-
公开(公告)号：CN106600518B
公开(公告)日：2019-06-21
申请号：CN201611046541.3
申请日：2016-11-23
Applicant: 河南大学
IPC: G06T1/00
Abstract: 本发明涉及一种基于压缩感知的视觉安全和数据安全的图像加密、解密方法，首先利用SHA 256哈希函数得到明文图像的256位哈希值作为图像秘钥，并计算一维skew tent混沌映射和zigzag置乱的初始数值；对明文图像进行稀疏，对系数矩阵进行zigzag置乱；然后利用一维skew tent混沌映射生成测量矩阵，对置乱矩阵进行测量和量化，得到压缩加密后的图像，嵌入到视觉有意义的载体图像中，得到最终视觉有意义的密文图像。本发明实现明文图像的视觉安全和数据安全，秘钥空间大，对明文高度敏感，具有更强的抵抗蛮力攻击、选择明文攻击、已知明文攻击的能力，不需要额外存储空间，密文图像可以被快速有效的传输和存储。
-
公开(公告)号：CN105046161B8
公开(公告)日：2018-07-06
申请号：CN201510454560.9
申请日：2015-07-29
Applicant: 河南大学
IPC: G06F21/60
Abstract: 本发明涉及一种基于DNA动态编码的彩色图像加密方法，包括：通过彩色明文图像获得密钥；由密钥分别计算置乱和扩散过程中所用混沌系统的初始值和参数；将初始值和参数带入混沌系统迭代，得W1和W2，由W1得置乱矩阵K，W2得整数矩阵Y和索引矩阵Ind，根据Ind对Y进行DNA编码；利用矩阵K对明文图像逐行进行置乱，接着进行编码与扩散，直到所有的行完成DNA加密，最后对DNA矩阵进行解码、重组得最终的彩色密文图像。本发明通过采用SHA256函数来产生密钥，扩大了密钥空间，并且密钥的产生依赖于明文，能够有效抵抗明文攻击；将混沌特性与DNA动态编码相结合，进一步提高了安全性；同时按照图像的行进行置乱与扩散操作，便于并行计算，提高了效率。
-
公开(公告)号：CN106023052B
公开(公告)日：2017-06-13
申请号：CN201610303944.5
申请日：2016-05-09
Applicant: 河南大学
IPC: G06T1/00
Abstract: 本发明涉及一种基于忆阻超混沌系统、元胞自动机和DNA计算的图像加密算法，首先采用基于Chua电路的四维忆阻超混沌系统，同时明文图像通过作用于SHA256函数来产生密钥；将混沌系统产生的伪随机序列作为DNA动态编码的依据并且根据扩散后的DNA矩阵来决定元胞动态演变的规则，并且在加密的过程中，对图像做了分块处理；最后，通过伪DNA计算方法对图像进行加密，在对图像进行置乱的同时进行了扩散操作。本发明一方面增加了密钥空间，增强了算法抵抗暴力攻击的能力，另一方面又使得密钥的产生紧紧地依赖于明文，提高了算法抵抗选择明文攻击的能力，具有更强的抗穷举攻击能力，便于并行计算，进一步提高运行效率，提高算法的安全性。
-
公开(公告)号：CN104008520B
公开(公告)日：2015-05-13
申请号：CN201410196137.9
申请日：2014-05-09
Applicant: 河南大学
IPC: G06T1/00
Abstract: 本发明涉及一种基于SHA-384函数、时空混沌系统、量子混沌系统和神经网络的彩色图像加密方法，包括：利用SHA-384函数对原始彩色图像I0进行计算，得到哈希值作为密钥，利用哈希值、CML耦合映像格子和一维Logistic混沌映射产生混沌序列，利用混沌序列对I0的三基色分量的高四位图像进行位级行、列置乱，得到置乱图像I1；利用Logistic量子混沌系统生成用于加密置乱图像的混沌序列，并结合神经网络对I1的三基色分量的所有像素值进行并行扩散处理，得到最终的密文图像I2。上述方法大大增加了密钥空间，使得安全性、加密效果和密钥敏感性更高，抗攻击能力更强，置乱过程加密时间更短，并更易于硬件实现。
-
公开(公告)号：CN115147711B
公开(公告)日：2024-07-16
申请号：CN202210871217.4
申请日：2022-07-23
Applicant: 河南大学
IPC: G06V20/05 , G06V10/82 , G06V10/764 , G06N3/048 , G06N3/0464 , G06N3/08
Abstract: 本发明提供一种基于改进Retinanet的水下目标检测网络及方法。该网络包括：backbone层、neck层和head层；backbone层采用残差网络Resnet50；neck层包括特征金字塔网络模块、上下文提取模块和注意力引导模块；head层包括下采样模块、分类子网络和框回归子网络；其中，待检测的水下图像经过backbone层进行后得到四个不同大小的特征图；四个不同大小的特征图并列输入至neck层进行特征融合，得到四个不同大小的新特征图；四个不同大小的新特征图中的最上层的新特征图经下采样模块之后，连同其他三个新特征图一并输入至分类子网络和框回归子网络从而得到水下图像中的各水下目标。
-
Patent Agency Ranking
公开(公告)号：CN117764803A
公开(公告)日：2024-03-26
申请号：CN202311835915.X
申请日：2023-12-28
Applicant: 河南大学
Abstract: 本发明属于图像水印技术领域，公开一种基于Harris‑SIFT特征区域的抗屏摄鲁棒水印算法，包括：使用基于熵值加权的Harris角点检测算法对图像进行特征点的提取，并结合SIFT算法在特征点上生成特征方向，随后构建特征区域并筛选出互不重叠的特征区域用于后续水印的嵌入；生成水印信息并嵌入特征区域；通过对含水印图像进行相机拍摄实验来对含水印图像进行屏摄攻击；对受屏摄攻击图像进行几何校正以恢复图像在拍摄过程中产生的畸变，对校正图像进行预处理之后再从中提取水印信息。本发明算法能够抵抗屏摄攻击和常见图像攻击，并且优于目前先进的抗屏摄水印算法。
-
公开(公告)号：CN115731400A
公开(公告)日：2023-03-03
申请号：CN202211509961.6
申请日：2022-11-29
Applicant: 河南大学
IPC: G06V10/44 , G06V10/80 , G06V10/75 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/047 , G06N3/08 , G06N5/04
Abstract: 本发明提供一种基于自监督学习的X光图像异物检测方法。该方法包括：步骤1：构建基于结构重参数化的ConvMAE模型，记作RepConvMAE自监督模型，包括用于提取输入图像的多尺度特征图的Encoder和用于基于提取的多尺度特征图来重构图像的Decoder；步骤2：采用X光图像数据集对所述RepConvMAE自监督模型进行预训练；步骤3：构建检测模型EFFR‑CNN，由浅层至深层依次包括：骨干网络、FPN层、共享特征层、RPN层、ROI Pooling层和全连接层；所述骨干网络采用预训练后的所述RepConvMAE自监督模型中的Encoder；步骤4：采用X光异物图像数据集训练所述检测模型EFFR‑CNN；步骤5：将待测X光图像输入至训练好的检测模型EFFR‑CNN，得到检测结果。
-
公开(公告)号：CN115546000A
公开(公告)日：2022-12-30
申请号：CN202211178570.0
申请日：2022-09-26
Applicant: 河南大学
Abstract: 本发明提供一种基于辅助信息生成和注意力机制的图像隐写分析方法。该方法包括：构建空域图像隐写分析网络，包含两个相同的辅助信息生成网络和一个SA‑Siamese‑Net，SA‑Siamese‑Net含有两个共享结构和参数的子网络，一个辅助信息生成网络后接一个子网络；辅助信息生成网络用于生成增大噪声残差大小的辅助信息；SA‑Siamese‑Net用于计算图像的噪声残差并在噪声残差的基础上建模，对输入图像进行分类；定义空域图像隐写分析网络的损失函数；初始化空域图像隐写分析网络；准备数据集；使用准备好的数据集训练空域图像隐写分析网络；利用训练好的空域图像隐写分析网络对待检测图像进行分类，分为不含秘密信息的载体图像和包含秘密信息的载秘图像。
-
公开(公告)号：CN115442492A
公开(公告)日：2022-12-06
申请号：CN202211053160.3
申请日：2022-08-31
Applicant: 河南大学
Abstract: 本发明属于图像加密技术领域，公开一种基于新设计的一维正弦混沌映射和离散U变换嵌入方式的视觉安全图像加密方法，包括：利用明文信息和SHA‑512哈希函数生成多组密钥，利用明文相关的密钥控制一维正弦混沌系统1‑DSC映射生成测量矩阵，利用该测量矩阵压缩明文图像的稀疏系数矩阵；对处理后数据进行量化，对量化后的数据进行双重锯齿形置乱，最后再经扩散操作生成秘密图像；在1‑DSC映射的控制下，采用基于离散U变换的嵌入方式将秘密图像嵌入载体图像中，得到视觉有意义的加密图像。本发明提出的方法不仅可以同时压缩和加密明文图像，还可以生成高质量的加密图像，以确保视觉安全性。
-
公开(公告)号：CN115187615A
公开(公告)日：2022-10-14
申请号：CN202210784416.1
申请日：2022-07-05
Applicant: 河南大学
Abstract: 本发明提供一种基于改进MultiResUNet的皮肤黑色素瘤图像分割网络结构及方法。该网络结构包括encoder模块和decoder模块，将原MultiResUNet网络中的MultiRes Block替换为新的MultiRes Block，以形成新的MultiResUNet网络；其中，所述新的MultiRes Block包括第一残差层和三个堆叠在一起的具有不同空洞率的Conv2d层；三个所述Conv2d层的输出进行concat操作之后与所述第一残差层的输出结果进行特征相加操作。本发明扩大了感受野有助于分割不同大小的目标；加入了双注意力机制重新调整特征权重有助于分割不同位置、不同形状的目标，提高了分割的精度。
-
-
-
-
-
-
-
-
-
Search Results
67
records
(took 0.014 seconds)
