基于混沌源的图像压缩感知加密、解密方法、装置及系统

摘要

本发明实施例提供了一种基于混沌源的图像压缩感知加密、解密方法、装置及系统，获取待传输图像以及随机生成的混沌种子包；对待传输图像进行预设填充、分块和重新排列处理，得到重组图像；基于第一混沌种子，生成测量矩阵，并采用测量矩阵分别与每个列分量进行半张量运算，得到第一加密列分量；基于第二混沌种子，生成掩码矩阵，并根据掩码矩阵分别对每一第一加密列分量进行掩码覆盖加密，得到第二加密列分量；基于第三混沌种子，生成置乱序列，并根据置乱序列分别对每一第二加密列分量进行置乱，得到第三加密列分量；依次拼接第三加密列分量，得到加密图像。能够降低内存开销、提高加密安全性。

权利要求

1.一种基于混沌源的图像压缩感知解密方法，其特征在于，所述方法包括：获取预设的深度神经网络和深度神经网络的预设训练集；所述深度神经网络的预设训练集S为：

将样本加密图像输入所述预设的深度神经网络，得到输出图像；

基于所述输出图像以及样本图像，通过损失函数，确定损失值；所述损失函数为：其中

其中，S表示预设训练集，p表示周期索引，ρ表示步长，C(·)表示非线性变换函数， 表示C(·)的左逆，C(·)、 和θ都是可被学习的参数，Np表示总周期数， 表示总损失，表示第一损失， 表示第二损失，N表示分块数目，B表示预设分块的边长数目，x表示恢复的解密列向量，k表示列向量的标号；

基于所述损失值判断所述深度神经网络是否收敛；

若否，则调整所述深度神经网络中的参数值，并返回所述将样本加密图像输入所述深度神经网络，得到输出图像的步骤；

若是，则将当前的深度神经网络确定为图像解密网络；

获取网络初始化种子，并基于所述网络初始化种子对图像解密网络进行参数初始化；

获取加密图像和混沌种子包，将所述加密图像和所述混沌种子包输入参数初始化后的图像解密网络，得到解密图像，所述图像解密网络是根据训练集预先训练的，所述训练集包括：多个样本图像、多个样本加密图像和多组样本混沌种子包，所述样本加密图像是基于所述样本混沌种子包对所述样本图像进行半张量压缩加密、掩码覆盖加密和置乱加密后得到的。

2.实现如权利要求1所述的一种基于混沌源的图像压缩感知解密方法的装置，所述装置包括：

第二获取模块，用于获取网络初始化种子，并基于所述网络初始化种子对图像解密网络进行参数初始化；

解密模块，用于获取加密图像和混沌种子包，将所述加密图像和所述混沌种子包输入参数初始化后的图像解密网络，得到解密图像，所述图像解密网络是根据训练集预先训练的，所述训练集包括：多个样本图像、多个样本加密图像和多组样本混沌种子包，所述样本加密图像是基于所述样本混沌种子包对所述样本图像进行半张量压缩加密、掩码覆盖加密和置乱加密后得到的。

3.一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；

存储器，用于存放计算机程序；

处理器，用于执行存储器上所存放的程序时，实现权利要求1所述的方法步骤。

说明书

基于混沌源的图像压缩感知加密、解密方法、装置及系统

技术领域

[0001] 本发明涉及图像压缩感知技术领域，特别是涉及一种基于混沌源的图像压缩感知加密、解密方法、装置及系统。

背景技术

[0002] 压缩感知作为诸多机器学习算法中的一种，被称为信号处理领域进入21世纪以来取得的最耀眼的成果之一，被广泛应用于信号加密、图像处理、网络通讯、医疗信息化、航天
工程等诸多领域。压缩感知不仅是一种数据压缩技术，它在压缩的同时还能对数据进行加
密，符合物联网中对数据需要压缩和加密的要求，而且只需要一步就能完成压缩和加密。

[0003] 近年来出现了大量的压缩感知信号重构方法，这些方法大都利用原始信号的某种结构稀疏性作为先验，然后迭代求解稀疏正则化优化问题。且在求解过程中使用测量矩阵
作为密钥，因此发送端需要将规模庞大的测量矩阵发送到接收端。而物联网用户往往没有
足够的空间对这些庞大的矩阵进行实时存储和运算。

[0004] 此外，现有的图像压缩感知传输方案的安全性也不高，如果测量矩阵被截获，则很可能被攻击者破译。

[0005] 可见，在物联网领域，亟需一种低内存开销、且安全性高的图像压缩感知传输方案。

发明内容

[0006] 本发明实施例的目的在于提供一种基于混沌源的图像压缩感知加密、解密方法、装置及系统，以实现降低内存开销、提高加密安全性。具体技术方案如下：

[0007] 为实现上述目的，本发明实施例提供了一种基于混沌源的图像压缩感知加密方法，所述方法包括：

[0008] 获取待传输图像以及随机生成的混沌种子包；所述混沌种子包包括第一混沌种子、第二混沌种子和第三混沌种子；

[0009] 根据图像的分块压缩感知算法，对所述待传输图像进行预设填充、分块和重新排列处理，得到重组图像，所述重组图像中包含N个列分量，N为正整数；

[0010] 基于所述第一混沌种子，生成测量矩阵，并采用所述测量矩阵分别与每个列分量进行半张量运算，得到N个第一加密列分量；

[0011] 基于所述第二混沌种子，生成掩码矩阵，并根据所述掩码矩阵分别对每一第一加密列分量进行掩码覆盖加密，得到N个第二加密列分量；

[0012] 基于所述第三混沌种子，生成置乱序列，并根据所述置乱序列分别对每一第二加密列分量进行置乱，得到N个第三加密列分量；

[0013] 依次拼接所述N个第三加密列分量，得到加密图像。

[0014] 可选的，所述采用所述测量矩阵分别与每个列分量进行半张量运算，得到N个第一加密列分量的步骤，包括：

[0015] 基于如下公式计算第一加密列分量：

[0016]

[0017] 其中，xi表示第i个列分量，yi表示第i个第一加密列分量，Φ1表示测量矩阵， 表示半张量运算。

[0018] 可选的，所述根据所述掩码矩阵分别对每一第一加密列分量进行掩码覆盖加密，得到N个第二加密列分量的步骤，包括：

[0019] 基于如下公式计算第二加密列分量：

[0020]

[0021] 其中，yi′表示第i个第二加密列分量，α表示第一预设系数，β表示第二预设系数，Φ2表示掩码矩阵。

[0022] 为实现上述目的，本发明实施例还提供了一种基于混沌源的图像压缩感知解密方法，所述方法包括：

[0023] 获取网络初始化种子，并基于所述网络初始化种子对图像解密网络进行参数初始化；

[0024] 获取加密图像和混沌种子包，将所述加密图像和所述混沌种子包输入参数初始化后的图像解密网络，得到解密图像，所述图像解密网络是根据训练集预先训练的，所述训练
集包括：多个样本图像、多个样本加密图像和多组样本混沌种子包，所述样本加密图像是基
于所述样本混沌种子包对所述样本图像进行半张量压缩加密、掩码覆盖加密和置乱加密后
得到的。

[0025] 可选的，按照如下步骤训练所述图像解密网络：

[0026] 获取预设的深度神经网络和预设训练集；

[0027] 将所述样本加密图像输入所述深度神经网络，得到输出图像；

[0028] 基于所述输出图像以及所述样本图像，以及预先设定的损失函数，确定损失值；

[0029] 基于所述损失值判断所述深度神经网络是否收敛；

[0030] 若否，则调整所述深度神经网络中的参数值，并返回所述将所述样本加密图像输入所述深度神经网络，得到输出图像的步骤；

[0031] 若是，则将当前的深度神经网络确定为图像解密网络。

[0032] 可选的，所述图像解密网络的学习参数集S为：

[0033]

[0034] 所述损失函数为：

[0035]

[0036] 其中

[0037] 其中，S表示可学习的参数集，p表示周期索引，ρ表示步长，C(·)表示非线性变换函数， 表示C(·)的左逆，Np表示总周期数， 表示总损失， 表示第一损失， 表
示第二损失，N表示分块数目，B表示预设分块的边长数目，k表示列向量的标号，x表示恢复
的解密列向量。

[0038] 为实现上述目的，本发明实施例提供了一种基于混沌源的图像压缩感知加密、解密系统，所述系统包括发送端和接收端；

[0039] 所述发送端用于：

[0040] 获取待传输图像以及随机生成的混沌种子包；所述混沌种子包包括第一混沌种子、第二混沌种子和第三混沌种子；

[0041] 根据图像的分块压缩感知算法，对所述待传输图像进行预设填充、分块和重新排列处理，得到重组图像，所述重组图像中包含N个列分量，N为正整数；

[0042] 基于所述第一混沌种子，生成测量矩阵，并采用所述测量矩阵分别与每个列分量进行半张量运算，得到N个第一加密列分量；

[0043] 基于所述第二混沌种子，生成掩码矩阵，并根据所述掩码矩阵分别对每一第一加密列分量进行掩码覆盖加密，得到N个第二加密列分量；

[0044] 基于所述第三混沌种子，生成置乱序列，并根据所述置乱序列分别对每一第二加密列分量进行置乱，得到N个第三加密列分量；

[0045] 依次拼接所述N个第三加密列分量，得到加密图像；

[0046] 所述接收端用于：

[0047] 获取网络初始化种子，并基于所述网络初始化种子对图像解密网络进行参数初始化；

[0048] 获取加密图像和混沌种子包，将所述加密图像和所述混沌种子包输入参数初始化后的图像解密网络，得到解密图像，所述图像解密网络是根据训练集预先训练的，所述训练
集包括：多个样本图像、多个样本加密图像和多组样本混沌种子包，所述样本加密图像是基
于所述样本混沌种子包对所述样本图像进行半张量压缩加密、掩码覆盖加密和置乱加密后
得到的。

[0049] 为实现上述目的，本发明实施例提供了一种基于混沌源的图像压缩感知加密装置，所述装置包括：

[0050] 第一获取模块，用于获取待传输图像以及随机生成的混沌种子包；所述混沌种子包包括第一混沌种子、第二混沌种子和第三混沌种子；

[0051] 重组模块，用于根据图像的分块压缩感知算法，对所述待传输图像进行预设填充、分块和重新排列处理，得到重组图像，所述重组图像中包含N个列分量，N为正整数；

[0052] 运算模块，用于基于所述第一混沌种子，生成测量矩阵，并采用所述测量矩阵分别与每个列分量进行半张量运算，得到N个第一加密列分量；

[0053] 掩码加密模块，用于基于所述第二混沌种子，生成掩码矩阵，并根据所述掩码矩阵分别对每一第一加密列分量进行掩码覆盖加密，得到N个第二加密列分量；

[0054] 置乱模块，用于基于所述第三混沌种子，生成置乱序列，并根据所述置乱序列分别对每一第二加密列分量进行置乱，得到N个第三加密列分量；

[0055] 拼接模块，用于依次拼接所述N个第三加密列分量，得到加密图像。

[0056] 为实现上述目的，本发明实施例提供了一种基于混沌源的图像压缩感知解密装置，所述装置包括：

[0057] 第二获取模块，用于获取网络初始化种子，并基于所述网络初始化种子对图像解密网络进行参数初始化；

[0058] 解密模块，用于获取加密图像和混沌种子包，将所述加密图像和所述混沌种子包输入参数初始化后的图像解密网络，得到解密图像，所述图像解密网络是根据训练集预先
训练的，所述训练集包括：多个样本图像、多个样本加密图像和多组样本混沌种子包，所述
样本加密图像是基于所述样本混沌种子包对所述样本图像进行半张量压缩加密、掩码覆盖
加密和置乱加密后得到的。

[0059] 为实现上述目的，本发明实施例提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；

[0060] 存储器，用于存放计算机程序；

[0061] 处理器，用于执行存储器上所存放的程序时，实现上述任一方法步骤。

[0062] 本发明实施例有益效果：

[0063] 应用本发明实施例提供的基于混沌源的图像压缩感知加密、解密方法、装置及系统，获取待传输图像以及随机生成的混沌种子包；混沌种子包包括第一混沌种子、第二混沌
种子和第三混沌种子；根据图像的分块压缩感知算法，对待传输图像进行预设填充、分块和
重新排列处理，得到重组图像，重组图像中包含N个列分量；基于第一混沌种子，生成测量矩
阵，并采用测量矩阵分别与每个列分量进行半张量运算，得到N个第一加密列分量；基于第
二混沌种子，生成掩码矩阵，并根据掩码矩阵分别对每一第一加密列分量进行掩码覆盖加
密，得到N个第二加密列分量；基于第三混沌种子，生成置乱序列，并根据置乱序列分别对每
一第二加密列分量进行置乱，得到N个第三加密列分量；依次拼接N个第三加密列分量，得到
加密图像。可见，将半张量运算引入压缩感知加密中，突破了传统压缩感知中测量矩阵的维
数匹配限制，从而大大降低了测量矩阵的尺寸大小。且采用混沌种子作为密钥，根据混沌种
子生成的矩阵进行压缩加密、掩码加密及置乱加密，进而只需将混沌种子作为密钥传输至
接收端，相比于传统的压缩感知加密技术，大大降低了接收端针对密钥的内存开销。此外，
由于混沌系统具有初值和参数敏感性，因此，即使其他恶意设备截获了部分加密信息和混
沌种子信息，也无法对原始图像进行恢复，因而能够保证图像加密的安全性。

[0064] 当然，实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优点。

附图说明

[0065] 为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本
发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以
根据这些附图获得其他的附图。

[0066] 图1为本发明实施例提供的基于混沌源的图像压缩感知加密方法的一种流程示意图；

[0067] 图2为本发明实施例提供的对待传输图像进行预处理的一种示意图；

[0068] 图3为本发明实施例提供的掩码覆盖加密的一种示意图；

[0069] 图4为本发明实施例提供的基于混沌源的图像压缩感知解密方法的一种流程示意图；

[0070] 图5为本发明实施例提供的基于混沌源的图像压缩感知解密方法的一种示意图；

[0071] 图6为本发明实施例提供的训练图像解密网络的一种流程示意图；

[0072] 图7为本发明实施例提供的基于混沌源的图像压缩感知加密及解密方法的一种示意图；

[0073] 图8为本发明实施例提供的基于混沌源的图像压缩感知加密装置的一种结构示意图；

[0074] 图9为本发明实施例提供的基于混沌源的图像压缩感知解密装置的一种结构示意图；

[0075] 图10为本发明实施例提供的应用于发送端的电子设备的一种结构示意图；

[0076] 图11为本发明实施例提供的应用于接收端的电子设备的一种结构示意图。

具体实施方式

[0077] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于
本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他
实施例，都属于本发明保护的范围。

[0078] 为了解决现有的图像压缩感知传输方案中内存开销较大和安全性不高的技术问题，本发明实施例提供了一种基于混沌源的图像压缩感知加密方法。

[0079] 参见图1，图1为本发明实施例提供的基于混沌源的图像压缩感知加密方法的一种流程示意图，包括以下步骤：

[0080] S101：获取待传输图像以及随机生成的混沌种子包，混沌种子包包括第一混沌种子、第二混沌种子和第三混沌种子。

[0081] 本发明实施例中，发送端可以获取待传输图像，并对待传输图像进行加密，进而将加密后的图像发送至接收端。

[0082] 为了对待传输图像进行加密，可以随机生成混沌种子包，本发明实施例中，混沌种子包可以包含第一混沌种子、第二混沌种子和第三混沌种子，分别用于生成不同的用于加
密的数据，具体参见下文。其中，混沌种子是混沌系统的输入参数，混沌系统可以根据混沌
种子生成特定的数据。

[0083] S102：根据图像的分块压缩感知算法，对待传输图像进行预设填充、分块和重新排列处理，得到重组图像，重组图像中包含N个列分量，N为正整数。

[0084] 本发明实施例中，可以先根据图像的分块压缩感知算法，对图像进行预处理，便于后续的加密处理。

[0085] 具体的，对传输图像进行预设填充、分块和重新排列处理的步骤可以参见图2，图2为本发明实施例提供的对待传输图像进行预处理的一种示意图。

[0086] 如图2所示，X为待处理图像，每个小方格代表一个像素，尺寸大小为H×L，每个小分块的尺寸大小为B×B。为了能够将待处理图像X划分成多个完整的小分块，可以先对待处
理图像X进行填充，填充的像素点的灰度值可以为预设的。例如，用0作为填充的灰度值数
据。

[0087] 图2所示实施例中，填充后图像为Xpad，尺寸大小为H′×L′。进而可以将填充后图像Xpad依次划分为N个小分块，再将每个小分块展开成行，再经过依次拼接和转置得到预处理
2 2
后的图像，记为重组图像XBCS，其尺寸大小为B×N，即包含N个列分量，每个列分量包含B 个
像素点。

[0088] 经过上述预处理后，可以针对每个列分量进行并行的加密处理，极大提高了加密的效率。

[0089] S103：基于第一混沌种子，生成测量矩阵，并采用测量矩阵分别与每个列分量进行半张量运算，得到N个第一加密列分量。

[0090] 本发明实施例中，将半张量运算引入压缩感知技术中，以突破传统压缩感知技术中测量矩阵的维数匹配限制。半张量运算是一种新型的矩阵乘积运算，半张量运算中，第一
个矩阵的行数无需与第二个矩阵的列数相同。

[0091] 具体的，可以预先设置采样率和半张量参数。其中，采样率表示从连续信号中提取并组成离散信号的采样个数占信号总数的比率，半张量参数可以表示测量矩阵的行数和列
数在压缩感知中被缩减的倍数。

[0092] 举例来讲，当采样率为50％，小分块大小尺寸为33×33时，传统的压缩感知技术中，测量矩阵的行数需要 表示向上取整符号，列数需要33×33＝1089，
是一个很庞大的矩阵。而在本发明实施例中，由于引入了半张量运算，测量矩阵的列数不用
与每个列分量的行数相等。具体的，当半张量参数设为3时，测量矩阵的行数仅需要
测量矩阵的行数仅需要 当半张量参数为9时，测量矩阵的行数
仅需要 列数仅需要 可见，相比于传统的压缩感知技术，引入半张
量运算可以实现测量矩阵的显著降维。

[0093] 在本发明实施例中，根据预先设置的采样率以及半张量参数可以确定测量矩阵的尺寸大小。而测量矩阵中的元素值可以根据混沌种子确定。具体的，发送端可以调用混沌系
统，根据第一混沌种子生成相对应的数值，作为测量矩阵中的元素值，进而确定测量矩阵。

[0094] 随后，可以采用测量矩阵分别与每个列分量进行半张量运算，得到对应的第一加密列分量。

[0095] 在本发明的一种实施例中，可以基于如下公式计算第一加密列分量：

[0096]

[0097] 其中， 表示半张量运算，xi表示第i个列分量，Φ1表示测量矩阵，yi表示第i个第一加密列分量。

[0098] 经过半张量运算后，每个列分量均被压缩，设压缩比为r，0到的每个第一加密列分量的行数为r×B。

[0099] S104：基于第二混沌种子，生成掩码矩阵，并根据掩码矩阵分别对每一第一加密列分量进行掩码覆盖加密，得到N个第二加密列分量。

[0100] 本发明实施例中，为了进一步提高加密效果，可以在半张量运算的加密基础上进行掩码覆盖加密。具体的，发送端可以调用混沌系统，根据第二混沌种子生成掩码矩阵，并
分别对每一第一加密列分量进行掩码覆盖加密，得到对应的第二加密列分量。

[0101] 在本发明的一种实施例中，掩码覆盖加密过程可以参见图3，图3为本发明实施例提供的掩码覆盖加密的一种示意图，xi表示第i个列分量，Φ1表示测量矩阵，y′i表示第i个
第二加密列分量，α表示第一预设系数，β表示第二预设系数，Φ2表示掩码矩阵。相应的，可
以用如下公式表示掩码覆盖加密，计算第二加密列分量：

[0102]

[0103] S105：基于第三混沌种子，生成置乱序列，并根据置乱序列分别对每一第二加密列分量进行置乱，得到N个第三加密列分量。

[0104] 本发明实施例中，为了进一步提高加密效果，可以在第二加密列分量的基础上，进行混沌置乱加密。具体的，发送端可以调用混沌系统，根据第三混沌种子生成置乱序列，并
根据置乱序列对每一第二加密列分量进行置乱，得到对应的第三加密列分量。

[0105] 其中，置乱加密过程可以理解为将像素点按照一定规则重新排列。

[0106] 作为一个示例，设置乱序列为u，可以以升序方式重新排列u得到v，则序列v中每个元素出现在原始置乱序列u中的位置可以作为索引序列Ω。即对于v(j)＝u(i)，对应索引为
2
Ω(j)＝i，其中i，j是正整数，而且1≤i,j≤r×B，r为压缩比。则发送端可以根据索引序列
Ω，分别对每个第二加密列分量yi′进行置乱，公式表示如下：

[0107] yi”(k)＝yi'(Ω(k))

[0108] 其中，yi”表示第i个第三加密列分量，k表示索引。

[0109] S105：依次拼接N个第三加密列分量，得到加密图像。

[0110] 本发明实施例中，在置乱完成后，发送端可以将N个第三加密列分量依次拼接成矩阵形式，即可得到加密图像。

[0111] 应用本发明实施例提供的基于混沌源的图像压缩感知加密方法，获取待传输图像以及随机生成的混沌种子包；混沌种子包包括第一混沌种子、第二混沌种子和第三混沌种
子；根据图像的分块压缩感知算法，对待传输图像进行预设填充、分块和重新排列处理，得
到重组图像，重组图像中包含N个列分量；基于第一混沌种子，生成测量矩阵，并采用测量矩
阵分别与每个列分量进行半张量运算，得到N个第一加密列分量；基于第二混沌种子，生成
掩码矩阵，并根据掩码矩阵分别对每一第一加密列分量进行掩码覆盖加密，得到N个第二加
密列分量；基于第三混沌种子，生成置乱序列，并根据置乱序列分别对每一第二加密列分量
进行置乱，得到N个第三加密列分量；依次拼接N个第三加密列分量，得到加密图像。可见，将
半张量运算引入压缩感知加密中，突破了传统压缩感知中测量矩阵的维数匹配限制，从而
大大降低了测量矩阵的尺寸大小。且采用混沌种子作为密钥，根据混沌种子生成的矩阵进
行压缩加密、掩码加密及置乱加密，进而只需将混沌种子作为密钥传输至接收端，相比于传
统的压缩感知加密技术，大大降低了接收端针对密钥的内存开销。此外，由于混沌系统具有
初值和参数敏感性，因此，即使其他恶意设备截获了部分加密信息和混沌种子信息，也无法
对原始图像进行恢复，因而能够保证图像加密的安全性。

[0112] 本发明实施例还提供了一种基于混沌源的图像压缩感知解密方法，参见图4，方法可以包括以下步骤：

[0113] S401：获取网络初始化种子，并基于网络初始化种子对图像解密网络进行参数初始化。

[0114] 本发明实施例中，图像解密可以在接收端进行。接收端可以从云端服务器申请获取网络初始化种子，该网络初始化种子是网络训练过程中确定的，用于对网络中参数进行
初始化。

[0115] S402：获取加密图像和混沌种子包，将加密图像和混沌种子包输入参数初始化后的图像解密网络，得到解密图像，图像解密网络是根据训练集预先训练的，训练集包括：多
个样本图像、多个样本加密图像和多组样本混沌种子包，样本加密图像是基于样本混沌种
子包对样本图像进行半张量压缩加密、掩码覆盖加密和置乱加密后得到的。

[0116] 本发明实施例中，接收端可以获取发送端发送的加密图像和混沌种子包，将加密图像和混沌种子包输入图像解密网络，由于图像解密网络是根据训练集训练完成的，因此
可以输出解密图像。

[0117] 传统的图像压缩感知解密重构方法，大都利用原始数据的某种结构稀疏性作为先验，然后迭代求解稀疏正则化优化问题。然而，这些基于迭代方法的传统压缩感知方法的计
算复杂度很高，因此接收端的解密过程速度较慢。

[0118] 相比于传统的图像压缩感知解密方法，本发明实施例采用预先训练的深度神经网络对加密图像进行解密，极大地提高了解密速率，且不需要接收大量的矩阵作为密钥，只需
将混沌种子和待解密图像输入图像解密网络即可完成快速、高质量的解密。

[0119] 实际上，本发明实施例提供的基于混沌源的图像压缩感知解密方法，是一种用服务器端的训练时间换取发送端和接收端反应时间的方法。由于服务器的存储空间充足且运
算性能高，且训练过程不受时间、地点的限制。因此只需要预先在大容量、高性能的服务器
上完成学习训练过程，即可保证物联网系统中发送端和接收端的低采样开销的压缩感知加
密和高质量且快速的解密重建。

[0120] 下面对本发明实施例中图像解密网络的设计思路以及图像解密网络的训练过程进行介绍。

[0121] 根据图像分块压缩感知理论，加密图像矩阵Y的各个列分量都可以被并行处理。

[0122] 具体的，参见图5，图5为本发明实施例提供的基于混沌源的图像压缩感知解密方法的一种示意图。yk是加密图像矩阵Y的第k个列分量。在图像解密网络中，可以先用三个全
连接层实现混沌置乱逆过程、去掩码过程和初始解密结果 的计算过程。逆置乱层的权重
可以使用第三混沌种子生成，偏置值可以全部设置为0。去掩码层的权重可以全部设置为第
一预设系数α的倒数，偏置项的值由接收端使用第二混沌种子和第二预设系数β生成。初始
重建层的权重可以由获取的网络初始化种子生成，偏置值可以全部设置为0。经过混沌置乱
逆过程、去掩码过程和初始解密过程，可以得到密文图像的初始重建值 接下来，可以使
用一种可学习的迭代阈值收缩方法来构建后续解密网络。

[0123] 传统的迭代阈值收缩算法是一种一阶近似法，可被用于许多大型的线性可逆问题的求解。传统方法通过如下公式所示的迭代步骤来计算压缩感知的信号重构结果：

[0124]

[0125]

[0126] 其中，t表示迭代次数，ρ表示步长，Φ表示测量矩阵，x表示重建图像矩阵，y表示加t
密图像矩阵，Ψ表示稀疏化矩阵，r表示t次迭代的解密结果，λ表示正则化参数。

[0127] 本发明实施例中，用周期结构的深度卷积神经网络来替代传统迭代阈值收缩方法中的迭代过程。每一个周期对应传统方法中的一次迭代，用一个具有可学习参数的一般非
线性变换函数C(·)来代替传统的稀疏化矩阵，则图像压缩感知解密问题可以表示为：

[0128]

[0129] 其中，C(·)表示非线性变换函数。

[0130] 令步长ρ为可学习的参数，则网络中的迭代步骤可以表示为：

[0131]

[0132]

[0133] 其中，p代表周期索引，rp是xp在第p个周期的直接解密结果。

[0134] 基于图像逆问题的一般假设，(xp‑rp)的每个元素都服从独立的正态分布，其共同2
的均值为0，方差为σ。另外，可以作如下近似：

[0135]

[0136] ε是一个只与 的参数相关的标量。将λ与α合并为一个参数θ，即θ＝λα，从而得到：

[0137]

[0138] 可以进一步得到 的封闭表示：

[0139] C(xp)＝soft(C(rp),θ)p

[0140] 其中，soft表示软阈值函数，为了求解x ，我们进一步引入 的左逆p
I为单位算子。于是就能得到x的封闭求解：

[0141]

[0142] 本发明实施例中，可以使 和θ都成为可被学习的参数，加上前面提到的p
步长ρ，可学习的网络参数可以包含： 相应的，x将被求解如下:

[0143]

[0144] 参见图5，本发明实施例中，在所设计的图像解密网络中，可以将 设计为由线性整流函数(Rectified Linear Unit，ReLU)单元分隔开的两个连续的卷积，作为一个示
例， 中的第一个卷积层由32个滤波器组成，每个滤波器的大小都是3×3， 中的第二
个卷积层由另外一组32个滤波器组成，每个滤波器的大小为3×3×32。

[0145] 相似地， 可以被设计为 的对称结构，因此它也是由ReLU单元分隔开的两个连续无偏置卷积层。 和 都是可学习的。

[0146] 图5所示的rk为第k周期的解密列向量。图中的周期计数器被设计来执行周期累加和判断过程，当周期的计数达到我们设定的数值时，可得到最终的各个解密列向量xk。此
外，网络可自动对经过并行解密后的各个解密列分量进行拼接得到X′BCS，然后执行预处理
的逆过程，得到最终解密图像X′。

[0147] 基于上述分析，本发明实施例提供的图像解密网络中，可学习参数集S和损失函数被设计如下：

[0148] 学习参数集S为：

[0149]

[0150] 所述损失函数为：

[0151]

[0152] 其中

[0153] 其中，S表示可学习的参数集，p表示周期索引，ρ表示步长，C(·)表示非线性变换函数， 表示C(·)的左逆，Np表示总周期数， 表示总损失， 表示第一损失， 表示
第二损失，N表示分块数目，B表示预设分块的边长数目，k表示列向量的标号，x表示恢复的
解密列向量。

[0154] 在本发明的一种实施例中，参加图6，可以按照如下步骤训练图像解密网络：

[0155] S601：获取预设的深度神经网络和预设训练集。

[0156] 其中，预设的深度神经网络的设计结构可以参见5及相关描述，预设的训练集可以包括多个样本图像、多个样本加密图像和多组样本混沌种子包，其中样本加密图像是基于
样本混沌种子包对样本图像进行半张量压缩加密、掩码覆盖加密和置乱加密后得到的。

[0157] S602：将样本加密图像输入深度神经网络，得到输出图像。

[0158] 在训练阶段，可以分批次的将样本加密图像输入深度神经网络，得到输出图像。

[0159] S603：基于输出图像以及样本图像，以及预先设定的损失函数，确定损失值。

[0160] 在刚开始训练时，深度神经网络的输出图像可能与样本图像存在较大差别，可以基于输出图像、样本图像以及上述设定的损失函数，计算损失值。

[0161] S604：基于损失值判断深度神经网络是否收敛；若未收敛，则执行S605；若收敛，则执行S606。

[0162] 具体的，可以预设一个损失阈值，若损失值小于该损失阈值，则认为深度神经网络已收敛，反之则深度神经网络未收敛。损失阈值可以根据实际需求进行设定，对此不做限
定。

[0163] S605：调整深度神经网络中的参数值，并返回步骤S602。

[0164] 若未收敛，则可以调整深度神经网络的学习参数集 中的参数值，返回步骤S602，即进入下一轮训练。具体的，可以根据最大梯度下降法等方法调整深度神经网络中的参数
值。

[0165] S606：将当前的深度神经网络确定为图像解密网络。

[0166] 若收敛，则图像解密网络训练完成。

[0167] 此外，可以通过求解最小二乘问题来确定网络初始化种子，即：

[0168]

[0169] 其中，S0表示网络初始化种子，Y表示加密图像矩阵，X表示解密图像矩阵，即X＝[x1,...,xN]，Y＝[y1,...,yN]，Y可以通过由混沌种子生成的测量矩阵对xi进行基于块的半
张量压缩感知得到。

[0170] 为了便于理解，下面结合图7对本发明实施例提供的基于混沌源的图像压缩感知加密、解密方法进行进一步介绍。

[0171] 参见图7，发送端对待传输图像X进行预处理，得到重组图像XBCS，基于混沌种子生成的数据对重组图像中的各个列分量进行并行加密处理，包括半张量压缩、掩码覆盖加密
和置乱加密，再依次拼接加密列分量，得到加密图像Y。将加密图像Y和混沌种子发送至接收
端。

[0172] 接收端将加密图像Y和混沌种子输入预先训练好的图像解密网络，图像解密网络即可对加密图像进行解密，输出解密图像X′。

[0173] 总结来讲，本发明实施例提供了一整套完整的图像压缩感知传输方案。在发送端，将分块压缩感知和半张量理论相结合，引入半张量运算突破了传统分块压缩感知中测量矩
阵的维数匹配限制，实现用同一维度矩阵连续匹配和处理不同尺寸的图像，而且延续分块
压缩感知中将图像分成小块然后多块并行处理的优点，从而大大提升了物联网网络中移动
设备反应的灵活性。此外，采用混沌种子作为密钥，根据混沌种子生成的矩阵进行压缩加
密、掩码加密及置乱加密，进而只需将混沌种子作为密钥传输至接收端，相比于传统的压缩
感知加密技术，大大降低了接收端针对密钥的内存开销。此外，由于混沌系统具有初值和参
数敏感性，因此，即使其他恶意设备截获了部分加密信息和混沌种子信息，也无法对原始图
像进行恢复，因而能够保证图像加密的安全性。

[0174] 在接收端，采用预先训练的深度神经网络对加密图像进行解密，极大地提高了解密速率。接收端不需要接收大量的矩阵作为密钥，只需将混沌种子和待解密图像输入图像
解密网络即可完成快速、高质量的解密，且相比于传统的压缩感知解密方法，大大降低了内
存开销。此外，受益于精心设计的深度神经网络模型，所提方法对原始信号的稀疏性没有要
求，发送端也无需对信号进行稀疏化操作，这也降低了计算复杂度，从而提升了响应速度。

[0175] 相应于本发明实施例提供的基于混沌源的图像压缩感知加密方法，本发明实施例提供了一种基于混沌源的图像压缩感知加密装置，可以包括如下模块：

[0176] 第一获取模块801，用于获取待传输图像以及随机生成的混沌种子包；混沌种子包包括第一混沌种子、第二混沌种子和第三混沌种子；

[0177] 重组模块802，用于根据图像的分块压缩感知算法，对待传输图像进行预设填充、分块和重新排列处理，得到重组图像，重组图像中包含N个列分量，N为正整数；

[0178] 运算模块803，用于基于第一混沌种子，生成测量矩阵，并采用测量矩阵分别与每个列分量进行半张量运算，得到N个第一加密列分量；

[0179] 掩码加密模块804，用于基于第二混沌种子，生成掩码矩阵，并根据掩码矩阵分别对每一第一加密列分量进行掩码覆盖加密，得到N个第二加密列分量；

[0180] 置乱模块805，用于基于第三混沌种子，生成置乱序列，并根据置乱序列分别对每一第二加密列分量进行置乱，得到N个第三加密列分量；

[0181] 拼接模块806，用于依次拼接N个第三加密列分量，得到加密图像。

[0182] 在本发明的一种实施例中，运算模块803，具体可以用于：

[0183] 基于如下公式计算第一加密列分量：

[0184]

[0185] 其中，xi表示第i个列分量，yi表示第i个第一加密列分量，Φ1表示测量矩阵，表示半张量运算。

[0186] 在本发明的一种实施例中，掩码加密模块804，具体可以用于：

[0187] 基于如下公式计算第二加密列分量：

[0188]

[0189] 其中，yi′表示第i个第二加密列分量，α表示第一预设系数，β表示第二预设系数，Φ2表示掩码矩阵。

[0190] 应用本发明实施例提供的基于混沌源的图像压缩感知加密装置，获取待传输图像以及随机生成的混沌种子包；混沌种子包包括第一混沌种子、第二混沌种子和第三混沌种
子；根据图像的分块压缩感知算法，对待传输图像进行预设填充、分块和重新排列处理，得
到重组图像，重组图像中包含N个列分量；基于第一混沌种子，生成测量矩阵，并采用测量矩
阵分别与每个列分量进行半张量运算，得到N个第一加密列分量；基于第二混沌种子，生成
掩码矩阵，并根据掩码矩阵分别对每一第一加密列分量进行掩码覆盖加密，得到N个第二加
密列分量；基于第三混沌种子，生成置乱序列，并根据置乱序列分别对每一第二加密列分量
进行置乱，得到N个第三加密列分量；依次拼接N个第三加密列分量，得到加密图像。可见，将
半张量运算引入压缩感知加密中，突破了传统压缩感知中测量矩阵的维数匹配限制，从而
大大降低了测量矩阵的尺寸大小。且采用混沌种子作为密钥，根据混沌种子生成的矩阵进
行压缩加密、掩码加密及置乱加密，进而只需将混沌种子作为密钥传输至接收端，相比于传
统的压缩感知加密技术，大大降低了接收端针对密钥的内存开销。此外，由于混沌系统具有
初值和参数敏感性，因此，即使其他恶意设备截获了部分加密信息和混沌种子信息，也无法
对原始图像进行恢复，因而能够保证图像加密的安全性。

[0191] 相应于本发明实施例提供的基于混沌源的图像压缩感知解密方法，本发明实施例提供了一种基于混沌源的图像压缩感知解密装置，可以包括如下模块：

[0192] 第二获取模块901，用于获取网络初始化种子，并基于网络初始化种子对图像解密网络进行参数初始化；

[0193] 解密模块902，用于获取加密图像和混沌种子包，将加密图像和混沌种子包输入参数初始化后的图像解密网络，得到解密图像，图像解密网络是根据训练集预先训练的，训练
集包括：多个样本图像、多个样本加密图像和多组样本混沌种子包，样本加密图像是基于样
本混沌种子包对样本图像进行半张量压缩加密、掩码覆盖加密和置乱加密后得到的。

[0194] 在本发明的一种实施例中，在图9所示装置基础上，还可以包括训练模块，训练模块，具体可以用于按照如下步骤训练图像解密网络：

[0195] 获取预设的深度神经网络和预设训练集；

[0196] 将样本加密图像输入深度神经网络，得到输出图像；

[0197] 基于输出图像以及样本图像，以及预先设定的损失函数，确定损失值；

[0198] 基于损失值判断深度神经网络是否收敛；

[0199] 若否，则调整深度神经网络中的参数值，并返回将样本加密图像输入深度神经网络，得到输出图像的步骤；

[0200] 若是，则将当前的深度神经网络确定为图像解密网络。

[0201] 在本发明的一种实施例中，图像解密网络的学习参数集S为：

[0202]

[0203] 所述损失函数为：

[0204]

[0205] 其中

[0206] 其中，S表示可学习的参数集，p表示周期索引，ρ表示步长，C(·)表示非线性变换函数， 表示C(·)的左逆，Np表示总周期数， 表示总损失， 表示第一损失， 表
示第二损失，N表示分块数目，B表示预设分块的边长数目，k表示列向量的标号，x表示恢复
的解密列向量。

[0207] 应用本发明实施例提供的基于混沌源的图像压缩感知解密装置，采用预先训练的深度神经网络对加密图像进行解密，极大地提高了解密速率，且不需要接收大量的矩阵作
为密钥，只需将混沌种子和待解密图像输入图像解密网络即可完成快速、高质量的解密。

[0208] 本发明实施例还提供了一种基于混沌源的图像压缩感知解密、解密系统，系统包括发送端和接收端；

[0209] 发送端用于：

[0210] 获取待传输图像以及随机生成的混沌种子包；混沌种子包包括第一混沌种子、第二混沌种子和第三混沌种子；

[0211] 根据图像的分块压缩感知算法，对待传输图像进行预设填充、分块和重新排列处理，得到重组图像，重组图像中包含N个列分量，N为正整数；

[0212] 基于第一混沌种子，生成测量矩阵，并采用测量矩阵分别与每个列分量进行半张量运算，得到N个第一加密列分量；

[0213] 基于第二混沌种子，生成掩码矩阵，并根据掩码矩阵分别对每一第一加密列分量进行掩码覆盖加密，得到N个第二加密列分量；

[0214] 基于第三混沌种子，生成置乱序列，并根据置乱序列分别对每一第二加密列分量进行置乱，得到N个第三加密列分量；

[0215] 依次拼接N个第三加密列分量，得到加密图像；

[0216] 接收端用于：

[0217] 获取网络初始化种子，并基于网络初始化种子对图像解密网络进行参数初始化；

[0218] 获取加密图像和混沌种子包，将加密图像和混沌种子包输入参数初始化后的图像解密网络，得到解密图像，图像解密网络是根据训练集预先训练的，训练集包括：多个样本
图像、多个样本加密图像和多组样本混沌种子包，样本加密图像是基于样本混沌种子包对
样本图像进行半张量压缩加密、掩码覆盖加密和置乱加密后得到的。

[0219] 可见，本发明实施例提供了一整套完整的图像压缩感知传输方案。在发送端，将分块压缩感知和半张量理论相结合，引入半张量运算突破了传统分块压缩感知中测量矩阵的
维数匹配限制，实现用同一维度矩阵连续匹配和处理不同尺寸的图像，而且延续分块压缩
感知中将图像分成小块然后多块并行处理的优点，从而大大提升了物联网网络中移动设备
反应的灵活性。此外，采用混沌种子作为密钥，根据混沌种子生成的矩阵进行压缩加密、掩
码加密及置乱加密，进而只需将混沌种子作为密钥传输至接收端，相比于传统的压缩感知
加密技术，大大降低了接收端针对密钥的内存开销。此外，由于混沌系统具有初值和参数敏
感性，因此，即使其他恶意设备截获了部分加密信息和混沌种子信息，也无法对原始图像进
行恢复，因而能够保证图像加密的安全性。

[0220] 在接收端，采用预先训练的深度神经网络对加密图像进行解密，极大地提高了解密速率。接收端不需要接收大量的矩阵作为密钥，只需将混沌种子和待解密图像输入图像
解密网络即可完成快速、高质量的解密，且相比于传统的压缩感知解密方法，大大降低了内
存开销。此外，受益于精心设计的深度神经网络模型，所提方法对原始信号的稀疏性没有要
求，发送端也无需对信号进行稀疏化操作，这也降低了计算复杂度，从而提升了响应速度。

[0221] 基于相同的发明构思，根据上述基于混沌源的图像压缩感知加密方法实施例，本发明实施例还提供了一种应用于发送端的电子设备，如图10所示，包括处理器1001、通信接
口1002、存储器1003和通信总线1004，其中，处理器1001，通信接口1002，存储器1003通过通
信总线1004完成相互间的通信，

[0222] 存储器1003，用于存放计算机程序；

[0223] 处理器1001，用于执行存储器1003上所存放的程序时，实现如下步骤：

[0224] 获取待传输图像以及随机生成的混沌种子包；混沌种子包包括第一混沌种子、第二混沌种子和第三混沌种子；

[0225] 根据图像的分块压缩感知算法，对待传输图像进行预设填充、分块和重新排列处理，得到重组图像，重组图像中包含N个列分量，N为正整数；

[0226] 基于第一混沌种子，生成测量矩阵，并采用测量矩阵分别与每个列分量进行半张量运算，得到N个第一加密列分量；

[0227] 基于第二混沌种子，生成掩码矩阵，并根据掩码矩阵分别对每一第一加密列分量进行掩码覆盖加密，得到N个第二加密列分量；

[0228] 基于第三混沌种子，生成置乱序列，并根据置乱序列分别对每一第二加密列分量进行置乱，得到N个第三加密列分量；

[0229] 依次拼接N个第三加密列分量，得到加密图像。

[0230] 上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral Component Interconnect，PCI)总线或扩展工业标准结构(Extended Industry  Standard 
Architecture，EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便
于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

[0231] 通信接口用于上述电子设备与其他设备之间的通信。

[0232] 存储器可以包括随机存取存储器(Random Access Memory，RAM)，也可以包括非易失性存储器(Non‑Volatile Memory，NVM)，例如至少一个磁盘存储器。可选的，存储器还可
以是至少一个位于远离前述处理器的存储装置。

[0233] 上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital Signal 
Processing，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现
场可编程门阵列(Field‑Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立
门或者晶体管逻辑器件、分立硬件组件。

[0234] 本发明实施例提供的应用于发送端的电子设备，获取待传输图像以及随机生成的混沌种子包；混沌种子包包括第一混沌种子、第二混沌种子和第三混沌种子；根据图像的分
块压缩感知算法，对待传输图像进行预设填充、分块和重新排列处理，得到重组图像，重组
图像中包含N个列分量；基于第一混沌种子，生成测量矩阵，并采用测量矩阵分别与每个列
分量进行半张量运算，得到N个第一加密列分量；基于第二混沌种子，生成掩码矩阵，并根据
掩码矩阵分别对每一第一加密列分量进行掩码覆盖加密，得到N个第二加密列分量；基于第
三混沌种子，生成置乱序列，并根据置乱序列分别对每一第二加密列分量进行置乱，得到N
个第三加密列分量；依次拼接N个第三加密列分量，得到加密图像。可见，将半张量运算引入
压缩感知加密中，突破了传统压缩感知中测量矩阵的维数匹配限制，从而大大降低了测量
矩阵的尺寸大小。且采用混沌种子作为密钥，根据混沌种子生成的矩阵进行压缩加密、掩码
加密及置乱加密，进而只需将混沌种子作为密钥传输至接收端，相比于传统的压缩感知加
密技术，大大降低了接收端针对密钥的内存开销。此外，由于混沌系统具有初值和参数敏感
性，因此，即使其他恶意设备截获了部分加密信息和混沌种子信息，也无法对原始图像进行
恢复，因而能够保证图像加密的安全性。

[0235] 基于相同的发明构思，根据上述基于混沌源的图像压缩感知加密方法实施例，本发明实施例还提供了一种应用于接收端的电子设备，如图11所示，包括处理器1101、通信接
口1102、存储器1103和通信总线1104，其中，处理器1101，通信接口1102，存储器1103通过通
信总线1104完成相互间的通信，

[0236] 存储器1103，用于存放计算机程序；

[0237] 处理器1101，用于执行存储器1103上所存放的程序时，实现如下步骤：

[0238] 获取网络初始化种子，并基于网络初始化种子对图像解密网络进行参数初始化；

[0239] 获取加密图像和混沌种子包，将加密图像和混沌种子包输入参数初始化后的图像解密网络，得到解密图像，图像解密网络是根据训练集预先训练的，训练集包括：多个样本
图像、多个样本加密图像和多组样本混沌种子包，样本加密图像是基于样本混沌种子包对
样本图像进行半张量压缩加密、掩码覆盖加密和置乱加密后得到的。

[0240] 本发明实施例提供的应用于接收端的电子设备，采用预先训练的深度神经网络对加密图像进行解密，极大地提高了解密速率，且不需要接收大量的矩阵作为密钥，只需将混
沌种子和待解密图像输入图像解密网络即可完成快速、高质量的解密。

[0241] 在本发明提供的又一实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质内存储有计算机程序，计算机程序被处理器执行时实现上述任一基于混沌源的
图像压缩感知加密、解密方法的步骤。

[0242] 在本发明提供的又一实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述实施例中任一基于混沌源的图像压缩感知加密、
解密方法。

[0243] 在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。计算机程序产品
包括一个或多个计算机指令。在计算机上加载和执行计算机程序指令时，全部或部分地产
生按照本发明实施例的流程或功能。计算机可以是通用计算机、专用计算机、计算机网络、
或者其他可编程装置。计算机指令可以存储在计算机可读存储介质中，或者从一个计算机
可读存储介质向另一个计算机可读存储介质传输，例如，计算机指令可以从一个网站站点、
计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如
红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。计算机
可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集
成的服务器、数据中心等数据存储设备。可用介质可以是磁性介质，(例如，软盘、硬盘、磁
带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。

[0244] 需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存
在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖
非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要
素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备
所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在
包括要素的过程、方法、物品或者设备中还存在另外的相同要素。

[0245] 本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于基于混
沌源的图像压缩感知加密、解密装置、电子设备、计算机可读存储介质及计算机程序产品实
施例而言，由于其基本相似于基于混沌源的图像压缩感知加密、解密方法实施例，所以描述
的比较简单，相关之处参见基于混沌源的图像压缩感知加密、解密方法实施例的部分说明
即可。

[0246] 以上仅为本发明的较佳实施例，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。