package com.beijing.lebo.util.image;
import java.io.File;
import java.io.FileInputStream;
import java.io.FileOutputStream;
import java.io.IOException;
/**
* 图片加密解密工具类
*
* @author Administrator
*/
public class ImageLock {
/**
* @param args
* 测试主方法
* @throws IOException
*/
public static void main(String[] args) throws IOException {
lockImage("C:/1.png", "C:/2.png", 111111);
unLockImage("C:/2.png", "C:/3.png", 111111);
}
/**
*
* @param file_path
* 待加密的图片路径
* @param save_path
* 加密后的图片路径
* @param lock_num
* 加密密钥
* @throws IOException
*/
public static void lockImage(String file_path, String save_path,
int lock_num) throws IOException {
File soure = new File(file_path);
File save = new File(save_path);
lockImage(soure, save, lock_num);
}
/**
*
* @param file_path
* 待加密的图片文件
* @param save_path
* 加密后的图片文件
* @param lock_num
* 加密密钥
* @throws IOException
*/
public static void lockImage(File soure_file, File save_file, int lock_num)
throws IOException {
FileInputStream fis = new FileInputStream(soure_file);
FileOutputStream fos = new FileOutputStream(save_file);
int b = 0;
while ((b = fis.read()) != -1) {
fos.write(b - lock_num);
fos.flush();
}
fos.close();
fis.close();
System.out.println("加密完成");
}
/**
*
* @param file_path
* 待解密的图片路径
* @param save_path
* 解密后的图片路径
* @param unlock_num
* 解密密钥
* @throws IOException
*/
public static void unLockImage(String file_path, String save_path,
int unlock_num) throws IOException {
File soure = new File(file_path);
File save = new File(save_path);
unLockImage(soure, save, unlock_num);
}
/**
*
* @param file_path
* 待解密的图片文件
* @param save_path
* 解密后的图片文件
* @param unlock_num
* 解密密钥
* @throws IOException
*/
public static void unLockImage(File soure_file, File save_file,
int unlock_num) throws IOException {
FileInputStream fis = new FileInputStream(soure_file);
FileOutputStream fos = new FileOutputStream(save_file);
int b = 0;
while ((b = fis.read()) != -1) {
fos.write(b + unlock_num);
fos.flush();
}
fos.close();
fis.close();
System.out.println("解密完成");
}
}
相关推荐
光模块基础知识【快速入门】02
光模块是用于交换机与设备之间传输的载体,是光纤通信系统中的核心器件。主要作用是发射端将设备的电信号转换成光信号。 光纤通道光模块和以太网光模块 光纤通道光模块 光纤通道(FC, Fiber Channel)是一种高速网络数据传输协议。光纤通道协议可以有序无损地传输原始数据,它主要用于在数据中心、电脑服务器、交换机与存储网络中进行数据传输。 FC光模块遵循FC协议,充当着光纤通道系统之间的接口,也是光纤存储网络设备间的接口。它们主要用于数据中心的光纤通道存储网络链接中。 FC光模块具有小型化和低.
JavaIO流实现图片加密解密
本篇博客是关于直接复制图片,加密复制图片和解密被加密的图片。
西门子S7-200 SMART 实战解析:滑动平均值滤波算法在模拟量信号处理中的应用
本文详细解析了在西门子S7-200 SMART PLC中实现滑动平均值滤波算法的实战应用。通过处理模拟量信号如温度、压力等,该算法有效抑制信号干扰,提升系统稳定性。文章涵盖算法原理、程序框架、信号采集及调试优化,为工业自动化工程师提供实用指南。
Java图片加解密工具类
此工具类可用于图片加解密,方式有通过图片地址读取图片进行加密或通过图片base64位编码进行加解密;
1.47寸ST7789V3彩色TFT LCD嵌入式驱动详解
TFT LCD是嵌入式人机交互(HMI)的核心显示技术,其工作原理依赖于行列驱动、RGB像素寻址与伽马校正等模拟/数字协同机制。ST7789V3作为主流低功耗TFT控制器,支持SPI接口与16位RGB565数据格式,具备高兼容性与轻量级驱动优势。在资源受限的MCU平台(如ARM Cortex-M系列)上,结合RT-Thread设备驱动模型与QSPI硬件加速,可实现高效显存管理、Bresenham图形算法及GB2312中文字模渲染。典型应用场景涵盖便携设备状态屏、工业HMI面板与教育开发套件——本文以1.47
全局–局部傅里叶神经算子(GL-FNO):原理、严格推导与 PINN 混合策略
本文提出了一种全局-局部傅里叶神经算子(GL-FNO)及其与物理信息神经网络(PINN)的结合方法。主要内容包括: 架构设计:GL-FNO包含两个分支 - 全局分支处理低频结构,使用下采样输入;局部分支处理高频细节,使用全分辨率输入。两分支通过自适应门控机制融合。 理论分析:证明了GL-FNO在"低频全局+高频局部"任务上的优势,给出了误差分解和复杂度分析,并推导了与PINN结合时的渐进一致性条件。 实现方法:采用频谱微分计算物理残差,推导了完整的训练流程,包括数据损失与物理损失的联合优
Java 实现图片的加密和解密的两种方式
今天我们将探讨一个有趣且实用的主题:如何在Java中实现图片的加密和解密?图片加密就像是给图片穿上一件隐身斗篷,让它们的内容只有授权的人能够看到。解密则是解开这层隐身斗篷,让图片恢复原貌。在这篇文章中,我们将介绍两种Java实现图片加密和解密的方法,帮助你了解如何保护和访问你的图片数据。直接上图当我们进行加密后本地访问显示解密后图片恢复原貌下面将介绍两种方式进行图片的加密解密,异或加密和AES对称加密。
手把手教你学simulink实例:基于Simulink的风力发电系统建模与仿真
风力发电作为一种清洁、可再生的能源形式,近年来得到了快速发展。风力发电系统的性能优化和控制策略设计对于提高发电效率、降低运行成本具有重要意义。本项目旨在使用MATLAB/Simulink平台,对风力发电系统进行建模与仿真,研究其动态特性,并验证控制策略的有效性。通过建立风力发电机、传动系统、发电机及电力电子变换器等子系统的模型,实现对风力发电系统的全面分析。
图片加密解密操作
package csdn.java3; import org.junit.Test; import java.io.FileInputStream; import java.io.FileOutputStream; import java.io.IOException; public class PicTest { //图片的加密(异或运算加密) @Test p...
YOLOv11改进 | 损失函数篇 | YOLOv11引入引MPDIoU, GIoU,DIoU, CIoU, SIoU,EIoU, WIoU, LMPDIoU等损失函数
到此本文的正式分享内容就结束了,在这里给大家推荐我的YOLOv11改进有效涨点专栏,本专栏目前为新开的,后期我会根据各种前沿顶会进行论文复现,也会对一些老的改进机制进行补充,如果大家觉得本文帮助到你了,订阅本专栏,关注后续更多的更新~1. YOLOv11中添加MPDIoU, GIoU,DIoU, CIoU, SIoU等损失函数的方式。文件中用给出的代码替换掉。
ArcGIS实验教程——实验十九:网络分析(最短路径实现)
一、实验描述 网络分析模块用于实现基于网络数据集的网络分析功能,包括路径分析、服务区分析、最近设施点分析、OD成本矩阵分析、多路径配送分析、位置分配分析和高级网络的管理与创建等。 网络数据集不同于几何网络,是一种高级的连接模型,能够展示复杂的细节,拥有丰富的网络属性模型,可以模拟网络阻力、网络限制以及网络层次等。 本实验重点演示网络分析中最短路径的实现过程。 二、实验内容 1、网络数据集...
Java批量加密解密文件简单小程序
今天突然想起来要把我的一些文件(文本,图片文件等都可以)给加密了,那就写了一个加密解密的小程序,并不牵涉什么很厉害的算法(所以大牛勿喷),就是把一些数据加减一个固定数这么简单的加密解密,不过还是很实用的,可以批量的把当前目录下的所有文件给加密了,同时可以用解密文件把加密后的文件给解密了,程序很简单就不多解释了,很基础但扩展性和参考性还是很高的,先上图,后上源码: 运行加密文件lock.j
[ComfyUI进阶教程] animatediff视频提示词书写要点
4.提示词不要太复杂:comfyui的提示字符数不能太多,在animate提示词中,不要放太多的画质修饰词。5.成熟稳定的模型:使用主流的大模型,如麦橘系列(参考L站,C站等排行榜),大模型的效果比较稳定。3.手部隐藏:AI绘画对手的姿势不太友好,可以在生成的构图中隐藏手(比如增加提示词:手在背后)第一段是人物主体描述词,比如是一个女孩,穿什么衣服,在什么场景下,镜头是全身还是半身,或者特写。1个女孩,单人,黑色头发,白色连衣裙,全身,户外,中等身材,新款中式西装,帧数不能太短,不然画面会很跳。
IO流的简单应用
目录图片的加密和解密在控制台录入文件的路径,将文件内容拷贝到指定文件将键盘录入的数据拷贝到当前项目下的text.txt文件中,键盘录入数据当遇到quit时就退出将文本反转并且写到另外一个文件上 (按行反转) 至少两行数据才能看出效果 图片的加密和解密 package io; import java.io.*; /** * 图片的加密和解密 */ public class Test {...
C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片
基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正
深度学习工具包 DeepLearningToolbox
深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[](https://bitdeli.com/free "Bitdeli Badge")
java 加密解密_Java实现文件的加密与解密
最近在做一个项目,需要将资源文件(包括图片、动画等类型)进行简单的加密后再上传至云上的服务器,而在应用程序中对该资源使用前先将读取到的文件数据进行解密以得到真正的文件信息。此策略的原因与好处是将准备好的资源存储在云上,使用时通过网络进行读取即可,减少了应用程序本身的大小。这一点对于移动应用尤其重要,特别是在资源量较大且需要对其进行保护的时候。毕竟在目前所处的大环境下,要想复制一款软件不难,那真正宝...
锂电池充电器电路设计 里面有电路
锂电池充电器电路设计 里面有电路 3.7V升压到5V电路设计。
【例26图片的加密解密操作】
例26 图片的加密解密操作
win10 跳过U8环境检测的IE WebControls.rar
win10 安装u8的时候 提示IE WebControls 不通过,这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后,重新检测通过。
异或以及循环移位进行文件的加密解密
1.随机函数 使用随机函数产生,某一范围内了随机数。比如生成[1,100]以内的随机数。srand 和 rand()配合使用产生伪随机数序列。rand 函数在产生随机数前,需要系统提供的生 成伪随机数序列的种子,rand 根据这个种子的值产生一系列随机数。如果系统提供 的种子没有变化,每次调用 rand 函数生成的伪随机数序列都是一样的。 列题;如何生成 30 个不重复的随机数并存储的 int r...
通过io流对图片进行加密与解密
package 练习; import org.junit.Test; import java.io.*; public class PictureSecret { @Test //对图片进行加密 public void pictureSecret() { BufferedInputStream bi= null; BufferedOutputStream bo= null; try { //创建输入输出文
php byte加盐,PHP实现支持加盐的图片加密解密
一个简单的图片加解密函数,使用client跑,不要使用浏览器跑话不多说,直接上代码/*** Created by hello.* User: qq 845875470* Date: 2016/4/2* Time: 11:21*/$notice = <<为了稳定性,必须在客户端跑格式 :php path=D:/xxx/uuu type=en is_copy=1 salt=xxx参数使用空...
java fileandenc_Java实现文件的加密与解密-加密文件
这里使用的是文件读写流的时候进行异位算法,方法也比较简单。详细见代码,可以是任何文件,图片,pdf等;package inno320;import java.io.File;import java.io.InputStream;import java.io.OutputStream;import java.io.FileInputStream;import java.io.FileOutputSt...
PDF怎么转图片格式?一个工具轻松解决
第二步:文件上传完毕后,如果想查看单个文件的转换效果,只需将鼠标轻放在文件上,并选择相关功能图片就可以单独转换,同时右侧的【页面转为JPG】、【提取JPG】两种图片提取模式可以满足大家不同的提取需求,图片模式选择完毕后,点击【开始转换】就可以获得图片文件了。想要确保PDF转为图片后画质依旧清晰无损,是少不了就像全能PDF转换助手一样专业的PDF转换工具的帮忙的,它们可以把PDF文件批量转换为图片,提高大家的工作效率!下面是PDF转图片的效果:可以看到中英文均转换成功,而且文档中的图片也没有出现色差等问题;.
图片加密、遍历目录文件找.c与.h文件以及冒泡、插空与选择排序
文件IO实现图片加密与解密;在文件夹内找普通文件记录.c和.h的代码行数与文件地址;实现冒泡排序、选择排序和插孔排序。
通过文件IO的学习,实现对照片的加密与解密,干货满满!!
通过文件IO的学习,实现对照片的加密与解密,干货满满!!
文件读写
public class Test1 {/** * @param args * @throws IOException * 将写出的字节异或上一个数,这个数就是密钥,解密的时候再次异或就可以了 */ public static void main(String[] args) throws IOException { BufferedInputStream bis = new Bu
3万+



被折叠的 条评论
为什么被折叠?



