如何利用Opencv實現(xiàn)圖像的加密解密
1、基礎:基于異或操作實現(xiàn)圖像加密解密
一般情況下,圖像的加密和解密過程是通過按位異或運算實現(xiàn)的。將原始圖像與密鑰圖像進行按位異或,可以實現(xiàn)加密,將加密后的圖像與密鑰圖像再進行按位異或可以實現(xiàn)解密過程。
Opencv-python代碼實現(xiàn)
import cv2
import numpy as np
demo = cv2.imread("E:\matlab_file\picture\picture.jpg", 0)
r, c = demo.shape
key = np.random.randint(0, 256, size=(r, c), dtype=np.uint8) # 生成隨機的密鑰圖像
cv2.imwrite("E:\matlab_file\picture\key.jpg", key) # 保存密匙圖像
cv2.imshow("demo", demo) # 顯示原始圖像
cv2.imshow("key", key) # 顯示密鑰圖像
encryption = cv2.bitwise_xor(demo, key) # 加密
cv2.imwrite("E:\matlab_file\picture\encryption.jpg", encryption) # 保存加密后的圖像
decryption = cv2.bitwise_xor(encryption, key) # 解密
cv2.imwrite("E:\matlab_file\picture\decryption.jpg", decryption) # 保存解密后的圖像
cv2.imshow("encryption", encryption) # 顯示密文圖像
cv2.imshow("decryption", decryption) # 顯示解密后的圖像
cv2.waitKey(-1)
cv2.destroyAllWindows()
效果展示:
原圖:
密匙:

加密后:

解密后:

2、進階:基于混沌序列構(gòu)成異或模板實現(xiàn)圖像加密解密
混沌系統(tǒng)是非線性的系統(tǒng),表現(xiàn)出非常復雜的偽隨機性,符合混淆規(guī)則。它對初始條件和控制參數(shù)非常敏感,任何微小的初始偏差都會被指數(shù)式放大,符合擴散規(guī)則。同時,它又是確定性的,可由非線性系統(tǒng)的方程、參數(shù)和初始條件完全確定。因此,初始狀態(tài)和少量參數(shù)的變化就可以產(chǎn)生滿足密碼學基本特征的混沌密碼序列,將混沌理論與加密技術相結(jié)合,可以形成良好的圖像加密系統(tǒng)。目前常用于圖像加密的混沌系統(tǒng)有:Logistic混沌映射、Chebychev映射、分段線形混沌映射、Cubic映射、標準映射、Henon映射、Lorenz混沌映射、蔡氏混沌、Rossler混沌系統(tǒng)、二維Sinai映射、Chen's混沌系統(tǒng)等。在基于混沌的圖像加密方法中,有的利用混沌系統(tǒng)產(chǎn)生偽隨機序列,進行序列密碼形式的加密。有些利用混沌的遍歷性,對產(chǎn)生的偽隨機序列作處理,得到像素置亂后的位置,然后對像素位置進行置亂。有些利用一些混沌計算表達式可逆的特點,將像素值代入混沌計算式以進行像素的代換和擴散。與傳統(tǒng)加密算法相比,混沌圖像加密算法密鑰空間大,實現(xiàn)簡單,加密速度快。但是,基于混沌的圖像加密存在以下不足:①計算機的有限精度可能導致混沌序列的周期比較短,隨機性不好。 ②現(xiàn)有的混沌加密技術大都基于一維或二維混沌系統(tǒng),容易受到相空間重構(gòu)方法攻擊。 ③一些混沌加密算法采用了形式比較復雜的混沌系統(tǒng),速度較慢,無法實現(xiàn)實時的加密。
本文使用復合混沌加密算法對圖像金星加密解密,詳細原理見:基于復合混沌系統(tǒng)的數(shù)字圖像加密方法
#!/usr/bin/env python
# _*_ coding:utf-8 _*_
"""
@Author : LitraLin
@File : Cryption.py
@CreateTime : 2021/10/07
@Description : Compound chaos Encryption and Decryption of image
"""
import cv2
import math
import numpy as np
def int2bin8(x): # 整型轉(zhuǎn)8位二進制
result="";
for i in range(8):
y=x&(1)
result+=str(y)
x=x>>1
return result[::-1]
def int2bin16(x): # 整型轉(zhuǎn)8位二進制
result="";
for i in range(16):
y=x&(1)
result+=str(y)
x=x>>1
return result
def Encryption(img,j0,g0,x0,EncryptionImg):
x = img.shape[0]
y = img.shape[1]
c = img.shape[2]
g0 = int2bin16(g0)
for s in range(x):
for n in range(y):
for z in range(c):
m = int2bin8(img[s][n][z]) # 像素值轉(zhuǎn)八位二進制
ans=""
# print("ok")
for i in range(8):
ri=int(g0[-1]) # 取手搖密碼機最后一位ri
qi=int(m[i])^ri # 與像素值異或得qi
xi = 1 - math.sqrt(abs(2 * x0 - 1)) # f1(x)混沌迭代
if qi==0: # 如果qi=0,則運用x0i+x1i=1;
xi=1-xi;
x0=xi # xi迭代
t=int(g0[0])^int(g0[12])^int(g0[15]) # 本源多項式x^15+x^3+1
g0=str(t)+g0[0:-1] # gi迭代
ci=math.floor(xi*(2**j0))%2 # 非線性轉(zhuǎn)換算子
ans+=str(ci)
re=int(ans,2)
EncryptionImg[s][n][z]=re # 寫入新圖像
def Decryption(EncryptionImg, j0, g0, x0, DecryptionImg):
x = EncryptionImg.shape[0]
y = EncryptionImg.shape[1]
c = EncryptionImg.shape[2]
g0 = int2bin16(g0)
for s in range(x):
for n in range(y):
for z in range(c):
cc = int2bin8(img[s][n][z])
ans = ""
# print("no")
for i in range(8):
xi = 1 - math.sqrt(abs(2 * x0 - 1))
x0 = xi
ssi = math.floor(xi * (2 ** j0)) % 2
qi=1-(ssi^int(cc[i]))
ri = int(g0[-1])
mi=ri^qi
t = int(g0[0]) ^ int(g0[12]) ^ int(g0[15])
g0 = str(t) + g0[0:-1]
ans += str(mi)
re = int(ans, 2)
DecryptionImg[s][n][z] = re
if __name__ == "__main__":
img = cv2.imread(r"E:\matlab_file\picture\Correlation_matrix.png", 1) # 讀取原始圖像
EncryptionImg = np.zeros(img.shape, np.uint8)
Encryption(img,10,30,0.123345,EncryptionImg) # 加密
cv2.imwrite(r"E:\matlab_file\picture\Correlation_matrix-EncryptionImg.png",EncryptionImg) # 保存加密后的圖像
img = cv2.imread(r"E:\matlab_file\picture\Correlation_matrix-EncryptionImg.png", 1) # 讀取加密圖像
DecryptionImg = np.zeros(img.shape, np.uint8)
Decryption(img, 10, 30, 0.123345, DecryptionImg) # 解密
cv2.imwrite(r"E:\matlab_file\picture\Correlation_matrix-DecryptionImg.png", DecryptionImg) # 保存解密后的圖像
cv2.waitKey(0)
結(jié)果展示:
原圖:

加密后:

解密后:

總結(jié)
到此這篇關于如何利用Opencv實現(xiàn)圖像加密解密的文章就介紹到這了,更多相關Opencv圖像加密解密內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關文章希望大家以后多多支持腳本之家!
相關文章
pytorch 獲取層權(quán)重,對特定層注入hook, 提取中間層輸出的方法
今天小編就為大家分享一篇pytorch 獲取層權(quán)重,對特定層注入hook, 提取中間層輸出的方法,具有很好的參考價值,希望對大家有所幫助。一起跟隨小編過來看看吧2019-08-08
把大數(shù)據(jù)數(shù)字口語化(python與js)兩種實現(xiàn)
當出現(xiàn)萬以上的整型數(shù)字時,經(jīng)常要把它們口語化比較直觀。下面分享兩段代碼,python與js的2013-02-02
Python字符串操作strip()和split()方法詳解
這篇文章主要介紹了Python中的strip()和split()方法,講解了它們的使用場景和典型用法,并展示了一些示例代碼,文中通過代碼介紹的非常詳細,需要的朋友可以參考下2025-03-03
Python標準庫之循環(huán)器(itertools)介紹
這篇文章主要介紹了Python標準庫之循環(huán)器(itertools)介紹,本文講解了無窮循環(huán)器、函數(shù)式工具、組合工具、groupby()、其它工具等內(nèi)容,需要的朋友可以參考下2014-11-11
pytorch 搭建神經(jīng)網(wǎng)路的實現(xiàn)
這篇文章主要介紹了pytorch 搭建神經(jīng)網(wǎng)路,文中通過示例代碼介紹的非常詳細,具有一定的參考價值,感興趣的小伙伴們可以參考一下2021-08-08

