Algorytm kompresji i szyfrowania obrazu oparty na sieci BP optymalizowanej algorytmem fajerwerków

Dlaczego ochrona obrazów wciąż ma znaczenie

Każde zdjęcie, które robimy, skan medyczny, który przechowujemy, czy obraz satelitarny przesyłany przez świat to w gruncie rzeczy dane. W miarę jak liczba i rozmiar tych obrazów rośnie, utrzymanie ich jednocześnie wystarczająco małych, by szybko je przesyłać, i wystarczająco bezpiecznych, by zachować prywatność, stało się poważnym wyzwaniem. Tradycyjne narzędzia potrafią albo zmniejszać pliki, albo je zaszyfrować — rzadko robią obie rzeczy dobrze jednocześnie. W artykule przedstawiono inteligentniejsze podejście łączące kompresję i szyfrowanie obrazów w jednym procesie, które ma na celu oszczędność przepustowości i miejsca przy jednoczesnym zachowaniu bezpieczeństwa i jakości obrazu po odtworzeniu.

Zmniejszanie i ulepszanie obrazów

Rdzeniem podejścia jest rodzaj sztucznej sieci neuronowej znany jako sieć z propagacją wsteczną (BP), która dobrze uczy się kompaktowych reprezentacji danych. Autorzy wykorzystują tę sieć jako etap „ściskania”: każdy mały blok obrazu jest podawany do sieci, przechodzi przez węższą warstwę ukrytą i jest rekonstruowany na wyjściu. Ponieważ warstwa ukryta ma mniej neuronów niż pikseli na wejściu, jej reprezentacja jest skompresowaną wersją oryginalnego bloku obrazu. Po przetworzeniu wielu takich bloków uzyskuje się znacznie mniejszy plik obrazu, który później można rozwinąć z powrotem do postaci wizualnie bliskiej oryginałowi.

Fajerwerki do strojenia sieci neuronowej

Wytrenowanie sieci neuronowej do efektywnej kompresji obrazów jest trudne, ponieważ jej wydajność silnie zależy od początkowych ustawień wewnętrznych połączeń. Jeśli początkowe wagi są słabe, uczenie może utknąć lub trwać zbyt długo, co prowadzi do niższej jakości rekonstrukcji. Aby tego uniknąć, autorzy wykorzystują pomysł z inteligencji rojowej zwany algorytmem fajerwerków. W tej metodzie każdy kandydacki zestaw wag sieci jest traktowany jak wirtualny fajerwerk, który „wybucha” w wiele pobliskich wariantów, eksplorując różne możliwości. Porównując, jak dobrze każdy kandydat kompresuje i rekonstruuje obrazy, algorytm stopniowo dochodzi do ustawień wag dających niskie błędy. Ten dodatkowy krok optymalizacji pozwala sieci BP uczyć się szybciej i dawać wyższej jakości skompresowane obrazy niż samo standardowe trenowanie.

Chaos dla silniejszego zaciemnienia

Sama kompresja nie chroni przed ciekawskimi oczami, dlatego skompresowany obraz jest następnie szyfrowany. Autorzy sięgają tu po systemy chaotyczne — proste reguły matematyczne generujące wysoce nieprzewidywalne sekwencje. Projektują nowy „zmiennoparametrowy” system chaotyczny, łącząc dwie znane mapy chaotyczne i pozwalając, by wpływały na swoje parametry w trakcie działania. To generuje pseudolosowe sekwencje, które przechodzą rygorystyczne testy losowości opracowane przez amerykański Narodowy Instytut Standardów i Technologii (NIST). Sekwencje te sterują globalnym i blokowym przestawianiem pozycji pikseli w kilku rundach oraz modyfikacją wartości pikseli za pomocą mutacji na poziomie bitowym opartej na kodzie Graya. Wspólnie te kroki gruntownie rozbijają rozpoznawalną strukturę obrazu, sprawiając, że zaszyfrowana wersja wygląda jak czysty szum.

Testy bezpieczeństwa i jakości obrazu

Aby sprawdzić, czy schemat działa w praktyce, autorzy zastosowali go do standardowych obrazów testowych przy kilku poziomach kompresji. Mierzą, jak bardzo odszyfrowane obrazy odpowiadają oryginałom za pomocą powszechnych miar jakości i pokazują, że nawet gdy rozmiar pliku zostanie zmniejszony o połowę lub więcej, odzyskane obrazy pozostają ostre i szczegółowe. Jednocześnie testy statystyczne wykazują, że zaszyfrowane obrazy mają niemal równomierne rozkłady pikseli i praktycznie brak korelacji między sąsiednimi pikselami — cechy silnego zaciemnienia. Dodatkowe eksperymenty polegają na dodawaniu szumu, wycinaniu części zaszyfrowanego obrazu lub drobnej zmianie klucza szyfrowania. W każdym z tych przypadków system albo poprawnie odzyskuje większość widocznej zawartości, gdy powinien, albo całkowicie zawodzi, gdy klucz jest choćby minimalnie nieprawidłowy — obie te właściwości są pożądane w bezpiecznym projekcie.

Co to oznacza dla codziennych obrazów

Mówiąc najprościej, badanie przedstawia sposób na jednoczesne zmniejszanie rozmiaru obrazów i ich zabezpieczanie, wykorzystując sieć neuronową „strojonej” przez wyszukiwanie przypominające fajerwerki i chronionej przez starannie zaprojektowany chaos cyfrowy. Efektem jest metoda mogąca obniżyć koszty przechowywania i przesyłu przy umożliwieniu autoryzowanym użytkownikom wysokiej jakości odzysku oraz zapewniająca silną odporność na typowe ataki. W miarę jak dane obrazowe nadal rosną i przemieszczają się przez niepewne sieci, takie zintegrowane schematy kompresji i szyfrowania mogą pomóc utrzymać nasze zdjęcia, dokumentację medyczną i inne wrażliwe obrazy jednocześnie lżejszymi i bezpieczniejszymi.

Cytowanie: 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

Słowa kluczowe: szyfrowanie obrazu, kompresja obrazu, sieć neuronowa, systemy chaotyczne, bezpieczeństwo danych