图像加密基于matlab DNA混沌系统图像加密含Matlab源码 1190期
Posted 紫极神光
tags:
篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了图像加密基于matlab DNA混沌系统图像加密含Matlab源码 1190期相关的知识，希望对你有一定的参考价值。
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0~M-1行和0~N-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(DX1*DY1_SP);
RXY1_CZ=COVXY1_CZ/sqrt(DX1*DY1_CZ);
RXY1_DJX=COVXY1_DJX/sqrt(DX1*DY1_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(:))/(255*SUM); %计算得出Logistic初值x0
x0=floor(x0*10^4)/10^4; %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)=u*p(i)*(1-p(i));
end
p=p(1001:length(p)); %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M*N的二维矩阵R
p=mod(ceil(p*10^3),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)))/(3*SUM);
Y0=sum(sum(bitand(I,12)/4))/(3*SUM);
Z0=sum(sum(bitand(I,48)/16))/(3*SUM);
H0=sum(sum(bitand(I,192)/64))/(3*SUM);
%保留四位小数
X0=floor(X0*10^4)/10^4;
Y0=floor(Y0*10^4)/10^4;
Z0=floor(Z0*10^4)/10^4;
H0=floor(H0*10^4)/10^4;
%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(X*10^4),8)+1;
Y=mod(floor(Y*10^4),8)+1;
Z=mod(floor(Z*10^4),3);
H=mod(floor(H*10^4),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:xx*t,(yy-1)*t+1:yy*t)=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0~M-1行和0~N-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)以上是关于图像加密基于matlab DNA混沌系统图像加密含Matlab源码 1190期的主要内容，如果未能解决你的问题，请参考以下文章
图像加密基于matlab混沌系统和DNA编码彩色图像加密解密抗噪声性能分析含Matlab源码 2414期
图像加密基于matlab logistic混沌图像加密与解密含Matlab源码 1216期
图像加密基于matlab混沌算法图像加密解密含Matlab源码 1218期
图像加密基于matlab GUI混沌系统图像加密解密含Matlab源码 1240期