Chen‘s混沌的图像加密算法【附代码】

最新推荐文章于 2025-05-01 09:12:09 发布

原创最新推荐文章于 2025-05-01 09:12:09 发布 · 1k 阅读

17 ·

本内容遵循CC 4.0 BY-SA版权协议

标签

#算法 #人工智能

✅博主简介：本人擅长建模仿真、数据分析、论文写作与指导，项目与课题经验交流。项目合作可私信或扫描文章底部二维码。

在计算机迅猛发展和互联网用户不断增加的背景下，图像成为人们生活和工作中不可或缺的重要工具。然而，网络黑客窃取重要图像数据的行为对政治安全、社会稳定以及个人隐私构成极大威胁。图像具有数据量大、冗余度高、相邻像素相关性强的特点，需要新的加密方法来保护图像数据安全。混沌系统因其对参数变化的敏感性和较强的伪随机性，适用于加密领域。
具体加密步骤
- 密钥生成：求出图像的汉明距离、汉明逆距离、汉明反距离、像素和，然后将这四个数与用户的输入值相加得到密钥值。
- 混沌序列生成：将密钥代入到改进的 Chen’s 方程中，得到中间序列。
- 加密过程：结合中间序列，使用扩散、zigzag 置乱、DNA 编码等方法对原图像进行加密，得到密文图像。
  - 扩散操作可以使图像像素值更加均匀地分布，增加破解难度。
  - zigzag 置乱可以打乱图像像素的位置，进一步提高安全性。
  - DNA 编码则利用 DNA 分子的编码规则对图像进行编码，增加加密的复杂性。
创新点
此算法创新性地将 zigzag 置乱、DNA 编码、改进的 Chen’s 混沌结合到一起，提升了加密效果。通过多种加密方法的组合，增加了加密的强度和安全性，使得破解更加困难。

二、基于粒子群算法的图像加密方法

优化混沌方程系数
首先使用粒子群算法优化改进的 Chen’s 混沌方程的系数。粒子群算法是一种优化算法，可以通过不断调整混沌方程的系数，使其生成的混沌序列更加随机和复杂，从而提高加密效果。
生成加密序列
- 将优化后的系数代回改进的 Chen’s 混沌方程并生成序列。
- 同时，将密钥代入改进的 4D 超混沌方程中，得到第二条混沌序列。
- 将这两条混沌序列组合后对图像进行扩散置乱得到密文图像。
适应度函数确定
适应度函数的求法是将图像进行 SHA256 处理得到对应的哈希值，再将哈希值异或处理后与用户输入值相加得到密钥。将密钥与当前改进的 Chen’s 混沌方程的系数代入方程中，得到第一条混沌序列。然后，将密文图像中各个通道的信息熵、UACI、NPCR 的和的相反数作为适应度函数值。信息熵反映了图像的随机性，UACI 和 NPCR 则衡量了加密前后图像的差异程度。通过优化适应度函数，可以提高加密算法的性能。
创新点
此算法创新性地提出了序列组合方法，为图像加密算法的构建提供了一种新的思路。通过将不同混沌序列组合起来进行加密，增加了加密的复杂性和安全性，同时利用粒子群算法优化混沌方程系数，提高了加密效果。

三、算法验证与应用

模拟仿真
使用 Matlab 平台对提出的两种图像加密算法进行模拟仿真。仿真结果表明，这两种算法均符合图像加密算法的要求，能够有效地保护图像数据安全。
图像加密系统制作
制作图像加密系统，为进一步推广和应用这两种算法提供了便利。图像加密系统可以方便用户对图像进行加密和解密操作，提高了算法的实用性和易用性。
意义与价值
通过本的工作，为图像加密领域的研究和应用提供了新的思路和方法。这两种基于改进 Chen's 混沌的图像加密算法具有较高的安全性和实用性，可以为保护图像数据安全提供有效的解决方案。

import numpy as np

# 计算汉明距离
def hamming_distance(image):
    # 计算汉明距离的具体实现
    pass

# 计算汉明逆距离
def hamming_inverse_distance(image):
    # 计算汉明逆距离的具体实现
    pass

# 计算汉明反距离
def hamming_opposite_distance(image):
    # 计算汉明反距离的具体实现
    pass

# 计算像素和
def pixel_sum(image):
    # 计算像素和的具体实现
    pass

# 改进的 Chen's 混沌方程
def improved_chens_equation(key):
    # 改进的 Chen's 混沌方程的具体实现
    pass

# DNA 编码
def dna_encoding(image):
    # DNA 编码的具体实现
    pass

# zigzag 置乱
def zigzag_scrambling(image):
    # zigzag 置乱的具体实现
    pass

# 扩散操作
def diffusion(image, sequence):
    # 扩散操作的具体实现
    pass

# 图像加密方法
def image_encryption(image, user_input):
    hamming_dist = hamming_distance(image)
    hamming_inv_dist = hamming_inverse_distance(image)
    hamming_opp_dist = hamming_opposite_distance(image)
    pixel_sum_val = pixel_sum(image)

    key_value = hamming_dist + hamming_inv_dist + hamming_opp_dist + pixel_sum_val + user_input

    intermediate_sequence = improved_chens_equation(key_value)

    encrypted_image = diffusion(image, intermediate_sequence)
    encrypted_image = zigzag_scrambling(encrypted_image)
    encrypted_image = dna_encoding(encrypted_image)

    return encrypted_image

import numpy as np
import hashlib

# 改进的 Chen's 混沌方程
def improved_chens_equation(coefficients, key):
    # 改进的 Chen's 混沌方程的具体实现
    pass

# 改进的 4D 超混沌方程
def improved_4d_hyperchaotic_equation(key):
    # 改进的 4D 超混沌方程的具体实现
    pass

# 粒子群算法优化混沌方程系数
def particle_swarm_optimization():
    # 粒子群算法优化混沌方程系数的具体实现
    pass

# 信息熵计算
def information_entropy(image):
    # 信息熵计算的具体实现
    pass

# 计算 UACI
def unified_average_change_intensity(image1, image2):
    # 计算 UACI 的具体实现
    pass

# 计算 NPCR
def number_of_pixels_change_rate(image1, image2):
    # 计算 NPCR 的具体实现
    pass

# 图像加密方法
def image_encryption_with_pso(image, user_input):
    # 使用粒子群算法优化改进的 Chen's 混沌方程的系数
    optimized_coefficients = particle_swarm_optimization()

    # 生成第一条混沌序列
    key1 = hashlib.sha256(image.tobytes()).hexdigest()
    key1 = int(key1, 16) ^ user_input
    sequence1 = improved_chens_equation(optimized_coefficients, key1)

    # 生成第二条混沌序列
    sequence2 = improved_4d_hyperchaotic_equation(key1)

    # 组合混沌序列并进行扩散置乱
    combined_sequence = np.concatenate((sequence1, sequence2))
    encrypted_image = diffusion(image, combined_sequence)

    # 计算适应度函数值
    entropy = information_entropy(encrypted_image)
    uaci = unified_average_change_intensity(image, encrypted_image)
    npcr = number_of_pixels_change_rate(image, encrypted_image)
    fitness_value = -(entropy + uaci + npcr)

    return encrypted_image, fitness_value