一種圖像置亂評價方法和裝置制造方法
【專利摘要】本發(fā)明公開了一種圖像置亂評價方法和裝置，屬于數(shù)字圖像處理領(lǐng)域。所述方法包括：對原圖像和至少一幅置亂圖像分別進(jìn)行按位分層，獲取所述原圖像的位圖圖像和所述至少一幅置亂圖像的位圖圖像；根據(jù)交叉皮層神經(jīng)網(wǎng)絡(luò)模型，分別對所述原圖像的位圖圖像和所述至少一幅置亂圖像的位圖圖像進(jìn)行特征提取，得到所述原圖像的結(jié)構(gòu)特征序列和所述至少一幅置亂圖像的結(jié)構(gòu)特征序列；根據(jù)所述原圖像的結(jié)構(gòu)特征序列和所述至少一幅置亂圖像的結(jié)構(gòu)特征序列進(jìn)行計(jì)算，得到所述至少一幅置亂圖像的置亂度。本發(fā)明通過對原圖像和至少一幅置亂圖像進(jìn)行按位分層并使用交叉皮層神經(jīng)網(wǎng)絡(luò)模型進(jìn)行特征提取，實(shí)現(xiàn)了直接提取圖像的結(jié)構(gòu)特征信息，從而更好地進(jìn)行置亂度評價。
【專利說明】一種圖像置亂評價方法和裝置
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及數(shù)字圖像處理領(lǐng)域，特別涉及一種圖像置亂評價方法和裝置。
【背景技術(shù)】
[0002]隨著計(jì)算機(jī)網(wǎng)絡(luò)技術(shù)的快速發(fā)展和廣泛應(yīng)用，通過網(wǎng)絡(luò)進(jìn)行數(shù)據(jù)傳輸變得非常方便和快速。與此同時，數(shù)據(jù)安全也受到越來越多的關(guān)注。圖像置亂是對圖像數(shù)據(jù)的一種加密手段，通過這一技術(shù)可以隱藏圖像的信息，以保證圖像數(shù)據(jù)在網(wǎng)絡(luò)傳輸中的安全性。對于置亂圖像，置亂度越高，圖像數(shù)據(jù)的加密效果越好，因此，對置亂度的有效評價在信息加密中有重要的理論和實(shí)際意義。
[0003]現(xiàn)有技術(shù)中，采用脈沖耦合神經(jīng)網(wǎng)絡(luò)模型對置亂圖像進(jìn)行評價，通過脈沖耦合神經(jīng)網(wǎng)絡(luò)模型提取置亂圖像的特征序列，與未經(jīng)過置亂變換的原圖像的特征序列相比較，獲取置亂圖像的置亂度。
[0004]在實(shí)現(xiàn)本發(fā)明的過程中，發(fā)明人發(fā)現(xiàn)現(xiàn)有技術(shù)至少存在以下問題:
[0005]現(xiàn)有技術(shù)中，脈沖耦合神經(jīng)網(wǎng)絡(luò)模型對置亂圖像進(jìn)行評價時，提取的特征序列基于圖像的灰度信息，而置亂變換則是對圖像的結(jié)構(gòu)信息的變換，圖像的總體灰度信息是不變的，因此，通過基于灰度信息的脈沖耦合神經(jīng)網(wǎng)絡(luò)模型提取的特征序列，不能直接反映出置亂圖像結(jié)構(gòu)信息的變化。

【發(fā)明內(nèi)容】

[0006]為了解決直接提取置亂圖像結(jié)構(gòu)信息的問題，本發(fā)明實(shí)施例提供了一種圖像置亂評價方法和裝置。所述技術(shù)方案如下:
[0007]—方面，提供了一種圖像置亂評價方法，所述方法包括:
[0008]對原圖像和至少一幅置亂圖像分別進(jìn)行按位分層，獲取所述原圖像的位圖圖像和所述至少一幅置亂圖像的位圖圖像；
[0009]根據(jù)交叉皮層神經(jīng)網(wǎng)絡(luò)模型，分別對所述原圖像的位圖圖像和所述至少一幅置亂圖像的位圖圖像進(jìn)行特征提取，得到所述原圖像的結(jié)構(gòu)特征序列和所述至少一幅置亂圖像的結(jié)構(gòu)特征序列；
[0010]根據(jù)所述原圖像的結(jié)構(gòu)特征序列和所述至少一幅置亂圖像的結(jié)構(gòu)特征序列進(jìn)行計(jì)算，得到所述至少一幅置亂圖像的置亂度。
[0011]優(yōu)選地，對原圖像和置亂圖像進(jìn)行按位分層，獲取所述原圖像的位圖圖像和所述至少一幅置亂圖像的位圖圖像之前，包括:
[0012]根據(jù)圖像置亂算法對原圖像進(jìn)行置亂變換，獲取至少一幅置亂圖像。
[0013]優(yōu)選地，根據(jù)交叉皮層神經(jīng)網(wǎng)絡(luò)模型，分別對所述原圖像的位圖圖像和所述至少一幅置亂圖像的位圖圖像進(jìn)行特征提取，得到所述原圖像的結(jié)構(gòu)特征序列和所述至少一幅置亂圖像的結(jié)構(gòu)特征序列，包括:
[0014]根據(jù)交叉皮層神經(jīng)網(wǎng)絡(luò)模型，分別對所述原圖像的預(yù)設(shè)數(shù)量的位圖圖像和所述至少一幅置亂圖像的預(yù)設(shè)數(shù)量的位圖圖像分別進(jìn)行特征提取，得到所述原圖像的預(yù)設(shè)數(shù)量的位圖圖像的特征序列和所述至少一幅置亂圖像的預(yù)設(shè)數(shù)量的位圖圖像的特征序列；
[0015]將所述原圖像的預(yù)設(shè)數(shù)量的位圖圖像的特征序列進(jìn)行組合，得到所述原圖像的結(jié)構(gòu)特征序列的同時，將所述至少一幅置亂圖像的預(yù)設(shè)數(shù)量的位圖圖像的特征序列進(jìn)行組合，得到所述至少一幅置亂圖像的結(jié)構(gòu)特征序列。
[0016]優(yōu)選地，根據(jù)所述原圖像的結(jié)構(gòu)特征序列和所述至少一幅置亂圖像的結(jié)構(gòu)特征序列進(jìn)行計(jì)算，得到所述至少一幅置亂圖像的置亂度，包括:
[0017]根據(jù)所述原圖像的結(jié)構(gòu)特征序列和所述至少一幅置亂圖像的結(jié)構(gòu)特征序列計(jì)算一階絕對值距離，將所述一階絕對值距離作為所述至少一幅置亂圖像的置亂度。
[0018]另一方面，提供了一種圖像置亂評價裝置，所述裝置包括:
[0019]分層模塊，用于對原圖像和至少一幅置亂圖像分別進(jìn)行按位分層，獲取所述原圖像的位圖圖像和所述至少一幅置亂圖像的位圖圖像；
[0020]特征提取模塊，用于根據(jù)交叉皮層神經(jīng)網(wǎng)絡(luò)模型，分別對所述原圖像的位圖圖像和所述至少一幅置亂圖像的位圖圖像進(jìn)行特征提取，得到所述原圖像的結(jié)構(gòu)特征序列和所述至少一幅置亂圖像的結(jié)構(gòu)特征序列；
[0021]計(jì)算模塊，用于根據(jù)所述原圖像的結(jié)構(gòu)特征序列和所述至少一幅置亂圖像的結(jié)構(gòu)特征序列進(jìn)行計(jì)算，得到所述至少一幅置亂圖像的置亂度。
[0022]優(yōu)選地，所述裝置還包括:
[0023]置亂模塊，用于根據(jù)圖像置亂算法對原圖像進(jìn)行置亂變換，獲取至少一幅置亂圖像。
[0024]優(yōu)選地，所述特征提取模塊，包括:
[0025]特征提取單元，用于根據(jù)交叉皮層神經(jīng)網(wǎng)絡(luò)模型，分別對所述原圖像的預(yù)設(shè)數(shù)量的位圖圖像和所述至少一幅置亂圖像的預(yù)設(shè)數(shù)量的位圖圖像分別進(jìn)行特征提取，得到所述原圖像的預(yù)設(shè)數(shù)量的位圖圖像的特征序列和所述至少一幅置亂圖像的預(yù)設(shè)數(shù)量的位圖圖像的特征序列；
[0026]組合單元，用于將所述原圖像的預(yù)設(shè)數(shù)量的位圖圖像的特征序列進(jìn)行組合，得到所述原圖像的結(jié)構(gòu)特征序列的同時，將所述至少一幅置亂圖像的預(yù)設(shè)數(shù)量的位圖圖像的特征序列進(jìn)行組合，得到所述至少一幅置亂圖像的結(jié)構(gòu)特征序列。
[0027]優(yōu)選地，所述計(jì)算模塊用于根據(jù)所述原圖像的結(jié)構(gòu)特征序列和所述至少一幅置亂圖像的結(jié)構(gòu)特征序列計(jì)算一階絕對值距離，將所述一階絕對值距離作為所述至少一幅置亂圖像的置亂度。
[0028]本發(fā)明實(shí)施例提供的技術(shù)方案帶來的有益效果是:
[0029]本發(fā)明實(shí)施例提供了一種圖像置亂評價方法和裝置，通過對原圖像和至少一幅置亂圖像分別進(jìn)行按位分層，獲取所述原圖像的位圖圖像和所述至少一幅置亂圖像的位圖圖像；根據(jù)交叉皮層神經(jīng)網(wǎng)絡(luò)模型，分別對所述原圖像的位圖圖像和所述至少一幅置亂圖像的位圖圖像進(jìn)行特征提取，得到所述原圖像的結(jié)構(gòu)特征序列和所述至少一幅置亂圖像的結(jié)構(gòu)特征序列；根據(jù)所述原圖像的結(jié)構(gòu)特征序列和所述至少一幅置亂圖像的結(jié)構(gòu)特征序列進(jìn)行計(jì)算，得到所述至少一幅置亂圖像的置亂度。采用本發(fā)明實(shí)施例提供的技術(shù)方案，通過對原圖像和至少一幅置亂圖像進(jìn)行按位分層并使用交叉皮層神經(jīng)網(wǎng)絡(luò)模型進(jìn)行特征提取，實(shí)現(xiàn)了直接提取圖像的結(jié)構(gòu)特征信息，從而能夠更好地進(jìn)行置亂度評價。
【專利附圖】

【附圖說明】
[0030]為了更清楚地說明本發(fā)明實(shí)施例中的技術(shù)方案，下面將對實(shí)施例描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實(shí)施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)這些附圖獲得其他的附圖。
[0031]圖1是本發(fā)明實(shí)施例中提供的一種圖像置亂評價方法流程圖；
[0032]圖2a是本發(fā)明實(shí)施例中提供的一種圖像置亂評價方法流程圖；
[0033]圖2b是本發(fā)明實(shí)施例中提供的一種置亂圖像的置亂度曲線示意圖；
[0034]圖3是本發(fā)明實(shí)施例中提供的一種圖像置亂評價裝置結(jié)構(gòu)示意圖。
【具體實(shí)施方式】
[0035]為使本發(fā)明的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚，下面將結(jié)合附圖對本發(fā)明實(shí)施方式作進(jìn)一步地詳細(xì)描述。
[0036]需要說明的是，數(shù)字圖像的灰度可以由多種數(shù)據(jù)類型表示，如二值數(shù)據(jù)、整型、單精度、雙精度等，因此，不同數(shù)據(jù)類型的圖像對應(yīng)的二進(jìn)制位數(shù)也不相同，優(yōu)選地，在本發(fā)明實(shí)施例中，原圖像和置亂圖像的數(shù)據(jù)類型為無符號整型，即數(shù)據(jù)灰度范圍為0-255，則該灰度范圍可以用8位二進(jìn)制數(shù)表示。對于其他數(shù)值類型的圖像，需要進(jìn)行數(shù)值類型轉(zhuǎn)化，使之灰度范圍為0-255。在本發(fā)明實(shí)施例中以原圖像和置亂圖像的數(shù)據(jù)類型為無符號整型為例進(jìn)行說明。
[0037]圖1是本發(fā)明實(shí)施例中提供的一種圖像置亂評價方法流程圖，參見圖1，該方法包括:
[0038]101:對原圖像和至少一幅置亂圖像分別進(jìn)行按位分層，獲取所述原圖像的位圖圖像和所述至少一幅置亂圖像的位圖圖像；
[0039]其中，置亂圖像是指通過置亂算法改變圖像的像素點(diǎn)位置，而不改變像素點(diǎn)灰度得到的圖像，與原圖像相比，置亂圖像的結(jié)構(gòu)發(fā)生改變，而總體的灰度不發(fā)生改變。
[0040]對該原圖像和至少一幅置亂圖像分別進(jìn)行按位分解，即分別將該原圖像和至少一幅置亂圖像的各個像素點(diǎn)的灰度值用8位二進(jìn)制數(shù)表示，取各個像素點(diǎn)的同一位上的二進(jìn)制數(shù)組成位圖圖像，獲取該原圖像的8幅位圖圖像和該至少一幅置亂圖像的8幅位圖圖像。由于位圖圖像是由二進(jìn)制數(shù)表示，則位圖圖像是二值圖像，該二值圖像的灰度只有O和1，即黑和白。
[0041]102:根據(jù)交叉皮層神經(jīng)網(wǎng)絡(luò)模型，分別對所述原圖像的位圖圖像和所述至少一幅置亂圖像的位圖圖像進(jìn)行特征提取，得到所述原圖像的結(jié)構(gòu)特征序列和所述至少一幅置亂圖像的結(jié)構(gòu)特征序列；
[0042]其中，交叉皮層神經(jīng)網(wǎng)絡(luò)模型是對脈沖耦合神經(jīng)網(wǎng)絡(luò)模型的簡化，其數(shù)學(xué)公式如(O- (3)所示:
[0043]Fij [η+1] =fΡ^.[n] +Sij+! {Y [η]} (I)
[0044]θ Jj [n+l]=g θ ijtnJ+hYijtn+l] (2)
【權(quán)利要求】
1.一種圖像置亂評價方法，其特征在于，包括: 對原圖像和至少一幅置亂圖像分別進(jìn)行按位分層，獲取所述原圖像的位圖圖像和所述至少一幅置亂圖像的位圖圖像； 根據(jù)交叉皮層神經(jīng)網(wǎng)絡(luò)模型，分別對所述原圖像的位圖圖像和所述至少一幅置亂圖像的位圖圖像進(jìn)行特征提取，得到所述原圖像的結(jié)構(gòu)特征序列和所述至少一幅置亂圖像的結(jié)構(gòu)特征序列； 根據(jù)所述原圖像的結(jié)構(gòu)特征序列和所述至少一幅置亂圖像的結(jié)構(gòu)特征序列進(jìn)行計(jì)算，得到所述至少一幅置亂圖像的置亂度。
2.根據(jù)權(quán)利要求1所述一種圖像置亂評價方法，其特征在于，對原圖像和置亂圖像進(jìn)行按位分層，獲取所述原圖像的位圖圖像和所述至少一幅置亂圖像的位圖圖像之前，包括: 根據(jù)圖像置亂算法對原圖像進(jìn)行置亂變換，獲取至少一幅置亂圖像。
3.根據(jù)權(quán)利要求1所述一種圖像置亂評價方法，其特征在于，根據(jù)交叉皮層神經(jīng)網(wǎng)絡(luò)模型，分別對所述原圖像的位圖圖像和所述至少一幅置亂圖像的位圖圖像進(jìn)行特征提取，得到所述原圖像的結(jié)構(gòu)特征序列和所述至少一幅置亂圖像的結(jié)構(gòu)特征序列，包括: 根據(jù)交叉皮層神經(jīng)網(wǎng)絡(luò)模型，分別對所述原圖像的預(yù)設(shè)數(shù)量的位圖圖像和所述至少一幅置亂圖像的預(yù)設(shè)數(shù)量的位圖圖像分別進(jìn)行特征提取，得到所述原圖像的預(yù)設(shè)數(shù)量的位圖圖像的特征序列和所述至少一幅置亂圖像的預(yù)設(shè)數(shù)量的位圖圖像的特征序列； 將所述原圖像的預(yù)設(shè)數(shù)量的位圖圖像的特征序列進(jìn)行組合，得到所述原圖像的結(jié)構(gòu)特征序列的同時，將所述至少一幅置亂圖像的預(yù)設(shè)數(shù)量的位圖圖像的特征序列進(jìn)行組合，得到所述至少一幅置亂圖像的結(jié) 構(gòu)特征序列。
4.根據(jù)權(quán)利要求1所述一種圖像置亂評價方法，其特征在于，根據(jù)所述原圖像的結(jié)構(gòu)特征序列和所述至少一幅置亂圖像的結(jié)構(gòu)特征序列進(jìn)行計(jì)算，得到所述至少一幅置亂圖像的置亂度，包括: 根據(jù)所述原圖像的結(jié)構(gòu)特征序列和所述至少一幅置亂圖像的結(jié)構(gòu)特征序列計(jì)算一階絕對值距離，將所述一階絕對值距離作為所述至少一幅置亂圖像的置亂度。
5.一種圖像置亂評價裝置，其特征在于，包括: 分層模塊，用于對原圖像和至少一幅置亂圖像分別進(jìn)行按位分層，獲取所述原圖像的位圖圖像和所述至少一幅置亂圖像的位圖圖像； 特征提取模塊，用于根據(jù)交叉皮層神經(jīng)網(wǎng)絡(luò)模型，分別對所述原圖像的位圖圖像和所述至少一幅置亂圖像的位圖圖像進(jìn)行特征提取，得到所述原圖像的結(jié)構(gòu)特征序列和所述至少一幅置亂圖像的結(jié)構(gòu)特征序列； 計(jì)算模塊，用于根據(jù)所述原圖像的結(jié)構(gòu)特征序列和所述至少一幅置亂圖像的結(jié)構(gòu)特征序列進(jìn)行計(jì)算，得到所述至少一幅置亂圖像的置亂度。
6.根據(jù)權(quán)利要求5所述一種圖像置亂評價裝置，其特征在于，包括: 置亂模塊，用于根據(jù)圖像置亂算法對原圖像進(jìn)行置亂變換，獲取至少一幅置亂圖像。
7.根據(jù)權(quán)利要求5所述一種圖像置亂評價裝置，其特征在于，所述特征提取模塊，包括: 特征提取單元，用于根據(jù)交叉皮層神經(jīng)網(wǎng)絡(luò)模型，分別對所述原圖像的預(yù)設(shè)數(shù)量的位圖圖像和所述至少一幅置亂圖像的預(yù)設(shè)數(shù)量的位圖圖像分別進(jìn)行特征提取，得到所述原圖像的預(yù)設(shè)數(shù)量的位圖圖像的特征序列和所述至少一幅置亂圖像的預(yù)設(shè)數(shù)量的位圖圖像的特征序列； 組合單元，用于將所述原圖像的預(yù)設(shè)數(shù)量的位圖圖像的特征序列進(jìn)行組合，得到所述原圖像的結(jié)構(gòu)特征序列的同時，將所述至少一幅置亂圖像的預(yù)設(shè)數(shù)量的位圖圖像的特征序列進(jìn)行組合，得到所述至少一幅置亂圖像的結(jié)構(gòu)特征序列。
8.根據(jù)權(quán)利要求5所述一種圖像置亂評價裝置，其特征在于，所述計(jì)算模塊用于根據(jù)所述原圖像的結(jié)構(gòu)特征序列和所述至少一幅置亂圖像的結(jié)構(gòu)特征序列計(jì)算一階絕對值距離，將所述一階絕對值距離作 為所述至少一幅置亂圖像的置亂度。
【文檔編號】G06T7/00GK103632375SQ201310669497
【公開日】2014年3月12日 申請日期:2013年12月10日 優(yōu)先權(quán)日:2013年12月10日
【發(fā)明者】徐光柱, 雷幫軍, 李春林 申請人:三峽大學(xué)