💻 computer science

Color Image Encryption Based on Joint Parameter Optimization and Chaotic Key-Stream Reconstruction with Application to Medical Images

本文提出了一种用于医学应用的安全性彩色图像加密方案，该方案通过改进的植物根茎生长优化框架，将混沌序列生成与密钥流重构参数相统一，以增强适应性、统计稳健性以及对明文变化的敏感性。

原作者： Dawei Wang, Wei Yu, Yajun Chen, Chenyang Li, Gaofeng Meng

发布于 2026-09-29

📖 1 分钟阅读☕ 轻松阅读

原作者： Dawei Wang, Wei Yu, Yajun Chen, Chenyang Li, Gaofeng Meng

原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

在数字时代，图像不再仅仅是图片；它们是穿越网络传输的海量数据流，承载着从度假记忆到关键医疗诊断的一切信息。与简单的文本信息不同，一张彩色图像包含数百万个微小的色彩点，而这些点很少是随机的。例如，在人脸的照片中，眼睛周围的像素与其邻近像素非常相似，从而形成了一种计算机可以轻易读取的可预测模式。这种可预测性是一种弱点。如果有人拦截了未加密的图像，他们往往可以通过观察像素的统计模式来猜测其内容。为了保护这些图像，科学家们使用加密技术，这是一个将数据彻底打乱的过程，使得处理后的结果看起来像是随机噪声。最有效的现代方法依赖于“混沌”这一概念，即系统按照完全由初始规则决定的方式演化，但在观察者看来却表现得完全不可预测。通过利用这些混沌系统来打乱并改变像素值，研究人员可以将原始图像隐藏在统计随机性的屏障之后。

然而，如何调节这些混沌系统仍然是一个重大挑战。在许多现有的安全方法中，生成混沌数值的设置与实际打乱图像的步骤是分别选择的。这就像锁匠设计了钥匙，而锁匠设计了锁，但他们从未交流过。这种分离可能会留下安全漏洞，因为生成的混沌数值可能并不完全适用于特定的图像打乱方式。山西师范大学的一个研究小组通过创建一种新的加密框架解决了这一脱节问题，该框架将混沌数值的生成与图像的打乱视为一个统一的过程。他们不再是靠猜测最佳设置，而是开发了一个能够自动搜索完美参数组合的系统，以实现安全性最大化。

研究人员首先指出，目前的各种方法通常是在孤立的状态下优化混沌系统，忽略了这些设置如何与随后的重排和扩散像素值的步骤相互作用。为了解决这个问题，他们设计了一个统一的控制模型，将复杂数学系统的内部设置与用于重建打乱密钥的变量联系起来。随后，他们采用了一种受植物根系生长和探索土壤方式启发而设计的专门搜索算法，来寻找理想的设置。这种经过改进且更高效的算法不仅仅是随机挑选数字；它模拟了整个加密过程，对成千上万种不同的参数组合进行测试。它根据处理后的图像隐藏原始数据的效果来评估每一次尝试，寻找一种状态，即像素值完全随机、相邻像素之间的关系被打破，并且即使原始图像发生极其微小的变化，也会导致打乱后的结果发生巨大的变化。

一旦算法确定了最优设置，研究人员便将其应用于一个四维混沌系统以生成一组数字。这些数字随后被用于对彩色图像执行两个主要动作。首先，图像被进行了“置乱”：红、绿、蓝三个通道的行和列同时被重新排列，确保了图片的空间结构被破坏。其次，像素值通过一种称为“扩散”的过程被改变。在这一步中，研究人员引入了一个新的复杂度层级，将各个通道耦合在一起。打乱后的红色通道会影响绿色通道，而绿色通道又会影响蓝色通道。这意味着图像中一处的改变会波及整个画面，影响所有三种颜色。为了进一步加强安全性，研究人员还通过重新排列和移动片段的方式重建了用于此扩散的密钥流，确保变化的模式高度不规则且难以预测。

团队在诸如著名的“琳娜”（Lena）肖像等标准测试图像，以及包括皮肤病变扫描在内的真实世界医学图像上测试了该方法。结果显示，加密后的图像看起来像是均匀的静电噪声，没有任何可见的原始内容痕迹。统计分析证实，打乱后的图像达到了高度的随机性，像素值均匀分布在所有可能的色调之中。至关重要的是，该方法对密钥表现出了极高的敏感性：如果在解密过程中即使改变了极小部分的设置，结果也会变成完全无法理解的图像，这证明该系统无法通过猜测来破解。研究人员还测试了系统在面对损伤（例如加密图像的部分丢失或被噪声损坏）时的韧性。他们发现，虽然图像质量会随着严重的损坏而下降，但核心视觉信息仍能被恢复，这表明该方法对于现实世界的传输而言具有足够的鲁棒性。

或许最显著的是，这项研究证明了这种优化方法在处理敏感医疗数据方面同样有效。当应用于皮肤状况的皮肤镜图像时，该系统成功地隐藏了诊断细节，同时保持了在使用正确密钥时完美恢复原始图像的能力。这表明统一的优化策略不仅适用于标准图片，还能适应医学成像中复杂的结构。研究人员总结道，通过将混沌数值的生成直接与加密步骤相联系，他们创建了一个更具适应性且更安全的框架。他们的工作表明，未来的安全系统不应将密钥的创建与数据的锁定视为独立的任务，而应将其视为一项协调一致的工作，通过不断调整设置来确保对视觉信息提供最高水平的保护。

技术摘要：基于联合参数优化与混沌密钥流重构的彩色图像加密技术

问题陈述
数字图像（尤其是医疗诊断等敏感领域中的图像）的广泛传输与存储，加剧了对数据隐私和安全的担忧。虽然混沌图像加密是一种主流方法，但现有方法往往存在混沌系统参数优化与后续加密操作之间的脱节问题。具体而言，当前方案通常孤立地优化混沌初始状态或控制参数，很少将与密钥流构建及加密操作相关的变量（如置换索引和扩散调度）视为一个统一的、联合优化的系统。这种分离限制了混沌动力学与加密过程之间的适应性，可能在降低空间依赖性和抵御差分攻击方面留下安全漏洞。此外，许多现有方案中红（Red）、绿（Green）、蓝（Blue）通道之间的相互作用机制仍显不足，限制了明文变化在各颜色分量间的传播。

方法论
本文提出了一种集成联合参数优化与混沌密钥流重构的安全彩色图像加密框架。该方法由两个主要阶段组成：

改进型植物根茎生长优化算法 (IPRGO)：
- 构建一个统一的控制向量，将四维 Lorenz 混沌系统的参数（初始状态 $x_0, y_0, z_0, w_0$ 及控制参数 $r$ ）与扰动层变量（随机种子、位移量、融合模式和分段尺度）相结合。
- 采用 IPRGO 算法来搜索最优参数组合。该算法通过引入以下机制对标准植物根茎生长优化（PRGO）进行了改进：
  - 自适应生长模式概率： 根据优化进度动态调整选择“主根”（全局搜索）与“须根”（局部精细化）算子的概率。
  - 停滞检测驱动的局部重置： 当搜索陷入停滞时，重新初始化部分劣质个体，在保留高质量解的同时引入新的搜索方向。
- 适应度函数根据信息熵、相邻像素相关性、像素变化率（NPCR）以及统一平均变化强度（UACI）对候选解进行评估。
优化引导的加密过程：
- 混沌序列生成： 经过优化的混沌层参数初始化 4D Lorenz 系统，生成用于置换索引和基础扩散密钥流的序列。
- 密钥流重构： 优化的扰动层参数驱动一个涉及分段重排、循环移位（针对 R 通道和 G 通道）以及通道融合（针对 B 通道）的重构过程，以创建最终的扩散密钥流。
- RGB 同步置换： 使用源自混沌序列的一对相同的行-列置换索引，同时应用于所有三个颜色通道，以确保空间一致性。
- 通道耦合双向非线性扩散： 采用渐进式扩散结构，其中 R 通道的密文会影响 G 通道的扩散，而 G 通道的密文会影响 B 通道的扩散。该过程在正向和反向扫描方向上均执行，以增强雪崩效应。

核心贡献

统一优化策略： 本文建立了一个联合优化模型，将混沌参数与密钥流重构变量视为单一控制向量，使得优化过程能够直接调节序列生成与加密执行。
混沌密钥流重构： 设计了一种涉及分段重排、循环移位和通道融合的机制，以增强加密序列构建的灵活性和随机性。
RGB 同步与耦合扩散： 该方案引入了 RGB 同步置换策略和通道耦合的双向非线性扩散结构，提升了空间打乱效果及通道间的信息交互。
增强型优化算法： 引入了具有自适应生长调节和基于停滞局部更新功能的 IPRGO 算法，提高了在高维、耦合参数空间中的搜索效率与能力。

实验结果
该方案使用标准测试图像（Lena, Peppers, House）和医学图像（黑色素瘤 Melanoma, 痣 Nevus, 基底细胞癌 Basal cell carcinoma）进行了评估。

统计安全性： 加密图像的信息熵值接近理论最大值 8（例如 Lena 约为 ~7.9994），表明具有极高的随机性。相邻像素相关系数降至接近于零的水平（平均绝对值约为 ~0.00042），有效地打破了空间依赖性。
差分攻击抗性： 该方案对明文变化表现出极强的敏感性，NPCR 平均值约为 ~99.609%，UACI 平均值约为 ~33.462%，非常接近理论参考值。
密钥敏感性： 使用微扰动的密钥（例如偏差为 $10^{-14}$ ）进行解密时，会导致高均方误差（MSE）和低峰值信噪比（PSNR），证实了若无精确密钥，系统无法恢复有效数据。
鲁棒性： 该方法对椒盐噪声和块裁剪具有容忍度，即使在适度的攻击强度下，解密后的图像仍能保留可识别的内容。
对比性能： 在与现有算法（如文献 [33]–[38]）的对比中，所提方法在熵、相关性、NPCR 和 UACI 等指标上达到了优异或具有竞争力的结果。
医学图像应用： 从标准图像中获得的优化参数能够成功加密并解密各种医学图像而无需重新优化，保持了稳定的安全指标（平均熵约为 ~7.9971）。

意义与主张
作者声称，该框架解决了当前混沌系统中参数优化与加密操作分离的局限性。通过将混沌生成与密钥流重构变量嵌入到统一的优化空间中，该方法增强了参数选择与加密执行之间的相互作用。结果表明，该框架对于保护敏感视觉数据（特别是医学图像场景）是有效的，它提供了稳定的加密性能、强大的抗差分及统计攻击能力以及可靠的可逆性。论文得出结论，该方法是安全医学图像存储与传输的可行解决方案，未来的工作建议侧重于提高优化效率并开发适用于资源受限环境的轻量化版本。

类似论文