自动筛选机制对图像进行结构特征提取，对提取的特征进行相似度匹配来实现特定内容的图像筛选；
步骤二：敏感对象识别：通过图像目标模型检测和特征对比，实现对筛选出的图像进行图像敏感对象识别，根据图像包含敏感对象计算敏感度，并对满足条件的相关敏感区域提取；
步骤三：动态混沌加密：基于混沌序列使用区域像素空间置乱方法对特定敏感区域进行置乱，再利用动态混沌加密映射构造新的混沌序列对置乱图像进行扩散实现图像动态混沌加密，将敏感区域加密部分和背景区域未加密部分拼接，获得加密后图像用于保存或传输。
具体的，所述图像自动筛选的方法具体有以下过程：
(1.1)图像质量筛选：将原始图像进行滤波降噪处理并计算像素点边缘梯度，根据像素点累加求和并对边缘梯度归一化处理以筛选出清晰的图像；
(1.2)相似度匹配：通过聚类和分类算法将符合质量要求的图像进行结构特征提取，基于多度量相似度匹配算法将结构特征向量筛选出与特定目标相匹配的图像；
所述敏感对象识别具体包括以下过程：
(2.1)敏感目标检测：对图像所含特定目标对象进行识别检测与分类；
(2.2)敏感度计算：根据预设敏感度值对敏感目标对象进行相应计算；
(2.3)敏感区域提取：对目标对象且满足敏感度要求的区域进行区域图像分割提取；
所述动态混沌加密包括以下过程：
(3.1)区域像素置乱：根据初始混沌系统，对初始图像的字节进行预置乱处理，通过复制每个相邻像素的RGB值将得到的数组进行降维获得预置乱位图。
(3.2)动态混沌加密：通过动态构造新的混沌系统，对置乱处理后的位图像素按混沌映射的序列进行迭代扩散，获取密文矩阵；
(3.3)图像数据拼接：将混淆加密的区域图像密文矩阵与原始图像未处理区域进行拼接整合，形成目标加密图像完整数据。
具体的，所述图像质量筛选的过程具体为：
(1.11)进行图像滤波降噪处理，将原始图像转换进行滤波降噪处理，滤除噪声、平滑图像，同时去除图像中的不相关细节；
(1.12)进行图像边缘梯度计算，分别计算出每个像素点邻域内的边缘梯度，并将每个像素点邻域内的边缘梯度进行加权求和，从而计算出每个像素点的边缘梯度和，累加每个像素点的边缘梯度和，再除以像素点的个数得到归一化的边缘梯度，根据归一化后获得的边缘梯度值筛选出清晰的图像。
可参阅附图2所示，图像滤波降噪的过程具体为：将原始图像转换进行滤波降噪处理，基于非线性双边滤波结合图像的空间邻近度与像素值相似度，同时考虑空间临近信息与颜色相似信息，在滤除噪声、平滑图像的同时，又做到边缘保存，去除图像中的不相关细节。通过各个点到中心点的空间临近度计算的各个权值进行优化，将其优化为空间临近度计算的权值和像素值相似度计算的权值的乘积，优化后的权值再与图像作卷积运算。
图像边缘梯度的过程具体为：图像边缘像素点间梯度值的计算过程，用来表征图像的边缘信息，它能够反应图像像素变化的速度，可以一定程度上表明图像的清晰程度；对降噪处理后的图像的像素点分别计算每个像素点邻域内的边缘梯度，累加每个像素点的边缘梯度和，再除以像素点的个数得到归一化的边缘梯度；根据归一化后获得的边缘梯度值筛选出清晰的图像，图像f(x，y)在某一点的梯度可以表示为：
其中，Gx与Gy表示为某一点时的梯度混沌序列。
具体的，所述相似度匹配包括特征聚类和特征分类，
所述特征聚类具体包括以下内容：
(1.201)对图像进行图像特征提取得到样本图像特征，利用特征聚类模型对图像特征进行结构特征提取，得到至少一个图像结构特征；
(1.202)基于结构特征对图像结构特征进行聚类，得到结构特征的至少一个聚类结果；
(1.203)根据聚类结果对预设特征聚类模型进行优化，直到预设模型收敛，得到特征聚类模型并用于目标图像结构特征筛选；
所述特征分类具体包括：
(1.204)从图像中随机可放回的选取若干图像样本，标注特征类别标签作为训练样本，选定已有的卷积神经网络模型进行调参优化，卷积神经网络模型与提取特征的网络模型需保持模型结构和训练数据不同；
(1.205)利用特征分类模型对目标图像特征进行识别，得到结构特征模型及其类别置信度，若某个样本在所属类别上置信度很低，则将该特征作为不相关样本予以筛除；
可参阅附图1所示，通过聚类和分类算法将符合质量要求的图像进行结构特征提取。首先对所述图像进行图像特征提取得到样本图像特征，利用特征聚类模型对所述图像特征进行结构特征提取，对图像结构特征进行聚类，根据聚类结果对预设特征聚类模型进行调参，直到预设模型收敛，得到特征聚类模型并用于目标图像结构特征筛选。分类方法是从图像中随机可放回的选取若干图像样本，标注特征类别标签作为训练样本，选定已有的卷积神经网络模型进行调参优化，利用特征分类模型对目标图像特征进行识别，得到结构特征模型及其类别置信度。
所述结构特征提取包括如下步骤：
(1.21)从图像组成的角度将结构信息定义为独立于亮度、对比度的反映场景中物体结构的属性，用均值作为亮度的估计，标准差作为对比度的估计，协方差作为结构相似程度的度量；
(1.22)利用滑动窗将图像分块，每一步基于窗口内像素进行计算，对应块的结构相似度，最后将平均值作为两图像的结构相似性度量。
可参阅附图1所示，基于多度量相似度匹配算法将结构特征向量筛选出与特定目标相匹配的图像。结构相似度从图像组成的角度将结构信息定义为独立于亮度、对比度的反映场景中物体结构的属性，取值范围[0,1]，值越大，代表图像失真越小。建模为亮度、对比度和结构三个不同因素的组合，用均值作为亮度的估计，标准差作为对比度的估计，协方差作为结构相似程度的度量。图像的失真情况在空间中是变化的，利用滑动窗将图像分块，令分块总数为N，每一步基于窗口内像素进行计算。考虑到窗口形状对分块的影响，用标准差为1.5的高斯加权函数作为加权窗口，采用高斯加权计算每一窗口的均值、方差以及协方差；然后计算对应块的结构相似度，最后将平均值作为两图像的结构相似性度量。
具体的，所述敏感目标检测具体内容为：
根据预设检测敏感对象列表，对图像内容所包含目标对象进行自动分类识别，获取相应的类别信息和位置信息；
目标检测识别根据敏感对象训练图像提取特征，将得到的特征向量用于目标图像识别的特征库训练获得目标检测模型；
所述敏感度计算的方法为：
根据敏感目标检测识别信息，计算对象在当前图像包含对象的敏感度，敏感度取决于图像的应用场景、目标预设值以及图像场景中各对象之间的语义关系；目标预设值可以根据图像的一般理解采用预先定义给定目标对象的初始敏感度；
所述敏感区域提取的过程为：
根据识别出的敏感对象对原始图像进行基于目标检测模型的图像区域划分，根据灰度、彩色、空间纹理、几何形状等特征把图像划分成若干个互不相交的区域，包括实例分割和场景分割，以获取目标敏感对象区域图像。
其中，上述目标对象敏感度计算在实验和分析的基础上给出图像上下文敏感度的计算公式：
SDr＝Sr*Ws+Cr*Wc+Ar*WA+Lr*WL；
其中，Ws+Wc+WA+WL＝1，所识别图像内容的区域轮廓特征为Sr，所属类型特征为Cr，面积占比为Ar，位置距离特征为Lr，各项相对应的初始预设权重分别为WS，WC，WA，WL。
具体的，所述像素空间置乱具体为：基于初始混沌系统构造混沌映射，生成伪随机数的混沌序列，通过对图像矩阵进行有限步长的初等矩阵转换，改变目标区域像素的空间位置，将原始区域图像变成一个杂乱无序、不可见的新区域图像；
所述混沌加密包括：读入待处理的敏感区域图片，通过加密密钥进入混沌序列，采用混沌系统设计加密算法，实现加密目的；采用混沌系统与逻辑图生成与明文图像特征相关的混沌密钥序列，替换目标区域像素值，实现打乱像素位置，最终扩散图像得到目标区域加密图像。
具体的，构造新的动态混沌加密系统的过程为：用一个混沌映射来控制另一个混沌系统的参数来构成新的混沌系统，数学表达式为：
xn+1＝G(un+1，xn)
un+1＝H(yn+1)
yn+1＝F(v，yn)
其中，F(x)表示控制混沌映射，G(x)表示种子混沌映射，H(x)表示转换关系函数，它被用来将F(x)的输出映射到G(x)的参数范围内。
参阅附图4可知：
区域像素置乱：基于初始混沌系统构造混沌映射，生成伪随机数的混沌序列，对初始图像的字节进行预置乱处理。先对初始图像的奇数行与列的顺序进行颠倒，随后旋转这些行与列的RGB值，通过复制每个相邻像素的R值，G值以及B值将得到的3维数组变换成一个2维数组，得到一个大小为M×3N的预置乱位图。
动态混沌加密：读入待处理的敏感区域图片，通过动态构造新的混沌系统，对置乱处理后的位图像素按混沌映射的序列进行迭代扩散，实现加密目的。动态构造新的混沌系统过程通过用Chirikov混沌映射来控制Tent混沌系统的参数来构成新的混沌系统，Chirikov混沌系统表达式为：
Tent混沌系统的方程定义为：
利用上述大小为M×3N预置乱的数字图像，计算图像的像素值总和并记作s，使用下式计算出混沌系统初始迭代的次数k，即：
k＝s mod 103+103
将Chirikov混沌系统迭代M×3N-1次，得到伪随机数t1，并对其做以下处理：
t＝mod((t1*103)，2)+1
根据上述步骤得到的t，将其作为Tent混沌系统的控制参数μ及迭代次数k，对Tent混沌系统从k次进行迭代获取长度为M×3N的混沌序列，并进行排序。利用索引位置序列，对原始图像的像素进行置乱操作，得到置乱图像C’。
输入密钥G0和H0对混沌映射系统进行迭代,截取迭代后长度为M×3N的混沌序列G，H。由两个混沌序列，按照下式来构造一个新的混沌序列F，使其具有较好的伪随机性。
采用混沌系统与逻辑图生成与明文图像特征相关的混沌密钥序列，将得到的混沌序列F与置乱图像C’进行异或操作，替换目标区域像素值，实现打乱像素位置，最终扩散图像得到目标区域加密图像：
C＝F⊕C’。
具体的，所述图像数据拼接过程包括：
对加密区域图像进行多通道分解获取加密区域图像每个通道的加密特征矩阵，获取加密区域图像的每个通道的特征向量，与未加密区域特征矩阵进行合并，生成原始图像大小相同的图像矩阵，基于合并后的加密矩阵生成目标加密图像，用于存储或传输。
上述方法所用的系统包括：
图像自动筛选匹配模块，用于对输入图像进行按条件筛选匹配；
图像敏感对象识别模块，用于对图像内容进行敏感对象识别；
图像动态混沌加密模块，用于对图像敏感区域进行加密。
参考图5所示的，Lena图像作为样本图像，原图像大小为256*256，图中(a)、(b)、(c)为原始图片R，G，B三个通道的直方图，可以看出明文图像的灰度直方图的像素的分布不均，波动较大；图中(d)、(e)、(f)为加密后的图像三个通道的直方图，三个图的加密区域都变得十分接近，即每个灰度值出现的频率基本相同，像素的直方图分布较为一致，对信息起到了收敛作用，使明文图像各像素间的相关性被打破，这样攻击者就无法获取图像敏感区域的有关信息。此外，加密后图片各通道具有很好的随机性，可以抵御统计攻击，加密后图片各通道水平、垂直和对角线相邻元素的相关性十分接近0，极大削弱了相邻像素点的相关性。
均方误差(MSE)表征原始图像与加密图像的差异，MSE为0时表示两图像相等。通过分析得知，密钥参数取值范围进入到一个很小的区间时，才有可能将图片解密出来，这能有效防止对加密图像使用覆盖攻击进行破解。随着随机性的增大，解密后图像的均方误差也是一直在增长，增长速度呈减缓趋势。同时，解密后图像的峰值信噪比也是一直在降低，降低速度呈减缓趋势。
像素改变率表示当明文图像中任意像素值发生微小变化或密钥做出微小的变动时，会大幅度改变密文图像的信息，越接近理想值，说明密文对明文的敏感性越好；归一化平均改变强度，当两个指标的值越接近理想值，说明对明文图像的细微改变越敏感，抗攻击能力越强。计算获得较好的像素改变率和归一化平均改变强度，较好地抵差分攻击。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换,凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (5)
1.一种轻量级动态图像数据加密方法，其特征在于，包括：
步骤一：图像自动筛选：基于图像自动筛选机制对图像进行结构特征提取，对提取的特征进行相似度匹配来实现特定内容的图像筛选；
步骤二：敏感对象识别：通过图像目标模型检测和特征对比，实现对筛选出的图像进行图像敏感对象识别，根据图像包含敏感对象计算敏感度，并对满足条件的相关敏感区域提取；
步骤三：动态混沌加密：基于混沌序列使用区域像素空间置乱方法对特定敏感区域进行置乱，再利用动态混沌加密映射构造新的混沌序列对置乱图像进行扩散实现图像动态混沌加密，将敏感区域加密部分和背景区域未加密部分拼接，获得加密后图像用于保存或传输；
其中，步骤一的图像自动筛选的方法具体有以下过程：
(1.1)图像质量筛选：将原始图像进行滤波降噪处理并计算像素点边缘梯度，根据像素点累加求和并对边缘梯度归一化处理以筛选出清晰的图像；
(1.2)相似度匹配：通过聚类和分类算法将符合质量要求的图像进行结构特征提取，基于多度量相似度匹配算法将结构特征向量筛选出与特定目标相匹配的图像；
其中，相似度匹配包括特征聚类和特征分类，
所述特征聚类具体包括以下内容：
(1.201)对图像进行图像特征提取得到样本图像特征，利用特征聚类模型对所述图像特征进行结构特征提取，得到至少一个图像结构特征；
(1.202)基于结构特征对图像结构特征进行聚类，得到结构特征的至少一个聚类结果；
(1.203)根据聚类结果对预设特征聚类模型进行优化，直到预设特征聚类模型收敛，得到特征聚类模型并用于目标图像结构特征筛选；
所述特征分类具体包括：
(1.204)从图像中随机可放回的选取若干图像样本，标注特征类别标签作为训练样本，选定已有的卷积神经网络模型进行调参优化，卷积神经网络模型与提取特征的网络模型需保持模型结构和训练数据不同；
(1.205)利用特征分类模型对目标图像特征进行识别，得到结构特征模型及其类别置信度，若某个样本在所属类别上置信度低，则将该特征作为不相关样本予以筛除；
所述结构特征提取包括如下步骤：
(1.21)从图像组成的角度将结构信息定义为独立于亮度、对比度的反映场景中物体结构的属性，用均值作为亮度的估计，标准差作为对比度的估计，协方差作为结构相似程度的度量；
(1.22)利用滑动窗将图像分块，每一步基于窗口内像素进行计算，对应块的结构相似度，最后将平均值作为两图像的结构相似性度量；
其中，步骤二的敏感对象识别具体包括以下过程：
(2.1)敏感目标检测：对图像所含特定目标对象进行识别检测与分类；
(2.2)敏感度计算：根据预设敏感度值对敏感目标对象进行相应计算；
(2.3)敏感区域提取：对目标对象且满足敏感度要求的区域进行区域图像分割提取；
所述敏感目标检测具体内容为：
根据预设检测敏感对象列表，对图像内容所包含目标对象进行自动分类识别，获取相应的类别信息和位置信息；
目标检测识别根据敏感对象训练图像提取特征，将得到的特征向量用于目标图像识别的特征库训练获得目标检测模型；
所述敏感度计算的方法为：
根据所述敏感目标检测识别信息，计算对象在当前图像包含对象的敏感度，敏感度取决于图像的应用场景、目标预设值以及图像场景中各对象之间的语义关系；目标预设值采用预先定义给定目标对象的初始敏感度；
所述敏感区域提取的过程为：
根据识别出的敏感对象对原始图像进行基于目标检测模型的图像区域划分，根据灰度、彩色、空间纹理、几何形状特征把图像划分成若干个互不相交的区域，包括实例分割和场景分割，以获取目标敏感对象区域图像；
其中，步骤三动态混沌加密包括以下过程：
(3.1)区域像素置乱：根据初始混沌系统，对初始图像的字节进行预置乱处理，通过复制每个相邻像素的RGB值将得到的数组进行降维获得预置乱位图；
(3.2)动态混沌加密：通过动态构造新的混沌系统，对置乱处理后的位图像素按混沌映射的序列进行迭代扩散，获取密文矩阵；
(3.3)图像数据拼接：将混淆加密的区域图像密文矩阵与原始图像未处理区域进行拼接整合，形成目标加密图像完整数据；
所述图像数据拼接过程包括：
对加密区域图像进行多通道分解获取加密区域图像每个通道的加密特征矩阵，获取加密区域图像的每个通道的特征向量，与未加密区域特征矩阵进行合并，生成原始图像大小相同的图像矩阵，基于合并后的加密矩阵生成目标加密图像，用于存储或传输。
2.根据权利要求1所述的一种轻量级动态图像数据加密方法，其特征在于，所述图像质量筛选的过程具体为：
(1.11)进行图像滤波降噪处理，将原始图像转换进行滤波降噪处理，滤除噪声、平滑图像，同时去除图像中的不相关细节；
(1.12)进行图像边缘梯度计算，分别计算出每个像素点邻域内的边缘梯度，并将每个像素点邻域内的边缘梯度进行加权求和，从而计算出每个像素点的边缘梯度和，累加每个像素点的边缘梯度和，再除以像素点的个数得到归一化的边缘梯度，根据归一化后获得的边缘梯度值筛选出清晰的图像。
3.根据权利要求1所述的一种轻量级动态图像数据加密方法，其特征在于，所述区域像素空间置乱具体为：基于初始混沌系统构造混沌映射，生成伪随机数的混沌序列，通过对图像矩阵进行有限步长的初等矩阵转换，改变目标区域像素的空间位置，将原始区域图像变成一个杂乱无序、不可见的新区域图像；
所述动态混沌加密包括：读入待处理的敏感区域图片，通过加密密钥进入混沌序列，采用混沌系统设计加密算法，实现加密目的；采用混沌系统与逻辑图生成与明文图像特征相关的混沌密钥序列，替换目标区域像素值，实现打乱像素位置，最终扩散图像得到目标区域加密图像。
4.根据权利要求3所述的一种轻量级动态图像数据加密方法，其特征在于，动态混沌加密系统的构造过程为：用一个混沌映射来控制另一个混沌系统的参数来构成新的混沌系统，数学表达式为：
；
其中，表示控制混沌映射，表示种子混沌映射，表示转换关系函
数，它被用来将的输出映射到的参数范围内。
5.根据权利要求1-4任一项所述的一种轻量级动态图像数据加密方法的系统，其特征在于，包括：
图像自动筛选匹配模块，用于对输入图像进行按条件筛选匹配；
图像敏感对象识别模块，用于对图像内容进行敏感对象识别；
图像动态混沌加密模块，用于对图像敏感区域进行加密。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210948717.3A CN115378574B (zh) | 2022-08-09 | 2022-08-09 | 一种轻量级动态图像数据加密方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210948717.3A CN115378574B (zh) | 2022-08-09 | 2022-08-09 | 一种轻量级动态图像数据加密方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115378574A CN115378574A (zh) | 2022-11-22 |
| CN115378574B true CN115378574B (zh) | 2023-12-19 |
Family
ID=84063568
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210948717.3A Active CN115378574B (zh) | 2022-08-09 | 2022-08-09 | 一种轻量级动态图像数据加密方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115378574B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116226471B (zh) * | 2023-05-10 | 2023-07-25 | 济宁蜗牛软件科技有限公司 | 一种用于国土资源规划的数据存储方法 |
| CN116431846B (zh) * | 2023-06-14 | 2023-08-18 | 泰山学院 | 一种学生敏感信息存储系统及方法 |
| CN116451276B (zh) * | 2023-06-15 | 2023-09-26 | 杭州海康威视数字技术股份有限公司 | 一种图像处理方法、装置、设备及系统 |
| CN116566585B (zh) * | 2023-07-10 | 2023-09-05 | 中国科学院东北地理与农业生态研究所 | 一种信息化智能存储方法 |
| CN117278692B (zh) * | 2023-11-16 | 2024-02-13 | 邦盛医疗装备（天津）股份有限公司 | 一种医疗检测车病患监测数据脱敏保护方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108650434A (zh) * | 2018-05-08 | 2018-10-12 | 吉林大学 | 一种图像加密的方法 |
| CN109977686A (zh) * | 2019-04-01 | 2019-07-05 | 桂林电子科技大学 | 一种基于复合混沌系统的图像加密方法和图像处理设备 |
| CN111783116A (zh) * | 2020-06-29 | 2020-10-16 | 南通职业大学 | 一种轻量级超混沌快速图像加密算法 |
| WO2021227349A1 (zh) * | 2020-05-11 | 2021-11-18 | 华南理工大学 | 一种生物特征隐私保护的前端人像加密与识别方法 |
-
2022
- 2022-08-09 CN CN202210948717.3A patent/CN115378574B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108650434A (zh) * | 2018-05-08 | 2018-10-12 | 吉林大学 | 一种图像加密的方法 |
| CN109977686A (zh) * | 2019-04-01 | 2019-07-05 | 桂林电子科技大学 | 一种基于复合混沌系统的图像加密方法和图像处理设备 |
| WO2021227349A1 (zh) * | 2020-05-11 | 2021-11-18 | 华南理工大学 | 一种生物特征隐私保护的前端人像加密与识别方法 |
| CN111783116A (zh) * | 2020-06-29 | 2020-10-16 | 南通职业大学 | 一种轻量级超混沌快速图像加密算法 |
Non-Patent Citations (2)
| Title |
|---|
| 刘进 ; 孙婧 ; 徐正全 ; 顾鑫 ; .基于目标的图像轻量级加密.华中科技大学学报(自然科学版).2011,(06),全文. * |
| 基于目标的图像轻量级加密;刘进;孙婧;徐正全;顾鑫;;华中科技大学学报(自然科学版)(06);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115378574A (zh) | 2022-11-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115378574B (zh) | 一种轻量级动态图像数据加密方法及系统 | |
| Ubhi et al. | Neural style transfer for image within images and conditional GANs for destylization | |
| Laishram et al. | A novel minimal distortion-based edge adaptive image steganography scheme using local complexity: (BEASS) | |
| Liu et al. | Making DeepFakes more spurious: evading deep face forgery detection via trace removal attack | |
| CN102722858B (zh) | 基于对称邻域信息的盲隐写分析方法 | |
| Hsu et al. | A high-capacity QRD-based blind color image watermarking algorithm incorporated with AI technologies | |
| Zhang et al. | A local perturbation generation method for GAN-generated face anti-forensics | |
| CN115758422A (zh) | 一种文件加密方法及系统 | |
| Jana et al. | A new DCT based robust image watermarking scheme using cellular automata | |
| Meenakshi et al. | A hybrid matrix factorization technique to free the watermarking scheme from false positive and negative problems | |
| Zhang et al. | Exposing unseen GAN-generated image using unsupervised domain adaptation | |
| Dalal et al. | A secure video steganography scheme using DWT based on object tracking | |
| Cui et al. | Multitask identity-aware image steganography via minimax optimization | |
| CN111259792B (zh) | 基于dwt-lbp-dct特征的人脸活体检测方法 | |
| Alkhowaiter et al. | Evaluating perceptual hashing algorithms in detecting image manipulation over social media platforms | |
| Mehrish et al. | Joint spatial and discrete cosine transform domain-based counter forensics for adaptive contrast enhancement | |
| CN111726472A (zh) | 一种基于加密算法的图像抗干扰方法 | |
| Ouyang et al. | A semi-fragile reversible watermarking method based on qdft and tamper ranking | |
| Fadoua et al. | Medical video watermarking scheme for telemedicine applications | |
| CN117459649A (zh) | 一种基于图像风格迁移的大容量信息隐藏方法及系统 | |
| CN117131520A (zh) | 基于动态掩膜和生成恢复的两阶段图像隐私保护方法与系统 | |
| Kumari et al. | Optimized dwt based digital image watermarking and extraction using rnn-lstm | |
| CN113191380B (zh) | 一种基于多视角特征的图像取证方法及系统 | |
| CN111444985B (zh) | 一种基于直方图匹配的图像匹配方法 | |
| Amsaveni et al. | An efficient reversible data hiding approach for colour images based on Gaussian weighted prediction error expansion and genetic algorithm |
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 |