[发明专利]基于DCGAN深度网络的成像光谱图像安全检索方法

摘要

基于DCGAN深度网络的成像光谱图像安全检索方法属于成像光谱图像领域。本发明利用DCGAN深度网络实现对成像光谱图像特征的高度表达，提出一种新的加密域成像光谱图像安全检索方法。首先利用深度卷积生成对抗网络(Deep Convolutional Generative Adversarial Network,DCGAN)联合提取成像光谱图像的深度光谱‑空间特征，精准地表征成像光谱图像内容；同时为了保障遥感图像检索过程中的安全性，基于加密后特征相似度不变的准则，采用最小哈希(Min‑Hash)方法对深度特征进行加密，实现对深度特征的保护；最后在不解密的情况下，通过比较最小哈希值相等个数直接对图像特征进行Jaccard相似性距离度量，返回与查询图像相似的图像，在实现检索的同时，保障信息的安全性。

主权项

1.基于DCGAN深度网络的成像光谱图像安全检索方法，其特征在于，包括三个步骤：步骤1：成像光谱图像降维首先采用一个经验值为17×17的卷积核对原图像中的每个波段进行滤波变换，然后比较滤波前后图像对应像素之间的灰度值，当滤波后小于滤波前的灰度值时，此像素赋值为1，反之则为0，以此来生成该波段的1BT图像；最后在1BT图像的水平和垂直方向上计算比特变化数，比特变化数的大小用来判定图像的结构是否规则和信息含量会否丰富，比较获得前三个结构最完整、信息含量最丰富的波段；步骤2：DCGAN深度网络模型参数预训练对降维后的成像光谱图像联合提取光谱‑空间信息，选定纯净像元，划定此像元的k×k相邻像素区域，获得表征此像元空间信息的图像块，把此组图像块拉伸成表示空间信息的一维向量；同时对选定像元获取其光谱向量，把光谱向量和代表空间信息的向量融合获得成像光谱图像的光谱‑空间信息样本，然后对纯净像元样本进行标记，利用已标记样本对DCGAN深度网络模型参数进行训练，DCGAN网络由生成器网络和判别器两个部分构成，训练过程主要包括生成器和判别器网络模型参数的训练以及优化；生成器网络由一系列的反卷积层构成，输入符合均匀分布的100维噪声向量，通过映射并变形为4×4×1024维图像，经过四次反卷积最后得到64×64×3维的图像空间；判别器网络中输入图像为64×64×3维，通过四个卷积层和一个全连接层最终输出一个用于判断输入样本为真实训练数据的概率值；判别器网络模型参数的训练如下：1)将所有训练样本图像归一化到[‑1,1]之间；2)从符合正态分布的数据中随机选取权重值，并把批处理大小设置为128；3)利用生成器生成图G；4)把生成图像G和训练样本图像D分别输入判别器网络，输出判断输入样本为真实训练数据的概率值；5)计算图像G和D在生成器、判别器中的损失和需要更新的变量；采用自适应矩估计算法对参数进行优化，利用梯度的一阶矩估计和二阶矩估计动态调整每个参数的学习率；获得每一时刻的最优参数并更新；步骤3：提取成像光谱图像的深度光谱‑空间特征选择m×m像素大小的滑动窗口，以步长为像素对图像进行取样，m取值为9，把被取样像元的空间信息和光谱信息进行融合，利用深度卷积生成对抗网络提取深度光谱‑空间特征，将所采样的所有样本点的特征合并，以此来作为整幅图像的内容表示；采用最小哈希加密方法对图像特征进行加密，对于成像光谱图像H＝(H₁,H₂,...,H_N)，H_g(g＝1,2,...,N)表示图像的特征向量，N表示图像的特征维度，选定N'个随机映射函数f＝(f₁,f₂,...,f_N')对H进行加密，映射函数f的个数N'代表加密后成像光谱图像的特征维度，通过设定N'的取值有效降低图像特征维度；图像库中图像数量为C，每幅图像的维度为N，选取N'个映射函数f＝(f₁,f₂,...,f_N')，计算图像此组映射函数上的最小哈希，对于每个映射函数，最小哈希把一幅图像映射成一个整数，所以N'个映射函数计算最小哈希得到N'个整数，最小哈希矩阵为C×N'维，而原矩阵为C×N维，通过减小N'的取值，大大减少特征维数；加密前图像之间的相似性通过Jaccard距离计算获得，加密后图像之间的相似性距离通过最小哈希的相等个数比对获得；把查询图像与数据集中图像之间Jaccard相似性距离按升序排列，返回相似性距离最小的前K个图像，实现成像光谱图像的安全检索。