✅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
随着互联网技术的发展,数字图像信息在网络传输和存储过程中面临着越来越严重的安全性问题。为了保障图像信息的机密性,图像加密技术应运而生。近年来,混沌系统和DNA编码技术在图像加密领域得到了广泛应用。混沌系统具有对初始条件和系统参数高度敏感的特性,而DNA编码技术则可以将图像信息映射到具有高维度的DNA序列空间,从而提高加密算法的安全性。
本文提出了一种基于Logistic映射与Chen超混沌系统结合DNA分块的图像加密算法。该算法利用Logistic映射生成随机序列,并将其与Chen超混沌系统的输出结合,生成密钥流。然后,将图像信息分块并进行DNA编码,利用密钥流对DNA序列进行置乱和扩散操作,最终实现图像加密。
1. 算法原理
1.1 Logistic映射
Logistic映射是一种简单的非线性动力学模型,其迭代公式为:
x(n+1) = r * x(n) * (1 - x(n))
其中,x(n)表示第n次迭代的值,r为控制参数。当r取值在3.57至4之间时,Logistic映射会产生混沌现象,即系统对初始条件和控制参数高度敏感。
1.2 Chen超混沌系统
Chen超混沌系统是一个四维混沌系统,其状态方程为:
dx/dt = a(y - x)
dy/dt = (c - a) * x - x * z + c * y
dz/dt = x * y - b * z
dw/dt = -d * w + x * z
其中,a, b, c, d为系统参数。Chen超混沌系统具有更高的混沌程度,可以生成更加复杂的密钥流。
1.3 DNA编码
DNA编码是一种将数字信息映射到DNA序列空间的技术。本文采用四碱基编码方案,将每个像素值转换为一个4位的二进制数,然后将每个二进制数映射到一个DNA碱基对:
00 -> A, 01 -> C, 10 -> G, 11 -> T
例如,像素值123可以转换为二进制数1111011,然后映射到DNA序列ACGT。
1.4 加密过程
该算法的加密过程如下:
-
密钥生成: 利用Logistic映射和Chen超混沌系统生成密钥流。
-
图像分块: 将图像分割成若干个大小相同的块。
-
DNA编码: 将每个图像块进行DNA编码。
-
置乱: 利用密钥流对DNA序列进行置乱操作,改变序列的顺序。
-
扩散: 利用密钥流对DNA序列进行扩散操作,改变序列的碱基组成。
-
加密图像生成: 将加密后的DNA序列转换为二进制数据,并将其组合成加密后的图像。
2. 算法实现
2.1 密钥生成
使用Logistic映射和Chen超混沌系统生成密钥流。首先,设置Logistic映射的控制参数r和初始值x(0),并迭代生成一定长度的随机序列。然后,将该随机序列作为Chen超混沌系统的初始条件,并设置系统参数a, b, c, d,进行迭代计算,生成密钥流。
2.2 图像分块
将图像分割成若干个大小相同的块,每个块包含多个像素。
2.3 DNA编码
将每个图像块进行DNA编码,将每个像素值转换为一个DNA碱基对。
2.4 置乱和扩散
利用密钥流对DNA序列进行置乱和扩散操作。置乱操作可以改变DNA序列的顺序,而扩散操作可以改变DNA序列的碱基组成。
2.5 加密图像生成
将加密后的DNA序列转换为二进制数据,并将其组合成加密后的图像。
3. 性能分析
3.1 信息熵
信息熵是衡量图像信息随机性的指标。信息熵越大,图像信息越随机,安全性越高。本文使用信息熵来评估加密算法的安全性。
3.2 相关性
相关性是衡量图像像素之间相关性的指标。相关性越低,图像像素之间的关联性越小,安全性越高。本文使用像素之间的相关系数来评估加密算法的安全性。
4. 实验结果
本文对标准图像进行了加密实验,并对加密后的图像进行信息熵和相关性分析。实验结果表明,该算法可以有效地加密图像,并具有较高的信息熵和较低的相关性,证明了该算法的安全性。
5. 结论
本文提出了一种基于Logistic映射与Chen超混沌系统结合DNA分块的图像加密算法。该算法利用混沌系统和DNA编码技术,有效地提高了加密算法的安全性。实验结果表明,该算法具有较高的信息熵和较低的相关性,证明了其有效性和安全性。
⛳️ 运行结果
🔗 参考文献
🎈 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