CN112788196B - 基于卷积神经网络动态自适应扩散的双图像加密方法 - Google Patents
基于卷积神经网络动态自适应扩散的双图像加密方法 Download PDFInfo
- Publication number
- CN112788196B CN112788196B CN202110107259.6A CN202110107259A CN112788196B CN 112788196 B CN112788196 B CN 112788196B CN 202110107259 A CN202110107259 A CN 202110107259A CN 112788196 B CN112788196 B CN 112788196B
- Authority
- CN
- China
- Prior art keywords
- image
- diffusion
- img1
- original
- image1
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N1/00—Scanning, transmission or reproduction of documents or the like, e.g. facsimile transmission; Details thereof
- H04N1/32—Circuits or arrangements for control or supervision between transmitter and receiver or between image input and image output device, e.g. between a still-image camera and its memory or between a still-image camera and a printer device
- H04N1/32101—Display, printing, storage or transmission of additional information, e.g. ID code, date and time or title
- H04N1/32144—Display, printing, storage or transmission of additional information, e.g. ID code, date and time or title embedded in the image data, i.e. enclosed or integrated in the image, e.g. watermark, super-imposed logo or stamp
- H04N1/32149—Methods relating to embedding, encoding, decoding, detection or retrieval operations
- H04N1/32267—Methods relating to embedding, encoding, decoding, detection or retrieval operations combined with processing of the image
- H04N1/32272—Encryption or ciphering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
- H04L9/001—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols using chaotic signals
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Signal Processing (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computer Networks & Wireless Communication (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Security & Cryptography (AREA)
- Facsimile Transmission Control (AREA)
Abstract
基于卷积神经网络动态自适应扩散的双图像加密方法,涉及双图像加密技术领域,解决现有双图像加密方法中存在的密钥空间不足,随机性不够的问题,以及不能有效抵抗已知明文攻击和选择明文攻击的安全缺陷,本发明由5D保守混沌系统生成的随机序列经过一系列变换后得到的L_Con作为卷积神经网络的卷积核,得到明文相关的坐标对。通过对两幅明文图像分别划分为8位的二进制形式,将高4位和低4位分别组合,再由明文相关的坐标对置乱两图图像,最后利用动态自适应扩散方法进一步扰乱图像的像素。5D保守混沌系统具有更好的伪随机特性,具有更大的密钥空间,更强的敏感性,抵抗各种安全攻击的能力更强,因此,具有更稳定的混沌特性,以及抵抗重构攻击等。
Description
技术领域
本发明涉及双图像加密技术领域,具体涉及一种基于卷积神经网络和按位融合图像的动态自适应扩散双图像加密解密方法。
背景技术
近年来,随着信息技术和电信网络的快速发展导致数字信息从图像到音频和视频文件的传输增加。因此,研究人员已进行了广泛的研究,以维护这些数据的安全性并保护其免受未经授权的用户的侵害。加密是一种实现高安全性的方法。同时,由于其广泛的应用,包括军事,医疗等,加密技术已成为使用最广泛和最活跃的领域之一。图像数据具有其独特的特性(大量,像素之间的高度相关性和高压缩能力),使得在图像上实施文本加密技术或经典算法(例如DES,AES和IDEA)变得困难而缓慢。图像加密技术通常有两个阶段:置乱阶段是用于掩盖明文、密文和密钥之间的关系,使得密钥和密文之间的统计关系尽可能复杂,导致密码攻击者无法从密文推理得到密钥;扩散阶段是将明文冗余度分散到密文中使之分散开来,以便隐藏明文的统计结构,实现方式是使明文的每一位影响密文中多位的值。这个置乱—扩散反复重复一定次数,以保证达到相应的安全水平。在这种机制中,密钥和控制参数的生成是加密方法安全性与复杂性的决定性要素之一。
一个优秀的加密算法应该可以抵抗常见的攻击,如已知明文/选择明文攻击、差分攻击、剪切攻击和噪声攻击等,。如今,已经提出了许多图像加密算法,例如基于混沌的图像密码系统,DNA计算,分数傅里叶变换,或细胞自动机(CA)。而现在常用的混沌系统也被发现有被重构攻击的风险,因此有研究人员提出了保守混沌系统,具有更大的李指数,随机性更强,由于其没有奇异吸引子,因此无法被重构,该系统具有更高的安全性。
卷积神经网络(CNN)是一种新兴的人工神经网络结构。由于在图像和语音识别中使用CNN来获得更好的测试结果,因此该算法得到了广泛的推广和应用。CNN是计算机图像识别的最常用领域,但由于其不断的创新,已被应用于图像安全等领域,取得了一些丰硕的研究成果。
发明内容
本发明的目的在于针对现有双图像加密方法中存在的密钥空间不足,随机性不够的问题,以及不能有效抵抗已知明文攻击和选择明文攻击的安全缺陷,提供一种基于卷积神经网络的动态自适应扩散双图像加密解密方法。
用户加密解密密钥为:logistics映射和5D保守混沌系统初值,迭代次数,动态自适应扩散的控制参数。
卷积神经网络的动态自适应扩散双图像加密解密方法,设定相同的用户加密密钥与解密密钥,所述用户加密密钥或解密密钥均包括logistics混沌系统初值和5D保守混沌系统初值,迭代次数以及动态自适应扩散的控制参数;该方法的加密过程由以下步骤实现:
步骤一、将大小均为M×N的两幅图像作为原始图像Image1和原始图像Image2;
步骤二、以用户加密密钥中的θ0为logistics混沌系统初值,迭代所述logistics混沌系统d0次,舍弃前dd0次迭代结果,获得一个长度为M×N的伪随机序列Lo;
步骤三、由步骤二中的伪随机序列Lo,根据下述公式计算,获得5D保守混沌系统的初值x0,y0,z0,u0,v0:
步骤四、以用户密钥中的d1为5D保守混沌系统迭代次数,迭代5D保守混沌系统,获得五个长度分别为M×N的伪随机序列X,Y,Z,U,V;如下式为:
步骤五、将步骤四中伪随机序列进行归一化处理,获得加密密钥HC1,HC2,HC3,HC4,HC5;
步骤六、将步骤三所述的随机序列Lo做归一化处理,并进行矩阵变换获得二维矩阵L_Con;将L_Con作为卷积神经网络的卷积核,通过对步骤一所述原始图像Image1和原始图像Image2均进行卷积运算,获得明文相关的两个大小均为的随机矩阵P_img1和P_img2;
步骤七、对步骤六中的随机矩阵P_img1和P_img2中的数据去重,分别获得明文相关的明文卷积坐标对(P_x1,P_y1)和(P_x2,P_y2);
步骤八、将步骤一所述原始图像Image1展开为8位二进制形式,并按位分别记为8个布尔型矩阵L11,L12,L13,L14,L15,L16,L17,L18;
步骤九、将步骤一所述原始图像Image2展开为8位二进制形式,并按位分别记为8个布尔型矩阵L21,L22,L23,L24,L25,L26,L27,L28;
步骤十、将步骤八和步骤九所述的布尔矩阵L11,L12,L13,L14,L15,L16,L17,L18
和L21,L22,L23,L24,L25,L26,L27,L28交叉组合,分别构成高位布尔图像H_image1和低位布尔图像L_image2,构造方法如下式所示:
H_img1=[L11,L21,L12,L22,L13,L23,L14,L24]
L_img2=[L15,L25,L16,L26,L17,L27,L18,L28]
步骤十一、采用步骤七中获得的明文卷积坐标对(P_x1,P_y1)和(P_x2,P_y2)置乱步骤十所述的高位布尔图像H_image1和低位布尔图像L_image2,置乱方法分别如下式为:
式中,和为置乱中间变量,用于放置置乱的中间像素信息;(i,j)图像中的位置坐标值,i=1,2,…,M;j=1,2,…,N;符号表示将置乱结果分别另存为高位置乱图像PH_image1和低位置乱图像PL_image2;
步骤十二、对步骤十一获得的低位置乱图像PL_image2进行静态扩散,静态扩散,获得静态低位扩散图像E_L_img2;
步骤十三、对步骤十一获得的高位置乱图像PH_image1进行动态自适应扩散,获得动态高位扩散图像E_H_img1;
步骤十四、分别对步骤五中的加密密钥HC1,HC2,HC3和HC4中的数据去重,获得混沌坐标对(Cx,Cy)和(Cx1,Cy1),方法如公式(21)和(22)所示:
其中find()表示查询非零元素的位置,unique()表示筛除向量中的重复值。
步骤十五、将步骤十二所述静态低位扩散图像E_L_img2和步骤十三所述动态高位扩散图像E_H_img1进行图像间混淆操作,获得最终密文图像C_img1和C_img2。
本发明的有益效果:本发明提出的基于卷积神经网络动态自适应扩散的图像加密解密方法,由5D保守混沌系统生成的随机序列经过一系列变换后得到的L_Con作为卷积神经网络的卷积核,得到明文相关的坐标对。通过对两幅明文图像分别划分为8位的二进制形式,然后将高4位和低4位分别组合,再由明文相关的坐标对置乱两图图像,最后利用动态自适应扩散方法进一步扰乱图像的像素。5D保守混沌系统具有更好的伪随机特性,具有更大的密钥空间,更强的敏感性,抵抗各种安全攻击的能力更强,同时由于5D保守混沌系统没有吸引子,且具有更大的李亚普诺指数值,因此,具有更稳定的混沌特性,以及可以抵抗重构攻击等。
附图说明
图1本发明所述的卷积神经网络动态自适应扩散图像加密解密方法中加密过程流程图;
图2本发明所述的卷积神经网络动态自适应扩散图像加密解密方法中解密过程流程图;
图3为采用本发明所述的卷积神经网络动态自适应扩散图像加密解密方法图像融合后效果图:其中图3(a)为“蝴蝶”原始图像;其中图3(b)为“青椒”原始图像;其中图3(c)为“蝴蝶”和“青椒”原始图像的高4位融合;其中图3(d)为“蝴蝶”和“青椒”原始图像的低4位融合;
图4为采用本发明所述的卷积神经网络动态自适应扩散图像加密解密方法进行加密解密的效果图:其中图4(a)为“蝴蝶”原始图像;其中图4(b)为“青椒”原始图像;其中图4(c)为图4(a)的加密图像;其中图4(d)为图4(b)的加密图像;其中图4(e)为图4(c)的解密图像;其中图4(f)为图4(d)的解密图像;
图5为采用本发明所述的卷积神经网络动态自适应扩散图像加密解密方法直方图分析:其中图5(a)为图4(c)的直方图;其中图5(b)为图4(d)的直方图。
具体实施方式
具体实施方式一、结合图1至图5说明本实施方式,基于卷积神经网络态态自适应扩散图像加密解密方法,该方法由以下步骤现:
本实施例设定用户加密解密密钥为:logistics映射和5D保守混沌系统初值,迭代次数,动态自适应扩散的控制参数。
步骤一、将大小为256×256的两幅图像作为原始图像Image1和Image2,分别如附图3(a)和附图3(b)。
迭代公式(1)所示系统d0次,舍弃前dd0次迭代结果,本实施方式中d0=66536,dd0=1000,得到一个长度为256×256的伪随机序列Lo如公式(2)所示:
步骤三、由步骤二中的伪随机序列根据公式(3)所示方法计算得5D保守混沌系统的初值:
其中n∈N,且n<d0。l=1,2,…,n为索引值。初始控制参数分别为:α0=-1.72,β0=-2.43,γ0=0.28,δ0=-0.5,ε0=0.033。初值比例系数分别为:ω0=2,ψ0=10,φ0=1.5,
步骤四、将步骤三中的x0,y0,z0,u0,v0作为五D超混沌系统初值,以用户密钥中的d1为五D超混沌系统迭代次数,本实施方式中x0=0.25,y0=7,z0=-2,u0=2.5,v0=-0.7,d1=65536,迭代5D保守混沌系统得到5个伪随机序列x,y,z,u,v。五D混沌系统状态方程由公式(4)所示:
其中a,b,c和d是五D保守混沌系统的控制参数,本实施方式中a=30,b=30,c=10,d=30。生成五个长度分别为256×256的伪随机序列X,Y,Z,U,V如公式(5)所示:
步骤五、将步骤四中伪随机数归一化处理,处理方法如公式(6)所示,得HC1,HC2,HC3,HC4,HC5:
其中mod()为取模函数。
步骤六、将步骤三所述的随机矩阵Lo做归一化处理,并进行矩阵变换得L_Con。
L_Con=reshape(mod(Lo×1015,256),256,256) (7)
其中,reshape()表示矩阵变形操作。
其中CNN为卷积神经网络。
步骤七、分别对P_img1和P_img2中的数据去重,得到明文相关的两个明文卷积坐标对(P_x1,P_y1)和(P_x2,P_y2)。
其中unique()为去掉矩阵中重复的元素函数。Find()为返回向量中非零元素的位置。[]是将0的元素置为空。
步骤八、将步骤一所述原始图像Image1展开为8位二进制形式,方法如公式(11)所示。并按位分别记为8个布尔型矩阵L11,L12,L13,L14,L15,L16,L17,L18,如公式(12)所示:
其中dec2base()表示十进制数到二进制数的转换,str2num()表示一个ASCII字符串表示的数值,这种调用格式把字符串转换成数值。I_rs1是原始图像矩阵Image1的8位二进制形式。
步骤九、将步骤一所述原始图像Image2展开为8位二进制形式,方法如公式(13)所示,并按位分别记为8个布尔型矩阵L21,L22,L23,L24,L25,L26,L27,L28,如公式(14)所示:
I_rs2是原始图像矩阵Image2的8位二进制形式。
步骤十、将步骤八和步骤九所述的布尔矩阵L11,L12,L13,L14,L15,L16,L17,L18和L21,L22,L23,L24,L25,L26,L27,L28交叉组合,分别构成高位布尔图像H_image1和低位布尔图像L_image2,分别如附图3(c)和附图3(d)构造方法分别如公式(15)和公式(16)所示:
H_img1=[L11,L21,L12,L22,L13,L23,L14,L24] (15)
L_img2=[L15,L25,L16,L26,L17,L27,L18,L28] (16)
步骤十一、使用步骤五中获得的明文卷积坐标对(P_x1,P_y1)和(P_x2,P_y2)去置乱步骤十所述中的高位布尔图像H_image1和低位布尔图像L_image2,置乱方法如公式(17)和(18)所示:
其中,和为置乱中间变量,用于放置置乱的中间像素信息。(i,j)图像中的位置坐标值,i=1,2,…,256;j=1,2,…,256。符号表示将置乱结果分别另存为高位置乱图像PH_image1和低位置乱图像PL_image2。
步骤十二、对步骤十一得到的低位置乱图像PL_image2进行静态扩散,静态扩散方法如公式(19)所述,得静态低位扩散图像E_L_img2:
E_L_img2=bitxor(PL_image2,HC2) (19)
其中,bitxor()表示按位异或操作。
步骤十三、对步骤十一得到的高位置乱图像PH_image1进行动态自适应扩散,扩散方法如公式(20)所述,得动态高位扩散图像E_H_img1:
步骤十四、分别对HC1,HC2,HC3和HC4中的数据去重,得到混沌坐标对(Cx,Cy)和(Cx1,Cy1),方法如公式(21)和(22)所示:
步骤十五、将步骤十二所述静态低位扩散图像E_L_img2和步骤十三所述动态高位扩散图像E_H_img1进行图像间混淆操作,混淆方法如公式(23)所述,得到最终密文图像C_img1和C_img2,如附图图4(c)和图4(d)所示:
本实施方式中,还包括解密步骤,具体为:
步骤十七、用步骤三的方法获得5D保守混沌系统的解密初值x′0,y′0,z′0,u′0,v′0,本实施方式中x′0=0.25,y′0=7,z′0=-2,u′0=2.5,v′0=-0.7。
步骤十八、迭代混沌系统(4)获得伪随机数,利用步骤五的方法获得解密密钥HC1’,HC2‘,HC3’,HC4‘,HC5’。
步骤十九、按照步骤十四的相同的方法得到解密混沌坐标(Cx′,Cy′)和(Cx1′,Cy1′)。
步骤二十、将步骤十五中得到的密文图像C_img1和C_img2进行逆置乱操作,方法如公式(24)
其中,γ为逆置乱操作的中间变量,用于放置逆置乱操作的中间像素信息。
步骤二十一、对DC_img1和进行动态自适应逆扩散得D_img1,方法如公式(25)所示:
步骤二十二、对DC_img2和进行静态逆扩散得D_img2,方法如公式(26)所示:
D_img2=bitxor(DC_img2,HC2‘) (26)
步骤二十三、使用步骤十一所述相同的方法得明文相关解密坐标(Px1’,Py1‘)和(Px2’,Py2‘)对D_img1和D_img2进行逆置乱,方法如公式(27,28)所示:
步骤二十四、将D_img1展开为8位二进制形式,并记为8个布尔型解密矩阵DL11,DL12,DL13,DL14,DL15,DL16,DL17,DL18,方法如公式(29)与(30)所示。
步骤二十五、将D_img2展开为8位二进制形式,并记为8个布尔型解密矩阵DL21,DL22,DL23,DL24,DL25,DL26,DL27,DL28:
步骤二十六、分别将步骤二十六和步骤二十五所述D_img1和D_img2的布尔型解密矩阵DL11,DL12,DL13,DL14,DL15,DL16,DL17,DL18和DL21,DL22,DL23,DL24,DL25,DL26,DL27,DL28进行逆交叉组合得解密图像DH_img1和DL_img2,逆交叉组合方法分别如公式(33)和公式(34)所示
DH_img1=[DL11,DL13,DL15,DL17,DL21,DL23,DL25,DL27] (33)
DL_img2=[DL12,DL14,DL16,DL18,DL22,DL24,DL26,DL28] (34)
解密后图像如附图4(e)和图4(f)。
Claims (6)
1.基于卷积神经网络动态自适应扩散的双图像加密方法,首先设定相同的用户加密密钥与解密密钥,所述用户加密密钥与解密密钥均包括logistics混沌系统初值和5D保守混沌系统初值,迭代次数以及动态自适应扩散的控制参数;其特征是:该方法的加密过程由以下步骤实现:
步骤一、将大小均为M×N的两幅图像作为原始图像Image1和原始图像Image2;
步骤三、由步骤二中的伪随机序列Lo,根据下述公式计算,获得5D保守混沌系统的初值x0,y0,z0,u0,v0:
步骤四、以用户密钥中的d1为5D保守混沌系统迭代次数,迭代5D保守混沌系统,获得五个长度分别为M×N的伪随机序列X,Y,Z,U,V;如下式为:
步骤五、将步骤四中伪随机序列进行归一化处理,获得加密密钥HC1,HC2,HC3,HC4,HC5;
步骤六、将步骤三所述的随机序列Lo做归一化处理,并进行矩阵变换获得二维矩阵L_Con;将L_Con作为卷积神经网络的卷积核,通过对步骤一所述原始图像Image1和原始图像Image2均进行卷积运算,获得明文相关的两个大小均为的随机矩阵P_img1和P_img2;
步骤七、对步骤六中的随机矩阵P_img1和P_img2中的数据去重,分别获得明文相关的明文卷积坐标对(P_x1,P_y1)和(P_x2,P_y2);
步骤八、将步骤一所述原始图像Image1展开为8位二进制形式,并按位分别记为8个布尔型矩阵L11,L12,L13,L14,L15,L16,L17,L18;
步骤九、将步骤一所述原始图像Image2展开为8位二进制形式,并按位分别记为8个布尔型矩阵L21,L22,L23,L24,L25,L26,L27,L28;
步骤十、将步骤八和步骤九所述的布尔矩阵L11,L12,L13,L14,L15,L16,L17,L18
和L21,L22,L23,L24,L25,L26,L27,L28交叉组合,分别构成高位布尔图像H_image1和低位布尔图像L_image2,构造方法如下式所示:
H_img1=[L11,L21,L12,L22,L13,L23,L14,L24]
L_img2=[L15,L25,L16,L26,L17,L27,L18,L28]
步骤十一、采用步骤七中获得的明文卷积坐标对(P_x1,P_y1)和(P_x2,P_y2)置乱步骤十所述的高位布尔图像H_image1和低位布尔图像L_image2,置乱方法分别如下式为:
式中,和为置乱中间变量,用于放置置乱的中间像素信息;(i,j)图像中的位置坐标值,i=1,2,…,M;j=1,2,…,N;符号表示将置乱结果分别另存为高位置乱图像PH_image1和低位置乱图像PL_image2;
步骤十二、对步骤十一获得的低位置乱图像PL_image2进行静态扩散,静态扩散,获得静态低位扩散图像E_L_img2;
步骤十三、对步骤十一获得的高位置乱图像PH_image1进行动态自适应扩散,获得动态高位扩散图像E_H_img1;
步骤十四、分别对步骤五中的加密密钥HC1,HC2,HC3和HC4中的数据去重,获得混沌坐标对(Cx,Cy)和(Cx1,Cy1),方法如公式所示:
其中find()表示查询非零元素的位置,unique()表示筛除向量中的重复值。
步骤十五、将步骤十二所述静态低位扩散图像E_L_img2和步骤十三所述动态高位扩散图像E_H_img1进行图像间混淆操作,获得最终密文图像C_img1和C_img2。
6.根据权利要求1所述的基于卷积神经网络动态自适应扩散的双图像加密方法,其特征在于,还包括解密方法,具体过程为:
步骤十七、采用步骤三的方法获得5D保守混沌系统的解密初值x′0,y′0,z′0,u′0,v′0;
步骤十八、迭代5D保守混沌系统获得伪随机序列,利用步骤五的方法获得解密密钥HC1’,HC2‘,HC3’,HC4‘,HC5’;
步骤十九、按照步骤十四的相同的方法获得解密混沌坐标(Cx‘,Cy’)和(Cx1‘,Cy1’);
步骤二十、将步骤十五中得到的密文图像C_img1和C_img2进行逆置乱操作,获得逆置乱后的图像DC_img1,DC_img2;
步骤二十一、对DC_img1和进行动态自适应逆扩散得D_img1;
步骤二十二、对DC_img2和进行静态逆扩散得D_img2;
步骤二十三、采用步骤十一相同的方法得明文相关解密坐标(Px1′,Py1′)和(Px2′,Py2′)对D_img1和D_img2进行逆置乱;
步骤二十四、将D_img1展开为8位二进制形式,并记为8个布尔型解密矩阵DL11,DL12,DL13,DL14,DL15,DL16,DL17,DL18;
步骤二十五、将D_img2展开为8位二进制形式,并记为8个布尔型解密矩阵DL21,DL22,DL23,DL24,DL25,DL26,DL27,DL28;
步骤二十六、分别将步骤二十六和步骤二十五所述D_img1和D_img2的布尔型解密矩阵DL11,DL12,DL13,DL14,DL15,DL16,DL17,DL18和DL21,DL22,DL23,DL24,DL25,DL26,DL27,DL28进行逆交叉组合,获得解密图像DH_img1和DL_img2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110107259.6A CN112788196B (zh) | 2021-01-27 | 2021-01-27 | 基于卷积神经网络动态自适应扩散的双图像加密方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110107259.6A CN112788196B (zh) | 2021-01-27 | 2021-01-27 | 基于卷积神经网络动态自适应扩散的双图像加密方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112788196A CN112788196A (zh) | 2021-05-11 |
CN112788196B true CN112788196B (zh) | 2022-06-24 |
Family
ID=75757956
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110107259.6A Active CN112788196B (zh) | 2021-01-27 | 2021-01-27 | 基于卷积神经网络动态自适应扩散的双图像加密方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112788196B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113644985A (zh) * | 2021-06-24 | 2021-11-12 | 安徽继远软件有限公司 | 基于细胞自动机和dna编码的超长距传输方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103955884A (zh) * | 2014-04-22 | 2014-07-30 | 西安理工大学 | 基于混沌和离散分数随机变换的双图像加密方法 |
CN104778652A (zh) * | 2015-04-21 | 2015-07-15 | 广东日正实业有限公司 | 双图像加密解密方法 |
CN106327414A (zh) * | 2016-08-16 | 2017-01-11 | 广东工业大学 | 一种基于明文自身特性的双混沌图像加密方法 |
CN108234813A (zh) * | 2018-01-11 | 2018-06-29 | 重庆邮电大学 | 基于超混沌Chen系统的明文关联图像加密算法 |
WO2018153317A1 (zh) * | 2017-02-24 | 2018-08-30 | 陈伟 | 一种基于混沌数谱的数字化混沌密码方法 |
CN109376540A (zh) * | 2018-09-11 | 2019-02-22 | 郑州轻工业学院 | 一种基于Duffing映射与遗传操作的图像加密方法 |
CN112084517A (zh) * | 2020-09-15 | 2020-12-15 | 郑州轻工业大学 | 一种基于混沌映射和比特级置换的图像加密方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040202326A1 (en) * | 2003-04-10 | 2004-10-14 | Guanrong Chen | System and methods for real-time encryption of digital images based on 2D and 3D multi-parametric chaotic maps |
CN106953875A (zh) * | 2017-04-26 | 2017-07-14 | 吉林大学珠海学院 | 基于多密钥流密码的顺序加密方法 |
-
2021
- 2021-01-27 CN CN202110107259.6A patent/CN112788196B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103955884A (zh) * | 2014-04-22 | 2014-07-30 | 西安理工大学 | 基于混沌和离散分数随机变换的双图像加密方法 |
CN104778652A (zh) * | 2015-04-21 | 2015-07-15 | 广东日正实业有限公司 | 双图像加密解密方法 |
CN106327414A (zh) * | 2016-08-16 | 2017-01-11 | 广东工业大学 | 一种基于明文自身特性的双混沌图像加密方法 |
WO2018153317A1 (zh) * | 2017-02-24 | 2018-08-30 | 陈伟 | 一种基于混沌数谱的数字化混沌密码方法 |
CN108234813A (zh) * | 2018-01-11 | 2018-06-29 | 重庆邮电大学 | 基于超混沌Chen系统的明文关联图像加密算法 |
CN109376540A (zh) * | 2018-09-11 | 2019-02-22 | 郑州轻工业学院 | 一种基于Duffing映射与遗传操作的图像加密方法 |
CN112084517A (zh) * | 2020-09-15 | 2020-12-15 | 郑州轻工业大学 | 一种基于混沌映射和比特级置换的图像加密方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112788196A (zh) | 2021-05-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lu et al. | An efficient image encryption scheme based on the LSS chaotic map and single S-box | |
CN112422266B (zh) | 一种基于约瑟夫遍历和位平面重构的超混沌加密方法 | |
CN111461951B (zh) | 彩色图像加密方法、装置、计算机设备和可读存储介质 | |
CN106558015B (zh) | 一种新的交叉复合混沌彩色图像加密算法 | |
CN110889877A (zh) | 一种基于l-f级联混沌和3d比特置乱的图像加密方法 | |
CN109361830B (zh) | 一种基于明文的图像加密方法 | |
Zhou et al. | Novel multiple color images encryption and decryption scheme based on a bit-level extension algorithm | |
CN115580687B (zh) | 基于变参数超混沌系统与s形扩散的多图像加密方法 | |
Fang et al. | A secure chaotic block image encryption algorithm using generative adversarial networks and DNA sequence coding | |
CN109586895B (zh) | 一种新的彩色图像加密方法 | |
CN112788196B (zh) | 基于卷积神经网络动态自适应扩散的双图像加密方法 | |
CN111597568B (zh) | 基于分布式时滞的高维分数阶复杂系统的图像加密方法 | |
Das et al. | Diffusion and encryption of digital image using genetic algorithm | |
Yousif | Grayscale image confusion and diffusion based on multiple chaotic maps | |
Al-Bahadili | A secure block permutation image steganography algorithm | |
CN109559269B (zh) | 一种图像加密的方法及终端 | |
Durafe et al. | Image steganography using fractal cover and combined chaos-DNA based encryption | |
CN113344762B (zh) | 基于afd自适应分解的双重置乱图像加密方法 | |
CN111131656B (zh) | 基于位级置乱和动态叠加扩散的图像加密方法 | |
CN110944096B (zh) | 一种有意义密文的图像加密方法 | |
CN110069901B (zh) | 基于混沌系统的空间域多图像加密算法 | |
Mohamed et al. | A new image encryption scheme based on the hybridization of Lorenz Chaotic map and Fibonacci Q-matrix | |
Diab | A Selective Self-adaptive Image Cryptosystem Based on Bit-planes Decomposition. | |
CN114915695B (zh) | 基于2D-Chebyshev混沌映射的位级图像加密方法 | |
Allawi et al. | A New method for image encryption based on 2D-3D Chaotic Maps |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |