一种基于烟花算法优化的BP神经网络的图像压缩加密算法

为什么保护图片仍然重要

我们拍摄的每张照片、保存的每次医学扫描或从卫星传回的影像本质上都是数据。随着这些图像的数量和体积激增，使它们既足够小以便快速传输又足够安全以保持隐私，已成为一项严峻挑战。传统工具可以压缩文件或对其进行加密，但很少能同时在两方面都表现良好。本文介绍了一种更智能的单一路径压缩并加密图像的方法，旨在节省带宽和存储，同时在图像恢复时不牺牲安全性或图像质量。

让图像更小且更“聪明”

该方法的核心是一种称为反向传播（BP）网络的人工神经网络，它擅长学习数据的紧凑表示。作者将该网络用作“压缩”阶段：将图像的每个小块输入网络，通过较窄的隐藏层，然后在输出端重建。由于隐藏层的神经元比输入像素少，该层中的表示即为原始图像块的压缩版本。当处理大量此类块时，结果是一个大大减小的图像文件，之后可以展开回视觉上接近原始的图像。

用烟花算法调优神经网络

要将神经网络训练到高效压缩图像并不容易，因为其性能高度依赖于内部连接的初始设置。如果初始权重不佳，学习可能陷入停滞或耗时过长，导致重建质量降低。为避免这种情况，作者借鉴了一种群智能思想——烟花算法。在该方法中，每个候选网络权重集合被视为一个虚拟“烟花”，它会“爆炸”成许多临近的变体，从而探索不同可能性。通过比较每个候选在压缩和重建图像方面的表现，算法逐步收敛到能产生低误差的权重设置。这个额外的优化步骤使BP网络能更快学习并比单独标准训练产生更高质量的压缩图像。

用混沌增强扰乱效果

仅靠压缩无法阻止窥探，因此接着对压缩后的图像进行加密。这里作者采用了混沌系统——一些能产生高度不可预测序列的简单数学规则。他们通过将两种已知的混沌映射组合并在运行时让它们相互影响参数，设计出一种新的“可变参数”混沌系统。这会产生通过美国国家标准与技术研究院严格随机性测试的伪随机序列。该序列控制像素位置在全局和小块内的多轮重排，以及使用基于格雷码的比特级变异过程改变像素值。综合这些步骤，彻底瓦解了图像中可识别的结构，使加密后的图像看起来像纯噪声。

安全性和图像质量的测试

为验证该方案的实际效果，作者将其应用于多种标准测试图像并在若干压缩级别下进行测试。他们使用常见的质量评分来衡量解密图像与原图的接近程度，并显示即便文件大小被压缩到一半或更小，恢复后的图片仍保持清晰和细节。同时，统计测试表明加密图像具有近似均匀的像素分布且相邻像素之间几乎不存在相关性，这是强混淆的标志。额外实验包括对加密图像加入噪声、剪切部分图像或对加密密钥做微小更改。在每种情况下，系统要么在应当恢复时能够恢复大部分可见内容，要么在密钥哪怕有极小偏差时完全失败——这两种行为都是安全设计所期望的。

这对日常图像意味着什么

简单来说，这项研究提出了一种同时压缩和加密图像的方法：通过类似烟花的搜索对神经网络进行“调优”，并用精心设计的数字混沌保护结果。其成果是在降低存储和传输成本的同时，仍允许授权用户高保真恢复，并对常见攻击提供强抗性。随着图像数据继续增长并在不安全的网络中传输，此类压缩—加密结合方案可帮助让我们的照片、医疗记录和其他敏感视觉资料更轻便更安全。

引用: 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

关键词: 图像加密, 图像压缩, 神经网络, 混沌系统, 数据安全