【图像加密解密】离散小波变换结合Arnold彩色数字图像加密解密【含Matlab源码 4800期】

最新推荐文章于 2024-06-28 17:57:27 发布

Matlab领域

最新推荐文章于 2024-06-28 17:57:27 发布

阅读量964

点赞数 26

分类专栏： Matlab图像处理（高阶版）文章标签： matlab

本文链接：https://blog.csdn.net/weixin_63266434/article/details/139964177

版权

Matlab图像处理（高阶版）专栏收录该内容

281 篇文章 17 订阅

订阅专栏

在这里插入图片描述
✅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。

⛄一、离散小波变换结合Arnold彩色数字图像加密解密简介

0 引言
图像作为人类认识和表达世界的基本方法，应用极为广泛，从古老的壁画、象形文字到今天的数字化视频，图像一直伴随着人类历史的发展。但是随着计算机网络和多媒体技术的迅速发展，数字图像的安全保障问题日益凸显出来。因此，图像加密技术今年来成为一个非常重要的研究方向。
图像置乱是一种常用的数字图像加密方法，其直接表现为将一幅给定的数字图像变成一幅杂乱无章的图像，使其所要表达的真实信息无法直观地得到，,即使计算各种可能的组合情况也要花费巨大的代价。图像置乱可以分为位置置乱和灰度置乱。位置置乱顾名思义就是通过改变图像中各像素点的位置从而达到图像加密的目的。灰度置乱是通过改变各个像素点的灰度值来实现图像加密。目前常用的图像置乱方法有Arnold 变换、幻方变换、Tangram算法、Conway 游戏、Gray 码变换等。Arnold变换简单且具有周期性，所以在图像信息隐藏方面得到了很好的应用。本文就在遵循传统加密理论和原理的基础上，将数字图像的小波变换与Arnold变换有机地结合起来，研究了彩色数字图像的加密方法。

1 彩色数字图像的离散小波变换
对数字图像进行二维离散小波变换,将图像分解成水平低频和垂直低频(LL)、水平高频和垂直低频(HL)、水平低频和垂直高频(LH)、以及水平高频和垂直高频(HH) 4个分量;然后只将其中的低频分量LL继续分解成下一层的一个低频分量(LL)和3个高频分量(HL、LH和HH);如果要继续分解下去,同样只对低频分量继续分解下去,可以根据需要,
将数字图像分解到若干层。将彩色数字图像进行二维离散小波变换分解到若干层的步骤与上述分解步骤相同，只是对彩色数字图像的三基色矩阵分别进行分解。数字图像的二维离散小波变换就是数字图像小波分解的逆过程，将分解的图像进行重构。

2 Arnold变换及其逆变换
Arnold变换又称猫脸变换，根据所选择不同的相位空间可分为二维，三维甚至N维的Arnold变换。对于一幅N*N的二维图像，本文将基于像素点坐标离散化的Arnold变换图像置乱定义为：
（1）
其中，。对于数字图像而言，Arnold变换即将原来点处像素对应的灰度值或RGB颜色值移动至变换后的点处。通过变换，图像由清晰变模糊，当遍历了原图像的所有像素点之后，便产生了一幅新的图像。

3 彩色数字图像加密与解密
读入一幅彩色图像，图像包含R,G,B三基色，分别对这三个基色进行加密与解密。

3.1 加密
利用离散小波变换对该图像的R基色进行若干层分解，再通过Arnold变换对这若干层的小波变换系数分别进行置乱，再根据置乱后的小波变换系数通过小波逆变换，就得到加密的彩色数字图像。由于数字图像的小波变换系数LL、HL、LH、HH分别代表图像的基本轮廓、水平方向的细节、垂直方向的细节和对角方向的细节。因此，一般情况下，在图像小波分解的每层，只对LL进行Arnold变换来置乱，不对HL、LH、HH进行置乱。然后沿着图像小波分解的反方向，逐层根据置乱的LL以及不置乱的HL、LH和HH通过小波逆变换,就能达到满意的加密效果并能保证加密图像足够的安全。其中，作为密钥传输的是小波分解的层数和Arnold置乱的次数。
为简单起见，本文只对待加密的彩色数字图像进行二层分解。对于图像的G、B基色矩阵，也采用上述方法进行加密。最后将加密后的R、G、B基色矩阵组合成，即得到加密后的彩色数字图像。

3.2 解密
同样，以加密图像的R基色为例，介绍解密的方法。已知原R基色小波分解的层数，对加密的R基色作相同层数的小波分解，取出其LL，并对LL作Arnold逆变换。因为Arnold变换是周期的，即假设一幅图像的Arnold周期为T，则原图像经过T次Arnold变换置乱后又回到原图像。因此，若原R基色加密时Arnold变换的置乱次数为k，则对加密后的R基色再作T-k次Arnold变换，就回到未加密的R基色，即达到解密的效果。然后沿着图像小波分解的反方向，逐层根据解密的LL以及未置乱的HL、LH和HH通过小波逆变换,就能达到满意的解密效果。
对于加密图像的G、B基色矩阵，也采用上述方法进行加密。最后将解密后的R、G、B基色矩阵组合成，即得到解密后的彩色数字图像。

4 实验结果及分析
读入一幅RGB彩色图像，分别获取R、G、B三基色图像，本文在进行加密、解密仿真实验时，针对三基色的加密和解密是在一个子程序中，调用加密程序和解密程序，同时进行的，并显示其结果图。如图1R基色加密过程中，左上为R基色的原图；右上是对R基色原图进行二层小波分解后的低频分量；对此低频分量进行Arnold变换置乱后就变成左下的图像；沿着小波分解的反方向，通过小波逆变换，就得到了加密后的R基色图像。
关于R基色解密过程如图2所示，左上为密图；对此密图进行二层小波分解后取出低频分量，就得到右上的图像；再经过Arnold反变换后得到如左下所示的解密后的低频分量；沿着小波分解的反方向，通过小波逆变换，就得到了解密后的R基色图像。

⛄二、部分源代码

[g,map]=imread(‘b.jpg’);

R=g(:,:,1);
G=g(:,:,2);
B=g(:,:,3);
[cRR,RR]=encryption(R,34);
[cGG,GG]=encryption(G,34);
[cBB,BB]=encryption(B,34);
gg(:,:,1)=RR;
gg(:,:,2)=GG;
gg(:,:,3)=BB;
cgg(:,:,1)=cRR;
cgg(:,:,2)=cGG;
cgg(:,:,3)=cBB;
figure
subplot(131),imshow(g),title(‘原图’);
subplot(132),imshow(uint8(cgg)),title(‘加密后的图像’);
subplot(133),imshow(uint8(gg)),title(‘解密后的图像’);
imwrite( uint8(gg), ‘解密后的b.jpg’ );
D=double(g)-gg;
figure
imshow(uint8(D));

⛄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]陈永红,黄席樾.基于混沌序列的图像加密解密算法[J].计算机科学. 2003,(12)

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