基于區域卷積神經網絡的圖像秘密共享方案

劉雁孝 吳 萍 孫欽東

1(西安理工大學計算機科學與工程學院 西安 710048) 2(廣西可信軟件重點實驗室(桂林電子科技大學) 廣西桂林 541004)

人工智能與傳統信息安全技術的結合是當前的熱門研究課題.本文將人工智能中的卷積神經網絡(convolutional neural network, CNN)與數字圖像信息的安全保護相結合，利用人工智能技術提高圖像識別和分割的效率，并且在此基礎上建立多個圖像秘密共享方案，為數字圖像信息在多用戶環境中的安全保管與提取提出了新的解決方案.

數字圖像的信息保護近年來已成為1項熱門的研究課題.(k,n)門限圖像秘密共享(secret image sharing, SIS)是基于門限的一種加密方法，能夠為多個用戶提供一種保護圖像信息的方案.該方案首先將一幅秘密圖像加密成n個影子圖像，并分配給n個不同的參與者.在圖像恢復階段，任意k個或更多的影子圖像可以重構出原始圖像，少于k個影子圖像不能得到關于原始圖像的任何信息.SIS方案根據實現方法主要分為2類：基于視覺加密技術的SIS[1-3]和基于多項式的SIS[4-6].

與傳統圖像秘密共享方案相比，漸進式重構圖像秘密共享方案(progressive secret image sharing, PSIS)提供了一種不同的圖像恢復模型.在PSIS方案中，秘密圖像可以通過增加影子圖像逐步進行重構.PSIS中的重構模型適用于將圖像分割成不同重要性等級的多個區域，具有較高重要級別的區域需要更多影子圖像來重構.目前對PSIS的研究已經取得了豐富的研究成果.文獻[7-9]是基于視覺加密技術的PSIS方案.文獻[7-8]是(2,n)門限的PSIS方案，其中2～n個影子圖像可以逐漸地恢復出原始圖像信息，文獻[9]將(2,n)門限PSIS方案擴展為適用于一般情況的(k,n)門限PSIS方案.Wang等人[10]首次提出了基于多項式的PSIS方案，這是一個(2,n)門限PSIS方案.Yang等人[11]將文獻[10]中的方案擴展為通用的基于多項式的(k,n)門限PSIS.文獻[12-13]分別構造了2種基于多項式的(k,n)門限PSIS方案，能夠滿足漸進式重構中的平滑性這一性質.近年來也出現了基于其他實現方法的PSIS方案，例如文獻[14]是基于GEMD(gener-alized exploiting modification direction)數據隱藏方法構造的(k,n)門限PSIS，文獻[15]是基于布爾運算的(k,n)門限PSIS方案.這些方案都可以重構出無損的原始圖像，但影子圖像尺寸都相對于原始圖像有所擴大.具有重要影子圖像的圖像秘密共享方案(secret image sharing with essential shadow, SISE)是另一種類型的SIS方案，也適用于具有多個區域的圖像的信息保護.在這種類型的SIS方案中，所有影子圖像被分為重要影子圖像和普通影子圖像，其中在圖像重構中重要影子圖像的權重比普通影子圖像的權重更大，起到的作用更重要.在2013年首次提出了SISE方案[16].在該方案中，普通影子圖像的大小比重要影子圖像大，這樣的設計方案不是很合理.文獻[17-18]構造了重要影子圖像尺寸大于普通影子圖像的SISE方案，對文獻[16]中的這一問題進行了修復.Li等人[19]構建了一個新的SISE方案，當所有重要的影子圖像參與重構時，可以重構原始圖像.Liu等人[20]將PSIS和SISE結合在一起并提出了一種新的SISE方案，該方案可以根據增加重要影子圖像來逐步重構出圖像.

對圖像按照所包含內容重要性的不同進行圖像區域分割是PSIS和SISE這2種方案的基礎.傳統的圖像分割是通過人工方法進行的.然而，當圖像數量較大或者圖像內容復雜時，這種基于人工圖像分割的方法效率很低.深度學習中的卷積神經網絡(convolutional neural network, CNN)近年來在圖像識別和分類方面取得了巨大成就.在CNN模型基礎上，多個網絡模型相繼被提出，并且應用到圖像識別與分割上來，如區域卷積神經網絡(region CNN, RCNN)，Fast RCNN等.Ren等人[21]構建了一個Faster RCNN，它是一個真正意義上的端對端的目標網絡模型，總體實現方式繼承自RCNN，最大的改進是廢除了選擇性搜索算法.傳統算法簡單地在CNN前面加上一個專門候選區域生成網絡，運算耗時，Faster RCNN將特征提取和候選區域生成部分融合進了一個網絡模型，通過共享卷積層對各幅圖片進行特征提取，特征矩陣直接在區域生成網絡(region proposal network, RPN)批量生成候選區域，解決了候選框批量生成時間太長的問題.同時，采用RPN批量生成候選區域，也是該算法主要的創新點之一，可以減少冗余的候選框，與以前的算法相比，基于CNN的算法對于不同環境，如光照變化、運動模糊和透視失真，具有更強的魯棒性.近年來，更快RCNN已經被廣泛地應用到圖像識別和分類中.例如Sa等人[22]在水果檢測中采用更快RCNN和轉移學習，取得了良好的效果.Le等人[23]提出了一種多尺度RCNN來檢測駕駛員在駕駛汽車時是否使用手機.近些年Faster RCNN工具愈發成熟，已經廣泛地應用到安全監測、具有上下文感知的行人監測、基于試圖的步行跟蹤等[24-26].

本文旨在利用深度學習算法來擴展和提高圖像秘密共享的實用價值.首先采用Faster RCNN將1幅秘密圖像分割成多個不同重要等級的區域，然后在此基礎上構造基于多項式的PSIS和SISE方案.當使用PSIS時，圖像中安全等級較高的區域需要更多的影子圖像去重構；當使用SISE時，重要影子圖像在重構每個區域上比普通影子圖像具有更大的權重.由于Faster RCNN具有較高的檢測精度和較快的檢測速度，因此在提出的方案中能夠處理大量復雜的圖像分割任務；另一方面，PSIS和SISE為圖像重構提供了更加靈活多樣的模式，本文提出的方案能夠擴大應用背景，提高SIS的實用性.

1 相關知識

1.1 基于多項式的SIS,PSIS,SISE方案

基于多項式的(k,n)門限SIS方案主要包括影子圖像生成階段和圖像重構階段.在影子圖像生成過程中，1幅秘密圖像O被加密成n個影子圖像S1,S2,…,Sn，并且發送給n個用戶；在圖像重構階段，m個用戶參與圖像重構，當m≥k時，原始圖像O可以被重構，否則不行.現介紹方案1為：

方案1.基于多項式的(k,n)門限SIS方案.

1) 影子圖像生成

① 將秘密圖像O劃分為l個不重疊的分組B1,B2,…,Bl，每個分組包含k個不同的像素；

② 每個分組圖像Bj,j∈[1,l]中含有k個像素aj,0,aj,1,…,aj,k-1，用k個像素構建一個k-1次多項式:fj(x)=aj,0+aj,1x+aj,2x2+…,+aj,k-1xk-1；

③ 根據多項式fj(x)可計算出n個份額，vj,1=fj(1),vj,2=fj(2),…,vj,n=fj(n),j∈[1,l]；

④n個影子圖像是Si=v1,i‖v2,i‖,…,‖vl,i,i=1,2,…,n.

2)
圖像重構

① 假設m個影子圖像是S1,S2,…,Sm(m≥k)，利用拉格朗日插值公式恢復多項式：

fj(x)=aj,0+aj,1x+aj,2x2+…,+aj,k-1xk-1，j=1,2,…,l；

② 根據fj(x)中的k個系數可恢復分組圖像Bj，重構圖像O=B1‖B2‖,…,‖Bl‖.

很明顯方案1滿足(k,n)門限特性：k個或更多影子圖像可以重構整個圖像；少于k個影子圖像得不到關于秘密圖像的任何信息，并且每個影子圖像的大小是原始圖像的1/k倍.

(k,n)門限PSIS方案是一種特殊類型的SIS方案，它具有不同的圖像重構模型，(k,n)門限PSIS的定義描述為：

定義1.(k,n)門限PSIS.一種特殊類型的圖像秘密共享SIS，由影子圖像生成和圖像重構2個階段組成.在影子圖像生成階段，1幅圖像被加密為n個影子圖像；在圖像重構端，k至n個影子圖像可以逐步重構出原始圖像.設Om表示m個影子圖像重構得到的部分圖像，Rm表示Om的大小與原始圖像O的大小之比.Rm滿足條件：

1) 當m

2)k≤m1

SISE是另一種SIS方案，與傳統圖像秘密共享方案不同的是，SISE方案中所有的影子圖像可以分為2類：重要影子圖像和普通影子圖像.在圖像重構中，與普通影子圖像相比，重要影子圖像具有較大的權重.而大多數的SIS方案，圖像重構中每個影子圖像具有相同的權重.然而，在許多應用程序中，參與者具有不同的權限.因此，SISE是一個很重要的方案，它可以提高SIS方案的實用性.(k,n)門限SISE方案的定義描述為:

定義2.SISE方案.一種特殊類型的SIS方案，由影子圖像生成和圖像重構2個步驟組成.在影子圖像生成階段，所有的影子圖像分為s個重要影子圖像和n-s個普通影子圖像；在圖像重構階段，m個影子圖像(包括h個重要影子圖像和m-h≤k個普通影子圖像)參與重構，則圖像重構由2個條件決定:

1) 當m

2) 當m≥k(h≥0)時，圖像可以被重構.

1.2 Faster RCNN

基于CNN的網絡模型近些年在圖像識別和分類方面得到了持續的變化和發展.其中RCNN使用選擇性搜索算法(selective search, SS)在每幅圖像中提取大約2 000個候選框，隨后將所有候選框內的圖像縮放到固定大小(227×227像素)并進行歸一化處理，再將處理后的每個候選區域單獨輸入到CNN中提取特征，最后使用支持向量機(support vector machine, SVM)分類器對CNN所提取的特征進行分類.RCNN的整個過程涉及到大量的重復操作，提取的所有目標候選區域都必須通過CNN模型進行特征學習，也需要占用大量的內存.隨后，采用感興趣區域(region of interest, ROI)池化層代替空間金字塔池化層(spatial pyramid pooling, SPP)，讓所有卷積層參數均可以在訓練時更新，進而提高目標檢測準確率，該網絡結構被稱為Fast RCNN.同樣地，該網絡對圖像只進行1次特征提取，隨后將特征圖像輸入到ROI池化層進行區域歸一化處理得到固定大小的特征，最后將所得到的特征分別輸入到2個全連接層中分別進行目標分類和利用回歸模型進行邊框位置和大小的微調.為了解決SS算法產生候選框多而且耗時的問題，在Fast RCNN的基礎上提出一種采用全卷積網絡(fully convolution networks, FCN)構成的RPN代替SS算法來自動生成候選區域.這個新的候選區生成網絡對每張圖像只產生300個候選區，而且在生成候選區域時耗時可以忽略不計，所以能明顯地縮短處理時間.該卷積網絡結構進行目標檢測的流程與Fast RCNN相似，不同之處在于生成候選區域部分.首先將圖像輸入主干網絡提取特征，隨后將特征圖像輸入到RPN中生成候選區域，最后結合所生成的候選框以及特征圖像輸入到檢測網絡中進行目標檢測.Faster RCNN由2個模塊組成：RPN候選幀提取模塊和Fast RCNN目標檢測模塊.Faster RCNN通過共享卷積特性和交替訓練，將RPN模型和Fast RCNN統一在一個深度網絡框架中.Faster RCNN如圖1所示:

Fig. 1 Faster RCNN圖1 Faster RCNN

2 研究目的

近年來圖像信息保護已經成為重要的研究課題.SIS提供了一種有效的方法，用來在多個參與者之間保護圖像信息.CNN模型在圖像目標識別和分類方面取得了巨大的成就.因此，本文旨在將SIS和CNN結合起來，提高SIS的實用性.

在傳統的SIS方案中，秘密圖像沒有根據圖像內容對其進行分割.在圖像重構過程中，一組影子圖像要么可以重構整個圖像，要么根本得不到關于圖像的任何信息；或一些圖像被分割為不同的區域，但是不同區域的重要性程度沒有討論.事實上，圖像的不同區域具有的重要程度不同，重要程度越高的區域重構時需要的門限越高，這樣看來是比較合理的.因此，首先需要根據圖像的重要程度將其分割成不同的多個區域.Faster RCNN的區域分割和目標檢測效率很高，本文在圖像分割工作中就采用了該模型.然后在基于Faster RCNN的圖像分割基礎上，提出了一種(k,n)門限PSIS方案，該方案表示重要程度越高的區域所需的重構門限越高.另一方面，不同的參與者擁有不同的權限.為了將這一特點擴展到SIS方案中，我們提出了一種融合了SISE和PSIS特性的SIS方案，其中所有的影子圖像都被劃分為重要影子圖像和普通影子圖像.在圖像重構過程中，不僅可以逐步重構圖像，而且重要影子圖像比普通影子圖像具有更大的權限.本文所設計的研究方案如圖2所示：

Fig. 2 PSIS and SISE based on Faster RCNN image segmentation圖2 基于Faster RCNN圖像分割的PSIS和SISE

Fig. 3 Two image segmentation models圖3 2種圖像分割模式

3 解決方案

本文提出的方案包括2個階段：1)使用Faster RCNN進行圖像分割；2)在分割后的圖像上構造PSIS和SISE方案.首先以整幅圖像為輸入輸出，對該圖像使用Faster RCNN分割成不同的區域，每個區域的重要程度不同；在分割后的圖像上構造了PSIS和SISE方案，增強了SIS方案的實用性.

3.1 基于Faster RCNN的圖像檢測與分割

本文中使用的Faster RCNN的架構如圖1所示.該Faster RCNN由2個模塊組成：RPN候選幀提取模塊和Fast RCNN目標檢測模塊.RPN和Fast RCNN共享由基本卷積網絡提取的相同輸入的特征圖.RPN的功能是根據特征圖生成提議.利用基本卷積網絡從整個圖像中提取512維特征圖.利用Fast RCNN對RPN檢測到的目標提案來進行分類.它以整個圖像和一組對象提議作為輸入，每個對象提議都根據特征映射到感興趣的區域.然后，ROI池化層使用最大池化將特征轉化為7×7的固定空間范圍.將7×7特征向量輸入到一個全連接層序列，最終將其分支為2個輸出層Softmax結果和邊界框回歸結果.而在本文中所提出的Faster RCNN就是使用ImageNet預訓練模型初始化得到的.圖3顯示了一個使用Faster RCNN進行圖像分割的結果示例.圖3(a)是一個基于普通分割的圖像分割模型，每個局部圖像大小相同，但重要程度不同.該模型適用于以往的PSIS方案;圖3(b)是基于RCNN的快速圖像分割，其中每個局部圖像的大小和重要程度均不同.

3.2 PSIS和SISE

當使用Faster RCNN將圖像分割成多個區域時，根據圖像分割的結果構造基于多項式的PSIS和SISE方案.假設秘密圖像O被分割成u個非重疊區域Oi,i=1,2,…,u其中Oi的重要性級別(表示為LOi)滿足Lu>Lu-1>…>L1，相應地PSIS和SISE方案分別描述為：

方案2.(k,n)門限PSIS方案.

1) 影子圖像生成

① 秘密圖像O被分割為u個區域O1,O2,…,Ou，其中參數k和n滿足n-k+1=u；

② 對于區域Oi,i=1,2,…,u，使用方案1中影子圖像生成算法生成n個子影子圖像vi,1,vi,2,…,vi,n，這n個子影子圖像的門限是k+i-1；

③n個影子圖像Si,i=1,2,…,n，Si=v1,i∪v2,i∪…∪vu,i.

2)
圖像重構

① 假設m個影子圖像是S1,S2,…,Sm(m≥k)，對于每個區域Oi,i=1,2,…,u，從生成的n個子影子圖像中取m個子影子圖像vi,1,vi,2,…,vi,m，使用方案1中的圖像重構算法去恢復Oi；

② 重構的部分圖像是Om=∪Oi，其中區域Oi為被恢復的部分區域.

定理1是對方案2的證明.

定理1.方案2是(k,n)門限PSIS方案，其中k到n個影子圖像可以逐漸重構圖像，并且少于k個影子圖像不能獲得關于圖像的任何信息.

證明. 在方案2中，每個影子圖像Si由來自u個區域O1,O2,…,Ou的u個子影子圖像組成.另一方面，n個子影子圖像vi,1,vi,2,…,vi,n是使用方案1中的影子圖像生成算法生成的，用于重構Oi的門限是k+i-1.因此，任何k+i-1或更多的影子圖像都可以重構區域O1,O2,…,Oi，小于k個影子圖像不能獲取到每個區域Oi的任何信息.由于參數滿足n-k+1=u，因此k到n個影子圖像可逐漸重構圖像O=O1∪O2∪…∪Ou.顯然，提出的方案2滿足(k,n)門限PSIS的定義.此外，由于這些區域具有不同的重要性等級Lu>Lu-1>…>L1，具有較高重要性等級的區域需要較高的門限去重構它.

證畢.

方案3是一個(k,n)門限SISE方案，圖像被分割成多個區域，同時該方案結合了漸進重構的特性.在方案3中，所有的影子圖像都被劃分為s個重要影子圖像和n-s個普通影子圖像.在圖像重構過程中，重要影子圖像比普通影子圖像具有更大的權重，同時重要性級別較高的區域要求更高的門限值.方案3還采用了分割后的圖像O=O1∪O2∪…∪Ou作為輸入.

方案3.(k,n)門限SISE方案.

1) 影子圖像生成

① 秘密圖像O被分割為u個區域O1,O2,…,Ou，對于區域Oi使用方案1中的影子圖像生成算法生成n+q(q≥0)個中間子影子圖像：vi,1,vi,2,…,vi,n+q，門限為k；

② 重要影子圖像ESi是：

ESi=Si∪v2,n+q1∪v3,n+q2∪…∪vu,n+qi,q1≠q2≠…≠qi；

③普通影子圖像是：NSi=Si=v1,i∪v2,i∪…∪vu,i.

2)圖像重構

①m個影子圖像S1,S2,…,Sm，由h個重要影子圖像和m-h個普通影子圖像組成；

② 對于每個區域Oi,i=1,2,…,u，取m個子影子圖像vi,1,vi,2,…,vi,m來恢復Oi.

③ 重構的部分圖像為Om=∪Oi，其中區域Oi為被恢復的部分區域.

所提出的方案3的性質總結在定理2中.

定理2.在方案3中，任何小于k個影子圖像的集合，不會得到原始圖像的任何信息.而任何k個(包含h≥0個重要影子圖像)影子圖像可以恢復出原始圖像.

證明. 方案3使用方案1的影子圖像生成算法算法生成n+q個中間子影子圖像，門限值k.因此，少于k個中間影子圖像無法恢復出任何信息.在方案3中，任何k個影子圖像(其中包含h≥0個重要影子圖像，m-h≤k個普通影子圖像)都可以逐步重構出秘密圖像.假設有m個影子圖像參與重構，其中包括h個重要影子圖像(m=k,s≥h≥0).所有影子圖像的門限為k，根據定理2，k個影子圖像可以重構圖像O.當參與的重要影子圖像的數量從0變為h時，普通影子圖像的數量相應地從k變為k-h，因此可以逐步重構圖像O=O1∪O2∪…∪Ou.

證畢.

因此，所提出的方案3和方案2相比具有更大的實用性.對于方案2，在圖像重構過程中，需要的門限值也就越高，在現實生活中，參與重構的人需要越來越多，顯然很不方便且有一定難度.而對于方案3來說，重構圖像過程中只需要k個影子圖像，這k個影子圖像包含了重要影子圖像和普通影子圖像2種，所以相對來說方案3更為實際和方便.

所提的方案3具有2個性質：1)重要影子圖像比普通影子圖像具有更大的權威性；2)在圖像重構中，隨著重要影子圖像的增加，原始圖像逐漸被重構.

3.3 創新性與下一步研究目標

本文的研究具有一定的創新性，同時也存在不足.創新點有：1)首先將Faster RCNN與圖像秘密共享相結合；2)在圖像秘密共享方案中，將圖像信息按照內容不同劃分為不同區域，每個區域具有不同的安全等級.不足在于：1)在方案2中，我們對于參數(k,n)的設置不夠靈活；2)方案3中，我們只考慮將參與者分為權限不同的2類，但是在現實中參與者的權限種類可能會多于2類.所以在后續的工作中，我們將以參數靈活的圖像秘密共享以及更一般化的多權限圖像秘密共享為下一步的研究目標.

4 實驗結果和分析

本文的研究可以應用于許多環境.在本文的實驗中，首先對車輛信息圖像進行了測試，并構建了相應的PSIS和SISE方案來保護秘密圖像.Faster RCNN的訓練需要大量的數據.本實驗使用的數據來源有2種：KITTI數據集和在實際交通環境下采集的車輛圖像.實驗中使用KITTI數據集作為模型的訓練數據，并利用實際采集的數據對訓練后的模型進行評估.KITTI數據集中的圖像來自真實生活場景，包括7 481張訓練圖像.每個圖像中不同規模的車輛數量可以多達12輛，以及不同級別的遮擋和分離.注釋信息也非常豐富，包括目標的類型、是否被分離、遮擋、角度值、2D和3D邊界框，以及與人、車等相關的類別.實際采集到的車輛圖像有500幅，包括晴天、多云、雨天、等各種場景.它們可以反映模型在實際應用中需要處理的問題.

本實驗是在基于GPU的高速計算平臺的caffe框架下實現的.

為了說明Faster RCNN在圖像檢測和分類方面實驗效果更好一些，該實驗將Faster RCNN的實驗結果與表1和表2中其他基于CNN的模型進行了比較.

Table 1 Introduction of Four Models Based on CNN表1 4種基于卷積神經網絡模型的介紹

Table 2 Comparison of Different Models Detection Performance表2 不同模型檢測性能的比較

在分段圖像上給出PSIS和SISE方案的示例.將圖3的圖像用于示例中，其中整個圖像O被分割成u=4個區域O1,O2,O3,O4，并且重要性級別滿足L4>L3>L2>L1.

在此圖像上構造(k,n)門限PSIS時，參數k和n滿足u=n-k+1.這里使用k=5,n=8，因此(5,8)門限SIS用于O1，(6,8)門限SIS用于O2，(7,8)門限SIS用于O3，(8,8)門限SIS用于O4.影子圖像Si=s1,i‖s2,i‖s3,i‖s4,i，其中子影子圖像sj,i由Oj生成.重構圖像時，任意5個影子圖像可以恢復O1，任意6個影子圖像可以恢復O1和O2，任意7個影子圖像可以恢復O1，O2，O3，所有影子圖像可以恢復整個圖像O=O1‖O2‖O3‖O4.高優先級的區域需要更多的影子圖像來重構.

當對該圖像進行逐步重構構造(k,n) SISE時，參數應滿足u=n-k+1.這里使用參數k=4,n=7.同時影子圖像中包含3個重要影子圖像和4個普通影子圖像.根據方案3，生成n+q(q≥0)個中間子影子圖像：vi,1,vi,2,…,vi,n+q.3個重要影子圖像是ESi=Si∪v2,n+q1∪v3,n+q2∪v4,n+q3,q1≠q2≠q3，i=1,2,3，其余4個普通影子圖像是NSi=Si=v1,i∪v2,i∪v3,i∪v4,i.在圖像重構過程中，1組4個影子圖像其中4個全為普通影子圖像的可以重構O1，1組4個影子圖像包括1個重要影子圖像3個普通影子圖像的可以重構O1，O2，1組4個影子圖像包括2個重要影子圖像2個普通影子圖像的可以重構O1，O2，O3，而每組影子圖像其中包括3個重要影子圖像1個普通影子圖像的可以重構整個圖像O=O1‖O2‖O3‖O4.

圖像重構結果如圖4所示，采用2種PSIS方案和2種SISE方案重構每個區域的門限如表3所示.

近年來研究者陸續提出了一些PSIS和SISE方案，在表4中，我們將提出的2種圖像秘密共享方案和近些年提出的其他一些方案做出比較，從表4的數據我們可以看出，我們的方案在圖像分割方法、影子圖像尺寸以及圖像重構計算效率方面具有一定的優勢.

Fig. 4 Progressive image reconstruction on different regions圖4 不同區域上的漸進式圖像重構

表3 PSIS和SISE重構圖像的門限比較

Table 4 Comparison Between PSIS and SISE表4 PSIS和SISE方案對比

5 總 結

本文中，將CNN模型和基于多項式的SIS方案結合起來，以增強SIS方案的應用.Faster RCNN用于將圖像分割成多個區域，每個區域具有不同的重要性級別.在此基礎上構造了PSIS和SISE方案.在PSIS中，重要性級別越高的區域要求較高的重構門限；在SISE中，重要影子圖像比普通影子圖像具有更大權威性，不同區域的重構主要取決于所涉及的重要影子圖像的數量.理論和實驗結果表明，Faster RCNN在圖像分割方面具有較高的效率，所提出的PSIS和SISE在圖像重構方面是有效的.