[发明专利]基于卷积神经网络动态自适应扩散的双图像加密方法

说明书

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。

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：