[发明专利]堆栈式稀疏自编码器和GAN的混沌序列图像加密方法及装置

权利要求书

1.一种堆栈式稀疏自编码器和GAN的混沌序列图像加密方法，其特征在于，所述方法包括：

S1、获取待加密的原始图像；

S2、获取所述原始图像的混沌序列；

S3、将所述混沌序列输入到训练好的基于堆栈稀疏自编码器和生成对抗网络GAN的深度学习网络加密模型；

S4、根据所述混沌序列以及深度学习网络加密模型，得到所述待加密的原始图像的密文图像。

2.根据权利要求1所述的方法，其特征在于，所述S2中的获取所述原始图像的混沌序列包括：

S21、对所述原始图像进行分块处理，得到原始图像子块；

S22、基于Logistic混沌系统，对所述原始图像子块生成实数序列；

S23、基于阈值法，对所述实数序列进行转换，得到原始图像的混沌序列。

3.根据权利要求1所述的方法，其特征在于，所述S3中的基于堆栈稀疏自编码器和GAN的深度学习网络加密模型包括生成网络和对抗网络；

其中，所述生成网络基于堆栈式稀疏自编码器构建，用于生成密文图像；

所述对抗网络，用于判断输入为混沌序列或密文图像。

4.根据权利要求3所述的方法，其特征在于，所述生成网络包括编码器和解码器；

其中，所述编码器包括编码器全连接层、第一卷积层、第二卷积层以及第三卷积层；

所述编码器全连接层、第一卷积层以及第二卷积层分别连接GELU型激活函数；

所述第三卷积层连接Sigmoid型激活函数；

所述编码器全连接层的输出和第三卷积层的输出之间通过残差结构连接；

所述解码器包括第一反卷积层、第二反卷积层、第三反卷积层以及解码器全连接层；

所述第一反卷积层、第二反卷积层以及第三反卷积层分别连接GELU型激活函数；

所述解码器全连接层连接Sigmoid型激活函数。

5.根据权利要求3所述的方法，其特征在于，所述对抗网络包括对抗网络第一卷积层、对抗网络第二卷积层、对抗网络第三卷积层以及池化层；

所述对抗网络第一卷积层、对抗网络第二卷积层以及对抗网络第三卷积层分别连接GELU型激活函数。

6.根据权利要求1所述的方法，其特征在于，所述S3中的基于堆栈稀疏自编码器和生成对抗网络GAN的深度学习网络加密模型的训练过程包括：

S31、对堆栈稀疏自编码器的网络参数进行优化，得到堆栈稀疏自编码器网络最优的权值和阈值；

S32：基于所述最优的权值和阈值，构建基于堆栈稀疏自编码器和GAN的深度学习网络加密模型；

S33：利用梯度下降算法，对所述基于堆栈稀疏自编码器和GAN的深度学习网络加密模型进行训练。

7.根据权利要求6所述的方法，其特征在于，所述S33中的利用梯度下降算法，对所述基于堆栈稀疏自编码器和GAN的深度学习网络加密模型进行训练包括：

利用梯度下降算法，对所述基于堆栈稀疏自编码器和GAN的深度学习网络加密模型的生成网络和对抗网络进行训练；

其中，对所述对抗网络进行训练包括：

使用交叉熵损失函数，对所述对抗网络进行训练；

对所述生成网络进行训练包括：

将生成网络生成的密文图像输入到所述对抗网络，得到对抗网络的输出结果，将所述对抗网络的输出结果与混沌序列的标签进行对应并计算误差，将计算得到的误差利用AdamW梯度下降算法进行误差反向传播，使所述生成网络的网络参数不断修正。

8.根据权利要求1所述的方法，其特征在于，所述S4中的根据所述混沌序列以及深度学习网络加密模型，得到所述待加密的原始图像的密文图像包括：

将所述混沌序列输入到所述深度学习网络加密模型，通过梯度的前向传播，所述深度学习网络加密模型的生成网络生成所述待加密的原始图像的密文图像。