✅作者简介:热爱科研的Matlab仿真开发者,修心和技术同步精进,代码获取、论文复现及科研仿真合作可私信。
🍎个人主页:Matlab科研工作室
🍊个人信条:格物致知。
更多Matlab完整代码及仿真定制内容点击👇
🔥 内容介绍
图像加密在信息安全领域至关重要。本文提出了一种基于二维混沌序列双随机相位系统结合菲涅尔变换的图像加密解密方法。该方法利用二维混沌序列生成双随机相位掩模,并结合菲涅尔变换对图像进行加密和解密。实验结果表明,该方法具有较高的加密强度、较好的抗攻击性,且加密解密效率较高。
引言
随着信息技术的发展,图像信息在网络传输和存储中面临着越来越严重的安全性问题。图像加密技术可以有效地保护图像信息不被未经授权的人员访问。近年来,基于混沌系统的图像加密方法因其良好的加密效果和较高的安全性而受到广泛关注。
方法
本文提出的图像加密解密方法主要包括以下步骤:
-
**生成二维混沌序列:**利用Henon映射或Lorenz映射等二维混沌系统生成二维混沌序列。
-
**构造双随机相位掩模:**利用二维混沌序列构造双随机相位掩模,其中一个相位掩模称为主相位掩模,另一个相位掩模称为辅相位掩模。
-
**菲涅尔变换:**对原图像进行菲涅尔变换,得到菲涅尔变换域的图像。
-
**加密:**将菲涅尔变换域的图像与主相位掩模相乘,得到加密后的图像。
-
**解密:**将加密后的图像与辅相位掩模相乘,再进行菲涅尔逆变换,得到解密后的图像。
实验结果
本文对提出的图像加密解密方法进行了实验验证。实验结果表明:
-
**加密强度:**该方法加密后的图像具有较高的熵值和均值平方误差,表明加密强度较好。
-
**抗攻击性:**该方法对常见的攻击,如噪声攻击、裁剪攻击、旋转攻击等具有较好的抵抗能力。
-
**加密解密效率:**该方法的加密解密效率较高,可以满足实际应用的需求。
结论
本文提出了一种基于二维混沌序列双随机相位系统结合菲涅尔变换的图像加密解密方法。该方法具有较高的加密强度、较好的抗攻击性,且加密解密效率较高。该方法可以有效地保护图像信息的安全,在信息安全领域具有重要的应用价值。
📣 部分代码
clear;
clc;
A=imread('lena.bmp');
% A=rgb2gray(X);
[M,N]=size(A);%原始图A的尺寸一MxN
%z=Tinkerbell(X,-0.72,-0.64,0.9,0.6013,2.0,0.5);
z=duffing(A,0.23,-0.13,2.75,0.2);
% figure,plot(z);
% cc=CRPM(z);
figure,plot(z);
⛳️ 运行结果
🔗 参考文献
[1] 朱薇.基于混沌的虚拟光学图像加密关键技术研究[D].南京邮电大学,2014.
[2] 柴秀丽,王音景,田野,等.基于二维压缩感知和忆阻混沌系统的彩色图像压缩加密方法:CN202010360776.X[P].CN111614455A[2024-04-13].
[3] 汪小刚.基于双随机相位编码和干涉原理的图像加密技术的研究[J].浙江大学, 2013.
🎈 部分理论引用网络文献,若有侵权联系博主删除
🎁 关注我领取海量matlab电子书和数学建模资料
👇 私信完整代码和数据获取及论文数模仿真定制
1 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱船配载优化、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化、CVRP问题、VRPPD问题、多中心VRP问题、多层网络的VRP问题、多中心多车型的VRP问题、 动态VRP问题、双层车辆路径规划(2E-VRP)、充电车辆路径规划(EVRP)、油电混合车辆路径规划、混合流水车间问题、 订单拆分调度问题、 公交车的调度排班优化问题、航班摆渡车辆调度问题、选址路径规划问题
2 机器学习和深度学习方面
2.1 bp时序、回归预测和分类
2.2 ENS声神经网络时序、回归预测和分类
2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类
2.4 CNN/TCN卷积神经网络系列时序、回归预测和分类
2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类
2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类
2.7 ELMAN递归神经网络时序、回归\预测和分类
2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类
2.9 RBF径向基神经网络时序、回归预测和分类