基于對(duì)抗網(wǎng)絡(luò)的彩色圖像置亂方法研究

鮑震杰，薛 茹

(西藏民族大學(xué)信息工程學(xué)院，陜西 咸陽(yáng) 712082)

1 引言

網(wǎng)絡(luò)技術(shù)的迅速發(fā)展，促使圖像、聲音等能直觀表達(dá)信息的多媒體傳輸需求越來越高，而這些圖像、聲音等多媒體可能會(huì)涉及安全、機(jī)密、隱私等方面問題，如何確保這些信息安全、準(zhǔn)確的傳送給接受方，是網(wǎng)絡(luò)安全研究的基本內(nèi)容。置圖像亂通過將一幅圖像的像素位置、顏色等進(jìn)行隨機(jī)分布，隱藏圖像部分原有的信息，轉(zhuǎn)化為無意義的圖像，從而使圖像傳輸過程的安全性提高，因此廣泛被應(yīng)用在圖像信息隱藏和圖像加密中。

作為信息隱藏圖像預(yù)處理的重要手段，圖像置亂的目的是將圖像像素值與像素位置打亂，使人以為是位置隨機(jī)分布的圖像或是像素隨機(jī)分布的圖像。近些年來，研究者們從多個(gè)角度實(shí)現(xiàn)了圖像置亂。Hou C等[1]提出了一種通過交換電路復(fù)雜度較低的量子比特實(shí)現(xiàn)的基于離散Baker映射的量子圖像置亂算法，并說明該置亂算法有周期長(zhǎng)的特點(diǎn)。Zubair等[2]提出了基于二維外極權(quán)元胞自動(dòng)機(jī)的圖像置亂方法。Xiong等[3]提出了非負(fù)基整數(shù)到相應(yīng)基整數(shù)的變換算法，并針對(duì)三個(gè)參數(shù)的不同值，計(jì)算了局部負(fù)基變換的最小變換周期和逆變換算法。數(shù)值實(shí)驗(yàn)表明，局部負(fù)基變換是一種有效的置亂變換。隨著深度學(xué)習(xí)的發(fā)展，用深度學(xué)習(xí)的方法實(shí)現(xiàn)圖像置亂為傳統(tǒng)領(lǐng)域注入了新的活力。Masayuki等[4]提出了可學(xué)習(xí)的圖像加密算法，對(duì)圖像進(jìn)行加密，使人們無法理解圖像。Koki等[5]將可學(xué)習(xí)加密算法擴(kuò)充，加入了分塊置亂密鑰，并引入自適應(yīng)網(wǎng)絡(luò)來識(shí)別置亂圖像。

Arnold變換是一種被廣泛使用的圖像置亂方法[6]-[8]，然而其置亂后圖像無法改變像素值統(tǒng)計(jì)分布，與原始圖直方圖相似度高，易受統(tǒng)計(jì)攻擊，本文設(shè)計(jì)改進(jìn)對(duì)抗網(wǎng)絡(luò)，實(shí)現(xiàn)彩色圖像的自動(dòng)化置亂，提升了視覺置亂效果，并且降低了置亂后圖像與原圖直方圖的相似度。

2 對(duì)抗網(wǎng)絡(luò)

2.1 生成對(duì)抗網(wǎng)絡(luò)

生成對(duì)抗網(wǎng)絡(luò)(Generative adversarial nets，簡(jiǎn)稱GAN)是Ian J. Goodfellow[9]等于2014年提出通過訓(xùn)練生成模型(Generative Model)捕獲數(shù)據(jù)的分布，判別模型(Discriminator Model)估計(jì)訓(xùn)練數(shù)據(jù)樣本概率，利用生成模型和判別模型的對(duì)抗估計(jì)生成模型。生成對(duì)抗網(wǎng)絡(luò)用從目標(biāo)域和生成域圖像的分布取樣，判別使兩個(gè)圖像域接近的方法，代替了傳統(tǒng)使用最大似然估計(jì)的方法來擬合估計(jì)目標(biāo)圖像域分布。

為了使建立的對(duì)抗模型容易應(yīng)用，生成器G和判別器D都是多層感知器。根據(jù)真實(shí)數(shù)據(jù)(正樣本)x學(xué)習(xí)生成器的生成圖像分布pdata，輸入噪聲變量z(負(fù)樣本)的先驗(yàn)概率為pz，將噪聲z映射到數(shù)據(jù)空間表示為G(z)，對(duì)真實(shí)數(shù)據(jù)的分布進(jìn)行擬合，即使pdata和pz足夠接近，G的目的是使它們足夠像，那么D就無法將來自于G的數(shù)據(jù)鑒別出來。輸入單個(gè)標(biāo)量圖的多層感知器D(x)表示來自真實(shí)數(shù)據(jù)x的概率，為了更好的使生成器G偽造的數(shù)據(jù)更接近真實(shí)分布，訓(xùn)練D使其能最大程度正確的判別真實(shí)數(shù)據(jù)與偽造數(shù)據(jù)，同時(shí)訓(xùn)練G以最小化偽造概率log(1-D(G(z)))，D的目的是正確判斷出G(z)，即D(x)足夠大同時(shí)D(G(z))足夠小。D和G使用損失價(jià)值函數(shù)V(G，D)，進(jìn)行極大極小博弈：

+Ex～G[log(1-D(x))]

(1)

式(1)中，Ex～data表示目標(biāo)域圖像分布期望，Ex～G表示生成圖像期望分布。

使用交替隨機(jī)下降梯度SGD可以分兩個(gè)階段找到生成器G和鑒別器D：(a) 訓(xùn)練辯別器以區(qū)分生成器生成的真樣本和假樣本。(b)訓(xùn)練生成器，以便用生成的樣本欺騙過辨別器。實(shí)際中上式可能無法為G提供足夠的梯度使其偽造的更真實(shí)。在訓(xùn)練的開始，當(dāng)G值較低時(shí)，D可以高置信度地剔除樣本。在這種情況下，對(duì)數(shù)log(1-D(G(z)))飽和，訓(xùn)練G使log(1-D(G(z)))最大，而不是訓(xùn)練G使log(D(G(z)))最小。

2.2 對(duì)抗自動(dòng)編碼器

Makhzani A等[10]提出了對(duì)抗自動(dòng)編碼器(Adversarial Autoencoders)，將生成對(duì)抗網(wǎng)絡(luò)應(yīng)用在自動(dòng)編碼器上。在一個(gè)自動(dòng)編碼器中加入了匹配自動(dòng)編碼器潛在表現(xiàn)的聚合后驗(yàn)分布，與任意的先驗(yàn)分布的對(duì)抗損失訓(xùn)練。訓(xùn)練結(jié)果是編碼器會(huì)將數(shù)據(jù)分布轉(zhuǎn)化為先驗(yàn)分布，解碼器學(xué)習(xí)深度生成模型，將圖像還原。假設(shè)x為輸入，z為自動(dòng)編碼器的隱含向量，p(z)是z目標(biāo)存在的先驗(yàn)分布，q(z|x)是一個(gè)編碼分布，p(z|x)是解碼分布。pd(x)是數(shù)據(jù)分布，p(x)是模型分布，編碼函數(shù)q(z|x)決定在自動(dòng)編碼器的隱含向量聚合后驗(yàn)分布q(z)。如式(2)所示

(2)

對(duì)抗自動(dòng)編碼器目的是將聚合后驗(yàn)分布q(z)匹配到任意先驗(yàn)分布p(z)中。自動(dòng)編碼器的目的在于減小重塑誤差。生成對(duì)抗網(wǎng)絡(luò)的生成器就是自動(dòng)編碼器q(z|x)的編碼器。該編碼器確認(rèn)聚合后驗(yàn)分布可以騙過對(duì)抗生成網(wǎng)絡(luò)的判別器，認(rèn)為隱含向量q(z)來自先驗(yàn)分布p(z)。該生成對(duì)抗網(wǎng)絡(luò)和自動(dòng)編碼器一起訓(xùn)練，減小重塑誤差和生成器騙過判別器，判別器分辨是否來自先驗(yàn)分布的對(duì)抗損失，解碼器則將先驗(yàn)分布p(z)投射到數(shù)據(jù)分布中。

3 對(duì)抗自動(dòng)彩色圖像置亂網(wǎng)絡(luò)

本文通過改進(jìn)對(duì)抗網(wǎng)絡(luò)，設(shè)計(jì)編碼網(wǎng)絡(luò)—解碼網(wǎng)絡(luò)的結(jié)構(gòu)學(xué)習(xí)圖像置亂過程，將彩色圖像經(jīng)過編碼網(wǎng)絡(luò)生成均勻分布像素的隨機(jī)圖像，用圖像分塊判別的辨別網(wǎng)絡(luò)鑒別生成的圖像是否是均勻分布噪聲，通過解碼網(wǎng)絡(luò)重塑原圖像。具體框架如圖1所示。

對(duì)抗自動(dòng)圖像置亂網(wǎng)絡(luò)的損失函數(shù)與原始的對(duì)抗自動(dòng)編碼器相像并因?yàn)槿蝿?wù)特殊性，原始對(duì)抗自動(dòng)編碼器的網(wǎng)絡(luò)結(jié)構(gòu)與損失函數(shù)并不能適用，本文方法在原始對(duì)抗自動(dòng)編碼器的基礎(chǔ)上構(gòu)建編碼網(wǎng)絡(luò)—解碼網(wǎng)絡(luò)和判別網(wǎng)絡(luò)結(jié)構(gòu)。在損失函數(shù)上，將對(duì)抗損失的負(fù)對(duì)數(shù)似然改為最小二乘損失[11]，并對(duì)本方法的三個(gè)損失函數(shù)分別交替優(yōu)化。

定義x是原始圖像，y是像素均勻分布圖像，x～pdata(x)是原始圖像x所在的分布，y～pdata(y)是均勻分布。編碼網(wǎng)絡(luò)G，解碼網(wǎng)絡(luò)F和判別網(wǎng)絡(luò)D，根據(jù)圖片x經(jīng)過一對(duì)編碼網(wǎng)絡(luò)后能復(fù)原的目標(biāo)，本文方法提出編解碼損失，如式(3)所示

L(F，G)=‖F(xiàn)(G(x))-x‖2

(3)

Arjovsky等[12]指出生成對(duì)抗網(wǎng)絡(luò)使用JS散度來衡量生成圖像域和目標(biāo)圖像域間距離的缺陷，及因此造成生成對(duì)抗網(wǎng)絡(luò)模型訓(xùn)練易崩塌，提出用Wasserstein距離替代JS散度。據(jù)此，本文方法生成對(duì)抗網(wǎng)絡(luò)中的對(duì)抗損失改進(jìn)為式(4)

圖1 對(duì)抗自動(dòng)彩色圖像置亂網(wǎng)絡(luò)的結(jié)構(gòu)

L(F，G，D)=Ex～pdata(x)[(1-D(G(x)))2]

+Ey～pdata(y)[(D(y)-0)2]

(4)

本文方法的損失函數(shù)由自動(dòng)編碼器的編解碼損失和對(duì)抗網(wǎng)絡(luò)的對(duì)抗損失組成。其中對(duì)抗損失的目標(biāo)函數(shù)為式(5)所示

(5)

在實(shí)際操作中，編碼網(wǎng)絡(luò)和解碼網(wǎng)絡(luò)的對(duì)抗損失函數(shù)為式(6)所示

Ladv(F，G)=Ex～pdata(x)[(1-D(G(x)))2]

(6)

編碼網(wǎng)絡(luò)和解碼網(wǎng)絡(luò)的對(duì)抗損失函數(shù)的目標(biāo)函數(shù)如式(7)所示

(7)

判別網(wǎng)絡(luò)的對(duì)抗損失函數(shù)為式(8)所示

Ladv(D)=Ex～pdata(x)[(1-D(G(x)))2]

+Ey～pdata(y)[(D(y)-0)2]

(8)

判別網(wǎng)絡(luò)的對(duì)抗損失函數(shù)的目標(biāo)函數(shù)為式(9)所示

(9)

自動(dòng)編碼器的編解碼損失的目標(biāo)函數(shù)為式(10)所示

(10)

本文使用梯度下降法交替減小式(3)，式(6)和式(8)所表示的損失函數(shù)計(jì)算出的損失值并進(jìn)行相應(yīng)模型參數(shù)優(yōu)化。如，對(duì)于式(3)，θj是編碼網(wǎng)絡(luò)G或解碼網(wǎng)絡(luò)F的參數(shù)θ在第jth迭代次數(shù)時(shí)的值，α是學(xué)習(xí)率，∨J(θj)是經(jīng)過損失函數(shù)計(jì)算損失值傳給參數(shù)θj的梯度。那么，式(3)的梯度下降和相應(yīng)模型參數(shù)優(yōu)化的過程可以表示為式(11)

(11)

特別地，對(duì)于式(6)編碼網(wǎng)絡(luò)和解碼網(wǎng)絡(luò)的對(duì)抗損失優(yōu)化時(shí)，判別網(wǎng)絡(luò)的參數(shù)保持不變。

圖像置亂和復(fù)原都可以用提取圖像特征(編碼)，生成目標(biāo)圖像(解碼)的過程模擬。因此本文方法網(wǎng)絡(luò)結(jié)構(gòu)中的編碼網(wǎng)絡(luò)和解碼網(wǎng)絡(luò)都是由編碼部分和解碼部分構(gòu)成，而編碼網(wǎng)絡(luò)與解碼網(wǎng)絡(luò)構(gòu)成了自動(dòng)編碼器。根據(jù)圖像輸入輸出分辨率大小都為，本文神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)借鑒了CycleGAN模型[13]的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，使用改進(jìn)的Johnson等[14]提出的生成模型作為本文方法的編碼網(wǎng)絡(luò)和解碼網(wǎng)絡(luò)。其中InstanceNormalization為Dmitry等[15]提出的神經(jīng)網(wǎng)絡(luò)層間數(shù)據(jù)輸入標(biāo)準(zhǔn)化方法。本文編碼網(wǎng)絡(luò)和解碼網(wǎng)絡(luò)的結(jié)構(gòu)都如圖2所示。本文編碼網(wǎng)絡(luò)和解碼網(wǎng)絡(luò)的編碼部分由三個(gè)步長(zhǎng)為2，卷積核大小為3*3的卷積層，每個(gè)卷積層后跟著一個(gè)InstanceNormalization操作和一個(gè)Relu激活函數(shù)實(shí)現(xiàn)。而解碼部分則通過兩次上采樣-零填充-卷積核3*3，步長(zhǎng)為1的卷積操作-InstanceNormalization操作-Relu激活函數(shù)和一次零填充-卷積核7*7，步長(zhǎng)為1的卷積操作-Tanh激活函數(shù)構(gòu)成，在編碼部分與解碼部分中通過了9個(gè)殘差塊的操作，殘差塊結(jié)構(gòu)如圖3所示。

根據(jù)圖像置亂的圖像像素值分布均勻要求，本文方法的判別網(wǎng)絡(luò)使用Isola等[16]提出的patchGAN的判別網(wǎng)絡(luò)，判別網(wǎng)絡(luò)有16×16大小的實(shí)際輸出，其中每一個(gè)數(shù)值輸出都具有70×70的感受視野，相當(dāng)于對(duì)圖像分塊判別，更好地判別圖像像素值是否均勻隨機(jī)分布。判別網(wǎng)絡(luò)的具體結(jié)構(gòu)為圖4所示。本文判別網(wǎng)絡(luò)先經(jīng)過1個(gè)卷積核4*4，步長(zhǎng)為2的卷積層后接一個(gè)LeakyRelu激活函數(shù)，再經(jīng)過三個(gè)卷積核4*4，步長(zhǎng)為2的卷積層后接一個(gè)InstanceNormalization操作-一個(gè)LeakyRelu激活函數(shù)，最后經(jīng)過一個(gè)卷積核3*3，步長(zhǎng)為1的卷積層輸出判別結(jié)果。

圖2 編碼網(wǎng)絡(luò)和解碼網(wǎng)絡(luò)結(jié)構(gòu)圖

圖3 殘差塊結(jié)構(gòu)圖

圖4 判別網(wǎng)絡(luò)結(jié)構(gòu)圖

4 實(shí)驗(yàn)結(jié)果與分析

4.1 實(shí)驗(yàn)環(huán)境

實(shí)驗(yàn)中選用分辨率為256×256的彩色圖像，將圖像像素值映射在[0，1]范圍內(nèi)，并對(duì)其使用改進(jìn)的對(duì)抗自動(dòng)彩色圖像置亂網(wǎng)絡(luò)進(jìn)行置亂。對(duì)抗自動(dòng)彩色圖像置亂網(wǎng)絡(luò)的參數(shù)優(yōu)化器選擇Adam，初始學(xué)習(xí)率為0.0002。實(shí)驗(yàn)在windows10操作系統(tǒng)，GPU NVIDA RTX2070環(huán)境下運(yùn)行。

4.2 模型收斂性

使用本文方法對(duì)彩色Lena圖像進(jìn)行圖像置亂，并記錄模型式(3)、式(6)和式(8)表示的三個(gè)損失函數(shù)的損失值隨著迭代次數(shù)的變化，繪制損失曲線。其中，對(duì)于判別網(wǎng)絡(luò)的對(duì)抗損失，為了數(shù)值相對(duì)平衡，本文根據(jù)式(12)計(jì)算判別網(wǎng)絡(luò)的平均對(duì)抗損失來繪制損失曲線。

Lmeanadv(D)=

(12)

從圖5、圖6與圖7可以看出，大約經(jīng)歷16200次迭代后，下降學(xué)習(xí)率至原來的一半，判別網(wǎng)絡(luò)的平均對(duì)抗損失與編碼網(wǎng)絡(luò)和解碼網(wǎng)絡(luò)的對(duì)抗損失值都穩(wěn)定在0.25左右，這說明判別網(wǎng)絡(luò)對(duì)于編碼網(wǎng)絡(luò)生成的置亂圖像有一定幾率判別不出是否為來自像素均勻分布域，而編解碼損失則下降穩(wěn)定至0.0001以下，及解碼后圖像與原始圖像的均方誤差值(按比例縮小后)在0.0001之內(nèi)，說明經(jīng)過本文方法的置亂，解碼后的圖像幾乎和原圖像一致，本文模型在訓(xùn)練中具有一定的穩(wěn)定收斂性。

圖5 判別網(wǎng)絡(luò)的平均對(duì)抗損失

圖6 編碼網(wǎng)絡(luò)和解碼網(wǎng)絡(luò)的對(duì)抗損失

圖7 編解碼損失

4.3 實(shí)驗(yàn)結(jié)果

本文選擇了六幅不同的彩色圖片(圖8第一列和圖8第四列)，采用對(duì)抗自動(dòng)彩色圖像置亂網(wǎng)絡(luò)的編碼網(wǎng)絡(luò)部分置亂(圖8第二列和第五列)，然后用解碼網(wǎng)絡(luò)部分復(fù)原圖像(圖8第三列和第六列)。

從圖8可以看出對(duì)抗自動(dòng)彩色圖像置亂網(wǎng)絡(luò)對(duì)不同圖像內(nèi)容的圖像都可以達(dá)到置亂效果，還原后的圖像能恢復(fù)原圖像的色彩、紋理等基本特征，具有較強(qiáng)的適應(yīng)性。

圖8 對(duì)抗自動(dòng)彩色圖像置亂網(wǎng)絡(luò)的圖像置亂效果

對(duì)于同一張256×256像素大小的彩色圖像，本文的方法與傳統(tǒng)的Arnold，Logistic圖像置亂的方法進(jìn)行比較。Arnold置亂使用文獻(xiàn)[17]方法分別在彩色圖像三個(gè)通道對(duì)圖像像素位置進(jìn)行置亂，然后在迭代448次后進(jìn)行Arnold變換復(fù)原。Logistic圖像混沌置亂中混沌映射產(chǎn)生值在(-1，1)區(qū)間的混沌序列，然后映射在[0，255]整數(shù)數(shù)列上，最后與原始圖像像素逐位異或。置亂后效果如圖9所示。圖9第一行為Arnold變換后置亂與恢復(fù)的圖像。圖9第二行為L(zhǎng)ogistic混沌置亂后與還原后的圖像。圖9第三行為對(duì)抗自動(dòng)彩色圖像置亂網(wǎng)絡(luò)的編碼網(wǎng)絡(luò)編碼與解碼網(wǎng)絡(luò)解碼后的圖像。

圖9 置亂效果比較

從圖9可以看出Arnold變換后圖像隱約可以看到規(guī)則的紋理，像素值分布不均勻；Logistic混沌置亂后圖像像素點(diǎn)的位置分布不均勻，而本文提出的置亂方法像素點(diǎn)位置和顏色分布更為均勻，比Arnold變換和Logistic混沌置亂的置亂效果更好。

圖10第二、三、四、五列分別為原圖、Arnold變換后置亂圖像、Logistic混沌置亂后圖像、對(duì)抗自動(dòng)彩色置亂網(wǎng)絡(luò)置亂后圖像在RGB三個(gè)顏色分量上的灰度直方圖，灰度直方圖的橫坐標(biāo)為像素值，縱坐標(biāo)為像素值的個(gè)數(shù)。

圖10第二、三、四、五列分別為原圖、Arnold變換后置亂圖像、Logistic混沌置亂后圖像、對(duì)抗自動(dòng)彩色置亂網(wǎng)絡(luò)置亂后圖像在RGB三個(gè)顏色分量上的灰度直方圖，灰度直方圖的橫坐標(biāo)為像素值，縱坐標(biāo)為像素值的個(gè)數(shù)。

對(duì)以上灰度直方圖進(jìn)行比較，從圖10中看出，Arnold變換并沒有改變圖像的統(tǒng)計(jì)特性，而Logistic混沌置亂和本文方法都改變了圖像的統(tǒng)計(jì)特性。在原圖像素值統(tǒng)計(jì)位置相同處，Logistic混沌置亂后圖像灰度直方圖與原圖像灰度直方圖同時(shí)出現(xiàn)了兩個(gè)波峰。而改進(jìn)后的對(duì)抗自動(dòng)置亂網(wǎng)絡(luò)灰度直方圖全圖只存在一個(gè)波峰，無原始圖像特征。

采用文獻(xiàn)[18]提出的置亂圖像與原始圖像直方圖相似度為圖像置亂程度的評(píng)判標(biāo)準(zhǔn)。設(shè)置亂圖像與原始圖像的直方圖為h1(x)和h2(x)，b為像素點(diǎn)的值，取值范圍為{0，1，…，G-1}，則直方圖相似度的定義為式(13)。

(13)

置亂圖像與原始圖像直方圖的相似度越大，則兩幅圖像相似度就越高，置亂度越低。對(duì)本文提出的方法與Arnold變換，Logistic混沌置亂三種方法得到的置亂圖像的直方圖與原圖的直方圖計(jì)算相似度進(jìn)行比較，結(jié)果如表1所示。

圖10 原圖與三種方法置亂后的圖像在R，G，B三通道的灰度直方圖

表1 直方圖的相似度比較

由表1的數(shù)據(jù)可以看到，Arnold變換后置亂圖像和原圖灰度直方圖并沒有改變。Logistic混沌置亂后，置亂圖像的灰度直方圖與原圖直方圖相似度減小，本文提出的方法置亂圖像直方圖與原圖直方圖的相似度減小，在R和B通道比Logistic混沌置亂分別減小0.0448和0.1071，在G通道比Logistic混沌置亂增大了0.0175。在R和B通道，本文方法與原圖直方圖相似度最低，在G通道，本文方法比Logistic混沌置亂方法的置亂效果稍差，但基本相差無幾。

巴氏距離衡量?jī)蓚€(gè)直方圖像素概率分布間的相似度，巴氏距離越大，直方圖相似度越低。根據(jù)巴氏距離的式(14)

(14)

將置亂后的圖片與原圖像直方圖的巴氏距離進(jìn)行對(duì)比，結(jié)果如表2所示。

表2 與原圖直方圖的巴氏距離

從表2可以看出，Arnold變換后置亂圖像與原圖直方圖的巴氏距離為0，Logistic混沌置亂后圖像與原圖像直方圖的巴氏距離增大。而在B和R通道，本文方法比Logistic混沌置亂后圖像直方圖與原始圖像直方圖巴氏距離分別增大了0.1011和0.441。在G通道，本文方法比Logistic混沌置亂后圖像直方圖與原始圖像直方圖巴氏距離減小了0.073。

對(duì)于Arnold變換，Logistic混沌置亂方法和本文方法圖像置亂后的圖像效果，從直觀上看，Arnold變換與Logistic混沌置亂方法都有視覺上的可覺察性，而本文方法隱蔽性最好。從置亂后圖像與原始圖像直方圖的相似度上看，本文方法比Arnold變換與Logistic混沌置亂方法，相似度更低，置亂效果更好。

5 結(jié)論

本文針對(duì)圖像置亂將圖像轉(zhuǎn)化為人們無法識(shí)別的圖像目的，分析對(duì)抗網(wǎng)絡(luò)的改進(jìn)方向，設(shè)計(jì)了對(duì)抗自動(dòng)彩色圖像置亂網(wǎng)絡(luò)。對(duì)抗自動(dòng)彩色圖像置亂網(wǎng)絡(luò)使用編碼網(wǎng)絡(luò)和解碼網(wǎng)絡(luò)的組合模擬圖像置亂和復(fù)原過程，并使用patchGAN判別網(wǎng)絡(luò)，判別圖像像素值是否分布均勻。在圖像置亂的實(shí)驗(yàn)上，首先本文方法在不同場(chǎng)景不同主體的圖像上測(cè)試，都具有良好的置亂效果。其次，將本文方法與Arnold變換，Logisitic混沌置亂算法進(jìn)行對(duì)比，得到了與原圖直方圖相似度更低的置亂圖像并且置亂圖像在視覺上的置亂性最好。而本文方法在置亂圖像與像素均勻分布圖像的相似度上還有很大的提升空間，未來可以針對(duì)如何使對(duì)抗自動(dòng)彩色置亂網(wǎng)絡(luò)編碼后置亂圖像的像素值分布更為均勻的問題進(jìn)行研究和改進(jìn)。