En bildkomprimerings‑ och krypteringsalgoritm baserad på BP-neuralt nätverk optimerat med fyrverkerialgoritm

Varför skydd av bilder fortfarande är viktigt

Varje foto vi tar, varje medicinsk skanning vi lagrar eller varje satellitbild vi sänder över världen är i grunden data. När antalet och storleken på dessa bilder exploderar har det blivit en allvarlig utmaning att både hålla dem tillräckligt små för snabb överföring och tillräckligt säkra för att bevara integriteten. Konventionella verktyg kan krympa filer eller koda dem, men sällan görs båda lika bra samtidigt. Denna artikel presenterar ett smartare sätt att komprimera och kryptera bilder i en enda pipeline, med målet att spara bandbredd och lagring utan att offra säkerhet eller bildkvalitet när bilden återställs.

Göra bilder mindre och smartare

Kärnan i tillvägagångssättet är en typ av artificiellt neuralt nätverk känt som ett back‑propagation (BP)-nätverk, vilket är bra på att lära sig kompakt representation av data. Författarna använder detta nätverk som ett "pressnings"-steg: varje liten block av en bild matas in i nätverket, passerar genom ett tunnare dolt lager och rekonstrueras i utgången. Eftersom det dolda lagret har färre neuroner än ingångspixlar är representationen i det lagret en komprimerad version av det ursprungliga bildblocket. När många sådana block bearbetas blir resultatet en mycket mindre bildfil som senare kan expandera tillbaka till något visuellt nära originalet.

Fyrverkeri för att finjustera det neurala nätverket

Att träna ett neuralt nätverk för effektiv bildkomprimering är knepigt eftersom dess prestanda beror starkt på initialinställningarna av dess interna kopplingar. Om startvikterna är dåliga kan inlärningen fastna eller ta för lång tid, vilket leder till lägre kvalitet på rekonstruktionerna. För att undvika detta lånar författarna en idé från swarm‑intelligens kallad fyrverkerialgoritmen. I denna metod behandlas varje kandidatuppsättning av nätverksvikter som ett virtuellt fyrverkeri som "exploderar" i många närliggande varianter och utforskar olika möjligheter. Genom att jämföra hur väl varje kandidat komprimerar och rekonstruerar bilder, nystar algoritmen gradvis in sig på vikter som ger låg felnivå. Detta extra optimeringssteg gör att BP‑nätverket kan lära sig snabbare och producera högre kvalitet på komprimerade bilder än vanlig träning ensam.

Kaos för starkare förvrängning

Endast komprimering håller inte obehöriga ute, så den komprimerade bilden krypteras därefter. Här vänder sig författarna till kaotiska system—enkla matematiska regler som genererar mycket oförutsägbara sekvenser. De utformar ett nytt "variabel‑parameter" kaotiskt system genom att kombinera två kända kaotiska kartor och låta dem påverka varandras parametrar under körning. Detta producerar pseudotillfälliga sekvenser som klarar stränga slumpmässighetstester från U.S. National Institute of Standards and Technology. Dessa sekvenser styr hur pixelpositioner blandas globalt och inom små block i flera omgångar, samt hur pixelvärden ändras med en bit‑nivåmutation baserad på Gray‑kod. Tillsammans bryter dessa steg grundligt upp igenkännbar struktur i bilden, vilket gör den krypterade versionen att se ut som ren brus.

Test av säkerhet och bildkvalitet

För att se om schemat fungerar i praktiken applicerar författarna det på standardtestbilder vid flera kompressionsnivåer. De mäter hur nära de dekrypterade bilderna matchar originalen med vanliga kvalitetsmått och visar att även när filstorleken halveras eller minskas ännu mer, förblir de återställda bilderna skarpa och detaljerade. Samtidigt visar statistiska tester att de krypterade bilderna har närmast uniforma pixelfördelningar och nästan ingen korrelation mellan intilliggande pixlar—kännetecken för stark förvirring. Ytterligare experiment lägger till brus, tar bort delar av den krypterade bilden eller ändrar krypteringsnyckeln något. I varje fall återställer systemet antingen det mesta av det synliga innehållet när det ska, eller misslyckas helt när nyckeln är ens marginellt fel—båda önskvärda egenskaper för en säker konstruktion.

Vad detta betyder för vardagsbilder

Enkelt uttryckt presenterar studien ett sätt att krympa bilder och låsa dem samtidigt, genom ett neuralt nätverk som har "finjusterats" av en fyrverkeriliknande sökmetod och skyddas av noggrant konstruerad digitalt kaos. Resultatet är en metod som kan minska lagrings‑ och överföringskostnader samtidigt som den möjliggör högkvalitativ återställning för auktoriserade användare och erbjuder starkt motstånd mot vanliga attacker. Eftersom bilddata fortsätter att växa och färdas över osäkra nätverk kan sådana kombinerade komprimerings‑ och krypteringsscheman bidra till att hålla våra foton, medicinska journaler och andra känsliga visuella data både lättare och säkrare.

Citering: 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

Nyckelord: bildkryptering, bildkomprimering, neurala nätverk, kaotiska system, datasäkerhet