[发明专利]基于压缩感知与深度学习的光回转域多图像加密方法

权利要求书

1.基于压缩感知与深度学习的光回转域多图像加密方法，其特征在于将基于深度学习的压缩感知CS重建算法与光学图像加密相结合，该方法包括加密和解密两个部分；所述的加密过程具体描述为：步骤一，利用随机高斯测量矩阵对m幅大小为N×N的图像(P₁(x,y),P₂(x,y),…,P_m(x,y))进行CS采样，每幅图的采样率SR满足关系式：SR₁+SR₂+…+SR_m＝1，采样后得到m个大小为(SR×N)×N的测量值矩阵；步骤二，利用logistic映射混沌系统对第一步获得的m个矩阵的值进行置乱，将置乱后的矩阵组合成一个大小为N×N的二维矩阵，然后利用混沌系统生成混沌矩阵T(x,y)与组合矩阵进行异或运算，得到加密矩阵I(x,y)；步骤三，使用随机相位掩模对矩阵I(x,y)进行编码，并对其进行光学回转变换得到复值矩阵F(u,v)，然后截取复值矩阵的相位作为私钥，保留振幅作为密文C(u,v)，C(u,v)是大小为N×N的实值密文；所述的解密过程具体描述为：步骤一，将密文C(u,v)与私钥相乘，并进行逆光回转变换，然后将逆变换的输出与随机相位掩模的共轭相乘，得到矩阵I(x,y)；步骤二，将矩阵I(x,y)与混沌矩阵T(x,y)进行异或运算，然后对异或运算后的矩阵进行分解，对分解后的矩阵进行逆置乱，得到m个测量值矩阵；步骤三，将m个测量值矩阵输入CS重建网络CSR-Net中，该网络是初始重建模块和深度重建模块级联而成；其中初始重建模块由三层全连接神经网络构成，第一层的神经元数量由CS采样率决定，第二层的神经元数量由输入图像的大小决定，第三层为参数与输入图像大小一致的重塑层； 深度重构模块由三个卷积层组成，每个卷积层具有不同的卷积核和通道数；在前两个卷积层之后，用激活函数将非线性因子引入神经网络，使神经网络完成非线性映射；由于在卷积运算中均使用填充卷积，即在卷积之前对图像进行零填充，所以卷积之后图像的大小不会改变；通过训练好的CSR-Net网络就能将输入的m个测量值重建为m幅原始明文图像。

2.根据权利要求1所述的基于压缩感知与深度学习的光回转域多图像加密方法，所述的基于深度学习的CS重建网络CSR-Net，主要由两个级联神经网络模块组成；其一是由全连接层神经网络组成的初始重建模块，用于CS测量值的初始重建，其二是由全卷积神经网络组成的深度重建模块，用于提高初始重建模块输出的图像质量；基于块压缩感知理论，将原始图像分解成大小为32×32的图像块，然后对每个图像块进行CS采样，得到相应的测量值,将测量值输入到网络中，就可以重建原始图像块；因此，初始重建模块由三层组成，第一层的神经元数量由CS的采样率决定，第二层的神经元数量为1024，第三层是重塑层，将第二层输出的长为1024的一维矢量转换成32×32的模糊图像块；深度重构模块由三个卷积层组成，每个卷积层具有不同的卷积核和通道数；在前两个卷积层之后，用激活函数‘ReLU’将非线性因子引入神经网络，使神经网络完成非线性映射；由于在卷积运算中均使用填充卷积，即在卷积之前对图像进行零填充，所以卷积之后图像的大小不会改变；经过深度重建模块后，输入的模糊图像块将成为清晰的重建图像块；利用梯度下降算法对网络进行训练，对于训练好的CSR-Net网络，当输入CS测量值时，即可输出重建好的原始图像。