Um algoritmo de compressão e criptografia de imagens baseado em rede neural BP otimizado com o algoritmo fireworks

Por que proteger imagens ainda importa

Cada foto que tiramos, exame médico que armazenamos ou imagem de satélite que transmitimos pelo mundo é, na essência, apenas dados. À medida que o número e o tamanho dessas imagens explodem, mantê‑las pequenas o suficiente para mover rapidamente e seguras o bastante para preservar a privacidade tornou‑se um desafio sério. Ferramentas convencionais podem reduzir arquivos ou embaralhá‑los, mas raramente fazem bem as duas coisas ao mesmo tempo. Este artigo apresenta uma maneira mais inteligente de comprimir e criptografar imagens em um único fluxo, com o objetivo de economizar largura de banda e espaço de armazenamento sem sacrificar a segurança ou a qualidade da imagem ao ser restaurada.

Diminuindo e tornando as imagens mais inteligentes

O núcleo da abordagem é um tipo de rede neural artificial conhecida como rede de retropropagação (BP), que é boa em aprender representações compactas dos dados. Os autores usam essa rede como uma etapa de “compressão”: cada pequeno bloco de uma imagem é alimentado na rede, passado por uma camada oculta mais estreita e reconstruído na saída. Como a camada oculta tem menos neurônios do que pixels de entrada, a representação nessa camada é uma versão comprimida do bloco de imagem original. Quando muitos desses blocos são processados, o resultado é um arquivo de imagem muito menor que depois pode ser expandido novamente para algo visualmente próximo ao original.

Fireworks para ajustar a rede neural

Treinar uma rede neural para comprimir imagens de forma eficiente é complicado, porque seu desempenho depende muito das configurações iniciais de suas conexões internas. Se esses pesos iniciais forem ruins, o aprendizado pode travar ou demorar demais, levando a reconstruções de menor qualidade. Para evitar isso, os autores recorrem a uma ideia da inteligência de enxame chamada algoritmo fireworks. Nesse método, cada conjunto candidato de pesos da rede é tratado como um foguetório virtual que “explode” em muitas variantes próximas, explorando diferentes possibilidades. Ao comparar quão bem cada candidato comprime e reconstrói imagens, o algoritmo gradualmente converge para ajustes de peso que produzem baixo erro. Essa etapa adicional de otimização permite que a rede BP aprenda mais rápido e gere imagens comprimidas de qualidade superior em relação ao treinamento padrão isolado.

Caos para um embaralhamento mais forte

A compressão por si só não impede olhos curiosos, então a imagem comprimida é então criptografada. Aqui os autores recorrem a sistemas caóticos—regras matemáticas simples que produzem sequências altamente imprevisíveis. Eles projetam um novo sistema caótico de “parâmetro variável” combinando dois mapas caóticos conhecidos e permitindo que um influencie os parâmetros do outro durante a execução. Isso gera sequências pseudoaleatórias que passam em testes rigorosos de aleatoriedade do Instituto Nacional de Padrões e Tecnologia dos EUA (NIST). Essas sequências controlam como as posições dos pixels são embaralhadas globalmente e dentro de pequenos blocos em múltiplas rodadas, e como os valores dos pixels são alterados usando um processo de mutação em nível de bit baseado em código Gray. Juntas, essas etapas quebram profundamente a estrutura reconhecível da imagem, fazendo com que a versão criptografada pareça puro ruído.

Testando segurança e qualidade da imagem

Para verificar se o esquema funciona na prática, os autores o aplicam a imagens de teste padrão em vários níveis de compressão. Eles medem o quão próximos as imagens descriptografadas ficam dos originais usando métricas de qualidade comuns e mostram que mesmo quando o tamanho do arquivo é reduzido pela metade ou mais, as imagens recuperadas permanecem nítidas e detalhadas. Ao mesmo tempo, testes estatísticos mostram que as imagens criptografadas apresentam distribuições de pixels quase uniformes e quase nenhuma correlação entre pixels vizinhos, características de forte confusão. Experimentos adicionais adicionam ruído, cortam partes da imagem criptografada ou alteram ligeiramente a chave de criptografia. Em cada caso, o sistema ou recupera a maior parte do conteúdo visual quando deveria, ou falha completamente quando a chave está mesmo que minuciosamente errada—ambos comportamentos desejáveis em um projeto seguro.

O que isso significa para imagens do dia a dia

Em termos simples, o estudo apresenta uma maneira de encolher imagens e trancá‑las ao mesmo tempo, usando uma rede neural que foi “afinada” por uma busca semelhante a fireworks e protegida por um caos digital cuidadosamente projetado. O resultado é um método que pode reduzir custos de armazenamento e transmissão enquanto ainda permite recuperação de alta fidelidade para usuários autorizados e oferece forte resistência a ataques comuns. À medida que os dados de imagem continuam a crescer e a trafegar por redes inseguras, tais esquemas combinados de compressão e criptografia podem ajudar a manter nossas fotos, registros médicos e outros conteúdos visuais sensíveis mais leves e mais seguros.

Citação: 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

Palavras-chave: criptografia de imagens, compressão de imagens, redes neurais, sistemas caóticos, segurança de dados