[发明专利]基于四元数卷积神经网络的图像鲁棒性哈希认证方法

说明书

本发明公开了一种基于四元数卷积神经网络的图像鲁棒性哈希认证方法，其步骤包括：步骤S1：彩色图像预处理；即将图像的大小进行处理，将图像的RGB数据输入四元数矩阵；对图像添加噪声，并将图像数据和噪声数据总的分为训练数据和测试数据；步骤S2：建立彩色图像的四元数卷积神经网络；步骤S3：对彩色图像进行图像认证。本发明具有特征描述更精确、具有有鲁棒性和区分性的等优点。

技术领域

本发明主要涉及到技术领域，特指一种基于四元数卷积神经网络的图像鲁棒性哈希认证方法。

背景技术

随着电子设备的不断发展和广泛普及，不但为人们的生活带来了便利，同时也诞生出了许多新问题。例如，海量数据给服务器存储带来巨大压力，尤其是存储空间不足的问题；即，由于多个用户在服务器上重复存储相同的图片，就容易引起存储空间不足。同时，网络上的大量超高清图片在传输过程中可能会遭到破坏，攻击者恶意篡改图片而没有改变图片的原始语义信息。因此，有必要研究和探索一种新的、有效的图像压缩和图像认证技术方法。

为了解决图像认证的问题，有从业者提出了许多解决方案，取得了一定的效果。例如，对于图像认证，数字水印是有效的解决方案之一。数字水印可以有效地嵌入图像中，但是图像本身在视觉上没有太大变化。使用者可以通过检测水印来确定图像是否已更改，从而对图像进行身份验证。但是，在一些具体应用环境下，某些应用程序不允许图像内容和质量有任何细微变换。

通过图像哈希的性质可以有效地减轻存储和检索的压力。同时，良好的图像哈希算法是鲁棒的和可区分的，并且可以处理图像认证的问题。“健壮性”是指视觉上相似图像的图像哈希应该相同或相似。所以，图像哈希可以抵抗不同的数字操作，这样就保证可以更快地检索相似的图像，从而减少了重复图片的存储和减轻了服务器的压力。而“区分性”意味着不同的图像应产生不同的哈希序列。

现有的图像手工哈希方法可以分为四大类：基于正交变换(DCT，DWT，DFT)的哈希方法、基于直方图的哈希方法、基于拉东变换的哈希方法、基于降维(SVD，NMF)的哈希方法。这些已知的图像哈希认证方法主要存在以下缺点和不足：

(1)在执行之前通常会将彩色图像转换为灰度图然后再进一步处理，这样会损失掉彩色图像的通道之间的结构信息和色度信息。

(2)手工哈希无法捕获现实数据中出现的剧烈外观变化下的语义信息，从而限制了学习的哈希编码的认证效果。

发明内容

本发明要解决的技术问题就在于：针对现有技术存在的技术问题，本发明提供一种特征描述更精确、具有有鲁棒性和区分性的基于四元数卷积神经网络的图像鲁棒性哈希认证方法。

为解决上述技术问题，本发明采用以下技术方案：

一种基于四元数卷积神经网络的图像鲁棒性哈希认证方法，其步骤包括：

步骤S1：彩色图像预处理；即将图像的大小进行处理，将图像的RGB数据输入四元数矩阵；对图像添加噪声，并将图像数据和噪声数据总的分为训练数据和测试数据；

步骤S2：建立彩色图像的四元数卷积神经网络；

步骤S3：对彩色图像进行图像认证。

作为本发明方法的进一步改进：所述步骤S1包括：

步骤S101：将彩色图像数据库中的每幅图像都通过双线性插值法将图像的大小统一固定到N×N；

步骤S102：将大小为N×N的彩色图像t的RGB三个通道的数据分别赋值给N×N的四元数矩阵q_t的三个虚部，即纯四元数q＝0+R(t)i+G(t)j+B(t)k；其中，i，j，k是三个虚数单位，R(t)，G(t)和B(t)分别表示彩色图像t的R分量，G分量，B分量；

步骤S103：对图片添加噪声，将图像数据和噪声数据总的分为训练数据D1和测试数据D2。