摘要
在当今数字化时代，随着互联网的普及和信息传输的便捷，人们能很便捷地获取、存储以及分享各种多媒体数据。图像作为一种重要的信息载体，承载着各种形式的数据和内容，然而随之而来的是信息安全和隐私泄露的风险与挑战。图像加密应运而生，并成为了保护图像数据安全和隐私的重要手段。为此，许多学者致力于研究图像加密算法，以保护图像数据在传输、存储和分享过程中的安全性。目前，基于深度学习的图像加密技术逐渐兴起，具有良好的研究前景和应用潜力，然而，基于深度学习的图像加密目前仍存在恢复质量低，密钥传输成本高以及加密效率低的问题。本文在介绍图像加密算法的基础上，结合深度学习，具体研究了基于可逆神经网络以及循环生成对抗网络的图像加密技术，提出了基于深度学习的图像加密方法和子密钥生成方法，为图像加密提供了有效的思路，本文具体工作主要包含以下两个方面: （1）针对目前直接生成密文的神经网络图像加密方法存在明文图像恢复质量低，密钥以及密文传输成本高的问题，提出一种基于可逆神经网络的图像压缩加密方法。该方法首先使用可逆缩放网络对明文图像进行下采样，减少传输成本并降低训练难度;其次将密钥加入模型训练，使用三元损失函数使网络增加对正确密钥的适应性，并使错误密钥无法恢复出原始的明文图像，以训练的密钥代替网络参数密钥，降低了密钥的传输成本;最后使用高频替换提高了明文图像恢复的质量。仿真实验结果表明，提出的方法有效降低了网络的训练难度并减少了密钥以及密文的传输成本，此外，该方法能够保证恢复的下采样明文图像的平均峰值信噪比（PSNR）值超过45dB。在采样率为1/4的情况下，恢复的明文图像的平均PSNR值仍能达到40dB以上，即便采样率降至1/16，平均PSNR值也能维持在大约35dB的水平。 （2）针对基于生成对抗网络子密钥生成的图像加密方法存在训练难度大，加密效率低且密钥图像质量不高的问题，提出一种基于循环生成对抗网络子密钥生成的图像加密方法。该方法利用网络模型生成的子密钥对明文图像实现加密，首先在网络模型中运用轻量的密集残差网络模块，降低了网络的参数数量，提高了训练以及加密效率;其次，使用循环神经网络稳定模型的训练，使种子图像向子密钥图像转变的过程更简单，降低了训练难度;最后，加入均匀分布损失提高生成的子密钥图像质量。仿真实验结果表明，提出的子密钥生成方法能够稳定地生成高质量的子密钥图像并降低密钥传输成本，本方法生成的子密钥图像的信息熵能够达到7.9872,密文图像的信息熵达到7.9990,并且能够无损恢复明文图像。
NETL