基于深度学习与压缩感知理论的通用图像重构算法

数字图像作为信息的高效载体,在信息传输中发挥着重要的作用。随着图像数据不断增大,需要压缩感知技术解决数据存储和传输过程中成本浪费与耗时问题。传统压缩感知运算复杂重构时间长,重构质量较差,在低采样率下将无法恢复。提出一种基于深度学习压缩感知理论的图像重构算法,同时适用于灰度图与彩色图像。压缩重构网络使用双线性插值对图像的宽高压缩,损失的信息由全连接层学习。网络中多次使用全连接层进行构建,使其具有更多的网络参数学习图像特征。对于彩色图像,通过卷积神经网络将3通道压缩为1通道,重构网络使用双线性插值将压缩图像放大,使用卷积神经网络和全连接层重构得到高质量图像。实验表明,在不同采样率下,提出的CCSNet网络的PSNR和SSIM值均为最优,重构性能优于基于深度学习的ReconNet、DR^(2)-Net和MSRNet网络。算法同时适用于灰度图像与RGB格式彩色图像,在保证运行时间尽量短的情况下,提高重构质量和缩短重构时间有较大优势。

基于数据报重组与光学干涉的密文多图像可逆信息隐藏

针对现有可逆信息隐藏嵌入率低,无法一次隐藏多张不同图像问题,提出一种密文域光学多图像可逆信息隐藏方法。将多张不同类型、不同大小图像进行数据报重组得到重组多图像,无需提供任何信息可在一定噪声下重构多图像。载体图像经非对称双随机相位编码得到加密图像,再将重组多图像光强缩小1000倍,与加密图像级联干涉得到载密图像,利用级联矢量分解可从载密图像中无损还原重组多图像和加密图像。载密图像可用解密密钥进行解密,也可用隐藏密钥无损还原重组多图像,当同时具有解密密钥与隐藏密钥时可无损还原载体图像,实现完全可逆、可分离。实验表明,当嵌入率为128比特/像素时,载密图像峰值信噪比大于32 dB,且可无损还原隐藏图像与载体。在1/2剪切或0.2的各种噪声下,各还原图像峰值信噪均大于11 dB,具有鲁棒性。3 s内可实现32比特/像素的嵌入、还原和解密,具有高效性。

基于动态网络的非线性置乱扩散同步图像加密

具有置乱-扩散结构的传统图像加密中的置乱与扩散通常相互独立,易被单独针对破解,且加密过程非线性弱,导致算法安全性差,为此提出了一种具有强非线性的置乱扩散同步图像加密算法。首先,构造新型sine-cos混沌映射,以拓宽控制参数范围,并改善序列分布的随机性;然后,用明文像素与混沌序列的异或和作为混沌初始值产生混沌序列,用其构建不同明文的不同像素的网络结构,同时利用扩散值动态更新网络值,使网络具有动态性;最后,使用单像素串行置乱-扩散使置乱与扩散产生交叉作用,整体上达到置乱和扩散的同步,从而有效抵抗分离攻击。另外,依照网络结构转移像素操作,使串行路径具有非线性和不可预测性,从而保证算法的非线性与安全性,并且利用相邻节点像素和进行动态扩散,从而提高明文的相关性。实验结果表明,该算法加密安全性高,明文敏感性强,并在抗统计攻击、差分攻击、选择明文攻击等方面效果尤佳。

深度学习压缩重构的通用图像快速加密算法

针对图像压缩加密耗时长、解密图像色彩失真等问题,提出一种快速安全的通用图像加密算法.压缩网络利用双线性插值和全连接层进行压缩预处理,防止彩色信息丢失,卷积层用于提高压缩率、降低算法时间复杂度.加密部分设计选择置乱方式,混沌序列对像素块与块内像素点进行动态选择置乱,结合异或操作进行像素扩散,提高算法随机性.改进双线性插值卷积神经网络,利用双线性与卷积层得到图像轮廓特征,用全连接层获取颜色信息进行图像重构.算法可实现对灰度图和RGB格式彩色图像的压缩、加解密和还原一体化.实验结果表明,所提算法各种加密指标接近理想数值,拥有良好的加密安全性和抗攻击能力,加密时间大幅缩短.在图像处理常用的500幅测试集(BSD500)上,采样率为0.25,0.10,0.04和0.01的峰值信噪比分别可达29.01 dB,25.69 dB,23.75 dB和21.45 dB,优于FCLBCNN,有效地解决了重构图像色彩失真问题,具有更好的加密效果和更广的适用性.

基于自适应非线性网络的压缩感知重构算法

针对传统压缩感知(CS)进行复杂的迭代运算,重构时间长且质量差等问题,结合深度学习方法,提出一种自适应非线性测量卷积神经网络(NMECNN)的压缩感知重构算法。本算法将图像整体宽高进行压缩,作为测量网络替代传统的随机测量矩阵进行图像重建,同时利用多个扩张卷积层和上采样PixelShuffle方法获取图像不同尺度细节信息。通过与其他文献进行实验对比,本算法在不同采样率下,平均峰值信噪比(PSNR)分别高于MSRNets算法1 dB,0.7 dB,0.82 dB,1.61 dB;结构相似性(SSIM)值分别高0.03,0.04,0.24,0.10个单位,重构时间在CPU上比MSRNet算法快0.1755 s,0.3998 s,0.41 s,0.396 s。最后通过大数据集与噪声实验,验证了本算法图像重构质量明显提高,重构时间大幅缩短,具有很强的抵抗噪声攻击能力。