Ein Bildkomprimierungs- und -verschlüsselungsalgorithmus basierend auf einem mit dem Fireworks-Algorithmus optimierten BP-Neuronalen Netzwerk

Warum der Schutz von Bildern weiterhin wichtig ist

Jedes Foto, das wir machen, jede medizinische Aufnahme, die wir speichern, oder jedes Satellitenbild, das wir über den Globus senden, ist im Kern nur Daten. Mit der explosionsartigen Zunahme an Anzahl und Größe dieser Bilder ist es zu einer echten Herausforderung geworden, sie sowohl klein genug für schnelle Übertragung als auch ausreichend sicher für den Schutz der Privatsphäre zu halten. Konventionelle Werkzeuge können Dateien verkleinern oder verschlüsseln, doch selten beides gleichzeitig gut. Dieses Papier stellt einen intelligenteren Weg vor, Bilder in einer einzigen Pipeline zu komprimieren und zu verschlüsseln, mit dem Ziel, Bandbreite und Speicherplatz zu sparen, ohne bei der Wiederherstellung Sicherheit oder Bildqualität zu opfern.

Bilder kleiner und intelligenter machen

Der Kern des Ansatzes ist eine Form künstlicher neuronaler Netze, bekannt als Back‑Propagation (BP)-Netzwerk, das gut darin ist, kompakte Darstellungen von Daten zu lernen. Die Autoren verwenden dieses Netzwerk als eine „Quetsch“-Stufe: Jeder kleine Block eines Bildes wird in das Netzwerk eingespeist, durch eine schmalere verborgene Schicht geleitet und am Ausgang rekonstruiert. Da die verborgene Schicht weniger Neuronen hat als Eingabepixel, ist die Darstellung in dieser Schicht eine komprimierte Version des ursprünglichen Bildblocks. Werden viele solcher Blöcke verarbeitet, ergibt sich eine deutlich kleinere Bilddatei, die später wieder in etwas visuell Nahes am Original aufgefaltet werden kann.

Fireworks zur Feinabstimmung des neuronalen Netzes

Ein neuronales Netzwerk so zu trainieren, dass es Bilder effizient komprimiert, ist knifflig, weil seine Leistung stark von den Anfangseinstellungen der internen Verbindungen abhängt. Sind diese Startgewichte ungünstig, kann das Lernen stecken bleiben oder zu lange dauern, was zu minderwertigen Rekonstruktionen führt. Um das zu vermeiden, entlehnen die Autoren eine Idee aus der Schwarmintelligenz, den Fireworks-Algorithmus. Dabei wird jede Kandidatenmenge von Netzwerkgewichten wie ein virtuelles Feuerwerk behandelt, das in viele nahe Varianten „explodiert“ und so unterschiedliche Möglichkeiten erkundet. Indem verglichen wird, wie gut jeder Kandidat komprimiert und rekonstruiert, findet der Algorithmus nach und nach Gewichtseinstellungen mit geringem Fehler. Dieser zusätzliche Optimierungsschritt ermöglicht dem BP-Netzwerk schnelleres Lernen und bessere komprimierte Bilder als ein Standardtraining allein.

Chaos für stärkere Verschleierung

Alleinige Kompression hält neugierige Blicke nicht fern, daher wird das komprimierte Bild anschließend verschlüsselt. Hier greifen die Autoren auf chaotische Systeme zurück – einfache mathematische Regeln, die hochgradig unvorhersehbare Folgen produzieren. Sie entwerfen ein neues „variabel‑parametriges“ chaotisches System, indem sie zwei bekannte chaotische Abbildungen kombinieren und einander während der Ausführung die Parameter beeinflussen lassen. Dies erzeugt Pseudozufallsfolgen, die strenge Zufälligkeitstests des US‑National Institute of Standards and Technology bestehen. Diese Folgen steuern, wie Pixelpositionen global und innerhalb kleiner Blöcke über mehrere Runden hinweg umgeordnet werden und wie Pixelwerte mittels einer auf Gray‑Code basierenden bit‑weisen Mutation verändert werden. Zusammen zerpflücken diese Schritte die erkennbare Struktur im Bild gründlich, sodass die verschlüsselte Version wie reines Rauschen aussieht.

Tests zu Sicherheit und Bildqualität

Um zu prüfen, ob das Schema in der Praxis funktioniert, wenden die Autoren es auf standardisierte Testbilder in mehreren Kompressionsstufen an. Sie messen, wie nah die entschlüsselten Bilder den Originalen mit gängigen Qualitätsmaßen kommen und zeigen, dass selbst wenn die Dateigröße halbiert oder stärker reduziert wird, die wiederhergestellten Bilder scharf und detailliert bleiben. Gleichzeitig zeigen statistische Tests, dass die verschlüsselten Bilder annährend uniforme Pixelverteilungen und nahezu keine Korrelation zwischen benachbarten Pixeln aufweisen – Kennzeichen starker Verwirrung. Zusätzliche Experimente fügen Rauschen hinzu, schneiden Teile des verschlüsselten Bildes aus oder verändern den Verschlüsselungsschlüssel leicht. In jedem Fall stellt das System entweder die meisten sichtbaren Inhalte wieder her, wenn es sollte, oder scheitert vollständig, wenn der Schlüssel auch nur minimal falsch ist – beides wünschenswerte Eigenschaften für ein sicheres Design.

Was das für Alltagsbilder bedeutet

Vereinfacht gesagt stellt die Studie eine Methode vor, Bilder zu verkleinern und gleichzeitig zu sperren, mithilfe eines neuronalen Netzes, das durch eine fireworks‑ähnliche Suche „abgestimmt“ und durch sorgfältig konstruierte digitale Chaotik geschützt wurde. Das Ergebnis ist ein Verfahren, das Speicher- und Übertragungskosten reduzieren kann und dennoch autorisierten Nutzern eine hochtreue Wiederherstellung erlaubt sowie starken Widerstand gegen gängige Angriffe bietet. Während Bilddaten weiter wachsen und über unsichere Netzwerke wandern, könnten solche kombinierten Kompressions‑Verschlüsselungs‑Schemata dazu beitragen, unsere Fotos, medizinischen Aufzeichnungen und andere sensible Bilder leichter und sicherer zu halten.

Zitation: Liang, Y., Peng, B., Liu, R. et al. An image compression-encryption algorithm based on BP neural network optimized with fireworks algorithm. Sci Rep 16, 7967 (2026). https://doi.org/10.1038/s41598-026-36772-z

Schlüsselwörter: Bildverschlüsselung, Bildkompression, Neuronale Netze, chaotische Systeme, Datensicherheit