[发明专利]一种基于深度学习的密文域图像分类方法

权利要求书

1.一种基于深度学习的密文域图像分类方法，其特征在于，该方法包括如下步骤：

（1）构建ECNet神经网络分类模型：所述ECNet神经网络分类模型由数据处理模块、生成密钥模块和加密分类模块这三部分组成；

所述数据处理模块具体如下：图片数据来自于医疗领域的胸部X射线数据集，首先对数据集按照类别进行划分，得到训练数据及对应的标签，再将其进行数据增强和打乱操作得到最终的训练数据和标签；

所述的生成密钥模块具体如下：使用了一种混沌算法生成一定大小的伪随机序列，再基于该伪随机序列生成与训练数据大小相等的密钥平面，密钥平面和训练图片进行通道连接后，再输入神经网络模型得到最后结果；

所述的加密分类模块具体如下：ECNet模型由加密网络、密文域分类网络两部分构成，先将训练数据和加密密钥通道连接后输入加密网络中，得到加密图像，进行分类时，先将解密密钥和加密图像一同输入到密文域分类网络中，解密出图像特征向量并进行分类，无需解密出明文图像，直接利用解密特征进行分类，若密钥匹配，得到正确分类结果。

2.如权利要求1所述的基于深度学习的密文域图像分类方法，其特征在于：对训练数据进行数据增强，方法为对图片数据的宽高进行等比例缩放和零填充到同一大小，再依次进行图像随机水平翻转，随机对比度以及亮度调整等操作，使得训练的模型有更强的泛化能力。

3.如权利要求1所述的基于深度学习的密文域图像分类方法，其特征在于：首先生成一个伪随机整数序列，该序列将用于构造与图像大小相同的位平面，将该序列转换成二进制形式，所有位首尾相接构成长度为n×n的位序列，然后组织成n行n列的位矩阵单元，再将这个单元周期性重复排列扩展成与图像一样大小的位平面。

4.如权利要求1所述的基于深度学习的密文域图像分类方法，其特征在于：所描述的ECNet加密和解密网络使用的是一种多尺度融合残差网络，该网络由ResNet残差块构成，多尺度融合方法将网络不同深度得到的特征图融合并进一步处理得到最后的加密图像，这种多尺度融合结构使得模型能够更好地感受到不同尺度的特征，增强模型的特征表达能力；每个残差块的卷积层前由批量归一化（Batch Normalization）和激活函数（RELU）处理，部分残差块的卷积使用了不同空洞系数的空洞卷积，使输出有更大的感受野。

5.如权利要求4所述的ECNet加密分类网络，其特征在于：设计的ECNet的整体损失主要是由加密网络的损失以及分类网络的损失构成，ECNet加密网络使用的损失函数基于像素熵定义：

其中为常数， 为加密图像中第i个像素的值，N为图像总的像素数；ECNet分类网络的损失，根据生成的加密密钥和解密密钥是否一致，分别设计了两种不同的损失函数，其中在密钥相符时，采用交叉熵损失以及均方误差损失之和作为损失，定义如下：

其中表示的是明文图像的标签，表示的是ECNet分类网络预测得到的标签，表示的是明文图像提取的特征向量，表示的是ECNet密文分类网络得到的特征向量；当密钥不相符时，根据余弦相似度定义了以下损失：

这里的代表的是明文图像提取的特征向量，x代表的是ECNet密文域分类网络提取的特征向量。

6.如权利要求4所述的ECNet加密分类网络，其特征在于：运用了知识蒸馏的思想，将明文分类网络作为教师模型，将ECNet密文域分类网络作为学生模型，训练目标是使得学生模型提取的特征与教师模型提取的特征相近。