基于对偶树复小波变换的压缩感知的生物特征图像加密方法技术

本发明专利技术是一种基于对偶树复小波变换的压缩感知的生物特征图像加密方法，首先在加密过程中，采用对偶树复小波变换将生物特征图像转换成系数矩阵；然后将系数矩阵与伪随机高斯矩阵进行测量，得到测量值矩阵，置乱该测量值矩阵元素的位置；在解密过程中，输入正确加密密钥，对密文进行反Fibonacci置乱，采用正交匹配追踪算法重构出系数矩阵；采用反对偶树复小波变换，将系数矩阵进行变换，最终重构出生物特征图像。本发明专利技术的有益效果是：本发明专利技术的密文图像以一种较为均匀的噪声的形式体现，根本无法从密文图像中获取与原文图像中任何相关的信息。能够很好地处理及恢复出细节信息，加密和解密的效果好，安全性高。

【技术实现步骤摘要】
基于对偶树复小波变换的压缩感知的生物特征图像加密方法
本专利技术涉及一种结合压缩感知的生物特征图像加密方法，具体的说是一种基于对偶树复小波变换的压缩感知的生物特征图像的加密方法。
技术介绍
生物特征图像不同于一般的数字图像，生物特征图像中隐藏着个人的隐私和生物身份信息。一旦被盗用，由于个人生物特征数目有限，不能更改和撤销。和数字图像一样的地方，生物特征图像具有占存储空间大的特点，会影响传输效率，这也是它需要被压缩的重要原因。因此结合加密和压缩技术，不仅可以提高传输速率，减少存储空间，而且保障了生物特征图像的安全性。传统的加密方法以分组算法为主，如DES和AES，安全性基于计算复杂度，对图像进行逐位的加密，速度慢，不能满足如今这个高效社会的需求。现有的图像加密的算法，主要是基于空间域和频率域的置乱、扩散、异或操作。在传统的结合图像压缩的加密方法中，通常是将加密过程和压缩过程分开进行的，这样的做法速度慢、计算量大，也无法满足实时性的需求。联合压缩与加密的方法是指在压缩过程中引入图像加密，保证了高效性，增强了安全性。目前，常见的图像压缩标准包括JPEG、JPEG2000，它们分别利用离散余弦变换(DiscreteCosineTransform,DCT)、离散小波变换(DiscreteWaveletTransform,DWT)将图像从空间域变换到频率域，这会导致图像的压缩过程是有损压缩。压缩感知的出现，打破了传统的采样理论，它利用更低的采样率获取信号样本，从而无失真的重构出原信号。因此，越来越多的研究者们研究压缩感知的过程，将图像加密融入到压缩感知的过程中，可以保障图像安全性，节省计算时间，也提高了重构后图像的质量。这种方法具有较高的安全性、稳定性及高效性，但是其采用常见的傅里叶变换，在变换过程中丢失了一部分的细节信息，使得重构后图像质量较差。常见的DWT变换，只具有水平、垂直、对角方向的选择，其方向敏感性较弱。如果输入的信号中存在很小的偏移，就会导致小波系数的能量分布发生很大的变化，因此DWT变换不具备平移不变性的特点。采用对偶树复小波变换(Dual-treeComplexWaveletTransform,DT-CWT)克服这两方面的缺点，这个变换以两个平行的小波树结构，并提供六个方向的选择，多尺度的消除下采样以保持近似的平移不变。通常在图像去噪、图像融合、图像纹理提取和分类等领域应用广泛，这些领域对图像细节的处理、对图像特征的定位和跟踪要求较高。然而，生物特征图像细节特征丰富，可以采用基于DT-CWT的压缩感知，重构出的生物特征图像细节保留较为完整，这些细节特征影响识别的性能。
技术实现思路
为解决以上技术上的不足，本专利技术提供了一种基于对偶树复小波变换的压缩感知的生物特征图像加密方法，它加密和解密的效果好，安全性高。本专利技术的一种基于对偶树复小波变换的压缩感知的生物特征图像加密方法，包括以下步骤：a.在加密过程中，采用对偶树复小波变换将生物特征图像转换成系数矩阵；b.将伪随机高斯矩阵作为压缩感知中的测量矩阵，将随机种子作为种子密钥，伪随机高斯矩阵和种子密钥生成测量矩阵；c.将步骤a中变换后的系数矩阵与步骤b生成的伪随机高斯矩阵进行测量，得到测量值矩阵；结合一维Logistic混沌系统与Fibonacci置乱算法，置乱该测量值矩阵元素的位置，此时Logistic混沌系统的初始参数的值作为加密密钥，置乱后的测量值矩阵作为密文；d.在解密过程中，输入步骤c中的加密密钥，对密文进行反Fibonacci置乱，且获得种子密钥以生成伪随机高斯测量矩阵，采用正交匹配追踪算法重构出系数矩阵；e.采用反对偶树复小波变换，将步骤d中的系数矩阵进行变换，最终重构出生物特征图像。上述在步骤a中，对偶树复小波变换采用两棵平行的滤波树分解图像，并且对偶树复小波变换选择4层分解的方式，第一层采用13/19的近似正交滤波器分解，其余三层分解采用14抽头的q-shift滤波器组分解；在每个分解层会产生这±15°、±45°、±75°六个方向的高频复系数子带。上述在步骤a中，生物特征图像被分解成实数的低频子图像，以及一系列六个方向上的复数的高频子图像；利用多方向分解图像，保证图像的近似平移不变性，以及对偶树复小波变换系数的能量分布几乎不变，以确保提取到的生物特征图像细节特征不受影响。上述在步骤e中，采用反对偶树复小波变换，输入系数矩阵中实数的低频子图像以及一系列六个方向上的复数的高频子图像，第一层选择13/19的近似正交滤波器重构，其余三层选择14抽头的q-shift滤波器组，最终重构出生物特征图像。本专利技术的有益效果是：本专利技术的密文图像以一种较为均匀的噪声的形式体现，根本无法从密文图像中获取与原文图像中任何相关的信息。解密后的图像质量高，信息丢失的情况几乎没有，对于生物特征图像这类细节特征明显且重要的图像，能够很好地处理及恢复出细节信息，无法辨别出明文与解密后的图像，加密和解密的效果好，安全性高。附图说明图1为本专利技术实施的原始生物特征图像(指纹和虹膜)。图2为图1采用本专利技术的方法加密后的密文生物特征图像(指纹和虹膜)。图3为图1采用本专利技术的方法输入正确密钥后将图2解密后的生物特征图像(指纹和虹膜)。图4为图1采用本专利技术的方法输入错误密钥后将图2解密后的生物特征图像(指纹和虹膜)。图5为图1基于DWT变换后解密的生物特征图像(指纹和虹膜)。具体实施方式下面结合附图对本专利技术做进一步详细的描述：本专利技术的目的在于提供一种基于对偶树复小波变换的压缩感知的生物特征图像的加密方法，该加密后图像具有近似均匀噪声的特点，根本无法从密文图像中获取与原文图像中任何相关的信息，具有较高的安全性。解密重构后的图像，能够较好地恢复出原文图像，细节特征信息丢失极小，具有较高的重构性。本专利技术包括以下步骤：a.对偶树复小波变换:首先，在加密过程中，对偶树复小波变换采用两棵平行的滤波树分解生物特征图像。选择4层分解的方式，第一层采用13/19的近似正交滤波器分解，其余三层分解采用14抽头的q-shift滤波器组分解。在每个分解层会产生±15°，±45°，±75°这六个方向的高频复系数子带，从而提供更多的方向上的选择，捕获更多的生物特征图像细节特征。图像被分解成实数的低频子图像，以及一系列六个方向上的复数的高频子图像。当待处理的图像存在微小的偏移，利用多方向分解图像，保证图像的近似平移不变性，以及对偶树复小波变换系数的能量分布几乎不变，以确保提取到的图像细节特征不受影响。对偶树复小波变换以两棵平行的滤波树的结构，两路复小波变换，一路生成变换的实部，另一路生成变换的虚部。采用正交小波组，在高频子带上提供了更多方向的选择，更好的捕获图像的细节特征。重构后的图像可以恢复出大量的细节信息，通过计算重构图像的PSNR值，可以判断重构图像质量的优劣。以大小为256×256的Lena图为例，其重构后的图像PSNR值为43.4891dB，对比现有的算法重构出的图像PSNR值有明显的提高。b.测量矩阵的产生：将伪随机高斯矩阵作为压缩感知中的测量矩阵，将随机种子作为种子密钥，伪随机高斯矩阵和种子密钥生成测量矩阵；c.置乱测量值矩阵：将变换后的系数矩阵与测量矩阵进行测量，得到测量值矩阵。结合一维Lo本文档来自技高网...

【技术保护点】
一种基于对偶树复小波变换的压缩感知的生物特征图像加密方法，其特征在于，包括以下步骤：a.在加密过程中，采用对偶树复小波变换将生物特征图像转换成系数矩阵；b.将伪随机高斯矩阵作为压缩感知中的测量矩阵，将随机种子作为种子密钥，伪随机高斯矩阵和种子密钥生成测量矩阵；c.将步骤a中变换后的系数矩阵与步骤b生成的伪随机高斯矩阵进行测量，得到测量值矩阵；结合一维Logistic混沌系统与Fibonacci置乱算法，置乱该测量值矩阵元素的位置，此时Logistic混沌系统的初始参数的值作为加密密钥，置乱后的测量值矩阵作为密文；d.在解密过程中，输入步骤c中的加密密钥，对密文进行反Fibonacci置乱，且获得种子密钥以生成伪随机高斯测量矩阵，采用正交匹配追踪算法重构出系数矩阵；e.采用反对偶树复小波变换，将步骤d中的系数矩阵进行变换，最终重构出生物特征图像。

【技术特征摘要】
1.一种基于对偶树复小波变换的压缩感知的生物特征图像加密方法，其特征在于，包括以下步骤：a.在加密过程中，采用对偶树复小波变换将生物特征图像转换成系数矩阵；在步骤a中，对偶树复小波变换采用两棵平行的滤波树分解图像，并且对偶树复小波变换选择4层分解的方式，第一层采用13/19的近似正交滤波器分解，其余三层分解采用14抽头的q-shift滤波器组分解；在每个分解层会产生这±15°、±45°、±75°六个方向的高频复系数子带；在步骤a中，生物特征图像被分解成实数的低频子图像，以及一系列六个方向上的复数的高频子图像；利用多方向分解图像，保证图像的近似平移不变性，以及对偶树复小波变换系数的能量分布几乎不变，以确保提取到的生物特征图像细节特征不受影响；b.将伪随机高斯矩阵作为压缩感知中的测量矩阵，将随机种子作为种子密钥，伪随机高斯矩阵和...

【专利技术属性】
技术研发人员：赵梓汝，董吉文，李恒建，王磊，张琦，
申请(专利权)人：济南大学，
类型：发明
国别省市：山东;37