[发明专利]基于新型全卷积网络的等模矢量分解图像加密分析方法

权利要求书

1.基于新型全卷积网络的等模矢量分解图像加密分析方法，其特征在于，该方法包括：基于等模矢量分解的加密系统、加密分析的网络模型、网络训练与加密系统分析四部分；所述的基于等模矢量分解的加密系统包括加密和解密过程，其加密过程具体描述为：待加密图像先经过复数化和域变换，再采用等模矢量分解方法，获得密文和私钥，其加密过程表述为[C, P]=EMD{DT[F(I, M)]}, 其解密过程是加密过程的逆过程，可表述为I=|IDT(C+P)|², 其中，I为待加密图像，M为范围在[0, 2π]的随机相位板，F(I, M)为复数化，其具体过程可表示为F(I, M)=sqrt(I)×exp(i×M)，DT[•]为域变换， EDM{•}为等模矢量分解，IDT[•]为逆域变换，|•|为取模运算，C和P分别表示密文和私钥，密文和私钥每个像素的模分别相等； 所述的加密分析的网络模型是一种新型全卷积网络，属于深度学习神经网络，该网络模型包含输入层、隐藏层和输出层，其中输入层为32×32×1的密文图像，输出层为32×32×1的加密分析结果图像；所述的隐藏层总共包含9层网络，前4层为下采样层，其大小依次为16×16×28，8×8×36，4×4×38，2×2×42，前4层与输入层的层间都由下采样块连接，后5层为上采样层，其大小依次为2×2×48，4×4×48，8×8×46，16×16×48，32×32×48，后5层与前4层之间由卷积块连接，后5层的层间由上采样块连接，后5层与输出层之间由卷积块连接；所述的下采样块包括2个连续的卷积块，其卷积核大小为3×3，步长分别为1和2；所述的卷积块包括卷积运算、正则化和激活单元，第一个卷积块的卷积核大小为3×3，第二个卷积块的卷积核大小为1×1； 所述的网络训练是深度学习神经网络模型的训练过程，首先是数据预处理，将待加密图像调整尺寸统一为32×32，像素值归一化到-1和1之间，将选择的训练数据库的图像通过所述的等模矢量分解加密过程得到密文与明文真值对，再将其分为训练集和测试集，将训练集输入到待训练的网络模型，通过训练得到训练好的网络模型； 所述的加密系统分析是将测试集的任意密文输入到训练好的网络模型中，得到相应的明文，并与相应的明文真值对比，测试所述的新型全卷积网络的加密分析效果。

2.根据权利要求1所述的基于新型全卷积网络的等模矢量分解图像加密分析方法，所述的域变换，其特征在于，可光学实现的空域与频域之间的变换如傅里叶变换，或者光学衍射过程对应的菲涅尔衍射变换。