基于加密域的医疗影像加密以及恢复方法

    公开(公告)号:CN115834789B

    公开(公告)日:2024-02-23

    申请号:CN202211484482.3

    申请日:2022-11-24

    Abstract: 本发明公开了一种基于加密域的医疗影像加密以及恢复方法,该方法首先使用完全同态加密对医学图像进行加密,然后由云服务器生成一组密文份额,随后这些密文份额被分别存储在不同医疗机构的数据库管理中心中,当医生需要患者的医疗图像时,恢复过程也由云服务器实现。与现有的SIS方案相比,本发明不仅支持医疗机构端的医疗数据保护,还保证数据的安全性的同时节省了本地服务器的计算和通信负担。

    基于少样本对比学习网络的隐写分析方法、设备及介质

    公开(公告)号:CN115936961B

    公开(公告)日:2024-01-02

    申请号:CN202211462057.4

    申请日:2022-11-21

    Abstract: 本发明公开了一种基于少样本对比学习网络的隐写分析方法、设备及介质,其中方法针对少量的隐写图像数据对,用数据增强的方式生成多组额外可用的训练样本;随机挑选一对载体图像和含秘图像,两者相减获得残差图像,将上述三张图像与以及另一张无关的载体图像组成一组训练数据,并以锚点样本、负样本、正样本、指导样本的形式输入对比学习网络。网络先进行特征提取,分别对锚点样本、正样本、负样本是否为含秘图像进行分类,并计算分类损失;对输入的锚点样本、正样本、负样本的特征向量计算对比损失;对输入的负样本、指导样本的特征向量计算对比指导损失;结合分类损失、对比损失和对比指导损失优化网络;抽取网络结构中的一个分支作为应用网络。

    基于少样本对比学习网络的隐写分析方法、设备及介质

    公开(公告)号:CN115936961A

    公开(公告)日:2023-04-07

    申请号:CN202211462057.4

    申请日:2022-11-21

    Abstract: 本发明公开了一种基于少样本对比学习网络的隐写分析方法、设备及介质,其中方法针对少量的隐写图像数据对,用数据增强的方式生成多组额外可用的训练样本;随机挑选一对载体图像和含秘图像,两者相减获得残差图像,将上述三张图像与以及另一张无关的载体图像组成一组训练数据,并以锚点样本、负样本、正样本、指导样本的形式输入对比学习网络。网络先进行特征提取,分别对锚点样本、正样本、负样本是否为含秘图像进行分类,并计算分类损失;对输入的锚点样本、正样本、负样本的特征向量计算对比损失;对输入的负样本、指导样本的特征向量计算对比指导损失;结合分类损失、对比损失和对比指导损失优化网络;抽取网络结构中的一个分支作为应用网络。

    一种基于安全区域的大数据图像保护方法和系统

    公开(公告)号:CN109492416B

    公开(公告)日:2022-02-11

    申请号:CN201811322310.X

    申请日:2019-01-07

    Abstract: 本发明提供一种基于安全区域的大数据图像保护方法,包括:S1:采用目标检测方法选择目标安全区域,同时提取彩色图像特征;S2:采用大数据技术,利用大数据图片集训练网络模型以及测试网络模型,应用深度学习模型在目标检测中的应用算法,提取出物体区域作为信息保护的安全区域;S3:将提取的安全区域作为含密图像的隐写区域,应用隐写算法进行秘密信息隐藏。本发明能够应用深度学习模型在目标检测中的应用算法,即Mask R‑CNN实例分割方法,选择出图像中纹理噪声较为复杂的区域,即前景部分,将秘密信息准确地隐藏于前景物体中,从而实现更加隐秘的图像秘密信息隐藏保护的目的。

    基于时空序列聚类算法和LSTM神经网络雷电预测方法

    公开(公告)号:CN112668790A

    公开(公告)日:2021-04-16

    申请号:CN202011617345.3

    申请日:2020-12-30

    Abstract: 本发明公开了基于时空序列聚类算法和LSTM神经网络雷电预测方法,属于计算机科学技术领域,本发明的基于时空序列聚类算法和LSTM神经网络雷电预测方法,根据雷电中心经纬度的变化,利用基于雷电预测改进的DBSCAN密度聚类算法得到Eps值和每个时间片的雷电中心,通过LSTM神经网络预测出下一个时间片的雷电中心的地理位置。本发明可以自动计算出密度聚类DBSCAN的聚类半径,LSTM神经网络对雷电中心经纬度预测预测误差小精度高,基本可以满足实际的雷电预测需求。本发明首次尝试用LSTM神经网络解决雷电预测问题,之前的方法一般使用多项式拟合或者其他拟合方法,对雷电中心移动这个复杂的过程模拟的不够完全。

    一种基于物体局部生成对抗网络的大数据权属保护方法

    公开(公告)号:CN110084734A

    公开(公告)日:2019-08-02

    申请号:CN201910340335.0

    申请日:2019-04-25

    Abstract: 本发明是一种基于物体局部生成对抗网络的大数据权属保护方法,在训练集上,载体图像经过多层的卷积网络,得到多组特征图,依次传入到载体重构模块。生成网络还包括多层反卷积网络,在生成条件经过多层反卷积后得到的特征图依次传入载体重构模块。将生成的目标载体图像输入到隐写网络,进行隐写区域的扩增和隐写秘密信息,随后将生成的图像输入到多粒度判别器中,对其分别在图像微弱特征和图像质量上判别,更新判别网络的参数,经过多次修改,得到网络模型参数并保存。发送方和接收方利用上述网络模型参数生成含秘图像或复原隐写区域并提取秘密信息。本专利实现了基于生成对抗网络信息隐藏,解决了生成对抗网络的隐写中的隐写问题,提高了安全性。

    一种基于安全区域的大数据图像保护方法和系统

    公开(公告)号:CN109492416A

    公开(公告)日:2019-03-19

    申请号:CN201811322310.X

    申请日:2019-01-07

    CPC classification number: G06F21/602 G06K9/6267 G06N3/0454 G06N3/0481 G06N3/08

    Abstract: 本发明提供一种基于安全区域的大数据图像保护方法,包括:S1:采用目标检测方法选择目标安全区域,同时提取彩色图像特征;S2:采用大数据技术,利用大数据图片集训练网络模型以及测试网络模型,应用深度学习模型在目标检测中的应用算法,提取出物体区域作为信息保护的安全区域;S3:将提取的安全区域作为含密图像的隐写区域,应用隐写算法进行秘密信息隐藏。本发明能够应用深度学习模型在目标检测中的应用算法,即Mask R-CNN实例分割方法,选择出图像中纹理噪声较为复杂的区域,即前景部分,将秘密信息准确地隐藏于前景物体中,从而实现更加隐秘的图像秘密信息隐藏保护的目的。

    一种基于GAN扩增图像前景物体的高容量数据保护方法

    公开(公告)号:CN111768326B

    公开(公告)日:2023-08-25

    申请号:CN202010257335.7

    申请日:2020-04-03

    Abstract: 本发明公开了一种基于GAN扩增图像前景物体的高容量数据保护方法,通过应用多种GAN于信息隐藏,得到嵌入失真概率图,并根据嵌入失真概率图计算不适合隐写区域,在不适合隐写区域中通过固定区域物体生成及信息嵌入模块生成前景物体,在生成图像中隐藏秘密信息,主要步骤如下:(1)将原始图像输入隐写概率图生成器;(2)计算隐写概率图;(3)计算不适合隐写区域;(4)向原始图像中增加纹理物体;(5)进行信息隐藏算法嵌入秘密信息。本发明预先为图像计算出不适合隐藏区域,实现对信息隐藏中原图像不适合隐藏区域的定向隐藏能力提升;提供增加隐藏容量、高安全性的高容量数据保护方法。

Patent Agency Ranking