面向高分影像完整性认证的主题敏感哈希算法.pdf
《面向高分影像完整性认证的主题敏感哈希算法.pdf》由会员分享,可在线阅读,更多相关《面向高分影像完整性认证的主题敏感哈希算法.pdf(6页珍藏版)》请在咨信网上搜索。
1、作为一种新的完整性认证技术,主题敏感哈希能实现高分影像的主题偏向性认证,克服了现有认证技术的不足,但现有主题敏感哈希算法在鲁棒性等方面仍存在一定不足。该文在简述主题敏感哈希相关理论的基础上,提出一种面向高分影像完整性认证的主题敏感哈希算法。该算法首先根据特定主题构建训练样本集,并基于该样本集训练 ;然后采用 提取高分影像的主题敏感特征,并采用主成分分析()对提取特征进行压缩编码,进而生成影像的主题敏感哈希序列。实验结果表明:该算法的鲁棒性相对现有算法有较大提高,算法的篡改敏感性和安全性与现有算法相近,且对主题相关篡改具有较高的敏感性。关键词:完整性认证;主题敏感哈希;注意力机制;感知哈希中图分
2、类号:文献标识码:文章编号:()引言随着地球观测与信息技术的飞速发展,高分辨率遥感影像(简称“高分影像”)被广泛应用于城市规划、灾害监测、测绘等领域,但高分影像获得有效利用的隐含前提是其数据的完整性必须得到保障。高分影像如果受到篡改,其有效内容就会发生变化,甚至扭曲,即使与原始影像进行对比,用户也很难确定该影像是否被篡改。基于被篡改的高分影像得到的分析结果将不准确,导致高分影像的使用价值大大降低,甚至失去应用价值。为此,学术界一般采用完整性认证技术解决该问题。目前,主流的完整性认证方法主要包括密码学哈希()函数、数字签名、脆弱水印、区块链、感知哈希等技术。其中,密码学哈希函数、数字签名对数据的
3、变化过于敏感,但并不适合高分影像;脆弱水印技术主要利用嵌入信息本身的性质,一定程度上修改了原始数据;区块链主要采用密码学技术实现,与密码学哈希的局限性相同;感知哈希能将具有相同感知内容的多媒体数据唯一映射为一段数字摘要,并满足感知鲁棒性和安全性,相对于密码学哈希函数、数字签名等技术,能实现高分影像基于感知内容的认证,在高分影像的完整性认证中具有较大优势。根据特征提取方式的不同,感知哈希大致可以分为以下几类:基于频域鲁棒特征的算法,、基于统计特征的算法,、基于降维的算法,、基于特征点的算法,和基于学习的算法,。现有关于遥感影像的感知哈希研究中,等提出一种基于改进的 的高分影像感知哈希算法,提高了
4、算法鲁棒性;等提出一种结合影像全局特征与局部特征的感知哈希算法,具有较好的篡改定位功能;丁凯孟等提出一种基于自适应格网划分的感知哈希算法。然而,感知哈希并未顾及高分影像的不同应用领域。随着高分影像分辨率的提高,高分影像在越来越多的行业得到应用,一些新的问题开始出现,例如:由于“语义鸿沟”问题,基于人工设计特征的感知哈希较难定义高分影像的本质特征,也就难以契合高分影像的具体应用领域;不同类型的用户对高分影像内容的关注点存在差异,水文工作者往往更关注高分影像中的河流、湖泊等地物信息,室外导航研究者更关注道路、桥梁等地物,但现有感知哈希不能针对特定用户进行定制化的完整性认证;对于亚米级分辨率的高分影
5、像,感知哈希在保持篡改敏感性的同时,鲁棒性很容易受到影响。因此,等提出“主题敏感哈希”的概念以应对上述问题,但现有的主题敏感哈希算法对 压缩等的鲁棒性仍不理想。本文结合 理论在图像特征提取方面的优势,提出一种基于 的主题敏感哈希算法。基于 的高分影像主题敏感哈希算法 理论基础主题敏感哈希是一种单向映射,顾及用户关注的对象类型,将图像的感知内容唯一映射为一段数字摘要,能实现主题敏感性的完整性认证。例如,如果用户主要使用高分影像中的建筑物信息,则应当对建筑物信息进行更严格的认证。由广义“哈希”、密码学哈希、感知哈希以及主题敏感哈希之间的关系(图)可知:密码学哈希与感知哈希、主题敏感哈希均具有广义“
6、哈希”的特点,即将输入数据映射为特定长度的输出序列,但密码学哈希基于数据的二进制表示生成输出序列,而感知哈希和主题敏感哈希则是基于图像、视频等数据的内容生成输出序列。与感知哈希相比,主题敏感哈希增加了“主题敏感性”的特点,因此,主题敏感哈希是对感知哈希的补充,而不是否定感知哈希。主题敏感哈希旨在实现“主题偏向性”的完整性认证,将完整性认证的目标聚焦于用户感兴趣的地物类型,并兼顾其他内容的变化情况,但现有主题敏感哈希算法对 压缩的鲁棒性仍不理想。图 广义“哈希”、密码学哈希、感知哈希以及主题敏感哈希之间的关系犉 犻 犵 犚 犲 犾 犪 狋 犻 狅 狀 狊 犺 犻 狆 狊 犫 犲 狋 狑 犲 犲
7、狀犎 犪 狊 犺,犮 狉 狔 狆 狋 狅 犵 狉 犪 狆 犺 犻 犮犎 犪 狊 犺,狆 犲 狉 犮 犲 狆 狋 狌 犪 犾犎 犪 狊 犺,犪 狀 犱 狊 狌 犫 犼 犲 犮 狋 狊 犲 狀 狊 犻 狋 犻 狏 犲犎 犪 狊 犺深度学习具有出色的特征表达能力,可以挖掘隐藏在数据内部的基本信息,。基于深度学习的方法可以从训练样本中自动学习特征,降低人工设计特征的复杂度,为实现“主题偏向性”认证提供了可行途径。基于深度学习的主题敏感哈希的一般流程为:首先,构建满足需要的训练样本集,并训练相应的深度网络模型;然后,通过深度网络模型提取影像特征,对提取的特征进行降维与编码,得到哈希序列。其中,深度神经网
8、络(如 、)是算法的核心,实际上,、和 等也可用于主题敏感哈希。随着深度学习的发展,在诸多研究领域的成功应用为主题敏感哈希的研究提供了新思路。等 首次将 应用于计算机视觉领域(),提出的 在图像分类中取得了优异表现。是一种基于滑动窗口和分层结构的 架构,在图像分割、目标检测中表现优异;结合了 和 的特性,是一个纯粹的基于 的“编码器解码器”网络,具有良好的分割精度和鲁棒泛化能力。因此,本文采用 提取高分影像的主题敏感特征,以提高主题敏感哈希的性能。高分影像预处理高分影像在输入 之前,要进行预处理,以符合 的输入需求。顾及高分影像海量数据的特点,本文采用四边形格网划分法将高分影像划分为犠犎个格网
9、单元(犠和犎均为正整数);然后,采用插值方法将格网单元归一化为犿犿像素大小,在本文实验中,预处理之后的影像大小为 像素。预处理之后的格网单元记为犚犻 犼,将犚犻 犼输入 ,输出结果记为犉犻 犼。基于 的主题敏感特征提取 沿用了经典的“编码器解码器”结构(图),并利用跳跃连接()弥补降采样造成的细节信息丢失,能融合不同尺度的特征。与 最大的区别在于,采用 模块通过特征表示学习,以克服卷积操作无法进行远程信息交互的缺陷。的编码器阶段,高分影像被拆分为 像素大小且互不重叠的分块,并对每个分块进行线性嵌入。编码器由多个模块组成,每个模块包含个 模 块 和个 合 并 层。其 中,模块由基于移位窗口的多头
10、自注意力(,)模块、多层感知机(,)、归一化(,)层、残差连接等组成;合并层则进行下采样操作,以生成不同尺度的特征。的解码器同样由多个模块组成,每个模块包含个 模块和个 扩展层,并通过跳跃连接与编码器的对应模块进行融合。与 合并层相对应,扩展层将相邻维度的特征重构为大的特征图,承担了上采样角色。编码器第个模块的 扩展层将特征图的大小恢复为输入图的大小。页第地 理 与 地 理 信 息 科 学第 卷图 的网络结构犉 犻 犵 犃 狉 犮 犺 犻 狋 犲 犮 狋 狌 狉 犲 狅 犳 犛 狑 犻 狀 犝 狀 犲 狋 特征压缩编码本文采用基于主成分分析()的压缩编码方法对 提取的特征犉犻 犼进行处理。本质
11、上,犉犻 犼是像素灰度值的二维矩阵,对该矩阵进行 分解后,前几列主成分包含了犉犻 犼的大部分有效信息。本文选择第一主成分作为主题敏感特征并进行二值化,具体而言:主成分元素的整数部分采用二进制表示,取其最高两位;对于整数部分不足两位的,用零补足。得到的序列通过高级加密标准()算法进行加密,即可得到该格网单元的哈希序列犎犻 犼;将所有格网单元的哈希序列犎犻 犼串联,即可得到高分影像最终的主题敏感哈希序列犎。完整性认证本文算法的完整性认证过程与现有方法相似:首先,生成待认证影像的哈希序列;然后,对比该序列与原始影像哈希序列之间的差异,进而确定待认证影像的内容完整性。本文采用“归一化汉明距离”比对个哈
12、希序列的差异。设犺和犺为个二值化的哈希序列,且长度均为犔,其归一化汉明距离犇计算公式见式(),如果犇小于设定的阈值犜,说明该影像格网单元的内容没有发生明显变化,反之,说明该影像格网单元的内容遭到了篡改。犇犔犻 犺(犻)犺(犻)犔()实验与分析 实验环境与模型训练本文以 作为编程语言,采用深度学习框架 (后端为 )实现深度神经网络 。为保障算法兼容性,主题敏感哈希算法的实现过程也采用 。硬件平台为:,内存和 (显存)。在 的训练过程中,设置为,设置为 ,损失函数采用 。本文以“建筑物”作为“主题”测试算法性能,模型训练过程采用与文献,相同的训练数据集,该数据集是以建筑数据集 为基础、结合人工绘制
13、样本构建的复合训练样本集,共包含 对训练样本。本文将基于 的主题敏感哈希算法(简称“基于 的算法”)、基于 的主题敏感哈希算法(简称“基于 的算法”)、基于 的主题敏感哈希算法(简称“基于 的算法”)、基于 的主题敏感哈希算法(简称“基于 的算法”)、基于 的主题敏感哈希算法(简称“基于 的算法”)、基于 的主题敏感哈希算法(简称“基于 的算法”)以及基于 的主题敏感哈希算法(简称“基于 的算法”)作为对比算法,各对比算法的实现过程也采用 ,且采用相同的训练数据集。完整性认证实例本节以图 所示影像为原始影像(格式),分别进行格式转换(图,格式转为 格式)、()水印嵌入(图)、压缩(图)(上述操
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 面向 高分 影像 完整性 认证 主题 敏感 算法
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。