✅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:海神之光
🏆代码获取方式:
海神之光Matlab王者学习之路—代码获取方式
⛳️座右铭:行百里者,半于九十。
更多Matlab仿真内容点击👇
Matlab图像处理(进阶版)
路径规划(Matlab)
神经网络预测与分类(Matlab)
优化求解(Matlab)
语音处理(Matlab)
信号处理(Matlab)
车间调度(Matlab)
⛄一、DNA混沌系统图像加密简介
基于DNA编码的图像加密,采用将图像分块进行DNA编码,通过CHEN超混沌系统产生密钥,进行特殊的DNA运算后解码得到加密后的图像。
Logistic混沌置乱,先不说有多复杂,其实很简单。
Logistic函数是源于一个人口统计的动力学系统,其系统方程形式如下:
X(k+1) = u * X(k) * [1 - X(k)],(k=0,1,…,n)
先不用管这个方程是怎么得出来的,觉得不舒服的话自己百度去。可以看出这个方程是非线性的,迭代的形式。要使用的话,我们需要知道两个东西:
① 初值:X(0)
② 参数:u
为什么这个方程可以称作混沌呢?它什么时候是一个混沌系统呢?这个也是有条件的:
① 0 < X(0) < 1
② 3.5699456… < u <=4
当满足上述两个条件时,Logistic函数工作于混沌状态。这两个条件是怎么来的请百度,我们这里只说算法和实现。什么是混沌状态:顾名思义就是一种无序的、不可预测的、混乱的、摸不到头、摸不到尾的状态。混沌状态时会出现什么现象,我们以下面的参数为例:
① X(0) = 0.1
② u = 4
当迭代n次后,我们就得到了X(1)、X(2)、…,X(n)这么n个值。那么这就是一个混沌序列,是一维的暂且称作序列A,也就是我们想要得到的序列,在MATLAB中,可以看出X(i)(i=1,2,…,n)的取值是在(0,1)之间的——这是一个很好地特性,就像图像灰度值是在(0,255)之间一样。那么我们把这个一维序列归一化到(0,255)之间得到序列B。
再来看加密过程。对于一幅MN大小的图像(暂且称为Picture),我们需要产生一个同样大小的矩阵来对其进行加密。如此说来,只需要迭代MN次得到序列A,再转成序列B,此时序列B是一维的,将其转化成M*N的二维矩阵(暂且称为Fuck)。因此,用Fuck与Picutre进行异或,便可得到一幅新的图像,称作Rod,如此便完成了一次图像加密,加密后的图像为Rod。
Rod=Picture⊕Fuck(⊕表示异或)
这样我们手中的秘钥是:u,X(0)
此种加密方式称作序列加密,可以看出这种加密方式改变了下像素的灰度(直方图变了),没有改变位置。解密同样道理:Picture = Rod⊕Fuck。
⛄二、部分源代码
clear;clc;
I=imread(‘lena.bmp’,‘bmp’); %读取图像信息
figure;imshow(I);title(‘原始图片’);
figure;imhist(I);title(‘原始图片直方图’);
axis([0 255 0 4000]);
[M,N]=size(I); %将图像的行列赋值给M,N
t=4; %分块大小
%% 原始图片信息熵
T1=imhist(I); %统计图像灰度值从0~255的分布情况,存至T1
S1=sum(T1); %计算整幅图像的灰度值
xxs1=0;
for i=1:256
pp1=T1(i)/S1; %每个灰度值占比,即每个灰度值的概率
if pp1~=0
xxs1=xxs1-pp1*log2(pp1);
end
end
%% 原始图像相邻像素相关性分析
%{
先随机在0M-1行和0N-1列选中1000个像素点,
计算水平相关性时,选择每个点的相邻的右边的点;
计算垂直相关性时,选择每个点的相邻的下方的点;
计算对角线相关性时,选择每个点的相邻的右下方的点。
%}
NN=1000; %随机取1000对像素点
x1=ceil(rand(1,NN)(M-1)); %生成1000个1~M-1的随机整数作为行
y1=ceil(rand(1,NN)(N-1)); %生成1000个1~N-1的随机整数作为列
EX1=0;EY1_SP=0;DX1=0;DY1_SP=0;COVXY1_SP=0; %计算水平相关性时需要的变量
EY1_CZ=0;DY1_CZ=0;COVXY1_CZ=0; %垂直
EY1_DJX=0;DY1_DJX=0;COVXY1_DJX=0; %对角线
I=double(I);
for i=1:NN
%第一个像素点的E,水平、垂直、对角线时计算得出的第一个像素点的E相同,统一用EX1表示
EX1=EX1+I(x1(i),y1(i));
%第二个像素点的E,水平、垂直、对角线的E分别对应EY1_SP、EY1_CZ、EY1_DJX
EY1_SP=EY1_SP+I(x1(i),y1(i)+1);
EY1_CZ=EY1_CZ+I(x1(i)+1,y1(i));
EY1_DJX=EY1_DJX+I(x1(i)+1,y1(i)+1);
end
%统一在循环外除以像素点对数1000,可减少运算次数
EX1=EX1/NN;
EY1_SP=EY1_SP/NN;
EY1_CZ=EY1_CZ/NN;
EY1_DJX=EY1_DJX/NN;
for i=1:NN
%第一个像素点的D,水平、垂直、对角线时计算得出第一个像素点的D相同,统一用DX表示
DX1=DX1+(I(x1(i),y1(i))-EX1)^2;
%第二个像素点的D,水平、垂直、对角线的E分别对应DY1_SP、DY1_CZ、DY1_DJX
DY1_SP=DY1_SP+(I(x1(i),y1(i)+1)-EY1_SP)^2;
DY1_CZ=DY1_CZ+(I(x1(i)+1,y1(i))-EY1_CZ)^2;
DY1_DJX=DY1_DJX+(I(x1(i)+1,y1(i)+1)-EY1_DJX)^2;
%两个相邻像素点相关函数的计算,水平、垂直、对角线
COVXY1_SP=COVXY1_SP+(I(x1(i),y1(i))-EX1)(I(x1(i),y1(i)+1)-EY1_SP);
COVXY1_CZ=COVXY1_CZ+(I(x1(i),y1(i))-EX1)(I(x1(i)+1,y1(i))-EY1_CZ);
COVXY1_DJX=COVXY1_DJX+(I(x1(i),y1(i))-EX1)(I(x1(i)+1,y1(i)+1)-EY1_DJX);
end
%统一在循环外除以像素点对数1000,可减少运算次数
DX1=DX1/NN;
DY1_SP=DY1_SP/NN;
DY1_CZ=DY1_CZ/NN;
DY1_DJX=DY1_DJX/NN;
COVXY1_SP=COVXY1_SP/NN;
COVXY1_CZ=COVXY1_CZ/NN;
COVXY1_DJX=COVXY1_DJX/NN;
%水平、垂直、对角线的相关性
RXY1_SP=COVXY1_SP/sqrt(DX1DY1_SP);
RXY1_CZ=COVXY1_CZ/sqrt(DX1DY1_CZ);
RXY1_DJX=COVXY1_DJX/sqrt(DX1DY1_DJX);
%% 1.补零
%将图像的行列数都补成可以被t整除的数,t为分块的大小。
M1=mod(M,t);
N1=mod(N,t);
if M1~=0
I(M+1:M+t-M1,:)=0;
end
if N1~=0
I(:,N+1:N+t-N1)=0;
end
[M,N]=size(I); %补零后的行数和列数
SUM=M*N;
%% 2.产生Logistic混沌序列
u=3.99; %Logistic参数μ,自定为3.99
x0=sum(I(😃)/(255SUM); %计算得出Logistic初值x0
x0=floor(x0104)/104; %保留4位小数
p=zeros(1,SUM+1000); %预分配内存
p(1)=x0;
for i=1:SUM+999 %进行SUM+999次循环,共得到SUM+1000点(包括初值)
p(i+1)=up(i)(1-p(i));
end
p=p(1001:length§); %去除前1000点,获得更好的随机性
%% 3.将p序列变换到0~255范围内整数,转换成MN的二维矩阵R
p=mod(ceil(p10^3),256);
R=reshape(p,N,M)'; %转成M行N列的随机矩阵R
%% 4.求解Chen氏超混沌系统
%求四个初值X0,Y0,Z0,H0
r=(M/t)(N/t); %r为分块个数
%求出四个初值
X0=sum(sum(bitand(I,3)))/(3SUM);
Y0=sum(sum(bitand(I,12)/4))/(3SUM);
Z0=sum(sum(bitand(I,48)/16))/(3SUM);
H0=sum(sum(bitand(I,192)/64))/(3SUM);
%保留四位小数
X0=floor(X0104)/104;
Y0=floor(Y0104)/104;
Z0=floor(Z0104)/104;
H0=floor(H0*104)/104;
%根据初值,求解Chen氏超混沌系统,得到四个混沌序列
A=chen_output(X0,Y0,Z0,H0,r);
X=A(:,1);
X=X(1502:length(X)); %去除前1501项,获得更好的随机性(求解陈氏系统的子函数多计算了1500点)
Y=A(:,2);
Y=Y(1502:length(Y));
Z=A(:,3);
Z=Z(1502:length(Z));
H=A(:,4);
H=H(1502:length(H));
%% 5.DNA编码
%X,Y分别决定I和R的DNA编码方式,有8种,1~8
%Z决定运算方式,有3种,0~2,0表示加,1表示减,2表示异或
%H表示DNA解码方式,有8种,1~8
X=mod(floor(X10^4),8)+1;
Y=mod(floor(Y10^4),8)+1;
Z=mod(floor(Z10^4),3);
H=mod(floor(H10^4),8)+1;
e=N/t; %e表示每一行可以分为多少块
Q1=DNA_bian(fenkuai(t,I,1),X(1));
Q2=DNA_bian(fenkuai(t,R,1),Y(1));
Q_last=DNA_yunsuan(Q1,Q2,Z(1));
Q(1:t,1:t)=DNA_jie(Q_last,H(1));
for i=2:r
Q1=DNA_bian(fenkuai(t,I,i),X(i)); %对原始图像每一个分块按X对应的序号进行DNA编码
Q2=DNA_bian(fenkuai(t,R,i),Y(i)); %对R的每一个分块按Y对应的序号进行DNA编码
Q3=DNA_yunsuan(Q1,Q2,Z(i)); %对上面两个编码好的块按Z对应的序号进行DNA运算
Q4=DNA_yunsuan(Q3,Q_last,Z(i)); %运算结果在和前一块按Z对应的序号再一次进行运算,称为扩散
Q_last=Q4;
xx=floor(i/e)+1;
yy=mod(i,e);
if yy==0
xx=xx-1;
yy=e;
end
Q((xx-1)t+1:xxt,(yy-1)t+1:yyt)=DNA_jie(Q4,H(i)); %将每一块合并成完整的图Q
end
Q=uint8(Q);
imwrite(Q,‘加密后的lena.bmp’,‘bmp’);
figure;imshow(Q);title(‘加密后图片’);
figure;imhist(Q);title(‘加密后直方图’);
axis([0 255 0 2000]);
%% 加密后信息熵
T2=imhist(Q);
S2=sum(T2);
xxs2=0;
for i=1:256
pp2=T2(i)/S2;
if pp2~=0
xxs2=xxs2-pp2*log2(pp2);
end
end
%% 加密图像相邻图像相关性分析
%{
先随机在0M-1行和0N-1列选中1000个像素点,
计算水平相关性时,选择每个点的相邻的右边的点;
计算垂直相关性时,选择每个点的相邻的下方的点;
计算对角线相关性时,选择每个点的相邻的右下方的点。
%}
Q=double(Q);
EX2=0;EY2_SP=0;DX2=0;DY2_SP=0;COVXY2_SP=0; %水平
EY2_CZ=0;DY2_CZ=0;COVXY2_CZ=0; %垂直
EY2_DJX=0;DY2_DJX=0;COVXY2_DJX=0; %对角线
for i=1:NN
%第一个像素点的E,水平、垂直、对角线时计算得出的第一个像素点的E相同,统一用EX2表示
EX2=EX2+Q(x1(i),y1(i));
%第二个像素点的E,水平、垂直、对角线的E分别对应EY2_SP、EY2_CZ、EY2_DJX
EY2_SP=EY2_SP+Q(x1(i),y1(i)+1);
EY2_CZ=EY2_CZ+Q(x1(i)+1,y1(i));
EY2_DJX=EY2_DJX+Q(x1(i)+1,y1(i)+1);
end
%统一在循环外除以像素点对数1000,可减少运算次数
EX2=EX2/NN;
EY2_SP=EY2_SP/NN;
EY2_CZ=EY2_CZ/NN;
EY2_DJX=EY2_DJX/NN;
for i=1:NN
%第一个像素点的D,水平、垂直、对角线时计算得出第一个像素点的D相同,统一用DX2表示
DX2=DX2+(Q(x1(i),y1(i))-EX2)^2;
%第二个像素点的D,水平、垂直、对角线的E分别对应DY2_SP、DY2_CZ、DY2_DJX
DY2_SP=DY2_SP+(Q(x1(i),y1(i)+1)-EY2_SP)^2;
DY2_CZ=DY2_CZ+(Q(x1(i)+1,y1(i))-EY2_CZ)^2;
DY2_DJX=DY2_DJX+(Q(x1(i)+1,y1(i)+1)-EY2_DJX)^2;
%两个相邻像素点相关函数的计算,水平、垂直、对角线
COVXY2_SP=COVXY2_SP+(Q(x1(i),y1(i))-EX2)(Q(x1(i),y1(i)+1)-EY2_SP);
COVXY2_CZ=COVXY2_CZ+(Q(x1(i),y1(i))-EX2)(Q(x1(i)+1,y1(i))-EY2_CZ);
COVXY2_DJX=COVXY2_DJX+(Q(x1(i),y1(i))-EX2)(Q(x1(i)+1,y1(i)+1)-EY2_DJX);
end
%统一在循环外除以像素点对数1000,可减少运算次数
DX2=DX2/NN;
DY2_SP=DY2_SP/NN;
DY2_CZ=DY2_CZ/NN;
DY2_DJX=DY2_DJX/NN;
COVXY2_SP=COVXY2_SP/NN;
COVXY2_CZ=COVXY2_CZ/NN;
COVXY2_DJX=COVXY2_DJX/NN;
%水平、垂直、对角线的相关性
RXY2_SP=COVXY2_SP/sqrt(DX2DY2_SP);
RXY2_CZ=COVXY2_CZ/sqrt(DX2DY2_CZ);
RXY2_DJX=COVXY2_DJX/sqrt(DX2DY2_DJX);
%% 输出数据信息
disp(‘加密成功’);
disp([‘密钥1:μ=’,num2str(u),’ 密钥2:x0=‘,num2str(x0),’ 密钥3:x(0)=‘,num2str(X0)]);
disp([‘密钥4:y(0)=’,num2str(Y0),’ 密钥2:z(0)=‘,num2str(Z0),’ 密钥3:h(0)=‘,num2str(H0)]);
disp([‘原始图片信息熵=’,num2str(xxs1),’ 加密后图片信息熵=‘,num2str(xxs2)]);
disp([‘原始图片相关性:’,’ 水平相关性=‘,num2str(RXY1_SP),’ 垂直相关性=‘,num2str(RXY1_CZ),’ 对角线相关性=‘,num2str(RXY1_DJX)]);
disp([‘加密图片相关性:’,’ 水平相关性=‘,num2str(RXY2_SP),’ 垂直相关性=‘,num2str(RXY2_CZ),’ 对角线相关性=',num2str(RXY2_DJX)]);
⛄三、运行结果
⛄四、matlab版本及参考文献
1 matlab版本
2014a
2 参考文献
[1]周红亮,刘洪娟. 2021,42(10).结合DNA编码的快速混沌图像加密算法[J].东北大学学报(自然科学版)
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
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
2 机器学习和深度学习方面
卷积神经网络(CNN)、LSTM、支持向量机(SVM)、最小二乘支持向量机(LSSVM)、极限学习机(ELM)、核极限学习机(KELM)、BP、RBF、宽度学习、DBN、RF、RBF、DELM、XGBOOST、TCN实现风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断
3 图像处理方面
图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知
4 路径规划方面
旅行商问题(TSP)、车辆路径问题(VRP、MVRP、CVRP、VRPTW等)、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、车辆协同无人机路径规划、天线线性阵列分布优化、车间布局优化
5 无人机应用方面
无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配
6 无线传感器定位及布局方面
传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化
7 信号处理方面
信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化
8 电力系统方面
微电网优化、无功优化、配电网重构、储能配置
9 元胞自动机方面
交通流 人群疏散 病毒扩散 晶体生长
10 雷达方面
卡尔曼滤波跟踪、航迹关联、航迹融合