基于遗传算法的图像加密技术及实现
- 格式:pdf
- 大小:199.22 KB
- 文档页数:4
遗传算法在图像处理中的应用一、本文概述随着计算机科学技术的飞速发展,图像处理技术在众多领域,如医学诊断、安全监控、航空航天、自动驾驶等,发挥着日益重要的作用。
然而,传统的图像处理技术面临着处理复杂度高、实时性要求高等诸多挑战。
遗传算法作为一种模拟生物进化过程的优化搜索算法,以其全局搜索能力强、鲁棒性高等特点,为图像处理提供了新的解决思路。
本文旨在探讨遗传算法在图像处理中的应用,分析其原理、方法、优势和限制,并展望其未来的发展趋势。
本文将简要介绍遗传算法的基本原理和图像处理的基本任务。
然后,将重点分析遗传算法在图像处理中的几个典型应用,如图像优化、图像分割、图像恢复等,并具体阐述其实现过程和效果。
接着,本文将讨论遗传算法在图像处理中的优势和限制,如搜索速度快、全局优化能力强等优点,以及易陷入局部最优、计算复杂度高等缺点。
本文将展望遗传算法在图像处理中的未来发展方向,如与其他智能算法的结合、在新型图像处理任务中的应用等。
通过本文的阐述,读者可以对遗传算法在图像处理中的应用有一个全面而深入的理解,为相关研究和应用提供有益的参考。
二、遗传算法的基本原理遗传算法(Genetic Algorithm, GA)是一种模拟生物进化过程的优化搜索算法,其核心原理源自达尔文的生物进化论和孟德尔的遗传学说。
遗传算法通过模拟自然选择和遗传学中的交叉、突变等机制,在问题解空间中寻找最优解。
遗传算法的起始点是将问题的解表示为染色体,通常通过二进制编码、实数编码或其他方式实现。
编码后的染色体构成初始种群,种群中的每个染色体都代表问题的一个潜在解。
适应度函数用于评估种群中每个染色体的优劣,通常与问题的目标函数相对应。
适应度值高的染色体在后续的选择过程中更有可能被保留。
选择操作模拟自然选择过程,根据适应度值从当前种群中选择优秀的染色体进入下一代。
常见的选择算法有轮盘赌选择、锦标赛选择等。
交叉操作模拟了生物进化中的基因重组过程,通过随机选择两个染色体的一部分进行交换,生成新的染色体。
计算机研究与发展J o u rn a l of C o m p u te r R e se a rc h an d D ev e lo p m en t D O I:10. 7544/iss n l000-1239. 2016. 2016043553(10) :2354-2364, 2016一种遗传算法实现的图聚类匿名隐私保护方法姜火文口’3曾国IT’3胡克坤uU同济大学计算机科学与技术系上海200092)2(江西科技师范大学数学与计算机科学学院南昌330038)3(嵌入式系统与服务计算教育部重点实验室(同济大学)上海200092)(h w jia n g@to n g ji.e d u.c n)A Graph-Clustering Anonymity Method Implemented by Genetic Algorithm for Privacy-PreservingJiang Huowen1,2,3 , Zeng Guosun1,3 , and Hu Kekun1,31(D e pa rt m en t o f C om pu te r Scie nce a n d T e c h n o l o g y , T o n g j i Un iversity ^S h a n g h a i200092)2 (C o l l e g e o f M athem atics&• C om pu ter Scie nce ?J i a n g x i Scien ce&• T e c h n o l o g y No rm al University ?N a n ch a n g330038)3(K e y La boratory o f E m b e d d ed S y st em an d S e rv i ce C o m p u t i n g('To ngj i U n i v e r s i t y),M in is tr y o f Education ?S h a n gh a i 200092)Abstract Clustering anonymity is a typical kind of privacy preservation scheme for social network data-publishing, which is based on graph-clustering. Graph-clustering is a kind of NP-hard combinatorial optimization problem and it,s appropriate to use search optimization algorithm. While, the existing graph-clustering anonymity methods are lack of heuristic search algorithm. Therefore, in this paper, a graph-clustering anonymity method implemented by genetic algorithm is proposed. Firstly, the population is initialized by pre-dividing the nodes based on greedy clustering strategy. Then the individual fitness function is defined based on the relation fitting theory. Next, the crossover operator of multi-point dislocation and the mutation operator of exchanging gene-bits are designed respectively, according to individual’s coding feature. The model we presented takes the information of both structure and attribute of nodes into consideration, and the global searching of genetic algorithm can guarantee good quality for graph-clustering. Therefore, the method can provide great privacy preservation. Experimental results also demonstrate that our method is effective in improving the clustering quality and reducing the loss of information.Key words social network;graph-clustering;privacy preservation;^-anonymity;genetic algorithm摘要聚类匿名是一种典型的社交网数据发布隐私保护方案,其基础工作是图聚类.图聚类为一类N P难的组合优化问题,便于使用搜索优化算法.现有图聚类匿名方法缺少此类启发式搜索算法.为此,研究一种利用遗传算法实现的图聚类匿名方法,利用贪心法进行结点聚类预划分,以构造初始种群;依 据关系拟合理论建立个体适应度函数;根据个体编码特点,分别提出一种多点错位的交叉算子和基因位收稿日期:2016-06-16 ;修回日期:2016-08-12基金项目:国家自然科学基金项目(61272107,71561013);华为创新研究计划项目(IRP-2013-12-03);高效能服务器和存储技术国家重点实验室开放基金项目(2014HSSA10)This work was supported by the National Natural Science Foundation of China ( 61272107,71561013),the Huawei Innovation Research Program (IRP-2013-12-03),and the Project Funded by the State Key Laboratory of High-End Server Storage Technology (2014HSSA10).通信作者:曾国称(gszeng@tongji. edu. cn)姜火文等:一种遗传算法实现的图聚类匿名隐私保护方法2355交换的变异算子.图聚类模型综合考虑了结点的结构和属性信息,而遗传算法的全局化搜索优化能力保障了图聚类质量,因此,该方法具有较强的隐私保护性.实验表明了该方法在提高聚类质量和减小信息损失方面的有效性.关键词社交网络;图聚类;隐私保护匿名;遗传算法中图法分类号T P309随着网络社交平台的迅猛发展,社交网络里积 累下海量个人及其社会关系信息,构成一类具有重 大潜在价值的图大数据.同时,这些图数据也蕴含了 大量用户不愿意被公众获知的隐私.近年来,在维持 社交网络数据可用性的同时如何保护个人隐私,成为一个严峻的问题[1].社交网络中隐私信息类型广泛,例如用户的难言性“疾患”、不愿披露的“薪酬”等属性值,用户间联系频度(一般意味着某种亲密关 系或伙伴关系)等.面对恶意的隐私盗取,那种仅将 用户身份信息隐去的简单匿名方法并不能防止隐私 泄露.因为网络图上结点和边的属性及拓扑结构等信息都可能被用于识别用户身份[2].例如某结点的 度或心邻域结构可能导致该结点被唯一或高概率地识别出来[34].另外,在属性-社交网络场景中,用 户即使未标记某隐私属性,但也可能被推测出较大概率地具有该隐私属性[5].例如,虽然某用户没有公 开其宗教信仰,但根据其绝大多数朋友都喜欢听佛教音乐,可以较大概率地推测其信奉佛教[6].剑桥大 学一项研究也表明,F a c e b o o k上“likes”某些事物将 会暴露用户的智商、性取向、宗教信仰等重要信自[7]>L ii\ •々-匿名是一种已广泛应用于关系表数据发布的 隐私保护机制,目前也多被运用到社交网络数据发 布隐私保护,结点々-匿名即为一种应用机制.结点 匿名的思想是将网络图中所有结点聚类成一些超 点,每个超点至少包含々个结点,超点中结点相互之 间不可区分,因此在该社交网络中,受结点再识别攻 击而导致隐私泄露的概率小于1M[6].可见,结点々-匿名的实质是图聚类匿名.如图1所示,设图1(a)为社交网络模型图,图1(b)即为图1(a)的结点2-匿名图.图聚类匿名的一个关键问题是图聚类方法的选择,因为聚类方法决定聚类结果,影响匿名效果.理 论上求最佳聚类结果实质是一类N P难的组合优化 问题,一般使用启发式搜索算法更容易找到优质解.(民警,42)(幼师,30)(髙校教师,32)(警察,45)(〇3))-■€)(公务员,40)(小学教师,26)(巾学教师,28)(a) The social network graph(公务员,[40,45])(中小学教师,[26,28])(教师,[30, 32])(b) The 2-anonymity graph to Fig. 1(a)F ig. 1 T h e social n e tw o rk g ra p h and its a n o n y m ity g ra p h.图1社交网络模型图及其匿名图现有图聚类匿名方法中常见贪心聚类方法、有序聚类方法等,缺少智能搜索算法.为此,本文研究用遗传算法实现网络图聚类匿名保护,综合结构和属性的相似性,对结点进行聚类划分后匿名发布.本文的主要贡献为:1)引人遗传算法进行图聚类匿名隐私保护;2)量化结点间结构和属性的相似性,提出基于 属性加权图聚类的种群初始化算法;3)根据机器学习中的关系拟合理论,提出个体 适应度求值算法;4)根据个体编码特点,提出一种多点错位的交叉算法和交换基因位的变异算子.1相关工作目前,々-匿名机制在社交网络数据隐私保护中 占有重要地位.根据采用匿名方法的不同,々-匿名方 案基本分为基于结构变换和基于超级结点的两大类[8].基于结构的变换常见基于结点的度数或邻居图等结构特征,构造々-度匿名或々-子图匿名,其采2356计算机研究与发展2016, 53(10)用的手段主要是边、结点的增、删修改.例如:为防范 根据结点度的识别攻击,L i u等人[1]分别设计了基于分治法和最大邻差的2种度序列划分算法,并籍 以构建了 f度匿名图;为抵御基于子图结构的攻击,Z〇U等人[9]提出一种匿名化算法,使匿名图中总 能找到々个不同的同构子图;同样为抵御基于结点 1-邻域子图的识别攻击,Z h o u等人[3]借鉴关系数据 隐私保护的(々,/)匿名模型,提出一种适用于社交网 络数据,满足^匿名和/多样性的匿名方法,并证明 其为N P难问题;为保证边的匿名性,C h e n g等 人[1°]提出一种f同构匿名化算法,能够防止对边存 在性的合理推测;为防止可能根据结构信息或共享敏感属性的双重攻击,Y u a n等人[4]通过在原图中添 加噪音结点的方法,构造了一种^度多样性匿名模型.基于超级结点的变换实际就是结点卜匿名方案,最早由Zheleva等人[11]提出这一模型.其后,针 对不同的防范背景或性能要求等情形,研究者对这 一模型进行了不同的修改完善,提出了多种结点聚 类匿名方法.C a m p a n等人[12]首次提出一种结点聚类匿名的贪心算法S a N G r e e A,可以同时保护结点非标识属性和连接关系,同时针对匿名过程产生的 结构信息损失给出了 一种定量计算方法;W a n g等 人[13]提出一种贪心聚类算法M A S N,对S a N G r e e A 算法进行了改进,使其具备保护敏感属性的功能,可 以抵御同质化攻击;S a N G r eeA[12]算法和M A S N[13]算法都是对无权图的聚类匿名,针对带权图的匿名 保护,Skarkala等人[14]提出一种与S a N G r e e A近似 的方法,设置超边权重为原连接边的平均权重,将超 边间包含的具体边权重隐藏起来,起到保护作用,其 中超点结构能将用户身份泄露概率降至1M以内. 另外T a s s a等人[15]提出基于有序聚类的匿名方法,可以实现集中式网络环境下的数据隐私保护,同时 首次针对结点间不完全可见的分布式图数据的隐私 保护,设计了有序聚类匿名算法;Y a n g等人则提出一种基于安全协议的E M算法,针对非连接结点 间互不可见的图数据实现了结点聚类.2问题模型与定义社交网络表现为特定群体中多个个体及他们间 相互联系组成的集合,最适合用图来表示.其中,结 点表示个体;边表示个体间的联系;个体的特征信息,如职业、年龄、学历等是刻画个体的重要数据,统 称为结点属性,通常以一个属性值向量表示.常见的社交网络结构模型为简单的图模型G(V,£),这只 是考虑了用户结点及其连接关系,并没有考虑结点 属性信息.为全面刻画社交网络数据,我们定义社交 网络图如下:定义1.社交网络图.对包含了用户属性数据和用户间社交关系数据的社交网络,用图模型描述,形式化表示为一个三元组,即G=(V,£,A),称这 个图G为社交网络图.在图G中,V={巧,,…,}为图中结点集;£={(w,,巧)|为边集;A={a!,a2,…,as}为结点的属性集.图中任何边U,%)表示结点之 间的联系,为结构边.根据实际网络中实体间联系的 紧密程度不同,结构边可以赋予不同的权值.本文假 定各结构边具有相等的权值,均为1,则图连接的拓 扑结构可以表示为邻接矩阵形式:W s=(z v f…)…x… ,其中1, (v t,V j)^E(G);0, otherwise.图中所有《个结点的属性值可用矩阵= (a!t)…xs表东,其中 V i€ {1,2 ,…,w},有 a!t e Z€{l,2n}.属性可能为数值型或类别型,例如,型如(职业,年龄)的二维属性集,“职业”属性为类别 型,其属性值为离散型文本;“年龄”属性为数值型,其属性值为实数.属性类型差异不便于统一度量其相似度,为此分开度量.V办,定义其属性 相似度计算为A s i m(ak,a]t)=abs(a!t—a,,)为数值型;<1,为分类型,且办与^值相同;、〇,为分类型,且办与^值不相同•这里,abs(的一 )表7K &与差的绝对值,m a x和min分别表示属性上的最大属性值和最小属性值.在此基础上,定义结点A和%的属性相似度为:(切,巧—^A s i m(alt^aJt)?显5 t-i然e[〇,i],值越大表示相似程度越高.图中所有结点间的属性相似度可以表示为矩阵=,其中 二/U f m(巧,巧).定义2.属性加权图.对图G中任意2个结点 切和%,如果切,%)#〇,认为在巧和%间存 在一条权值为访,巧)的属性边,并将其和结构边合并,合并后的边权值取为原两者权值和.由此 得到的带权图,称为属性加权图,记为GSA.姜火文等:一种遗传算法实现的图聚类匿名隐私保护方法2357记W SA=为G SA的邻接矩阵,则W SA=W S+W A.可见,110值大致从连接关系和属性值2 个方面综合反映了%和%的近似程度.定义3.图聚类.根据结点间的某种相近或相似性,利用聚类方法将社交网络图的所有结点划分成一些聚类(簇),这个过程成为图聚类.图聚类可以表示为社交网络图G上的一种映射关系^ :(巩,%,…,—,…,U满足 2个条件:1) 〇%=¥(〇),%參0;爪为聚类的数目.i = l2) l^\f.Vi n V J=0.定义4.聚类匿名图.对社交网络图G进行 图聚类,使每个簇内结点数不小于隐匿各簇内所有结点的连接结构和属性值,每一簇构成的子图用 一个超点取代.子图内各结点的属性值被统一概化成一个超点的属性值;超点上标明所隐含的用户结点个数和内部边的条数;任意2个簇间,若原来共有 ^条边相连,则只用一条带权值t的超边取代;若原 来没有任何边相连,则没有超边相连.由此得到由w 个超点构成的“浓缩”了的图,称为聚类匿名图.图1(b)即为图1(a)聚类匿名后得到的一个2- 聚类匿名图.聚类匿名过程需要对各超点作属性概化处理,将超点内所有结点的属性值概化成一个属性值.属性类型不同其概化方法也不一样,类别型属 性的属性概化需要根据概化层次树进行,为此需要 预先为每一个类别型属性建立概化层次树,例如图 2即为一棵概化层次树.树中叶子结点为各个用户结点的属性值,各分支结点即为以其为根结点的子树中各叶子结点的概化值,根结点表示图中所有结点在该属性上的概化值.记超点K中各结点在属性 a,上的取值集合为a,(兄),属性概化方法为:如果a,是数值型,则其概化值为[min a,(兄),m a x a,(兄)],如 果a,是类别型,则其概化值取为a,(兄)上所有叶子 结点的最小上界结点.F ig. 2 T h e g e n e ra liz a tio n h ie ra rc h y tre e o f“o c c u p a tio n”a ttrib u te.图2 “职业”属性的概化层次树本文工作可简要归纳为将社交网络图转化为聚类匿名图对外发布.在聚类匿名化过程中,超点 属性概化、超点内子图结构隐匿和超点间原连接边合并都会带来一定的信息损失,它们也分别被称为 属性彳目息损失、簇内结构f目息损失和簇间结构f目息损失.针对属性信息损失A,我们研究提出计算式为:A I L =D(兄,山这里似•/(兄,,)为超i — 1t = l点W在属性f上的概化信息损失值:a i K V^t)=|V,|Xm a x a^(V t) —min a t(V t)m a x a t(V) —min a t(V)’h为数值型,h(aJt,a:h为类别型,y其中,a卩为类别属性a,的概化值,为概化层次 树的根结点,,a『)为概化层次树上^到的垂直路径长度.不难看出,似7(兄,O 6 (〇,1),且 a l l6(〇,1).针对簾内结构f目息损失和簾间结构 息,我们是依照C a m p a n等人[12]的计算方法给出.根据其计算方法,所有簇内结构信息损失量h/raSIL 和簇间结构信息损失量的总和为总体结构信息损失量,而标准结构信息损失N S I L是 对S I L的归一化计算结果,故N S I L6 (〇,1)即代表簇内和簇间结构信息损失的和.考虑篇幅原因,本 文不再给出h,r a S I L。
遗传算法在图像处理中的应用随着数据量的不断增加,图像处理已经成为现代科学与工程中重要的领域之一。
在这个领域中,图像处理技术能够帮助人们更好地从图像中提取有用的信息。
然而,由于图像中所包含的信息往往非常复杂、庞大,有时候只能依靠大量的计算来解决问题。
因此,近年来大量的研究工作都引入了遗传算法来解决这个问题。
遗传算法是一种模拟生物进化过程的计算方法。
它通过模仿生物界的进化过程,利用基因编码,交叉重组,突变等方式来寻找问题的最优解。
在遗传算法中,每个“染色体”即代表一个可能的解决方案,而“适应度函数”则用来判断染色体的适应性。
通过对染色体的不断变异和交叉,最终得到较为高效的解决方案。
近年来,遗传算法已经被广泛应用于图像处理的领域中。
下面我们将通过其几个常见的应用来具体介绍其在图像处理中的应用。
一、图像压缩图像压缩是一种常见的图像处理技术,它能够在保证图像质量的前提下,将图像文件的体积缩小,以达到减小存储空间和提高传输速度等效果。
在图像压缩中,遗传算法通常被用来优化压缩算法的参数。
例如,在JPEG图像压缩中,遗传算法可以用来优化压缩表的编码,这样可以减少图像文件的体积,提高解码速度。
二、图像分割图像分割是图像处理中另一项非常重要的任务,它能够将一张图像分成若干个不同的区域,从而更好地提取其中的信息。
遗传算法常常被用来优化图像分割算法中的参数,例如阈值、迭代次数等,以取得更好的分割效果。
三、图像识别图像识别是在图像处理的领域中最为重要的任务之一。
在图像处理中,图像识别一般通过制定一个分类器来实现。
因此,图像识别的精度及分类器的性能全都取决于特征提取的准确性。
而遗传算法正是能够有效地解决这个问题。
通过遗传算法来优化特征提取的算法及参数,可以取得更好的分类精度。
四、图像增强遗传算法不仅可以在图像压缩、分割与识别中发挥作用,也可以在图像增强中发挥重要作用。
例如,在医疗图像中,有时需要对图像进行增强,以使医疗专家能够更好地诊断病情。
基于DNA编码的安全高效的图像加密算法李孝东;周彩兰;黄林荃【摘要】提出一种基于DNA随机编码与随机运算结合混沌映射的图像加密算法.由图像的SHA-256的哈希值来生成算法所需要的密钥,将Lorenz和Logistic混沌映射作为密钥发生器,产生所有的初始参数.采用Lorenz混沌映射对图像的像素值进行置换以及生成随机DNA掩码;为了增强随机性以及克服有限的DNA运算规则,通过Logistic映射随机决定的8种DNA编码中的1种对图像逐行进行编码;提出DNA同或运算,进而使编码图像与DNA随机掩码逐行进行Logistic映射随机决定的4种DNA运算中的一种;对运算后的编码图像进行随机解码,得到最终加密图像.仿真结果表明,提出的算法能够抵制各种典型的攻击,具有很强的安全性.%In this paper,an image encryption algorithm based on DNA random coding and random operation combined with chaotic map is proposed.SHA-256 hash of the plain image is used to generate secret keys and Lorenz Map and Logistic Map are applied to generate all parameters the presented algorithm needs.Lorenz chaotic map is exploited to permute the pixels of color components;R,G and B,at the same time generate random DNA masks.In order to get the high randomness and overcome the limitations of DNA computing rules,encode the plain image with DNA rules by rows respectively and different rows are encoded according to eight rules selected by logistic map;Then,employ encoded plain image to conduct DNA operations with encoded DNA masks row by row to obtain an intermediate image and the one of the four DNA operations including proposed DNA XNOR operation executed every row randomly is chosenby logistic map;Finally,randomly decode the intermediate image to get the ultimate cipher image.Simulated experimental results indicated that the proposed algorithm was capable of withstanding typical attacks and had good character of security.【期刊名称】《计算机应用与软件》【年(卷),期】2018(035)001【总页数】7页(P318-324)【关键词】Lorenz混沌映射;Logistic混沌映射;DNA编码;SHA-256【作者】李孝东;周彩兰;黄林荃【作者单位】武汉理工大学计算机科学与技术学院湖北武汉430070;武汉理工大学计算机科学与技术学院湖北武汉430070;华中师范大学大学计算机科学与技术学院湖北武汉430079【正文语种】中文【中图分类】TP391.90 引言随着互联网突飞猛进的发展,图像的安全不断吸引着人们的眼球,为了保护图像信息的不被泄露,许多图像加密算法被提出和实现。
基于DNA计算的图像加密与解密算法研究摘要:随着计算机技术的快速发展,数据的加密与解密技术变得越来越重要。
传统的加密算法在数据安全方面存在一些问题,因此科学家们开始寻找新的加密方法。
基于DNA计算的图像加密与解密算法就是一种新兴的研究领域,它使用DNA分子的特性来加密和解密图像数据。
本文将详细介绍基于DNA计算的图像加密与解密算法的原理、方法和应用。
1. 引言图像加密与解密是保护图像数据安全的重要手段。
传统的加密算法如DES、RSA等在一定程度上可以保障数据的安全性,但是随着计算机算力的提升,这些传统算法逐渐变得不安全。
因此,研究人员开始探索更加安全的加密方法,其中基于DNA计算的图像加密与解密算法成为研究热点。
2. 基于DNA计算的图像加密算法2.1 DNA计算的基本原理DNA计算是一种利用DNA分子的碱基配对规则进行计算的新型计算模型。
DNA分子的碱基只能按A-T、C-G的规则相互配对,这种特性赋予了DNA计算独特的计算能力。
DNA计算通过设计合适的DNA序列来进行计算,并通过观察DNA序列的形态和结构来获取计算结果。
2.2 基于DNA计算的图像加密算法的步骤基于DNA计算的图像加密算法一般包括以下步骤:(1)图像预处理:将需要加密的图像进行预处理,包括图像分割、颜色量化等操作,以准备进行后续的加密操作。
(2)DNA序列设计:根据图像数据的特点,设计符合DNA计算要求的DNA序列,包括编码和解码DNA序列。
(3)信息嵌入:将图像数据转化为DNA序列,并将其嵌入编码DNA序列中,得到加密后的DNA序列。
(4)密钥生成:根据加密算法设定的规则,生成密钥来确保数据的安全性。
(5)加密运算:将加密后的DNA序列与密钥进行异或运算,以增加加密的强度。
(6)密文提取:使用逆向的方法将DNA序列还原为图像数据,达到解密的目的。
3. 基于DNA计算的图像解密算法基于DNA计算的图像解密算法与加密算法相对应,通过逆向的方法将加密后的DNA序列转化为图像数据。
基于遗传算法的混沌图像加密技术研究随着信息技术的发展和普及,保护个人隐私和商业机密等安全需求越来越迫切,加密技术也日益重要。
传统加密技术存在着密码长度容易被破解等问题,因此,基于遗传算法的混沌图像加密技术应运而生。
一、混沌图像加密技术的原理传统加密技术使用的是数学变换,但因此易受到攻击,所以混沌图像加密技术的提出是给个人隐私保护带来了很大的变化。
混沌系统是一种非线性、迭代的动力学系统,其运动是无规则的,无法精确地预测其下一个状态。
在混沌图像加密技术中,利用混沌系统生成不可预测的伪随机数来对原始图像进行加密。
混沌图像加密技术的加密流程主要包括以下几个步骤:图像预处理、密钥生成、加密。
图像预处理是指对原始图像进行预处理。
然后,通过混沌系统和一系列复杂的加密算法生成一系列伪随机序列,进行密钥生成。
最后,将密钥和预处理后的原始图像作为输入,通过加密算法得到加密后的图像。
二、基于遗传算法的混沌图像加密技术在混沌图像加密技术中,遗传算法(GA)是一种强有力的工具,在混沌图像加密中可以用于生成复杂的密钥。
在传统混沌图像加密技术中,密钥本身就是混沌数列,可以保证加密的安全性。
但是,相比于随机数列,混沌序列计算生成慢,且难以保证每个序列的不同性。
因此,为了提高加密效率并确保安全,将遗传算法引入到混沌图像加密技术中。
遗传算法作为优化算法,可以生成更复杂的密钥,并且可以通过优化算法自适应地选择个体,从而提高算法效率和安全性。
在基于遗传算法的混沌图像加密技术中,遗传算法主要用于产生混沌序列中的种群,根据不同的目标函数,选择不同的适应度函数,利用迭代算法寻找最优解。
通过这种方式,可以生成更高效、更安全的密钥,保证加密的安全性和效率。
三、基于遗传算法的混沌图像加密技术的优点相比于传统的混沌图像加密技术,基于遗传算法的混沌图像加密技术具有以下几个优点:1.加密算法更加复杂:遗传算法可以生成更加复杂的密钥,可以改善传统混沌图像加密技术的缺点,提高加密的安全性。
基于遗传算法和高隐藏容量的数字图像隐写算法摘要:为了获得更大的隐写容量和更高的隐写安全级别,提出一种基于遗传算法和高隐藏容量的数字图像安全隐写算法。
将隐写术作为一个搜索问题进行建模,遗传算法的目的是在宿主图像中找到最优的方向和最优的起始点用于隐藏加密数据,使得隐写图像获取最大的峰值信噪比,其拟合函数为峰值信噪比。
首先准备宿主图像,机密图像和染色体,利用比特位面和比特方向基因将宿主像素序列转化为比特位序列;然后将机密像素位嵌入到相应的比特像素位;最后利用拟合函数决定迭代结束次数。
运用峰值信噪比(PSNR)和结构相似性度量(SSIM)评估隐写结果,与其他隐写算法相比,该算法提高了隐写质量和安全性,PSNR和SSIM在大多数情况下均高于其他算法,此外,隐藏容量相当可观,可高达49.5%。
关键词:隐写术;遗传算法;峰值信噪比;隐藏容量;拟合函数;数字图像中图分类号:TN911.73?34;TP391 文献标识码:A 文章编号:1004?373X(2016)11?0050?05Abstract:In order to obtain bigger steganography capacity and higher steganography security level,a digitalimage safety steganography algorithm based on genetic algorithm and high hidden capacity is proposed. The steganography is modeled as a search problem. The genetic algorithm is used to find out the optimal direction and starting point in the host image to hide the enciphered data,and make the steganography image obtain the maximal peaksignal?to?noise ratio (PSNR),whose fitting function is PSNR. Firstly,the host image,confidential image and chromosome should be prepared,after that the bit plane and bit direction genes are used to convert the host pixel sequence into bit sequence. And then,the confidential pixel bits are embedded into the corresponding pixel bits. Finally,the fitting function is used to determine the iteration times. The PSNR and structural similarity index measure (SSIM)are used to assess the steganography result. Compared with other steganography algorithms,the proposed algorithm can significantly improve the steganography quality and safety. Its PSNR and SSIM are higher than those of other algorithms. In addition,its hidden capacity is big enough,which can reach up to 49.5%.Keywords:steganography;genetic algorithm;peak signal?to?noise ratio;hidden capacity;fitting function;digital image0 引言隐写术[1]是将机密数据隐藏于宿主媒体中,达到不损害宿主媒体,并且使接触者不易察觉的技术,比如将嵌入的机密数据进行隐藏以阻止非授权的攻击或进行秘密传送[2]。
遗传算法在图像处理领域的应用图像处理是计算机科学中一个非常重要的研究领域,它主要关注如何使用计算机对图像进行数字化处理,从而获得更有用且易于理解的信息。
而遗传算法则是一种基于自然进化原理的搜索算法,并且在人工智能领域中已经被广泛应用。
因此将遗传算法应用到图像处理领域中,可以帮助我们快速找到一个最优解,并加快处理速度和准确率。
下面将介绍遗传算法在图像处理领域的应用场景和优点。
一、图像分割遗传算法可以为图像分割提供更好的解法。
在遗传算法中,将图像分割问题定义为寻找一组分割位置的优化问题。
我们可以将分割位置作为基因,将他们组合成的解作为一个染色体,然后使用遗传算法对染色体进行交叉、变异、选择等操作,最后找到最优解。
二、图像增强图像增强是一种通过改变图像的亮度、对比度等属性,使图像变得更易于观察和识别的方法。
遗传算法可以通过自动搜索映射函数,进而优化图像增强效率。
例如,通过将染色体定义为增强函数中的权重和参数,可以获得更优的图像增强效果,而不需要进行多次尝试。
三、目标跟踪图像目标跟踪是指对图像序列中的目标进行自动定位、跟踪和分析的过程。
遗传算法可以用于跟踪问题的求解,例如分析当前场景中的对比度和颜色等信息,然后为目标的位置和大小产生新的假设,并使用遗传算法对它们进行组合,进而寻找最符合预期目标位置的结果。
四、特征选择在机器学习等领域中,常用的方法是通过选择数据中最相关或最具代表性的特征来提高模型的准确性和泛化能力。
遗传算法提供了一种基于自然选择原理的方法,在选择数据集特征的同时最小化过度拟合的可能性。
遗传算法可以作为优化特征选择的搜索策略,以找到最优特征集。
通过上述介绍,我们可以发现,遗传算法可以在图像处理领域中发挥重要作用。
它可以帮助我们更快速地找到最优解,从而提高处理效率和准确率。
但是,遗传算法本身也存在着一些缺点,比如随机性较强,结果不稳定等。
因此,我们需要在具体应用场景中灵活使用遗传算法,结合具体问题选择合适的算法模型。
专利名称:基于遗传算法的彩色图像保存缩略图加密算法专利类型:发明专利
发明人:柴秀丽,王音景,付江豫,田野,甘志华,路杨
申请号:CN202010812431.3
申请日:20200813
公开号:CN112116672A
公开日:
20201222
专利内容由知识产权出版社提供
摘要:本发明提供一种基于遗传算法的彩色图像保存缩略图加密算法。
该算法包括:步骤1、对彩色图像P进行种群初始化处理,得到若干个初始种群;步骤2、生成5组伪随机序列D、E、F、H和I;步骤3、采用D选择交叉对象,采用E选择交叉点,对交叉对进行交叉操作,得到新的染色体序列A′;步骤4、采用F从A′中选择变异染色体,采用H选择变异基因位置,对变异染色体逐个变异,直至种群内所有染色体均完成变异得到新的种群;步骤5、对新的种群迭代执行步骤2至步骤4,直至完成T 轮,结束当前种群的进化;继续下一个种群,执行步骤2至步骤5,直至完成所有种群的进化;步骤6、对完成进化的种群的染色体进行解码,结合通道信息生成彩色密文。
申请人:河南大学
地址:475001 河南省开封市顺河区明伦街85号
国籍:CN
代理机构:郑州大通专利商标代理有限公司
代理人:张立强
更多信息请下载全文后查看。
遗传算法在图像处理中的独特应用方法随着科技的不断进步,图像处理技术在各个领域都得到了广泛的应用。
而其中,遗传算法作为一种优化算法,也被引入到图像处理中,为图像处理带来了独特的应用方法。
遗传算法是一种模拟自然进化过程的优化算法,其基本思想是通过模拟自然选择、交叉和变异的过程,不断优化目标函数的取值,从而得到最优解。
在图像处理中,遗传算法可以用于图像增强、图像分割、图像识别等方面。
首先,遗传算法在图像增强中的应用十分广泛。
图像增强是指通过对图像进行处理,使其在视觉上更加清晰、鲜明。
传统的图像增强方法往往需要人工干预,而遗传算法可以通过自动搜索最佳的增强参数,从而实现自动化的图像增强。
例如,在图像对比度增强中,遗传算法可以通过不断调整对比度参数,找到最佳的增强效果。
此外,遗传算法还可以用于图像去噪、图像锐化等方面,通过优化滤波器的参数,得到更好的图像增强效果。
其次,遗传算法在图像分割中也有独特的应用方法。
图像分割是指将图像划分成若干个具有独立特征的区域的过程。
传统的图像分割方法往往需要提前定义一些特征参数,而遗传算法可以通过自动搜索最佳的分割参数,从而实现自动化的图像分割。
例如,在基于颜色的图像分割中,遗传算法可以通过不断调整颜色阈值,找到最佳的分割效果。
此外,遗传算法还可以用于基于纹理、形状等特征的图像分割,通过优化分割算法的参数,得到更准确的图像分割结果。
最后,遗传算法在图像识别中也有独特的应用方法。
图像识别是指通过对图像进行分析和处理,从中提取出图像的特征,并将其与已知的模式进行比较,从而实现对图像内容的识别。
传统的图像识别方法往往需要提前定义一些特征参数,而遗传算法可以通过自动搜索最佳的特征参数,从而实现自动化的图像识别。
例如,在人脸识别中,遗传算法可以通过不断调整特征提取算法的参数,找到最佳的特征表示,从而提高人脸识别的准确率。
此外,遗传算法还可以用于目标检测、图像分类等方面,通过优化分类器的参数,得到更好的图像识别结果。