[发明专利]超混沌系统与神经网络机制融合的图像块加密解密方法

说明书

本发明具体揭示了超混沌系统与神经网络机制融合的图像块加密解密方法。包括图像的加密过程和解密过程，提出具有较大密钥空间和良好混沌动力学性能的四维超混沌系统，将其与云模型结合，解决了混沌系统的周期问题，并生成了具有更好的复杂性和随机性的融合序列作为密钥流。然后结合密钥流、神经网络机制和改进型Feistel分组结构对分组图像进行置乱和扩散运算以获得密文图像。最后，实验结果表明本发明具有良好的安全性，并且为混沌系统与神经网络机制，分组加解密结构的结合提供了一种新的思路。

技术领域

本发明涉及算法技术领域，具体涉及了超混沌系统与神经网络机制融合的图像块加密解密方法。

背景技术

随着信息技术的飞速发展，人们对敏感信息的保护越来越重视。由于数字图像可以承载大量信息，因此在数据传输过程中起着至关重要的作用，且其中大部分图像包含了大量的隐私信息，使得图像加密技术的重要性日益突出。例如在军事图像，医学图像，身份证图像，银行交易记录和其他非公开图像等方面。与文字信息相比较，数字图像信息容量大、相邻像素点之间相关性高、冗余度大，需要的存储量大，因此通过诸如数据加密标准(DataEncryptionStandard,DES)、高级加密标准(AdvancedEncryptionStandard,AES)等加密算法保护图像信息不仅会花费很多时间而且加密效果也不理想；并且不适合对图像信息进行加密且难以满足现如今社会对信息安全的需求。

因此，提出了基于混沌系统的高效加密算法，混沌是具有确定性的非线性动力学系统，且具有遍历性、对初始条件和系统参数的敏感性、非周期性、结构复杂性和强大的伪随机性，与密码学特性非常吻合，同时由于神经网络具有高度的非线性特征，因此利用混沌序列独特的初值敏感性和伪随机性以及神经网络机制对图像进行置乱和扩散，成为近年来国内外学者研究的热门方向；具有重要的学术价值和应用价值，同时由于有限精度的影响，导致混沌系统存在周期性问题。

随着新技术的快速发展,近数十年来,以神经网络为代表的机器学习方法在模式识别、机器视觉等诸多领域大放异彩,特别是随着计算能力的大幅提升以及2006年深度学习的提出,人工神经网络正逐渐发展为一种高效且具有普适意义的科学工具.事实上,同样是信息科学的重要分支,神经网络和密码学内部存在着天然的紧密联系.作为一种高度非线性系统,神经网络内部存在混沌等复杂现象此外,神经网络所具备的自适应性、高容错性、联想记忆等特征也符合密码学中对密钥管理、抗攻击能力等内容的需求,而其大规模高速并行的处理能力同样有利于密码技术的实现，由此可见,神经网络和密码学应当存在交叉研究的可行性与必要性，神经网络和密码学的交叉研究必然是相互的。

对称密钥加密算法分为序列加密和分组加密，序列加密往往用于实时的数字话音传输，而因为大部分应用场合均为分组数据传输，所以分组加密类算法应用更加更广泛。分组密码算法设计指导原则有两点，一是发散：即小扰动的影响波及到全局，密文没有统计特征，明文一位影响密文的多位，增加密文与明文之间关系的复杂性。二是混淆，强调密钥的作用，增加密钥与密文之间关系的复杂性。分组加密算法具有结构简单易于分析的特点。

发明内容

针对现有技术的不足，本发明提供超混沌系统与神经网络机制融合的分组图像加密解密算法，

本发明超混沌系统与神经网络机制融合的图像块加密解密方法，利用神经网络的非线性机制，分组加解密结构，包括图像的加密过程和解密过程，所述加密过程和解密过程由以下步骤实现：

所述加密过程和解密过程采用的加密密钥为：超混沌的控制参数a,b,c,d,e,k；云模型的期望值E_x，熵E_n和超熵H_e；

所述加密过程包括以下步骤：

步骤一、获取尺寸大小为M×N的灰度图像P作为明文图像；