朱震豪 韓思敏 張薇

摘要：光場技術(shù)可以將圖像加密從二維提升到三維，加強(qiáng)加密的安全性。采用重聚焦算法實(shí)現(xiàn)圖像解密時(shí)會(huì)引入圖像間的干擾。以深度學(xué)習(xí)技術(shù)為框架，分析圖像干擾的規(guī)律性，構(gòu)造模擬光場數(shù)據(jù)集，創(chuàng)建了一個(gè)7層的全卷積神經(jīng)網(wǎng)絡(luò)，以模擬光場數(shù)據(jù)集作為輸入，原圖作為標(biāo)簽，訓(xùn)練一個(gè)全卷積神經(jīng)網(wǎng)絡(luò)，將真實(shí)光場解密圖像輸入得到結(jié)果。實(shí)驗(yàn)結(jié)果表明，利用全卷積神經(jīng)網(wǎng)絡(luò)可以有效改善光場解密圖像的干擾問題，改善解密后的圖像質(zhì)量。

關(guān)鍵詞：光場技術(shù);深度學(xué)習(xí);圖像加密;全卷積神經(jīng)網(wǎng)絡(luò);圖像處理

中圖分類號(hào)：TP183 文獻(xiàn)標(biāo)志碼：A

引言

現(xiàn)代社會(huì)每時(shí)每刻都有大量的信息被傳輸、儲(chǔ)存，因此，信息安全也越來越被人們所關(guān)注。為了加強(qiáng)傳統(tǒng)二維圖像加密的安全陛，提出了基于光場成像技術(shù)的多幅圖像加密技術(shù)。相比于傳統(tǒng)加密技術(shù)，光場加密利用圖像的空間信息，將信息的維度提高到了三維，加強(qiáng)了安全性。三維信息加密可以同時(shí)加密多幅圖像，提高了效率。此外，光場加密還具有信息冗余度高，抗攻擊能力強(qiáng)的特點(diǎn)。

目前，光場解密的圖像在最后解密的過程中仍然會(huì)殘留部分多余的信息，影響解密圖像的質(zhì)量。人工去除這些缺陷，將會(huì)消耗大量的人力物力。由于這些缺陷都有一定的規(guī)律性，且修復(fù)邏輯簡單，本文提出利用深度學(xué)習(xí)方法，讓人工神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)如何分辨去除光場解密圖像中的缺陷，以達(dá)到自動(dòng)修復(fù)圖像的目的。

深度學(xué)習(xí)的概念源于人工神經(jīng)網(wǎng)絡(luò)的研究，旨在研究如何自動(dòng)地從數(shù)據(jù)中提取分析目標(biāo)問題的特征，是新興的機(jī)器學(xué)習(xí)研究領(lǐng)域。全卷積神經(jīng)網(wǎng)絡(luò)就是一種深度學(xué)習(xí)結(jié)構(gòu)，其核心思想是通過數(shù)據(jù)驅(qū)動(dòng)的方式，采用一系列的非線性變換，從原始數(shù)據(jù)中提取多層次、多角度低層特征，通過組合低層特征形成更高層次的特征或類別，從而通過這些特征完成給定任務(wù)。得益于近年來計(jì)算機(jī)性能的巨大提升，深度學(xué)習(xí)能處理的數(shù)據(jù)量得到極大的提升，從而使獲得的特征具有更強(qiáng)的泛化能力和表達(dá)能力，這恰好滿足高效圖像處理的需求。為滿足圖像處理問題的各類需求，以卷積神經(jīng)網(wǎng)絡(luò)為代表的深度學(xué)習(xí)理論近年來不斷取得突破。

1光場加密原理

1.1加密過程

傳統(tǒng)相機(jī)的成像只是將光線的強(qiáng)度在探測器像元上進(jìn)行累加，只考慮了物體在像平面上的空間分布，丟棄了光線傳播方向的信息，而光場則是用一個(gè)七維全光函數(shù)來完整地表達(dá)光線。從測量的角度來講，光場成像能同時(shí)探測到七維光場經(jīng)離散化和縮減維度后的近似，即四維光場，從而可以實(shí)現(xiàn)對(duì)光線本身的某些操縱。

利用光場成像的原理，提出一種新的多圖像加密方法——光場圖像加密法。該方法可以對(duì)多幅圖像同時(shí)進(jìn)行加密，且多圖像間可以起到相互干擾和保護(hù)的作用，從而有效提高多圖像加密的效率，并提高密文的多樣性、復(fù)雜性及抗攻擊能力。

根據(jù)光場成像的原理，如圖1所示，多個(gè)微透鏡分布于一個(gè)平面上組成微透鏡陣列，對(duì)多個(gè)目標(biāo)物進(jìn)行光場采集。不同位置的微透鏡采樣之間相似并且相互偏移，這是由于每個(gè)微透鏡所對(duì)應(yīng)的物方視場范圍不重合造成的。

如果圖中的光場信息能夠通過單個(gè)微透鏡來獲得，那么微透鏡的孔徑大小應(yīng)等效于光場在方向維度上的區(qū)間范圍，由此等效出的孔徑就為合成孔徑。利用成像積分公式，將光場沿不同角度進(jìn)行投影積分，能夠?qū)崿F(xiàn)目標(biāo)場景的數(shù)字重聚焦。

基于光場成像的原理，將被加密圖像視為不同景深下的物，由其可以構(gòu)建出1幅光場圖像來實(shí)現(xiàn)加密。因此，在光場加密過程中，首先，要構(gòu)建出光場成像系統(tǒng)，然后，分別將不同的被加密圖像放置在不同的物方距離處，按照光場成像的原理，對(duì)多幅圖像同時(shí)處理，生成光場加密圖像。在生成光場圖像過程中的各項(xiàng)參數(shù)，包括微透鏡焦距、孔徑、個(gè)數(shù)、宏像素?cái)?shù)以及物距等，都可作為密鑰。

1.2解密過程

每個(gè)微透鏡所成的圖像像素為N×N，完整的光場圖像由M×M個(gè)微透鏡所成的像排列而成。當(dāng)物方是由3幅圖像相隔一定距離疊加，光場圖像中物方信息被光場成像所拆散，完成對(duì)物方信息加密的過程。重聚焦算法可以將被光場拆散的圖像重新拼接起來，獲得被光場成像技術(shù)加密過的信息，因此，將其用于解密過程。

由于加密圖像所發(fā)出的光線在各個(gè)方向應(yīng)具有近似相同的輻射強(qiáng)度，空間中的光場分布在方向維度具有強(qiáng)烈的相關(guān)眭，因此，當(dāng)加密圖像在透鏡陣列中成像時(shí)，在每個(gè)子圖像中應(yīng)具有相似的灰度值。在光場圖像中，由于透鏡之間存在一定間隔，位置采樣下互相位置會(huì)存在偏移。設(shè)l為加密圖像在光學(xué)系統(tǒng)中的物距，l'為加密圖像經(jīng)過微透鏡陣列所成的像距，f'為微透鏡焦距，通過高斯公式

基于光場解密的原理，解密圖像由各個(gè)光場微透鏡圖像根據(jù)計(jì)算的偏移量疊加而來。因此，在光場圖像解密過程中，多余的圖像信息也被保留了下來，使得解密后的圖像存在多余圖像殘留的問題。

近年來，得益于計(jì)算性能的發(fā)展，深度學(xué)習(xí)由于其可塑性強(qiáng)，得到了廣泛的應(yīng)用，特別是在圖像處理領(lǐng)域。深度學(xué)習(xí)可以利用計(jì)算機(jī)學(xué)習(xí)識(shí)別和去除符合某些特征的圖像缺陷，目前在圖像識(shí)別和邊緣檢測領(lǐng)域都有了廣泛的應(yīng)用，將其應(yīng)用于光場解密圖像的恢復(fù)中，具有自動(dòng)化、效率高的優(yōu)點(diǎn)。

2深度學(xué)習(xí)應(yīng)用于光場解密圖像的恢復(fù)

為獲得更好的光場解密圖像，去除圖像間的干擾模糊效應(yīng)，采用深度學(xué)習(xí)的方法對(duì)解密后的圖像進(jìn)行處理。該方法由三部分組成：第一部分為全卷積網(wǎng)絡(luò)的模型設(shè)計(jì)，主要工作是根據(jù)光場解密圖像缺陷的特點(diǎn)，設(shè)計(jì)相符合的模型;第二部分為設(shè)計(jì)和創(chuàng)建合理的數(shù)據(jù)集，主要目的是提高模型的泛化能力;第三部分為訓(xùn)練和測試模型，主要用來檢驗(yàn)?zāi)Ｐ偷男Ч?/p>

2.1全卷積神經(jīng)網(wǎng)絡(luò)與模型設(shè)計(jì)

通常的卷積神經(jīng)網(wǎng)絡(luò)在圖片輸入了幾組卷積層之后將結(jié)果輸入到全連接層，最后輸出分類結(jié)果。以AlexNet為代表的經(jīng)典CNN結(jié)構(gòu)適合于圖像級(jí)的分類和回歸任務(wù)，因?yàn)樗鼈冏詈蠖计谕玫秸麄€(gè)輸入圖像的一個(gè)數(shù)值描述（概率），比如AlexNet的ImageNet模型輸出一個(gè)1000維的向量，向量的每一維的數(shù)值表示了輸入圖像屬于每一類的概率。

全卷積網(wǎng)絡(luò)（fully convolutional networks，F(xiàn)CN）將通常CNN中的全連接層替換為反卷積層，對(duì)神經(jīng)網(wǎng)絡(luò)的卷積操作的輸出進(jìn)行反卷積操作，這一個(gè)關(guān)鍵的改變能使得FCN輸出一個(gè)與輸入相同尺寸的圖片而不僅僅是一個(gè)圖像分類的概率。圖3表示一個(gè)全卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)。

卷積神經(jīng)網(wǎng)絡(luò)工作過程分前向傳播和反向傳播兩個(gè)步驟。前向傳播對(duì)輸入的圖像數(shù)據(jù)進(jìn)行多層卷積運(yùn)算，利用設(shè)計(jì)的損失函數(shù)對(duì)卷積結(jié)果進(jìn)行計(jì)算獲得損失值;基于損失值沿卷積方向進(jìn)行反向傳播，主要為更新卷積核權(quán)值的過程。

根據(jù)光場解密圖像的特點(diǎn)，設(shè)計(jì)的神經(jīng)網(wǎng)絡(luò)共由7個(gè)卷積層和7個(gè)池化層構(gòu)成。第1層卷積有64個(gè)3x3的卷積核，第2層卷積有64個(gè)3x3的卷積核，第3層卷積有32個(gè)3x3的卷積核，第4層卷積有32個(gè)3x3的卷積核，第5層卷積有64個(gè)3x3的卷積核，第6層卷積有64個(gè)3x3的卷積核，第7層卷積有1個(gè)3x3的卷積核，其中第4層、第5層、第6層為反卷積操作。第1到6層的卷積或反卷積層后都進(jìn)行步長為2，窗口大小為2x2的池化操作，第7層進(jìn)行步長為1，窗口大小為1×1的池化操作。每層卷積操作后都利用ReLU函數(shù)進(jìn)行激活，以加快模型收斂。

如圖4所示，輸入為光場解密的結(jié)果，經(jīng)過7層的卷積，再減去原圖，最小化卷積結(jié)果和原圖差值，通過反向傳播算法調(diào)整整個(gè)神經(jīng)網(wǎng)絡(luò)的權(quán)值，最后將待處理圖片輸入訓(xùn)練好的模型，就能產(chǎn)生消除光場干擾的圖片。

2.2實(shí)驗(yàn)數(shù)據(jù)集

本文采取模擬光場加密圖像的的方法，以現(xiàn)有的開源數(shù)據(jù)集為基礎(chǔ)，對(duì)數(shù)據(jù)集進(jìn)行模擬光場加密的處理，訓(xùn)練深度學(xué)習(xí)模型，再將真實(shí)光場加密圖像通過模型驗(yàn)證其可行性。

如圖5所示，CIFAR-10是一個(gè)開源數(shù)據(jù)集，它由10個(gè)類別60 000幅圖像組成，總共有50 000幅訓(xùn)練圖像和10 000幅測試圖像，大小和圖像內(nèi)容與光場加密的結(jié)果比較符合。

本文所采用的光場成像微透鏡尺寸為15～15，所以在最后的解密結(jié)果中，每1幅解密圖像都是由225幅圖像疊加而成。為了模擬光場成像，所以在數(shù)據(jù)集中每1幅圖片上都將疊加1個(gè)圖層，這個(gè)圖層是通過淡化疊加行列各1 5幅圖像得到的。將疊加圖像中心的25%替換成原圖，以疊加圖像作為輸入，原圖中心25%作為標(biāo)簽，完成了數(shù)據(jù)集的制作。

2.3實(shí)驗(yàn)結(jié)果

構(gòu)建的光場成像系統(tǒng)參數(shù)為：微透鏡陣列個(gè)數(shù)為15×15，像素為200×200，3幅圖片分別放置在15mm、35mm和60 mm處。生成的光場加強(qiáng)圖像如圖6所示。

在實(shí)驗(yàn)階段，將數(shù)據(jù)以每組256幅圖分為234組輸入FCN，重復(fù)迭代次數(shù)為25次。訓(xùn)練開始后，原圖與輸出圖像的損失值Loss初始值為0.250 6，前6輪迭代快速下降，隨后下降速度放緩，從19次之后逐漸趨于0.015，下降趨勢(shì)如圖7所示。

完成訓(xùn)練之后，將光場解密圖像輸入全卷積神經(jīng)網(wǎng)絡(luò)模型。圖7顯示了模型輸出結(jié)果。

圖8對(duì)原圖、光場解密圖像和FcN改善圖像進(jìn)行了簡要對(duì)比。光場解密圖像中的干擾像素來自圖像的多次不對(duì)齊的重疊，產(chǎn)生類似模糊的像，干擾了光場解密的結(jié)果。全卷積神經(jīng)網(wǎng)絡(luò)對(duì)原有的光場解密圖像改善效果顯著。

3結(jié)論

基于光場技術(shù)的多幅圖像加密技術(shù)利用數(shù)字重聚焦算法，可以對(duì)空間中多幅圖像進(jìn)行重構(gòu)，達(dá)到加密一解密圖像的目的。由于重聚焦技術(shù)的局限，解密的結(jié)果殘留了部分圖像間模糊干擾。本文提出利用全卷積神經(jīng)網(wǎng)絡(luò)改善光場解密圖像的算法，通過對(duì)開源數(shù)據(jù)集CIFAR-10進(jìn)行處理，模擬光場解密的圖像效果，以此為基礎(chǔ)去訓(xùn)練一個(gè)全卷積神經(jīng)網(wǎng)絡(luò)模型。將光場解密圖像輸入訓(xùn)練好的模型后能明顯消除大部分的圖像干擾。實(shí)驗(yàn)證明，采用全卷積神經(jīng)網(wǎng)絡(luò)來處理光場解密結(jié)果是有效的，本文可以為光場加密技術(shù)的改進(jìn)提供參考。