概括
本研究介绍了一种安全的光学图像加密方法,使用计算幽灵成像 (CGI) 和分数轨道角动量 (FOAM). 深度学习解读加密图像,增强安全的光通信.
科学领域:
- 光学物理学的光学物理.
- 信息安全信息安全.
- 机器学习是机器学习.
背景情况:
- 计算幽灵成像 (CGI) 提供了独特的加密功能.
- 分数轨道角动量 (FOAM) 能够实现高维光学数据传输.
- 安全的光学图像传输仍然是一个关键的挑战.
研究的目的:
- 开发一种新的,安全的光学图像加密和传输方法.
- 整合CGI,FOAM和深度学习,以提高安全性和数据容量.
- 为光学信号建立一个强大的认证解密机制.
主要方法:
- 使用CGI进行图像加密,通过重新索引桶信号和将参考信号转换为稀疏序列.
- 将加密信号编码到FOAM模式,并使用旋转相位转移进行安全传输.
- 使用预训练的DenseNet进行解密,通过从强度模式中识别FOAM拓电荷来解密.
- 在解密之前实施认证机制,以确保信号合法性.
主要成果:
- 使用CGI-FOAM结合方法成功加密和安全传输光学图像.
- 通过DenseNet精确解密图像,证明了拟议方法的有效性.
- 通过旋转相位移和集成的身份验证解密过程来增强安全性.
- 在光通信和信息安全之间展现了跨学科研究的可行性.
结论:
- 拟议的方法有效地结合了CGI和FOAM,用于安全的光学图像加密和传输.
- 深度学习在解密过程中显著帮助,提高了准确性和效率.
- 集成的身份验证机制提供了一个额外的安全层,防止未经授权的访问.
- 这项研究为基于OAM的安全光通信和基于CGI的信息安全开辟了新的途径.
相关概念视频
01:20¹³C NMR: Distortionless Enhancement by Polarization Transfer (DEPT)
1.6K
When proton-coupled carbon-13 spectra are simplified by a broadband proton decoupling technique, structural information about the coupled protons is lost. Distortionless enhancement by polarization transfer (DEPT) is a technique that provides information on the number of hydrogens attached to each carbon in a molecule. While the DEPT experiment utilizes complex pulse sequences, the pulse delay and flip angle are specifically manipulated. The resulting signals have different phases depending on...
1.6K
01:30Propagation Speed of Electromagnetic Waves
4.6K
Electromagnetic waves are consistent with Ampere's law. Assuming there is no conduction current Ampere's law is given as:
4.6K