【图像加密】预测误差分类置乱图像加密解密【含Matlab源码 1846期】

原创于 2024-05-13 12:40:50 发布 · 994 阅读

30 ·

CC 4.0 BY-SA版权

文章标签：

#matlab

Matlab图像处理（仿真科研站版）专栏收录该内容

1259 篇文章

订阅专栏

💥💥💞💞欢迎来到Matlab仿真科研站博客之家💞💞💥💥

✅博主简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，Matlab项目合作可私信。

🍎个人主页：Matlab仿真科研站博客之家

🏆代码获取方式：
💥扫描文章底部QQ二维码💥

⛳️座右铭：行百里者，半于九十；路漫漫其修远兮，吾将上下而求索。
在这里插入图片描述

⛄更多Matlab图像处理（仿真科研站版）仿真内容点击👇
Matlab图像处理（仿真科研站版）

⛄一、预测误差分类置乱图像加密解密简介

1 引言
加密域可逆信息隐藏 (Reversible data hiding in encrypted image, RDH-EI) 是一种加密原始图像后, 在密文图像中可逆地隐藏附加信息, 并且在信息提取后, 原始图像可以被无损重建的技术。随着人们对隐私保护的需求不断增加, 加密域可逆信息隐藏受到广泛关注。

目前已有的RDH-EI算法可以分为加密前腾出空间 (VRBE) 和加密后腾出空间 (VRAE) 两类。基于加密后腾出空间 (VRAE) 的RDH-EI算法, 用户端除图像加密外无需进行其他操作, 信息隐藏者在密文图像中直接进行信息隐藏, 方便用户操作。Zhang提出基于压缩密文数据的可分离RDH-EI算法, 其嵌入率为0.01 bpp。Huang以图像块为单位进行位置置乱, 利用传统可逆信息隐藏算法使嵌入率达到0.3 bpp。由于加密后的图像无法通过压缩或预测来产生冗余空间, 因此加密后腾出空间 (VRAE) 算法的嵌入信息量较少。

与加密后腾出空间 (VRAE) 相比, 加密前腾出空间 (VRBE) 算法在加密前对明文图像进行预处理, 这虽然增加了内容所有者的负担, 但可以极大地提高嵌入容量。2013年, Ma等提出首个可分离加密前腾出空间算法, 该算法在XOR加密原始图像前估计部分像素, 并将秘密信息嵌入到估计误差 (estimating error) 中
在保证加密图像安全性的同时, 为了进一步提高嵌入容量, 本文提出了一种基于预测误差和分类置乱的加密域可逆信息隐藏算法。提出的算法通过预测误差使像素大多集中在0附近, 可变像素高6位平面存在冗余空间。利用这些冗余空间可以在一个可变像素中嵌入6比特信息, 从而提高嵌入容量。相比于Xu, 提出算法的嵌入率平均可增加1 bpp。由于嵌入的信息与像素位置无关, 可采用分类置乱的加密方式提高加密图像的安全性。

2 本文算法
本文算法框架如图1所示, 明文拥有者首先由原始图像得到预处理图像, 根据加密秘钥对预处理图像分类加密生成加密图像。信息隐藏者得到加密图像后在加密图像中隐藏秘密信息。接收者得到含有秘密信息的加密图像后根据所持有的秘钥得到相应的数据。若接收者拥有隐藏秘钥则可以提取秘密信息;若接收者拥有加密秘钥则可以提取出分类向量T及溢出矩阵Map并恢复原始图像。
在这里插入图片描述
图1 算法框架

2.1 预处理
预处理过程首先对图像进行预测误差, 目前已经有许多预测误差技术被提出, 常用的如文献中的预测技术。本文选择文献中的预测方法估计并插值非采样像素点。将大小为M×N的原始图像I分为采样像素和非采样像素, 如图2 (a) 和 (b) , 其中, 白色像素为非采样像素NSP (Non-Sample Pixels) , 黑色像素为采样像素 (Sample Pixels) 。

估计非采样像素点NSP § (1≤p≤0.75×M×N) 分为两步。第一步, 非采样像素值位于四个采样像素的中心NSP § =I (2i, 2j) (1≤i≤M, 1≤j≤N) (图2中①类像素) , 这些像素点先被预测。第二步, 结合采样像素及第一步预测后得到的非采样像素预测剩余的非采样像素 (图2 (b) 中②类像素) 。在得到预测值后, 将属于NSP像素的原始像素值与预测像素相减得到预测误差E (i, j) (1≤i≤M, 1≤j≤N) (E (i, j) 表示为图2中的白色像素①和②) 。得到预测误差图像后的操作步骤如下:

(1) 像素分类。选定的阈值范围为[Tn, Tp]其中Tn<0, Tp>0。预测误差图像中阈值范围之内的像素称为可变像素, 阈值之外的像素称为不变像素, 可变像素用于嵌入数据。不变像素又分为两类:采样像素和非采样像素。这样像素被分为三类, 如图3 (a) 所示:

① 可变像素, (图3 (a) 中的黑点像素)
② 第一类不变像素 (非采样像素, 图3 (a) 中的白点像素)
③ 第二类不变像素 (采样像素, 图3a中黑色块)
在这里插入图片描述
图2 预测过程
(2) 生成像素分类向量T。T为二进制一维向量T={ti|1≤i≤0.75×M×N}, T向量元素的先后顺序标记了像素的位置信息。T中的元素值代表了像素的类型。即当ti=0时, 代表预处理图像中的可变像素, 当ti=1时, 代表第一类不变像素。T向量用于记录可变像素与第一类不变像素的位置信息。

记录位置信息后将三类像素按顺序排列。排列顺序如图3b, 可变像素在最前方, 接着是第一类不变像素, 最后是采样像素。
在这里插入图片描述
图3 像素分类与重排
(3) 可变像素编码。对可变像素进行编码, 以阈值为[-2, 1]为例, Eb (i, j) 表示编码后的差值, 编码规则如公式1。编码后的可变像素值范围在[0, 3]之内。

Eb (i, j) =E (i, j) +2 E (i, j) ∈[-2, 1] (1)

编码后的可变像素后n位保持不变, 前8-n位用于嵌入T向量及信息。n的计算方法如公式 (2) 。公式中⌈Ł表示上取整。
在这里插入图片描述
(4) 规范第一类不变像素:已知灰度图像的素值[0, 255]可以用八位二进制比特来表示, 将灰度图像中最高位来表示符号位, 0表示负数, 1表示正数。这样插值图像中不变像素的表示范围 (0) 1111111到 (1) 1111111, 即[-127, +127]。在[-127, +127]之外的像素值用Map来记录其位置信息, Map={mk|mk= (s, i, j) , k=1, 2, …, K}, 其中s代表符号位, s=0代表负数, s=1代表正数, K为溢出像素的个数。并用公式3将其规范到[-127, +127]之内。
在这里插入图片描述
因为可变像素与不变像素的映射关系不同, 可变像素通过编码来解决负数问题, 不变像素通过上述映射关系来解决负数问题, 为了能完全恢复图像需要保证编码前的可变像素与映射后的不变像素不重叠, 阈值范围为[Tn, Tp] (Tn<0, Tp>0) , 阈值之外的像素[-127, Tn-1]和[Tp+1, +127]经过上述映射后变为[|Tn-1|, 127]、[Tp+129, 255]。为了能满足[Tn, Tp]内的像素与映射后的不变像素不重叠, 阈值的选取需要满足以下条件:Tn<0, Tp>0, 且|Tn-1|>Tp。

最后将生成的像素分类向量T和溢出矩阵Map嵌入到编码后的可变像素高8-n位平面, 得到预处理图像X。

2.2 图像分类加密
图像加密采用分类置乱与异或加密结合的方法提高安全性。因为预处理图像在像素分类时将像素分为三类:可变像素、第一类不变像素、采样像素 (第二类不变像素) 三类。原始图像大小为M×N, 首先对对这三类像素分别置乱。置乱过程如下:

(1) 在预处理时得到的T为二进制一维向量T={ti|1≤i≤0.75×M×N}。用L1代表可变像素, L2代表第一类不变像素, L3代表第二类不变像素。用Xi, j代表预处理图像的所有像素, 像素分类如公式4。
在这里插入图片描述
N1, N2代表可变像素和第一类不变像素的个数。N3代表L3的元素个数, 预处理图像大小为M×N那么N1+N2+N3=M×N。

(2) 三个一维向量分别使用三个随机秘钥进行置乱加密, 将这三个随机秘钥连接起来组成一个秘钥L。如公式 (6) 。
L=Key1 (L1) ∪Key2 (L2) ∪Key3 (L3) (5)
置乱后预处理图像像素值范围在[0, 255], 可以用八位二进制数来表示。对置乱后预处理图像按位异或加密, 加密过程如公式 (6) , 式中ri, j, k表示八位伪随机序列, bi, j, k表示置乱后的像素值。Bi, j, k表示异或加密后的图像。
Bi, j, k=bi, j, k♁ri, j, k (6)
最终得到的加密图像为X′, 攻击者在没有得到置乱秘钥L和异或加密伪随机序列的情况下均不可获得原始图像。

2.3 信息嵌入
接收者得到加密图像后需要对加密图像嵌入信息, 嵌入信息后的加密图像为X"。嵌入信息在可变像素的高8-n位平面嵌入。嵌入方法是用秘密信息替代加密图像中可变像素的第7-m位到第n+1位。n的计算公式如公式 (1) 所示, 这里m代表T所占用的位平面的个数, 即T向量的长度为3/4 (M×N) , 已知预处理图像中可变像素的个数为N1, 则图像的嵌入率Rate如公式 (7) 。
在这里插入图片描述
令α=N1/ (M×N) , α即可变像素在所有像素中所占的比例, 则嵌入率可以表示为:

Rate=α (8-n) -0.75bpp (8)

2.4 信息提取及图像恢复
接收者得到含有秘密信息的加密图像X"需要提取秘密信息及无损的恢复出原始图像。对加密图像中可变像素的前8-n位提取信息, 提取出的信息包含了T向量、嵌入的秘密信息和溢出矩阵Map。

恢复图像时首先根据置乱秘钥对加密图像三类像素置乱恢复, 并对整个加密图像异或解密, 解密时可变像素只取后n位。解密后的像素值用E′ (i, j) 表示, 因为处理过程中对可变像素进了编码, 为了能完全恢复图像需对可变像素解码, 解码后的像素值用E′j (i, j) 表示, 解码的过程如公式9 (这里仍然以阈值为[-2, 1]为例) 。
E′j (i, j) =E′ (i, j) -2 E′ (i, j) ∈[0, 3] (9)
接着根据T向量恢复可变像素与第一类不变像素的位置。最后根据Map中记录的溢出像素的位置恢复溢出像素。恢复过程为如公式 (10) 。
在这里插入图片描述
经过上述步骤可以恢复出预处理阶段的预测误差图像, 对于预测误差图像的恢复文献[9]中图像恢复阶段已经详细说明, 在此不再论述。

⛄二、部分源代码

⛄三、运行结果

在这里插入图片描述

⛄四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1]屈凌峰,和红杰,陈帆.基于预测误差分类置乱的图像加密域可逆信息隐藏[J].光电子·激光. 2019,30(02)

3 备注
简介此部分摘自互联网，仅供参考，若侵权，联系删除

🍅 仿真咨询
1 各类智能优化算法改进及应用
1.1 PID优化
1.2 VMD优化
1.3 配电网重构
1.4 三维装箱
1.5 微电网优化
1.6 优化布局
1.7 优化参数
1.8 优化成本
1.9 优化充电
1.10 优化调度
1.11 优化电价
1.12 优化发车
1.13 优化分配
1.14 优化覆盖
1.15 优化控制
1.16 优化库存
1.17 优化路由
1.18 优化设计
1.19 优化位置
1.20 优化吸波
1.21 优化选址
1.22 优化运行
1.23 优化指派
1.24 优化组合
1.25 车间调度
1.26 生产调度
1.27 经济调度
1.28 装配线调度
1.29 水库调度
1.30 货位优化
1.31 公交排班优化
1.32 集装箱船配载优化
1.33 水泵组合优化
1.34 医疗资源分配优化
1.35 可视域基站和无人机选址优化

2 机器学习和深度学习分类与预测
2.1 机器学习和深度学习分类
2.1.1 BiLSTM双向长短时记忆神经网络分类
2.1.2 BP神经网络分类
2.1.3 CNN卷积神经网络分类
2.1.4 DBN深度置信网络分类
2.1.5 DELM深度学习极限学习机分类
2.1.6 ELMAN递归神经网络分类
2.1.7 ELM极限学习机分类
2.1.8 GRNN广义回归神经网络分类
2.1.9 GRU门控循环单元分类
2.1.10 KELM混合核极限学习机分类
2.1.11 KNN分类
2.1.12 LSSVM最小二乘法支持向量机分类
2.1.13 LSTM长短时记忆网络分类
2.1.14 MLP全连接神经网络分类
2.1.15 PNN概率神经网络分类
2.1.16 RELM鲁棒极限学习机分类
2.1.17 RF随机森林分类
2.1.18 SCN随机配置网络模型分类
2.1.19 SVM支持向量机分类
2.1.20 XGBOOST分类

2.2 机器学习和深度学习预测
2.2.1 ANFIS自适应模糊神经网络预测
2.2.2 ANN人工神经网络预测
2.2.3 ARMA自回归滑动平均模型预测
2.2.4 BF粒子滤波预测
2.2.5 BiLSTM双向长短时记忆神经网络预测
2.2.6 BLS宽度学习神经网络预测
2.2.7 BP神经网络预测
2.2.8 CNN卷积神经网络预测
2.2.9 DBN深度置信网络预测
2.2.10 DELM深度学习极限学习机预测
2.2.11 DKELM回归预测
2.2.12 ELMAN递归神经网络预测
2.2.13 ELM极限学习机预测
2.2.14 ESN回声状态网络预测
2.2.15 FNN前馈神经网络预测
2.2.16 GMDN预测
2.2.17 GMM高斯混合模型预测
2.2.18 GRNN广义回归神经网络预测
2.2.19 GRU门控循环单元预测
2.2.20 KELM混合核极限学习机预测
2.2.21 LMS最小均方算法预测
2.2.22 LSSVM最小二乘法支持向量机预测
2.2.23 LSTM长短时记忆网络预测
2.2.24 RBF径向基函数神经网络预测
2.2.25 RELM鲁棒极限学习机预测
2.2.26 RF随机森林预测
2.2.27 RNN循环神经网络预测
2.2.28 RVM相关向量机预测
2.2.29 SVM支持向量机预测
2.2.30 TCN时间卷积神经网络预测
2.2.31 XGBoost回归预测
2.2.32 模糊预测
2.2.33 奇异谱分析方法SSA时间序列预测

2.3 机器学习和深度学习实际应用预测
CPI指数预测、PM2.5浓度预测、SOC预测、财务预警预测、产量预测、车位预测、虫情预测、带钢厚度预测、电池健康状态预测、电力负荷预测、房价预测、腐蚀率预测、故障诊断预测、光伏功率预测、轨迹预测、航空发动机寿命预测、汇率预测、混凝土强度预测、加热炉炉温预测、价格预测、交通流预测、居民消费指数预测、空气质量预测、粮食温度预测、气温预测、清水值预测、失业率预测、用电量预测、运输量预测、制造业采购经理指数预测

3 图像处理方面
3.1 图像边缘检测
3.2 图像处理
3.3 图像分割
3.4 图像分类
3.5 图像跟踪
3.6 图像加密解密
3.7 图像检索
3.8 图像配准
3.9 图像拼接
3.10 图像评价
3.11 图像去噪
3.12 图像融合
3.13 图像识别
3.13.1 表盘识别
3.13.2 车道线识别
3.13.3 车辆计数
3.13.4 车辆识别
3.13.5 车牌识别
3.13.6 车位识别
3.13.7 尺寸检测
3.13.8 答题卡识别
3.13.9 电器识别
3.13.10 跌倒检测
3.13.11 动物识别
3.13.12 二维码识别
3.13.13 发票识别
3.13.14 服装识别
3.13.15 汉字识别
3.13.16 红绿灯识别
3.13.17 虹膜识别
3.13.18 火灾检测
3.13.19 疾病分类
3.13.20 交通标志识别
3.13.21 卡号识别
3.13.22 口罩识别
3.13.23 裂缝识别
3.13.24 目标跟踪
3.13.25 疲劳检测
3.13.26 旗帜识别
3.13.27 青草识别
3.13.28 人脸识别
3.13.29 人民币识别
3.13.30 身份证识别
3.13.31 手势识别
3.13.32 数字字母识别
3.13.33 手掌识别
3.13.34 树叶识别
3.13.35 水果识别
3.13.36 条形码识别
3.13.37 温度检测
3.13.38 瑕疵检测
3.13.39 芯片检测
3.13.40 行为识别
3.13.41 验证码识别
3.13.42 药材识别
3.13.43 硬币识别
3.13.44 邮政编码识别
3.13.45 纸牌识别
3.13.46 指纹识别

3.14 图像修复
3.15 图像压缩
3.16 图像隐写
3.17 图像增强
3.18 图像重建

4 路径规划方面
4.1 旅行商问题（TSP）
4.1.1 单旅行商问题（TSP）
4.1.2 多旅行商问题（MTSP）
4.2 车辆路径问题（VRP）
4.2.1 车辆路径问题（VRP）
4.2.2 带容量的车辆路径问题（CVRP）
4.2.3 带容量+时间窗+距离车辆路径问题（DCTWVRP）
4.2.4 带容量+距离车辆路径问题（DCVRP）
4.2.5 带距离的车辆路径问题（DVRP）
4.2.6 带充电站+时间窗车辆路径问题（ETWVRP）
4.2.3 带多种容量的车辆路径问题（MCVRP）
4.2.4 带距离的多车辆路径问题（MDVRP）
4.2.5 同时取送货的车辆路径问题（SDVRP）
4.2.6 带时间窗+容量的车辆路径问题（TWCVRP）
4.2.6 带时间窗的车辆路径问题（TWVRP）
4.3 多式联运运输问题

4.4 机器人路径规划
4.4.1 避障路径规划
4.4.2 迷宫路径规划
4.4.3 栅格地图路径规划

4.5 配送路径规划
4.5.1 冷链配送路径规划
4.5.2 外卖配送路径规划
4.5.3 口罩配送路径规划
4.5.4 药品配送路径规划
4.5.5 含充电站配送路径规划
4.5.6 连锁超市配送路径规划
4.5.7 车辆协同无人机配送路径规划

4.6 无人机路径规划
4.6.1 飞行器仿真
4.6.2 无人机飞行作业
4.6.3 无人机轨迹跟踪
4.6.4 无人机集群仿真
4.6.5 无人机三维路径规划
4.6.6 无人机编队
4.6.7 无人机协同任务
4.6.8 无人机任务分配

5 语音处理
5.1 语音情感识别
5.2 声源定位
5.3 特征提取
5.4 语音编码
5.5 语音处理
5.6 语音分离
5.7 语音分析
5.8 语音合成
5.9 语音加密
5.10 语音去噪
5.11 语音识别
5.12 语音压缩
5.13 语音隐藏

6 元胞自动机方面
6.1 元胞自动机病毒仿真
6.2 元胞自动机城市规划
6.3 元胞自动机交通流
6.4 元胞自动机气体
6.5 元胞自动机人员疏散
6.6 元胞自动机森林火灾
6.7 元胞自动机生命游戏

7 信号处理方面
7.1 故障信号诊断分析
7.1.1 齿轮损伤识别
7.1.2 异步电机转子断条故障诊断
7.1.3 滚动体内外圈故障诊断分析
7.1.4 电机故障诊断分析
7.1.5 轴承故障诊断分析
7.1.6 齿轮箱故障诊断分析
7.1.7 三相逆变器故障诊断分析
7.1.8 柴油机故障诊断

7.2 雷达通信
7.2.1 FMCW仿真
7.2.2 GPS抗干扰
7.2.3 雷达LFM
7.2.4 雷达MIMO
7.2.5 雷达测角
7.2.6 雷达成像
7.2.7 雷达定位
7.2.8 雷达回波
7.2.9 雷达检测
7.2.10 雷达数字信号处理
7.2.11 雷达通信
7.2.12 雷达相控阵
7.2.13 雷达信号分析
7.2.14 雷达预警
7.2.15 雷达脉冲压缩
7.2.16 天线方向图
7.2.17 雷达杂波仿真

7.3 生物电信号
7.3.1 肌电信号EMG
7.3.2 脑电信号EEG
7.3.3 心电信号ECG
7.3.4 心脏仿真

7.4 通信系统
7.4.1 DOA估计
7.4.2 LEACH协议
7.4.3 编码译码
7.4.4 变分模态分解
7.4.5 超宽带仿真
7.4.6 多径衰落仿真
7.4.7 蜂窝网络
7.4.8 管道泄漏
7.4.9 经验模态分解
7.4.10 滤波器设计
7.4.11 模拟信号传输
7.4.12 模拟信号调制
7.4.13 数字基带信号
7.4.14 数字信道
7.4.15 数字信号处理
7.4.16 数字信号传输
7.4.17 数字信号去噪
7.4.18 水声通信
7.4.19 通信仿真
7.4.20 无线传输
7.4.21 误码率仿真
7.4.22 现代通信
7.4.23 信道估计
7.4.24 信号检测
7.4.25 信号融合
7.4.26 信号识别
7.4.27 压缩感知
7.4.28 噪声仿真
7.4.29 噪声干扰