✅作者简介：热爱科研的Matlab仿真开发者，擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。
🍎 往期回顾关注个人主页：Matlab科研工作室
👇 关注我领取海量matlab电子书和数学建模资料
🍊个人信条：格物致知,完整Matlab代码获取及仿真咨询内容私信。
🔥 内容介绍
一、引言：图像安全与高效传输的双重刚需，DWT-SPIHT 联合技术来破局
1.1 当下图像传输存储的核心痛点
在数字化浪潮下，数字图像已深度融入人们生活与各行各业。从安防监控系统中时刻捕捉城市角落动态的摄像头，到遥感领域助力资源勘探、气象监测的卫星成像设备，再到移动支付时用于身份验证的面部识别图像，数字图像的应用场景不断拓展 。然而，这也带来了一系列棘手问题。
一方面，海量的图像数据给存储和传输带来巨大压力。一幅普通的高清彩色图像，其数据量可达数 MB 甚至更大，随着图像采集设备数量的增多以及分辨率的不断提高，数据量呈指数级增长。以一个中等规模的城市安防监控网络为例，每天产生的图像数据可能高达数 TB，如此庞大的数据量，不仅需要大量的存储设备，还对存储设备的读写速度提出了极高要求；在传输过程中，高带宽的占用也成为限制图像快速、流畅传输的瓶颈，特别是在一些网络条件不佳的区域，图像传输延迟、卡顿现象频发。
另一方面，图像信息的安全问题愈发严峻。许多图像包含敏感信息，如个人隐私、商业机密、军事机密等，一旦这些图像在传输或存储过程中被泄露、篡改，将带来严重的后果。比如，医疗影像若被非法获取或篡改，可能导致医生误诊，危及患者生命；金融领域的身份验证图像若被盗用，可能引发严重的金融诈骗。传统的图像安全防护手段，如简单的文件加密或访问权限控制，在复杂的网络环境下显得力不从心。
而在图像处理流程中，传统的 “先压缩后加密” 或 “先加密后压缩” 方案也暴露出诸多缺陷。先压缩后加密，在压缩过程中图像的一些特征信息可能被弱化，导致加密效果不佳，且加密操作需额外处理压缩后的码流，增加了计算复杂度和处理时间；先加密后压缩时，加密后的图像数据失去了原有的统计特性，压缩算法难以发挥其优势，压缩性能大幅受损，使得图像在存储和传输时仍需占用大量资源。因此，寻求一种高效的图像压缩加密一体化技术迫在眉睫。
1.2 DWT-SPIHT 联合技术：一站式解决压缩与加密的最优解？
离散小波变换（DWT）与多级树集合分裂（SPIHT）算法的联合，为解决上述难题带来了新的曙光。DWT 作为一种强大的时频分析工具，能够将图像分解为不同频率的子带。它如同一个精细的筛子，将图像中的低频成分和高频成分分离开来。低频子带包含了图像的主要结构和概貌信息，高频子带则承载了图像的细节、纹理等信息 。这种多尺度的分解特性，使得 DWT 能够有效地集中图像的能量，将大部分能量集中在少数低频系数中，为后续的压缩奠定了良好的基础。
SPIHT 算法则充分利用了小波系数之间的空间相关性和零树特性。它通过对小波系数进行有序的扫描和编码，能够以非常高的效率对图像进行压缩。在 SPIHT 编码过程中，对重要的小波系数优先编码，不重要的系数则以零树的形式进行高效表示，从而在保证图像重建质量的前提下，实现高压缩比。
当 DWT 与 SPIHT 相结合时，二者优势互补。DWT 分解后的图像子带为 SPIHT 算法提供了更有利于编码的系数分布，SPIHT 算法则能充分挖掘 DWT 系数中的冗余信息，进一步提高压缩效率。更为关键的是，在这一联合技术中，可以巧妙地嵌入加密机制。例如，利用密钥对 SPIHT 算法的编码顺序、零树结构或量化步长等进行控制，使得生成的压缩码流具有加密特性；或者在 DWT 分解后，对特定子带的系数进行置乱、替换等加密操作，然后再进行 SPIHT 编码。这种在压缩过程中实现加密的方式，真正做到了 “一次处理，双重功能”，既减少了处理步骤，又提高了处理效率。它不仅能够有效降低图像的数据量，满足存储和传输的高效性需求，还能为图像信息提供可靠的安全保障，抵御非法访问和恶意篡改，成为解决图像安全传输存储问题的关键技术方案，在众多领域展现出巨大的应用潜力。
二、核心技术拆解：认识 DWT 与 SPIHT 的 “独门绝技”
2.1 离散小波变换（DWT）：图像的 “多尺度解剖刀”
2.1.1 DWT 的核心原理：从时域到多尺度子带的分解
离散小波变换（DWT）作为一种强大的时频分析工具，在图像压缩与加密领域中发挥着关键作用 。其核心原理是基于多分辨率分析，将图像从时域转换到多尺度的频域子带，实现对图像信息的精细化分解。
在数学层面，DWT 通过一组低通滤波器和高通滤波器对图像进行处理。对于二维图像，首先对图像的每一行进行一维小波变换，将其分解为低频成分和高频成分；然后，对得到的低频和高频成分分别按列进行一维小波变换，最终将图像分解为四个子带：低频近似子带（LL）、水平高频细节子带（LH）、垂直高频细节子带（HL）和对角高频细节子带（HH） 。这种分解过程可以递归进行，每一层分解都进一步细化图像的频率成分，形成一个金字塔式的多分辨率结构。例如，对一幅分辨率为 512×512 的图像进行三层 DWT 分解，第一层分解后得到四个 256×256 的子带，第二层对 LL1 子带继续分解得到四个 128×128 的子带，第三层再对 LL2 子带分解得到四个 64×64 的子带，以此类推。
低频近似子带（LL）集中了图像的主要能量和大部分低频信息，代表了图像的整体轮廓和概貌。以一幅风景图像为例，LL 子带会保留山脉的大致形状、天空的区域分布以及河流的走向等宏观特征。而高频细节子带（LH、HL、HH）则包含了图像的边缘、纹理和细节信息 。其中，LH 子带突出了图像中的水平边缘，比如建筑物的水平线条、海平面等；HL 子带强调垂直边缘，如树木的树干、高楼的侧面轮廓；HH 子带捕捉对角方向的细节，像图像中的纹理图案、树叶的脉络等。通过这种多尺度分解，DWT 有效地将图像的不同特征分离，使得后续对不同子带的针对性处理成为可能，为图像压缩和加密提供了有力的基础。
2.1.2 DWT 在图像处理中的核心优势
DWT 在图像处理领域展现出诸多传统变换方法难以企及的优势。首先，DWT 具有良好的能量集中特性。经过 DWT 分解后，图像的大部分能量集中在低频近似子带，而高频细节子带的能量相对较低。这一特性使得在图像压缩时，可以对高频子带进行更为激进的处理，如量化、阈值化等，去除其中的冗余信息，从而在大幅减少数据量的同时，对图像的主要视觉信息影响较小。实验表明，在相同压缩比下，基于 DWT 的压缩方法相比传统的离散余弦变换（DCT），能够更好地保留图像的细节和边缘，重建图像的质量更高。
其次，DWT 的多分辨率分析能力使其能够从不同尺度对图像进行分析和处理 。这种特性与人类视觉系统（HVS）的特性高度匹配。HVS 对图像的低频成分更为敏感，对高频成分的敏感度相对较低。DWT 分解后的子带结构恰好可以根据 HVS 的特性，对低频子带进行精细处理，对高频子带进行适当的压缩，在保证视觉质量的前提下实现高效压缩。在医学影像处理中，医生更关注图像中器官的整体形态和结构（低频信息），对一些细微的纹理和噪声（高频信息）相对不那么敏感，DWT 的多分辨率分析能力能够满足这一需求，在压缩图像的同时不影响医生对关键信息的判断。
此外，DWT 还支持渐进式传输。在网络传输过程中，可以先传输低频近似子带，让接收端快速获得图像的大致轮廓，然后逐步传输高频细节子带，使图像的细节不断丰富。这种方式不仅提高了传输效率，还能在网络条件不佳时，让用户尽快看到图像的基本内容，提升用户体验。在卫星遥感图像传输中，由于数据量巨大，渐进式传输可以让地面接收站先获取图像的整体概貌，及时进行初步分析，随着高频细节的传输，再进行更精确的研究。
从硬件实现角度来看，DWT 的变换过程可以通过现场可编程门阵列（FPGA）、数字信号处理器（DSP）等硬件设备高效实现 。这些硬件平台能够充分利用 DWT 的并行性和规律性，实现快速的图像分解和重构，适用于对实时性要求较高的图像处理场景，如视频监控、实时图像传输等。通过硬件加速，DWT 能够在短时间内处理大量图像数据，满足实际应用中的实时处理需求。
2.2 多级树集合分裂（SPIHT）：小波系数的 “高效编码大师”
2.2.1 SPIHT 的定义与核心思想：基于空间树的系数排序编码
多级树集合分裂（SPIHT）算法，全称为分层树集合分割算法（Set Partitioning in Hierarchical Trees） ，是图像压缩领域中基于小波变换的一种高效编码算法，由 Ahmed Said 和 William A. Pearlman 于 1996 年提出。它是在嵌入零树小波（EZW）算法的基础上发展而来，克服了 EZW 算法的一些局限性，进一步提高了压缩性能。
SPIHT 算法的核心思想是利用小波系数在不同尺度间的空间相关性，构建一种分层树结构来对小波系数进行排序和编码。在 DWT 分解后的图像子带中，同一位置不同尺度的小波系数之间存在着父子关系，SPIHT 算法利用这种关系将这些系数组织成一棵空间方向树。以 LL 子带中的一个系数为根节点，其在更高尺度子带中对应位置的系数为子节点，形成一个树形结构 。例如，在三层 DWT 分解的图像中，LL3 子带中的某个系数是 LL2、LL1 子带中对应位置系数的父节点，同时也是 LH3、HL3、HH3 等子带中对应位置系数的祖先节点。
在编码过程中，SPIHT 算法通过对空间方向树中的系数集合进行分裂和判断，确定系数的重要性。它从一个较大的阈值开始，将系数集合划分为重要系数和不重要系数。重要系数直接编码输出，不重要系数则根据其在树结构中的位置，判断是否可以将其所在的子树整体标记为不重要（即零树） 。如果一个系数及其所有后代系数都小于阈值，则将该系数所在的子树标记为零树，用一个符号表示，大大减少了编码的数据量。然后逐步降低阈值，重复上述过程，对系数进行更精细的编码，实现渐进式的图像压缩。这种基于空间树的系数排序编码方式，充分利用了小波系数的分布特性，能够在保证图像重建质量的前提下，有效地提高压缩比。
2.2.2 SPIHT 的性能亮点：高 PSNR 与抗误码优化空间
SPIHT 算法在图像压缩性能方面表现出色，其显著优势之一是能够在较低的码率下获得较高的峰值信噪比（PSNR） 。PSNR 是衡量图像重建质量的重要指标，值越高表示重建图像与原始图像的误差越小，视觉质量越好。大量实验数据表明，与其他传统的图像压缩算法相比，SPIHT 算法在相同压缩比下，重建图像的 PSNR 值通常更高。在压缩比为 10:1 时，SPIHT 算法重建图像的 PSNR 值比 JPEG 算法高出 2 - 3dB，图像的细节和纹理更加清晰，失真更小，这使得 SPIHT 算法在对图像质量要求较高的应用场景中具有明显优势，如医学影像存储与传输、高清图像归档等。
然而，SPIHT 算法也存在一些局限性，其中较为突出的是其抗误码性能较差。由于 SPIHT 算法采用的是嵌入式编码结构，码流中包含了重要系数的位置和幅值等关键信息，一旦码流在传输过程中发生误码，可能会导致后续系数的解码错误，严重影响图像的重建质量。为了改善这一问题，研究人员提出了多种优化策略 。一种常见的方法是引入标志位图，在编码过程中记录重要系数的位置和状态信息，当解码时发现误码，可以根据标志位图进行错误检测和恢复。还可以通过优化算法结构，采用并行编码和解码的方式，将码流分成多个独立的部分进行传输和处理，减少误码对整体图像的影响。在硬件实现中，可以利用纠错编码技术，如循环冗余校验（CRC）码、卷积码等，对 SPIHT 码流进行编码，增加码流的抗干扰能力，提高算法在实际应用中的鲁棒性，使其能够更好地适应复杂的网络传输环境。
三、强强联合：DWT-SPIHT 图像压缩 + 加密的协同运作机制
3.1 协同流程第一步：DWT 先行 —— 图像的多尺度分解
在基于 DWT 和 SPIHT 的联合图像压缩加密流程中，离散小波变换（DWT）率先登场，承担起对原始图像进行多尺度分解的重任。当一幅原始图像进入处理流程，首先会被送入 DWT 模块 。以一幅大小为 M×N 的灰度图像为例，DWT 会对其进行二维离散小波变换。在这个过程中，图像会被看作是一个二维信号矩阵，通过一组精心设计的低通滤波器和高通滤波器进行处理。
具体来说，首先对图像的每一行进行一维小波变换。低通滤波器能够保留信号中的低频成分，高通滤波器则捕捉高频成分 。这就如同一个筛子，将图像中的平滑部分（低频）和细节部分（高频）分离开来。然后，对得到的低频和高频成分分别按列进行一维小波变换，经过这两步操作，原始图像被成功分解为四个子带：低频近似子带（LL）、水平高频细节子带（LH）、垂直高频细节子带（HL）和对角高频细节子带（HH） 。每个子带的大小均为 M/2×N/2，这使得图像在分辨率降低一半的同时，其不同频率的信息得到了有效分离。
这种分解过程可以根据实际需求进行多级迭代。如果进行二级分解，就会对一级分解得到的 LL 子带继续重复上述操作，再次分解为四个更小的子带 。以此类推，每增加一级分解，图像的分辨率就会进一步降低，同时不同频率的细节信息也会被更精细地挖掘出来。在医学影像处理中，可能需要进行三级或四级分解，以便更清晰地观察器官的细微结构；而在一些对实时性要求较高的监控场景中，一级或二级分解可能就足以满足对图像主要特征提取的需求。
低频近似子带（LL）在整个分解过程中占据着核心地位，它保留了图像的主要能量和大部分低频信息，是图像的 “骨架” 。以一幅城市航拍图像为例，LL 子带中会呈现出城市的整体布局、主要道路和大型建筑的轮廓等宏观信息，这些信息对于理解图像的整体内容至关重要。而高频细节子带（LH、HL、HH）则包含了图像丰富的细节信息，如建筑物的边缘、纹理、植被的细节等 。LH 子带主要反映水平方向的高频信息，HL 子带突出垂直方向的细节，HH 子带则捕捉对角方向的纹理特征。通过 DWT 的多尺度分解，图像被转化为一种层次化、结构化的数据表示，为后续 SPIHT 算法的高效编码提供了优质的数据基础，使得 SPIHT 能够根据不同子带的特点，针对性地对小波系数进行处理，从而实现高压缩比和良好的图像重建质量。
3.2 协同流程第二步：SPIHT 接力 —— 小波系数的无损 / 有损压缩编码
在 DWT 完成对原始图像的多尺度分解后，多级树集合分裂（SPIHT）算法便接力登场，对 DWT 变换后的小波系数进行无损或有损压缩编码 。SPIHT 算法充分利用了小波系数在不同尺度间的空间相关性，构建了一种高效的编码机制。
SPIHT 算法首先将 DWT 分解得到的小波系数组织成一棵空间方向树 。以 LL 子带中的一个系数为根节点，其在更高尺度子带中对应位置的系数为子节点，形成一个树形结构。例如，在三层 DWT 分解的图像中，LL3 子带中的某个系数是 LL2、LL1 子带中对应位置系数的父节点，同时也是 LH3、HL3、HH3 等子带中对应位置系数的祖先节点 。这种树形结构直观地反映了小波系数之间的空间关系，为 SPIHT 算法的编码过程提供了便利。
在编码过程中，SPIHT 采用了一种分层树集合分裂的策略 。它从一个较大的阈值开始，对空间方向树中的系数集合进行分裂和判断。将系数集合划分为重要系数和不重要系数，重要系数直接编码输出，这些重要系数包含了图像的关键信息，对图像的重建质量起着决定性作用 。不重要系数则根据其在树结构中的位置，判断是否可以将其所在的子树整体标记为不重要（即零树）。如果一个系数及其所有后代系数都小于阈值，则将该系数所在的子树标记为零树，用一个符号表示 。这样，通过零树的标记，大大减少了需要编码的数据量，提高了编码效率。
SPIHT 算法逐步降低阈值，重复上述过程，对系数进行更精细的编码，实现渐进式的图像压缩 。在这个过程中，SPIHT 算法充分挖掘了小波系数之间的空间相关性和零树特性，使得压缩后的码流能够以尽可能少的数据量表示原始图像的关键信息。这种编码方式不仅能够实现高压缩比，还支持嵌入式编码，即可以根据实际需求在不同的码率下截断码流，从而灵活地调整压缩比，满足不同应用场景对图像质量和数据量的要求。在图像传输过程中，如果网络带宽有限，可以先传输较低码率的码流，让接收端快速获得图像的大致轮廓；随着网络条件的改善，再逐步传输更高码率的码流，使图像的细节不断丰富，提升图像的质量。
3.3 协同流程第三步：加密嵌入 —— 压缩链路中的安全赋能方案
在 DWT 和 SPIHT 完成图像的多尺度分解与压缩编码后，加密机制的嵌入为整个流程赋予了强大的安全保障，确保图像在存储和传输过程中的机密性与完整性。加密机制的嵌入可以巧妙地融合在 SPIHT 编码过程或码流生成之后，实现 “压缩即加密” 的高效安全模式。
在 SPIHT 编码过程中嵌入加密机制，是一种创新性的安全策略 。通过密钥的控制，可以对 SPIHT 算法的核心步骤进行加密操作。可以利用密钥改变 SPIHT 的集合分裂规则，使得系数的分裂和判断过程按照特定的加密方式进行，打乱了常规的编码顺序，增加了破解的难度 。密钥还可以控制系数的排序顺序，使得重要系数和不重要系数的排列方式变得不可预测。在对一幅机密图像进行处理时，根据密钥的不同，SPIHT 算法可能会优先对某些特定区域的系数进行编码，或者改变零树的标记规则，使得未经授权的攻击者难以从压缩码流中还原出原始图像的有效信息。
另一种常见的加密方式是在 SPIHT 生成压缩码流后，对码流进行进一步的加密处理 。可以采用置乱算法，将码流中的数据顺序进行随机打乱，就像将一幅拼图的碎片重新排列，使得原始的图像信息变得面目全非 。替换操作也是一种有效的加密手段，通过预先设定的替换规则，将码流中的某些数据替换为其他数据，增加了码流的复杂性和安全性。使用一个特定的密钥对码流中的字节进行异或运算，或者按照一定的映射表对数据进行替换，使得只有拥有正确密钥的接收方才能准确地还原出原始码流，进而解压缩得到原始图像。
这种在压缩链路中嵌入加密机制的方案，最大的优势在于无需额外增加复杂的处理步骤，而是在现有的压缩流程中巧妙地融入安全元素，实现了压缩与加密的无缝结合 。不仅提高了处理效率，减少了计算资源的消耗，还确保了图像在整个生命周期中的安全性，有效抵御非法访问、篡改和窃取，为图像的安全传输和存储提供了坚实的保障，使其在金融、医疗、军事等对信息安全要求极高的领域具有广阔的应用前景。
⛳️ 运行结果
Image
Image
Image
Image
📣 部分代码
function [I_W , S] = func_WT(I, level, Lo_D, Hi_D);
[C,S] = func_Mywavedec2(I,level,Lo_D,Hi_D);
S(:,3) = S(:,1).*S(:,2);
L = length(S);
I_W = zeros(S(L,1),S(L,2));
I_W( 1:S(1,1) , 1:S(1,2) ) = reshape(C(1:S(1,3)),S(1,1:2));
for k = 2 : L-1
rows = [sum(S(1:k-1,1))+1:sum(S(1:k,1))];
columns = [sum(S(1:k-1,2))+1:sum(S(1:k,2))];
c_start = S(1,3) + 3*sum(S(2:k-1,3)) + 1;
c_stop = S(1,3) + 3*sum(S(2:k-1,3)) + S(k,3);
I_W( 1:S(k,1) , columns ) = reshape( C(c_start:c_stop) , S(k,1:2) );
c_start = S(1,3) + 3*sum(S(2:k-1,3)) + S(k,3) + 1;
c_stop = S(1,3) + 3*sum(S(2:k-1,3)) + 2*S(k,3);
I_W( rows , 1:S(k,2) ) = reshape( C(c_start:c_stop) , S(k,1:2) );
c_start = S(1,3) + 3*sum(S(2:k-1,3)) + 2*S(k,3) + 1;
c_stop = S(1,3) + 3*sum(S(2:k,3));
I_W( rows , columns ) = reshape( C(c_start:c_stop) , S(k,1:2) );
end
🔗 参考文献
图片
🏆团队擅长辅导定制多种科研领域MATLAB仿真，助力科研梦：
