[发明专利]一种选择性加密图像的无参考视觉安全分析方法及系统

权利要求书

1.一种选择性加密图像的无参考视觉安全分析方法，其特征在于，包括：

将待测加密图像输入训练好的无参视觉分析模型，得到图像的保密能力；

所述无参视觉分析模型训练的过程包括：元训练过程和元测试过程；

所述元训练过程，将需要训练的失真图像数据集划分为训练集和测试集，采用训练集和测试集对神经网络进行双梯度优化，得到先验知识模型；

所述元测试过程中，将选择性加密的图像集划分为训练集和测试集，利用训练集中的选择性加密图像对先验知识模型进行微调得到无参视觉分析模型；将测试集中的选择性加密图像输入无参视觉分析模型，得到图像的保密能力。

2.根据权利要求1所述的选择性加密图像的无参考视觉安全分析方法，其特征在于，所述采用在元训练过程的训练集和测试集对神经网络进行双梯度优化包括：

采用元训练过程的训练集的图像数据对神经网络的参数进行第一次更新，然后利用更新后的神经网络对元训练过程的测试集的图像数据进行第二次梯度更新。

3.根据权利要求1所述的选择性加密图像的无参考视觉安全分析方法，其特征在于，在将需要训练的失真图像数据集划分为训练集和测试集之前或者在将选择性加密的图像集划分为训练集和测试集之前，包括：对失真图像数据集或者选择性加密的图像集进行预处理，所述预处理包括：将失真图像数据集或者选择性加密的图像集中的图像依次进行统一标准化、翻转、裁剪、缩放处理。

4.根据权利要求1所述的选择性加密图像的无参考视觉安全分析方法，其特征在于，所述微调包括：采用随机下降法对先验知识模型的参数进行优化，以均方误差作为损失函数训练先验知识模型，直到满足收敛条件，得到无参视觉安全分析模型。

5.一种选择性加密图像的无参考视觉安全分析系统，其特征在于，包括：

预测模块，其被配置为：将待测加密图像输入训练好的无参视觉分析模型，得到图像的保密能力；

所述无参视觉分析模型训练的过程包括：

元训练模块，其被配置为：将需要训练的失真图像数据集划分为训练集和测试集，采用训练集和测试集对神经网络进行双梯度优化，得到先验知识模型；

元测试模块，其被配置为：将选择性加密的图像集划分为训练集和测试集，利用训练集中的选择性加密图像对先验知识模型进行微调得到无参视觉分析模型；将测试集中的选择性加密图像输入无参视觉分析模型，得到图像的保密能力。

6.根据权利要求5所述的选择性加密图像的无参考视觉安全分析系统，其特征在于，所述采用在元训练过程的训练集和测试集对神经网络进行双梯度优化包括：

采用元训练过程的训练集的图像数据对神经网络的参数进行第一次更新，然后利用更新后的神经网络对元训练过程的测试集的图像数据进行第二次梯度更新。

7.根据权利要求5所述的选择性加密图像的无参考视觉安全分析系统，其特征在于，在将需要训练的失真图像数据集划分为训练集和测试集之前或者在将选择性加密的图像集划分为训练集和测试集之前，包括：对失真图像数据集或者选择性加密的图像集进行预处理，所述预处理包括：将失真图像数据集或者选择性加密的图像集中的图像依次进行统一标准化、翻转、裁剪、缩放处理。

8.根据权利要求5所述的选择性加密图像的无参考视觉安全分析系统，其特征在于，所述微调包括：采用随机下降法对先验知识模型的参数进行优化，以均方误差作为损失函数训练先验知识模型，直到满足收敛条件，得到无参视觉安全分析模型。

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-4中任一项所述的选择性加密图像的无参考视觉安全分析方法中的步骤。

10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-4中任一项所述的选择性加密图像的无参考视觉安全分析方法中的步骤。