[发明专利]一种深度学习训练图片加密解密方法

说明书

本发明涉及一种深度学习训练图片加密解密方法，包括加密过程与解密过程。其中，加密过程为：将读取的图片数据转换为三维数组，对每个图片，分别对图片三个通道进行加密，将加密后的三个通道进行交换，之后合并三个通道得到输出图片。解密过程为：获取需要解密的图片，对每个图片，首先进行通道的交换，之后分别对交换后的三个通道进行解密，之后合并三个通道得到输出图片。本发明能够防止模型泄密、图片数据泄露，并且实现目标检测模型可训练。

技术领域

本发明涉及图像处理技术领域，特别是一种深度学习训练图片加密解密方法。

背景技术

现有的常规方案是明文图片训练。目前的图像加密技术可分为两类，即空域图像加密技术和压缩图像加密技术。空域图像加密技术在未压缩的图像上进行加密，其特征是将图像看作三维数据(长宽加通道)进行操作。空域图像加密技术的典型方法是采用离散混沌加密技术。压缩图像加密技术则基于某种压缩格式或压缩技术进行加密，如JPEG、算术编码、小波压缩技术等。

这些加密技术将会导致不可训练和泄密的问题。空域图像加密导致图像乱色，图片上的颜色空间位置特征丢失。压缩图像加密技术只是对图片进行压缩，图片特征和空间特征都保留，特征基本和原图是一致，第三方厂家可以用这些数据进行训练应用于其他项目，电力作业信息也不同程度泄密，威胁作业安全，这是电力业主不愿意看到的。所以业内目前给第三方训练的目标检测模型的图片数据都是没有进行加密处理的。

电力作业图片的神经元模型检测要求进行目标检测和目标分类两项任务，目前现有方案大部分是对目标区域事先进行原图的目标检测，然后将检测的区域抠出并进行的特征加密，这是种局部加密利用加密后的特征与现有特征库的特征向量进行比对的一个过程。该方案对目标图片进行加密只能得到图片的降维的向量特征，而目标检测的神经元网络要求回归图片上的目标位置和目标所属分类，进行局部加密的方案数据失去了待检测目标在整张图片上的空间位置信息，同时进行降维的数据是无法拼接回原图的。所以进行传统的特征加密或者局部加密是无法满足目标检测和目标分类双重要求的。可见，局部特征加密后的数据没有了图像目标位置的空间特征，无法进行训练。

本发明的核心目标是解决电力安全作业数据给第三方厂家训练导致数据泄密问题和加密后的数据丢失空间特征导致无法训练问题。

发明内容

有鉴于此，本发明的目的是提出一种深度学习训练图片加密解密方法，能够防止模型泄密、图片数据泄露，并且实现目标检测模型可训练。

本发明采用以下方案实现：一种深度学习训练图片加密解密方法，包括加密过程：

将读取的图片数据转换为三维数组，对每个图片，分别对图片三个通道进行加密，将加密后的三个通道进行交换，之后合并三个通道得到输出图片。

进一步地，对图片三个通道进行加密具体为：

对通道一采用如下公式加密得到R：

R＝255-k*R’+random(-5,5)；

式中，R’为图片的红色通道，k为加权系数，random(-5,5)表示采用随机整数函数产生-5到5之间的整数；

对通道二采用如下公式加密得到B：

B＝k*B’+random(-5,5)；

式中，B’为图片的蓝色通道，k为加权系数，random(-5,5)表示采用随机整数函数产生-5到5之间的整数；

对通道三采用如下公式加密得到G：

G＝255-k*(G’+random(-5,5))+random(-5,5)；

式中，G’为图片的绿色通道，k为加权系数，random(-5,5)表示采用随机整数函数产生-5到5之间的整数。