[发明专利]一种基于深度学习的加密图像破解方法及系统

权利要求书

1.一种基于深度学习的加密图像破解方法，其特征在于，所述基于深度学习的加密图像破解方法包括：

步骤一：获取加密图像样本，原始图像从各大开源的数据集获取，根据Arnold cat和AES加密算法编写代码加密数据集，得到加密图像样本；

步骤二，在Autoencoder自编码器和Gan生成对抗网络的基础上构建深度学习网络模型；根据Autoencoder自编码器和Gan生成对抗网络构建深度学习网络模型，包括生成网络和对抗网络，其中，生成网络需要将加密图像以原始图像为目标进行还原，是基于Autoencoder自编码器构建的，对抗网络是一个判别器，用来判断所输入的图像是原始图像还是生成网络所生成的图像，两个网络同时竞争，让生成网络生成的图像和原始图像越来越接近；生成网络基于Autoencoder自编码器进行设计，其中，encoder编码过程包括6个卷积层，前5个卷积层后接一个Relu型激励函数，后1个卷积层后接一个Sigmoid型激励函数；decoder解码过程包括有6个反卷积层，前5个反卷积层都后接一个Relu型激励函数；对抗网络包括6个卷积层和1个全连接层，每个卷积层都后跟1个LeakyRelu型激励函数和一个池化层；

步骤三，训练深度学习网络，对抗网络的训练，使用二分类的交叉熵损失函数，训练判别器能够辨别原始图像和生成网络生成的图像；将原始图像的标签设置为1，生成网络生成的图像的标签设置为0，将原始图像和生成网络生成的图像分别输入到对抗网络中，将结果与标签对应，并计算对应的误差，将二者的误差相加并反向传播，不断修正对抗网络的参数，让对抗网络越来越能够分辨原始图像和生成图像；

其次是生成网络的训练，使其所生成的图像越来越逼近原始图像；将判别器固定，将生成图像输入判别器的结果与原始图像的标签1进行对应，并计算误差，在反向传播的过程中，不断修正生成网络的参数，使生成图像越来越接近原始图像，实现加密图像的破解；

步骤四，使用训练好的网络模型对加密图像进行破解，用所训练好的网络模型对加密图像进行破解；加密图像输入网络模型，通过计算，模型所产出的结果就是加密图像的原始图像；

在Autoencoder自编码器和Gan生成对抗网络的基础上构建深度学习网络模型，同时训练生成网络和对抗网络，生成网络输出的图像越来越接近原始图像，实现对Arnold cat和AES加密算法所加密的图像的破解。