堆栈式稀疏自编码器和GA的混沌序列图像加密方法及装置
堆栈式稀疏自编码器和gan的混沌序列图像加密方法及装置
技术领域
1.本发明涉及图像加密技术领域，特别是指一种堆栈式稀疏自编码器和gan的混沌序列图像加密方法及装置。
背景技术：
2.图像中包含了很多机密和重要信息，因此保证图像安全性具有重要的现实意义。混沌加密为数字图像的安全性保护提供了一种有效的方法，近年来研究人员基于混沌加密技术设计了很多数字图像加密方法，然而，经过混沌加密处理的图像仍然具有一定的周期性特点。现有图像加密方法进行加密时存在安全性和机密性低的问题。
技术实现要素：
3.本发明针对现有图像加密方法进行加密时安全性和机密性低的问题，提出了本发明。
4.为解决上述技术问题，本发明提供如下技术方案：
5.一方面，本发明提供了一种堆栈式稀疏自编码器和gan的混沌序列图像加密方法，该方法由电子设备实现，该方法包括：
6.s1、获取待加密的原始图像。
7.s2、获取原始图像的混沌序列。
8.s3、将混沌序列输入到训练好的基于堆栈稀疏自编码器和生成对抗网络gan的深度学习网络加密模型。
9.s4、根据混沌序列以及深度学习网络加密模型，得到待加密的原始图像的密文图像。
10.可选地，s2中的获取原始图像的混沌序列包括：
11.s21、对原始图像进行分块处理，得到原始图像子块。
12.s22、基于logistic混沌系统，对原始图像子块生成实数序列。
13.s23、基于阈值法，对实数序列进行转换，得到原始图像的混沌序列。
14.可选地，s3中的基于堆栈稀疏自编码器和gan的深度学习网络加密模型包括生成网络和对抗网络。
15.其中，生成网络基于堆栈式稀疏自编码器构建，用于生成密文图像。
16.对抗网络，用于判断输入为混沌序列或密文图像。
17.可选地，生成网络包括编码器和解码器；
18.其中，编码器包括编码器全连接层、第一卷积层、第二卷积层以及第三卷积层。
19.编码器全连接层、第一卷积层以及第二卷积层分别连接gelu型激活函数。
20.第三卷积层连接sigmoid型激活函数。
21.编码器全连接层的输出和第三卷积层的输出之间通过残差结构连接。
22.解码器包括第一反卷积层、第二反卷积层、第三反卷积层以及解码器全连接层。
23.第一反卷积层、第二反卷积层以及第三反卷积层分别连接gelu型激活函数；
24.解码器全连接层连接sigmoid型激活函数。
25.可选地，对抗网络包括对抗网络第一卷积层、对抗网络第二卷积层、对抗网络第三卷积层以及池化层。
26.对抗网络第一卷积层、对抗网络第二卷积层以及对抗网络第三卷积层分别连接gelu型激活函数。
27.可选地，s3中的基于堆栈稀疏自编码器和生成对抗网络gan的深度学习网络加密模型的训练过程包括：
28.s31、对堆栈稀疏自编码器的网络参数进行优化，得到堆栈稀疏自编码器网络最优的权值和阈值。
29.s32：基于最优的权值和阈值，构建基于堆栈稀疏自编码器和gan的深度学习网络加密模型。
30.s33：利用梯度下降算法，对基于堆栈稀疏自编码器和gan的深度学习网络加密模型进行训练。
31.可选地，s33中的利用梯度下降算法，对基于堆栈稀疏自编码器和gan的深度学习网络加密模型进行训练包括：
32.利用梯度下降算法，对基于堆栈稀疏自编码器和gan的深度学习网络加密模型的生成网络和对抗网络进行训练。
33.其中，对对抗网络进行训练包括：
34.使用交叉熵损失函数，对对抗网络进行训练。
35.对生成网络进行训练包括：
36.将生成网络生成的密文图像输入到对抗网络，得到对抗网络的输出结果，将对抗网络的输出结果与混沌序列的标签进行对应并计算误差，将计算得到的误差利用adamw梯度下降算法进行误差反向传播，使生成网络的网络参数不断修正。
37.可选地，s4中的根据混沌序列以及深度学习网络加密模型，得到待加密的原始图像的密文图像包括：
38.将混沌序列输入到深度学习网络加密模型，通过梯度的前向传播，深度学习网络加密模型的生成网络生成待加密的原始图像的密文图像。
39.另一方面，本发明提供了一种堆栈式稀疏自编码器和gan的混沌序列图像加密装置，该装置应用于实现堆栈式稀疏自编码器和gan的混沌序列图像加密方法，该装置包括：
40.获取模块，用于获取待加密的原始图像。
41.混沌序列生成模块，用于获取原始图像的混沌序列。
42.输入模块，用于将混沌序列输入到训练好的基于堆栈稀疏自编码器和生成对抗网络gan的深度学习网络加密模型。
43.输出模块，用于根据混沌序列以及深度学习网络加密模型，得到待加密的原始图像的密文图像。
44.可选地，混沌序列生成模块，进一步用于：
45.s21、对原始图像进行分块处理，得到原始图像子块。
46.s22、基于logistic混沌系统，对原始图像子块生成实数序列。
47.s23、基于阈值法，对实数序列进行转换，得到原始图像的混沌序列。
48.可选地，基于堆栈稀疏自编码器和gan的深度学习网络加密模型包括生成网络和对抗网络。
49.其中，生成网络基于堆栈式稀疏自编码器构建，用于生成密文图像。
50.对抗网络，用于判断输入为混沌序列或密文图像。
51.可选地，生成网络包括编码器和解码器；
52.其中，编码器包括编码器全连接层、第一卷积层、第二卷积层以及第三卷积层。
53.编码器全连接层、第一卷积层以及第二卷积层分别连接gelu型激活函数。
54.第三卷积层连接sigmoid型激活函数。
55.编码器全连接层的输出和第三卷积层的输出之间通过残差结构连接。
56.解码器包括第一反卷积层、第二反卷积层、第三反卷积层以及解码器全连接层。
57.第一反卷积层、第二反卷积层以及第三反卷积层分别连接gelu型激活函数；
58.解码器全连接层连接sigmoid型激活函数。
59.可选地，对抗网络包括对抗网络第一卷积层、对抗网络第二卷积层、对抗网络第三卷积层以及池化层。
60.对抗网络第一卷积层、对抗网络第二卷积层以及对抗网络第三卷积层分别连接gelu型激活函数。
61.可选地，输入模块，进一步用于：
62.s31、对堆栈稀疏自编码器的网络参数进行优化，得到堆栈稀疏自编码器网络最优的权值和阈值。
63.s32：基于最优的权值和阈值，构建基于堆栈稀疏自编码器和gan的深度学习网络加密模型。
64.s33：利用梯度下降算法，对基于堆栈稀疏自编码器和gan的深度学习网络加密模型进行训练。
65.可选地，输入模块，进一步用于：
66.利用梯度下降算法，对基于堆栈稀疏自编码器和gan的深度学习网络加密模型的生成网络和对抗网络进行训练。
67.其中，对对抗网络进行训练包括：
68.使用交叉熵损失函数，对对抗网络进行训练。
69.对生成网络进行训练包括：
70.将生成网络生成的密文图像输入到对抗网络，得到对抗网络的输出结果，将对抗网络的输出结果与混沌序列的标签进行对应并计算误差，将计算得到的误差利用adamw梯度下降算法进行误差反向传播，使生成网络的网络参数不断修正。
71.可选地，输出模块，进一步用于：
72.将混沌序列输入到深度学习网络加密模型，通过梯度的前向传播，深度学习网络加密模型的生成网络生成待加密的原始图像的密文图像。
73.一方面，提供了一种电子设备，所述电子设备包括处理器和存储器，所述存储器中存储有至少一条指令，所述至少一条指令由所述处理器加载并执行以实现上述堆栈式稀疏自编码器和gan的混沌序列图像加密方法。
74.一方面，提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现上述堆栈式稀疏自编码器和gan的混沌序列图像加密方法。
75.本发明实施例提供的技术方案带来的有益效果至少包括：
76.上述方案中，结合堆栈式稀疏自编码器和gan生成对抗网络，设计一种基于堆栈式稀疏自编码器和gan的混沌序列图像加密方法，堆栈式稀疏自编码的多层网络结构，为模型提供了强大的非线性特征映射能力，同时，堆栈式稀疏自编码具有稀疏编码器的约束能力，使得模型能够在复杂环境下学习更加有效的图像特征。堆栈稀疏自编码器和gan生成对抗网络相结合的加密模型，能够消除混沌序列的周期性，进一步提高加密模型的安全性和机密性。
附图说明
77.为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
78.图1是本发明实施例提供的堆栈式稀疏自编码器和gan的混沌序列图像加密方法流程示意图；
79.图2是本发明实施例提供的基于堆栈稀疏自编码器和gan生成对抗网络的深度学习网络加密模型的结构示意图；
80.图3是本发明实施例提供的生成网络的结构示意图；
81.图4是本发明实施例提供的求对抗网络的结构示意图；
82.图5是本发明实施例提供的求堆栈式稀疏自编码器和gan的混沌序列图像加密装置框图；
83.图6是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
84.为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。
85.如图1所示，本发明实施例提供了一种堆栈式稀疏自编码器和gan的混沌序列图像加密方法，该方法可以由电子设备实现。如图1所示的堆栈式稀疏自编码器和gan的混沌序列图像加密方法流程图，该方法的处理流程可以包括如下的步骤：
86.s1、获取待加密的原始图像。
87.s2、获取原始图像的混沌序列。
88.可选地，上述步骤s2可以包括以下步骤s21-s23：
89.s21、对原始图像进行分块处理，得到原始图像子块。
90.一种可行的实施方式中，首先，对明文图像(原始图像)进行明文图像分块处理，获得明文图像子块，所获得的明文图像子块之间不存在重叠部分，明文图像分块的作用方便后期混沌系统处理。
91.s22、基于logistic混沌系统，对原始图像子块生成实数序列。
92.一种可行的实施方式中，对明文图像子块利用logistic混沌系统生成实数序列，logistic混沌系统的迭代公式如下式(1)：
93.x
i+1
＝μxi(1-xi),i＝0,1,
…
,n
ꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
94.其中，xi∈[0,1]，μ∈(0,4)。
[0095]
s23、基于阈值法，对实数序列进行转换，得到原始图像的混沌序列。
[0096]
s3、将混沌序列输入到训练好的基于堆栈稀疏自编码器和生成对抗网络gan的深度学习网络加密模型。
[0097]
可选地，s3中的基于堆栈稀疏自编码器和gan的深度学习网络加密模型包括生成网络和对抗网络。
[0098]
一种可行的实施方式中，基于堆栈稀疏自编码器和gan(generative adversarial network，生成对抗网络)的深度学习网络加密模型由生成网络和对抗网络组成，其结构示意图如图2所示。
[0099]
其中，生成网络基于堆栈式稀疏自编码器构建，用于生成密文图像。
[0100]
可选地，生成网络包括编码器和解码器；
[0101]
其中，编码器包括编码器全连接层、第一卷积层、第二卷积层以及第三卷积层。
[0102]
编码器全连接层、第一卷积层以及第二卷积层分别连接gelu(gaussian error linear units，高斯误差线性单元)型激活函数。
[0103]
第三卷积层连接sigmoid型激活函数。
[0104]
编码器全连接层的输出和第三卷积层的输出之间通过残差结构连接。
[0105]
解码器包括第一反卷积层、第二反卷积层、第三反卷积层以及解码器全连接层。
[0106]
第一反卷积层、第二反卷积层以及第三反卷积层分别连接gelu型激活函数；
[0107]
解码器全连接层连接sigmoid型激活函数。
[0108]
一种可行的实施方式中，随机向量通过生成网络生成一个密文图像，生成网络是基于堆栈式稀疏自编码器构建的。
[0109]
进一步地，生成网络的结构示意图如图3所示，生成网络基于堆栈式稀疏自编码器进行设计，由编码器和解码器两部分组成，其中，生成网络的编码器包括1个全连接层和3个1
×
1卷积层，全连接层和前2个1
×
1卷积层都后接一个gelu型激活函数；第3个1
×
1卷积层后接1个sigmoid型激活函数，全连接层的输出和第3个1
×
1卷积层输出之间通过1个残差结构连接；生成网络的解码器包括3个1
×
1反卷积层组成和1个全连接层，每个反卷积层都后接1个gelu型激活函数，全连接层后接1个sigmoid型激活函数。
[0110]
可选地，对抗网络，用于判断输入为混沌序列或密文图像。
[0111]
可选地，对抗网络包括对抗网络第一卷积层、对抗网络第二卷积层、对抗网络第三卷积层以及池化层。
[0112]
对抗网络第一卷积层、对抗网络第二卷积层以及对抗网络第三卷积层分别连接gelu型激活函数。
[0113]
一种可行的实施方式中，对抗网络是一个判别器，用来判断输入时是混沌系统产生的混沌序列还是生成网络生成的密文图像。对抗网络的结构示意图如图4所示，对抗网络包括3个1
×
1卷积层和一个池化层，每个卷积层都后接1个gelu型激活函数。
[0114]
进一步地，生成网络和对抗网络通过竞争，使得生成网络生成的密文图像和混沌系统产生的混沌序列越来越接近。
[0115]
可选地，s3中的基于堆栈稀疏自编码器和生成对抗网络gan的深度学习网络加密模型的训练过程包括：
[0116]
s31、对堆栈稀疏自编码器的网络参数进行优化，得到堆栈稀疏自编码器网络最优的权值和阈值。
[0117]
s32：基于最优的权值和阈值，构建基于堆栈稀疏自编码器和gan的深度学习网络加密模型。
[0118]
s33：利用梯度下降算法，对基于堆栈稀疏自编码器和gan的深度学习网络加密模型进行训练。
[0119]
可选地，s33中的利用梯度下降算法，对基于堆栈稀疏自编码器和gan的深度学习网络加密模型进行训练包括：
[0120]
利用梯度下降算法，对基于堆栈稀疏自编码器和gan的深度学习网络加密模型的生成网络和对抗网络进行训练。
[0121]
其中，对对抗网络进行训练包括：
[0122]
使用交叉熵损失函数，对对抗网络进行训练。
[0123]
一种可行的实施方式中，训练深度学习网络加密模型，首先是对抗网络的训练，对抗网络的训练使用交叉熵损失函数，训练目标是对抗网络能够辨别混沌系统产生的混沌序列和生成网络生成的密文图像。将生成网络生成的密文图像的标签设置为0，将混沌系统产生的混沌序列的标签设置为1，将混沌系统产生的混沌序列和生成网络生成的密文图像分别输入到对抗网络，将对抗网络输出的结果与标签进行比较，同时计算相应的误差，将计算得到的误差利用adamw梯度下降算法进行误差反向传播，使对抗网络的网络参数不断修正，让对抗网络越来越能够分辨混沌系统产生的混沌序列和生成网络生成的密文图像。
[0124]
对生成网络进行训练包括：
[0125]
将生成网络生成的密文图像输入到对抗网络，得到对抗网络的输出结果，将对抗网络的输出结果与混沌序列的标签进行对应并计算误差，将计算得到的误差利用adamw梯度下降算法进行误差反向传播，使生成网络的网络参数不断修正。
[0126]
一种可行的实施方式中，对生成网络进行训练，将对抗网络固定，生成网络训练的目标是使对生成网络生成的密文图像越来越逼近混沌系统产生的混沌序列；将生成的密文图像输入对抗网络，对抗网络的输出结果与相应的混沌序列的标签1进行对应，同时计算出相应的误差，将计算得到的误差利用adamw梯度下降算法进行误差反向传播，使生成网络的网络参数不断修正，让生成网络生成的密文图像越来越逼近混沌系统产生的混沌序列，实现明文图像的加密。
[0127]
s4、根据混沌序列以及深度学习网络加密模型，得到待加密的原始图像的密文图像。
[0128]
可选地，上述步骤s4可以是：
[0129]
将混沌序列输入到深度学习网络加密模型，通过梯度的前向传播，深度学习网络加密模型的生成网络生成待加密的原始图像的密文图像。
[0130]
一种可行的实施方式中，将明文图像用logistic混沌系统生成混沌序列，将混沌
序列输入到训练好的深度学习网络加密模型，通过梯度的前向传播，生成网络生成的结果就是所要获得的密文图像。
[0131]
本发明实施例中，结合堆栈式稀疏自编码器和gan生成对抗网络，设计一种基于堆栈式稀疏自编码器和gan的混沌序列图像加密方法，堆栈式稀疏自编码的多层网络结构，为模型提供了强大的非线性特征映射能力，同时，堆栈式稀疏自编码具有稀疏编码器的约束能力，使得模型能够在复杂环境下学习更加有效的图像特征。堆栈稀疏自编码器和gan生成对抗网络相结合的加密模型，能够消除混沌序列的周期性，进一步提高加密模型的安全性和机密性。
[0132]
如图5所示，本发明实施例提供了一种堆栈式稀疏自编码器和gan的混沌序列图像加密装置500，该装置500应用于实现堆栈式稀疏自编码器和gan的混沌序列图像加密方法，该装置500包括：
[0133]
获取模块510，用于获取待加密的原始图像。
[0134]
混沌序列生成模块520，用于获取原始图像的混沌序列。
[0135]
输入模块530，用于将混沌序列输入到训练好的基于堆栈稀疏自编码器和生成对抗网络gan的深度学习网络加密模型。
[0136]
输出模块540，用于根据混沌序列以及深度学习网络加密模型，得到待加密的原始图像的密文图像。
[0137]
可选地，混沌序列生成模块520，进一步用于：
[0138]
s21、对原始图像进行分块处理，得到原始图像子块。
[0139]
s22、基于logistic混沌系统，对原始图像子块生成实数序列。
[0140]
s23、基于阈值法，对实数序列进行转换，得到原始图像的混沌序列。
[0141]
可选地，基于堆栈稀疏自编码器和gan的深度学习网络加密模型包括生成网络和对抗网络。
[0142]
其中，生成网络基于堆栈式稀疏自编码器构建，用于生成密文图像。
[0143]
对抗网络，用于判断输入为混沌序列或密文图像。
[0144]
可选地，生成网络包括编码器和解码器；
[0145]
其中，编码器包括编码器全连接层、第一卷积层、第二卷积层以及第三卷积层。
[0146]
编码器全连接层、第一卷积层以及第二卷积层分别连接gelu型激活函数。
[0147]
第三卷积层连接sigmoid型激活函数。
[0148]
编码器全连接层的输出和第三卷积层的输出之间通过残差结构连接。
[0149]
解码器包括第一反卷积层、第二反卷积层、第三反卷积层以及解码器全连接层。
[0150]
第一反卷积层、第二反卷积层以及第三反卷积层分别连接gelu型激活函数；
[0151]
解码器全连接层连接sigmoid型激活函数。
[0152]
可选地，对抗网络包括对抗网络第一卷积层、对抗网络第二卷积层、对抗网络第三卷积层以及池化层。
[0153]
对抗网络第一卷积层、对抗网络第二卷积层以及对抗网络第三卷积层分别连接gelu型激活函数。
[0154]
可选地，输入模块530，进一步用于：
[0155]
s31、对堆栈稀疏自编码器的网络参数进行优化，得到堆栈稀疏自编码器网络最优
的权值和阈值。
[0156]
s32：基于最优的权值和阈值，构建基于堆栈稀疏自编码器和gan的深度学习网络加密模型。
[0157]
s33：利用梯度下降算法，对基于堆栈稀疏自编码器和gan的深度学习网络加密模型进行训练。
[0158]
可选地，输入模块530，进一步用于：
[0159]
利用梯度下降算法，对基于堆栈稀疏自编码器和gan的深度学习网络加密模型的生成网络和对抗网络进行训练。
[0160]
其中，对对抗网络进行训练包括：
[0161]
使用交叉熵损失函数，对对抗网络进行训练。
[0162]
对生成网络进行训练包括：
[0163]
将生成网络生成的密文图像输入到对抗网络，得到对抗网络的输出结果，将对抗网络的输出结果与混沌序列的标签进行对应并计算误差，将计算得到的误差利用adamw梯度下降算法进行误差反向传播，使生成网络的网络参数不断修正。
[0164]
可选地，输出模块540，进一步用于：
[0165]
将混沌序列输入到深度学习网络加密模型，通过梯度的前向传播，深度学习网络加密模型的生成网络生成待加密的原始图像的密文图像。
[0166]
本发明实施例中，结合堆栈式稀疏自编码器和gan生成对抗网络，设计一种基于堆栈式稀疏自编码器和gan的混沌序列图像加密方法，堆栈式稀疏自编码的多层网络结构，为模型提供了强大的非线性特征映射能力，同时，堆栈式稀疏自编码具有稀疏编码器的约束能力，使得模型能够在复杂环境下学习更加有效的图像特征。堆栈稀疏自编码器和gan生成对抗网络相结合的加密模型，能够消除混沌序列的周期性，进一步提高加密模型的安全性和机密性。
[0167]
图6是本发明实施例提供的一种电子设备600的结构示意图，该电子设备600可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(central processing units，cpu)601和一个或一个以上的存储器602，其中，存储器602中存储有至少一条指令，至少一条指令由处理器601加载并执行以实现下述堆栈式稀疏自编码器和gan的混沌序列图像加密方法：
[0168]
s1、获取待加密的原始图像。
[0169]
s2、获取原始图像的混沌序列。
[0170]
s3、将混沌序列输入到训练好的基于堆栈稀疏自编码器和生成对抗网络gan的深度学习网络加密模型。
[0171]
s4、根据混沌序列以及深度学习网络加密模型，得到待加密的原始图像的密文图像。
[0172]
在示例性实施例中，还提供了一种计算机可读存储介质，例如包括指令的存储器，上述指令可由终端中的处理器执行以完成上述求解大规模定制下混线生产调度问题的方法。例如，计算机可读存储介质可以是rom、随机存取存储器(ram)、cd-rom、磁带、软盘和光数据存储设备等。
[0173]
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件
来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
[0174]
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
技术特征：
1.一种堆栈式稀疏自编码器和gan的混沌序列图像加密方法，其特征在于，所述方法包括：s1、获取待加密的原始图像；s2、获取所述原始图像的混沌序列；s3、将所述混沌序列输入到训练好的基于堆栈稀疏自编码器和生成对抗网络gan的深度学习网络加密模型；s4、根据所述混沌序列以及深度学习网络加密模型，得到所述待加密的原始图像的密文图像。2.根据权利要求1所述的方法，其特征在于，所述s2中的获取所述原始图像的混沌序列包括：s21、对所述原始图像进行分块处理，得到原始图像子块；s22、基于logistic混沌系统，对所述原始图像子块生成实数序列；s23、基于阈值法，对所述实数序列进行转换，得到原始图像的混沌序列。3.根据权利要求1所述的方法，其特征在于，所述s3中的基于堆栈稀疏自编码器和gan的深度学习网络加密模型包括生成网络和对抗网络；其中，所述生成网络基于堆栈式稀疏自编码器构建，用于生成密文图像；所述对抗网络，用于判断输入为混沌序列或密文图像。4.根据权利要求3所述的方法，其特征在于，所述生成网络包括编码器和解码器；其中，所述编码器包括编码器全连接层、第一卷积层、第二卷积层以及第三卷积层；所述编码器全连接层、第一卷积层以及第二卷积层分别连接gelu型激活函数；所述第三卷积层连接sigmoid型激活函数；所述编码器全连接层的输出和第三卷积层的输出之间通过残差结构连接；所述解码器包括第一反卷积层、第二反卷积层、第三反卷积层以及解码器全连接层；所述第一反卷积层、第二反卷积层以及第三反卷积层分别连接gelu型激活函数；所述解码器全连接层连接sigmoid型激活函数。5.根据权利要求3所述的方法，其特征在于，所述对抗网络包括对抗网络第一卷积层、对抗网络第二卷积层、对抗网络第三卷积层以及池化层；所述对抗网络第一卷积层、对抗网络第二卷积层以及对抗网络第三卷积层分别连接gelu型激活函数。6.根据权利要求1所述的方法，其特征在于，所述s3中的基于堆栈稀疏自编码器和生成对抗网络gan的深度学习网络加密模型的训练过程包括：s31、对堆栈稀疏自编码器的网络参数进行优化，得到堆栈稀疏自编码器网络最优的权值和阈值；s32：基于所述最优的权值和阈值，构建基于堆栈稀疏自编码器和gan的深度学习网络加密模型；s33：利用梯度下降算法，对所述基于堆栈稀疏自编码器和gan的深度学习网络加密模型进行训练。7.根据权利要求6所述的方法，其特征在于，所述s33中的利用梯度下降算法，对所述基于堆栈稀疏自编码器和gan的深度学习网络加密模型进行训练包括：
利用梯度下降算法，对所述基于堆栈稀疏自编码器和gan的深度学习网络加密模型的生成网络和对抗网络进行训练；其中，对所述对抗网络进行训练包括：使用交叉熵损失函数，对所述对抗网络进行训练；对所述生成网络进行训练包括：将生成网络生成的密文图像输入到所述对抗网络，得到对抗网络的输出结果，将所述对抗网络的输出结果与混沌序列的标签进行对应并计算误差，将计算得到的误差利用adamw梯度下降算法进行误差反向传播，使所述生成网络的网络参数不断修正。8.根据权利要求1所述的方法，其特征在于，所述s4中的根据所述混沌序列以及深度学习网络加密模型，得到所述待加密的原始图像的密文图像包括：将所述混沌序列输入到所述深度学习网络加密模型，通过梯度的前向传播，所述深度学习网络加密模型的生成网络生成所述待加密的原始图像的密文图像。9.一种堆栈式稀疏自编码器和gan的混沌序列图像加密装置，其特征在于，所述装置包括：获取模块，用于获取待加密的原始图像；混沌序列生成模块，用于获取所述原始图像的混沌序列；输入模块，用于将所述混沌序列输入到训练好的基于堆栈稀疏自编码器和生成对抗网络gan的深度学习网络加密模型；输出模块，用于根据所述混沌序列以及深度学习网络加密模型，得到所述待加密的原始图像的密文图像。10.根据权利要求9所述的装置，其特征在于，基于堆栈稀疏自编码器和gan的深度学习网络加密模型包括生成网络和对抗网络；其中，所述生成网络基于堆栈式稀疏自编码器构建，用于生成密文图像；所述对抗网络，用于判断输入为混沌序列或密文图像。
技术总结
本发明公开了一种堆栈式稀疏自编码器和GA的混沌序列图像加密方法及装置，涉及图像加密技术领域。包括：获取待加密的原始图像；获取原始图像的混沌序列；将混沌序列输入到训练好的基于堆栈稀疏自编码器和生成对抗网络GA的深度学习网络加密模型；根据混沌序列以及深度学习网络加密模型，得到待加密的原始图像的密文图像。本发明通过堆栈式稀疏自编码器学习图像中复杂的内在特征，堆栈式稀疏自编码不仅具有多层网络结构，而且具有稀疏编码器的约束能力，使得模型能够在复杂环境下学习更加有效的图像特征。堆栈稀疏自编码器和GA生成对抗网络相结合的加密模型，能够消除混沌序列的周期性，进一步提高加密模型的安全性。进一步提高加密模型的安全性。进一步提高加密模型的安全性。
