[论文解读] An image compression and encryption scheme based on deep learning

Fei Hu, Changjiu Pu+3 more|arXiv (Cornell University)|Aug 16, 2016

Chaos-based Image/Signal Encryption参考文献 6被引用 26

一句话总结

本文提出了一种新颖的图像压缩与加密方案，结合堆叠自编码器（SAE）进行基于深度学习的压缩，以及利用混沌逻辑斯蒂映射实现加密。该方法通过首先利用SAE的分层特征学习降低图像数据，然后利用混沌动力学对压缩表示进行加密，实现了联合压缩与安全，证明了其在安全、带宽高效图像传输中的可行性与有效性。

ABSTRACT

Stacked Auto-Encoder (SAE) is a kind of deep learning algorithm for unsupervised learning. Which has multi layers that project the vector representation of input data into a lower vector space. These projection vectors are dense representations of the input data. As a result, SAE can be used for image compression. Using chaotic logistic map, the compression ones can further be encrypted. In this study, an application of image compression and encryption is suggested using SAE and chaotic logistic map. Experiments show that this application is feasible and effective. It can be used for image transmission and image protection on internet simultaneously.

研究动机与目标

• 开发一种统一框架，实现图像的同步压缩与加密，以提升传输效率与数据安全性。
• 利用堆叠自编码器（SAE）的无监督特征学习能力，在低维空间中实现有效的图像表示。
• 集成基于混沌逻辑斯蒂映射的加密机制，保护压缩后的图像数据免受未授权访问。
• 从压缩比、加密安全性与图像质量保持等方面，评估所提方案的可行性与性能。

提出的方法

• 采用多层堆叠自编码器（SAE）学习输入图像的分层、密集的低维表示，实现有效压缩。
• 将SAE学习到的压缩表示作为输入，送入混沌逻辑斯蒂映射进行加密，利用混沌系统对初始条件的敏感性。
• 应用逻辑斯蒂映射对压缩数据进行置换与变换，生成加密形式，确保高度的混淆与扩散。
• 在接收端通过反向解密过程并利用SAE解码器还原图像表示，实现图像重建。
• 利用训练好的SAE编码器与解码器，在最小化数据量的同时保持重建保真度。
• 采用PSNR与压缩比等标准指标评估系统性能。

实验结果

研究问题

• RQ1 堆叠自编码器能否在有效压缩图像的同时，保留足够的信息以实现高质量重建？
• RQ2 混沌逻辑斯蒂映射能否为压缩后的图像数据提供强加密，确保抵御密码分析攻击？
• RQ3 SAE压缩与逻辑斯蒂映射加密的集成是否能同时实现高效率压缩与强安全性？
• RQ4 与传统压缩或加密方法相比，该方案在性能与资源使用方面表现如何？

主要发现

• 所提方案通过堆叠自编码器的分层特征学习，有效实现了图像压缩，显著减小了数据尺寸。
• 采用混沌逻辑斯蒂映射确保了压缩数据的高安全性，其对初始条件的强敏感性可防止无正确密钥的解密。
• 实验结果表明，重建图像保持了高质量，峰值信噪比（PSNR）值表明压缩与解压缩后仍具有良好的保真度。
• 该框架成功实现了压缩与加密的同步处理，适用于带宽受限网络中的安全图像传输。