项目名称: 图像压缩感知与图像加密融合算法研究

项目编号: No.61262084

项目类型: 地区科学基金项目

立项/批准年度: 2013

项目学科: 自动化技术、计算机技术

项目作者: 周南润

作者单位: 南昌大学

项目金额: 47万元

中文摘要: 本项目拟结合密码学和压缩感知的原理,从信息论的角度,研究并构建图像压缩感知与图像加密融合算法的信息论安全性模型。该模型将解决不同图像加密方案的安全性分析手段不统一的困难,将为图像加密系统的技术实现提供安全性判据。在信息论安全性模型的框架下,充分考虑信息安全和密码学层面的约束,利用密钥控制压缩感知中随机测量矩阵或/和稀疏基的产生,研究并设计具有信息论安全性的图像压缩感知与图像加密融合算法,利用相同的密钥生成相应的随机测量矩阵或/和稀疏基对图像进行解密和重建。这些算法将一次性同时实现对图像的压缩和加密,以期有效节约密钥消耗量和传输带宽,并克服现有图像加密方法对图像压缩程度不够、压缩与加密相对独立导致算法复杂甚至存在安全问题等缺陷,进一步完善图像加密系统的安全性和可用性。本项目的完成将为军事、金融等领域敏感图像的实时安全通信提供系列有效的算法,并将使图像压缩感知与图像加密融合研究取得突破性进展。

中文关键词: 压缩感知;混沌系统;分数余弦变换;图像压缩;图像加密

英文摘要: An information-theoretical security model for image compressive sensing and encryption will be studied and constructed by combining the principles of cryptography and compressive sensing. This universal model will resolve the problem that the security analysis methods for different image encryption schemes are quite different and will support a security criterion for the technical realiztion of image encryption systems. Under the framework of the universal model, a set of hybrid algorithms for image compressive sensing and encryption with information-theoretical security will be investigated and designed by controlling the generations of the random matrix or/and the sparse bases with keys. And the decrytion and recovery of the image will be accomplished with the the random matrix or/and the sparse bases generated by the same keys. These hybrid algorithms should simultanuously complete image compress and encrytion once to save key consumption and transmission bandwidth. These algorithms should also overcome the defects on lower compression ratio of existing image encrytion measures, higher algorithm complexity due to relative separation of compression and encryption, even security problems and further enhance the security and avalability of image cnryption systems. The completion of this proposal will support a s

英文关键词: Compressive sensing;Chaotic system;Fractional cosine transform;Image compression;Image encryption

成为VIP会员查看完整内容
0

相关内容

压缩感知是近年来极为热门的研究前沿,在若干应用领域中都引起瞩目。 compressive sensing(CS) 又称 compressived sensing ,compressived sample,大意是在采集信号的时候(模拟到数字),同时完成对信号压缩之意。 与稀疏表示不同,压缩感知关注的是如何利用信号本身所具有的稀疏性,从部分观测样本中恢复原信号。
基于深度学习的图像目标检测算法综述
专知会员服务
97+阅读 · 2022年4月15日
基于深度学习的视频超分辨率重构进展综述
专知会员服务
17+阅读 · 2022年3月7日
专知会员服务
22+阅读 · 2021年10月6日
专知会员服务
32+阅读 · 2021年9月29日
专知会员服务
31+阅读 · 2021年7月26日
专知会员服务
17+阅读 · 2021年7月3日
专知会员服务
70+阅读 · 2021年3月23日
专知会员服务
61+阅读 · 2021年3月6日
专知会员服务
33+阅读 · 2021年2月7日
专知会员服务
42+阅读 · 2020年7月29日
基于深度学习的图像目标检测算法综述
专知
2+阅读 · 2022年4月16日
基于深度学习的超分辨率图像技术一览
极市平台
17+阅读 · 2019年8月24日
人脸专集5 | 最新的图像质量评价
计算机视觉战队
27+阅读 · 2019年4月13日
面向云端融合的分布式计算技术研究进展与趋势
中国计算机学会
19+阅读 · 2018年11月27日
目标跟踪算法分类
算法与数据结构
20+阅读 · 2018年9月28日
一文读懂图像压缩算法
七月在线实验室
16+阅读 · 2018年5月2日
如何设计基于深度学习的图像压缩算法
论智
41+阅读 · 2018年4月26日
基于GAN的极限图像压缩框架
论智
11+阅读 · 2018年4月15日
最新|深度离散哈希算法,可用于图像检索!
全球人工智能
14+阅读 · 2017年12月15日
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
Arxiv
0+阅读 · 2022年5月28日
Optimization for deep learning: theory and algorithms
Arxiv
104+阅读 · 2019年12月19日
小贴士
相关VIP内容
基于深度学习的图像目标检测算法综述
专知会员服务
97+阅读 · 2022年4月15日
基于深度学习的视频超分辨率重构进展综述
专知会员服务
17+阅读 · 2022年3月7日
专知会员服务
22+阅读 · 2021年10月6日
专知会员服务
32+阅读 · 2021年9月29日
专知会员服务
31+阅读 · 2021年7月26日
专知会员服务
17+阅读 · 2021年7月3日
专知会员服务
70+阅读 · 2021年3月23日
专知会员服务
61+阅读 · 2021年3月6日
专知会员服务
33+阅读 · 2021年2月7日
专知会员服务
42+阅读 · 2020年7月29日
相关资讯
基于深度学习的图像目标检测算法综述
专知
2+阅读 · 2022年4月16日
基于深度学习的超分辨率图像技术一览
极市平台
17+阅读 · 2019年8月24日
人脸专集5 | 最新的图像质量评价
计算机视觉战队
27+阅读 · 2019年4月13日
面向云端融合的分布式计算技术研究进展与趋势
中国计算机学会
19+阅读 · 2018年11月27日
目标跟踪算法分类
算法与数据结构
20+阅读 · 2018年9月28日
一文读懂图像压缩算法
七月在线实验室
16+阅读 · 2018年5月2日
如何设计基于深度学习的图像压缩算法
论智
41+阅读 · 2018年4月26日
基于GAN的极限图像压缩框架
论智
11+阅读 · 2018年4月15日
最新|深度离散哈希算法,可用于图像检索!
全球人工智能
14+阅读 · 2017年12月15日
相关基金
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
微信扫码咨询专知VIP会员