LS混沌模型驱动的特定内容非规则尺寸图像加密算法

“基于LS混沌模型的图像特定内容非规则大小加密算法研究，主要涉及混沌系统、图像加密目标检测、语义分割。文章介绍了如何利用混沌模型改进加密算法，特别是针对图像中的特定内容进行非规则大小的加密。研究者构建了一个结合Sine映射和Logistic映射的LS混沌模型，通过调整控制参数和引入延迟状态增强混沌性。同时，他们利用PSPNet进行语义分割和Faster-RCNN进行目标检测，确定需要加密的图像像素位置。实验结果显示，新LS混沌模型具有优秀的混沌特性，生成的伪随机序列复杂，加密算法能有效且安全地加密特定内容。” 本文关注的是信息安全领域，尤其是图像加密技术。随着互联网和社交媒体的普及，图像数据的传输变得越来越频繁，但也面临着被非法获取和篡改的风险。传统的文本加密方法并不适用于图像，因为图像的特性如高数据量和像素相关性使得加密更具挑战性。 研究者提出了一种创新的解决方案，即基于LS混沌模型的图像加密算法。他们首先设计了一个结合Sine映射和Logistic映射的新混沌模型，通过改变控制参数和引入延迟状态来提高混沌行为的复杂度，这有助于生成更难以预测的加密序列。混沌系统因其非线性和高度敏感性在密码学中被广泛应用，可以生成看起来随机但实际上有规律的序列，适合加密目的。 接下来，研究团队利用深度学习模型，如在Cityscapes数据集上训练的PSPNet（语义分割模型）和MS-COCO数据集上的Faster-RCNN（目标检测模型），来定位图像中的特定内容。这些模型可以精确地识别和定位图像中感兴趣的区域，为非规则大小的加密提供了基础。 最后，他们应用所提出的加密算法对识别出的特定像素进行加密，确保了只对图像的特定部分进行处理，提高了加密效率。实验结果证实了新LS混沌模型的优越性和加密算法的有效性，显示出了在安全性方面的强竞争力。 这项工作为图像加密提供了一种新的思路，特别是对于需要保护的特定图像内容，它提供了一种高效且安全的加密方法。这种方法结合了混沌理论和深度学习技术，为数字图像安全保护领域带来了有价值的贡献。