基于小波变换的图像融合压缩与保密技术研究

沙特国王大学学报一种基于小波变换的融合图像Ankita Vaish，Sonam Gautam，Manoj KumarBabasaheb Bhimrao Ambedkar大学（中央大学）计算机科学系，印度勒克瑙阿提奇莱因福奥文章历史记录：2016年11月4日收到2017年1月24日接受2017年2月11日在线提供保留字：图像压缩图像融合图像加密伪随机数序列小波变换A B S T R A C T本文提出了一种基于小波变换的融合图像压缩和保密技术。所提出的工作背后的核心思想在于在小波域中的重要和不太重要的信息的选择。对重要小波系数采用误差测度进行融合，对次要小波系数采用极大值法进行融合，对重要小波系数的融合信息采用误差测度和伪随机数序列进行压缩和加密，对次要小波系数采用量化参数进行压缩在接收端，融合后的图像可以通过所提出的恢复算法进行恢复。数值和可见的结果表明，我们的技术优于其他几种技术。©2017作者。制作和主办：Elsevier B.V.代表沙特国王大学这是一CC BY-NC-ND许可下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍在日益发展的数字技术领域中，图像融合、图像加密和图像压缩是图像处理和计算机视觉领域的热门课题。融合是将多源图像融合成一幅视觉上得到改善的、能更好地描述场景的图像的过程加密用于信息的安全传输，而压缩用于减少图像数据所需的比特总数，这有助于快速传输，降低存储成本。图像融合是将同一场景的多幅源图像的重要信息整合到一幅视觉上得到改善的图像中的过程所得到的图像描述了场景的全部信息，这对于人类的识别和图像处理任务是有用的图像融合技术在医学成像 、 监 控 、 机 器 人 、 机 器 视 觉 、 遥 感 等 领域 有 着 广 泛 的 应 用（Wald，1999）。图像融合的主要目标是使融合后的图像更有信息性，更好的视觉质量，而不产生任何伪影。通常，具有不同焦点的相同场景的图像不提供*通讯作者。电 子 邮 件 地 址 ： av21lko@gmail.com （ A.Vaish ） ， sonam870115@gmail.com（S.Gautam），mkjnuiitr@gmail.com（M. Kumar）。沙特国王大学负责同行审查制作和主办：Elsevier每个物体都聚焦的图像。为了得到一幅全场景的聚焦图像，提出了一种多聚焦图像融合方法。如果从不同的传感器获取图像，则从不同的传感器获得的信息是有限的。不同传感器图像的这些细节被整合以将所有图像的信息获得为包含从两个传感器获得的信息的单个增强图像。多传感器图像融合是将不同传感器图像的细节融合到一幅图像中的过程。图像融合可以分为像素级、特征级和决策级，其中决策级是最高层，像素级是最低层（Blum and Liu，2005）。像素级融合，基本上是逐像素进行融合。该算法具有时间效率高、使用简单等优点，非常适合于图像融合。图像融合技术可以分为两类：空间域和变换域。空间域方法易于实现，但它可能提供低对比度和不足的细节。为了克服这些问题，已经引入了基于变换域的方法。变换域方法通常将图像变换为多尺度表示，然后选择分解后的细节来获得融合图像。存在基于变换域的融合方法的一些示例，诸如离散小波变换（DWT）（Li等人，1995; Pajares和Cruz，2004）、轮廓波变换（Liu等人，2011）、曲波变换（Choi等人，Jigneshkumar和Mehul（2016）给出了一种医学图像融合技术，可以使用DWT融合源图像。Bhageland和Krishnappa（2016）提出了一种使用DWT和自适应的MRI和PET脑图像http://dx.doi.org/10.1016/j.jksuci.2017.01.0051319-1578/©2017作者。制作和主办：Elsevier B.V.代表沙特国王大学这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页：www.sciencedirect.comA. Vaish等人/沙特国王大学学报209×ðÞðÞ ðÞð ÞU0MN0;;XX直方图均衡通过改变灰质区域中的结构信息和白质区域中的光谱信息，该技术（Bhavalet和Krishnappa，2016）提供了令人满意的结果。图像压缩与加密技术是目前发展最快的技术.文献中报道了许多基于压缩感知（CS）的图像加密和压缩方法，即Zhou等人提出的一种减少存储空间的图像加密技术。（2014），它提供了良好的密钥分配并节省了大量的存储空间。Lu等人（2013）提出了一种使用CS和经典双随机相位编码的图像加密技术，其减少了存储空间，同时使用Arnold变换增强了安全性（Liu等人，2013年）。通过结合CS和非线性分数梅林变换，在Zhou et al.（2015）中给出了一种图像加密方法。Huang等人（2012）给出了一种基于CS的并行图像加密技术，该技术开发了由置乱、混合、S盒和混沌格XOR组成的分组密码结构，以进一步加密量化数据。Zhou等人（2014）提出了一种在CS中使用密钥控制测量矩阵的混合压缩和加密方法。此外，在Zhou等人（2014）中给出了一种新的基于CS的混合压缩-加密算法，其中测量矩阵被构造为部分Hadamard矩阵并且由混沌索引序列控制。Zhou等人（2015）再次提出了一种基于2D CS和分数梅林变换（FrMT）的图像压缩加密技术，该技术利用FrMT的非线性来抵抗常见攻击并保持CS的压缩能力。Alfalou和Brosseau（2009）提出了一种光学图像压缩和加密技术，致力于在互联网上安全有效地传输图像。对于多路复用和同时编码图像，Alfalou等人给出了另一种压缩方法。（2011年）。Zhou et al.（2016）给出了一种同时使用超混沌系统和2D CS的压缩和加密方法，在这项工作中，CS用于减少数据大小，然后通过使用超混沌系统控制的循环移位操作对压缩加密图像进行重新加密。在Alfalou等人（2010）中给出了用于同时压缩和加密的安全且有效的技术，其中实现了用于3D对象重构的数字全息图的压缩和加密。通常，上述技术用于各种应用中用于特定目的的图像处理应用。然而，同时实施这些技术具有更广泛的应用前景。例如，在远程医疗的情况下，需要对多模态医学图像进行融合以包含互补的信息，同时传输信息的安全性是必要的，以维护患者的隐私在军事监视中，为了获得视觉质量更好的增强图像，需要对可见光和红外图像进行融合，然后对融合信息进行加密，以便在网络上安全传输。在上述应用中，确实有必要在保持其安全性和整个视觉信息的同时减小传输信息的大小。因此，研究并以适当的方式同时实现图像融合、加密和压缩是一个很好的思路。近年来，对融合图像同时进行压缩和加密的研究越来越受到人们的重视.即：Alfalou等人（2013）给出了一种同时压缩和加密的技术，该技术是基于离散余弦变换（DCT）特性的频谱融合的组合。Zhu等人（2013）提出了一种利用超混沌和中国剩余定理的有效方法，其中使用2-D超混沌以混洗原始图像并扩散和减少混洗的图像，同时，利用中国剩余定理除了从以上讨论的方法中，基于多尺度变换（MST）的方法也可用于图像处理的各种应用中。用于图像融合的几种经典方法是拉普拉斯金字塔（LP）（Burt和Adelson，1983）、低通金字塔比率（RP）（Toet，1989）、离散小波变换（DWT）（Li等人，1995）、双树复小波变换（DTCWT）（Lewis等人， 2007）和曲波变换（CVT）（Nencini等人，2007年）。这些基于变换的融合方法的内在特性为同时融合、加密和压缩（SFEC）领域提供了一个新的方向。最近，基于同时融合、加密和压缩的方法也得到了更频繁的发展，即：Alfalou等人（2011）给出了基于离散余弦变换（DCT）的SFEC方法，Alfalou等人（2007）给出了SFEC技术，其可以在保持安全性的同时优化图像的传输。Liu等人（2014）给出了一种用于可见光和红外图像的新型图像融合技术。最近，同时压缩，融合和加密技术是由刘等。（2016）使用CS和混沌。本文提出了一种基于最小生成树的小波域同时融合、加密和压缩技术。小波变换的多分辨率和能量压缩能力使人们开始关注如何同时完成这些任务.首先对源图像进行小波变换，形成数据的稀疏表示;小波变换将图像分解为近似小波子带和三个细节小波子带。近似子带中的变换系数不是稀疏的，包含了图像最有用的信息，因此被称为重要系数，而细节子带中的系数接近稀疏，包含的信息相对较少（称为较低的重要系数）。对于近似子带系数的融合，采用基于误差测量的方法;对于包含低能量信息的高频系数的融合，采用最大值准则。采用该加密压缩技术对低频系数和高频系数的融合信息同时进行加密和压缩。论 文 的 其 余 部 分 组 织 如 下 ： 第 2 节 简 要 概 述 了 离 散 小 波 变 换（DWT），第3节详细描述了所提出的同时融合，加密和压缩技术，第4节讨论了安全分析和压缩性能的实验验证。第5节总结了拟议的工作。2. 离散小波变换离散小波变换（Discrete Wavelet Transform，简称DWT）在图像压缩、图像加密、图像融合等图像处理中它在多分辨率水平上分解图像，这有助于在不同分辨率下分析图像。由于小波变换的多分辨率特性，在一个层次上看起来不被注意的信息在另一个层次上可能变得明显。二维离散小波变换可以通过首先在水平方向上应用一维离散小波变换，然后在垂直方向上应用一维离散小波变换来获得二维离散小波变换将图像分解为四个部分：近似LL、水平LH、垂直HL和对角HH。LL子带包含低频细节，而LH、HL和HH子带包含高频细节（如图所示）。①的人。对于大小为M N的图像，2-D DWT可以定义为（Gonzalez和Woods，2013; Kumar和Vaish，2016）：1M-1N- 1W j;m;nx<$0y<$0210A. Vaish等人/沙特国王大学学报.ð Þ¼.ð Þ¼M-1WðÞ×ðÞ半]WMNL.L.ð Þ256被执行以形成加密图像（Kumar等人， 2015年）。在融合近似小波子带和细节小波子带之后：包含结构信息，因此，为了保留结构信息，应用最大值规则来融合这些子带的系数。FLHFHLFi;jLH2i;j;ifLH1i;j6LH2i;jLH1i;j;否则i;jHL2i;j;ifHL1i;j6HL2i;jHL1i;j;否则;HH 2 i; j;如果HH 1 i; j6 HH 2 i; jð8Þð9Þð10ÞFig. 1. 一级小波分解。HH1i;j;否则Wij;m;n1XXfx;yWix<$0y<$0x;y3.3. 融合信息其中，WU<$j0;m;n<$表示近似部分，Wi<$j;m;n<$表示图像f的水平、垂直和对角线部分 x;y。2-D DWT的逆可以定义为：融合的近似子带FLL使用伪随机数加密，因为近似子带包含图像的大部分有用信息，因此首先，FLL子带的分量被量化，目的是减少f/x;y/1XXW 中文（简体）U0X;Y小波系数的范围。MNMn1Wj0;m;n、F、LL[医]甲状旁腺素min 、1XXXXWix;yQLLi;jWCmax-WCmin：q;1 6i6M= 2;16j6N= 2MNi<$H;V;D j<$j0Mnj;m;nð11Þ3. 提出了同时进行图像融合、加密和压缩的技术本节详细描述了所提出的融合、加密和压缩技术3.1. 稀疏表示令I1和I2是大小为M N的两个源图像，对于稀疏表示，这些图像使用DWT在频域中变换：Tl1/4载重吨Ul1/4载重吨，2吨，5吨其中，l表示源图像的各个子带，并且其值为l/4 l;. . 即，变换后的图像T1和U1中的每一个由四个子带组成，即，近似小波子带LLL和细节小波子带LH;HL;HH。例如，T1、T2、T3和T4分别表示第一源图像的LL1、LH1、HL1、HH1子带，而U1、U2、U3和U4分别表示第二源图像的LL2、LH2、HL2和HH2子带。数据量当数据量较大时，的细节子带是稀疏的，因为这些子带中的大多数值接近于零，这可以从图1中看出，并且所提出的工作的示意图在图1中示出。 23.2. 融合方法在高度相关数据的稀疏表示之后，低频和高频分量被融合如下：两个源图像的近似子带之间的差异被计算为：ei;jLL1i;jLL2i;j;1 6i6M= 2;16j6N= 2ð6Þ其中，q表示参数，用于约束FLL的值在范围1/20;q]中的子带，这里，q1/28-1，并且d：e是舍入运算，WC 1/21;j表示RLL子带的小波系数。FLL子带中系数的最大值和最小值分别由WCmax和WCmin表示。WC_max和WC_min的值是加密的流密码，并由解码器共享。而QLLi;j表示量化的小波系数。上面使用的量化步长将R_LL子带的值设置在范围0; 255中。因此，选择分辨率为8的8比特量化器。在减小FLL子带的范围之后，QLL子带被分解为四个子图像，如下：S1i;jQLL2i; 2j 12S2i;jQLL2i; 2j-1 13S3i;jQLL2i- 1; 2j 14S4i;jQLL2i- 1; 2j-1 15其中，16i6M=4;16j6N= 4。在下采样之后，使用单个子图像S1来计算对应于其他子图像的误差，如下：e2i;jS2i;j-S1i;j16ie3i;jS3i;j-S1i;j17ie4i;jS4i;j-S1i;j;18由于相邻像素之间的高度相关性，这些子图像中的大多数值几乎相同，这导致误差中的小值，因此在量化和编码时可以分配较少的比特为了安全有效地传输融合后的低频系数，使用伪随机数发生器（PRNG）产生的伪随机数序列加密子图像S1，伪随机数序列等于FI j. LL1i; j-ei; j;如果ei; j 6 07S1，其位于1/20;255]的范围内，并且进一步的加法模一旦低频系数被融合，下一个任务是融合细节小波系数：E1i;jmod½S1i;jPsi;j;256];16i6M=4;16j6N=4ð19Þj;m;nLL2i;jei;j;否则HHA. Vaish等人/沙特国王大学学报211图二. 拟议方案。其中，Ps_i;j_i表示由PRNG生成的伪随机数序列由于子图像S1包括图像的大部分有用信息，因此，使用霍夫曼编码对加密的子图像E1进行无损压缩：因为霍夫曼编码是一种可以分配最佳比特码的无损编码技术令所获得的压缩比特流由b1表示。对子图像S1加密后，其他子图像对应的误差量化为：Q2i;jbe2i;j=pc20212A. Vaish等人/沙特国王大学学报Q4¼2212Q3i;jbe3i;j=pc21Q4i;jbbe4i;j=pc22通过简单地将这些误差添加到重构的子图像S01，可以恢复为：S0i;jS0i;jE0i;j29其中，1 6i6M= 4;16j6N= 4并且p是量化参数由解码器共享，并且以这样的方式选择p的值，使得我们可以在节省大量存储空间的同时实现可接受的图像质量，稍后在实验结果部分中讨论p的定量值。由于量化，量化误差Q2、Q3和Q4中的大部分值变为零，这导致更稀疏的数据。为了量化误差的安全传输，使用伪随机置换。文献中报道了几种置换方法（Bourbarkis和Alexopoulos，1992; Yen和Guo，2000），但在本文中，置换方法（Bourbarkis和Alexopoulos，1992）用于加密。此外，为了给每个量化误差分配最佳比特，使用Huffman编码，假设压缩比特流分别由B2、B3和B4在融合逼近子带的同时压缩和加密后，S03i;jS01i;jE03i;j30iS04i;jS01i;jE04i;j31i现在，这些子图像被上采样以得到重构的低频分量，如下：Q0LL2i; 2jS01i;j 32Q0LL2.0i; 2j- 1L2.0 i; j- 1 L 2.0i; j-1 L 2.0 i ;j-1 L 3.3iQ0LL2i- 1; 2jS03i;j 34Q0LL2.0i- 1; 2j- 1S04i;j 35现在，Q0LL的值 在解密的WCmax和WCmin的帮助下近似为：压缩和加密为：使用量化参数减少细节小波子带（FLH、FHL和FHH）的数据量p. 作为量化的结果，这些值中的大多数被设置为零F0LL¼ Q0LLi;j：WC最大-最小WC最小值36Þ这使得我们在编码上实现了更好的压缩性能。在编码之前，使用伪随机置换对量化系数进行加密由于在这些子带中存在大量的零，相应的系数使用霍夫曼编码进行令在这些子带压缩之后获得的压缩比特流分别由b5、b6和b7压缩数据的总量可以表示为：B¼M×Nb1b2b3b4M×Nb5b6b723在获得融合的低频系数之后，可以通过对压缩比特流b5、b6和b7进行解码来获得高频系数。将所获得的高频系数逆置换以获得重构子带（比如F0LH;F0HL和F0HH）。然后对融合后的图像进行小波逆变换，低频系数（F0LH;F0HL 和F0HH），以获得重构的融合图像F0HH。4. 实验结果与讨论此外，压缩比（CR），即原始图像数据的量与压缩数据的量之间的比率被表达为：所提出的工作的效率进行评估，对各种测试图像集，如：多焦点，医疗和可见光红外图像。在这一部分中详细分析了融合、加密和压缩CR8×M×NB3.4. 融合图像重建ð24Þ图像呈现。4.1. 融合图像在接收器侧，可以通过以下步骤重建融合图像：融合后的图像可以通过所提出的解压缩和解密方法进行重建。当具有压缩的比特流（b1;b2;b3;b4;b5;b6和b7）时，这些比特流中的每一个被解码和解密。对于低频分量的解压缩，使用霍夫曼解码技术对压缩比特流b1进行解码，假设解码的子图像由E01表示，随后进行解密处理：S01i;jmod½E01i;j-Psi;j;256]25其中，Ps示出了通过使用与编码器所使用的相同种子而生成的伪随机数。压缩比特流利用huffman解码技术对对应于错误的b2、b3和b4进行解码，这导致量化错误，这些量化错误被逆置换以获得解密的量化错误（例如Q02、Q03和Q04），这些错误被解量化为Kumar和Vaish（2015年）：E02i;jbQ02i;jpp-1= 2c26E03i;jbQ03i;jpp-1= 2c27E04i;jbQ04i;jpp-1= 2c28其中，16i6M= 4; 16j6N= 4，一旦重建误差，则其它子图像的低频分量可以简单地解压缩和解密压缩的比特流。该方法可以在保证图像安全的前提下，更有效地重建融合图像，提高图像质量。图3表示使用各种现有技术方法的融合图像以及所提出的工作的结果：(b) 显示了计算机断层扫描（CT）和磁共振（MR）源图像，我们模拟了LP（Burt和Adelson，1983）、RP（Toet，1989）、DWT（ Li 等 人 ， 1995 ） 、 DTCWT （ Lewis 等 人 ， 2007 ） 和 CVT（Nencini等人，2007）方法和相应的结果分别示于图3（c）-（g）中，而图3（c）-（g）示出了图3（c）-（g）。图3（h）示出了使用所提出的SFEC规则的融合图像。可以从图中分析。 3（h）所提出的SFEC规则可以重建具有改善的图像质量的融合图像。表1中示出了对 应 于 针 对 医 学 图 像 提 出 和 比 较 的 方 法 的 结 果 。 采 用 互 信 息（MI）、标准差（SD）、相关系数（CC）、结构相似性指数（SSIM）和峰值信噪比（PSNR）等多种图像质量度量指标对融合后的重建图像进行质量评价。从表1所示的定量结果可以明显看出，所提出的SFEC技术比现有技术更有效。该方案也适用于多焦点图像和相应的视觉结果如图所示。 四、 图4（a）和A. Vaish等人/沙特国王大学学报213图三. 医学图像融合表1性能比较拟议的工作与一些现有的工程医学图像融合方法MISDCCSSIMPSNRLP（Burt和Adelson，1983）3.365735.95310.71330.426731.4400RP（Toet，1989）4.582235.15170.68550.393131.7653DWT（Li等人，一九九五年）3.176534.08320.70640.408931.6553DTCWT（Lewis等人，（ 2007年）4.143233.87040.71380.419931.5685CVT（Nencini等人，（2007年）4.086833.74320.71340.418031.6058提出4.999558.58010.76200.477638.8047见图4。 多聚焦图像融合。(b) 示 出 了 使 用 LP （ Burt 和 Adelson ， 1983 ） 、 RP （ Toet ，1989 ） 、 DWT （ Li 等 人 ， 1995 ） 、 DTCWT （ Lewis 等 人 ，2007）和CVT（Nencini等人， 2007）融合规则分别如图4（c）-（g）所示。使用所提出的SFEC规则的融合图像如图4（h）所示。从视觉结果可以看出，所提出的方案优于现有的几个方案。然而，还通过测量一些数学项来测试所提出的工作的视觉质量，相应的结果如表2所示。例如，当使用LP（Burt和Adelson，1983）、RP（Toet，1989）、DWT（ Li等 人， 1995 ） 、DTCWT （ Lewis等 人， 2007 ） 和CVT（ Nencini 等 人 ， 2007 ） 融 合 规 则 ， 36.7171 dB 、 36.9352 dB 、36.4059 dB、36.6062 dB和36.5255 dB当采用SFEC 准则 42.1431dBPSNR 进行融合时，可获得较高的PSNR，从而提高了融合图像的视觉质量。本文还采用了MI、SD、CC、SSIM、PSNR等指标对融合图像的质量进行了评价，并给出了相应的评价结果214A. Vaish等人/沙特国王大学学报表2多焦点图像与一些现有的作品提出的工作的性能比较融合方法MISDCCSSIMPSNRLP（Burt和Adelson，1983）7.075246.15470.98440.904736.7171RP（Toet，1989）7.078646.10530.98350.903336.9352DWT（Li等人，一九九五年）6.917545.53510.98560.910836.4059DTCWT（Lewis等人，（ 2007年）7.016545.60510.98710.918436.6062CVT（Nencini等人，（2007年）6.947445.54320.98710.918236.5255提出7.957244.72720.99690.986542.1431所有的数学模拟表明，所提出的工作已经获得了改善的图像质量，所有的指标。并对可见光和红外图像进行了融合重建图像质量图5展示了使用几种现有和提出的方案的这些图像的结果。可见光和红外图像如图所示。图5（a）和（b）示出了使用现有方法重建的融合图像。图5（c）-（g）分别示出了利用所提出的工作重建的融合图像。 5（h）。 从图1所示的几个结果可以看出。 5、所提出的工作质量优于其他技术。为了测试所提出的工作的效率，还使用了一些数学措施，相应的结果如表3所示。因此，从表14.2. 安全性分析和压缩性能评估所提出的工作是安全的，对各种暴力攻击，在自然图像的情况下，相邻的像素具有很强的相关性，在这项工作中，近似的F_F_LL_B和细节子带（F_LH;F_HL和F_HH）使用伪随机数序列和伪随机置换加密。它不是直接掩蔽FLL子带的值，而是分解成四个子图像。该算法利用伪随机数序列对子图像进行掩码，利用伪随机置换对错误图像进行 最重要信息的掩蔽使得原始图像不可识别，并且还确保期望的安全级别，因为众所周知，直到现在还没有已知的概率多项式时间（PPT）算法来区分伪随机数序列和随机数序列（Kumar等人，2015;Kumar and Vaish，2015）. 因此，足以保护图像图五、可见光和红外图像融合。表3性能比较拟议工作的可见光-红外图像与一些现有的作品。融合方法MISDCCSSIMPSNRLP（Burt和Adelson，1983）3.943933.46530.87090.828532.4216RP（Toet，1989）3.885632.47100.87070.824033.0426DWT（Li等人，一九九五年）3.894031.57900.87170.831032.6801DTCWT（Lewis等人，（ 2007年）4.162131.73240.87750.845832.6403CVT（Nencini等人，（2007年）4.071631.60870.87750.845732.6333提出4.118341.72280.89660.848637.8928A. Vaish等人/沙特国王大学学报215××这是因为任何PPT对手都难以区分加密的像素序列和随机数序列。而对误差和包含次要信息的细节小波系数进行伪随机置换，因为细节子带包含水平、垂直和对角细节，这些细节是相当稀疏的，因此进行伪随机置换足以隐藏结构信息。由于细节小波子带的值不变，实际上保持了细节小波子带系数的经验分布考虑到细节小波子带的值和对应于F-LL子带的误差不被掩蔽，而仅使用伪随机置换来代替掩蔽值。 如果在每个细节子带中存在T个系数，则将存在T！ 预测每个系数位置的方法，在这里！是阶乘运算。为了说明，如果输入图像的大小为512 512，则存在256 256，即每个细节子带中的65，536个系数，并且细节子带中的元素的数量是在近似子带中，在这些细节小波子带中尝试蛮力搜索需要65; 536！每个子带中的排列方式。为了计算的目的，65的值; 536！可以假定为无穷大。因此，任何攻击者都很难实施暴力攻击。因此，所提出的技术已经获得了期望的安全性水平和抵抗攻击的鲁棒性。在图6中示出了用于医学图像的不正确解密的融合图像。图6（a）示出了使用所提出的方案重建的融合图像，其加密版本示于图6（b）中，图6（b）是当由伪随机数序列和伪随机置换加密的子图像不正确排列时获得的。从图6（b）中可以看出，所提出的工作没有揭示任何原始信息。与重建的多焦点融合图像（图7（a））对应的加密图像在图7（b）中示出。对应于可见光和红外图像的重构融合图像在图8（a）中示出，并且其加密版本在图8（b）中示出。在所有情况下，错误的参数被选择为接近原始值。从图中可以看出。6（b）、7（b）和8（b）拟议的工作已达到所需的安全水平见图6。 (a)正确重建的医学融合图像;（b）错误重建的图像。见图7。 (a)正确重建的多焦点图像;（b）不正确重建的图像。见图8。 (a)正确重建可见光和红外融合图像;（b）错误重建图像。216A. Vaish等人/沙特国王大学学报表4拟议工作的压缩性能测量量化参数（p）81216202428多聚焦图像PSNR42.348442.182942.111242.052542.039342.0191BPP1.57331.51251.48611.46691.46321.4575医学图像PSNR38.692538.615438.576238.558638.548538.5392BPP1.72531.64251.59881.57271.55731.5349可见光与红外图像PSNR37.866837.726937.661937.623537.602237.5875BPP2.19621.97941.87401.81931.78611.7641因为直到解码器不具有加密密钥和排列方式的正确知识，否则甚至难以猜测原始融合图像的一瞥。所提出的工作的有效性也评估通过测量压缩性能。对多幅多源图像进行了同步融合、加密和压缩，并对融合后的重建图像质量随比特率降低的变化对于表1然而，表4中示出了各种测试图像上的每像素比特（bpp）和峰值信噪比（PSNR）之间的关系。从表4可以明显看出，随着bpp降低，重构的融合图像的质量也降低，尽管重构图像的质量的劣化对于人眼来说在感知上是不可见的由于所提出的工作，它是可能的，以减少融合图像的大小，同时保持所需的图像质量。例如，当使用所提出的方案压缩多焦点图像时，则对于1.5733bpp获得42.3484 dB PSNR，然而，通过增加量化参数，可以实现更好的压缩性能，而不会使重构图像的视觉质量下降更多，这可以从表4中清楚地观察到。5. 结论本文提出了一种基于小波变换的同时融合、加密和压缩技术。利用离散小波变换对源图像进行稀疏表示，有助于在重构的融合图像中保持源图像的显著特征。低频系数采用基于误差的融合规则，高频系数采用最大融合规则。融合的低频和高频系数同时加密和压缩。在低频和高频分量中分别使用伪随机数和伪随机置换，使得所提出的方案能够抵抗任何暴力攻击。该方法在保持源图像显著特征的同时，提高了图像的视觉质量.通过与现有技术的比较，证明了该方法在保证图像传输安全性的前提下，能够实现融合图像的重建。本文还对量化参数变化时的压缩性能进行了评估，发现增加量化参数可以节省更大的存储空间。因此，所提出的工作不仅节省了存储成本和安全性，而且提高了融合图像的可见质量引用Alfalou，A.，布罗索角，2009年光学图像压缩与加密方法。Adv. Opt. Photonics 1（3），589.Alfalou，A.，Loussert，A.，Alkaldi，A.，El Sawda河，2007.通过频谱融合进行图像压缩和加密以优化图像传输的系统，FGCN 2007。IEEE Proc.2，593-596。Alfalou，A.，Elbouz，M.，曼苏尔，A.，Keryer，G.，2010. 基于最优相位编码和RMS持续时间原理的光谱图像压缩新方法。J. Opt.12个。Alfalou，A.，曼苏尔，A.，Elbouz，M.，布罗索角，2011.多路复用和同时编码图像的光学压缩方案，光学和数字图像处理基础与应用。威利，纽约。 463.Alfalou，A.，布罗索角，Abdallah，N.，Jridi，M.，2011.同时融合、压缩和加密多个图像。选购配件Exp. 24（19）.Alfalou，A.，布罗索角，Abdallah，N.，Jridi，M.，2013.评估一种同时压缩和加密多幅图像的方法的性能及其对各种攻击的抵抗能力。选购配件Exp. 21（7）.Bhagaran，V.，Krishnappa，H.K.，2016.使用DWT和自适应直方图均衡化的MRI和PET图像融合。通信与信号处理（ICCSP），2016年国际会议。美国电气与电子工程师协会。布鲁姆，R.S.，刘志，2005年多传感器图像融合及其应用。 CRC出版社，泰勒和弗朗西斯集团。Bourbarkis，N.，Alexopoulos，C.，一九九二年使用SCAN模式对图片数据进行加密模式识别。25（6），567-581。Burt，P.，Adelson，E.，1983.拉普拉斯金字塔作为一个紧凑的图像代码。IEEETrans.Commun. 31（4），532-540。Choi，Myungjin，Kim，Raeyjun，Nam，Myeongryong，Kim，Hongoh，2005年。基于曲波变换的多光谱和全色卫星图像融合。IEEE地球科学学报远程传感器字母2（2），136-140。冈萨雷斯，R.C.，伍兹，R.E.，2013.数字图像处理Pearson Education，NewDelhi，印度黄河，巴西-地Rhee，K.H.，Uchida，S.，2012年。一种基于压缩感知的并行图像加密方法。多媒体工具应用，1-23Jigneshkumar，M.P.，Mehul，C.P.，2016年。基于多尺度（DRT）和多分辨率（DWT）技术的医学图像融合国际通信与信号处理会议（ICCSP）北卡罗来纳州金斯伯里，1999.复小波图像处理。在：Silverman，B.，Vassilicos，J.（Eds.），Wavelet：间歇性信息的关键。牛津大学出版社. 165比185Kumar，M.，Vaish，A.，2015年。基于预测误差的加密图像压缩 计算和通信技术国际会议ACM，228-232。Kumar，Manoj，Vaish，Ankita，2016.一种有效的加密后压缩技术，用于使用SVD加密图像。数字信号处理60，81-89。Kumar ， M. ， Vaish ， A. ， 2015. 使 用 WDR 编 码 的 加 密 图 像 的 有 效 压 缩 。International Conference on Soft Computing for Problem Solving （ SocPros-2015），436（4），729刘易斯，J.，奥卡拉汉河Nikolov，S.，布尔，D.，Canagarajah，N.，2007年基于像素和区域的复小波图像融合。告知。 Fusion 8（2），119-130.Li，H.，Manjunath，B.，Mitra，S.，1995.基于小波变换的多传感器图像融合。Graph.模型图像处理。 57（3），235-245。Li，H.，Manjunath，B.，Mitra，S.，1995.基于小波变换的多传感器图像融合。Graph.Models Image Process 57（3），235-245.Liu，Kun，Guo，Lei，Chen，Jingsong，2011. Contourlet变换用于循环旋转图像融合。 J. 系统Eng. 电子学。 22（2），353-357。刘，X.，曹玉，Lu，P.，卢，X.，李，Y.，2013. 基于压缩感知和Arnold变换的光学图像加密技术。 Optik 124（24），6590-6593。刘志，Yin，H.，Fang，B.，Chai，Y.，2014年。提出了一种基于压缩感知的可见光与红外图像融合方法。选购配件Commun.刘，X.，Mei，W.，杜，H.，2016.基于压缩感知和混沌的图像压缩、融合与加密同步算法。光学通信366，22-32。Lu，P.，徐志，卢，X.，刘，X.，2013.基于压缩感知和双随机相位编码技术的数字图像信息加密。Optik 124（16），2514-2518。Nencini，F.，Garzelli，A.，Baronti，S.，阿尔帕龙湖，2007. 基于曲波变换的遥感图像融合。告知。 Fusion 8（2），143-156.Pajares，G.，Cruz，J.，2004年一个基于小波的图像融合教程.模式识别。37（9），1855Toet，A.，一九八九年一种基于低通金字塔比率的图像融合方法模式识别。Lett. 9（4），245-253.瓦尔德湖，1999.数据融合中的一些职权范围。IEEE地球科学学报RemoteSens.37（3），1190-1193.Yen，J.C.，Guo，J.I.，2000.一种高效的分级混沌图像加密算法及其VLSI实现。Proc.Inst. Elect. Eng. 目视图像信号处理 147（2），167-175。Zhou，N.，张，A.，Zheng，F.，贡湖，2014年。压缩感知中基于密钥控制测量矩阵的图像压缩加密混合算法。Opt. Laser Technol. 62，152-160.Zhou，N.，张，A.，Zheng，F.，贡湖，2014年。压缩感知中基于密钥控制测量矩阵的图像压缩加密混合算法。Opt. Laser Technol. 62，152-160.A. Vaish等人/沙特国王大学学报217Zhou，N.，张，A.，吴，J.，Pei，D.，杨，Y.，2014.基于压缩感知的混合图像压缩加密新算法。 Optik 125，5075-5080。Zhou，N.，Li，H.，Wang，D.，中国科学院，Pan，S.，周志，2015年。 基于二维压