[发明专利]一种基于深度学习的密文域图像分类方法

说明书

本发明公开了一种基于深度学习的密文域图像分类方法，所设计的深度学习神经网络模型ECNet不仅可以对明文图像进行加密，而且可以对加密图像在密文域直接进行分类，其中ECNet加密解密网络使用的是基于ResNet改进而成的多尺度特征融合网络，在残差模块中引入了空洞卷积，使输出有较大的感受野，同时基于不同层次图像特征实施图像加解密。加密解密密钥平面基于混沌算法生成，修改密钥不需要重新训练网络，有较高的安全性和灵活性。ECNet能够在不解密出明文图像的情况下直接将解密特征映射为分类特征进行分类，并能用密钥控制分类网络的访问权限，能够很好地保护图像内容的隐私安全，且分类精度与明文图像的分类精度相当。

技术领域

本发明涉及图像信息安全技术领域，具体涉及一种基于深度学习的密文域图像分类方法，可以保证图像的安全传输，及使用分类模型时实现图像数据的隐私安全保护。

背景技术

随着人工智能以及深度学习技术的快速发展，神经网络模型被广泛应用到计算机视觉的各个领域，图像分类是计算机视觉最重要的研究内容之一，是目标检测、图像分割等应用的基础，具有重要的应用价值。自2012年以来，深度学习技术在图像处理及机器视觉领域被广泛采用，研究人员提出并实现了一系列优秀的CNN模型，例如VGGNet，GoogleLeNet，ResNet，DenseNet等等，它们在许多挑战任务上表现优异，模型复杂度与性能均有了极大的提升。但是图像分类应用的普及引出了一个重要的问题，就是图像在分类模型的应用过程中如何保证图像的隐私安全。

随着云计算技术的发展和大数据时代的到来，数据拥有者将本地的图像数据外包给云平台，在云服务器上实现图像数据的存储以及检索，然而，由于图像数据中含有大量有关用户的敏感信息，外部攻击者和不完全可信的云服务器都可以访问原始图像的内容，窥探用户隐私，造成严重的隐私泄露风险，为了防止隐私泄露，图像加密技术被广泛用于外包数据的隐私保护计算。数字图像加密技术按照图像所在加密域的不同分为空域图像加密技术和频域图像加密技术等，频域图像加密技术是从频域空间对图像进行处理，利用离散余弦变换、傅里叶变换等频域变换方法实现图像加密。数字图像空域加密指将图像看作二维矩阵，从灰度值和像素坐标对图像进行可逆变换，包括置乱和扩散两个阶段，Arnold变换是空域加密中非常重要的一种，主要是改变像素值在图像中的位置，进而有效地掩盖明文信息，达到加密的目的。混沌系统具有初始值敏感性、参数敏感性和伪随机性，在数字图像加密领域得到广泛的应用。Ding等人提出了DLEDNet，它使用CycleGAN网络对医学图像进行加密，并使用与GAN中的生成器相同的网络结构对图像进行解密，利用网络参数作为图像加密和解密的密钥。Bao和Xue也使用CycleGAN实现图像加密和解密，并采用额外的扩散机制来补偿CycleGAN的微弱雪崩效应，他们还将CycleGAN的参数视为密钥的一部分。然而使用网络参数作为加密和解密密钥有一个缺点：如果用户想要使用不同的密钥，他们必须私下训练和维护自己的加密和解密网络，这对于具有多个用户的系统来说非常不方便。且目前大部分基于深度学习的人工智能系统都不能将图像加密技术以及分类模型相融合来保证分类图像的隐私安全，本发明将两者通过深度学习框架结合在一起，实现了一种基于深度学习的密文域图像分类方法，提出方法的网络结构和参数可以由不同的用户公开共享，更加灵活和方便。

发明内容

本发明设计了一种基于深度学习的密文域图像分类方法，提出了一种端到端的深度学习模型，不仅能够对明文图像进行有效加密及解密，同时在密文图像上，无需解密出明文图像，而是直接解密出图像的特征对其进行分类识别，且分类精度与直接在明文图像上分类精度相当。训练分为两个阶段，首先第一阶段使用深度学习方法训练ECNet加密网络和ECNet解密网络，第二阶段整体训练ECNet网络，在解密网络后面加上ECNet分类网络，将解密网络提取的多尺度特征通道连接后输入ECNet分类网络，并导入第一阶段训练网络的权重，进行整体联合训练，运用了知识蒸馏思想，将明文分类网络作为教师模型，ECNet解密分类网络作为学生模型，将教师模型提取的特征与学生模型提取的特征进行均方误差运算，和预测标签与真实标签的交叉熵运算共同指导ECNet解密分类网络进行收敛，训练后得到最后的密文域图像分类结果。具体包括如下步骤：