细胞神经网络与改进AES的超混沌图像加密方案.pdf

第三章基于五维 CNN 与 S 盒的的图像加密算法 目前人们针对不同场景设计和研究出各种的基于混沌的图像加密算法并取得不 俗的研究成果。但仍然有一些图像加密算法存在不足之处。如基于一次一密的加 密方式多产生随机输出，这类随机输出通过随机密匙的形式体现出来，但并没有 很好地解决如何保存和分发密钥的这个难点；而使用 Bit 规则的加密往往需要进行 大量的运算，难以应用在实际的图像加密中；基于随机技术的图像加密方式，选 用的是与明文无关的密钥，使得加密算法对明文敏感性较弱；而基于伪 DNA 序列与 混沌映射结合的图像加密算法，虽然相对易于实现，但是存在 DNA 编码规则有限， 难以抵挡破解者的穷举攻击 Error! Reference source not found.-Error! Reference source not found. 。因 而相关专家学者们依然在不断地研究新的图像加密方法并对传统的各种加密算法 进行改进。本文针对目前低维混沌算法存在的明显缺点，提出一种基于五维 CNN 超 混沌与 S 盒结合的图像加密算法，通过仿真实验表明，该算法能够有效地抵挡明文 (密文)攻击，实现了一次一密，而且拥有更加大的密钥空间，具有优良的加密效 果。 3.1 细胞神经网络数学模型 Chua 和 Yang 在 1988 年首次提出一种局部互连的神经网络系统，称为细胞神 经网络 (Cellular Neural Network )。研究表明 CNN 具有的良好的随机特性，可产生 复杂度高的混沌行为，因此基于 CNN 混沌系统适用于图像处理、模式识别等多个领 域 Error! Reference source not found. ，其产生所具有类噪音、内随机性、长期演变轨道不可 预测等特性的混沌信号。 3.1.1CNN 模型的结构 CNN 的基本单元称为细胞，其中每个细胞可看成一个简单非线性一阶的电路， 每个细胞电路相同，其中包括电阻、线性电容和压控电源等元器件。若一个规模 为 M  N 的细胞神经网络排列成 M 行 N 列，则以 C i, j  表示第 i 行第 j 列的细胞。图 2-4 展示了一个 3 3 规模的细胞神经网络。其等效电路如图 2-5 所示。 图 2-4 3 3规模的细胞神经网络结构 图 2-5 细胞等效电路图 在 CNN 中，神经元细胞只与 r 邻域范围内的神经元细胞相连接，与范围外的细 胞都不相连。细胞神经网络的维数可以定义为任意维，而多维的情况可以由低维 的结果推广得到。出细胞邻域的定义如下： N (i, j )  C(k ,l) max {k  i , l  j }  r,1 k  M ,1 L  M ,1 L  N  (2.4) r 符号 Nr(i,j)表示细胞 c(i,j)的半径为 r 的邻域，C(k,l)表示细胞 c(i,j)的 r 邻域内的细胞。 3.1.2CNN 的状态方程 根据图 2-5 给出的 CNN 中细胞 C(i,j)的等效电路图，每个细胞 C(i,j)都有一 个恒定的外界输入 u ，阈值 I ，状态变量 X 和输出 Y 。而细胞 C(i,j)的状态方 ij ij ij ij 程 Error! Reference source not found. 可以用一阶非线性微分方程的形式来表示： dx 1 C i ,j  ( )  I   A(i, j ;k ,l)y kl   B (i, j ;k ,l)ukl d R t x Ci ,j N r (i ,j ) Ci ,j N r (i ,j ) (2.5) 输出方程：  1 x  1