Алгоритм сжатия и шифрования изображений на основе сети обратного распространения ошибки (BP), оптимизированный алгоритмом фейерверка

Почему защита изображений до сих пор важна

Каждое фото, которое мы делаем, каждый медицинский снимок, который сохраняем, или спутниковый снимок, который передаём по сети, по сути — это данные. По мере быстрого роста числа и размера таких изображений становится всё сложнее одновременно сделать их достаточно малыми для быстрой передачи и достаточно защищёнными, чтобы сохранить конфиденциальность. Традиционные инструменты либо уменьшают файлы, либо шифруют их, но редко выполняют обе задачи эффективно одновременно. В этой работе предложен более умный способ сжатия и шифрования изображений в одном конвейере, призванный экономить пропускную способность и место для хранения без потери безопасности или качества изображения при восстановлении.

Делая изображения меньшими и «умнее»

В основе подхода лежит тип искусственной нейронной сети, известный как сеть с обратным распространением ошибки (BP), которая хорошо умеет выучивать компактные представления данных. Авторы используют эту сеть как этап «сжатия»: каждый небольшой блок изображения подаётся на вход сети, проходит через более узкий скрытый слой и восстанавливается на выходе. Поскольку в скрытом слое нейронов меньше, чем входных пикселей, представление в этом слое является сжатой версией исходного блока. При обработке множества таких блоков в результате получается значительно меньший файл изображения, который затем можно расширить обратно в визуально близкую к оригиналу картинку.

Фейерверк для настройки нейронной сети

Обучить нейронную сеть эффективному сжатию изображений непросто, потому что её работа сильно зависит от начальных значений внутренних связей. При неудачно выбранных начальных весах обучение может застрять или занять слишком много времени, что ведёт к более низкому качеству восстановления. Чтобы обойти эту проблему, авторы заимствуют идею из роя интеллекта — алгоритм фейерверка. В этом методе каждый кандидат набора весов рассматривается как виртуальный фейерверк, который «взрывается» в множество близких вариантов, исследуя разные возможности. Сравнивая, насколько хорошо каждый кандидат сжимает и восстанавливает изображения, алгоритм постепенно находит такие настройки весов, которые дают низкую ошибку. Этот дополнительный шаг оптимизации позволяет BP‑сети учиться быстрее и давать более качественные сжатые изображения, чем при обычном обучении.

Хаос для более сильного перемешивания

Само по себе сжатие не защищает от посторонних глаз, поэтому сжатое изображение затем шифруется. Для этого авторы обращаются к хаотическим системам — простым математическим правилам, порождающим крайне непредсказуемые последовательности. Они разрабатывают новую «с переменным параметром» хаотическую систему, комбинируя два известных хаотических отображения и позволяя им взаимно влиять на параметры друг друга в процессе работы. Это порождает псевдослучайные последовательности, которые проходят строгие тесты случайности, установленные Национальным институтом стандартов и технологий США. Эти последовательности управляют тем, как глобально и внутри малых блоков переставляются позиции пикселей в нескольких раундах, а также как изменяются значения пикселей с помощью побитовой мутации на основе кода Грея. Вместе эти шаги тщательно разрушают узнаваемую структуру изображения, делая зашифрованную версию схожей на чистый шум.

Проверка безопасности и качества изображения

Чтобы оценить практическую пригодность схемы, авторы применяют её к стандартным тестовым изображениям при разных уровнях сжатия. Они измеряют, насколько расшифрованные изображения соответствуют оригиналам с помощью распространённых показателей качества, и показывают, что даже при уменьшении размера файла вдвое и более восстановленные изображения остаются чёткими и детализированными. Одновременно статистические тесты показывают, что зашифрованные изображения имеют почти равномерное распределение пикселей и почти полное отсутствие корреляции между соседними пикселями — признаки сильного запутывания. Дополнительные эксперименты добавляют шум, вырезают части зашифрованного изображения или слегка изменяют ключ шифрования. В каждом случае система либо корректно восстанавливает большую часть видимого содержимого, когда это должно быть возможно, либо полностью даёт сбой при даже малейшем неверном ключе — оба поведения желательны для безопасного дизайна.

Что это значит для повседневных изображений

Проще говоря, исследование предлагает способ одновременно уменьшать размер изображений и надёжно их запирать, используя нейронную сеть, «настроенную» поиском по принципу фейерверка и защищённую тщательно спроектированным цифровым хаосом. В результате получается метод, который может снизить затраты на хранение и передачу данных, при этом обеспечивая высокую точность восстановления для авторизованных пользователей и сильную устойчивость к типичным атакам. По мере того как объёмы изображений растут и перемещаются по небезопасным сетям, такие комбинированные схемы сжатия и шифрования могут помочь сделать наши фотографии, медицинские записи и другие чувствительные визуальные данные одновременно легче и безопаснее.

Цитирование: 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

Ключевые слова: шифрование изображений, сжатие изображений, нейронные сети, хаотические системы, безопасность данных