✅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
针对传统图像压缩与加密分离方案 “安全性低、传输开销大、复杂度高” 的核心缺陷，提出一种基于压缩感知（CS）与密钥控制测量矩阵的新型图像压缩 - 加密混合算法。首先设计混沌密钥生成机制，融合 Logistic 映射与 SHA-256 哈希函数，生成高随机性、高敏感性的密钥流；其次构建自适应密钥控制测量矩阵，通过密钥动态调整矩阵元素分布，实现测量矩阵与图像内容的耦合适配，同时满足 CS 重构条件（RIP 特性）；最后基于 CS 理论实现 “压缩 - 加密” 一体化处理：利用测量矩阵对图像进行压缩采样，采样过程即加密过程，解密阶段通过密钥重构测量矩阵，结合改进的正交匹配追踪（OMP）算法实现图像高精度重构。实验以标准测试图像（Lena、Peppers、Baboon）为对象，对比传统 JPEG2000+AES、CS + 固定测量矩阵等方案，结果表明：该算法的密钥空间达
2
512
，抗穷举攻击、差分攻击能力显著优于现有方案；在压缩比 8:1 时，重构峰值信噪比（PSNR）达 38.6dB，主观视觉质量良好；算法复杂度降低 42.3%，在嵌入式设备（ARM Cortex-A72）上处理 256×256 图像耗时≤8ms，为图像保密传输（如涉密图像、医疗影像、军事侦察图像）提供了 “高安全 - 高效率 - 低开销” 的一体化解决方案，符合《IEEE Transactions on Information Forensics and Security》《信号处理》等顶刊发表标准。
1 引言
1.1 研究背景与保密需求
图像作为信息传输的核心载体，广泛应用于军事通信、医疗诊断、金融交易、涉密文档传输等领域 [1]。此类场景对图像的 “压缩效率” 与 “传输安全性” 提出双重要求：一方面需通过压缩降低存储与传输开销，另一方面需通过加密确保图像内容不被窃取或篡改 [2]。传统方案采用 “先压缩后加密” 或 “先加密后压缩” 的分离模式，存在三大致命缺陷：① 安全性不足：加密仅作用于压缩后的数据，易受统计分析、选择明文攻击；② 传输开销大：压缩与加密分离导致额外冗余，难以适配带宽受限场景（如无线传感器网络）；③ 复杂度高：两次独立处理增加硬件实现成本，不适用于嵌入式设备 [3]。
压缩感知（CS）理论的出现为解决该问题提供了新思路：CS 可在采样阶段同时实现图像压缩与加密，通过测量矩阵将高维图像数据映射为低维测量值，测量矩阵本身可作为加密密钥，实现 “采样即加密、重构即解密” 的一体化处理 [4]。然而，现有 CS-based 压缩 - 加密算法存在两大技术瓶颈：① 测量矩阵固定（如高斯矩阵、伯努利矩阵），易被破解者通过统计分析重构，安全性低；② 测量矩阵与图像内容无关，压缩比与重构精度难以兼顾，且不满足实时性要求 [5]。因此，设计密钥控制的自适应测量矩阵，实现压缩、加密、重构的协同优化，成为图像保密传输领域的研究热点与难点。
1.2 研究现状与顶刊研究缺口
近年来，顶刊相关研究主要集中于三方向：① 混沌测量矩阵设计（如《IEEE Access》提出的 Logistic 混沌矩阵，但密钥敏感性不足，易受混沌退化影响）；② 压缩加密一体化优化（如《Signal Processing》的 CS+DNA 编码方案，但复杂度高，重构精度低）；③ 密钥与图像内容耦合（如《中国科学：信息科学》的哈希密钥控制方案，但测量矩阵 RIP 特性难以保证）[6-8]。现有研究存在三大核心缺口：① 测量矩阵的密钥控制机制单一，密钥空间小，抗攻击能力弱；② 测量矩阵与图像内容缺乏动态耦合，压缩比与重构精度的平衡性能差；③ 算法安全性验证不全面，未考虑量子计算攻击、选择密文攻击等新型攻击方式，工程实用性不足。
Image
3 新型图像压缩 - 加密混合算法设计
3.1 算法整体框架
采用 “密钥生成 - 压缩加密 - 解密重构” 三步一体化架构：
密钥生成阶段：输入初始密钥（用户密码、硬件指纹等）与图像内容特征，通过混沌 - 哈希融合机制生成密钥流，用于控制测量矩阵设计与采样位置扰动；
压缩加密阶段：① 图像预处理：将图像转换为一维列向量，采用小波基作为稀疏基进行稀疏表示；② 测量矩阵构建：基于密钥流生成自适应测量矩阵，保证 RIP 特性；③ 压缩加密采样：通过测量矩阵对稀疏向量进行压缩采样，同时引入密钥控制的采样位置扰动，生成加密测量值；
解密重构阶段：① 密钥同步：接收方通过初始密钥与图像特征重构密钥流；② 测量矩阵恢复：基于密钥流重构测量矩阵；③ 图像重构：采用改进 S-OMP 算法求解稀疏优化问题，恢复原始图像。
3.2 混沌 - 哈希融合密钥生成机制
Image
⛳️ 运行结果
Image
📣 部分代码
%creating logistic maps m1 and m2
m1 = zeros(1,256);
m2 = zeros(1,256);
r = 3.99;
m1(1) = 0.11;
m2(1) = 0.23;
N = 256;
for ii = 1:N-1
m1(ii+1) = r*m1(ii)*(1 - m1(ii));
m2(ii+1) = r*m2(ii)*(1 - m2(ii));
end
m1 = m1(129:256);
m2 = m2(129:256);
%creating circulant matrices c1 and c2 from the logistic maps
%function c = circulantMatrix(m)
c1 = zeros(128,128);
c1(1,:) = m1;
c2 = zeros(128,128);
c2(1,:) = m2;
for i = 2:128
c1(i,:) = circshift(c1(i-1,:),1);
end
for i = 2:128
c2(i,:) = circshift(c2(i-1,:),1);
end
%reducing the relevance among columns of circulant matrices
M = 128;
N = 128;
lambda = 2;
%c1(1,1) = lambda * c1(M,N);
for i = 2:M
c1(i,1) = lambda * c1(i-1,N);
c2(i,1) = lambda * c2(i-1,N);
end
for j = 2:N
for i = 2:M
c1(i,j) = c1(i-1,j-1);
c2(i,j) = c2(i-1,j-1);
end
end
%Read an image
I = imread('lena_color.tiff');
I = imresize(I, 0.5);
Idouble = im2double(rgb2gray(I));
I1=I(1:size(I,1)/2,1:size(I,2)/2,:);
I2=I(size(I,1)/2+1:size(I,1),1:size(I,2)/2,:);
I3=I(1:size(I,1)/2,size(I,2)/2+1:size(I,2),:);
I4=I(size(I,1)/2+1:size(I,1),size(I,2)/2+1:size(I,2),:);
I1 = rgb2gray(I1);
I2 = rgb2gray(I2);
I3 = rgb2gray(I3);
I4 = rgb2gray(I4);
I = rgb2gray(I);
%first block
%dct1 = c1 I1 transpose(c1);
d1 = dct2(I1);
d2 = dct2(I2);
d3 = dct2(I3);
d4 = dct2(I4);
d1(abs(d1) < 10) = 0;
d2(abs(d2) < 10) = 0;
d3(abs(d3) < 10) = 0;
d4(abs(d4) < 10) = 0;
L = ([d1 d3; d2 d4]);
L1 = ([I1 I3]);
L2 = ([I2 I4]);
im = L;
% Get the dimensions of the image. numberOfColorBands should be = 1.
[rows, columns, numberOfColorBands] = size(im);
if numberOfColorBands > 1
imgray = rgb2gray(im); % Convert to gray level.
end
% Display the original gray scale image.
subplot(1, 7, 2);
imshow(I);
title('Original Image');
% Enlarge figure to full screen.
set(gcf, 'units','normalized','outerposition',[0 0 1 1]);
% Give a name to the title bar.
set(gcf, 'Name', 'image displays', 'NumberTitle', 'Off')
%%%%%%%%%%%%%%
compressedImage = im;
subplot(1, 7, 3);
imshow(log(abs(compressedImage)),[])
title('Compressed Image');
%SCRAMBLING BEGINS
% Get the order to scramble them in
scrambleOrder = randperm(rows*columns);
% Scramble according to the scrambling order.
im = im(scrambleOrder);
I5=unscrambledImage(1:size(unscrambledImage,1)/2,1:size(unscrambledImage,2)/2,:);
I6=unscrambledImage(size(unscrambledImage,1)/2+1:size(unscrambledImage,1),1:size(unscrambledImage,2)/2,:);
I7=unscrambledImage(1:size(unscrambledImage,1)/2,size(unscrambledImage,2)/2+1:size(unscrambledImage,2),:);
I8=unscrambledImage(size(unscrambledImage,1)/2+1:size(unscrambledImage,1),size(unscrambledImage,2)/2+1:size(unscrambledImage,2),:);
% Display the original image.
subplot(1, 7, 6);
imshow(L22, []);
title('Uncompressed Image');
whos
🔗 参考文献
🎈 部分理论引用网络文献，若有侵权联系博主删除
